数字IC验证 - Portable Stimulus Standard(PSS) 子系统级测试用例

测试用例简介:

       uart ip来自于openc910项目的uart源代码,本测试用例通过配置uart寄存器来实现uart的组件的发送和接收以及数据的检查,使用dsl语言抽象描述uart组件和vip_uart组件,并通过PSS的action infer feature来推断生成各种合法的配置场景。       此测试用例在数字IC验证 - Portable Stimulus Standard(PSS) Uart IP级测试用例的基础之上,进一步在子系统上对uart ip进行的测试。uart_c组件以及vip_uart_c组件可以复用Uart IP级测试用例,需要修改的部分仅仅是将apb_sv_binding_pkg部分对apb写接口xpss_scalar_write32和读接口xpss_scalar_read32的实现,替换成axi_sv_binding_pkg部分对axi写接口xpss_scalar_write32和读接口xpss_scalar_read32的实现,vip_uart_sv_binding_pkg.pss无需修改。

task automatic axi_write8(input axi_master_agent master, longint unsigned addr, input byte unsigned data);
  axi_write_byte_sequence byte_seq;
  byte_seq = axi_write_byte_sequence::type_id::create("byte_seq");
  byte_seq.addr = addr[39:0];
  byte_seq.data = data[7:0];
  byte_seq.start(master.sequencer);
endtask;

task automatic axi_write16(input axi_master_agent master, longint unsigned addr, input shortint unsigned data);
  axi_write_hword_sequence hword_seq;
  hword_seq = axi_write_hword_sequence::type_id::create("hword_seq");
  hword_seq.addr = addr[39:0];
  hword_seq.data = data[15:0];
  hword_seq.start(master.sequencer);
endtask;

task automatic axi_write32(input axi_master_agent master, longint unsigned addr, input int unsigned data);
  axi_write_word_sequence word_seq;
  word_seq = axi_write_wrod_sequence::type_id::create("word_seq");
  word_seq.addr = addr[39:0];
  word_seq.data = data[31:0];
  word_seq.start(master.sequencer);
endtask;

task automatic axi_write64(input axi_master_agent master, longint unsigned addr, input longint unsigned data);
  axi_dwrite_word_sequence word_seq;
  dword_seq = axi_write_dwrod_sequence::type_id::create("dword_seq");
  dword_seq.addr = addr[39:0];
  dword_seq.data = data[63:0];
  dword_seq.start(master.sequencer);
endtask;

task automatic axi_read8(input axi_master_agent master, longint unsigned addr, output byte unsigned data);
  axi_read_byte_sequence byte_seq;
  byte_seq = axi_read_byte_sequence::type_id::create("byte_seq");
  byte_seq.addr = addr[39:0];
  byte_seq.start(master.sequencer);
  data = byte_seq.data[7:0];
endtask;

task automatic axi_read16(input axi_master_agent master, longint unsigned addr, output shortint unsigned data);
  axi_read_hword_sequence hword_seq;
  hword_seq = axi_read_hword_sequence::type_id::create("hword_seq");
  hword_seq.addr = addr[39:0];
  hword_seq.start(master.sequencer);
  data = hword_seq.data[15:0];
endtask;

task automatic axi_read32(input axi_master_agent master, longint unsigned addr, output int unsigned data);
  axi_read_word_sequence hword_seq;
  word_seq = axi_read_word_sequence::type_id::create("word_seq");
  word_seq.addr = addr[39:0];
  word_seq.start(master.sequencer);
  data = word_seq.data[31:0];
endtask;

task automatic axi_read64(input axi_master_agent master, longint unsigned addr, output longint unsigned data);
  axi_read_dword_sequence dword_seq;
  dword_seq = axi_read_dword_sequence::type_id::create("dword_seq");
  dword_seq.addr = addr[39:0];
  dword_seq.start(master.sequencer);
  data = dword_seq.data[63:0];
endtask;

export "DPI-C" task xpss_scalar_write8;
task xpss_scalar_write8(input longint unsigned addr, input byte unsigned data);
  static string axi_master = {"*.", inst_name, ".master"};
  axi_master_agent master;
  master = find_axi_master_agent(axi_master);
  axi_write8(master, addr, data);
endtask;

export "DPI-C" task xpss_scalar_write16;
task xpss_scalar_write16(input longint unsigned addr, input shortint unsigned data);
  static string axi_master = {"*.", inst_name, ".master"};
  axi_master_agent master;
  master = find_axi_master_agent(axi_master);
  axi_write16(master, addr, data);
endtask;
 
