MétaCan
Menu
Retour à la cohorte
Enregistrement W3160136784 · doi:10.4271/2021-01-5050

Automated Generation of Automotive Open System Architecture Electronic Control Unit Configurations Using Xtend: Watchdog Driver Example

2021· article· en· W3160136784 sur OpenAlexaff
Usha Sreeram, Mohammed Khalid, Jan Noczensky

Notice bibliographique

RevueSAE technical papers on CD-ROM/SAE technical paper series · 2021
Typearticle
Langueen
DomaineComputer Science
ThématiqueReal-Time Systems Scheduling
Établissements canadiensUniversity of Windsor
Organismes subventionnairesnon disponible
Mots-clésElectronic control unitAutomotive industryComputer scienceArchitectureEmbedded systemAutomotive electronicsOpen architectureControl unitControl (management)Unit (ring theory)Automotive engineeringEngineeringOperating systemArtificial intelligenceSoftware

Résumé

récupéré en direct d'OpenAlex

Automotive Open System Architecture (AUTOSAR) is a system-level standard that is formed by the worldwide partnership of automotive manufacturers and suppliers who are working together to develop a standardized Electrical and Electronic (E/E) framework and architecture for automobiles. The AUTOSAR methodology has two main activities: system configuration and the Electronic Control Unit (ECU) configuration. The system configuration is the mapping of the software components to the ECUs based on the system requirements. The ECU configuration (EC) process is an important part of the ECU software integration and generation. ECU-specific information is extracted from the system configuration description, and all the necessary information for the implementation such as tasks, scheduling, and assignments of the runnables to tasks and configuration of the Basic Software (BSW) modules are performed. The EC process involves configuring every single module of the AUTOSAR. Due to the high complexity and redundancy of this process, it has to be supported by different tool-related editors that can automatically generate source files like *.c and *.h for the configuration. In this paper, we propose a method to automate the EC process for AUTOSAR. We use Module Configuration Templates (MCT) written in Xtend programming language along with a BSW configuration source code generator (BSG) Computer-Aided Design (CAD) tool developed at APAG Elektronik. This tool can extract the configuration parameters and automatically generate the required ECU module configuration. The watchdog module will be used as an example to generate and integrate the EC. This enables the seamless generation of the software configurations from the system-level requirements to the software implementation and therefore ensures consistency, correctness, and cost efficiency and reduces the work done by the developer to generate the configuration.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,030

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0090,002

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,028
Tête enseignante GPT0,274
Écart entre enseignants0,246 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSAE technical papers on CD-ROM/SAE technical paper seriesMême sujetReal-Time Systems SchedulingTravaux en français237 207