Los coches modernos utilizan Sistemas Avanzados de Asistencia al Conductor (ADAS) de varias maneras. En ADAS, el uso de múltiples sensores para medir el entorno que rodea al vehículo ego ofrece numerosas ventajas, ya que la fusión de información de más de un sensor ayuda a proporcionar datos altamente fiables y libres de errores. Los datos fusionados suelen ser luego alimentados a un algoritmo de seguimiento, que ayuda a reducir el ruido y compensar situaciones cuando los datos del sensor recibidos están temporalmente ausentes o son espurios, o para contrarrestar los falsos positivos y negativos de manera informal. El rendimiento de estos algoritmos constituyentes varía ampliamente bajo diferentes escenarios. En este documento, nos enfocamos en la variación en el rendimiento de los algoritmos de seguimiento en la fusión de sensores debido a la alteración en las condiciones externas en diferentes escenarios, y en los métodos para contrarrestar esa variación. Introducimos una arquitectura de fusión de sensores, donde el algoritmo de seguimiento se cambia espontáneamente para lograr el máximo rendimiento en todos los escenarios. Al emplear una técnica de Estimación de Densidad de Tráfico en Tiempo Real (RTDE), podemos comprender si el vehículo ego se encuentra actualmente en condiciones de tráfico denso o disperso. Una condición de tráfico altamente denso (o tráfico congestionado) significaría que las circunstancias externas son no lineales; de manera similar, las condiciones de tráfico disperso significarían que la probabilidad de condiciones externas lineales sería mayor. También empleamos un algoritmo de Reconocimiento de Señales de Tráfico (TSR), que es capaz de monitorear zonas de construcción, cruces, escuelas y pasos de peatones, identificando así áreas que tienen una alta probabilidad de ocurrencias espontáneas en la carretera. Basándonos en los resultados recibidos de los algoritmos RTDE y TSR, construimos una lógica que cambia el rastreador de la arquitectura de fusión entre un Filtro de Kalman Extendido (para escenarios externos lineales) y un Filtro de Kalman Insensato (para escenarios no lineales). Esto asegura que el modelo de fusión siempre utilice el rastreador más adecuado para sus necesidades actuales, obteniendo así una precisión consistente en múltiples escenarios externos, en comparación con los modelos de fusión que emplean un solo rastreador fijo.