SOA におけるソフトウェア アーキテクチャ設計とソフトウェアとハードウェアの分離方法論
次世代の集中電子および電気アーキテクチャでは、中央ゾーンの中央コンピューティング ユニットと地域コントローラ レイアウトの使用が、さまざまな OEM または Tier1 プレーヤーにとって必須のオプションとなっています。中央コンピューティング ユニットのアーキテクチャに関しては、 SOC の分離、ハードウェアの分離、ソフトウェアの仮想化の 3 つの方法があります。集中型の中央コンピューティング ユニットは、自動運転、スマート コックピット、車両制御の 3 つの主要領域の中核となるビジネス機能を統合し、標準化された地域コントローラーは、配電、データ サービス、地域ゲートウェイの 3 つの主要な役割を担います。したがって、中央演算装置には高スループットのイーサネット スイッチが統合されます。
車両全体の統合度がますます高くなるにつれて、より多くの ECU 機能が徐々に地域コントローラーに吸収されるようになります。プラットフォームベースの地域コントローラーは、同じハードウェア設計と同じ IO インターフェイスを使用するため、さまざまなモデルのスケーラビリティ要件をより適切に満たすことができます。したがって、地域制御は車両ハードウェア抽象化の重要な機能も引き受けます。この 2 つは、本来の Can 通信の代わりに高速イーサネットを使用して相互に接続します。要約すると、スケーラブルな電子アーキテクチャは、モデル間のハードウェアの違いを保護するものです。通信ネットワーク内で使用される地域コントローラの数に関係なく、それらの相互通信モードは同じルールに従います。同時に、地域コントローラーは、ローカル エリア ネットワーク内で ECU 機能を抽象化する責任も負います。
中央コンピューティング プラットフォームをコアとする上記の集中型アーキテクチャは、チップのアップグレードをサポートできる統合センサーと周辺機器インターフェイスをセットアップしています。 -自動車のライフサイクル中にハードウェアをアップグレードできるため、自動車のインテリジェントなライフサイクルを延長できます。各地域コントローラーには独自のオペレーティング システム ミドルウェア SOA コア ミドルウェアがあり、分散コンピューティングおよび通信フレームワークを提供し、さまざまなオペレーティング システムのカーネルの違いを保護し、上位側に統一されたサービス開発フレームワークを提供できます。関連する機能には、サービス管理、ネットワーク管理、通信管理、アップグレード、診断、ログ、ステータスなどが含まれます。
この記事では、ソフトウェアとハードウェアの分離の方向に焦点を当て、SOA 用にソフトウェアとハードウェアをデプロイする方法を説明します。
#01 SOA ソフトウェア アーキテクチャの設計原則次の図は、一般的な SOA ソフトウェア アーキテクチャの設計原則を示しています。このサービス指向開発アーキテクチャは、実際にはサービス指向開発のための SOA アーキテクチャ モデル ソリューションであり、製品マネージャーはサービス設計に集中できる一方、システム ソフトウェアは製品開発プロセスに深く入り込むことができ、これは自動車ソフトウェア危機に対する解決策でもあります。大きな進歩です。 SOA アーキテクチャ全体は、論理アーキテクチャによって構築されるソフトウェアとハードウェアの分離システム、およびサービス アーキテクチャによって完成されるサービスの抽象化と適応として要約でき、最終的には標準化されたサービス システムが確立されます。電子および電気アーキテクチャ: スケーラブルなアーキテクチャ (または、スケーラブルなアーキテクチャ) を設計します。コンピューティングおよび通信アーキテクチャなど)は、問題をより迅速に発見できるように、開発段階でのソフトウェア変更の連鎖反応や統合テストでの問題の集中発生を回避するために、階層化設計、階層化テスト、階層化検証の要件を満たす必要があります。ソフトウェアのバージョンをより迅速に変更できます。
ハードウェア コンピューティング プラットフォーム: スケーラブルなハードウェア プラットフォームには、SOA 基本サービス管理と SOA ハードウェア I/O 制御管理が含まれており、自動運転システムの複数のセンサーや外部デバイスと互換性があり、複数の異種チップとハードウェアのアップグレード。
オペレーティング システム カーネル/サービス ミドルウェア:ファイルのスケジューリングと駆動の中核として、オペレーティング システムは、ソフトウェアとハードウェアの分離とハードウェア機能のソフトウェア展開をサポートする際に最適な制御を実現できます。
通信アーキテクチャ: 通信アーキテクチャのスケーラビリティにより、プラットフォーム ベースのモデルの開発に迅速に適応できます。モデル間の違いは最小限に抑えることができ、現行世代の製品を利用して通信を拡張することで、多くの追加開発作業を行う必要がなく、その後の製品ラインのメンテナンスのプレッシャーを大幅に軽減できます。
車両制御のリアルタイム要件を満たすために、コアネットワークにはTSNなどの信頼性の高い通信技術が採用されます。地域コントローラ配下の LAN では、CAN や Lin などの従来の通信方式が引き続き存在します。ローカル エリア ネットワーク内の通信は従来の信号の形式で実行できますが、コア イーサネット バックボーン ネットワークでは、データはサービスの形式でやり取りされるため、DDS などの通信ミドルウェアが必要になります。サービス層/アプリケーション層: 標準化されたサービス層とオーケストレーション可能なアプリケーション層には、SOA システム機能管理、ユニット ドメイン機能管理、車両機能制御管理、クラウド サービス管理が含まれます。
02SOA におけるデバイス抽象化テクノロジ
中央ドメイン制御を中心としたソフトウェア アーキテクチャにおけるコア テクノロジの展開の詳細な分析の前にコアとなるため、詳細な分析が必要です。関連する重要な概念をいくつか説明します。 Autosar のセンサー/アクチュエーターの設計パターンは、ECU がアーキテクチャ全体のコンテキストでループ内のセンサー/アクチュエーターをどのように処理するかを記述します。BEG デバイス抽象化は RTE (試行環境の最上位) 上にあります。これは、特定の ECU に接続されたセンサーおよびアクチュエーターから抽象化されたソフトウェア コンポーネントのセットです。センサーまたはアクチュエーター ソフトウェア コンポーネントを使用し、RTE です。 ECU 抽象インターフェイスへのアクセスを許可する唯一のコンポーネント。デバイス抽象化は、ピクセル、点群、電圧、PWM 信号、デジタル信号/メッセージ、周波数などのセンサーとアクチュエーターの生の信号を抽出し、物理インターフェイス (ピクセル、点群、圧力、質量、温度など) を提供します。実際には、デバイスの抽象化により、電圧値、デジタル信号、点群などの物理値の変換が完了します。
デバイスの抽象化は、プラットフォーム ソフトウェアと基礎となるドライバー ソフトウェアを介した、さまざまなハードウェア バリアント間でのアプリケーション層ソフトウェアの互換性を反映します。
表 1 プラットフォーム ソフトウェアと機器 (センサー) の抽象的な関係
抽象的な階層化 |
機能 |
動作原理 |
動作の詳細 |
||||||||||||||||||||
プラットフォーム ソフトウェア |
元の取得値、出力電圧値を入力 ソフトウェアとハードウェアの接続を切り離す |
物理的特性の独自のインターフェイスを提供します |
機械的特性、電気的特性、機能的特性、および手順的特性。 |
||||||||||||||||||||
#電気機器ドライバー | 入力電圧値、出力フィルター電圧値センサーの測定を確認
|
# 電気デバイス ドライバー ソフトウェアの電気診断 (接地、バッテリーの短絡、開回路などの検出) # を実行します。 | ##ノイズ除去フィルタセンサーが外部から電源供給されている場合の電圧補償 |
||||||||||||||||||||
# センサー デバイス ドライバー | #入力電圧値、ピクセル、点群、温度値などの出力センサー値
さまざまなセンサーの違いを分離する | センサー デバイス ドライバーを実行する;
センサーの物理的な動作を制御する; | ·生の信号(電気信号)から物理値への変換;
·ゼロ点とオフセットの調整 ·測定値のドリフト検出 ·診断チェック ・物理値チェック ##・フィルタリング機能(ダウンサンプリング含む) ##仮想デバイスドライバ |
||||||||||||||||||||
#センサーの仮想デバイス ドライバーは、ソフトウェア プログラムの物理的表現によって抽象化されます
·信号品質評価
| ·信号の元の値の補正#·信号の元の値の検証 | #·機能テスト診断インターフェイス
#表 2 プラットフォーム ソフトウェアとデバイス (実行者) の抽象的な関係
|
以上がSOA におけるソフトウェア アーキテクチャ設計とソフトウェアとハードウェアの分離方法論の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。