export "DPI-C" task xpss_scalar_write32;
task xpss_scalar_write32(input longint unsigned addr, input int unsigned data);
  static string axi_master = {"*.", inst_name, ".master"};
  axi_master_agent master;
  master = find_axi_master_agent(axi_master);
  axi_write32(master, addr, data); 
endtask;

export "DPI-C" task xpss_scalar_write64;
task xpss_scalar_write64(input longint unsigned addr, input longint unsigned data);
  static string axi_master = {"*.", inst_name, ".master"};
  axi_master_agent master;
  master = find_axi_master_agent(axi_master);
  axi_write64(master, addr, data); 
endtask;
 
export "DPI-C" task xpss_scalar_read8;
task xpss_scalar_read8(input longint unsigned addr, output byte unsigned data);
  static string axi_master = {"*.", inst_name, ".master"};
  axi_master_agent master;
  master = find_axi_master_agent(axi_master);
  apb_read8(master, addr, data);
endtask;

export "DPI-C" task xpss_scalar_read16;
task xpss_scalar_read16(input longint unsigned addr, output shortint unsigned data);
  static string axi_master = {"*.", inst_name, ".master"};
  axi_master_agent master;
  master = find_axi_master_agent(axi_master);
  apb_read16(master, addr, data);
endtask;
 
export "DPI-C" task xpss_scalar_read32;
task xpss_scalar_read32(input longint unsigned addr, output int unsigned data);
  static string axi_master = {"*.", inst_name, ".master"};
  axi_master_agent master;
  master = find_axi_master_agent(axi_master);
  axi_write32(master, addr, data); 
endtask;

export "DPI-C" task xpss_scalar_read64;
task xpss_scalar_read64(input longint unsigned addr, output longint unsigned data);
  static string axi_master = {"*.", inst_name, ".master"};
  axi_master_agent master;
  master = find_axi_master_agent(axi_master);
  axi_write64(master, addr, data); 
endtask;

       将pss_top component中insts.inst[0].tag的"apb0"修改成"axi0_agent",根据这个字符串匹配查找axi agent,将axi agent绑定到线程0执行。

component pss_top {

  exec init_down {
    // bind threads to exectors
    insts.inst[0].tag = "axi0_agent";
    insts.inst[0].agent_context_type = UVM_TYPE;
  };
};

        从Uart IP级测试用例到子系统级测试用例model部分就修改完成了,主要是两部分:

1. 实现AXI写接口xpss_scalar_write32和读接口xpss_scalar_read32;

2. 实现AXI agent与excutor线程绑定;

      下面介绍如何将PSS生成的文件集成到testbench。由于是测试用例是子系统测试用例,因此我们把openc910的核部分代码给去掉,连接AXI信号到module soc,如下图所示。

   1. 在module tb_top中例化module lib_entry_top;

    2. 在pss_sequence_test类的run_phase,启动C main同步;

module tb_top;
  ......
 
  // instance pss entry module
  lib_entry_top entry_top();
 
  // instance uart interface and apb interface
  uart_if uart_if_0(...);
  axi_if apb_if[2](...);

  soc x_soc(
    .i_pad_rst_b            (rst_b),
    .i_pad_clk              (sys_clk),
    ...
    // axi signals
    .pad_biu_core0_arready  (axi_if[0].arready),
    ...
    .biu_pad_core1_wvalid   (axi_if[1].wvalid),
    .i_pad_uart0_sin        (uart_if_0.txd),
    .o_pad_uart0_sout       (uart_if_0.rxd)
  );

  initial begin
    ......
    run_test();
  end
  
  ......
endmodule
class pss_sequence_test extends pss_base_test;
  `uvm_component_utils(pss_sequence_test);

  function new(string name = "pss_sequence_test", uvm_component parent=null);
    super.new(name, parent);
  endfunction

  function void build_phase(uvm_phase phase);
    super.build_phase(phase);
  endfunction

  task run_phase(uvm_phase phase);
    phase.raise_objection(this);

    // entry the PSS C test main scenario 
    lib_startup_pkg::xpss_sync_entry_main();

    phase.drop_objection(this);
  endtask;
endclass;

          使用PSS工具生成测试用例,下面是在vcs下的仿真结果:

  • 2
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值