近年来,关于软件定义汽车(Software-defined Vehicles)的讨论非常多。但事实上,其他电子产品也早已越来越多地依赖软件。这对制造商而言意味着:他们必须掌控全新的开发流程,以确保透明度、可追溯性与合规性。
在灵活的敏捷方法(Agile)与 V 模型的严格规范之间取得平衡,是专注于自动驾驶系统开发的 Navya 面临的最大挑战。该公司推出过首款可商业化的自动驾驶接驳车。其软件团队采用敏捷方法,与许多其他企业一样使用多种工具组合。然而团队之间的同步不足,没有必须遵守的流程,也缺乏对开发过程的可视性。这与移动出行行业在功能安全方面严格的监管要求相冲突。
Medtronic 医疗科技公司神经调节部门面临着类似的状况。开发团队虽然对功能性满意,但孤立的、手动整合的工具削弱了透明度,使得从需求到源代码的可追溯性,以及向 FDA 提交合规审计所需文档的导出变得困难。
他们需要的,是一个应用生命周期管理(Application Lifecycle Management,ALM)解决方案。ALM 是软件生命周期的组织支柱,从最初的需求收集,到设计、测试,再到部署和维护。通过整合各个阶段,ALM 能帮助企业优化流程,支持参与开发的所有部门协作,并显著提升产品质量。
ALM 系统的关键功能
要满足当前制造标准的要求,一个 ALM 系统应具备若干核心功能。最关键的是全面的文档管理和细粒度的可追溯性,以确保符合所有相关监管要求。
此外,与现有 IT 系统的集成也十分重要。ALM 系统必须能够在无人工干预的情况下同步来自不同来源的数据。只有这样,才能确保所有相关数据在一个集中平台上被一致、准确地管理,并让所有参与者访问最新、正确的信息。
强大的 ALM 还应支持 Scrum 或 Kanban 等敏捷开发方法,使团队能够以短迭代方式工作、快速整合反馈并实时进行调整。
Medtronic 神经调节部门在评估 ALM 软件时确定了以下标准:
此外,ALM 软件还必须具备完整集成、稳健、灵活、云端化等特点。Navya 的要求也几乎完全一致——最终,两家公司都选择了 PTC 的 Codebeamer。
Medtronic 神经调节部门的患者护理软件总监 Sarb Singh-Kaur 说道:“我们必须从客户需求一直追溯到产品需求、设计、测试和源代码。Codebeamer 是唯一能让我们顺畅实现这一点的工具。” 对于 Navya 来说,环境配置与动态对象的灵活性是其做出选择的主要原因。
成功实施 ALM
引入 ALM 系统往往不可能没有挑战。其中最常见的就是员工的抵触情绪。要缓解这种状况,需要全面的变革管理(Change Management),将所有相关人员积极纳入变革过程,并提升他们对新系统益处的认知。
此外,将流程调整为适应 ALM 系统的要求至关重要。企业越愿意批判性地审视现有工作流、必要时重新设计并打破既有结构,成功程度就越高。
在 Medtronic 神经调节团队那里,流程变革与 ALM 软件的导入同步进行。为了构建新的内部流程,公司配置了追踪器、项目、角色与工作流。Sarb Singh-Kaur 表示:“我们彻底重塑了流程,并将 Codebeamer 作为推动变革的工具。不到 30 天我们就准备就绪了。”
另一个重要方面是数据迁移:必须谨慎迁移现有数据,并将系统与现有 IT 基础设施集成。只有这样才能确保所有重要信息保持集中、一致、随时可访问,ALM 系统才能成为规划、开发与管理的可靠基础。
打通软件与硬件
因为软件定义的电子产品仍然离不开硬件,因此必须尽可能无缝地连接软件、电子和机械三个开发团队。如果他们各自孤立工作,工程师和开发人员就需要花大量时间寻找所需信息——而且往往无法确认数据是否最新。当相关数据发生变更却无法及时查看时,错误与不一致会被延迟发现,从而导致延期与成本上升。
许多企业在硬件开发中已采用 PLM(产品生命周期管理)系统。通过整合 ALM 与 PLM,他们能够解决上述所有问题,使产品的数字与物理组件在全生命周期中保持一致。他们拥有一条“数字主线”(Digital Thread),有助于保障产品质量、以更高效的流程实现创新,并缩短上市时间。数字主线实现了可追溯性,从而支持需求、变更、配置与测试的管理,并确保符合法规要求。
嵌入式软件仍然是重要的创新驱动力。能够让团队高效协作的企业,将在创新竞赛中领先。
好文章,需要你的鼓励
Uber年度失物报告首次纳入无人驾驶出租车数据。过去一年,乘客在Uber平台的机器人出租车中遗留了数千件物品,包括手机、钥匙、钱包等常见物品,以及假牙、15磅溜溜球等奇特物件。乘客可通过App联系客服找回失物,支付15美元即可享受同城配送,或前往车辆停放站自取。Uber表示,将依托现有运营体系为自动驾驶业务提供全面支持,计划2025年底前在全球15座城市开通无人驾驶打车服务。
TREK方法通过引入外部验证解法对AI进行短期校准,解决了GRPO训练在困难题目上因无法探索正确解法区域而陷入瓶颈的问题,在数学推理和智能体任务上均取得明显提升。
Uber周三发布了一款基于现代Ioniq 5改装的数据采集原型车,搭载14个摄像头、8个固态激光雷达和9个雷达,通过英伟达双驱Thor计算机处理数据。Uber计划今年在全球部署500辆此类车辆,每月可采集200万英里高保真驾驶数据,供Avride、Waymo、WeRide等30余家自动驾驶合作伙伴使用。这是Uber自2020年出售自动驾驶部门以来首次自主组装车辆,也是其AV Labs部门的重要进展。
SkillOpt-Lite通过将智能体技能优化形式化为零阶优化问题,提出极简流水线:把执行轨迹存为文本文件,让AI直接用文件系统工具翻日志、找规律、改技能,配合独立验证门控,比复杂的多智能体优化框架跑得更快效果更好,并自然延伸至执行框架自动优化(HarnessOpt),使轻量模型能够超越大模型。