Kriterijum produkcije
(M23) Rad u međunarodnom časopisu kategorije M23 |
Opis
Rad "Documentation as Code in Automotive System/Software Engineering" predstavlja istraživanje primene pristupa Dokumentacija kao Kod (DaC) u automobilskoj industriji, u skladu sa ASPICE standardom i V-modelom. Istraživanje je sprovedeno sa više od 150 inženjera tokom godinu dana u realnom industrijskom okruženju. Prikazana je metodologija koja tretira dokumentaciju kao ravnopravni artefakt uz izvorni kod, koristeći Git za verzionisanje, Sphinx za generisanje dokumentacije, i Jenkins CI/CD za kontinuiranu isporuku. Rezultati pokazuju 35% manje prijavljenih defekata u poređenju sa projektima koji koriste tradicionalne metode. Rad demonstrira integraciju BDD (Behavior-Driven Development) i TDD (Test-Driven Development) metodologija, kao i automatizovano generisanje testova iz arhitektonskog modela. |
Kriterijum produkcije
(M23) Rad u međunarodnom časopisu kategorije M23 |
Opis
Rad "Power and Energy Consumption Models for Embedded Applications" predstavlja istraživanje modela za procenu potrošnje energije i snage u ugrađenim sistemima sa ultra-niskom potrošnjom. Istraživanje je sprovedeno na heterogenoj višejezgarnoj DSP platformi koja se koristi u slušnim aparatima. Definisane su metodologije za merenje statičke i dinamičke disipacije, bazne cene instrukcija i međuinstrukcijskog efekta. Izvedeni su matematički modeli za procenu srednje disipacije snage i ukupne potrošnje energije, parametrizovani napojnim naponom, taktnom frekvencijom i efektivnim kapacitetima. Validacija je izvršena na FIR filteru implementiranom na dva različita jezgra (gpDSP i naDSP), pri čemu je postignuta tačnost procene iznad 97%. Rezultati pokazuju da naDSP jezgro troši 4,5 puta manje energije za istu aplikaciju. Rad definiše osnovu za razvoj alata za procenu energetskog otiska i energetski-svesnog kompajlera. |
Kriterijum produkcije
(M23) Rad u međunarodnom časopisu kategorije M23 |
Opis
Rad "An Empirical Methodology for Power Analysis of CMOS Integrated Circuits" predstavlja novu empirijsku metodologiju za određivanje statičke i dinamičke komponente disipacije energije u CMOS integrisanim kolima. Metodologija je razvijena za sisteme koji ne podržavaju potpuno isključivanje distribucije takta, ali omogućavaju deljenje frekvencije. Istraživanje je sprovedeno na ultra-low power heterogenoj višejezgarnoj DSP platformi za slušne aparate, razvijenoj u 90nm tehnološkom procesu. Definisan je matematički model srednje disipacije snage u funkciji napona napajanja, struje curenja, frekvencije takta i efektivnog kapaciteta. Uveden je koncept efektivnog kapaciteta kao kvantitativne mere dinamičke energije. Eksperimenti su sprovedeni na četiri različite frekvencije, u jednojezgarnom i višejezgarnom režimu. Postignuta tačnost procene iznosi preko 99.66% (prosečna greška 0.34%). Za metodologiju je podneta patentna prijava P-2016/0787. |
Kriterijum produkcije
(M23) Rad u međunarodnom časopisu kategorije M23 |
Opis
Rad "Energy Consumption Estimation for Embedded Applications" predstavlja matematički model za procenu potrošnje energije ugrađenih aplikacija na nivou instrukcija. Model je razvijen kao plugin za Eclipse bazirano višejezgarno razvojno okruženje (MIDE) i primenjen na ultra-low power heterogenoj DSP platformi za slušne aparate. Model uzima u obzir četiri komponente disipacije: statičku komponentu platforme, potrošnju periferija, baznu cenu instrukcija i međuinstrukcijski efekat. Predložena je nova metodologija za merenje međuinstrukcijskog efekta koja koristi NOP instrukciju kao referentnu tačku, čime se broj potrebnih merenja redukuje sa O(N²) na O(N). Validacija je izvršena pomoću dva benchmark testa, pri čemu je postignuta tačnost procene od 99.97% (Benchmark 1) i 99.96% (Benchmark 2). Model omogućava profilisanje energetske efikasnosti softvera u zavisnosti od ulaznih signala i procenu trajanja baterije. |
