汽车电子软件开发:AutoSAR集成开发环境

有一阵子没有跟进汽车电子软件开发了,许久前参与一个项目,本人负责其中软件的设计,算是对此有一定了解,在此总结一下自己的认识。

 

汽车电子开发中软件内容大致包括三大类:(1)BSP开发,主要针对常见ECU开发平台编写板级支持包,例如Freescale的MPC5xx系列,Microchip的PIC单片机等。(2)操作系统,常见的有OSEK/VDX,例如Vector公司的osCAN,ETAS的RTA-OSEK等,参考[1]。(3)汽车电子应用软件,根据ECU的功能设计实现具体控制任务,此外应用软件还提供一些服务,针对大型的软件如多媒体服务、车载系统诊断、ACC等智能控制系统等。

 

在之前的设计中一般遵循V字流程,三类软件设计开发有顺序也有迭代。由于汽车电子开发的特殊性,决定了其软件在实时性、安全可靠性、分布式等方面要求较高,所以有了程序分析与验证等特殊要求。

 

1、OSEK/VDX操作系统:

1993年左右针对汽车电子嵌入式系统的一些特性,几个汽车产商推出了OSEk/VDX规范,包括OSEK/VDX操作系统规范、OIL规范、COM通讯规范等。这种静态的支持定制的强实时操作系统,与汽车电子应用紧密结合,在任务编写等方面较常见RTOS特殊。此外,最核心的还是其总线协议规范(如果没有总线协议部分,汽车电子软件开发应该是更加开放、并且没有门槛的)。

 

2、AutoSAR规范:

随着汽车电子开发厂家增加,软件的兼容性更加重要,于是推出了AutoSAR,将操作系统等规范为服务,并且通过RTE进行接口的统一封装。这样,各厂家、特别是广大的第三方软件就可以复用,降低了开发周期与开发成本,有利于整个汽车电子产业。

 

在AutoSAR中并没有被特别指定操作系统为OSEK/VDX,但绝大部分传统的汽车电子软件还是基于OSEKVDX,运行在低速的ECU上。在可以预见的未来,随着ECU成本降低和其他软件的成熟,可能将QNX或者vxworks、甚至Linux也未尝没有机会。

 

3、IDE开发环境:

社区已经出现了较多版本的开源操作系统,符合OSEK/VDX或AutoSAR规范,其开发难度也随着降低,此外还有一些商用的RTOS可以采用。所以,操作系统的设计关注程度降低。

但是如汽车电子等对实时性、安全可靠性有强要求的软件,其开发流程中一些关键点越来越受到重视。

如何将基于模型开发融合到传统开发流程中去,是一个值得研究的问题。

此外,模型的验证、从模型到代码自动生成,这些都亟待于解决的问题。虽然业界也有一些流程与规范,但是总体较为混乱。

例如,ECU控制器的功能通过Simulink和Stateflow进行仿真与验证,然后将模型通过RTW转换为代码。但宿主开发环境如果采用Vector公司的Davinci开发环境进行AutoSAR兼容的软件开发,此时两者之间怎样配合则是问题,就是说RTW生成的代码需要导入到Davinci开发环境中进行集成。并且支持模型的逆向修改等。

 

4、准备开展的工作

基于OSEK/VDX,通过RTE进行封装,满足AutoSAR规范(OSEK/VDX为之前CASOS修改版);

基于Eclipse等框架开发IDE,集成Cygwin下面的工具链,基于GUI方式进行OIL配置,代码编译调试(GNU Toolchains)。

集成简单建模功能(或者与simulink进行集成),模型验证(或者与UPPAAL进行集成),代码生成等功能。

 

阅读了一下网站上的AutoSAR规范,好快,都4.0版本出来了,国内已经有四家在里面了,虽然都是Associate Partener,可是一大可喜进步啊。查找了相关的IDE工具,能够升级一下原来的思路,发现一个不错的开源Arctic[2]。

 

 

参考索引:
[1] http://en.wikipedia.org/wiki/OSEK

[2] http://arccore.com/

[3] http://en.wikipedia.org/wiki/AUTOSAR

 

  • 6
    点赞
  • 37
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、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有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论 1
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