胡志明市理工大学(HCMUT)的研究生在 Adaptive AUTOSAR 上构建了达到产品水准的边缘 AI 感知与诊断系统，工具链中内置了基于 Claude 的助手。
从第一阶段到第二阶段
2025年9月 PopcornSAR 与胡志明市理工大学(HCMUT)开始合作时，目标很直接：让高级计算实验室(ACLAB)的研究生用上与量产车型项目中相同的 Adaptive AUTOSAR 工具链，看看他们能做出什么。
第一阶段打下了基础。2026年1月至4月进行的第二阶段，则是工作成熟并产出成果的时期。
两支学生团队分别承担了软件定义汽车领域中两个截然不同的课题。两支团队都在低成本嵌入式硬件上做出了可运行的系统，两篇论文都被 IEEE SAS 2026 录用，两支团队都顺利通过答辩。
PopcornSAR 提供了什么
学生获得了 PopcornSAR 全套工具链的演示许可，以及来自私有镜像仓库的预配置 Docker 镜像、PARA SDK 运行时库、完整的 AUTOSAR Adaptive 文档，还有 PopcornSAR 工程师在整个学期中的直接技术支持。
其中的核心是 PAIO — PopcornSAR 基于 Claude 的 AUTOSAR 建模工具。
PAIO 并不是在传统建模工具上加装一个聊天机器人。AUTOSAR 领域知识以结构化本体的形式内置于产品之中，LLM 助手针对该本体进行了调优，因此它把 ARXML、服务接口和机器拓扑当作 AUTOSAR 构件来处理，而不是当作普通文本。助手运行的 LLM 运行时可以选择 — Claude Code、Codex 或 Gemini CLI。
两支团队都在 Claude Code 上使用该助手，并贯穿系统设计、接口设计与验证等多个阶段。实际效果是：在初次接触该标准的学生身边，始终有一位真正理解该标准的助手 — 在建模机器与服务接口时，以及在检查所得配置是否合理时。
对于赶学期截止日期的团队来说，这一点很关键。Adaptive AUTOSAR 初期学习曲线陡峭，而学生项目通常卡住的地方，正是“理解规范”与“做出可构建的有效系统模型”之间的落差。
团队一：传感器边缘端的实时红绿灯识别
第一支团队的目标是让红绿灯识别直接运行在车载边缘节点上 — 不用 GPU、不用 NPU、不用专用加速器。这个限制是刻意设定的：真实车辆中的传感器级设备在成本、功耗和散热上都受限。
他们把 YOLO11 的主干网络替换为 MobileNetV4-ConvSmall，再通过纯 C++ 的 Google LiteRT 运行时部署量化后的模型。感知流水线实现为两个通过 SOME/IP 通信的 Adaptive Application — 负责采集与推理的 ProviderSensor，以及消费检测结果的 ClientSensor。服务接口与提供者—消费者关系在 PopcornSAR 建模工具中建立，由工具生成 C++ 服务骨架与代理，生成物再与 PARA SDK 运行时集成。
在 Raspberry Pi 5 上的结果：
| 指标 | 基准 YOLO11n | YOLO11n–MobileNetV4 |
|---|---|---|
| CPU 推理 | 超过 400 ms | 30–40 ms |
| 吞吐量 | 2–3 FPS | 25–33 FPS |
| 加速比 | 1× | 约 10–13× |
包含预处理、推理、后处理与 SOME/IP 消息准备在内的端到端时延平均约 41 ms，相当于 24–25 FPS 的实时运行。轻量化模型保持了基准检测精度的 85% 以上。
就团队所知，这是将 YOLO11–MobileNetV4 检测器与纯 C++ LiteRT 运行时结合、在基于 CPU 的传感器设备上完成实时推理的最早端到端实现之一。
团队二：发动机故障的预测性诊断
第二支团队研究预测性维护 — 在故障发生之前，从时序传感器信号中发现发动机异常。
他们没有直接对一维信号做分类，而是将其编码为二维图像并应用计算机视觉方法。他们提出的 TridentNet 是一个三流残差框架，同时处理同一信号的三种表示：短时傅里叶变换(STFT)、连续小波变换(CWT)和递归图。这使网络能够并行捕捉频域、时频域与结构性特征。
在汽车数据集 FordA 与 FordB 上的评测显示，TridentNet 在精度上与 ResNet 等业界标准模型相当，同时显著降低了计算复杂度与内存占用 — 足以在 Raspberry Pi 4 上运行。
该系统作为面向服务的机器部署在 Adaptive AUTOSAR 平台上，推理通过 ONNX Runtime 以 C++ 实现，高带宽数据传输则基于 PARA SDK 的 DDS 实现。
成果
第二阶段的结果远不止于一个及格分。
- 两篇论文被 IEEE SAS 2026 录用 — 每队一篇
- 两支团队均通过答辩，并获得评审委员会的高度评价
- 与京都工艺纤维大学联合举办研讨会报告
- 在 Raspberry Pi 4 和 5 上的实机演示，包括 CARLA 仿真集成
两篇论文都在致谢中提到 PopcornSAR 提供的工具链、许可与工程指导。
这个结果说明了工具链的什么
这样的结果里有值得读取的信号。他们是学生，不是汽车软件工程师，要在一个学期内应对陌生的标准。即便如此，他们做出了符合 AUTOSAR 的面向服务应用，在比一箱油还便宜的硬件上实时运行，并整理到能通过 IEEE 同行评审的水准。
这一成果取决于消除“理解 AUTOSAR 规范”与“做出有效系统模型”之间的摩擦。真正理解标准、而不是对其做模式匹配的助手，才能填补这个落差 — 这正是 PAIO 之所以被做成现在这样的原因。
向 ACLAB 的学生们以及 Dr. Nhan 致以祝贺与感谢：这是令人印象深刻的一年。