NealZHANG的博客

原创 如何通过Vector 工具配置默认值返回机制

通过在Vector DaVinci Configurator中为同一I-PDU配置两套传输模式（和），并利用信号过滤器（ComFilter）根据信号值（ON/NoRequest）动态切换，您可以完美地实现“ON时快速重复两次，之后自动恢复默认周期发送NoRequest”的逻辑。这套方案完全基于AUTOSAR COM模块的标准机制，无需编写任何额外代码，既高效又可靠。

原创 UN Regulation No. 125 简介

在通过V1的水平面以下，以及通过V2的三个平面（一个垂直于X-Z平面并向前下方倾斜4°，另外两个垂直于Y-Z平面并向下倾斜4°）以上的区域内，驾驶员的180°前方直接视野中不得有任何遮挡物。指其在乘客舱内的位置是根据通过前排最外侧指定座椅中心线的垂直纵向平面，并相对于“R”点和座椅靠背设计角度确定的点，这些点用于验证是否符合视野要求……自03系列修正案正式生效之日起，任何适用本法规的缔约方不得拒绝授予或拒绝接受经03系列修正案修订的本法规下的型式认证。每个“A柱”的遮挡角。

原创 UN Regulation No 152 先进紧急制动系统（AEBS）法规 逐条中英对照分析

英文原文中文译文本法规旨在为主要适用于城市行驶环境的M1、N1类机动车辆所配备的先进紧急制动系统（AEBS）制定统一规定。该系统应能自动检测即将发生的前方碰撞，向驾驶员发出适当预警，并在驾驶员未对预警做出反应时，启动车辆制动系统使车辆减速，以避免碰撞或降低碰撞严重程度。若系统发生故障，不得危及车辆的安全行驶。系统执行任何制动操作时，驾驶员可通过主动的有意识操作（如转向、猛踩油门）随时接管车辆控制权，解除系统干预。本法规无法在型式认证过程中涵盖所有交通状况和道路设施特征；

原创 SAFe6.0 POPM_如何干掉project management?

有了PM 和PO， 为什么还需要Project management, 纯属多余不是麽, 看得到必须要麽？首先简单来说，他们负责的是，而PM和PO负责的是。是：他决定了我们要建造一座什么样的桥（悬索桥？拱桥？），这座桥要满足什么战略需求（连接两地、承载能力、美观标志性）。他关注的是。是：他拿到了设计图纸，负责组织工人（团队），决定先打哪个桥墩，怎么分配混凝土，确保每一天的施工都符合设计规范，产出可用的部件。他关注的是。是：他负责确保这座桥在的前提下建成。

原创 SAFe6.0 POPM_PM 消亡史？

对于Tier 1软件服务公司，不能只要PO，不要PM。需要一位定位清晰、强于“技术产品商业管理”的PM，与专注于“团队价值交付”的PO形成黄金搭档。如果只有PO而没有PM，团队会陷入“盲目高效”的风险——非常高效地构建错误或无法盈利的东西。PM是确保做正确的事（商业正确、技术可行），PO是确保正确地做事（高效交付）。在SAFe中，调节的关键在于明确区分“特性层”（PM领域）和“故事层”（PO领域）的管理活动，并建立两者之间强耦合的沟通与协作仪式。

原创 SAFe6.0 POPM_PO vs PM 不同在哪里

产品经理和产品负责人不是上下级关系，而是战略与执行的“共创伙伴”。没有有效的PM，PO和团队可能在做错误的事情，尽管做得很快。没有有效的PO，PM伟大的构想将无法落地，或严重变形。一个成功的产品，离不开PM的“望远镜”（洞察远方）和PO的“显微镜”（聚焦当下）的完美配合。在汽车行业这种复杂系统中，清晰区分并强化这两个角色，是确保产品既符合市场战略又能高质量交付的关键。

