《2023-2024年软件定义汽车：产业全景和策略研究报告》发布
如何构建智能驾驶软件汽车（SDV）架构？
自动驾驶智能平台自下而上可大致划分为硬件平台、系统软件（硬件抽象层+OS内核+中间件）、功能软件（库组件+中间件）和应用算法软件（自动驾驶、HMI交互等）等四个部分。
来源：佐思汽研《2023-2024年软件定义汽车：产业全景和策略研究报告》
从自动驾驶各个研发环节来看，主要涉及到软件工程与硬件工程：
▪智驾基础软件：实时车控操作系统（狭义OS）、智能驾驶中间件（ROS、 CyberRT、DDS、AutoSAR）、自动驾驶操作系统（广义OS）等
▪智驾通用算法设计：定位、感知、规划、决策等，从小模型到大模型（BEV Transformer、Occupancy Network占用网络、自动驾驶端到端神经网络）等
▪智驾通用算法训练：AI深度学习软件平台、智驾数据训练集等
▪智驾端云一体：数据闭环、数据采标、仿真测试（场景库、仿真平台）、云原生平台、高精度地图等
▪智驾系统集成和工程实现：FCW、LDW、ALC、APA/AVP等
▪智驾辅助软件：ADAS性能评估、ADAS数据记录等
▪智驾硬件工程：包括域控制器（芯片、硬件工程）、传感器（激光雷达、毫米波雷达、超声波雷达、摄像头、GNSS、IMU等）、系统工程、线控底盘、线控制动等
▪智驾硬件系统设计：如计算平台硬件系统架构设计、车载芯片系统设计、车载传感器系统设计等
智能驾驶操作系统内核主要有两条开发路径
▪一种是继承Linux丰富的开源生态，基于开源、功能强大的Linux宏内核，重点增强其安全性和实时性，实现ASIL-B/D的Safety Linux操作系统，Linux操作系统具备丰富的生态，但获得所需功能安全等级认证较难；
▪另一种是注重功能安全，以ASIL-D功能安全级别为目标，基于POSIX标准实现的微内核RTOS，比如QNX操作系统；相比Linux，由于微内核RTOS缺少类似的开源生态环境支持、开发难度大。
Safety Linux源自Linux，硬件、软件生态都非常丰富；在软件定义汽车时代，Linux在自动驾驶市场的占有率将会逐步上升，成为主导的智驾底层操作系统，国内车企和供应商也将Safety Linux作为智驾操作系统的主要发展方向。
来源：佐思汽研《2023-2024年软件定义汽车：产业全景和策略研究报告》
▪中兴通讯：基于ZTE微内核和Safety Linux的双内核智能驾驶OS，可兼顾智能驾驶对功能安全和丰富应用生态两方面要求，主要由三部分组成：1）ZTE Microkernel RTOS；2）ZTE Hypervisor；3）ZTE Safety Linux
在上层软件方面，中兴先后和东软睿驰、普华基础软件等中间件企业达成了合作；底层芯片方面，与地平线、黑芝麻智能、芯驰科技等国内主流芯片企业建立了合作。
量产落地方面，早在2021年中兴通讯就向长安汽车交付了基于Safety Linux的智驾OS验证项目，2022年和一汽开启了基于微内核+Safety Linux的智驾OS和车控OS技术验证，2023年又新增了东风Safety Linux智驾OS项目。
来源：中兴通讯
▪斑马AliOS Drive：由AliOS RTOS与AliOS Safety Linux形成双核驱动，兼具安全与性能优势，其基础系统的安全域为AliOS RTOS，是自研安全实时微内核，达到汽车功能安全最高等级“ASIL-D”要求。主要包括几个部分：1）AliOS RTOS ;2）AliOS Safety Linux ;3）AliOS Hypervisor ;4）AliOS Drive中间件
性能域为AliOS Safety Linux，基于Linux进行实时安全增强，可支撑自动驾驶高性能计算需求。此外，斑马智行自研的AliOS Hypervisor为双核提供了很好的融合机制，同样达到汽车功能安全最高等级“ASIL-D”要求。
来源：斑马智行
智能驾驶操作系统内核，国产化破局关键在于国产芯片和内核OS协同并进
目前，我国汽车保有量已经突破3亿辆，但车载操作系统（含智能座舱系统）自主率大概5-10%；而车控操作系统（含自动驾驶系统）仍处于起步阶段；
除了开发周期长，技术难度大，资金投入大之外，更大的挑战在于QNX、Android等“一家独大”的底层操作系统与芯片等核心技术的“深度绑定”，已经形成一个赢家通吃的生态，比如Android+ARM形成“AA联盟”，两者并非简单组合在一起，而是相互进行深度定制，产生了持续生长的化学反应。
>中兴通讯
2023年10月，中兴通讯与黑芝麻智能协同，实现了基于黑芝麻A1000环境的首家国产微内核OS产品对于AI感知及推理全业务流程的支持，在智驾领域构建“国产芯”+“国产软”解决方案；
>斑马智行
已与10余家主流芯片厂商建立合作。斑马智行基于AliOS Drive智能驾驶操作系统在地平线征程5芯片上构建计算底座，可以支持更强的AI算法创新；
>普华基础软件
响应中国汽车工业协会中国车用操作系统开源计划，与中国一汽、北汽研究总院、吉利汽车、理想汽车、芯驰、地平线等 21 家单位开展开源共建合作。普华基础软件向行业开源“龘”（EasyAda）微内核源代码，芯驰科技智能网关芯片G9X成为首款适配芯片。
>国科础石
基于Linux的础光操作系统芯片适配，目前已经支持英伟达Orin、黑芝麻A1000等芯片，紫光展锐、瑞芯微、芯驰等正在适配中， 也计划与更多厂家开展合作，如地平线、飞腾等。上述相关车载芯片支持BSP也会陆续开放源代码。
车企方面，研发能力强的新势力车企将更倾向于构建全自主的智驾 “底层内核+芯片” 体系：
>特斯拉
特斯拉基于Linux系统，打造出自有的RTOS（实时系统RT Linux，自家用C语言编写的），并在此基础上打造域控制器，重构汽车电子电气架构，搭载自主研发的FSD SoC；
>理想汽车
Li OS基于Linux内核深度定制开发，将搭载理想纯电车型首发，未来还将搭载理想汽车自研的智驾SoC；
>蔚来汽车
「整车全域操作系统天枢SkyOS」，基于Linux内核，是蔚来整车底层操作系统，搭载NT3.0平台车型（ET9等），适配NVIDIA、高通、英特尔等芯片平台，此外还将适配搭载蔚来自研智驾SoC "神玑NX9031"。
主机厂和Tier1的内核OS、芯片适配方案
来源：佐思汽研《2023-2024年软件定义汽车：产业全景和策略研究报告》
国产操作系统厂商纷纷推出开源计划