Kriterijum produkcije
(M33) Saopštenje sa međunarodnog skupa štampano u celini |
Opis
Rad "Comparative Analysis of Docker and Python Runtimes for AWS Lambda in RAG-Based AI Solutions" predstavlja sistematsku evaluaciju Docker i Python runtime okruženja za implementaciju RAG (Retrieval-Augmented Generation) sistema na AWS Lambda serverless platformi. Analizirane su ključne metrike performansi: latencija hladnog starta, vreme izvršavanja zagrejane funkcije i vreme izgradnje. Eksperimentalna evaluacija sprovedena je na AWS Lambda sa 2048MB memorije, korišćenjem Python 3.12 i Docker 20.10 runtime okruženja. Rezultati pokazuju da Python runtime postiže značajna poboljšanja: redukciju vremena izvršavanja do 84.27%, smanjenje vremena hladnog starta do 76.48%, i redukciju vremena izgradnje od 66.38% (741s vs 249s). Analiza operativnih troškova pokazuje uštedu od 81.5-84.3% računarskih troškova, sa prosečnom mesečnom uštedom od $478.15. |
Kriterijum produkcije
(M33) Saopštenje sa međunarodnog skupa štampano u celini |
Opis
Rad "Comparison of AWS Architectures for Scalable and Cost-Efficient Retrieval-Augmented Generation" predstavlja komparativnu analizu EC2 i serverless arhitektura za implementaciju RAG (Retrieval-Augmented Generation) sistema na AWS platformi. Analizirane su ključne dimenzije: skalabilnost, troškovna efikasnost, performanse, operativno opterećenje i ograničenja resursa. Serverless arhitektura koristi Lambda, S3, DynamoDB i API Gateway za automatsko skaliranje i pay-per-use model naplate. Rezultati pokazuju da serverless pristup ostvaruje uštedu do 87% za 10.000 zahteva po satu u poređenju sa EC2 instancama. Za nizak broj zahteva (ispod 1000/sat), serverless arhitektura je 98% isplativija. Tačka izjednačenja troškova nalazi se oko 50.000 zahteva po satu, iznad čega EC2 postaje ekonomičniji. Definisani su matematički modeli za kalkulaciju troškova oba pristupa. |
Kriterijum produkcije
(M33) Saopštenje sa međunarodnog skupa štampano u celini |
Opis
Rad "Unit Test Generation Multi-Agent AI System for Enhancing Software Documentation and Code Coverage" predstavlja višeagentni AI sistem za automatsko generisanje jediničnih testova i unapređenje dokumentacije softvera. Sistem se sastoji od tri agenta: User Story Writer Agent (generiše korisničke priče u BDD Gherkin formatu), Unit Test Writer Agent (generiše jedinične testove) i Code Executor Agent (izvršava testove i pruža povratnu informaciju). Sistem je implementiran korišćenjem Microsoft Autogen framework-a sa OpenAI ChatGPT-4o-mini modelom. Evaluacija je sprovedena na 100 primera iz Google MBPP (Mostly Basic Python Problems) dataseta sa pokrivenošću grana ispod 90%. Rezultati pokazuju poboljšanje u 96/100 primera (89% boljih, 8% jednakih, 3% lošijih). Medijana pokrivenosti grana povećana je sa 75% na 84% (poboljšanje od 11%), a prosečna pokrivenost sa 67% na 83% (poboljšanje od 23%). Stopa prolaznosti testova iznosi 85%. |
Kriterijum produkcije
(M33) Saopštenje sa međunarodnog skupa štampano u celini |
Opis
