1 MB; Jpeg Bild
KPIT’s Exclusive Evening Event at IAA Mobility 2025 Spotlighted Chip-to-Cloud Innovation, AI, and Strategic Lessons from China’s Automotive Rise
312 kB; Jpeg Bild
n Picture (Left to Right): Mr. Jaani Heinonen, Head of Invest, Business Sweden; Mr. Sachin Tikekar, President and Joint MD, KPIT Technologies; and Mr. Patrik Andersson, CEO, Business Region Göteborg at the KPIT office inauguration in Gothenburg, Sweden on May 20, 2025
1 MB; PNG Bild
Mr. Mathew Vachaparampil, CEO of Caresoft Global (on the left) and Mr. Kishor Patil, Cofounder, CEO & MD, KPIT Technologies (on the right)
191 kB; PNG Bild
KPIT collaborates with Mercedes-Benz Research and Development India (MBRDI) to accelerate the realization of Software-Defined Vehicles
341 kB; Jpeg Bild
Mr. Kishor Patil, CEO, KPIT Technologies & Mr.Anup Sable , CTO, KPIT Technologies at the KPIT CES 2025 Technology Showcase
140 kB; Jpeg Bild
KPIT and ZF will transfer their middleware activities from the joint development cooperation to the independent software company "QORIX", subject to regulatory approvals. Pictured: Kishor Patil (left), CEO of KPIT Technologies, and Dirk Walliser (right), SVP Research and Development at ZF.
213 kB; Jpeg Bild
KPIT is now a member of the SOAFEE Special Interest Group
50 kB; PNG Bild
Figure 5: Sample image of Open Scenario format (XOSC)
60 kB; PNG Bild
Figure 4: Sample image of Open Drive format (XODR)
57 kB; PNG Bild
Figure 3: Workflow of scene creation based on data availability
120 kB; PNG Bild
Table 1: Input data requirement
35 kB; PNG Bild
Figure 2: Step wise workflow of the process
442 kB; PNG Bild
Figure 1: High level workflow
57 kB; Datei
Bild 5: Beispielbild des Open Scenario-Formats (XOSC)
48 kB; Datei
Bild 4: Beispielbild des Open Drive-Formats (XODR)
58 kB; Datei
Bild 3: Workflow der Szenenerstellung auf Basis der Datenverfügbarkeit
128 kB; Datei
Tabelle 1: Eingangsdatenanforderung
65 kB; Datei
Bild 2: Schrittweiser Arbeitsablauf des Prozesses
109 kB; Datei
Bild 1: High-level-Workflow
202 kB; Jpeg Bild
The right software is the driver for E-mobility
49 kB; Jpeg Bild
Kishor Patil, CEO und Mitbegründer KPIT
154 kB; Jpeg Bild
Die richtige Software ist Treiber für E-Mobilität
39 kB; Jpeg Bild
KPIT ist heute rund um den Globus mit eigenen Standorten präsent
71 kB; Jpeg Bild
Mit dem Wandel in Richtung der E-Fahrzeuge wird die Mobilität umweltschonender und sauberer
50 kB; Jpeg Bild
Lösungen für eine smarte Welt: KPIT ermöglicht die Vernetzung der Fahrzeuge
Mit der Technologie für autonomes Fahren schafft KPIT die Basis für eine sichere Welt
109 kB; Jpeg Bild
KPIT Corporate Office in Pune, Indien
90 kB; Jpeg Bild
KPIT Corporate Office in München, Deutschland
81 kB; Jpeg Bild
Sachin Tikekar
221 kB; PNG Bild
KPIT Corporate Office in Munich, Germany
KPIT Corporate Office in Pune, India
105 kB; Jpeg Bild
Frost & Sullivan vergibt an KPIT Technologies den renommierten Global Over-the-air (OTA) und Cloud Platform Technology Innovation Leadership Award 2021
101 kB; PNG Bild
Ganzheitlicher Ansatz für die Entwicklung intelligenter Ladelösungen: Komplettes Paket von EVCC-Lösungen einschließlich gebrauchsfertiger Software-Stacks, Beschleuniger, Integration, umfassender Test-Suite, Cybersicherheit, Asset Management und Predictive Maintenance-Plattform