ホットAIツール

Undresser.AI Undress
リアルなヌード写真を作成する AI 搭載アプリ

AI Clothes Remover
写真から衣服を削除するオンライン AI ツール。

Undress AI Tool
脱衣画像を無料で

Clothoff.io
AI衣類リムーバー

AI Hentai Generator
AIヘンタイを無料で生成します。

人気の記事

ホットツール

メモ帳++7.3.1
使いやすく無料のコードエディター

SublimeText3 中国語版
中国語版、とても使いやすい

ゼンドスタジオ 13.0.1
強力な PHP 統合開発環境

ドリームウィーバー CS6
ビジュアル Web 開発ツール

SublimeText3 Mac版
神レベルのコード編集ソフト(SublimeText3)

ホットトピック









StableDiffusion3 の論文がついに登場しました!このモデルは2週間前にリリースされ、Soraと同じDiT(DiffusionTransformer)アーキテクチャを採用しており、リリースされると大きな話題を呼びました。前バージョンと比較して、StableDiffusion3で生成される画像の品質が大幅に向上し、マルチテーマプロンプトに対応したほか、テキスト書き込み効果も向上し、文字化けが発生しなくなりました。 StabilityAI は、StableDiffusion3 はパラメータ サイズが 800M から 8B までの一連のモデルであると指摘しました。このパラメーター範囲は、モデルを多くのポータブル デバイス上で直接実行できることを意味し、AI の使用を大幅に削減します。

