复睿智行CTO周轶认为，现有主流的感知算法框架，还是没有把感知传感器的原始信息利用充分，复睿智行继而开发自研AI模型架构，实现激光雷达，毫米波雷达和图像三种模态数据的融合，通过特有的技术方案实现频谱异构传感器AI前感知融合，最大程度的保留原始数据，获得更多的感知信息。在模型架构方案里加入对时空信息的感知结构，让神经网络更好理解感知场景中时空的变化。
车路协同才能帮助自动驾驶更好落地
同时，周轶认为一味提升单车智能的感知能力，并不能有效解决现在自动驾驶方案面临的多种问题。单车感知之外，复睿智行也更注重车路端彼此间数据的强融合。做好车路协同的关键，是做好路端的感知，所谓“车路协同，感知先行”。复睿智行建立了车路协同时空耦合4D融合感知模型，将车端高性能感知系统移植路端，通过4D成像雷达系统实现全天候感知，帮助车路双端实现高性能感知，将彼此感知重点与盲区形成互补，最大程度降低事故发生风险。
二、车路云同时布局 降低路端车端成本另一方面，单车智能对车辆的AI能力依赖度比较高，需要通过AI来识别场景并且理解场景，而这则需要大量的数据积累。
兰德智库认为自动驾驶需要110亿英里（约合180亿公里）的道路测试，相当于环绕地球44万圈，而在目前的自动驾驶公司中，龙头企业Waymo的路测数据可能超过了2000万公里，但距离180亿公里仍然非常遥远。
Waymo无人车已经进行了大量路测
没有足够的路测数据也就无法保障技术的绝对安全，由此来看，单车智能在感知甚至是决策方面仍然要受到很多限制。
而车路协同则可以弥补单车智能的短板，在路端铺设一定规模的路端感知设备，设备之间建立通讯，可以随时将整条道路的情况传递给车辆，从而提升了车端的感知能力。这就类似汽车拉力赛上的领航员，随时告知车辆前方道路的路况。
但目前路端和车端的适配和验证仍存在断层，导致路端重复投入、技术适配、运营成本等问题。如何减少车端的风险，降低路段的投入，同时适配更广泛的主机厂是目前复睿智行正在着手推进的工作。
因此，车路协同不仅仅是GB/TT/CSAE的标准通讯，更需要中间件的开发能力。复睿智行开发的车辆域控制器与路端MEC（Multi-access Edge Computing，多接入边缘计算）共享同一个自研分布式计算中间件，配合自研的融合算法，实现高效率高性能的应用调度和数据访问，进一步提升自动驾驶的时空耦合能力，做好领航员的角色。