智能座舱的多模态交互（语音、视觉、手势）怎么融合设计？决策冲突怎么处理？

先这样答

座舱里的交互通道各有强弱。语音：解放双手双眼，适合驾驶中，但隐私场合（车内有其他人）用户不愿开口、嘈杂时识别率下降。触控：精确直接，但驾驶中操作分心。手势：快捷无接触，但可学性和误触发是问题。视觉：被动通道，看驾驶员状态、疲劳检测、儿童遗留检测，不需要用户主动配合。

融合架构是各通道独立感知、中心意图仲裁。每个通道独立输出候选意图加置信度：语音说「打开车窗」，手势同时划了一下，视觉看到驾驶员视线在前方。仲裁器按置信度、场景权重、安全等级决策：语音置信度高就执行语音意图；场景权重是关键调制项——导航输入页面里手势权重上调、驾驶中触控权重下调；涉及安全的操作（驾驶模式切换）任何单一通道都要求二次确认。

冲突处理的原则是保守加可解释。两个通道给出矛盾意图（语音说开窗、手势像关窗）时，不猜，用语音确认一句「要打开车窗吗」，或者按置信度差值决定是否需要确认。误执行的代价越高，确认门槛越高。

设计哲学上，多模态是补盲不是堆料：加一个模态必须明确回答它补了哪个场景的短板（手势补的是驾驶中免说话的快捷操作），否则就是增加误触发面和学习成本。

面试官会怎么追问

• 「多通道同时触发怎么仲裁？」 时间窗内的候选意图先做语义归并（指向同一动作的合并），再按置信度和场景权重裁决，差距小于阈值就发起确认。裁决结果要记录日志，用于事后分析误判。
• 「视觉通道的隐私怎么处理？」 舱内图像默认端侧处理不出车，疲劳检测只输出状态标签不存原始视频；数据采集遵循告知同意，物理遮挡开关保留。隐私设计是座舱产品的合规底线。
• 「怎么度量融合效果？」 单通道成功率和融合后的任务完成率对比、误触发率、确认冗余率（多少次确认是不必要的）。融合的目标指标是「该懂的懂了、不该动的不动」。

回答的坑

• 把多模态说成技术上很酷所以要上。每个模态的场景价值要能讲清，否则是减分答案。
• 冲突处理说「选置信度最高的」就完。安全场景的保守策略和用户确认机制才是工程重点。