瑞薩電子使用RA6T2 MCU的地板類型檢測解決方案

參數(shù)：2678bytes
堆棧使用：2560bytes
預(yù)分配：12bytes
代碼：2008bytes

使用RA6T2 MCU的推理時間約為1毫秒至2毫秒。

我們是如何創(chuàng)建應(yīng)用示例的？

瑞薩電子正在推出各種類型的電機控制解決方案，并提供軟件示例。利用瑞薩電子e2 studio IDE和Motor Workbench開發(fā)支持工具，用戶可以優(yōu)化電機參數(shù)、收集數(shù)據(jù)、與真空吸塵器所需的其他功能集成，并最終集成使用Reality AI Tools模塊生成的任何AI模型。

圖4. Renesas Motor Workbench工具

圖5. e2 studio–Reality AI Tools集成工作流程

我們通過使用電機控制示例代碼中的現(xiàn)有變量來收集真實的電機控制數(shù)據(jù)，并記錄了地板類型的數(shù)據(jù)以進行分類。這些數(shù)據(jù)被輸送到Reality AI的特征提取和訓(xùn)練引擎，以開發(fā)和輸出模型。我們實現(xiàn)了100%的訓(xùn)練K-Fold準確率，這促使我們選擇該模型進行實時測試和基準測試。同時，Reality AI 的BOM優(yōu)化功能會從電機信息的數(shù)十個現(xiàn)有變量中建議最佳的信息組合使用，并最大限度地減少資源需求。

圖6. Reality AI Tools訓(xùn)練結(jié)果

在實際硬件上實施模型之前，可以使用另一個未用于訓(xùn)練的記錄數(shù)據(jù)集對模型進行測試，以便在Reality AI上進行確認，以減少開發(fā)工作量。一旦達到預(yù)期的精度，該模型就會被重新集成到e2 studio項目中。然后，該模型在現(xiàn)場環(huán)境中進行了廣泛的測試。

要將機器學(xué)習(xí)模型產(chǎn)品化，有時需要了解機器學(xué)習(xí)模型的工作原理以及它如何確定結(jié)果以避免黑盒情況。Reality AI還為解決方案提供了此類情況，并可以使用決策顯著性圖顯示哪些特征重要，哪些特征不太重要。

圖7. Reality AI Tools決策顯著性圖

在進一步或?qū)碓鰪姷那闆r下，瑞薩還提供了一種重新訓(xùn)練模型的方法。只需更新機器學(xué)習(xí)模型參數(shù)，即可輕松改進Reality AI Tools創(chuàng)建的模型。這些參數(shù)可以放置在flash的單獨區(qū)域，例如數(shù)據(jù)區(qū)域，并且可以通過無線（OTA）非常容易地更新。

結(jié)論

地板類型檢測示例展示了瑞薩Reality AI Tools在解決實際挑戰(zhàn)以改善用戶體驗和為真空吸塵器增強額外功能的能力。我們的AI模型占用空間小，并且可以通過利用廣泛的數(shù)據(jù)收集來進行靈活的擴展。

瑞薩電子(TSE: 6723)

科技讓生活更輕松，致力于打造更安全、更智能、可持續(xù)發(fā)展的未來。作為全球微控制器供應(yīng)商，瑞薩電子融合了在嵌入式處理、模擬、電源及連接方面的專業(yè)知識，提供完整的半導(dǎo)體解決方案。成功產(chǎn)品組合加速汽車、工業(yè)、基礎(chǔ)設(shè)施及物聯(lián)網(wǎng)應(yīng)用上市，賦能數(shù)十億聯(lián)網(wǎng)智能設(shè)備改善人們的工作和生活方式。