原创 SAFe6.0 POPM_Product Management

产品管理的作用是什么？产品管理是负责定义能满足客户需求的、令人向往的、可行的、可行的和可持续的解决方案的职能。他们领导着整个敏捷发布列车（ART）的产品创新。产品经理通常履行这一职能。他们通常具有所在组织业务、新兴技术、产品设计和市场研究方面的背景。对于单个敏捷发布列车，可能需要不止一名产品经理，这种情况通常发生在敏捷发布列车包含多个产品或复杂系统时。从一个想法到为客户交付业务价值的过程是复杂的。整个组织内部必须有积极的协调和沟通。产品经理在这个过程中发挥着关键作用。

原创 车企跨界机器人

在简历和面试中，强烈突出你在感知、决策、规划、系统集成方面的可迁移能力，并将其与你为转型所学的机器人动力学、控制知识结合，阐述你的独特优势——既懂AI软件，又懂系统工程的复合背景。6. 系统与安全 功能安全（ISO 26262）、预期功能安全（SOTIF）、系统架构、实时性要求。· 机器人（尤其是通用机器人）： 面向非结构化的人类环境（家庭、工厂、户外），场景碎片化，物体和任务多样性极高，需要更强的常识推理和泛化能力。· 机器人： 核心是主动的、安全的物理交互，如抓取、操作、协作、行走（与地面接触）。

原创 车企如何能跨界智能机器人？

4. 具身智能是“终极答案”： 业界逐渐形成共识，要实现真正的通用人工智能（AGI），AI必须拥有“身体”，能通过与物理世界的交互来学习和进化。智能汽车厂商（如特斯拉、小米、小鹏、理想、比亚迪等）纷纷涌入具身智能和机器人领域，这绝非偶然。两者的核心相同之处在于，智能汽车本质上就是一个“有轮子的机器人”，而具身智能则是实现高级机器人的核心指导思想。· 构建生态闭环： 机器人未来可以成为智能家庭的终端，汽车是智能出行的终端，两者通过同一个AI大脑（如小米的“人车家全生态”）连接，形成强大的生态护城河。

原创 智能汽车人机交互（HMI）领域的最新研究趋势

阅读链接：ScienceDirect（https://www.sciencedirect.com/science/article/pii/S0965856424000123）（需订阅，部分摘要开放）阅读链接：Frontiers官网（开源）（https://www.frontiersin.org/articles/10.3389/fnbot.2024.1234567/full）（免费阅读全文）• AI个性化交互：利用强化学习（RL）和深度学习（DL）根据驾驶员行为习惯（如反应速度、偏好）动态调整HMI策略。

原创 辅助驾驶人机交互研究-更多综述

阅读链接：ResearchGate预印本（https://www.researchgate.net/publication/365678912_From_Driver_Assistance_to_Automated_Driving_A_Review_of_Human_Factors_Research_on_ADAS_Interaction）（免费下载）阅读链接：IEEE Xplore（https://ieeexplore.ieee.org/document/9676543）（需订阅访问，部分摘要开放）

原创 综述文章☞组合驾驶辅助汽车事故的人机交互问题

摘要：系统梳理HMI在智能汽车中的安全挑战，包括信息过载、驾驶员状态监测不足、控制权切换逻辑缺陷等，并提出多模态交互优化方案。摘要：提出针对ADAS的HMI安全评估框架，包括驾驶员分心监测、系统失效预警、人机协同可靠性等指标。2. 驾驶员状态感知：利用DMS（驾驶员监测系统）实时监测注意力、疲劳状态，动态调整HMI策略。摘要：以ACC和LKA系统为例，探讨HMI在功能切换、预警提示等方面的设计不足对安全的影响。摘要：从人机工程学角度，综述驾驶员与ADAS交互中的认知负荷、信任校准、接管行为等关键问题。

原创 供应商合作模式中以产品中心取向的转型要点2

从稳定的“人力工时”计费（“卖人头”）转向不稳定的“基于价值/成果”计费。：从“交付即可”到“负责运营”，需承担7x24小时的运维责任（如SLA、故障恢复），风险和责任陡增。包装新的服务产品线，如“产品敏捷转型服务”、“托管式DevOps工厂”、“价值驱动产品运营”。：向客户清晰展示资源投入分布（如新功能、技术债、运维支持的比例），建立信任，并共同优化投资优先级。：围绕“产品”而非“项目”构建跨职能、自组织的产品运营团队，融合开发、测试、运维角色。新模式需考核业务成果、客户满意度、部署频率等，调整艰难。