203 kB; PNG Bild
Bestimmung der RUL einer Batterie mit AI/ML: Ein hybrider Ansatz, der auf intelligente Weise ein physikalisch basiertes Zellmodell mit datengesteuertem maschinellem Lernen kombiniert, um den SOC-Wert genau vorherzusagen
246 kB; PNG Bild
Entwicklungen bei der integrierten Leistungselektronik in die EV-Komponenten ab 2008
89 kB; Jpeg Bild
Fig. 4: Holistic approach for developing smart charging solutions
51 kB; Jpeg Bild
Fig. 3: Determining RUL of a battery using AI/ML
370 kB; PNG Bild
Fig. 1: Four pillars for future of electrification
82 kB; Jpeg Bild
Fig. 2: Trends towards integrated power electronics ‘one-box’ based on KPIT experience
86 kB; Jpeg Bild
KPIT Technologies und dSPACE bieten gemeinsam eine umfassende Lösungssuite für die Entwicklung von Ladegeräten der nächsten Generation für Elektrofahrzeuge und Konformitätsprüfungen an
KPIT Technologies, dSPACE und Microsoft haben sich zusammengeschlossen, um eine umfassende Lösung für die Homologation anspruchsvoller Fahrerassistenzsysteme und autonomer Fahranwendungen anzubieten
62 kB; PNG Bild
Fig 5. Validation
54 kB; PNG Bild
Fig 4. Verification
81 kB; PNG Bild
Fig 3. Architecture/Design refinement
98 kB; PNG Bild
Fig 2. Concept Phase
149 kB; PNG Bild
Fig 1. Process Overview
46 kB; Jpeg Bild
Bild 3: Feature-Entwicklungsansatz für den Parkassistenten
83 kB; Jpeg Bild
Bild 2: Logische Architektur des Parkassistenzsystems
84 kB; Jpeg Bild
Bild 1: Systemebenenarchitektur des integrierten Einund Ausparksystems
Fig. 3. Park assist feature development approach
129 kB; Jpeg Bild
Fig. 2. Logical architecture of park assist system
228 kB; PNG Bild
Fig. 1. System level architecture of integrated park-in and park-out system
1019 kB; PNG Bild
KPIT Automotive SPICE L5 certificate
278 kB; Jpeg Bild
KPIT und ZF werden zusammenarbeiten, um eine branchenführende MiddlewareLösung für die Automobilindustrie zu entwickeln. Im Bild: Dr. Dirk Walliser, Head of Corporate R&D bei der ZF Group und Kishor Patil, CEO von KPIT Technologies
Fuzz Testing on UDS over CAN
256 kB; Jpeg Bild
Figure 4 : Identified Anomalies Through Fuzz Testing
114 kB; Jpeg Bild
Figure 3 : Experimental set up
96 kB; Jpeg Bild
Figure 2 : Fuzz testing process
149 kB; Jpeg Bild
Figure 1 : Diagnostic Messages – Structures and Types
132 kB; Datei
Verdeckte Schwachstellen erkennen und ausmerzen
41 kB; Jpeg Bild
Bild 4: Durch Fuzzing festgestellte Anomalien
31 kB; Jpeg Bild
Bild 3: Versuchsaufbau
70 kB; Jpeg Bild
Bild 2: Fuzzing-Prozess
20 kB; Jpeg Bild
Bild 1: Diagnosemeldungen – Strukturen und Typen
144 kB; Jpeg Bild
Figure 3: KPIT’s AI industralisation Methodology
120 kB; Jpeg Bild
99 kB; Jpeg Bild
Figure 2: KPIT’s ADAS Software Development Process in Agile Operating Model
72 kB; Jpeg Bild
Figure 1 : Factors to consider for Software Industralisation
Die Komplettlösung von KPIT für virtuelle Simulation und Abdeckung
138 kB; Jpeg Bild
Der ADAS-Softwareentwicklungsprozess von KPIT im agilen Betriebsmodell
Diese Faktoren gilt es bei der Software-Industrialisierung zu berücksichtige
121 kB; Jpeg Bild
