瑞萨电子汽车软件战略概述

发布时间:2023-02-28 11:39
作者:Ameya360
来源:网络
阅读量:3872

  从以硬件为中心到以软件为中心

  当今汽车的价值正在从传统的汽车硬件,如行驶、转向和停止,转向C.A.S.E.(连接、自动、共享/服务和电气化)的四个大趋势。这意味着硬件以外的技术和服务的整合,如软件和云连接,正在取得进展,汽车的价值正在转移到提供前所未有的用户体验(UX)。换句话说,汽车行业的趋势,毫无疑问,在走向以软件为中心的时代,即汽车的价值由软件来定义。

  汽车的这些变化也提高了汽车的价值。主要的汽车模型变化每隔几年就会发生一次。在以前,一辆汽车一经推出,在其生命周期内就不会再增加新的功能。因此,如果车主想获得汽车的新功能或更多价值,必须换成具有所需功能的新车。然而,在以软件为中心的未来,车主将能够持续使用最新的功能和用户体验,就像智能手机一样,而不需要更换新车。

  软件优先和左移

  如果想开发出适应汽车行业这些变化大趋势的车辆,并及时提供给市场,以及持续更新车辆价值,仅用传统的以硬件为中心的开发方法是很困难的。为了实现持续的价值输出,有必要改变为以软件为中心的开发。这方面的关键词是“软件优先”和“左移”。

  软件优先并不意味着简单地先建立软件。软件优先的方法是在考虑具体的硬件配置和机制之前,首先思考你真正想创造什么,想为用户提供什么新的体验和价值,然后在此基础上定义应用和服务的产品规格。这种软件优先的方法使得创造新解决方案时,不受组成硬件(机械部件和E/E系统)的约束。

  另一方面,“左移”意味着开发者在开发周期的早期就需要确定产品特征、差异化因素和质量。例如,过去开发人员需要使用实际的硬件来验证系统性能,而现在,他们可以通过虚拟环境(如模拟器)在使用硬件之前就对其进行评估。

  虚拟环境可以大大改善硬件的局限性,如原型和测量环境,从而确保评价的全面性,这在实际硬件环境中是不可能的。这种改进的全面性使每个过程的输出更加准确,并减少了由于返工造成的损失。通过追求这种左移,产品的开发时间可以大大缩短。  瑞萨电子汽车软件战略概述

  图1:软件优先和左移

  瑞萨的目标是集成虚拟开发环境和DevOps解决方案

  为了应对汽车系统开发方式向软件为中心的转变,我们从2022年开始提供一个新的集成虚拟开发环境,以帮助我们的Tier-1客户、汽车制造商和汽车ECU开发商实现软件优先/左移。瑞萨不仅提供SoC和MCU,还提供传感器、电源控制、电机控制和其他各种构建汽车E/E系统所需的半导体产品。

  为了确保向客户提供如此全面的瑞萨器件产品系列的优势,除了传统的单一器件的开发工具外,还必须有支持整个汽车ECU和E/E系统开发的软件和开发环境。这种集成的虚拟开发环境提供了使用我们的可扩展设备产品进行产品开发所需的软件和开发环境,而无需考虑设备类型或应用类型(AD/ADAS,车载网关等)。这使客户能够在无法使用硬件(设备、PCBs、ECU)的早期阶段,为他们想要实现的功能开发优化的系统级应用。

  我们还致力于创建一个开发和运营(DevOps)环境,这是一个软件优先、左移的理想解决方案。这种DevOps解决方案由云端虚拟环境和边缘的真实环境组成,如客户的开发现场或最终用户的汽车。DevOps解决方案的基本思想是在云端的虚拟开发环境中重现边缘真实环境中的设备、软件和开发环境的使用情况,确定改进和客户对新功能的需求,尽快开发下一个解决方案或产品。

  在云端建立一个虚拟开发环境是实现这种DevOps解决方案的重要的第一步。

  用于系统开发的多设备软件和虚拟开发环境

  为了实现这些集成的虚拟开发环境和DevOps解决方案,瑞萨从2022年开始已经推出多个解决方案。其中之一是2022年9月宣布的无硬件的ECU级软件开发集成开发环境。

