<span style='color:red'>瑞萨</span>丨ATLAS实践应用：跨行业的可扩展资产与定位追踪解决方案
行业新闻

瑞萨丨ATLAS实践应用：跨行业的可扩展资产与定位追踪解决方案

　　什么是ATLAS?　　在当今快节奏的行业环境中，从医疗到物流，提升运营效率离不开实时可视化和高效资产追踪。ATLAS(大规模资产追踪与定位)正是在这样的背景下应运而生。ATLAS由瑞萨与IOSEA联合开发，采用先进的Bluetooth® Low Energy(LE)SoC，以及专有的到达角/离开角(AoA/AoD)算法与三角定位技术，实现可媲美超宽带(UWB)的高精度定位性能——精度可达10cm以内，同时每个定位器支持1000+标签接入。　　ATLAS的独特之处在于其在高密度环境中的稳定表现。即使在具有挑战性的射频环境下(例如邮轮船舶内部)，系统仍可追踪数千项资产，同时保持超低功耗和便捷部署。无论您是管理零售库存、医院设备还是仓库包裹，ATLAS都提供一个可扩展、经过现场验证的平台，配备现成的定位器、可定制标签以及IOSEA的SEAgnal™实时定位系统(RTLS)微服务。系统由标签、定位器、信号处理软件和RTLS后端软件组成。系统还可轻松集成至客户自有的RTLS后端，提供业内领先的本地化追踪性能，改变企业和行业实时追踪、监控与管理资产和人员的方式。　　在资产追踪领域，主要有两种方式：定点追踪和实时定位追踪。定点方式，例如NFC或条码，在特定时间点采集位置信息。实时定位则可以是全球范围的系统，如“Find My”类众包应用，也可以是在特定环境内运行的本地化系统。ATLAS属于本地化实时定位类别，基于三角定位的到达角(AoA)技术实现精准定位。瑞萨提供多种先进的追踪和定位解决方案。如需了解如何为您的应用选择合适方案，请参阅我们的《Revolutionizing Asset Management with Location Tracking Solutions from Renesas》博客文章。　　为什么选择ATLAS，而非其他追踪方案　　标签兼容性：支持多种类型的标签，包括支持AoA/AoD的标签、Eddystone和iBeacon等传统标签，以及适用于灵活部署需求的专有ATLAS/ATLASlite方案。　　高密度追踪能力：每个定位器支持1000+标签，最高可达每秒500次更新，即使在非视距或复杂射频环境中也能保持准确追踪。　　灵活部署：定位器可垂直、水平或倾斜安装，间距最远可达20米(通常为10米)，以实现最佳覆盖。　　实时性能：提供100Hz刷新率，非常适合同时追踪移动和静态资产。　　无缝集成：可轻松连接到客户后端系统或IOSEA RTLS系统，并提供调试工具以实现快速设置。　　成本与效率优势：在Bluetooth LE的成本与电池寿命条件下，实现等同于UWB的定位精度，最大化投资回报率。　　高效的配置：与UWB或信道探测(Channel Sounding)方案相比，所需节点更少，部署规划更简化。　　ATLAS组成部分　　ATLAS在标签设计方面提供灵活性，可选择现成方案，或采用自定义设计的专属标签方案。我们的Bluetooth LE SoC具备优异的纽扣电池续航表现，可支持一次性标签应用以及可更换/可充电电池标签应用。　　ATLAS部分标签选项：　　可充电标签(DA1469x)：一款采用可充电二次电池供电的Bluetooth LE标签，基于我们的“用于门禁和追踪的用户身份牌”解决方案开发，适用于高性能定位追踪应用。该标签配备三个CPU核心(Arm® Cortex®-M33F、M0+)，集成电源管理单元(PMU)以及用于外部传感器集成的传感节点控制器。针对SEAgnal DSP进行了优化，可提供优异的信号质量，并支持RSSI测距和WiRA测距，适用于企业级和消费级生态系统。　　高性能标签(DA14594)：基于瑞萨的“用于近程和资产定位追踪的低功耗蓝牙标签”解决方案，具备同行领先的功耗效率与性能表现，采用三核架构(M33F、M0+)，支持基于相位的测距技术以及用于ATLAS的AoA定位，支持可选NFC充电与标签激活功能，并集成传感器控制模块，适用于可扩展、高精度资产追踪应用。　　一次性标签(DA1453x)：基于我们的“智能资产追踪标签”技术的智能追踪标签，采用超低功耗Bluetooth LE，待机电流<300nA，具备高效嗅探模式，支持纽扣电池或印刷电池，提供低成本的一次性实时追踪并集成数据记录的能力。　　SEAgnal：可扩展、高效且精准的软件定义定位技术(Scalable, Efficient and Accurate)，实现可靠的高精度空间感知。该技术基于IOSEA的专有数字信号处理框架，将射频与天线建模与实时定位算法结合使用。　　Telemos定位器　　基于我们的“用于资产定位追踪的通用型蓝牙低功耗到达角定位器”应用，Telemos定位器(由瑞萨与IOSEA合作研发)配合标签使用，可实现快速适配并缩短产品上市周期。该定位器可同时追踪AoA、AoD、ATLAS和ATLASlite标签。可追踪静态和移动标签，并支持灵活的安装方式。户外覆盖距离超过100米，经验证可达300米。