Software Integrator KPIT seeks for German partners
3 MB; Windows Bitmap
Simplified sequence of the update of a software package of a Classic ECU
2 MB; Windows Bitmap
Vehicle package overview (analog to figure 7.11 in UCM Spec 2020-11)
Flashing adapter with D-PDU API in OSI model
262 kB; PNG Bild
Vereinfachte Sequenz des Updates eines Software-Pakets einer Classic ECU
404 kB; PNG Bild
Wurde das Vehicle Package korrekt empfangen , kann der Update-Prozess beginnen
580 kB; PNG Bild
Flashing Adapter mit D-PDU API im OSI Model
965 kB; PNG Bild
Adaptive AUTOSAR reprogrammiert klassische Steuergeräte
210 kB; PNG Bild
Software-Update bei laufendem Fahrzeug
215 kB; PNG Bild
Bild 1: Dual Banking-Funktionen
1 MB; Windows Bitmap
Figure 3: Software Synchronization
1003 kB; Windows Bitmap
Figure 2: Software Update while vehicle is running
Figure 1: Dual Banking features
714 kB; Jpeg Bild
The new Software Engineering Center of KPIT Technologies is located on Frankfurter Ring in Munich and about 30kms from Munich International airport
Das neue Softwareentwicklungszentrum von KPIT Technologies befindet sich am Frankfurter Ring in München in einer Entfernung von etwa 30 km vom internationalen Flughafen München
113 kB; Jpeg Bild
Typische Komponenten einer EA und funktionale Darstellung jeder Komponente © KPIT
53 kB; Jpeg Bild
Typischer Ansatz bei der EA-Entwicklung. © KPIT
324 kB; PNG Bild
Bild 3: Gemeinsamer Entwicklungsprozess für Diagnose- und Steuergerätesoftware. (© KPIT)
443 kB; PNG Bild
Bild 2: Erweiterte Diagnosefunktionalität eines Fahrzeugs mit Adaptive AUTOSAR. (© KPIT)
87 kB; PNG Bild
Figure 3 Joint development process for diagnostic and control unit software
Figure 2 Extended diagnostic functionality of a vehicle with Adaptive Autosar
544 kB; PNG Bild
Bild 1: Adaptives Steuergerät mit zwei Softwareclustern und externen Tester. (© KPIT)
156 kB; PNG Bild
Figure 1 Adaptive control unit with two software clusters and external tester
247 kB; PNG Bild
Grundlegende Kommunikation zwischen Apps / © KPIT
92 kB; PNG Bild
The car: An IT - architecture on wheels
Figure 2: An example of simple redundant neural networks. All are specialized to a very specific task. There are combined in
Figure 1: While Advanced Driver Assistance Systems only require a subset of those sensors, Level 4 and L5 make intensive usage
146 kB; PNG Bild
Bild 1: Ein Beispiel für einfache redundante neuronale Netze. Alle sind für eine sehr spezifische Aufgabe vorgesehen. Sie werden in Gruppen unterschiedlicher Größe kombiniert. Ihr Ausgang wird an das Wahlsystem geleitet, das die Prognosen zusammen mit dem Vertrauensniveau bereitstellt. (© KPIT)
2 MB; PNG Bild
FuSi für Künstliche Intelligenz
251 kB; PNG Bild
Eine nach dem "Design to Scale"-Prinzip aufgebaute Architektur kann maßgeschneidert mit den Anforderungen mitwachsen. (© KPIT)
Connected Diagnostics
218 kB; PNG Bild
Bild 5: Ein hierarchischer Ansatz der autonomen Fahranwendung. (© KPIT)
217 kB; PNG Bild
Bild 4: Umgang mit Autobahnausfahrten. (© KPIT)
110 kB; PNG Bild
Bild 3: Überholen auf der Autobahn. (© KPIT)
349 kB; PNG Bild
Bild 2: Eine konfigurierbare, modulare und skalierbare Architektur zur Implementierung einer autonomen Fahranwendung. (© KPIT)
