Juan M. Rivas
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Research Subjects
Juan M. Rivas has a total of 11 co-authors. Here are the top co-authors by number of shared publications:
- Iosu Gomez
IKERLAN
2 shared publications - José Javier Gutiérrez García
Universidad de Cantabria, Santander, Spain
2 shared publications - Unai Diaz de Cerio
Distributed and Connected Intelligence Department, Ikerlan, Mondragón, Spain
2 shared publications Ana Guasque
1 shared publication- David Fonts1 shared publication
- Enrico Mezzetti
Barcelona Supercomputing Center (BSC), Barcelona, Spain
1 shared publication
Latest Publications
- Open Access
- 5 November 2025
- Published by Elsevier in Future Generation Computer Systems
- Vol. 176
Evaluating quantile regression neural networks for optimizing real-time applications on heterogeneous platforms
- 5 November 2025
- Published by Elsevier in Future Generation Computer Systems
- Vol. 176
Open AccessEvaluating quantile regression neural networks for optimizing real-time applications on heterogeneous platforms
- Open Access
- 5 June 2024
- Published by Elsevier in Journal of Systems Architecture
- Vol. 153
Gradient descent algorithm for the optimization of fixed priorities in real-time systems
- 5 June 2024
- Published by Elsevier in Journal of Systems Architecture
- Vol. 153
Open AccessGradient descent algorithm for the optimization of fixed priorities in real-time systems
- Open Access
- 7 November 2023
- Published by Universitat Politecnica de Valencia in Revista Iberoamericana de Automática e Informática Industrial
- Vol. 21 (1) , 1-16
Uso de GPUs en aplicaciones de tiempo real: Una revisión de técnicas para el análisis y optimización de parámetros temporales
La conducción autónoma despierta un interés cada vez mayor en la industria, no solo en el sector de la automoción, sino también en el transporte de personas o mercancías por carretera o ferrocarril y en entornos de fabricación más controlados. Los sistemas ciber-físicos que se están proponiendo para este tipo de aplicaciones requieren de una gran capacidad de cómputo (arquitecturas hardware con varios núcleos, GPUs, NPUs…) para poder atender y reaccionar a una múltiple y compleja cantidad de sensores (cámaras, radar, LiDAR, medida de distancia, etc.). Por otro lado, este tipo de sistemas debe atender a requisitos de seguridad funcional y también de tiempo real. Este último aspecto plantea retos en los que se está trabajando intensamente y en los que aún quedan muchas cuestiones por resolver. En este trabajo, se hace una revisión de la literatura más reciente del uso de arquitecturas heterogéneas con GPUs en aplicaciones de tiempo real. Estos trabajos proponen soluciones para la estimación de cotas de tiempos de ejecución y respuesta temporal, proponiendo diferentes estrategias de optimización destacando la mitigación de interferencia en la memoria.
- 7 November 2023
- Published by Universitat Politecnica de Valencia in Revista Iberoamericana de Automática e Informática Industrial
- Vol. 21 (1) , 1-16
Open AccessUso de GPUs en aplicaciones de tiempo real: Una revisión de técnicas para el análisis y optimización de parámetros temporales
La conducción autónoma despierta un interés cada vez mayor en la industria, no solo en el sector de la automoción, sino también en el transporte de personas o mercancías por carretera o ferrocarril y en entornos de fabricación más controlados. Los sistemas ciber-físicos que se están proponiendo para este tipo de aplicaciones requieren de una gran capacidad de cómputo (arquitecturas hardware con varios núcleos, GPUs, NPUs…) para poder atender y reaccionar a una múltiple y compleja cantidad de sensores (cámaras, radar, LiDAR, medida de distancia, etc.). Por otro lado, este tipo de sistemas debe atender a requisitos de seguridad funcional y también de tiempo real. Este último aspecto plantea retos en los que se está trabajando intensamente y en los que aún quedan muchas cuestiones por resolver. En este trabajo, se hace una revisión de la literatura más reciente del uso de arquitecturas heterogéneas con GPUs en aplicaciones de tiempo real. Estos trabajos proponen soluciones para la estimación de cotas de tiempos de ejecución y respuesta temporal, proponiendo diferentes estrategias de optimización destacando la mitigación de interferencia en la memoria.