凭借每个SEAgnal数据包<2ms的高效性能，每个定位器可追踪1000+标签。　　主要特性：　　支持Bluetooth LE到达角/离开角(AoA/AoD)、Eddystone和iBeacon　　采用先进天线阵列，实现高分辨率定位追踪　　紧凑型工业设计　　支持以太网供电(PoE)及USB-C供电　　支持SEAgnal边缘数据包过滤与多径抑制　　支持安全的OTA(空中下载)固件升级　　提供SEAgnal™ API，支持边缘端与云端集成　　IOSEA RTLS微服务　　ATLAS(Renesas IOSEA)中的RTLS微服务使用SEAgnal算法对来自定位器的IQ采样数据进行处理，实现AoA/AoD定位和多径抑制，在毫秒级时延下提供小于10cm的定位精度。该服务基于面向边缘优化的架构，支持高密度追踪，并提供用于锚点/标签配置、电子围栏设置以及实时数据流传输的API接口。　　ATLAS的工作原理　　ATLAS通过多项先进技术的无缝协作，实现行业领先的精度。　　AoA发射端标签(AoA Transmitter Tags)：在整个处理流程的起始阶段，支持ATLAS的标签会发送轻量级的“突发”信号或数据包。这些标签具有较高的智能性，但系统复杂度极低，从而将功耗保持在最低水平，并支持客户同时扩展到数万资产的追踪规模。　　AoA接收端定位器(AoA Receiver Locators)：随后，定位器接收这些突发信号，并提取基带信号和采样数据，然后将其传输到定位器上的信号DSP层。这一层在进行定位计算之前都对RF数据进行清理和增强。瑞萨的无线电在这时发挥重要作用，能够显著提升信号质量，为后续的精准处理奠定基础。　　IOSEA RTLS微服务(IOSEA RTLS Microservice)：接下来，数据会进入系统的核心算法模块——信号定位引擎(Signal Positioning Engine)。这些算法能够消除干扰和多径误差，使ATLAS每个定位器可追踪1000+标签，并每秒处理超过500次更新。最终效果可与超宽带系统相媲美，但采用的是成本更低的蓝牙硬件。　　IOSEA调试工具支持(IOSEA Commissioning Tools Support)：最后，经处理的数据进入信号后端服务(Signal Backend Services)，后端服务负责设备管理、负载均衡、资源分配，并提供API接口。该后端使系统具备企业级部署能力，支持边缘部署、云端部署或混合部署模式。客户随后可通过API或仪表板连接，解锁资产可视化、安全监控以及工作流程优化等实时应用。　　为了实现完整覆盖，ATLAS采用多定位器部署方式。当多个定位器检测到同一个标签时，RTLS后端会通过多边定位技术融合各定位器的角度数据。从而生成精确的二维甚至三维位置，确保即使在仓库或邮轮等复杂环境中也能实现连续、实时的追踪。文末处扫码并观看ATLAS演示视频可了解其实际运行效果，展示系统对静态和移动标签的高精度追踪能力。　　ATLAS可应用于哪些场景?　　ATLAS是一款行业领先的室内定位资产追踪解决方案，具备与UWB相当的定位精度。凡是在室内环境中需要同时追踪多个静态或移动资产的场景，都可以应用ATLAS。ATLAS在当今环境中的一些应用示例包括以下几项。　　零售店：可在超市等零售场所部署，防盗并提升门店运营效率。例如，在未付款的情况下，当购物车移动到一定距离后可自动锁定车轮;同时还可通过追踪购物车的移动路径来了解顾客行为。　　酒店及旅游业：ATLAS的成功案例之一是在邮轮场景中实现了全球规模最大的AoA部署，覆盖超过21层甲板，追踪4300名乘客。ATLAS可用于酒店、邮轮、商场和度假村等场景，提升客户服务体验。虽然ATLAS主要针对室内环境优化，但通过战略性部署角度定位器，也可以将覆盖范围扩展至半户外空间。　　仓库和楼宇管理系统：ATLAS能够对仓库或建筑中的多种资产和人员进行高精度定位，并可轻松集成到现有后台系统中，构建可扩展且高性价比的室内定位服务。　　医院：医院每年约有10%至20%的移动资产丢失，平均每个床位每年造成约4000美元的损失。通过ATLAS，可对病床、医疗设备、患者以及医护人员进行亚米级定位，从而减少设备重复采购、提升患者护理效率并提高医护人员工作效率。此外，地理围栏功能还可用于医院区域的门禁安全管理。　　畜牧管理：美国每年约有390万头牲畜丢失。ATLAS是一个针对农场的强有力应用，能够高效追踪牲畜，并可选择集成传感器以进行健康监测和报告。每个定位器可同时处理1000+标签，能够满足大型农场的规模化管理需求。　　轮胎气压监测系统(TPMS)：ATLAS可实现精确的轮胎位置追踪和实时胎压监测，提升安全性并支持智能车队管理的预测性维护。　　ATLAS通过基于蓝牙的高精度定位技术重新定义资产追踪，实现亚米级精度、大规模可扩展性以及无缝集成，而无需承担UWB的成本和复杂性。无论您是在管理库存、设备还是人员，ATLAS都能将位置数据转化为可操作信息，从而提升效率并推动更合理的决策。
关键词：
发布时间：2026-03-19 13:24 阅读量：256 继续阅读>>
<span style='color:red'>瑞萨</span>丨高性能视觉AI系统：赋能下一代实时目标检测
行业新闻

