数字IC验证 - Portable Stimulus Standard(PSS) SoC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。数字IC验证 - Portable Stimulus Standard(PSS) Uart IP级测试用例此测试用例在数字IC验证 - Portable Stimulus Standard(PSS) Uart IP级测试用例 的基础之上,进一步在SoC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,SoC系统可以通过处理器核对uart寄存器进行读写,因此可以将写接口xpss_scalar_write32和读接口xpss_scalar_read32实现为IO内存读写。

#define xpss_raw_write8(addr, val) asm volatile("sb %0, 0(%1)" :: "r"(val), "r"(addr))
#define xpss_raw_write16(addr, val) asm volatile("sh %0, 0(%1)" :: "r"(val), "r"(addr))
#define xpss_raw_write32(addr, val) asm volatile("sw %0, 0(%1)" :: "r"(val), "r"(addr))
#define xpss_raw_write64(addr, val) asm volatile("sd %0, 0(%1)" :: "r"(val), "r"(addr))

#define xpss_raw_read8(addr) ({ \
    xpss_uint8_t val;
    asm volatile ("lb %0, 0(%1)" : "=r"(val) : "r"(addr)); \
    val; \
})

#define xpss_raw_read16(addr) ({ \
    xpss_uint16_t val;
    asm volatile ("lh %0, 0(%1)" : "=r"(val) : "r"(addr)); \
    val; \
})

#define xpss_raw_read32(addr) ({ \
    xpss_uint32_t val;
    asm volatile ("lw %0, 0(%1)" : "=r"(val) : "r"(addr)); \
    val; \
})

#define xpss_raw_read64(addr) ({ \
    xpss_uint64_t val;
    asm volatile ("ld %0, 0(%1)" : "=r"(val) : "r"(addr)); \
    val; \
})

#define xpss_scalar_write8(addr, val) ({ xpss_io_wmb; xpss_raw_write8(addr, val); })
#define xpss_scalar_write16(addr, val) ({ xpss_io_wmb; xpss_raw_write16(addr, val); })
#define xpss_scalar_write32(addr, val) ({ xpss_io_wmb; xpss_raw_write32(addr, val); })
#define xpss_scalar_write64(addr, val) ({ xpss_io_wmb; xpss_raw_write64(addr, val); })

#define xpss_scalar_read8(addr, val)  ({ (*val) = xpss_raw_read8(addr); xpss_io_rmb(); })
#define xpss_scalar_read16(addr, val)  ({ (*val) = xpss_raw_read16(addr); xpss_io_rmb(); })
#define xpss_scalar_read32(addr, val)  ({ (*val) = xpss_raw_read32(addr); xpss_io_rmb(); })
#define xpss_scalar_read64(addr, val)  ({ (*val) = xpss_raw_read64(addr); xpss_io_rmb(); })

       将pss_top component中insts的inst[0]和inst[1]配置为riscv架构的EMBEDDED_TYPE绑定为嵌入式线程。

component pss_top {

  exec init_down {
    // bind threads to exectors
    insts.inst[0].tag = "riscv_core0";
    insts.inst[0].agent_context_type = EMBEDDED_TYPE;
    insts.inst[1].tag = "riscv_core1";
    insts.inst[1].agent_context_type = EMBEDDED_TYPE;
    insts.inst[2].tag = "uart0";
    insts.inst[2].agent_context_type = UVM_TYPE;
  };
}

从Uart IP级测试用例到SoC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IO内存写xpss_scalar_write32和读xpss_scalar_read32 HSI接口;

2. 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SoC系统测试用例,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(...);
 
  soc x_soc(
    .i_pad_rst_b            (rst_b),
    .i_pad_clk              (sys_clk),
    ...
    .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,test_case.c文件编译为可执行bin/hex文件由SoC核执行,test_sv_case.c文件跟Uart IP级测试用例一样编译执行。

         在vcs下的仿真结果:

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
,发送类别,概率,以及物体在相机坐标系下的xyz.zip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
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