目前，中国正在加速推动汽车OS开源发展：
>华为鸿蒙
2021年全部捐献给开放原子开源基金会，形成OpenHarmony开源项目。
>斑马智行
2022年宣布AliOS Drive将有效实现分层解耦、跨域共用和开放合作。
>普华基础软件
2023年加入中汽协中国车用操作系统开源计划，成员单位包括普华基础软件、一汽、东风、长安、中汽创智、中电科32所、西部智联、地平线、芯驰科技、先进操作系统创新中心、电子科技大学等21家单位。2023年5月，普华基础软件正式发布了中国车用操作系统开源计划中首个微内核开源项目，计划将于2023年底启动POSIX PSE51 OEM预研项目，实现功能验证，并于2024年实现功能安全验证，2025年实现量产验证。
>国科础石
2023年2月，国科础石正式对外发布础光操作系统整体规划及开源计划，并将应用在智能汽车座舱域、自动驾驶域的础光Linux进行开源，以此作为国科础石开源计划实施的起点，其他相关企业、机构或者开发者可以基于该开源版本进行汽车操作系统及应用开发。
如何构建智能座舱软件汽车（SDV）架构？
从智能座舱各个研发环节来看，主要涉及到软件工程与硬件工程：
▪座舱基础软件：车载操作系统（QNX、Linux、Android、鸿蒙OS、AliOS等）、虚拟机（Hypervisor）、中间件（AutoSAR）；
▪座舱系统软件开发：应用开发以Android为主、仪表软件开发以QNX为主、TBOX软件开发以Linux为主
▪座舱界面设计：UI界面设计软件；
▪座舱应用软件：用户画像、情景感知、多模态融合交互（AR HUD、语音、声学/音响、DMS/OMS、人脸识别、手势识别等软件开发），大模型开始在座舱多模态交互领域实现应用；
▪云服务：车云一体化平台、云原生平台、信息安全、OTA开发和运营策略等。
在云原生平台方面，头部主机厂和造车新势力先行，车企开始成立专门的数字化转型部门，加速推动数字化战略落地，从上层驱动企业创新与变革。
▪自研：车企追求 IT 研发和平台建设自主可控。领先车企不约而同选择了自研，一方面由于一线车企都具备强大的研发和技术实力，另一方面希望保证云原生平台的稳定和易用性；
▪开源：同时，车企重视开源，开源技术和社区是探索云原生的第一站，开源也是车企关注云原生前沿和培养技术人才的最佳方式；
▪全面数字化转型：此外，以容器、微服务为代表的云原生技术也为车企数字化转型弯道超车提供助力，建设具备全栈能力的云原生平台已经成为先进企业数字化转型的最佳路径。
来源：佐思汽研《2023-2024年软件定义汽车：产业全景和策略研究报告》
云原生源于云计算，其构建并部署在云中，能真正访问云基础设施的强大功能。云原生可以在云端和车内侧，汽车系统软件越来越复杂，现在的代码量已达到上亿行，因此在车内侧，也把运行态软件引入容器。
> 吉利汽车
吉利云原生技术联合了火山引擎团队和在软件定义汽车、智能汽车广义操作系统的先行者东软睿驰团队共同深度研发。目前，吉利自研的数字孪生智能座舱系统云化应用技术，已注册专利30余项，吉利云原生技术可以实现云、边、端互联，让座舱算力与空间硬件解耦，让座舱体验摆脱对车端芯片的算力依赖；
来源：吉利汽车
>上汽乘用车
CloudOS 在上汽乘用车量产应用，上汽乘用车基于“云原生技术”，开创“数据同步即功能生效”的车云数据协同架构；
>安波福
安波福与风河软件合作开发了“端到端云原生DevOps平台”，在支持软件定义汽车上，Wind River Studio可以分成车内侧和云端两部分，一部分是基于车内侧相应的运行态软件，一部分是云端的Studio工具集。
来源：安波福、风河软件
如何构建智能车控软件汽车汽车（SDV）架构？
智能车控具体包括车身控制、底盘控制、动力控制、能量管理等多个细分领域。随着E/E架构进一步向跨域融合、“中央计算+区域”架构演进。
电气架构集中化，进一步整合动力域、底盘域和车身域，提供汽车中间层核心控制功能的集成，其目标是为自动驾驶接入车辆打造整车控制“操作系统”，不同的主机厂或Tier1，根据其产品特性，集成思路有所不同。
▪路特斯VMCU整车运动控制器：基于VCU功能的范畴向底盘的功能方向进行拓展，集成底盘域所有整车层级的控制功能，包括TVC、ESP、TCS功能。执行件包括三电控制器，底盘里的制动转向悬架，围绕在其周围成为它的被控对象，受到统一协调。
路特斯正与不同合作伙伴联合开发VMC整车动态控制软件，主机厂专注于主机厂自身的核心能力，即整车层级差异化开发，聚焦整车部分的差异软件和参数，让供应商专注于平台化零部件开发。
来源：路特斯
从功能域走向中央计算架构，区域融合的理念不可或缺，关键环节就在于区域控制的具体实践。新一代车身区域控制器融入了部分区域控制思想，划分左右控制器，负责本区域内的信号采集及负载驱动，具备五大核心功能：区域供电、区域信息、区域功能（原子服务提供）、区域驱动、边缘计算。
▪联合汽车电子USP 2.0开发者平台：2023年4月，联合电子在2023开发者大会上发布了USP 2.0开发者平台，USP2.0平台通过区域化的架构可以实现近20个独立ECU的集成，通信速率从2M提升至最高1000M。
从开发到测试验证全过程，联合汽车电子为开发者打造预安装的本地开发环境，同时提供开发套件（SDK）；在USP2.0平台上，可以调用的服务已经深入到了车身控制、能量管理、运动控制、热管理等领域。
来源：佐思汽研《2023-2024年软件定义汽车：产业全景和策略研究报告》
▪大陆集团“软件功能即产品（FaaP）”解决方案：适用于所有车身及执行器功能，并作为快速且经济高效的解决方案集成到车辆跨域产品中。比如像车窗升降、后备箱控制、座椅调节、座椅加热、电动车门等各种功能都有对应软件包，后续大陆还会对其进行扩展，带来更多选项。
“软件功能即产品（FaaP）”核心在于软硬件解耦，大陆集团中间件（Middleware）可以将上车身和下车身解耦开来，可以看到上车身更多关注的是性能和算力，包括ADAS的算法、车内娱乐的实现等。对于上车身的开发更多的以软件和服务导向；下车身是传统的车身电子，以硬件和产品为导向。
解耦后可以让OEM和tier1与其他供应商共同开发，在同一框架下合作，增加开发的效率，系统模块的可移植性也大大提高了。
来源：大陆集团
01 如何构建智驾软件体系
1.1 智能驾驶总体软件、硬件架构
1.2 基础软件：实时车控操作系统（狭义OS）
1.2.1 智能汽车软件架构包括虚拟机、系统内核、中间件、功能软件、应用程序