瑞萨丨高性能视觉AI系统：赋能下一代实时目标检测

　　随着机器人、自动驾驶和智慧城市等领域的快速发展，对实时数据处理与决策的需求日益迫切。传统基于云的AI处理存在延迟高、依赖持续网络连接等问题，难以满足关键应用的实时性要求。　　瑞萨RZ/V系列嵌入式AI处理器，正是为应对这一挑战而生。该系列处理器旨在本地处理数据，减少延迟、降低功耗、提升效率与隐私安全。其中，高端视觉AI微处理器RZ/V2H融合了专有的DRP-AI3加速器与高性能实时处理器，成为机器人实时目标检测的理想硬件平台。　　高性能视觉AI系统框图：　　解决方案核心：嵌入式AI处理器　　作为一款高端视觉AI MPU，RZ/V2H专为嵌入式边缘处理设计。它集成专用DRP-AI3加速器、四核Arm® Cortex®-A55应用处理器和双核Cortex®-R8实时处理器，并搭载动态可重构处理器(DRP)加速OpenCV等图像处理算法。　　该芯片提供PCIe®、USB 3.2与千兆以太网接口，以低功耗实现高性能AI推理与实时控制，是自主机器人、机器视觉等工厂自动化应用的理想选择。　　高效电源管理：实现系统精准供电　　为确保视觉AI系统的高性能与低功耗运行，其电源管理方案采用了精准、高效的多级供电设计。　　此方案的核心是多通道PMIC RAA215300，它专为32位和64位MCU和MPU应用设计，提供9路供电输出，并内置实时时钟等关键模块，专为系统级模块(SOM)优化，能有效支持各种内存接口，另外，其扩频技术有助于降低电磁干扰。　　系统采用分级降压策略，对于主处理器及大电流负载，RAA211250同步降压稳压器提供宽输入电压范围(4.5V至30V)和高达5A的持续输出，其可编程开关频率和多种工作模式(PWM/PFM)实现了效率与动态响应的最佳平衡，并减少外部元件数量和BOM成本。　　对于中低电流的板载电源轨，则使用ISL80031A(3A输出)和ISL80015(2A输出)等高效、紧凑的同步降压转换器。它们工作于1MHz或2MHz高频，允许使用微型电感器，显著节省PCB空间，同时提供出色的瞬态响应。　　为高性能AI处理核心供电的是DA9141四相降压DC/DC转换器。它能驱动高达40A的负载，专为低电压、大电流的处理器内核设计。其多相架构不仅提升了电流输出能力，也优化了热性能和电压纹波，是保障算力稳定释放的关键。　　整个电源架构通过器件的高度集成与内部补偿设计，最大限度地减少了外部元件数量，在提供精准、稳定、多路供电的同时，实现了系统成本与电路板面积的优化。　　时钟与无线连接：提供精准时序与高速无线通信　　为确保系统稳定高效运行，该系统采用5L35023 VersaClock® 3S可编程时钟发生器。其三个独立可编程PLL可生成多达五个时钟信号，内置智能省电与过冲抑制技术，并通过I²C接口灵活配置。　　同时，系统还集成了支持Wi-Fi 6的CL8040芯片与DA14531低功耗蓝牙模块，提供高速、稳定的双频无线连接与近场通信能力，可全面满足机器人对实时响应与网络接入的需求。　　CL8040是一款高度集成的Wi-Fi 6单芯片解决方案，将两个支持4T4R架构的并行双频无线电集成于11mm×11mm封装内，提供高达3Gbps的聚合速率。该芯片内置双MAC/PHY、CPU及存储器，无需外置内存，并通过双通道PCIe 3.0接口与主机连接，为紧凑型设备提供了高性能、低成本的无线连接方案。　　DA14531 SmartBond TINY™模块基于全球最小、功耗最低的蓝牙5.1 SoC，是高度集成的低功耗蓝牙解决方案。该模块通过全球认证，仅需单电源即可构建蓝牙应用，搭配集成天线与易用软件，能最大化简化开发流程，显著降低物联网设备的开发成本与上市时间。　　系统核心优势　　高性能与实时性完美呈现　　这款高性能视觉AI系统的核心优势体现在以下方面：　　性能与实时性：单芯片集成强大的DRP-AI3加速器与Cortex-R8® 实时处理器，实现了从感知、决策到控制的毫秒级闭环响应，彻底消除了传统多芯片架构的通信延迟。　　能效：通过多层优化的电源管理架构，显著降低了整体功耗，为移动机器人等设备提供了持久的续航能力。　　开发便利性：系统提供预先训练的模型与完整的SDK，大幅降低了AI应用开发的技术门槛与时间成本。　　此方案通过创新的边缘AI处理，有效解决了延迟、安全与功耗的关键挑战，其灵活可重构的架构与高度集成的设计，为下一代智能设备的普及与智能化升级奠定了坚实的技术基础。
关键词：
发布时间：2026-03-18 09:12 阅读量：240 继续阅读>>
技术干货丨<span style='color:red'>瑞萨</span>最具成本效益的Arm Core MCU：轻松为现有系统添加新功能
行业新闻

技术干货丨瑞萨最具成本效益的Arm Core MCU：轻松为现有系统添加新功能

　　在消费、工业和建筑自动化市场，制造商面临持续压力，需要增加新功能、加强安全功能或提升用户体验，同时不增加系统成本或重新设计核心电子设备。但升级现有系统往往会引发元件更换、更紧张的电路板空间限制或新的电源管理挑战。对许多工程师来说，即使是像安全联锁、电机控制辅助功能或基本感测任务这样的小幅功能添加，也可能需要更昂贵的MCU或额外的外部组件。这些权衡减缓了开发速度，提高了物料清单成本，并使在成本敏感市场中维持竞争性定价变得更加困难。　　这正是RA0E3设计要填补的空白。作为瑞萨RA系列中最具成本效益的32位Arm® Cortex-M23® MCU，它为工程师提供了一种无需重新修改主设计即可扩展系统功能的简单方式。凭借宽广的1.6V至5.5V工作区间、±1%高精度片上振荡器、低功耗架构以及最高可达125°C工作温度的稳健运行，RA0E3无需外部振荡器、电压移位器或额外的散热考虑。无论是作为子MCU来分担安全关键任务，还是添加新的辅助功能，它都帮助团队提升产品性能，同时保持设计紧凑、高效和成本优化。　　随着终端产品的更新和用户期望的提升，这些挑战变得越来越普遍。工程师们越来越需要一种直接且可靠的方式来引入新功能，而无需增加物料成本或重新设计架构。考虑到这些背景，我们来看看RA0E3如何帮助制造商在不增加成本的情况下扩展系统性能。　　RA0E3有什么独特之处?　　基于这种简单且经济的扩展需求，RA0E3以能力、效率和设计灵活性的结合脱颖而出。它专为成本敏感设计而开发，这些设计仍要求在宽电压和宽温度范围内保持可靠运行，采用流线型架构、适度内存和精心挑选的外设实现这一目标。　　通过在极小空间内结合精确的片上时序、5V系统兼容性和低功耗模式，RA0E3使工程师能够灵活添加此前需要更大、更昂贵MCU才能实现的子功能或辅助控制逻辑。这种在简洁性与性能之间的平衡使其在大批量家电、紧凑型工业设备和小型消费电子产品中展现出独特的实用性。　　尽管是RA系列中最实惠的MCU，RA0E3依然提供了强大且可靠的性能，适合广泛应用。　　作为子微控制器的完美契合　　RA0E3最大的优势之一是其在支持主处理器时的可靠性。　　考虑家庭电器，比如食品处理器或厨房搅拌机。这些装置通常配备安全锁机制，除非所有部件都牢固组装，否则无法正常工作。许多设计不再让主处理器承担这一安全功能管理，而是将其分包给专用的子微控制器。　　这正是RA0E3的出色之处：　　在5V系统中无缝运行，无需额外元件　　即使在意外高温条件下也能保持稳定工作　　增加安全或辅助功能，同时不增加系统复杂度　　扩展功能而不重新设计系统　　上面的例子只是其中一个情景。在消费电子、工业设备等多种应用中，RA0E3实现了：　　低成本功能扩展　　恶劣环境中的可靠控制　　易于与现有架构整合　　对于希望提升产品而无需重新审视整个系统设计的工程师来说，RA0E3提供了高效且可靠的前进路径。
关键词：
发布时间：2026-03-17 10:01 阅读量：258 继续阅读>>
<span style='color:red'>瑞萨</span>：面向嵌入式部署的神经网络优化：模型压缩深度解析
行业新闻