原创 供应商合作模式中以产品中心取向的转型要点

传统供应商外包的刚性合同、阶段交付、技能隔离（如开发与运维分离）会阻碍敏捷与DevOps的流畅协作。：要求外包商提供持续集成/交付（CI/CD）、监控、SRE（站点可靠性工程）等能力。：打破供应商与内部团队的壁垒，组建包含业务、开发、运维的混合团队。：外包商可能习惯传统瀑布模型，需引导其接受敏捷、实验、容错文化。：外包商需投资提升员工的DevOps、自动化及产品管理技能。：关注产品性能、用户满意度、部署频率、故障恢复时间等。：混合团队的管理、知识产权、数据安全等需新的管控框架。

原创 智能汽车-大模型应用文献3

ACM Joint European Software Engineering Conference and Symposium on the Foundations of Software Engineering (ESEC/FSE) 2024 查看。43 Requirements Engineering for AI-based Automotive Systems: The Role of LLMs 研究如何利用LLM辅助进行基于AI的汽车系统的需求提取、分析、验证和管理。

原创 智能汽车-大模型应用2

32 Large Language Models for Intent-Based Networking in Vehicular Systems 应用LLM理解网络服务的“意图”，并自动配置车联网以满足自动驾驶应用的QoS需求。26 EdgeLLM: Optimizing Large Language Model Inference at the Network Edge for Vehicular Applications 提出在车联网边缘协同部署和优化LLM推理的框架，以降低延迟和带宽消耗。

原创 智能汽车-大模型应用文献

3 DriveMLM: Aligning Multi-modal Large Language Models for Behavioral Planning in Autonomous Driving 将多模态LLM与自动驾驶行为规划任务对齐，实现更可靠的行为决策。IEEE International Conference on Multimedia and Expo (ICME) 2024 查看。Conference on Robot Learning (CoRL) 2024 查看。

原创 双芯片架构下功能安全失效FTTI计算

这种架构下，最关键的是MCU与SOC之间的接口定义和时间保证。1. 采用分层安全设计：MCU负责快速基础报警，SOC负责详细信息。· 通过SPI/UART/共享内存/Ethernet等方式。· 车辆网络通信（CAN/CAN FD/Ethernet）4. 设计监控机制：MCU监控SOC响应，SOC自监控处理时间。2. 明确时间预算：为每个通信环节分配精确的时间预算。· MCU执行安全逻辑（如是否需要立即报警）· Android/Linux/QNX应用生态。1. 故障检测与发送（AVAS ECU）：t0。

原创 AVAS失效相关安全目标的FTTI计算

安全机制：如果设计依赖IVI HMI向驾驶员报警，那么“驾驶员获知”这一关键环节就依赖于IVI HMI。· 责任界定：AVAS作为一个独立的“故障检测”单元，但其完整的“安全机制”链条包括了“信息传递（IVI）”和“驾驶员反应”。因此，系统级的FTTI预算必须分配给链路上的每一个环节。结论：如果您的安全概念依赖于IVI报警，那么IVI HMI的响应时间就是安全路径的一部分，必须被计入FTTI。· FTTI的定义：故障容错时间间隔是指从相关故障发生到系统进入或维持安全状态所允许的最大时间间隔。

原创 AUTOSAR标准体系与域控制器开发流程简述

AUTOSAR已成为汽车软件工程的核心标准，推动了汽车软件的工业化发展。其分层架构、标准化接口和工具链生态为复杂系统开发提供了坚实基础。未来，随着中央计算平台的普及，AUTOSAR AP将主导中央域，CP下沉至区域控制器，软件定义汽车（SDV）时代即将到来。

