Automotive SPICE（简称A-SPICE 或 ASPICE）是汽车产业的软件流程改进和能力测定标准，目前盛行于欧洲车厂对供应商进行软件开发过程评估。

ASPICE共有6个等级。目前市场上大部分的OEM跟Tier1所要求的等级，多数以等级2与等级3为主，因此本篇文章将针对如何达成等级1、等级2及等级3进行说明。

业界目前针对ASPICE等级的要求，以等级2与等级3为主；关于等级与评分的定义

由场景解决的关键工程需求是：将学习从仿真迁移到物理环境：我们可以使用在AV工程中应用的特征随机化（DR）来弥合仿真与硬件实验分离产生的“现实差距”。

本篇将详细阐释自动驾驶系统的风险和危害评估方法，并阐明潜在不失效条件如何导致了不安全的结果。提出了针对限制、误用、环境危害等的建模方法，以及建模的误差估计方法。特别针对潜在的未失效故障，倡议将潜在通路标准引入SOTIF。

本篇将通过两个真实案例来阐述AV安全所面临的问题，以及目前常见的安全测试的手段。

现代汽车已经发生了多起侵入性和非侵入性攻击事件，包括简单的模糊攻击和重放攻击，以及对ECU软件的更为复杂的攻击。

自动驾驶的四大核心技术，分别是环境感知、精确定位、路径规划、线控执行。由于环境感知和精确定位都需应用多个传感器，传感器融合技术正是归类于这两大核心技术的。

本文将介绍汽车网络分析所需的属性规范子集。在确定模型综合和属性后，对模型进行属性分析。为了评估上一篇中合成的模型，需要指定一个属性。然后通过模型检查算法对模型进行属性检查。

本文将描述如何实现模型综合（从汽车网络架构中合成CTMC连续时间马尔科夫链），重新迭代了概率模型检查的基本内容，并重点检查了不同组件的性能影响。