瑞萨：面向嵌入式部署的神经网络优化：模型压缩深度解析

　　01 为什么需要神经网络模型压缩?　　神经网络已经成为解决复杂机器学习问题的强大工具。然而，这种能力往往伴随着模型规模和计算复杂度的增加。当输入维度较大(例如长时序窗口、高分辨率特征空间)时，模型需要更多参数、每次推理需要更多算术运算，使其难以部署在嵌入式硬件上。　　对于嵌入式系统而言，资源极其有限。内存空间受限，因此在桌面或云平台上轻松运行的模型可能无法放入芯片内的闪存。此外，较高的运算量(MACs/FLOPs)和推理延迟要求往往超出低功耗MCU或边缘设备所能承受的范围。　　我们要解决的核心挑战是：如何在保持模型性能的前提下，大幅压缩神经网络模型，降低模型大小、推理时间和计算成本，从而实现其在资源受限的嵌入式系统上的部署。　　我们要解决的核心挑战是：如何在保持模型性能的前提下，大幅压缩神经网络模型，降低模型大小、推理时间和计算成本，从而实现其在资源受限的嵌入式系统上的部署。　　02 神经网络模型压缩是如何工作的?　　神经网络模型往往比实际需要的更大。在训练和验证之前，我们很难准确判断架构规模是否合理。模型压缩的目标就是识别模型中的冗余和未充分利用的权重并将其移除。　　我们使用专有的数学方法来寻找并压缩这些冗余，对网络进行重新整理，使其更加简洁、小巧和高效。同时，我们会严格控制精度损失，确保不会丢弃过多关键信息。　　03 实例：紧急尖叫声检测　　(Emergency Scream Detection)　　为了更直观地解释这一挑战，我们以“紧急尖叫声检测(ESD)”演示为例。ESD系统是一种机器学习模型，用于区分求救尖叫声和其他环境声音。该任务是一个二分类问题：Scream vs Not Scream。　　模型使用Google’s Audioset database公共数据集中的音频信号进行训练。训练数据集规模大且多样化，而验证数据集由团队采集的小规模现场录音构成。模型在训练集的k-fold验证中表现中等，但在新的现场数据上表现非常好。　　基线模型性能：　　我们使用基于全连接层的神经网络，并以STFT频谱图作为输入特征。该模型取得了最佳效果，达到：　　k-fold验证精度：82%　　现场数据测试精度：98%　　从性能角度看，该模型表现优秀。然而，它有一个关键问题：　　ROM占用：552kB　　该大小超过目标嵌入式平台(Voice RA6E1)的内存限制，导致无法部署。　　压缩模型性能：　　为了解决这一问题，我们应用了Renesas为嵌入式部署优化的专有神经网络压缩技术。　　压缩结果非常显著：　　模型大小从552kB降至117kB(减少约79%)　　k-fold验证精度保持82%　　现场测试精度保持98%　　MAC从129,68降至21,001(降低83%)　　也就是说，在几乎不影响模型性能的前提下，显著减少了模型规模和计算成本。　　图1–5展示了该对比的详细信息。图1显示AI Explore™的对比结果;图2和图3的混淆矩阵确认精度保持一致;图4和图5的红框部分(Flash Parameters)展示了模型大小和复杂度的核心差异，该数值反映了实际编译后部署的模型，比Explore页面上的估算更准确。　　04 更多成功案例　　表1汇总了其他示例模型的结果——其中，资产移动跟踪模型使用加速度计数据来识别设备或包裹的搬运与移动状态;吸尘器地面类型检测模型通过电机信号判断清扫对象的地面材质;电机启动负载检测模型能够在开环控制下快速判断电机的启动负载，从而帮助控制器实现节能优化。　　从这些实验结果可以看到，模型在压缩后的准确率基本得以保持。两个项目在压缩前后完全没有精度损失(紧急尖叫检测：98%→98%，电机启动负载：99%→99%)，其余两个项目的变化也仅为1%的轻微下降(资产移动：92%→91%，吸尘器地面类型：96%→95%)。　　在保持精度几乎不变的同时，模型体积显著减小。尤其是较大的基线模型，ROM使用量减少超过75%。同时，MAC(Multiply-Accumulate)运算量也呈现同等幅度的下降，与ROM节省情况高度一致。　　Table 1: Comparison of baseline and compressed models　　05 使用Reality AI Tools®进行模型压缩　　在Reality AI Tools®中，对神经网络模型进行压缩、重新训练、使用新数据进行测试以及部署到目标板上，都非常简单。事实上，在AI Explore™阶段，工具会自动完成模型压缩——你甚至不需要额外关注这一步骤。　　下面是一段精简的流程说明，展示你将会看到的主要步骤。　　(1) 首先，在Data→Curate模块中创建你的训练集和测试集。　　(2) 在AI Explore™页面中训练模型，并探索不同的特征空间与决策结构。点击“Start Explore”后，系统会自动训练和测试多种模型，并根据性能对它们进行排序。在Explore的结果中，你会同时看到部分模型的基线版本与压缩版本。当某个基线模型在不降低准确率的情况下可以进一步缩小体积时，工具会自动生成其压缩版本。压缩模型会使用一个特殊符号标记(如图7中红色箭头所示)。相反，没有该符号的则是未压缩的原始基线模型。　　一旦你确定了需要进一步评估与部署的模型，可以从该模型创建一个Base Tool，以便继续开展后续工作。此时，压缩后的模型即可用于重新训练、测试、优化以及部署，使用方式与原始基线模型完全一致。　　对于用户来说，使用压缩模型是完全透明的。它在系统中会像其他任何Trained Tool模型一样工作，不需要额外步骤或特殊处理。　　(3) 你可以在Test&Optimize→Try New Data区域测试压缩后的模型。选择压缩版本的Trained Tool模型以及所需的测试数据集，然后运行Accuracy Test(准确率测试)，即可评估该模型在未见过的数据上的表现。　　(4) 部署同样非常简单。在验证压缩模型并确认其性能符合预期后，你可以进入Deploy→Embedded完成部署流程。选择已经训练好的压缩模型，并根据目标嵌入式系统的约束条件创建新的部署包。随后，下载生成的可导出模型包，并将其部署到目标硬件板上。与Reality AI Tools®中其他模型的部署方式完全一致，使用压缩模型无需任何额外步骤或特殊处理。　　结论　　在部署机器学习模型时，仅有高准确率还远远不够。模型还必须满足严格的内存预算，并在资源受限的环境中高效运行。我们先进的神经网络模型压缩技术，使开发阶段的高性能模型能够轻松过渡为可部署于边缘设备的轻量化AI解决方案。
关键词：
发布时间：2026-03-13 09:48 阅读量：339 继续阅读>>
<span style='color:red'>瑞萨</span>电子宣布Renesas 365全面上市
行业新闻