1.2.2 智能驾驶狭义OS（内核）
1.2.3 汽标委《车用操作系统标准体系》
1.2.4 智能驾驶实时车控操作系统参考架构
1.2.5 智能驾驶操作系统内核的发展路径（1）
1.2.6 智能驾驶操作系统内核的发展路径（2）
1.2.7 智能驾驶底层OS趋势（1）
1.2.8 智能驾驶底层OS趋势（2）
1.2.9 智能驾驶底层OS趋势（3）
1.2.10 智能驾驶底层OS趋势（4）
1.2.11 实时车控操作系统国产化（1）
1.2.12 实时车控操作系统国产化（2）
1.2.13 实时车控操作系统国产化（3）
1.2.14 实时车控操作系统国产化（4）
1.2.15 实时车控操作系统国产化（5）
1.2.16 实时车控操作系统国产化（6）
1.2.17 实时车控操作系统国产化（7）
1.2.18 实时车控操作系统国产化（8）
1.2.19 实时车控操作系统国产化（9）
1.2.20 实时车控操作系统国产化（11）
1.2.21 实时车控操作系统国产化（12）
1.2.22 实时车控操作系统国产化（13）
1.2.23 实时车控操作系统国产化（14）
1.2.24 实时车控操作系统国产化（15）
1.2.25 实时车控操作系统案例（1）
1.2.26 实时车控操作系统案例（2）
1.2.27 实时车控操作系统案例（3）
1.2.28 实时车控操作系统案例（4）
1.2.29 实时车控操作系统案例（5）
1.2.30 实时车控操作系统案例（6）
1.2.31 实时车控操作系统案例（7）
1.2.32 实时车控操作系统案例（8）
1.2.33 实时车控操作系统案例（9）
1.2.34 实时车控操作系统案例（10）
1.2.35 实时车控操作系统（狭义）供应商和产品列表（1）
1.2.36 实时车控操作系统（狭义）供应商和产品列表（2）
1.2.37 实时车控操作系统（狭义）供应商和产品列表（3）
1.2.38 实时车控操作系统（狭义）供应商和产品列表商（4）
1.2.39 总结：实时车控操作系统（狭义OS）
1.3 基础软件：智能驾驶中间件（ROS、 CyberRT、DDS、AutoSAR）
1.3.1 车载通信协议分类：SOME/IP＆DDS
1.3.2 车载通信协议分类：车云一体化通讯协议MQTT
1.3.3 智能驾驶量产落地的关键技术：中间件
1.3.4 智能驾驶中间件的应用路线
1.3.5 智能驾驶中间件的功能和要求
1.3.6 智能驾驶车载中间件：通信中间件（1）
1.3.7 智能驾驶车载中间件：通信中间件（2）
1.3.8 SOME/IP & DDS，哪种中间件更有发展前景？
1.3.9 智能驾驶通信中间件方案（1）
1.3.10 智能驾驶通信中间件方案（2）
1.3.11 智能驾驶通信中间件方案（3）
1.3.12 智能驾驶通信中间件方案（4）
1.3.13 智能驾驶通信中间件方案（5）
1.3.14 智能驾驶通信中间件方案（6）
1.3.15 主流智能驾驶通信中间件供应商和产品列表（1）
1.3.16 主流智能驾驶通信中间件供应商和产品列表（2）
1.3.17 智能驾驶车载中间件：Autosar、ROS2、CyberRT
1.3.18 主机厂和Tier1在智能驾驶车载中间件方案上将有多种选择（1）
1.3.19 主机厂和Tier1在智能驾驶车载中间件方案上将有多种选择（2）
1.3.20 智能驾驶车载中间件（1）：AP AUTOSAR
1.3.21 智能驾驶车载中间件（2）：CP+AP AUTOSAR的混合软件架构（1）
1.3.22 智能驾驶车载中间件（2）：CP+AP AUTOSAR的混合软件架构（2）
1.3.23 智能驾驶车载中间件（3）：ROS
1.3.24 ROS 2与AUTOSAR AP的区别
1.3.25 智能驾驶中间件解决方案（1）
1.3.26 智能驾驶中间件解决方案（2）
1.3.27 智能驾驶中间件解决方案（3）
1.3.28 智能驾驶中间件解决方案（4）
1.3.29 智能驾驶中间件解决方案（5）
1.3.30 智能驾驶中间件解决方案（6）
1.3.31 智能驾驶中间件解决方案（7）
1.3.32 智能驾驶中间件解决方案（8）
1.3.33 主机厂是否有必要自研中间件？（1）
1.3.34 主机厂是否有必要自研中间件？（2）
1.3.35 主机厂是否有必要自研中间件？（3）
1.3.36 全球智能驾驶中间件AUTOSAR供应商和产品列表（1）
1.3.37 全球智能驾驶中间件AUTOSAR供应商和产品列表（2）
1.3.38 全球智能驾驶中间件AUTOSAR供应商和产品列表（3）
1.3.39 中国智能驾驶中间件AUTOSAR供应商和产品列表（1）
1.3.40 中国智能驾驶中间件AUTOSAR供应商和产品列表（2）
1.3.41 中国智能驾驶中间件AUTOSAR供应商和产品列表（3）
1.3.42 智能驾驶中间件ROS 2玩家和产品列表
1.3.43 智能驾驶中间件自研厂商和产品列表（1）
1.3.44 智能驾驶中间件自研厂商和产品列表（2）
1.3.45 智能驾驶中间件自研厂商和产品列表（3）
1.3.46 智能驾驶中间件自研厂商和产品列表（4）
1.4 基础软件：如何系统化构建自动驾驶广义OS？
1.4.1 自动驾驶广义OS定义
1.4.2 整车EE架构的演进驱动了汽车底层OS的变革
1.4.3 自动驾驶广义OS发展趋势
1.4.4 中国自动驾驶广义OS市场规模预测
1.4.5 智驾广义OS软件平台（1）
1.4.6 智驾广义OS软件平台（2）
1.4.7 智驾广义OS软件平台（3）
1.4.8 智驾广义OS软件平台（4）
1.4.9 智驾广义OS软件平台（5）
1.5 智驾通用算法构建：从小模型到大模型
1.5.1 智能驾驶3.0时代，从小模型到大模型
1.5.2 如何构建自动驾驶端到端神经网络大模型
1.5.3 自动驾驶算法核心模块概览
1.5.4 自动驾驶算法模块迭代历程（2016-2023）
1.5.5 自动驾驶算法模块：BEV+Transformer 智驾算法
1.5.6 自动驾驶算法模块：BEV 进一步升级到占用网络
1.5.7 自动驾驶算法模块：“端到端”智驾算法
1.5.8 自动驾驶算法模块：“端到端”UniAD大模型（1）
1.5.9 自动驾驶算法模块：“端到端”UniAD大模型（2）
1.5.10 自动驾驶算法模块：特斯拉V12正式版本引入“端到端”算法
1.5.11 OEM主机厂智驾算法自研总结（1）