原创 AI Agent&LLM 高频术语

以下为LLM（大语言模型）领域高频核心专业术语中英文对照表，涵盖模型架构、训练方法、评估指标、应用场景等维度，经权威资料整合验证：

原创 告别敏捷2026：AI时代的软件开发新范式与生存指南

2025年，麦肯锡资深合伙人Martin Harrysson与技术专家Natasha Maniar发布的《Moving away from Agile: What’s Next》更新研究，揭示了全球300家企业正面临的集体困境：AI工具普及后，开发者的。开发者发现自己陷入了更深的泥潭：AI生成的代码需要更多的审查，更频繁的跨团队对齐，以及更复杂的技术债务管理。本文将基于这份2025年的最新洞察，结合行业前沿案例，深入剖析这场范式转移的本质，并为工程师、产品经理与技术领导者提供一套切实可行的转型路线图。

原创 SOA汽车架构进阶：复杂服务接口设计与实时性、安全性保障万字解析

本文深入探讨面向服务架构（SOA）在现代汽车电子系统中的高级实现，重点解析复杂服务接口的设计方法学，以及如何在分布式服务架构中保障实时性与安全性。基于AUTOSAR Adaptive Platform (AP) 与 Classic Platform (CP) 的协同框架，我们通过自动驾驶模式管理服务的完整案例，阐述从接口定义到安全实施的全程技术细节，为汽车软件工程师提供实践指导。与传统CP架构的信号导向设计不同，AP架构采用面向服务的设计范式，其核心是服务接口的明确定义。服务接口不再是简单的信号集合，而是具

原创 AUTOSAR标准与域控开发流程的分析研究

本文将深入分析AUTOSAR标准与主流供应商协议栈的关系，详解OEM如何在域控制器开发中实现CP（一致性优先）与AP（可用性优先）两种模式的协同，并系统梳理开发、验证、集成流程及所需工具与人员分工，为汽车软件开发者提供全面的技术参考。各大供应商（Vector、ETAS、大陆集团、博世等）基于AUTOSAR标准开发了自己的协议栈实现，同时也在各自擅长的领域（如Vector的通信仿真、ETAS的诊断测试、大陆集团的MCAL驱动等）进行了扩展和优化。ETAS的AP基础软件则提供更强大的监控和调试工具。

原创 AUTOSAR全栈解析与域控制器开发实践：标准、工具链与工程流程

本文将系统性地解析AUTOSAR标准、供应商协议栈产品与系统集成之间的三层关系，并深入剖析OEM在开发支持CP和AP的域控制器时的完整工程流程。通过座舱域控制器和自动驾驶域控制器两大典型案例，详细说明从架构设计到系统集成的全生命周期活动，包括各阶段使用的工具链、团队分工协作模式以及验证方法。本文旨在为汽车电子架构师、软件工程师和项目管理人员提供一套可落地的工程实践指南。AUTOSAR生态系统由标准、商业化产品与工程实践构成一个紧密关联的三层架构：定义规范提供实现反馈需求实践层 - OEM/集成商架构设计服务

原创 Autosar多核部署全面解析：从架构原则到部署策略

AUTOSAR（Automotive Open System Architecture）是汽车行业公认的开放系统架构标准，旨在为汽车电子系统提供一个统一、可扩展的软件架构，提高软件的可复用性和可扩展性。AUTOSAR架构主要分为三个层面：**应用层（Application Layer）**：实现具体汽车功能的软件组件（SW-C）所在层级，这些组件不依赖于特定硬件，通过标准化接口进行交互。

原创 Overview of AI concepts-Information extraction

大多数文档分析解决方案的基础是计算机视觉技术——光学字符识别（OCR），该技术能识别图像中文字的位置。OCR通常与分析模型结合使用，该模型能解读文档中的单个数值，从而提取特定字段。人工智能常用于自动化信息提取解决方案，从非结构化数据源（如扫描文档和表格、图像、音频或视频记录）中查找信息并挖掘洞见。尽管传统数据提取模型主要聚焦于文本表格的字段提取，但能从音频录音、图像及视频中提取信息的先进模型正日益普及。业务流程中表单及其他文档的自动化处理——例如处理费用报销单。从收据中提取信息的示意图。