瑞萨电子宣布Renesas 365全面上市

　　全球半导体解决方案供应商瑞萨电子(TSE：6723)今日宣布，由Altium提供技术支持的智能模型化平台“Renesas 365”正式全面上市：该平台可将元器件与解决方案查找、模型化系统开发，以及早期概念验证集成于统一平台。Renesas 365是业界领先的基于云端环境构建的平台，致力于通过开放生态系统大规模实现芯片与系统深度融合。　　在现代嵌入式设计中，工程师常面临工作流程脱节、手动查找元器件，以及系统级认知有限等问题。Renesas 365将嵌入式软件文件、数据手册和应用说明等此前相互独立的工具整合至一个精简的云端管理的平台上，有效解决了这些问题。借助Renesas 365，工程团队可以协同探索架构、并行开发软硬件，并基于实时洞察做出系统级设计决策。　　自相关概念发布以来，瑞萨现已推出Renesas 365的第一阶段版本，集成超过550款型号的RA系列微控制器(MCU)——业界卓越的Arm®架构MCU产品系列，并配套提供完整开发工具。　　借助模型化的评估与优化技术，工程师如今可将Renesas 365作为一个智能设计环境：它能根据完整的系统需求，主动辅助筛选合适的MCU。工程师无需再逐一地筛选数据手册，而是基于引脚使用情况、外设、时序、功耗，以及元器件与系统构建模块的匹配程度获得引导式推荐方案。这意味着，工程师原本需要花费一小时来查阅数据手册和工具需求的任务，如今几分钟内即可完成，可大幅缩短评估时间。这种系统级智能可加速设计融合，最大限度减少后续返工，同时支持更强大、高效且具成本效益的嵌入式设计，提升产品上市速度。　　Gaurang Shah, Vice President and General Manager of Embedded Processing at Renesas表示：“Renesas 365的全面上市，标志着瑞萨数字化愿景关键里程碑的达成。通过推出支持早期开发的智能设计环境第一阶段版本，我们也同时为下一阶段产品奠定了基础：届时硬件和软件子系统元素都将可以在Renesas 365内进行维护。这将助力客户以更低成本加速构建、扩展和维护下一代软件定义产品。”　　结合e² studio集成开发环境(IDE)、灵活配置软件包(FSP)，和智能文档功能，工程师可利用专门为RA MCU产品(包括传感、电源管理和编译器支持)创建的集成设计工作流程。　　Renesas 365的关键特性　　模型化的元器件与系统探索、发现及选型　　贯穿系统、硬件与软件工作流的数字连续性　　AI辅助的设计约束指导、资源管理和错误纠正　　RA MCU的空中下载(OTA)设备管理　　现有客户可将在e² studio中的现有项目与Renesas 365平台相关联，并立即启用该平台。而新项目开发者将获得系统级元器件与解决方案发现层面的引导，以识别兼容设备并评估可行性。这种系统级上下文感知能力可显著加快早期开发进程，减少迭代次数。　　数字化连接的软硬件配置　　当工程师对其系统进行修改时，该平台会自动记录迭代过程，并将其与系统级设计元素相关联，以便团队能够回溯任何软硬件配置。凭借上下文感知智能系统，Renesas 365有助于识别资源或设计约束，提出解决方案，帮助团队以更少的迭代次数和更高的信心做出设计决策。此外，Renesas 365还允许客户通过集成的OTA功能，在初始设计完成后持续管理和更新基于RA的产品。　　为灵活性而打造的开放平台　　Renesas 365是一个开放且可扩展的平台，旨在反映电子系统在现实世界中的开发方式。开发人员可以选择将第三方元器件、传感器和合作伙伴工具直接集成到其系统设计中。这种开放的策略使得开发团队能够在集成的系统级环境下全面权衡设计选择，从而灵活采用多供应商架构，构建真正契合需求的解决方案。　　拓展Renesas 365生态系统　　目前正在开发中的Renesas 365下一阶段版本，将推动完整子系统构建模块作为平台维护组件进行建模。作为此计划的一部分，将支持更多的瑞萨产品家族，且组件生态系统将包含更多第三方产品。外设配置、电源管理和软件等子系统组件，将实现自动定义、维护，与兼容性验证。借助这些可定制的构建模块，客户将能够加快产品上市速度，减少工程工作量，并获取前沿技术。
关键词：
发布时间：2026-03-12 13:46 阅读量：273 继续阅读>>
<span style='color:red'>瑞萨</span>电子推出28纳米RH850/U2C汽车微控制器，拓展面向车辆控制与汽车安全应用领域的产品阵容
行业新闻

