論文の概要: ASIL-Decomposition Based Resource Allocation Optimization for Automotive E/E Architectures

• arxiv url: http://arxiv.org/abs/2505.07881v1
• Date: Sat, 10 May 2025 15:48:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-14 20:57:54.250256
• Title: ASIL-Decomposition Based Resource Allocation Optimization for Automotive E/E Architectures
• Title（参考訳）: 自動車E/EアーキテクチャのためのASIL分解に基づく資源配分最適化
• Authors: Dorsa Zaheri, Hans-Christian Reuss,
• Abstract要約: ソフトウェアコンポーネントを利用可能なハードウェアリソースに自動的にマッピングするアプローチを提案する。 既存のフレームワークと比較して,本手法はISO 26262規格に準拠した幅広い安全性解析を提供する。 我々は,臨界関数連鎖の開発コストと最大実行時間の両方を最小化するために,多目的最適化問題を定式化する。
• 参考スコア（独自算出の注目度）: 0.4143603294943439
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recent years have brought a surge of efforts in rethinking the vehicle's electrical and/or electronic (E/E) architecture as well as the development process to reduce complexity and enable automation, connectivity, and electromobility. Resource allocation is an important step of the development process that can influence the quality of the designed system. As the design space is large and complex, intuitive design can turn into a time-consuming process with sub-optimal solutions. Here, we present an approach to automatically map software components to available hardware resources. Compared to existing frameworks, our method provides a wider range of safety analyses in compliance with the ISO 26262 standard, encompassing aspects such as reliability, task scheduling, and automotive safety integrity level (ASIL) compatibility. We propose an integer linear programming (ILP)-based approach to perform the ASIL decomposition technique specified by the standard. This technique proves beneficial when suitable hardware resources are unavailable for a safety-critical application. We formulate a multi-objective optimization problem to minimize both the development cost and the maximum execution times of critical function chains. The effectiveness of the proposed approach is investigated on an exemplary case study, and the results of the performance analysis are presented and discussed.
• Abstract（参考訳）: 近年、車両の電気的および/または電子的(E/E)アーキテクチャを再考する努力が急増し、複雑さを減らし、自動化、接続性、電気移動性を実現するための開発プロセスが進められている。 リソース割り当ては、設計されたシステムの品質に影響を与える開発プロセスの重要なステップである。 デザイン空間は巨大で複雑であるため、直感的なデザインは、最適以下のソリューションで時間を要するプロセスになる可能性がある。 本稿では,ソフトウェアコンポーネントを利用可能なハードウェアリソースに自動的にマッピングする手法を提案する。 既存のフレームワークと比較して,本手法は信頼性,タスクスケジューリング,自動車安全整合性(ASIL)の両面を含む,ISO 26262標準に準拠した幅広い安全性解析を提供する。 本稿では, 整数線形計画法(ILP)に基づくASIL分解手法を提案する。 この技術は、安全クリティカルなアプリケーションでは適切なハードウェアリソースが利用できない場合に有益である。 我々は,臨界関数連鎖の開発コストと最大実行時間の両方を最小化するために,多目的最適化問題を定式化する。 提案手法の有効性を模範事例として検討し,性能解析の結果について考察した。

関連論文リスト

• Edge-Cloud Collaborative Computing on Distributed Intelligence and Model Optimization: A Survey [59.52058740470727]
  エッジクラウドコラボレーティブコンピューティング(ECCC)は、現代のインテリジェントアプリケーションの計算要求に対処するための重要なパラダイムとして登場した。 AIの最近の進歩、特にディープラーニングと大規模言語モデル(LLM)は、これらの分散システムの能力を劇的に向上させてきた。 この調査は、基本的なアーキテクチャ、技術の実現、新しいアプリケーションに関する構造化されたチュートリアルを提供する。
  論文  参考訳（メタデータ） (2025-05-03T13:55:38Z)
• An Explainable Reconfiguration-Based Optimization Algorithm for Industrial and Reliability-Redundancy Allocation Problems [2.0338893626951635]
  AI-AEFA(AI-AEFA)は、大規模産業・信頼性・冗長性割り当て問題に対処するために設計されたメタヒューリスティックアルゴリズムである。 このアルゴリズムは、IEEE CEC 2017の28の制約付きベンチマーク問題、15の大規模産業最適化問題、7の信頼性-冗長割り当て問題に検証されている。 その結果、AI-AEFAは、堅牢でスケーラブルで解釈可能な最適化ツールであり、重要な現実世界のアプリケーションであることを確認した。
  論文  参考訳（メタデータ） (2025-04-02T03:33:48Z)
• A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
  大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。 これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。 本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
  論文  参考訳（メタデータ） (2024-12-18T14:11:15Z)
• Towards Single-System Illusion in Software-Defined Vehicles -- Automated, AI-Powered Workflow [3.2821049498759094]
  本稿では,車載ソフトウェアシステムの開発における,新しいモデルと特徴に基づくアプローチを提案する。 提案されたアプローチの重要なポイントの1つは、近代的な生成AI、特にLarge Language Models(LLM)の導入である。 その結果、パイプラインは広範囲に自動化され、各ステップでフィードバックが生成される。
  論文  参考訳（メタデータ） (2024-03-21T15:07:57Z)
• Dynamic Decision Making in Engineering System Design: A Deep Q-Learning Approach [1.3812010983144802]
  本稿では,Deep Q-learningアルゴリズムを用いてエンジニアリングシステムの設計を最適化するフレームワークを提案する。 目的は、不確実性の複数のソースが与えられたシミュレーションモデルの出力を最大化するポリシーを見つけることである。 複数の不確実性が存在する場合の2つの工学系設計問題を解くことで,提案手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-12-28T06:11:34Z)
• Evaluating Model-free Reinforcement Learning toward Safety-critical Tasks [70.76757529955577]
  本稿では、国家安全RLの観点から、この領域における先行研究を再考する。 安全最適化と安全予測を組み合わせた共同手法であるUnrolling Safety Layer (USL)を提案する。 この領域のさらなる研究を容易にするため、我々は関連するアルゴリズムを統一パイプラインで再現し、SafeRL-Kitに組み込む。
  論文  参考訳（メタデータ） (2022-12-12T06:30:17Z)
• Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with Heterogeneous Learning Tasks [53.1636151439562]
  モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。 再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。 具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
  論文  参考訳（メタデータ） (2020-12-25T07:08:50Z)
• Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
  セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。 本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T12:38:21Z)
• Optimal by Design: Model-Driven Synthesis of Adaptation Strategies for Autonomous Systems [9.099295007630484]
  我々は,自律システムのための最適適応戦略のモデルベース要求駆動型合成のためのフレームワークであるOptimal by Design (ObD)を提案する。 ObDは、自己適応システムの基本的な要素、すなわちシステム、能力、要求、環境の高レベルな記述のためのモデルを提案する。 これらの要素に基づいてマルコフ決定プロセス(MDP)が構築され、最適な戦略や最も報いるシステム行動を計算する。
  論文  参考訳（メタデータ） (2020-01-16T12:49:55Z)

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。