瑞萨电子将与Fixstars联合开发工具套件-Ameya360 electronic components purchasing network

瑞萨电子将与Fixstars联合开发工具套件

Release time：2022-12-16

author：Ameya360

source：网络

reading：3161

　　瑞萨电子将与Fixstars联合开发工具套件,将与专注于多核CPU/GPU/FPGA加速技术的全球卓越供应商Fixstars（Fixstars Corporation）联合开发用以优化并快速模拟专为瑞萨R-Car片上系统（SoC）所设计的自动驾驶（AD）系统及高级驾驶辅助系统（ADAS）的软件工具。借助这些工具，在软件开发的初始阶段便可充分利用R-Car的性能优势来快速开发具有高精度物体识别功能的网络模型，由此减少开发后返工，进一步缩短开发周期。

　　瑞萨电子汽车软件开发部副总裁川口裕史表示：“瑞萨持续打造集成开发环境，推动客户充分采用‘软件优先’的方法。此外，通过支持为R-Car量身定制的深度学习模型开发，瑞萨帮助客户搭建AD和ADAS解决方案，同时也减少了上市时间与开发成本。”

　　Fixstars公司CEO三木聪表示：“GENESIS for R-Car作为我们与瑞萨联合创建的基于云的评估环境，允许工程师在开发周期的早期评估并选择器件，得到了众多客户的青睐。我们将继续前沿技术的研发，加速可用于维护汽车应用中最新版本软件的机器学习操作（MLOps）。”

　　当前的AD和ADAS应用利用深度学习来实现高精度物体识别。深度学习推理处理需要大量数据计算和内存容量。由于在有限的计算单元和内存资源下进行实时处理是一项极具挑战性的任务，因此车载应用上的模型和可执行程序必须针对车用SoC进行优化。此外，从软件评估到验证的过程必须加快，并且需要反复更新以提高准确性及性能。为了满足这些需求，瑞萨和Fixstars已经开发了以下工具。

　　用于生成针对R-Car优化网络模型的R-Car神经架构搜索（NAS）工具

　　该工具生成深度学习网络模型，可有效利用R-Car器件上的CNN（卷积神经网络）加速器、DSP和内存。这使工程师能够快速开发轻量级网络模型，即使没有对R-Car架构的深入了解或经验，也能实现高度准确的物体识别并获得快速处理时间。

　　用于编译R-Car的网络模型R-Car DNN编译器

　　该编译器将优化的网络模型转换为可以充分利用R-Car性能潜力的程序。它将网络模型转换为可以在CNN IP上快速运行的程序，并进行内存优化，使高速、有限容量的SRAM性能最大化。

　　用于快速模拟已编译程序的R-Car DNN模拟器

　　这一模拟器可用来在个人电脑（PC），而非实际R-Car芯片上快速验证程序的运行。利用这一工具，开发人员可以生成与R-Car相同的运行结果。在让模型更为轻巧和优化程序的过程中，如果推理处理的识别精度受到影响，工程师能够为模型开发提供即时反馈，从而缩短开发周期。

　　瑞萨和Fixstars将继续利用联合“汽车软件平台实验室”共同开发深度学习软件，并建立操作环境，通过持续更新网络模型来维持并提升识别精度与性能。

　　供货信息

　　目前推出的首套工具面向AD和ADAS应用的R-Car V4H SoC而设计。其高达34TOPS（每秒万亿次运算）的强大深度学习性能与卓越的能效特性相结合。

（"Note: The information presented in this article is gathered from the internet and is provided as a reference for educational purposes. It does not signify the endorsement or standpoint of our website. If you find any content that violates copyright or intellectual property rights, please inform us for prompt removal."）