1.5.12 OEM主机厂智驾算法自研总结（2）
1.5.13 Tier1供应商智驾算法总结
1.5.14 特斯拉自动驾驶解决方案堪称自动驾驶界“iOS”
1.5.15 第三方巨头凭工具链有望构筑自驾领域“安卓”
1.5.16 百度致力于利用文心大模型实现自动驾驶感知模型增强和长尾数据挖掘
1.5.17 商汤将大模型用来赋能自动驾驶感知闭环和决策闭环等环节
1.5.18 地平线认为未来自动驾驶终将走向端到端算法
1.5.19 特斯拉Transformer神经网络实现多摄像头数据融合
1.5.20 特斯拉FSD自动驾驶系统深度学习代码比例不断提升
1.5.21 毫末智行MANA 系统采用Transformer神经网络
1.5.22 小鹏G9 Transformer网络的部署情况
1.5.23 小鹏G9发布了新一代感知架构“XNet”
1.5.24 小鹏自主开发全自动标注系统
1.5.25 端到端的自动驾驶算法，可能取代传统的自动驾驶软件开源框架
1.5.26 传统的自动驾驶软件开源框架供应商和产品列表（1）
1.5.27 传统的自动驾驶软件开源框架供应商和产品列表（2）
1.6 智驾通用算法构建：AI深度学习软件平台
1.6.1 AI深度学习软件供应商和产品列表（1）
1.6.2 AI深度学习软件供应商和产品列表（2）
1.6.3 国内外主要大模型厂商
1.6.4 大模型的出现给模型训练带来极大的挑战
1.6.5 百度飞桨在大模型训练领域的特色分布式训练技术
1.6.6 百度联合吉利发布了业内首个知识增强的汽车行业大模型
1.6.7 华为开源自研AI框架昇思MindSpore Transformer 大模型训练库
1.6.8 潞晨科技Colossal-AI大模型训练系统
1.6.9 英伟达 CV-CUDA 开源库
1.7 智驾通用算法构建：智驾数据训练集
1.7.1 为什么要建立数据集？（1）
1.7.2 为什么要建立数据集？（2）
1.7.3 为什么要建立数据集？（3）
1.7.4 自动驾驶训练数据采集车如何采集数据？
1.7.5 数据集发展方向（1）
1.7.6 数据集发展方向（2）
1.7.7 数据集发展方向（3）
1.7.8 下一代数据集产品（1）
1.7.9 下一代数据集产品（2）
1.7.10 自动驾驶数据集系列产品对比（1）
1.7.11 自动驾驶数据集系列产品对比（2）
1.7.12 自动驾驶数据集系列产品对比（3）
1.7.13 自动驾驶数据集系列产品对比（4）
1.7.14 自动驾驶数据集系列产品对比（5）
1.7.15 自动驾驶数据集系列产品对比（6）
1.7.16 数据训练集主要供应商和产品列表（1）
1.7.17 数据训练集主要供应商和产品列表（2）
1.7.18 数据训练集主要供应商和产品列表（3）
1.7.19 数据训练集主要供应商和产品列表（4）
1.7.20 数据训练集主要供应商和产品列表（5）
1.8 智驾通用算法构建：自动驾驶系统集成和工程化策略
1.8.1 自动驾驶算法分类
1.8.2 自动驾驶感知类算法——视觉感知
1.8.3 自动驾驶感知类算法——激光雷达感知
1.8.4 自动驾驶感知类算法——毫米波雷达感知
1.8.5 自动驾驶感知类算法——多传感器融合感知
1.8.6 前/中/后融合优劣势对比
1.8.7 自动驾驶感知路线——BEV感知系统
1.8.8 自动驾驶感知技术（1）：BEV Transformer大模型（1）
1.8.9 自动驾驶感知技术（1）：BEV Transformer大模型（2）
1.8.10 自动驾驶感知技术（2）：Occupancy Network占用网络
1.8.11 国内智能驾驶感知系统市场趋势：BEV+Transformer加速上车
1.8.12 车企感知算法：飞凡汽车Full Fusion全融合算法
1.8.13 车企感知算法：小鹏XNet深度视觉神经网络（BEV+Transformer）
1.8.14 车企感知算法：小鹏XNet深度视觉神经网络（BEV+Transformer）
1.8.15 主机厂自动驾驶感知模型应用情况
1.8.16 Tier 1厂商智能驾驶感知模型应用
1.8.17 L3级自动驾驶工程化难点（1）
1.8.18 L3级自动驾驶工程化难点（2）
1.8.19 L3级自动驾驶工程化难点（3）
1.9 智驾端云一体：数据闭环
1.9.1 高阶自动驾驶开发流程从基于V模型向基于数据驱动发展
1.9.2 数据闭环对自动驾驶的重要性
1.9.3 数据闭环是城市NOA大规模量产落地的关键
1.9.4 百度全链路数据闭环解决方案：技术研发流程
1.9.5 百度全链路数据闭环解决方案：技术闭环流程
1.9.6 百度全链路数据闭环解决方案：自动驾驶需求拆解
1.9.7 百度全链路数据闭环解决方案（1）：道路数据采集服务
1.9.8 百度全链路数据闭环解决方案（2）：车辆改装集成服务
1.9.9 百度全链路数据闭环解决方案（3）：合规采集服务
1.9.10 百度全链路数据闭环解决方案（4）：数据合规服务
1.9.11 百度全链路数据闭环解决方案（4）：数据合规服务
1.9.12 百度全链路数据闭环解决方案（5）：数据标注服务
1.9.13 百度全链路数据闭环解决方案（5）：数据标注服务
1.9.14 百度全链路数据闭环解决方案（6）：数据运营服务
1.9.15 百度全链路数据闭环解决方案（7）：数据训练调优
1.9.16 百度全链路数据闭环解决方案（8）：仿真场景库建设服务
1.9.17 百度全链路数据闭环解决方案（9）：百度智能云自动驾驶工具链
1.9.18 百度全链路数据闭环解决方案（9）：百度智能云自动驾驶工具链
1.9.19 百度全链路数据闭环解决方案（9）：百度智能云自动驾驶工具链：数据管理平台
1.9.20 百度全链路数据闭环解决方案（9）：百度智能云自动驾驶工具链：智能标注平台
1.9.21 百度全链路数据闭环解决方案（9）：百度智能云自动驾驶工具链：感知训练平台
1.9.22 百度全链路数据闭环解决方案（10）：百度智能云自动驾驶工具链：感知评测平台
1.9.23 百度全链路数据闭环解决方案（10）：百度智能云自动驾驶工具链：仿真测试平台
1.9.24 毫末智行自动驾驶生成式大模型“毫末DriveGPT”（1）
1.9.25 毫末智行自动驾驶生成式大模型“毫末DriveGPT”（2）
1.9.26 黑芝麻智能数据闭环解决方案
1.9.27 鉴智机器人数据闭环平台
