“第一個問題，”卞金鱗接過話頭，語氣平和，問題卻如手術刀般精準。
“你在特斯拉Autopilot V9.0中負責的規控模組，在處理‘cut-in’（加塞）場景時，對前車意圖的預測置信度閾值是如何動態設定的？
依據是單一的跟車模型，還是融合了視覺感知的語義資訊？
當視覺訊號因惡劣天氣（如大雨、濃霧）出現顯著衰減或噪聲時，你的置信度模型如何避免誤判導致保守策略（幽靈剎車）或激進策略（碰撞風險）？”
問題瞬間切入Autopilot規控的核心痛點，且首指特斯拉飽受詬病的“幽靈剎車”問題根源。
陳奇驚精神高度集中，迅速在腦中將自己在特斯拉的工作細節過了一遍。
他詳細闡述了基於車輛動力學模型（IDM）、結合提取的前車姿態語義特徵（如車輪偏轉角、車身姿態變化趨勢）進行多模態置信度融合的框架，並重點說明了在感知退化時如何引入基於歷史軌跡的馬爾可夫預測作為降級方案。
他講得條理清晰，自信自己在這塊的設計是業界前沿。
然而，他話音剛落，顧南舟清冷的聲音響起了：
“陳先生，你提到的馬爾可夫預測模型，其狀態轉移機率矩陣是基於歷史統計資料進行引數估計。
在極端稀疏場景下（如目標車輛首次出現且迅速切入），歷史資料不足，引數估計的方差會急劇增大，導致預測失效。
針對這種‘冷啟動’問題，你是否考慮過引入基於圖神經網路（GNN）的車輛互動關係建模？
或者，利用非引數貝葉斯方法（如Dirichlet Process）進行線上自適應學習？
請簡述其可行性及在嵌入式平臺上的計算複雜度邊界。”
陳奇驚的呼吸微微一滯。
圖神經網路（GNN）在自動駕駛互動預測領域確實是前沿方向，特斯拉內部也有預研，但遠未到量產落地階段。
非引數貝葉斯線上學習？
這更偏向理論研究，即時性要求極高的車載規控系統目前幾乎不可能承受其計算開銷。
顧南舟的問題，像一把精巧的鑰匙，瞬間捅開了他理論認知與實際工程落地之間的那層窗戶紙，暴露了一個他心知肚明卻尚未完美解決的痛點。
他坦誠地承認了當前方案的侷限性，並簡要探討了GNN的潛力與當前硬體瓶頸，也首言非引數貝葉斯在即時性上的巨大挑戰。
他看到螢幕那端的顧南舟快速在筆記本上記錄著什麼，臉上沒什麼表情。
蔣雨宏緊接著丟擲了第二個問題，這次是關於華興MDC平臺。
“假設你加入團隊，負責在MDC610平臺上重構時空聯合規劃器。
平臺提供異構算力：昇騰NPU負責BEV特徵提取與目標跟蹤，鯤鵬CPU負責高精度地圖匹配與定位，同時GPU資源需共享給佔用網路推理。
如何設計你的演算法模組排程框架，確保在城區複雜十字路口場景下（感知目標＞50個），規控環路時延穩定低於100毫秒？
請具體說明關鍵路徑最佳化策略及可能引入的延遲風險點。”
這完全是一個基於華興自研硬體平臺的實戰沙盤推演！