瑞萨电子推出28纳米RH850/U2C汽车微控制器，拓展面向车辆控制与汽车安全应用领域的产品阵容

　　全球半导体解决方案供应商瑞萨电子(TSE：6723)今日宣布推出基于28纳米制造工艺的全新32位汽车微控制器(MCU)RH850/U2C。该MCU配备丰富的通信接口与先进的信息安全性能，可广泛应用于乘用车及摩托车的底盘与安全系统、电池管理系统(BMS)、照明及电机控制等车身控制领域，以及其他通用汽车最高功能安全等级(ASIL D)的应用场景。　　作为入门级产品，RH850/U2C的推出进一步扩充了瑞萨广受欢迎的RH850/U系列产品线，与定位高端的RH850/U2B及中端RH850/U2A产品形成互补。该款MCU集成多达四颗运行频率高达320MHz的RH850中央处理器(CPU)内核(其中含两颗锁步内核)，并配备高达8MB的片上闪存。现有采用RH850/P1x或RH850/F1x系列产品的开发人员可平滑迁移至这款全新的MCU，从而轻松应对新一代E/E架构的技术要求。　　面向当前及下一代系统的通信接口　　RH850/U2C支持面向现代E/E架构设计的多种接口，包括以太网10base-T1S、以太网时间敏感网络(TSN，1Gbps/100Mbps)、CAN-XL以及I3C。同时，它还能全面兼容当前广泛使用的各种接口，如CAN-FD、LIN、UART、CXPI、I²C、I²S以及PSI5。这种全面的接口配置可兼容现有ECU，支持跨代际的分步平滑迁移。随着越来越多的车载网络向域控制架构和区域控制架构转型，RH850/U2C能够提供灵活的系统配置与出色的可扩展性，有效降低网络设计的复杂度。　　强大的功能安全与网络安全特性　　该款MCU符合ISO 26262标准，满足最高ASIL D的功能安全要求。为满足当前网络安全要求，此款MCU设计遵循最新ISO/SAE 21434标准，支持涵盖后量子密码(PQC)及中国与其他国际法规强制要求的各类加密算法。通过专用的硬件加速器，该MCU可卸载加密运算任务、降低CPU负载，从而实现高吞吐量的数据处理能力。　　功耗优化的MCU架构　　基于成熟的28纳米制造工艺，RH850/U2C在工作模式与待机模式下均可实现显著的功耗优化。其专属的待机模式还可进一步降低芯片在深度停机与间歇运行状态下的功耗。这些低功耗模式有助于提升电源设计裕度，降低散热需求，并确保系统在环保法规日趋严格的背景下持续合规。　　Satoshi Yoshida, Vice President of the High-Performance Computing MCU Division at Renesas表示：“随着现代ECU通过软件更新与新增功能持续演进，如何在保证系统稳健性的同时兼顾运行效率变得至关重要。RH850/U2C融合卓越性能、丰富功能及行业关键标准合规性，能够满足下一代ECU的需求。这正是客户构建可靠、可扩展汽车系统所需要的理想平台。”　　Christoph Wenger, Chief Expert Semiconductor at Vehicle Motion at Bosch表示：“瑞萨RH850 MCU系列凭借其久经验证的可靠性，长期以来为我们的系统提供有力支持。我们很高兴看到RH850/U2C的推出，进一步完善了瑞萨的汽车产品矩阵。这款基于28纳米制造工艺的MCU兼具出色性能与卓越品质，我们期待与瑞萨继续深化双方的合作。”　　全方位开发支持　　RH850/U2C提供完善的开发环境，助力客户缩短产品上市周期。开发人员可使用业界先进的编译器与集成开发环境(IDE)，搭配由瑞萨及其生态合作伙伴提供的汽车级认证软件包。这些方案满足最高等级的功能安全要求，符合ISO 26262标准(可达ASIL D级)。为便于快速评估与项目启动，瑞萨还提供专用的RH850/U2C入门套件。
关键词：
发布时间：2026-03-05 10:58 阅读量：332 继续阅读>>
<span style='color:red'>瑞萨</span>官宣中国区新总裁！
行业新闻