自動運転では軌道予測が重要な役割を果たしており、自動運転軌道予測とは、車両の走行過程におけるさまざまなデータを分析し、将来の車両の走行軌跡を予測することを指します。自動運転のコアモジュールとして、軌道予測の品質は下流の計画制御にとって非常に重要です。軌道予測タスクには豊富な技術スタックがあり、自動運転の動的/静的知覚、高精度地図、車線境界線、ニューラル ネットワーク アーキテクチャ (CNN&GNN&Transformer) スキルなどに精通している必要があります。始めるのは非常に困難です。多くのファンは、できるだけ早く軌道予測を始めて、落とし穴を避けたいと考えています。今日は、軌道予測に関するよくある問題と入門的な学習方法を取り上げます。関連知識の紹介 1. プレビュー用紙は整っていますか? A: まずアンケートを見てください。

この論文では、自動運転においてさまざまな視野角 (遠近法や鳥瞰図など) から物体を正確に検出するという問題、特に、特徴を遠近法 (PV) 空間から鳥瞰図 (BEV) 空間に効果的に変換する方法について検討します。 Visual Transformation (VT) モジュールを介して実装されます。既存の手法は、2D から 3D への変換と 3D から 2D への変換という 2 つの戦略に大別されます。 2D から 3D への手法は、深さの確率を予測することで高密度の 2D フィーチャを改善しますが、特に遠方の領域では、深さ予測に固有の不確実性により不正確さが生じる可能性があります。 3D から 2D への方法では通常、3D クエリを使用して 2D フィーチャをサンプリングし、Transformer を通じて 3D と 2D フィーチャ間の対応のアテンション ウェイトを学習します。これにより、計算時間と展開時間が増加します。

SpringDataJPA は JPA アーキテクチャに基づいており、マッピング、ORM、トランザクション管理を通じてデータベースと対話します。そのリポジトリは CRUD 操作を提供し、派生クエリによりデータベース アクセスが簡素化されます。さらに、遅延読み込みを使用して必要な場合にのみデータを取得するため、パフォーマンスが向上します。

論文のアドレス: https://arxiv.org/abs/2307.09283 コードのアドレス: https://github.com/THU-MIG/RepViTRepViT は、モバイル ViT アーキテクチャで優れたパフォーマンスを発揮し、大きな利点を示します。次に、この研究の貢献を検討します。記事では、主にモデルがグローバル表現を学習できるようにするマルチヘッド セルフ アテンション モジュール (MSHA) のおかげで、軽量 ViT は一般的に視覚タスクにおいて軽量 CNN よりも優れたパフォーマンスを発揮すると述べられています。ただし、軽量 ViT と軽量 CNN のアーキテクチャの違いは十分に研究されていません。この研究では、著者らは軽量の ViT を効果的なシステムに統合しました。

Go フレームワーク アーキテクチャの学習曲線は、Go 言語とバックエンド開発への慣れ、選択したフレームワークの複雑さ、つまり Go 言語の基本の十分な理解によって決まります。バックエンドの開発経験があると役立ちます。フレームワークの複雑さが異なると、学習曲線も異なります。

この四角い男性は、目の前にいる「招かれざる客」の正体について考えながら眉をひそめていることに注意してください。彼女が危険な状況にあることが判明し、これに気づくと、彼女は問題を解決するための戦略を見つけるためにすぐに頭の中で探索を始めました。最終的に、彼女は現場から逃走し、できるだけ早く助けを求め、直ちに行動を起こすことにしました。同時に、反対側の人も彼女と同じことを考えていた……『マインクラフト』では、登場人物全員が人工知能によって制御されている、そんなシーンがありました。それぞれに個性的な設定があり、例えば先ほどの女の子は17歳ながら賢くて勇敢な配達員です。彼らは記憶力と思考力を持ち、Minecraft の舞台となるこの小さな町で人間と同じように暮らしています。彼らを動かすのはまったく新しいものであり、

9 月 23 日、論文「DeepModelFusion:ASurvey」が国立国防技術大学、JD.com、北京理工大学によって発表されました。ディープ モデルの融合/マージは、複数のディープ ラーニング モデルのパラメーターまたは予測を 1 つのモデルに結合する新しいテクノロジーです。さまざまなモデルの機能を組み合わせて、個々のモデルのバイアスとエラーを補償し、パフォーマンスを向上させます。大規模な深層学習モデル (LLM や基本モデルなど) での深層モデルの融合は、高い計算コスト、高次元のパラメーター空間、異なる異種モデル間の干渉など、いくつかの課題に直面しています。この記事では、既存のディープ モデル フュージョン手法を 4 つのカテゴリに分類します。 (1) 「パターン接続」。損失低減パスを介して重み空間内の解を接続し、より適切な初期モデル フュージョンを取得します。