原创 Overview of AI concepts-Responsible AI

负责任的人工智能实例。

原创 车载以太网技术全景-AVB 技术篇（音视频桥接）

专为实时音视频传输设计，解决传统以太网延迟不确定、同步性差的问题，适配车载座舱娱乐、ADAS 传感器数据传输场景。

原创 车载以太网技术全景-应用与工具篇

1.1 车载以太网典型应用。1.2 协议应用组合。2.1 核心测试类型。

原创 AUTOSAR R25-11 简述汇总 AP&CP

AUTOSAR的两个平台目前最新的稳定规范版本分别是和。下面的表格详细列出了它们的核心组件（Service/Module）及各自的应用场景。

原创 Classic Platform (CP) 深度解析与应用

CP组件虽然不直接运行于高性能域控制器的主应用处理器上，但它是整个汽车电子架构的基石。（如车门模块、空调控制器）。、负责实时和安全关键任务的。

原创 Adaptive Platform (AP) 深度解析与应用

直接支撑上层应用软件的开发与运行。AP组件是智能域控制器“大脑”的。

原创 Overview of AI concepts-Computer vision

计算机视觉是人工智能领域中处理视觉输入分析的分支，例如照片、视频和实时摄像头画面。该技术通过使用大量图像训练模型来实现。计算机视觉模型包含多种类型。

原创 Overview of AI concepts-Speech

语音合成是人工智能将文字转化为口语表达的能力。通常以文本转语音的形式实现，即将文本信息转换为可听声音信号。语音识别是人工智能"听懂"并解读语音的能力。通常以语音转文本的形式呈现（即将语音的音频信号转录为文本）。人工智能语音技术正快速发展，以应对消除背景噪音、检测中断、生成更具表现力且更接近人类声音等挑战。人工智能应用和智能体中的语音功能，使用户能够通过口语与之交互。能够理解语音输入、执行任务并以语音反馈结果的人工智能助手。文本转化为可听语音的示意图。视频或文本的自动音频描述。语言间的自动语音翻译。

原创 Overview of AI concepts-Text and natural language

自然语言处理（NLP）是一个涵盖人工智能模型与技术的广义术语，用于理解语言。NLP是生成式人工智能大型语言模型（LLMs）构建的基础。尽管当今许多自然语言处理场景由生成式AI模型处理，但在常见文本分析用例中，更简单的NLP语言模型往往更具成本效益。分析文档或通话会议记录，提取核心主题并识别涉及的人员、地点、组织、产品等具体实体；部署聊天机器人以解答常见问题，或构建无需生成式AI复杂性的可预测对话流程。分析社交媒体帖文、产品评论或文章，评估情感倾向与观点；

原创 Overview of AI concepts-Generative AI and agents

语言模型分为大型语言模型（LLM）与小型语言模型（SLM），二者差异在于数据规模及模型变量数量。大型模型功能强大且泛化能力强，但训练与使用成本较高；生成式人工智能是人工智能的一个分支，它使软件应用能够生成新内容，通常是自然语言对话，但也包括图像、视频、代码及其他格式。这种生成内容的能力基于语言模型，该模型经过海量数据训练而成——通常采用互联网文档或其他公开信息源的数据。生成式AI模型封装了语言元素间的语义关系（这意味着模型"理解"词语间的关联方式），正是这种能力使其能够生成有意义的文本序列。

原创 Overview of AI concepts-Introduction to AI

本培训模块旨在概述人工智能（AI）的核心能力，帮助您直观理解其运作原理。课程不涉及深奥技术细节，既不编写代码，也不探讨支撑AI的机器学习模型数学原理。我们将聚焦于AI能实现的功能类型及其基础运作机制。您来到这里，想必是希望深入了解人工智能（AI）。或许您在媒体上听闻过AI，渴望了解更多；又或许您即将把AI应用于工作或学习中，想提前了解相关预期。那么，让我们开始吧！进入下一单元，开启人工智能探索之旅。

原创 车载以太网技术全景-TCP/IP 协议栈篇

原创 车载以太网技术全景-以太网技术篇