1.9.28 自动驾驶数据闭环供应商和产品列表（1）
1.9.29 自动驾驶数据闭环供应商和产品列表（2）
1.9.30 自动驾驶数据闭环供应商和产品列表（3）
1.10 智驾端云一体：数据采标
1.10.1 自动驾驶数据采标市场发展趋势
1.10.2 数据采集标注产业链：上下游构成和分工
1.10.3 数据采集标注平台：架构设计
1.10.4 数据采集标注平台：数据采集的难题
1.10.5 数据采集标注平台：数据采集流程及方法
1.10.6 数据采集标注平台：采集数据标注过程
1.10.7 数据采集标注平台：数据采集的后端仿真
1.10.8 智驾数据标注发展的五个阶段
1.10.9 智驾数据标注发展L0/L1阶段：数据众包
1.10.10 智驾数据标注发展L0/L1阶段：数据众包
1.10.11 智驾数据标注发展L2/L3阶段：引入ChatGPT等大模型
1.10.12 智驾数据标注发展L2/L3阶段：智能化和半自动化标注
1.10.13 智驾数据标注新趋势（1）
1.10.14 智驾数据标注新趋势（2）
1.10.15 智驾数据标注新趋势（3）
1.10.16 国内AI数据标注公司排行
1.10.17 智驾数据标注解决方案（1）
1.10.18 智驾数据标注解决方案（2）
1.10.19 智驾数据标注解决方案（3）
1.10.20 智驾数据标注解决方案（4）
1.10.21 智驾数据标注解决方案（5）
1.10.22 智驾数据标注解决方案（6）
1.10.23 智驾数据标注解决方案（7）
1.10.24 智驾数据标注解决方案（8）
1.10.25 智驾数据标注解决方案（9）
1.10.26 智驾数据标注解决方案（10）
1.10.27 智驾数据标注解决方案（11）
1.10.28 智驾数据标注解决方案（12）
1.10.29 智驾数据标注解决方案（13）
1.10.30 智驾数据标注解决方案（14）
1.10.31 智驾数据标注解决方案（15）
1.10.32 智驾数据标注解决方案（16）
1.10.33 智驾数据标注解决方案（17）
1.10.34 智驾数据标注解决方案（18）
1.10.35 自动驾驶数据采标工具软件供应商和产品列表（1）
1.10.36 自动驾驶数据采标工具软件供应商和产品列表（2）
1.10.37 自动驾驶数据采标工具软件供应商和产品列表（3）
1.10.38 自动驾驶数据采标工具软件供应商和产品列表（4）
1.10.39 自动驾驶数据采标工具软件供应商和产品列表（5）
1.11 智驾端云一体：仿真测试：场景库
1.11.1 自动驾驶场景库的数据来源
1.11.2 自动驾驶场景库自动化生成
1.11.3 自动驾驶场景库格式标准
1.11.4 自动驾驶场景库的搭建流程（1）
1.11.5 自动驾驶场景库的搭建流程（2）
1.11.6 自动驾驶测试与评价体系建设（1）
1.11.7 自动驾驶测试与评价体系建设（2）
1.11.8 自动驾驶场景库供应商和标准化组织（1）
1.11.9 自动驾驶场景库供应商和标准化组织（2）
1.12 智驾端云一体：仿真测试：仿真平台
1.12.1 为什么要进行自动驾驶仿真测试？
1.12.2 智能网联汽车仿真测试工具及平台市场规模
1.12.3 自动驾驶仿真工具链
1.12.4 自动驾驶仿真测试发展趋势（1）
1.12.5 自动驾驶仿真测试发展趋势（2）
1.12.6 自动驾驶仿真测试发展趋势（3）
1.12.7 自动驾驶仿真测试发展趋势（4）
1.12.8 自动驾驶仿真测试发展趋势（5）
1.12.9 全球主流自动驾驶仿真软件企业
1.12.10 自动驾驶仿真软件供应商和产品列表：交通流仿真
1.12.11 自动驾驶仿真软件供应商和产品列表：车辆仿真（1）
1.12.12 自动驾驶仿真软件供应商和产品列表：车辆仿真（2）
1.12.13 自动驾驶仿真软件供应商和产品列表：车辆仿真（3）
1.13 智驾端云一体：云原生和存储平台
1.13.1 自动驾驶存储平台
1.13.2 易特驰云梯平台（1）
1.13.3 易特驰云梯平台（2）
1.13.4 阿里云ACK@Edge 助力元戎启行车云一体化协同
1.13.5 阿里云ACK 云原生 AI 套件助力毫末智行AI 平台
1.13.6 华为云ModelArts平台
1.13.7 腾讯智能汽车云解决方案
1.13.8 腾讯智能汽车云解决方案
1.14 智驾端云一体：高精度地图
1.14.1 城市NOA成为乘用车自动驾驶新战场
1.14.2 搭载城市NOA功能的乘用车用地图方案一：高精地图
1.14.3 搭载城市NOA功能的乘用车用地图方案二：轻地图（1）
1.14.4 搭载城市NOA功能的乘用车用地图方案二：轻地图（2）
1.14.5 搭载城市NOA功能的乘用车用地图方案三：云图
1.14.6 多源融合自动驾驶地图可有效解决城市NOA难题
1.14.7 Tier 1高阶辅助驾驶地图方案（1）
1.14.8 Tier 1高阶辅助驾驶地图方案（2）
1.14.9 Tier 1高阶辅助驾驶地图方案（3）
1.14.10 Tier 1高阶辅助驾驶地图方案（4）
1.14.11 Tier 1高阶辅助驾驶地图方案（5）
1.14.12 Tier 1高阶辅助驾驶地图方案（6）
1.14.13 Tier 1高阶辅助驾驶地图方案（7）
1.14.14 Tier 1高阶辅助驾驶地图方案（8）
1.14.15 主机厂高阶辅助驾驶装车方案（1）
1.14.16 主机厂高阶辅助驾驶装车方案（2）
1.14.17 高阶辅助驾驶地图方案
1.15 智驾辅助软件：ADAS性能评估
1.15.1 车辆ADAS功耗评估软件需求
1.15.2 车辆ADAS性能评估工具
1.15.3 北汇信息智能驾驶测试解决方案
1.15.4 ADAS性能评估软件供应商和产品列表
1.16 智驾辅助软件：ADAS数据记录
1.16.1 ADAS数据记录需求（验证测试环节）
1.16.2 ADAS数据记录需求（交付后）
1.16.3 L3自动驾驶系统的定义
1.16.4 L3系统对于数据记录有什么要求？
1.16.5 NI通过协同合作完成ADAS验证
1.16.6 Vector针对于ADAS数据记录系统的解决方案
1.16.7 数据记录工具软件供应商和产品列表（1）
1.16.8 数据记录工具软件供应商和产品列表（2）
1.16.9 数据记录工具软件供应商和产品列表（3）
02 如何构建智能座舱软件体系
2.1 智能座舱总体软硬件架构
