自动驾驶技术发展至今，物体识别在极端光照条件下的稳定性仍是行业痛点。当车辆驶出隧道或突然进入强光区域时，传统摄像头需要数毫秒调整数字曝光参数，这段短暂"视觉空白期"可能引发安全隐患。科学家近日在《科学机器人学》杂志发表研究成果，通过仿生设计让机器视觉系统具备类似生物的即时光线适应能力，为自动驾驶安全提供新解决方案。
研究团队从生物进化中获取灵感，将动物眼睛数百万年形成的自适应机制转化为工程语言。人类瞳孔在强光下收缩、暗光中放大的生理反应，猫科动物垂直裂隙瞳孔的夜间捕猎优势，反刍动物水平瞳孔对地平线的敏锐观察，这些自然选择形成的结构被转化为数学模型。科研人员突破传统视觉系统依赖软件算法修正图像的局限，尝试通过硬件物理结构变化实现实时环境适应。
核心突破在于液态金属人工瞳孔的发明。这种特殊材料在电场作用下可精准改变形态，强光环境下自动扩展形成小孔径，减少进光量；弱光时收缩增大通光面积。实验数据显示，该结构能在0.1秒内完成光线调节，比传统数字曝光快30倍。与瞳孔配合的弧形穹顶视网膜采用非平面传感器布局，108度视野范围接近人眼水平，单摄像头即可捕捉更广环境信息。
整个系统构成闭环反馈链：仿生视网膜将环境亮度转化为电信号，液态金属组件接收信号后产生脉冲式形变指令，动态调整瞳孔开合度。这种工作模式与生物神经反射弧高度相似，不仅能模拟人类圆形瞳孔，还可复现猫科动物的垂直裂隙、反刍动物的水平瞳孔等特殊形态。不同瞳孔结构对应独特的光线折射路径，使系统在特定场景下具备特殊视觉优势。
科研人员强调，这种硬件层面的自适应机制可显著降低软件运算负荷。在光照剧烈变化的测试场景中，仿生系统物体识别准确率较传统方案提升42%，能耗降低28%。该技术未来有望应用于无人机、工业机器人等领域，为智能设备在复杂光照环境中的稳定运行提供新思路。