40 kB; PNG Bild
Bild 1: Eine typische Software-Architektur für ADAS-Funktionen. (© KPIT)
860 kB; PNG Bild
Anders als Fahrerassistenzsysteme benötigen L4- und L5-Sensorkombinationen zur Erfassung der Verkehrssituation. (© KPIT)
21 kB; Jpeg Bild
Author Olivier Bockenbach, Subject Matter Expert Autonomous Driving, KPIT Technologies
53 kB; PNG Bild
Figure 6: A hierarchical approach of the Autonomous driving application
25 kB; PNG Bild
Figure 5: Highway exit handling
68 kB; PNG Bild
Figure 4: Overtaking on the highway
71 kB; PNG Bild
Figure 3: A configurable, modular and scalable architecture for implementing Autonomous Driving
Figure 2: While Advanced Driver Assistance Systems only require a subset of those sensors, Level 4 and L5 make intensive usage of combining sensors to capture the traffic situation
Figure 1: A typical Software architecture for ADAS functions
6 kB; Jpeg Bild
159 kB; Jpeg Bild
Figure 2- Diagnostic data volumes
14 kB; Jpeg Bild
Figure 1 Session Capture and Storage
22 kB; Jpeg Bild
Bild 2: Volumen der gesammelten Diagnosedaten. (© KPIT)
Mentor Automotive
Bild 1: Datenerfassung und -speicherung. (© KPIT)
380 kB; Windows Bitmap
Continuous Integration. (© KPIT)
472 kB; Windows Bitmap
SOA mit Adaptive AUTOSAR (© KPIT)
112 kB; PNG Bild
Fig. 1- Ecosystem Visualization
49 kB; PNG Bild
Fig. 2- Reference Architecture [A]
Bild 3: Einsatz mit H/W-Ressourcenbeschränkungen. (© KPIT)
25 kB; Jpeg Bild
Bild 2: Referenz-Architektur. (© KPIT)
18 kB; Jpeg Bild
Bild 1: Ökosystemvisualisierung (© KPIT)
17 kB; Jpeg Bild
Amit Shah, Software Architect - Vehicle Diagnostics, KPIT Technologies
19 kB; Jpeg Bild
148 kB; Jpeg Bild
126 kB; Jpeg Bild
9 kB; Jpeg Bild
Bild 4: Netzwerkarchitektur (© KPIT)
11 kB; Jpeg Bild
Bild 3: SECC-Stack (© KPIT)
Bild 2: KPIT-Testarchitektur (© KPIT)
Bild 1: Standardtestarchitektur für die ISO15118, Teil 4. (© KPIT)
42 kB; Jpeg Bild
Figure 8: GUI
80 kB; Jpeg Bild
Figure 7: Network Architecture
40 kB; Jpeg Bild
Figure 6: SECC stack
44 kB; Jpeg Bild
Figure 5: Test Architecture using real hardware
Figure 4: Test Architecture in simulated mode
34 kB; Jpeg Bild
Figure 3: KPIT Test Architecture
36 kB; Jpeg Bild
Figure 2: ISO15118 - Part4 Standard Test Architecture
Figure 1: ISO15118 OSI Model
33 kB; PNG Bild
KPIT gibt die neuesten Upgrades seiner Produktfamilie für die Fahrzeugdiagnose bekannt
3 MB; Jpeg Bild
Dr. Kay Segler
Figure 4
Figure 3
Figure 2: Safety Phase
58 kB; Jpeg Bild
Figure 1: Vehicle Platform
Bild 4: Hauptkonzepte der Sicherheitserweiterungen
30 kB; Jpeg Bild
Bild 3: AUTOSAR-Sicherheitserweiterungen
Bild 2: Sicherheitsphase
Bild 1: Fahrzeugplattform
60 kB; Jpeg Bild
Abbildung 2: Kommunikationsarchitektur
67 kB; Jpeg Bild
Abbildung 1: Vaillant Diagnose Plattform
45 kB; Jpeg Bild
In dem im Bild dargestellten Beispiel eines Wassererhitzers sind im Systemmodell die Systemkomponenten, ihre hierarchische Struktur sowie die Verbindungen zwischen den Systemkomponenten enthalten
12 kB; Jpeg Bild
Frederic Ramioulle
251 kB; Jpeg Bild
Axel Weese
923 kB; Jpeg Bild
ALWAYS CLOSE TO YOU!
505 kB; Jpeg Bild
I2S_eCOM
11 kB; PNG Bild
LOGO transparent
162 kB; PNG Bild
OTXStudio
2 MB; TIFF Bild
IN2S LOGO