2.2 基础软件：非实时车载操作系统（狭义OS）
2.2.1 智能座舱操作系统：系统框架
2.2.2 智能座舱操作系统：底层内核OS
2.2.3 车企智能座舱底层OS总结
2.2.4 新车座舱操作系统占有率预测
2.2.5 非实时车载操作系统（狭义）供应商和产品列表（1）
2.2.6 非实时车载操作系统（狭义）供应商和产品列表（2）
2.3 基础软件：智能座舱OS广义操作系统
2.3.1 智能座舱广义操作系统：基于底层OS的二次开发
2.3.2 智能座舱广义操作系统：由座舱 OS 向整车 OS 演进
2.3.3 智能座舱广义操作系统市场前景分析
2.3.4 Tier1方案（1）
2.3.5 Tier1方案（2）
2.3.6 Tier1方案（3）
2.3.7 Tier1方案（4）
2.3.8 Tier1方案（5）
2.3.9 Tier1方案（6）
2.3.10 智能座舱广义操作系统Tier1供应商和产品列表（1）
2.3.11 智能座舱广义操作系统Tier1供应商和产品列表（2）
2.3.12 智能座舱广义操作系统Tier1供应商和产品列表（3）
2.3.13 智能座舱广义操作系统Tier1供应商和产品列表（4）
2.3.14 智能座舱广义操作系统Tier1供应商和产品列表（5）
2.3.15 OEM车企方案（1）
2.3.16 OEM车企方案（2）
2.3.17 OEM车企方案（3）
2.3.18 OEM车企方案（4）
2.3.19 OEM车企方案（5）
2.4 基础软件：虚拟机
2.4.1 目前智能座舱融合域隔离方案
2.4.2 主要用于汽车的Hypervisor
2.4.3 国内智能座舱Hypervisor虚拟机应用情况
2.4.4 智能座舱Hypervisor替代方案：硬隔离方案
2.4.5 智能座舱硬隔离方案的优势和不足
2.4.6 全球汽车Hypervisor市场前景
2.4.7 全球Hypervisor供应商和产品列表（1）
2.4.8 全球Hypervisor供应商和产品列表（2）
2.4.9 全球Hypervisor供应商和产品列表（3）
2.4.10 全球Hypervisor供应商和产品列表（4）
2.4.11 全球Hypervisor供应商和产品列表（5）
2.4.12 全球Hypervisor供应商和产品列表（6）
2.4.13 中国Hypervisor供应商和产品列表
2.5 应用算法：GPT大模型智能座舱应用
2.5.1 主机厂积极推动Chat GPT等AI大模型平台上车智能座舱
2.5.2 AI大模型上车主要应用领域
2.5.3 Tier1供应商GPT大模型布局（1）
2.5.4 Tier1供应商GPT大模型布局（2）
2.5.5 Tier1供应商GPT大模型布局（3）
2.5.6 主机厂AI大模型主要布局方式
2.5.7 AI大模型上车案例（1）
2.5.8 AI大模型上车案例（2）
2.5.9 AI大模型上车案例（3）
2.5.10 AI大模型上车案例（4）
2.5.11 AI大模型上车案例（5）
2.5.12 AI大模型上车案例（6）
2.5.13 AI大模型上车案例（7）
2.5.14 AI大模型上车案例（8）
2.6 应用算法：UI界面设计软件
2.6.1 汽车界面设计概述
2.6.2 HMI设计分类
2.6.3 座舱HMI UI/UX设计市场前景分析
2.6.4 越来越多车企将3D引擎应用智能座舱
2.6.5 汽车3D引擎应用智能座舱布局方式及商业模式
2.6.6 3D引擎上车案例（1）
2.6.7 3D引擎上车案例（2）
2.6.8 3D引擎上车案例（3）
2.6.9 3D引擎上车案例（4）
2.6.10 3D引擎上车案例（5）
2.6.11 3D引擎上车案例（6）
2.6.12 3D引擎上车案例（7）
2.6.13 3D引擎上车案例（8）
2.6.14 3D引擎上车案例（9）
2.6.15 3D引擎上车案例（10）
2.6.16 3D引擎上车案例（11）
2.6.17 HMI设计软件供应商（1）
2.6.18 HMI设计软件供应商（2）
2.6.19 HMI设计软件供应商（3）
2.6.20 HMI设计软件供应商（4）
2.7 应用算法：语音软件
2.7.1 人机交互概述
2.7.2 车载语音交互技术简介
2.7.3 全球及中国车载语音参与企业
2.7.4 车载语音市场前景分析
2.7.5 AI大模型等新技术带动下，人机交互进阶演变
2.7.6 多模态交互软件供应趋势：由单模块向集成式供应转变
2.7.7 语音交互发展趋势（1）
2.7.8 语音交互发展趋势（2）
2.7.9 语音交互发展趋势（3）
2.7.10 语音交互发展趋势（4）
2.7.11 语音交互发展趋势（5）
2.7.12 车载语音软件供应商和产品列表（1）
2.7.13 车载语音软件供应商和产品列表（2）
2.7.14 车载语音软件供应商和产品列表（3）
2.7.15 车载语音软件供应商和产品列表（4）
2.7.16 车载语音软件供应商和产品列表（5）
2.8 应用算法：声学软件
2.8.1 声学软件供应商业务模式汇总
2.8.2 车企声学软件采购模式演变
2.8.3 声学软件业务模式探索
2.8.4 汽车声学新需求
2.8.5 声学软件供应商业务模式汇总
2.8.6 声学解决方案典型案例（1）
2.8.7 声学解决方案典型案例（2）
2.8.8 声学解决方案典型案例（3）
2.8.9 声学解决方案典型案例（4）
2.8.10 声学解决方案典型案例（5）
2.8.11 声学软件供应商和产品列表（1）
2.8.12 声学软件供应商和产品列表（2）
2.9 应用算法：AR HUD软件
2.9.1 AR-HUD产品及技术概述
2.9.2 AR-HUD光波导技术
2.9.3 AR引擎软件技术
2.9.4 AR-HUD市场应用车型
2.9.5 AR-HUD迎来快速上车周期
2.9.6 AR-HUD产业核心技术
2.9.7 AR-HUD软件升级主要方向
2.9.8 AR Creator 成为 AR-HUD 的核心元素
2.9.9 AR Creator 集成车机系统内
2.9.10 AR Creator典型案例（1）
2.9.11 AR Creator典型案例（2）
2.9.12 AR Creator典型案例（3）
2.9.13 AR-HUD软件供应商和产品列表（1）
2.9.14 AR-HUD软件供应商和产品列表（2）
2.9.15 AR-HUD软件供应商和产品列表（3）
2.10 应用算法：DMS/OMS软件