行业新闻

瑞萨丨技术干货｜解决方案套件概念：AI赋能的智能电动自行车——重塑城市出行与智能交通

　　电动自行车正在迅速重塑城市出行方式。作为汽车之外更可持续、更灵活的选择，电动自行车不仅有助于缓解交通拥堵，也符合绿色低碳的发展趋势。随着电动自行车技术的不断进步和普及，用户对安全性、可靠性和智能辅助功能的期待也在持续提升。　　然而，无论是传统机械自行车还是电动自行车，当前仍高度依赖骑手的主动感知以及按计划进行的维护保养。许多机械问题往往是逐步演变的，在性能明显下降或故障真正发生之前，几乎没有预警信号。这种被动式维护方式容易导致意外故障、更高的维修成本，甚至带来潜在的安全隐患。　　瑞萨通过AI赋能的智能电动自行车概念方案应对这些挑战。该方案基于嵌入式边缘人工智能(AI)，在自行车本体上即可实现预测性维护、智能骑行辅助、环境感知以及电池管理优化，无需依赖云端连接。　　嵌入式边缘AI实现预测性与智能骑行　　智能电动自行车的核心由Renesas AIK-RA8D1 AI开发套件驱动。该套件基于RA8D1微控制器(MCU))，这是一款面向实时嵌入式AI应用设计的高性能Arm® Cortex-M85® MCU。借助Renesas Reality AI Tools®，开发者可以部署高度优化的AI模型，使其完全运行于MCU本地，无需云端计算支持。　　这种系统架构在实现更安全、更高效骑行体验的同时，也有效控制了功耗和系统成本，非常适合大规模部署于智能出行设备中。　　AI赋能的智能电动自行车围绕以下两大核心能力，全面提升骑行体验:　　AI驱动的状态监测　　更顺畅、更安全的骑行体验，全面提升用户感受　　瑞萨电动自行车概念　　AI驱动的状态监测　　无论是传统自行车、电动自行车，还是共享出行车队中的自行车，本质上都是精密的机械系统。其性能高度依赖于关键部件的健康状况，包括链条、齿轮、轴承以及车架连接部位。随着时间推移，这些部件会因机械应力、环境影响以及骑行工况而逐渐磨损和劣化。　　传统的维护方式通常依赖定期人工检查或基于里程的保养周期。这些方法往往不够精准且偏被动，容易导致突发故障，增加维护成本和运营风险。　　通过将AIK‑RA8D1与加速度传感器直接集成到自行车中，实时AI驱动的状态监测成为可能。系统可持续分析振动特征和运动模式，及早发现机械性能退化的迹象。　　关键预测性维护功能包括：　　链条劣化检测(Chain Deterioration Detection)——系统监测传动系统的振动模式。当振动特征偏离正常状态时，可在性能明显下降之前识别出链条过度磨损或润滑异常问题。　　齿轮异常检测(Gear Anomaly Detection)——AI模型可识别由齿轮齿面磨损、损坏或变速器对位异常引起的异常振动模式，实现早期干预。　　轴承失效检测(Bearing Failure Detection)——轴承在劣化过程中会产生特定的高频振动特征。系统可在出现可听噪声或严重机械损伤之前就检测到这些异常。　　车架结构监测(Frame Structure Monitoring)——通过振动分析，还可识别车架的松动或结构性变化，从而提升骑行安全性并延长整车使用寿命　　瑞萨如何实现智能自行车监测　　要构建高精度的状态监测AI模型，必须采集涵盖正常运行状态和多种机械故障状态的数据集。　　为此，系统采用AIK-RA8D1 AI开发套件，并通过Pmod™模块连接外部加速度传感器。开发套件和传感器均直接安装在自行车上，在真实骑行场景中采集振动和运动数据。　　数据集采集通过Data Storage Tools完成。该工具可作为插件集成在Renesas e² studio中，也可作为独立应用供第三方IDE用户使用工具可实时采集加速度传感器的原始数据，并进行存储，用于后续的数据标注和AI模型训练。　　Figure1.Training Set-up　　AI模型开发与部署　　在完成数据标注并上传至Renesas Reality AI Tools后，可利用云端AutoML功能训练和评估多个AI模型，并针对RA8D1 MCU进行部署优化。　　最终选定的模型能够识别七种系统状态：　　电动自行车状态：识别空闲与静止状态　　链条运行状态：识别正常的正向与反向链条运动　　齿轮异常：基于变速器位置检测两种故障状态　　后轮结构状态：识别潜在的后轮松动问题　　该优化模型在仅占用5KB内存的情况下，实现了99.63%的识别准确率，可高效运行于RA8D1 MCU上。　　Figure2.Model Development to Deployment Flow　　部署完成后，推理结果可通过集成在e² studio开发环境中的AI Live Monitor工具进行实时监控。　　AI增强型骑行智能　　除状态监测外，AIK RA8D1还可作为智能电动自行车计算核心，充当中央处理节点，分析来自电机、电池及各类传感器的数据——支持在有或无额外传感硬件的情况下运行。　　AI赋能的骑行功能示例包括：　　载荷分布检测——通过分析振动与运动信号，系统可估算骑手及货物的重量分布。据此推荐或自动调整坐垫位置，以提升舒适性和踩踏效率。　　路面类型识别(Surface Detection)——AI模型可识别沥青路、碎石路或不平整地形。并根据路况动态调整电机扭矩和功率输出，从而提升稳定性与能效。　　目标检测，实现更安全骑行(Object Detection for Safer Riding)——结合视觉传感器时，AI模型可识别周围车辆与障碍物，在盲区来车时触发预警。　　“See with Sound”的空间感知能力——通过麦克风阵列，系统可估算周围车辆的来向，并向骑手提供空间方位提示，而无需持续视觉关注。　　推动下一代智能出行　　AI驱动的智能电动自行车方案充分展示了嵌入式边缘AI对个人出行和共享交通的变革潜力。通过将预测性维护与环境感知能力直接集成到自行车中，制造商能够打造更安全、更可靠、更高效的出行解决方案。　　瑞萨AI技术致力于帮助客户基于可扩展的边缘AI平台，构建适用于实时嵌入式部署的智能出行系统。　　告别突发故障，从瑞萨开始打造更智能、更安全的自行车。　　准备好将AI驱动的状态监测引入骑行领域了吗?

2026-06-02 09:56 reading：265

model	brand	Quote
RB751G-40T2R	ROHM Semiconductor
CDZVT2R20B	ROHM Semiconductor
MC33074DR2G	onsemi
TL431ACLPR	Texas Instruments
BD71847AMWV-E2	ROHM Semiconductor

model

brand

Quote

ROHM Semiconductor

ROHM Semiconductor

onsemi

Texas Instruments

ROHM Semiconductor

model	brand	To snap up
STM32F429IGT6	STMicroelectronics
IPZ40N04S5L4R8ATMA1	Infineon Technologies
BU33JA2MNVX-CTL	ROHM Semiconductor
ESR03EZPJ151	ROHM Semiconductor
BP3621	ROHM Semiconductor
TPS63050YFFR	Texas Instruments

model

brand

To snap up

STM32F429IGT6

STMicroelectronics

IPZ40N04S5L4R8ATMA1

Infineon Technologies

BU33JA2MNVX-CTL

ROHM Semiconductor

ESR03EZPJ151

ROHM Semiconductor

BP3621