瑞萨官宣中国区新总裁！

　　全球领先半导体解决方案供应商瑞萨电，子今日宣布两项关键高层人事任命，全面强化印度与中国两大高增长市场的战略执行与本土管理，新任命自 3 月 1 日起正式生效。　　瑞萨中国区总裁刘芳( Yvonne Liu)：曾任中华区汽车业务总经理　　Malini Narayanamoorthi 升任副总裁兼瑞萨电子印度总裁。她此前担任印度区总经理及模拟与混合信号产品集团工程副总裁，任职期间持续夯实客户合作、推动重大项目落地、强化全球协同，为瑞萨在印度业务扩张奠定坚实基础。履新后，她将全面统筹印度市场战略，依托当地快速成长的技术生态与人才储备，抢抓国家级重点项目带来的发展机遇。　　行业资深人士刘芳(Yvonne Liu)出任副总裁兼瑞萨电子中国总裁。刘芳拥有 26 年半导体全价值链从业经验，深耕汽车、消费电子、工业、物联网与网络安全等领域，加入瑞萨前曾担任恩智浦半导体副总裁兼大中华区汽车业务总经理，具备出色的跨领域业务领导与市场拓展能力。她将全面负责瑞萨中国区运营与战略落地，深化本土客户与生态合作，助力公司在全球核心技术市场持续增长。　　Malini与刘芳均直接向Hidetoshi Shibata(柴田英利)，瑞萨电子CEO汇报工作。　　柴田英利表示，中国与印度是瑞萨长期战略增长核心市场，本次管理层强化将进一步提升区域决策效率、深化客户合作、强化综合竞争力，彰显瑞萨深耕亚洲最具活力科技生态、推进全球一体化布局的坚定承诺。　　瑞萨电子(Renesas Electronics)是全球领先的嵌入式半导体解决方案供应商，也是日本半导体产业的核心企业，总部位于东京，在东京证券交易所上市(TSE：6723)，由柴田英利(Hidetoshi Shibata)担任CEO。　　公司始于2003年日立与三菱电机半导体部门合并的瑞萨科技，2010年与NEC电子合并后正式定名。目前全球员工约2.19万人，业务覆盖20多个国家，2024财年营收约1.35万亿日元。　　瑞萨核心优势集中在车规级芯片，汽车MCU全球市占率超30%稳居第一，主力产品包括RH850系列MCU、R-Car系列SoC等，服务全球主流车企。同时布局工业自动化、物联网、基础设施等领域，提供全栈芯片解决方案，技术符合车规、工规安全标准，生态完善。
关键词：
发布时间：2026-03-02 16:35 阅读量：360 继续阅读>>
<span style='color:red'>瑞萨</span>丨尖叫声检测：人工智能如何识别人声尖叫并协助应急救援
行业新闻

瑞萨丨尖叫声检测：人工智能如何识别人声尖叫并协助应急救援

　　在灾害救援、安全防护以及医疗护理等领域，识别人声尖叫至关重要。想象一下，当你被困在电梯里，而常规通讯方式已经失效，此时，一套尖叫声检测系统能够识别你的求救尖叫信号，并立即启动应急响应，例如通知安保人员或触发警报，从而迅速提供援助，挽救生命。　　瑞萨的Reality AI尖叫声检测是一款专门用于识别人类尖叫声的机器学习模型。该模型并非仅通过高音量的声音判断，而是经过充分训练，可在各种背景噪声中准确辨别出真正的求救尖叫声。与此同时，该系统还能够实现救援力量的即时派遣，这在封闭或隔离、对安全性要求极高的环境中尤为重要。　　尖叫声检测是如何实现的?　　尖叫声检测模型基于采集到的音频数据进行训练，从而学会区分不同类型的声音。该机器学习模型的开发步骤如下：　　采集与训练数据：训练模型首先从大量音频数据的采集开始。需要使用包含多种真实环境音频样本的公开数据集*。其中的“Scream(尖叫)”类别包含强烈的非语言尖叫声和带有言语的尖叫声，这些数据被用于训练模型识别尖叫信号。为了让模型准确判断哪些声音不是尖叫声，在训练中还加入了多类非尖叫声音，如风声、环境噪声、对话声、歌声、音乐声和鼓掌声等，以提升模型的区分能力。　　提取特征：下一步，从音频文件中提取关键声学特征，帮助模型在复杂噪声环境中识别出尖叫声特有的特征信号。　　训练模型：在确定了最佳的特征后，使用机器学习分类器对模型进行训练，使其能够区分“尖叫”与“非尖叫”音频。训练过程中不断调整模型参数，来降低识别误差并提升模型整体性能。　　通过以上方法，可以构建出一个高效的尖叫声检测系统，确保应急响应迅速可靠，为多种应用场景提供关键的安全保障。　　应用示例　　从真实环境中采集的音频信号被用于构建瑞萨VOICE-RA6E1语音用户演示套件。这些音频随后由瑞萨Reality AI Tools训练的分类模型进行处理，用于判断声音是否属于尖叫声。　　在实际测试中，瑞萨的尖叫声检测模型在距离测试板2米以内，对尖叫声的识别准确率达到了90%以上。测试环境中还加入了风声、电梯音乐、对话声、婴儿哭声和电话铃声等背景噪声，以验证模型在复杂环境下仍能准确识别求救尖叫。　图1：尖叫声检测工作流程　　轻松构建应用示例　　用户可以使用瑞萨的e²studio IDE采集音频信号，并集成由瑞萨Reality AI Tools生成的AI模型。从公开数据集*采集数据后，可使用Reality AI Tools完成提取特征、训练模型，并将最终模型部署为C代码。　　部署完成后，模型可在e²studio IDE中进行实时测试。集成后，用户可以使用VOICE-RA6E1开发板在真实环境中对模型进行充分验证，并通过AI实时监视器(AI Live Monitor)可视化测试结果。图2：AI Live Monitor　　体验瑞萨Reality AI Tools与e²studio IDE在模型训练、部署和测试中的无缝且快速集成能力。　　总结　　Reality AI尖叫声检测应用展示了机器学习在提升多场景安全性的巨大潜力，同时也展示了用户如何利用瑞萨技术，将先进的提取特征、训练和部署模型与实时响应能力相结合。可扩展的Reality AI Tools转换工具能够为多种瑞萨MCU和MPU设备生成机器学习模型。
关键词：
发布时间：2026-02-27 15:00 阅读量：364 继续阅读>>
实力认证！<span style='color:red'>瑞萨</span>电子荣获“2025年度电子产业卓越奖”
行业新闻