2.10.1 DMS简介
2.10.2 DMS软件技术
2.10.3 DMS软件技术市场前景分析
2.10.4 中国乘用车前装DMS市场情况
2.10.5 DMS视觉感知算法供应商和产品列表（1）
2.10.6 DMS视觉感知算法供应商和产品列表（2）
2.10.7 DMS视觉感知算法供应商和产品列表（3）
2.11 应用算法：人脸和手势识别软件
2.11.1 人脸识别交互技术简介
2.11.2 全球及中国主要人脸识别参与企业
2.11.3 汽车人脸识别市场前景分析
2.11.4 手势识别交互技术简介
2.11.5 全球及中国主要手势识别参与企业
2.12 智能座舱端云一体：车云平台软件
2.12.1 传统的车联网技术平台架构
2.12.2 传统的车联网技术平台瓶颈
2.12.3 下一代车云技术平台
2.12.4 下一代车云技术平台：实现高精度、高质量的数据采集
2.12.5 智协慧同四大产品模块
2.12.6 智协慧同车联网数据采集平台方案架构图
2.12.7 汽车云服务在智能网联汽车的应用前景展望
2.12.8 车企云服务搭建模式：自建私有云、采购公有云
2.12.9 云服务平台市场发展现状
2.12.10 云服务平台供应商和产品列表（1）
2.12.11 云服务平台供应商和产品列表（2）
2.12.12 云服务平台供应商和产品列表（3）
2.12.13 远程云诊断发展现状
2.12.14 智协慧同“车辆远程智能诊断系统解决方案”
2.12.15 智协慧同“主动式的智能诊断方案”
2.12.16 智协慧同“智能诊断数据闭环”
2.12.17 远程云诊断供应商解决方案供应商
2.13 智能座舱端云一体：云原生平台
2.13.1 云原生发展历程
2.13.2 主机厂云原生布局方式
2.13.3 主机厂云原生架构布局案例（1）
2.13.4 主机厂云原生架构布局案例（2）
2.13.5 主机厂云原生架构布局案例（3）
2.13.6 主机厂云原生架构布局案例（4）
2.13.7 供应商云原生产品案例（1）
2.13.8 供应商云原生产品案例（2）
2.13.9 供应商云原生产品案例（3）
2.13.10 供应商云原生产品案例（4）
2.14 智能座舱端云一体：OTA开发和运营策略
2.14.1 汽车OTA产业链构成
2.14.2 OTA运营商业模式
2.14.3 OTA业务模式
2.14.4 顺应智能汽车发展，OTA技术演进趋势
2.14.5 OTA供应商供应策略（1）
2.14.6 OTA供应商供应策略（2）
2.14.7 OTA相关供应商及业务模式（1）
2.14.8 OTA相关供应商及业务模式（2）
2.14.9 OTA相关供应商及业务模式（3）
03 如何构建整车控制软件体系
3.1 汽车车身控制类软件
3.1.1 车身域控系统职能特点和软件需求
3.1.2 车身域控系统关键技术和开发实践
3.1.3 车身域控制器软件
3.1.4 车身域控制器的软件设计（1）
3.1.5 车身域控制器的软件设计（2）
3.1.6 车身域控制器的软件设计（3）
3.1.7 网关与车身域控融合将成趋势（1）
3.1.8 网关与车身域控融合将成趋势（2）
3.1.9 欧菲光第五代车身域控制器：软硬件部分
3.1.10 欧菲光第五代车身域控制器：车身域控软件
3.1.11 大陆集团面向车身域和执行器推出的“软件功能及产品” 解决方案
3.1.12 联合电子发布USP2.0开发者平台，首个区域控制器产品即将批量生产（1）
3.1.13 联合电子发布USP2.0开发者平台，首个区域控制器产品即将批量生产（2）
3.1.14 诺博科技车身域控产品
3.1.15 车身域控制软件（硬件）供应商和产品列表（1）
3.1.16 车身域控制软件（硬件）供应商和产品列表（2）
3.1.17 车身域控制软件（硬件）供应商和产品列表（3）
3.1.18 车身域控制软件（硬件）供应商和产品列表（4）
3.1.19 车身域控制软件（硬件）供应商和产品列表（5）
3.2 汽车动力和底盘控制软件
3.2.1 动力域控系统上游：软件组成
3.2.2 动力域控制器的开发重点在于软件
3.2.3 动力域软件方案（1）
3.2.4 动力域软件方案（2）
3.2.5 动力域软件方案（3）
3.2.6 动力域软件方案（4）
3.2.7 动力域软件方案（5）
3.2.8 动力域软件方案（6）
3.2.9 动力域软件方案（7）
3.2.10 动力域软件方案（8）
3.2.11 动力域软件方案（9）
3.2.12 动力域软件方案（10）
3.2.13 从软件出发，第三方厂商如何向动力域控转型？
3.3 汽车能量管理软件
3.3.1 为什么需要云端BMS管理算法？
3.3.2 动力电池云端管理技术框架（1）
3.3.3 动力电池云端管理技术框架（2）
3.3.4 动力电池云端管理新技术应用趋势
3.3.5 云端BMS的需求分析（1）
3.3.6 云端BMS的需求分析（2）
3.3.7 "边缘端BMS" 和 "云端电池" 的复合电池管理架构
3.3.8 通过机器学习和AI模型，对动力电池进行健康评估
3.3.9 华为AI BMS解决方案
3.3.10 华为AI BMS为车企提供动力部件可视化安全管理平台
3.3.11 华为AI BMS四步法则
3.3.12 高合汽车云端BMS电池管理系统（1）
3.3.13 高合汽车云端BMS电池管理系统（2）
3.3.14 高合汽车云端BMS电池管理系统（3）
3.3.15 Electra Vehicles与NXP合作的 AI BMS解决方案
3.3.16 Eatron Technologies 基于云的网联电池架构
3.3.17 能量管理软件产品供应商和产品列表（1）
3.3.18 能量管理软件产品供应商和产品列表（2）
3.4 整车控制跨域操作系统OS
3.4.1 整车控制域发展趋势：集成化和域控化（1）
3.4.2 整车控制域发展趋势：集成化和域控化（2）
3.4.3 NXP整车控制域软件平台解决方案（1）
3.4.4 NXP整车控制域软件平台解决方案（2）
3.4.5 领世科技VCOS（整车控制操作系统）
3.4.6 领世科技中央控制器、动力域控制器、区域控制器的部署
3.4.7 华为智能车控操作系统VOS
04 如何构建跨域整车级操作系统OS
4.1 面向跨域融合，主机厂加强自研整车级OS
4.1.1 整车操作系统OS定义：面向服务的体系结构(SOA)
4.1.2 面向服务的体系结构(SOA)产业分工建议
