最后展示的是实车路测视频。
搭载ads系统的m5原型车在鹏城滨海大道自主行驶，流畅完成匝道汇入、拥堵跟车、主动变道等操作。
当系统在暴雨中稳稳停在校车后方时，几位部门负责人不自觉鼓起掌来。
视频右下角实时显示着系统决策逻辑：当检测到校车闪烁停车灯时，系统不仅减速，还自动向左侧偏移了0.5米。
这是陈默根据“校车避让法则”提出的安全策略。
“目前主要挑战是长尾场景。”蒋雨宏切换到最后页。
“特别是中国特有的异形交通参与者，比如拉管子的三轮车、移动早餐车等，系统识别率只有83%。
上周在宝安测试时，有辆卖烤红薯的三轮车被误判为静止障碍物，导致不必要的急刹。”
“解决方案呢？”徐平追问。
这个问题很关键，误判可能导致用户对系统失去信任。
“我们建立了百万级场景库，通过强化学习持续优化。”卞金麟展示数据平台。
“每天云端处理超过100万公里虚拟里程。另外......”
他看向陈默，“陈总建议的众包数据采集方案已上线，首批100台测试车每天回传3pb数据。有个意外收获：我们发现外卖骑手的行驶轨迹是预测城市交通流的绝佳样本。”
陈默微微颔首。
这个方案借鉴了前世特斯拉的影子模式，
但更符合中国路况。
他注意到徐平眼中闪过赞许光芒，这种低成本获取真实数据的智慧，正是华兴最擅长的。
相比之下，前世这个时期的特斯拉还在依赖北美数据训练中国场景，水土不服现象严重。
会议进行到质量控制环节时，一场更贴近现阶段实际目标的冲突爆发了。
质量运营部部长雷厉展示的ppt上，赫然标注着17项待解决缺陷，其中5项被标红，每一项都附有详细的故障日志、复现条件和风险评估。
“当前最令人担忧的是电控系统在极端条件下的偶发通信丢包。”