CMMI中国2024年度优秀实践案例集之八:CMMI 助力武汉高德:提升项目交付率与降低售后返修率的实践之路

前言

本文摘取自2025 CMMI中国大会发布的《CMMI中国区2024年度优秀实践案例》,本次的案例集相较之前的信息,丰富了执行和最终成果的细节,具备更高的参考价值和技术指导意义。

公司背景

武汉高德智感科技有限公司成立于 2016 年,是上市公司高德红外集团(SZ.002414)旗下的全资子公司,致力于为全球用户提供以红外热成像技术为核心的产品及行业解决方案。基于自主研发的红外芯片带来的低成本、批产化优势,以及二十多年来的红外应用经验,公司的产品和解决方案被广泛应用于电力、工业制造、安全监控、警用执法、户外夜视、科研和医疗等领域。

业务需求

一、业务目标包括

        1. 项目结案按时交付率不低于 90%;
        2. 售后返修率不高于 1.1%。


二、突出问题

1. 管理方面,员工能力参差不齐,项目的成败更多依赖个人能力的强弱,项目管理流程体系和技术管理流程体系不够细致,未能充分发挥体系作用;职责分工不明确,未发挥关键岗位和专家人才的作用;需求、设计、方案等评审不充分,甚至未执行;需求管理较为混乱、需求文档质量不高、需求难以对齐等等,以上这些问题,导致返工或交付质量差,影响项目的按时交付。

2. 技术方面,对于一些新引入的技术或关键器件,未作充分评估,缺乏风险管控意识,导致项目中后期技术攻关问题剧增,交付质量不高;代码管理混乱,缺乏代码走查、自测等环节,且测试环节未引入更高效的自动化测试工具和技术,测试效率难以提升,产品的缺陷率和售后返修率居高不下。

为了解决以上问题,实现业务目标,公司采用了 CMMI 实践进行过程改进,并于 2023 年 4 月通过了 CMMI3 级评估。

解决方案

一、提升项目按时交付率

1. 规范项目管理流程,定义清晰的项目阶段、里程碑和交付物,以及建立有效的风险管理机制,显著提高项目的按时交付率。

2. 增加软件需求分拆工作环节以及需求串讲和反串讲,保障目标一致性,减少返工,提升研发效率。

3. 制订完善的评审流程,开发配套的线上评审系统,成立各领域专家评审组,保障了研发过程的可控性,降低了产品研发风险,使交付过程更顺畅。


二、降低售后返修率

1. 引入代码仓库 Gitee,进行 Gitee Scan 扫描;实施代码上库前的代码检查,制定代码提交入库的准则,提升软件交付质量。

2. 引入自动化测试工具,大大提升测试效率和交付质量。

3. 通过实施定期的质量审核、建立缺陷预防机制以及持续改进过程,分析质量问题成因,制定长期措施并跟踪闭环,显著降低产品的缺陷率和售后返修率。

成果经验

高德智感建立了完善的评审机制,明确评审流程,并开发了评审系统,将相应的评审过程与模版和检查单相结合,让评审过程透明化、评审数据可视化,这使项目实施过程中大幅降低了返工的概率。规范的评审过程确保了各阶段的输出都符合预定的标准和要求,从而提高了产品质量。同时,评审过程不仅是发现问题的过程,也是知识共享和经验传承的过程。

CMMI 的实施不应是一成不变的,而应根据公司的实际情况进行灵活调整。
 

通过CMMI评估结果查询校验案例真实性

PARS是CMMI唯一指定的评估结果发布平台,案例真实性和评估结果可通过PARS系统查询验证。

https://www.isaca.org.cn/enterprise/cmmi-pars

内容概要:本文介绍了一个基于多传器融合的定位系统设计方案,采用GPS、里程计和电子罗盘作为定位传器,利用扩展卡尔曼滤波(EKF)算法对多源传器数据进行融合处理,最终输出目标的滤波后位置信息,并提供了完整的Matlab代码实现。该方法有效提升了定位精度稳定性,尤其适用于存在单一传器误差或信号丢失的复杂环境,如自动驾驶、移动采用GPS、里程计和电子罗盘作为定位传器,EKF作为多传器的融合算法,最终输出目标的滤波位置(Matlab代码实现)机器人导航等领域。文中详细阐述了各传器的数据建模方式、状态转移观测方程构建,以及EKF算法的具体实现步骤,具有较强的工程实践价值。; 适合人群:具备一定Matlab编程基础,熟悉传器原理和滤波算法的高校研究生、科研人员及从事自动驾驶、机器人导航等相关领域的工程技术人员。; 使用场景及目标:①学习和掌握多传器融合的基本理论实现方法;②应用于移动机器人、无人车、无人机等系统的高精度定位导航开发;③作为EKF算法在实际工程中应用的教学案例项目参考; 阅读建议:建议读者结合Matlab代码逐行理解算法实现过程,重点关注状态预测观测更新模块的设计逻辑,可尝试引入真实传器数据或仿真噪声环境以验证算法鲁棒性,并进一步拓展至UKF、PF等更高级滤波算法的研究对比。
内容概要:文章围绕能汽车新一代传器的发展趋势,重点阐述了BEV(鸟瞰图视角)端到端知融合架构如何成为能驾驶知系统的新范式。传统后融合前融合方案因信息丢失或算力需求过高难以满足高阶驾需求,而基于Transformer的BEV融合方案通过统一坐标系下的多源传器特征融合,在保证知精度的同时兼顾算力可行性,显著提升复杂场景下的鲁棒性系统可靠性。此外,文章指出BEV模型落地面临大算力依赖高数据成本的挑战,提出“数据采-模型训练-算法迭代-数据反哺”的高效数据闭环体系,通过自动化标注长尾数据反馈实现算法持续进化,降低对人工标注的依赖,提升数据利用效率。典型企业案例进一步验证了该路径的技术可行性经济价值。; 适合人群:从事汽车电子、能驾驶知算法研发的工程师,以及关注自动驾驶技术趋势的产品经理和技术管理者;具备一定自动驾驶基础知识,希望深入了解BEV架构数据闭环机制的专业人士。; 使用场景及目标:①理解BEV+Transformer为何成为当前知融合的主流技术路线;②掌握数据闭环在BEV模型迭代中的关键作用及其工程实现逻辑;③为能驾驶系统架构设计、传器选型算法优化提供决策参考; 阅读建议:本文侧重技术趋势分析系统级思考,建议结合实际项目背景阅读,重点关注BEV融合逻辑数据闭环构建方法,并可延伸研究相关企业在舱泊一体等场景的应用实践
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值