李飞鹏几乎要拍案而起，看向陈默的眼神充满了不可思议的钦佩。
这位年轻的技术副总裁，脑子里装的到底是什么？
竟对技术本质的洞察竟如此深刻！
陈默微微一笑，目光转向负责规划与决策的陈奇惊：
“第二点，关于规划和ALC的决策犹豫问题。
奇惊，你从特斯拉带来的PDP（预测-决策-规划）框架是基础，但特斯拉AP在变道时有时显得过于激进甚至鲁莽，有时又过于保守。
核心可能在于，它的预测、决策、规划是相对割裂的模块。”
陈奇惊神色一凛，专注地看着陈默。
他在特斯拉AUtOpilOt团队的经历让他深知模块化设计的优势与局限。
“我在想，”陈默的手指在白板上虚划，将之前代表“预测”和“规划”的区域猛地圈在一起。
“是否可以尝试一种更紧密耦合的思路 —— 时空联合规划（SpatiO-TempOral JOint Planning）？
将自车的轨迹规划与对周围交通参与者（Target VehiCleS, TVS）未来行为的预测，放在一个统一的、基于优化的框架下进行联合求解？”
“统一的框架？”陈奇惊眉头紧锁，陷入深思。
这个概念对他而言同样极具冲击力。
“对，”陈默点了点头。
“简单说，规划器不再仅仅优化自车一条最优轨迹，而是同时考虑周围关键车辆可能的多种行为假设（比如加速、减速、保持、变道），并为每一种行为假设赋予一个概率。
然后，在优化目标函数里，不仅要包含自车的舒适性、效率、安全性，还要显式地包含与这些假设轨迹的交互成本（如避免碰撞的风险、变道切入时对后车的影响）。”
他顿了顿，让众人消化：
“这样，规划器输出的不仅仅是一条轨迹，而是一系列‘条件轨迹’。
如果A车加速，我这样走；
如果A车减速，我那样走；
如果B车突然变道，我又该如何应对。
决策（DeCiSiOn）被隐含在了轨迹的生成过程中，而不是作为一个独立的、非此即彼的（变道/不变道）模块前置。
最终执行哪条轨迹，可以基于实时的感知预测更新，选择风险最低或综合收益最高的那条。
这或许能解决
本章未完，请点击下一页继续阅读！