  实现这种系统级综合虚拟开发环境的关键词是“多设备”。在传统的E/E架构中,ECU是为每个应用准备的,如电机控制和发动机控制,并分布在整个车辆上。然而,在未来,集中式和区域式架构预计将成为E/E架构的主流。在这些未来的架构中,控制域和区的ECU将需要进行非常复杂和精密的处理。这就是为什么一个ECU中集成多个SoC和MCU。

  为了支持多设备配置ECU的开发,瑞萨将从2022年开始提供多设备的协同模拟环境和多设备的分布式处理软件。这使开发者能够模拟多个设备的合作行为,从而将应用功能划分到多个设备中,并将必要的功能最佳地分配给设备中的CPU和硬件IP,使硬件性能最大化。  云端AI开发环境

  作为实现DevOps解决方案的第一步,我们已经开始在云端提供开发环境。2022年3月与Fixstars共同开发R-Car的[GENESIS for R-Car]云评估环境。使用GENESIS for R-Car,用户可以轻松地使用各种CNN网络算法检查R-Car V3H的人工智能处理性能,而无需准备专用硬件,如评估板或开发环境。此外,用户还可以通过云端远程操作和评估服务器上连接的实际设备。

  对于人工智能的开发,一套用于优化AD/ADAS到R-Car SoC的人工智能软件的工具,也是与Fixstars合作,已从2022年12月开始提供。

  这些工具将人工智能处理中使用的网络模型优化到R-Car硬件上。此外,通过为人工智能处理软件提供高速模拟环境,我们在系统层面上支持客户的应用开发。

  最后

  本文介绍的软件和虚拟开发环境是实现我们综合系统级虚拟开发环境目标的第一步。今年,我们计划发布一系列新产品,以扩大我们的解决方案阵容。我们将持续在公众号与官网发布新品介绍,欢迎继续关注瑞萨的集成虚拟开发环境的发展。


(备注:文章来源于网络,信息仅供参考,不代表本网站观点,如有侵权请联系删除!)