Rad "Development of ADAS perception applications in ROS and 'Software-In-the-Loop' validation with CARLA simulator" predstavlja razvoj i validaciju ADAS percepcijskih aplikacija korišćenjem ROS platforme i CARLA simulatora. Razvijene su tri demo aplikacije: occupancy grid prototip za mapiranje, monitor zaustavne distance za Forward Collision Warning (FCW) sistem, i detekcija traka sa proračunom zakrivljenosti i ofseta vozila. Prve dve aplikacije implementirane su u C++ i koriste LiDAR point cloud podatke, dok je treća napisana u Python-u i koristi RGB kameru rezolucije 1200x720. Sistem je integrisan sa Autoware autonomnom platformom putem ROS Bridge komponente. Validacija je izvršena Software-In-the-Loop (SIL) metodom u različitim vremenskim uslovima (sunčano i kišovito). Algoritam za detekciju traka dodatno je testiran u realnom urbanom scenariju. |
Kriterijum produkcije
(M33) Saopštenje sa međunarodnog skupa štampano u celini |
Opis
Rad "Camera and LiDAR Sensor Fusion for use in a Collision Avoidance System" predstavlja implementaciju sistema za izbegavanje sudara (CAS) zasnovanog na fuziji kamere i LiDAR senzora. Sistem koristi tesno spregnutu fuziju senzora za procenu vremena do sudara (TTC - Time-To-Collision). Implementacija se sastoji od tri gradivna bloka: obrada slike kamere (detekcija ključnih tačaka, ekstrakcija deskriptora, uparivanje), obrada LiDAR 3D point cloud podataka, i fuzija senzora koja koristi deep learning pristup za klasifikaciju objekata i klasterovanje LiDAR tačaka. Za detekciju ključnih tačaka testirane su metode HARRIS, FAST, BRISK, SIFT, ORB i SHITOMASI, a za uparivanje brute force i FLANN pristup. Evaluacija je izvršena na više kombinacija detektor/deskriptor. Najbolje rezultate postigla je kombinacija SHITOMASI/BRIEF sa TTC razlikom od 1.7863s i KPI vrednošću 8.8849. Korišćena je OpenCV biblioteka i C++ programski jezik. |
Kriterijum produkcije
(M33) Saopštenje sa međunarodnog skupa štampano u celini |
Opis
Rad "Camera-LIDAR Object Detection and Distance Estimation with Application in Collision Avoidance System" predstavlja rešenje za detekciju objekata i procenu rastojanja zasnovano na fuziji kamere i LIDAR senzora za sistem izbegavanja sudara (CAS). Kamera se koristi za 2D detekciju i klasifikaciju objekata pomoću YOLOv3 neuronske mreže, dok se LIDAR podaci koriste za procenu rastojanja. Implementacija obuhvata prostornu kalibraciju kamera-LIDAR, RANSAC algoritam za uklanjanje tačaka tla, Meanshift klasterovanje i Kalmanov filter za praćenje. Rešenje je razvijeno kao prototip na ROS baziranoj Autoware platformi u Python programskom jeziku. Validacija je izvršena u CARLA simulatoru u različitim vremenskim uslovima. Rezultati pokazuju stopu uspešnosti od 95% pri vedrom vremenu, 75% pri magli, 70% pri kiši i 60% pri snegu. Srednja greška procene rastojanja iznosi 0.41m, a prosečna greška 0.2m kada algoritam pronađe odgovarajući klaster (95% merenja). |
Kriterijum produkcije
(M33) Saopštenje sa međunarodnog skupa štampano u celini |
Opis
Rad "Vision-Based Extrapolation of Road Lane Lines in Controlled Conditions" predstavlja numerički algoritam zasnovan na računarskoj viziji za detekciju linija kolovoznih traka u kontrolisanim uslovima. Algoritam koristi kameru i OpenCV biblioteku sa Python programskim jezikom. Procesni tok obuhvata: korekciju distorzije sočiva kamere, selekciju regiona interesovanja (ROI), perspektivnu transformaciju (bird's eye view), konverziju u HLS prostor boja, ekstrakciju H i L kanala sa pragovima za detekciju belih i žutih linija, i Hough transformaciju za ekstrapolaciju segmenata linija. Za povezivanje višestrukih segmenata u jedinstvenu liniju razvijena je feedback metodologija sa usrednjavanjem parametara leve i desne linije. Algoritam je testiran na video snimcima urbanih puteva u Novom Sadu. Rešenje uspešno detektuje pune i isprekidane linije u povoljnim vremenskim uslovima i na pravim deonicama puta. Ograničenje algoritma je rad sa zakrivljenim trasama. |
