論文の概要: SimSched: A tool for Simulating Autosar Implementaion in Simulink
- arxiv url: http://arxiv.org/abs/2308.14974v1
- Date: Tue, 29 Aug 2023 02:02:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 12:14:34.106764
- Title: SimSched: A tool for Simulating Autosar Implementaion in Simulink
- Title(参考訳): SimSched: SimulinkにおけるAutosar実装のシミュレーションツール
- Authors: Jian Chen, Manar H. Alalfi, Thomas R. Dean, Ramesh S
- Abstract要約: 非ゼロシミュレーション時間でタスクをスケジュールできるSimulinkブロックを提案する。
本稿では,タスクのタイミング特性をモデル化するために,Simulink環境を拡張した。
- 参考スコア(独自算出の注目度): 5.1533459319215975
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: AUTOSAR (AUTomotive Open System ARchitecture) is an open industry standard
for the automotive sector. It defines the three-layered automotive software
architecture. One of these layers is the application layer, where functional
behaviors are encapsulated in Software Components (SW-Cs). Inside SW-Cs, a set
of runnable entities represents the internal behavior and is realized as a set
of tasks. To address AUTOSAR's lack of support for modeling behaviors of
runnables, languages such as Simulink are employed. Simulink simulations assume
Simulink block behaviors are completed in zero execution time, while real
execution requires a finite execution time. This timing mismatch can result in
failures to detect unexpected runtime behaviors during the simulation phase.
This paper extends the Simulink environment to model the timing properties of
tasks. We present a Simulink block that can schedule tasks with non-zero
simulation times. It enables a more realistic analysis during model
development.
- Abstract(参考訳): AUTOSAR(AUTomotive Open System ARchitecture)は、自動車業界におけるオープン産業標準である。
3層自動車ソフトウェアアーキテクチャを定義する。
これらのレイヤの1つはアプリケーション層で、機能的な振る舞いはソフトウェアコンポーネント(sw-cs)にカプセル化される。
SW-Cの内部では、実行可能なエンティティのセットが内部動作を表し、タスクのセットとして実現される。
AUTOSARがランナブルのモデリング動作をサポートしていないことに対処するために、Simulinkのような言語が使われている。
simulinkシミュレーションはシミュリンクブロックの動作がゼロの実行時間で完了すると仮定し、実際の実行は有限の実行時間を必要とする。
このタイミングミスマッチは、シミュレーションフェーズ中に予期せぬランタイム動作を検出する障害を引き起こす可能性がある。
本稿では,タスクのタイミング特性をモデル化するためにsimulink環境を拡張する。
非ゼロのシミュレーション時間でタスクをスケジュールできるsimulinkブロックを提案する。
モデル開発中により現実的な分析を可能にする。
関連論文リスト
- Design-Space Exploration of SNN Models using Application-Specific Multi-Core Architectures [0.3599866690398789]
RAVSimは最先端のSNNシミュレータであり、彼らのウェブサイトで公式モジュールとして公開されている。
RAVSimは、ユーザがモデルと対話し、出力集中の振る舞いを観察し、シミュレーション実行中いつでもパラメトリック値のセットを変更することができる実行時仮想シミュレーション環境である。
論文 参考訳(メタデータ) (2024-02-07T20:41:00Z) - GarchingSim: An Autonomous Driving Simulator with Photorealistic Scenes
and Minimalist Workflow [24.789118651720045]
光実写シーンを用いた自律走行シミュレータを提案する。
シミュレータはROS2またはSocket.IOを介して外部アルゴリズムと通信することができる。
シミュレータ内に高精度な車両力学モデルを実装し,車体効果の現実性を高める。
論文 参考訳(メタデータ) (2024-01-28T23:26:15Z) - Informal Safety Guarantees for Simulated Optimizers Through
Extrapolation from Partial Simulations [0.0]
自己教師付き学習は、最先端の言語モデリングのバックボーンである。
自己教師付きデータセットにおける予測損失を伴うトレーニングはシミュレータを引き起こすと論じられている。
論文 参考訳(メタデータ) (2023-11-29T09:32:56Z) - Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous
Driving Research [76.93956925360638]
Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。
TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。
我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
論文 参考訳(メタデータ) (2023-10-12T20:49:15Z) - Optimising Highly-Parallel Simulation-Based Verification of
Cyber-Physical Systems [0.0]
サイバー物理システム(CPS)は多くの産業関連領域で発生し、しばしばミッションクリティカルまたは安全クリティカルである。
CPSのシステムレベル検証(SLV)は、与えられた(例えば、安全か生きか)仕様が満たされているか、あるいはある価値を推定することを保証することを目的としている。
論文 参考訳(メタデータ) (2023-07-28T08:08:27Z) - SimMTM: A Simple Pre-Training Framework for Masked Time-Series Modeling [82.69579113377192]
SimMTM は Masked Time-Series Modeling のための単純な事前トレーニングフレームワークである。
SimMTMは、多様体の外にある複数の隣人の重み付けによるマスク付き時間点の復元を行う。
SimMTMは、最も先進的な時系列事前学習法と比較して、最先端の微調整性能を実現する。
論文 参考訳(メタデータ) (2023-02-02T04:12:29Z) - SimCS: Simulation for Domain Incremental Online Continual Segmentation [60.18777113752866]
既存の継続学習アプローチは、主にクラス増分設定における画像分類に焦点を当てている。
シミュレーションデータを用いて連続学習を規則化するパラメータフリー手法であるSimCSを提案する。
論文 参考訳(メタデータ) (2022-11-29T14:17:33Z) - SimNet: Computer Architecture Simulation using Machine Learning [3.7019798164954336]
この研究では、機械学習(ML)を使用して離散イベントシミュレーションを加速する共同作業について説明します。
提案した命令遅延予測器に基づいて,GPU加速並列シミュレータを実装した。
そのシミュレーション精度とスループットを、最先端シミュレータに対して検証し、評価する。
論文 参考訳(メタデータ) (2021-05-12T17:31:52Z) - Auto-Tuned Sim-to-Real Transfer [143.44593793640814]
シミュレーションで訓練されたポリシーは、しばしば現実世界に移されるときに失敗する。
ドメインのランダム化のようなこの問題に取り組む現在のアプローチには、事前の知識とエンジニアリングが必要である。
実世界に合わせてシミュレータシステムパラメータを自動的にチューニングする手法を提案する。
論文 参考訳(メタデータ) (2021-04-15T17:59:55Z) - TrafficSim: Learning to Simulate Realistic Multi-Agent Behaviors [74.67698916175614]
リアル交通シミュレーションのためのマルチエージェント行動モデルであるTrafficSimを提案する。
特に、暗黙の潜在変数モデルを利用して、共同アクターポリシーをパラメータ化する。
TrafficSimは、多様なベースラインと比較して、より現実的で多様なトラフィックシナリオを生成します。
論文 参考訳(メタデータ) (2021-01-17T00:29:30Z) - Reactive Long Horizon Task Execution via Visual Skill and Precondition
Models [59.76233967614774]
シミュレーションで学習したモデルを用いて、単純なタスクプランナの構成要素をグラウンド化することで、見知らぬロボットタスクを達成できるシミュレート・トゥ・リアル・トレーニングのアプローチについて述べる。
シミュレーションでは91.6%から98%,実世界の成功率は10%から80%に増加した。
論文 参考訳(メタデータ) (2020-11-17T15:24:01Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。