Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2507.15025

帮助 | 高级搜索

计算机科学 > 软件工程

arXiv:2507.15025 (cs)
[提交于 2025年7月20日 ]

标题: 面向汽车软件开发的生成式人工智能综述:从需求到可执行代码

标题: Survey of GenAI for Automotive Software Development: From Requirements to Executable Code

Authors:Nenad Petrovic, Vahid Zolfaghari, Andre Schamschurko, Sven Kirchner, Fengjunjie Pan, Chengdng Wu, Nils Purschke, Aleksei Velsh, Krzysztof Lebioda, Yinglei Song, Yi Zhang, Lukasz Mazur, Alois Knoll
摘要: 采用先进的生成式人工智能(GenAI)旨在通过减少所需的人工干预和处理复杂底层流程的努力,彻底改变许多工业领域。 汽车软件开发被认为是一个重要的GenAI应用领域,考虑到其漫长的和昂贵的流程,这是由需求量大和严格的标准化导致的。 在本文中,我们探讨了GenAI在汽车软件开发各个步骤中的应用,主要集中在需求处理、合规性方面和代码生成。 在现有技术中涵盖了三种与GenAI相关的技术:大型语言模型(LLMs)、检索增强生成(RAG)、视觉语言模型(VLMs),以及在代码生成情况下的采用提示技术的概述。 此外,我们还基于本次文献综述的研究结果,推导出一个通用的GenAI辅助的汽车软件开发工作流程。 最后,我们包括了一项调查结果的总结,该调查是在我们的汽车行业合作伙伴中进行的,涉及他们日常工作中使用的GenAI工具类型。
摘要: Adoption of state-of-art Generative Artificial Intelligence (GenAI) aims to revolutionize many industrial areas by reducing the amount of human intervention needed and effort for handling complex underlying processes. Automotive software development is considered to be a significant area for GenAI adoption, taking into account lengthy and expensive procedures, resulting from the amount of requirements and strict standardization. In this paper, we explore the adoption of GenAI for various steps of automotive software development, mainly focusing on requirements handling, compliance aspects and code generation. Three GenAI-related technologies are covered within the state-of-art: Large Language Models (LLMs), Retrieval Augmented Generation (RAG), Vision Language Models (VLMs), as well as overview of adopted prompting techniques in case of code generation. Additionally, we also derive a generalized GenAI-aided automotive software development workflow based on our findings from this literature review. Finally, we include a summary of a survey outcome, which was conducted among our automotive industry partners regarding the type of GenAI tools used for their daily work activities.
评论: 会议论文被接受用于GACLM 2025
主题: 软件工程 (cs.SE) ; 人工智能 (cs.AI)
引用方式: arXiv:2507.15025 [cs.SE]
  (或者 arXiv:2507.15025v1 [cs.SE] 对于此版本)
  https://doi.org/10.48550/arXiv.2507.15025
通过 DataCite 发表的 arXiv DOI(待注册)

提交历史

来自: Nenad Petrovic [查看电子邮件]
[v1] 星期日, 2025 年 7 月 20 日 16:21:51 UTC (1,163 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.SE
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-07
切换浏览方式为:
cs
cs.AI

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号