4.1.3 整车OS目的
4.1.4 整车OS核心软件层
4.1.5 整车OS开发模式的演变
4.1.6 主机厂整车OS主要布局方式
4.1.7 主机厂自研整车OS主要限制因素
4.1.8 车企自研整车OS面临的挑战
4.1.9 主机厂OS布局模式典型案例（1）
4.1.10 主机厂OS布局模式典型案例（2）
4.1.11 主机厂OS布局模式典型案例（3）
4.1.12 主机厂OS布局模式典型案例（4）
4.1.13 主机厂OS布局模式典型案例（5）
4.1.14 主机厂OS布局模式典型案例（6）
4.1.15 主机厂OS布局模式典型案例（7）
4.1.16 主机厂OS布局模式典型案例（8）
4.1.17 主机厂OS布局模式典型案例（9）
4.1.18 主机厂OS布局模式典型案例（10）
4.1.19 OEM主机厂整车OS布局（1）
4.1.20 OEM主机厂整车OS布局（2）
4.1.21 OEM主机厂整车OS布局（3）
4.1.22 OEM主机厂整车OS布局（4）
4.1.23 OEM主机厂整车OS布局（5）
4.1.24 OEM主机厂整车OS布局（6）
4.1.25 OEM主机厂整车OS布局（7）
4.1.26 OEM主机厂整车OS布局（8）
4.2 面向跨域融合，供应商整车OS的市场机会？
4.2.1 供应商整车OS市场机会
4.2.2 汽车OS软件供应商角色演变
4.2.3 整车OS趋势下，商业模式的演变
4.2.4 供应商整车OS业务模式案例（1）
4.2.5 供应商整车OS业务模式案例（2）
4.2.6 供应商整车OS业务模式案例（3）
4.2.7 供应商整车OS业务模式案例（4）
4.2.8 供应商整车OS业务模式案例（5）
4.2.9 供应商整车OS业务模式案例（6）
4.2.10 供应商整车OS业务模式案例（7）
4.2.11 供应商整车OS业务模式案例（8）
4.2.12 供应商整车OS业务模式案例（9）
4.2.13 供应商整车OS业务模式案例（10）
4.2.14 供应商整车OS业务模式案例（11）
4.2.15 供应商整车OS业务模式案例（12）
4.2.16 供应商整车OS业务模式案例（13）
4.2.17 供应商整车OS业务模式案例（14）
4.2.18 供应商整车OS业务模式案例（15）
4.2.19 供应商整车OS业务模式案例（16）
4.2.20 供应商整车OS业务模式案例（17）
4.2.21 供应商整车OS业务模式案例（18）
4.2.22 供应商整车OS业务模式案例（19）
4.2.23 供应商整车OS业务模式案例（20）
05 汽车工业软件和开发工具链
5.1 汽车工业软件和产业发展现状
5.1.1 汽车工业软件分类（1）
5.1.2 汽车工业软件分类（2）
5.1.3 中国汽车工业软件发展现状（1）
5.1.4 中国汽车工业软件发展现状（2）
5.1.5 中国汽车工业软件发展现状（3）
5.1.6 中国汽车工业软件发展现状（4）
5.1.7 中国汽车工业软件发展现状（5）
5.1.8 中国汽车工业软件发展现状（6）
5.1.9 中国汽车工业软件发展现状（7）
5.1.10 中国汽车工业软件发展现状（8）
5.1.11 国内汽车工业软件部分厂商
5.2 汽车E/E架构开发工具链
5.2.1 ICV正向开发流程
5.2.2 V模型软件开发流程和开发工具
5.2.3 业内常用的汽车开发工具及工具链
5.2.4 Vector PREEvision基于V模型的E/E架构开发工具
5.2.5 基于Vector PREEvision的EEA数字化开发
5.2.6 达索系统 ICV嵌入式系统“全栈式”开发能力
5.2.7 达索系统 3DE”全栈式”软件工具链适配ICV开发案例
5.2.8 莱科德（Luxoft）“E/E系统和SOA软件”解决方案
5.2.9 莱科德（Luxoft）“智驾研发平台”解决方案
5.2.10 ETAS（易特驰）云原生工具链：支撑整车OS开发
5.2.11 Capital 汽车EE架构电气线束设计集成环境
5.2.12 零念科技LinearX CarOS工具链（1）
5.2.13 零念科技LinearX CarOS工具链（2）
5.2.14 国科础石础光工具链：赋能SOA软件开发（1）
5.2.15 国科础石础光工具链：赋能SOA软件开发（2）
5.2.16 怿星科技“V+Agile（敏捷）”模式开发流程服务
5.2.17 经纬恒润面向软件模块的整车E/E架构开发咨询服务
5.2.18 E/E架构和平台开发工具供应商和产品列表（1）
5.2.19 E/E架构和平台开发工具供应商和产品列表（2）
5.2.20 E/E架构和平台开发工具供应商和产品列表（3）
5.2.21 E/E架构和平台开发工具供应商和产品列表（4）
5.2.22 E/E架构和平台开发工具供应商和产品列表（5）
5.2.23 E/E架构和平台开发工具供应商和产品列表（6）
5.2.24 E/E架构和平台开发工具供应商和产品列表（7）
5.2.25 E/E架构和平台开发工具供应商和产品列表（8）
5.3 汽车数据脱敏软件SDK
5.3.1 《车联网信息服务 数据安全技术要求》中数据分类标准
5.3.2 数据脱敏相关法规
5.3.3 汽车传输视频及图像脱敏技术标准
5.3.4 数据脱敏方法（1）数据脱敏步骤
5.3.5 数据脱敏方法（2）数据脱敏方案
5.3.6 数据脱敏方法（3）数据脱敏方案对比
5.3.7 吉利汽车数据安全治理实践
5.3.8 数据脱敏工具软件供应商和产品列表（1）
5.3.9 数据脱敏工具软件供应商和产品列表（2）
5.3.10 数据脱敏工具软件供应商和产品列表（3）
5.4 汽车软件测试系统软件
5.4.1 汽车软件测试评价模型和标准
5.4.2 汽车软件测试步骤
5.4.3 中软国际智能驾驶测试解决方案
5.4.4 汽车软件测试服务供应商和产品列表（1）
5.4.5 汽车软件测试服务供应商和产品列表（2）
5.4.6 汽车软件测试服务供应商和产品列表（3）
5.4.7 汽车软件测试服务供应商和产品列表（4）
5.4.8 汽车软件测试服务供应商和产品列表（5）
5.5 汽车设计仿真软件
5.5.1 常见汽车仿真工业设计软件
5.5.2 动力性经济性仿真分析软件
5.5.3 动力仿真分析软件供应商和产品列表（1）
5.5.4 动力仿真分析软件供应商和产品列表（2）
5.5.5 汽车电控正向设计软件供应商和产品列表