在线留言询价

相关阅读
喜报丨瑞萨电子凭借R-Car X5H荣膺第五届知鼎奖“智能驾驶科技创新奖”
2026-06-03 10:49 阅读量:212
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 阅读量:244
喜报|瑞萨电子荣获上海繁易“战略合作伙伴”奖
2026-05-29 09:55 阅读量:360
瑞萨丨AI技术横向扩展——模拟技术纵深发展
  由AI驱动的小工具往往基于漂移信号采取行动,无法意识到自身出现运行错误。它只是自信、精确地朝着错误的方向执行。没有精度的自信,算不上智能。这是一种隐患。  系统接收的指令与物理世界中实际发生的情况之间的差距,只能由一样东西来弥合:其底层的模拟基础,而这一基础无处不在。  AI已成为整个物理世界的运行层,嵌入了各类工厂、车辆、机器人、卫星和数据中心之中。AI技术已横向扩展,但在每个智能系统之下,都有一个让一切成为可能的基础。而这个基础就是模拟技术。  当业界还在争论模型、参数和计算机架构时,信号层面正上演着一场更安静、却影响更深远的变革。每一个自主系统,无论其软件多么复杂,最终都必须感知现实世界、对其作出响应,并在其中采取行动。物理世界与数字世界之间的接口就是模拟技术,随着系统变得越来越智能,这一接口不仅在扩展,更在成倍增长。  我所说的“信号链”,是指从传感器出发,经由模拟前端、转换、同步、供电和控制,直至模型实际接收数据的端到端路径。  问题已不再是AI是否在边缘运行。问题在于其底层的模拟基础是否足够深厚,这不仅关乎系统的可靠性,更关乎其速度、精度以及能否达到应用所需的最高性能水平。  模拟附着曲线  为了理解这在实践中的含义,有必要为物理AI从原型走向量产时每次都会出现的模式进行命名。  在物理AI所渗透的每个领域,都存在一种反复出现的模式。随着机器的能力、自主性、精确性和安全关键性不断提高,运行它们所需的模拟和混合信号内容并非线性增长,而是呈复合式增长。  注:乘数因子表示方向性和示意性,用于展示曲线的形态。  图1:模拟IC内容与自主性的关系  如图1所示,随着自主性提升,模拟内容呈指数级增长:更多的传感器接口、更多的数据转换器、更多的电机控制通道、更多的电源轨,以及更严密的安全监控。  人形机器人正是这条曲线最具说服力的体现。每一个手势、每一步骤、每一个决策,都可追溯到200个以上的模拟IC,它们涵盖了每个关节的电机控制、位置传感、扭矩和力反馈、电源管理,以及涵盖LiDAR、视觉、触觉、压力和阻抗的感知层。在指尖,毫米与毫秒决定了一次抓握能否成功,其架构在此再次复制。智能提升。信号链随之深化。在每一层,需求不仅在于信号是否足够可靠,更在于信号是否足够精确、足够快速且足够稳定,以支撑实际运行。  图2:人形机器人各关节处电机控制所涉及的IC数量  图3:人形机器人平台信号链解析图  人形机器人的信号链在每个关节处重复出现:电机驱动与电流检测、位置反馈(编码器/旋转变压器)、扭矩/力反馈、本地电源管理以及高完整性通信——并延伸至指尖压力/阻抗传感,以确保稳定抓握。模拟技术并不逊色于AI。正是模拟技术让AI得以物理化。而瑞萨电子的端到端解决方案就是为了实现这一目标。  为何缺乏纵深发展的横向扩展会失败  工业环境在电气特性上非常“不友好”。温度波动、振动、电磁噪声以及长距离线缆传输都会降低信号质量,且软件事后无法进行补偿。一个在热应力下漂移半度的位置传感器不会触发错误标志,而是会产生一个错误的答案,而AI系统会据此充满信心地采取行动。  这就是实验室中表现良好的AI与现场实际运行的AI之间的差距。  弥合这一差距所需要的不仅仅是元器件,更需要一种端到端的信号架构——其中传感、控制、供电和连接经过精心设计,作为一个整体系统协同工作,而非事后拼凑而成。  在物理AI中,精度并非单一的技术指标,而是系统的固有属性。其体现在校准、时序、电源完整性以及具备故障感知能力的控制之中。  未来十年  最终胜出的系统不会是拥有最大模型的系统,而是那些在现实世界中,能够战胜温度、振动、延迟、噪声、功耗预算、安全约束以及长生命周期等种种挑战,提供最可靠性能的系统。  这不是一个软件问题,而是一个信号链问题。若您正在构建物理AI,请将模拟技术视为一个首要的设计要素:尽早规划架构,明确分配预算,并将感知、控制、供电和连接作为一个整体系统进行工程设计,而非一堆零部件的堆砌。  关键要点  随着自主性增强,模拟与混合信号的深度呈复合式增长——性能、精度和可靠性成为决定性因素,而不仅仅是模型规模的大小。  现场环境会因漂移、电磁干扰、振动和线缆损耗导致系统故障——上游信号完整性误差往往表现为“自信满满”的AI所造成的失误。  成功的架构需要将传感、控制、供电和连接作为一个经过工程化设计的信号系统——在设计早期便整体规划,明确分配预算,并面向现实世界而构建。  AI正在横向扩展。胜出者则在纵深发展。这场竞赛已然拉开帷幕。
2026-05-28 10:12 阅读量:395
  • 一周热料
  • 紧缺物料秒杀
型号 品牌 询价
TL431ACLPR Texas Instruments
CDZVT2R20B ROHM Semiconductor
BD71847AMWV-E2 ROHM Semiconductor
MC33074DR2G onsemi
RB751G-40T2R ROHM Semiconductor
型号 品牌 抢购
BU33JA2MNVX-CTL ROHM Semiconductor
BP3621 ROHM Semiconductor
IPZ40N04S5L4R8ATMA1 Infineon Technologies
STM32F429IGT6 STMicroelectronics
ESR03EZPJ151 ROHM Semiconductor
TPS63050YFFR Texas Instruments
热门标签
ROHM
Aavid
Averlogic
开发板
SUSUMU
NXP
PCB
传感器
半导体
相关百科
关于我们
AMEYA360微信服务号 AMEYA360微信服务号
AMEYA360商城(www.ameya360.com)上线于2011年,现 有超过3500家优质供应商,收录600万种产品型号数据,100 多万种元器件库存可供选购,产品覆盖MCU+存储器+电源芯 片+IGBT+MOS管+运放+射频蓝牙+传感器+电阻电容电感+ 连接器等多个领域,平台主营业务涵盖电子元器件现货销售、 BOM配单及提供产品配套资料等,为广大客户提供一站式购 销服务。

请输入下方图片中的验证码:

验证码