顾南舟看着陈默一脸淡定的样子越发觉得离谱，这他妈到底你是离散数学的博士还是我是啊？？？
陈默仿佛没看到他们的震动，继续向下剖析，指尖指向虚空，仿佛那里有无形的传感器在交织数据。
“然后是感知融合（SenSOr FUSiOn）。”他的语气变得如同精密仪器般冷静，“摄像头、激光雷达、毫米波雷达...多源异构传感器，各自输出带噪声、带不确定性的数据。如何将它们统一起来，得到一个对周围环境最可靠、最一致的认知？”
“核心是概率图模型（PrObabiliStiC GraphiCal MOdelS）！”陈默的声音斩钉截铁。
“贝叶斯网络（BayeSian NetWOrk） 用于建模变量间的概率依赖关系，马尔可夫随机场（MarkOv RandOm Field, MRF） 用于处理空间关联性。
用它们来融合多传感器数据，估计目标的存在概率、位置、速度、类别...
这是处理感知不确定性的数学利器！”
他目光如电，扫过顾南舟：
“而在这个融合过程中，一个关键挑战是多目标跟踪（MUlti-ObieCt TraCking, MOT） 和数据关联（Data ASSOCiatiOn）。
不同传感器、不同时刻检测到的目标，如何确定谁是谁？
如何避免混淆？
这需要解决一个指派问题（ASSignment PrOblem）！”
“最经典的解法是什么？”陈默微微提高了声音，带着一种引导的意味看向顾南舟。
顾南舟几乎是脱口而出：
“匈牙利算法（HUngarian AlgOrithm）！
一种基于图论的组合优化算法，用于解决二分图最大权匹配问题！
它能高效地解决传感器数据到目标的关联！”
陈默这个时候的表情像极了春晚上的赵本山，不错，都会抢答了。
“没错！”他眼中闪过一丝赞许，语气铿锵有力。
“正是图论和组合优化（COmbinatOrial OptimiZatiOn）！
南舟，你说，一个能将贝叶斯网络、马尔可夫随机场、匈牙利算法等离散数学工具玩转于股掌之间，构建出鲁棒感知融合框架的专家，是不是智能驾驶感知系统的定海神针？”
本章未完，请点击下一页继续阅读！