问题——复杂环境感知成为智能系统落地的“关键一公里”； 随着无人驾驶、海洋探测、应急救援等场景加速拓展，智能系统需要暗光、雨雾、遮挡、水下浑浊等条件下仍能稳定识别并作出决策。现实应用中，视觉、雷达、声呐、红外等多源数据面临“模态差异大、语义不一致、任务目标耦合强”等挑战：一上，数据域对齐不足会让信息“叠不起来、用不上”；另一方面，任务域协同不够会导致上下游模块各自优化、整体效果受限。由此，多模态融合成为提升系统可靠性的关键路径，也成为基础研究与工程应用共同需要攻克的难题。 原因——异构数据与多任务耦合叠加，传统融合方法难以兼顾统一表达与协同优化。 当前主要受两类因素制约：其一，不同模态之间存明显“语义间隙”，数据分布、噪声结构各异，且可信度随环境快速变化，简单拼接或加权难以保证融合质量；其二，感知、定位、预测、规划等任务高度依赖，传统分段式设计往往停留在“局部最优”，在极端条件下更容易出现误差传递与放大。另外，新型应用对实时性、可解释性与可靠性提出更高要求，也促使学界从机理层面刻画“数据域—任务域”的联动关系，形成更可推广的方法体系。 影响——从理论方法到工程落地，推动关键场景感知能力提升。 本次获奖成果由大连理工大学软件学院刘日升教授团队牵头完成，围绕“异构模态信息融合的数据对齐与任务协同”这个基础问题开展研究。团队从数据域与任务域的相互作用出发，梳理多模态融合在语义对齐与目标协同上的内在规律，提出面向异构模态的语义间隙最小化特征对齐学习准则，并构建上下游主从博弈的最优化任务协同数学模型，推动暗光、水下等极端环境中的感知融合瓶颈取得突破。 据介绍，项目代表性成果发表于国际高水平期刊与会议，并在国家重大需求、无人驾驶、智慧海洋等领域实现应用落地。这一进展为复杂环境下的稳定感知提供了理论支撑，也为多源数据驱动的智能系统设计提供了可复用的协同优化思路。业内人士认为，面向真实场景的理论创新与系统化工程验证相结合，是提升智能系统安全性与可靠性的关键路径。 对策——以需求牵引夯实基础研究，以平台支撑促进协同攻关与成果转化。 近年来，大连理工大学围绕国家重大战略需求优化科研布局，在基础研究、关键技术攻关与产学研用衔接上持续发力。以软件学院为例，学院围绕先进工业软件与软件工程、智能科学与工程、泛网络与智能感知、智能技术赋能教育等方向完善科研力量，依托教育部重点实验室及省市级科研平台，推进开放共享的科研条件建设，促进跨团队、跨学科协同创新。 同时，学院强调以高水平科研带动人才培养，面向大型工业软件、嵌入式软件等领域推进特色化培养路径，推动科研成果在行业场景中验证与迭代。对应的团队在化工智能体平台、水下通信等方向的探索，也从不同侧面说明了“基础理论—关键技术—工程应用”一体化推进的思路。 前景——多模态融合迈向“可信与可用”，将成为智能装备与数字产业的重要底座能力。 面向未来，智能系统将从“可演示”走向“可规模化部署”，复杂环境下的鲁棒性与可信性将成为竞争焦点。多模态融合的下一步发展预计将更强调三点：一是面向安全的可靠性评估与不确定性刻画，提升在长尾场景中的稳定表现；二是与行业知识、物理约束更深度结合，降低纯数据驱动带来的不可控风险；三是面向工程部署的高效计算与端侧协同，满足实时性与能耗约束。高校在原始创新与人才供给上的作用将深入凸显，通过与产业需求同向发力，有望在无人系统、海洋装备、工业智能等领域形成更多可推广的解决方案。
基础研究的每一次推进，最终都要回到真实场景中接受检验。面向国家重大战略与产业升级需求，持续打通“理论突破—技术验证—应用落地”的链条，既考验科研定力，也考验协同能力。以多模态融合与任务协同为切入点的系统性攻关，正在为我国智能科技走向更可靠的规模化应用夯实基础。