实力认证！瑞萨电子荣获“2025年度电子产业卓越奖”

　　近日，工程师社区与行业资讯平台21ic电子网正式揭晓“2025年度电子产业卓越奖”获奖名单。本次评选覆盖电子产业链关键环节，设立九大权威奖项类别。瑞萨凭借在微控制器领域的创新表现与显著落地成果，荣获“微控制器(MCU)技术创新奖”。　　微控制器(MCU)技术创新奖　　微控制器(MCU)技术创新奖项评选，综合考量技术创新深度、行业应用广度与市场影响力等核心指标。此次获奖，展示出业界对瑞萨在微控制器领域技术实力与生态构建能力的高度认可。　　作为全球微控制器供应商，瑞萨打造了涵盖8位、16位、32位全系列MCU的丰富产品阵容，核心产品包含RA系列、RX系列、RZ系列、RL78系列以及RH850汽车MCU等，各产品系列之间可实现完整的功能兼容以及引脚对引脚兼容，且具备快速、可靠及高性价比优势，实现环保性能与灵活适配，帮助客户加速开发进程。
关键词：
发布时间：2026-02-12 10:16 阅读量：520 继续阅读>>
技术干货丨<span style='color:red'>瑞萨</span>：利用汽车电感式位置传感器推动线控和电机控制的未来
行业新闻

技术干货丨瑞萨：利用汽车电感式位置传感器推动线控和电机控制的未来

　　汽车行业正处于历史性变革之中。电气化、自动驾驶和软件定义架构正在重塑车辆设计和功能。最关键创新应用包括：　　1、线控转向、制动相关应用;　　2、转向、制动、节气门和变速箱中机械连杆的电子替代;　　3、动力总成的高速电机控制。图1：面向汽车全球市场的全球线控系统。不同型号车辆的市场规模。*资料来源：2030年汽车线控系统市场规模报告　　这些技术助力车辆实现轻量化、更安全、高能效的升级，却也带来了传统传感解决方案难以应对的新挑战。　　现代汽车系统面临的主要挑战　　更高功能安全：转向和制动是安全关键功能。任何故障都可能导致灾难性事故。这些系统必须符合ISO 26262标准并达到ASIL D等级(汽车安全完整性等级)，实现跨平台和架构安全性的同时，保持高性价比，且传感器必须提供冗余通道、诊断和故障安全机制。　　电磁抗扰度：电动汽车动力总成和高压系统会产生强大的杂散磁场。传统的磁传感器(霍尔效应、磁阻式)可能会出现信号失真或故障。传感器不受杂散磁场干扰的特性，可确保在恶劣的电动汽车环境中可靠运行。　　紧凑、轻巧的设计：设备制造商的目标是减轻重量以提高效率和续航里程。因此，位置传感器必须安装在狭小的空间内，且需保证高精度和高可靠性。这意味着基于PCB的电感式传感器将取代笨重的旋转变压器或基于磁铁的传统方案。　　高速性能：支持600k rpm的电气转速。这对传感器的要求很严格：超低延迟(<100ns)和高分辨率，以实现精确控制，任何延迟或错误都可能导致扭矩纹波、振动或安全隐患。　　成本和可持续性：传统传感器中使用的稀土磁铁价格昂贵且存在环境问题。目标去除磁铁并简化机械设计。因此，无磁电感式传感器可降低成本，提高可回收性，并支持可持续发展目标。图2：汽车线控系统市场。市场份额-按具体应用分类。　　瑞萨电感式位置传感器　　瑞萨电子新发布的电感式位置传感器(IPS)IC，包括车规级RAA2P452x和RAA2P4500，为这些挑战提供了突破性的解决方案。利用无磁电感技术，这些传感器提供：　　杂散磁场免疫：IPS技术本质上不受磁干扰，使其成为电动汽车环境的理想选择。　　高精度和速度：高达19bits分辨率和低于100ns的传播延迟确保了高速电机的精确控制。　　灵活的配置：支持转向、制动和牵引应用的轴端、穿轴和轴侧设计。　　纤薄、轻巧的外形：非常适合空间受限的汽车系统。　　ISO 26262合规性：实现ASIL C/D系统级安全要求。　　免维护操作：无磁铁、无磨损、无需重新校准，降低成本。　　瑞萨IPS与MCU、驱动芯片等相结合，可为客户提供线控转向、线控制动和主驱电机控制的完整解决方案。　　为什么选择电感技术　　与磁性或光学编码器相比，电感式传感器在严苛的汽车应用环境中表现突出：　　不受灰尘、湿气、振动和杂散磁场的影响。　　无稀土磁铁，成本低，环境影响低。　　长期稳定，减少维护需求。　　这使得IPS成为下一代电动汽车和ADAS平台的理想选择。　　使用电感式位置传感器线圈工具加速您的设计　　为了简化定制，瑞萨电子提供了电感式位置传感器线圈工具，这是一种功能强大的基于Web的设计工具，可以：　　自动执行线圈布局和仿真。　　预测线性误差和电感。　　提供用于PCB制造的Gerber文件。　　支持旋转、线性和圆弧运动模板。　　使工程师能够实现最佳性能，而无需手动试错。
关键词：
发布时间：2026-01-27 10:36 阅读量：554 继续阅读>>

跳转至

/ 31

热门分类
半导体 电路保护 机电产品 嵌入式解决方案 连接器，互连器件 传感器，变送器 光电元件 开发套件 测试与测量 电源 风扇，热管理 盒子，外壳，机架 电缆，电线 无源元件 其它
  • 一周热料
  • 紧缺物料秒杀
型号 品牌 询价
CDZVT2R20B ROHM Semiconductor
RB751G-40T2R ROHM Semiconductor
BD71847AMWV-E2 ROHM Semiconductor
TL431ACLPR Texas Instruments
MC33074DR2G onsemi
型号 品牌 抢购
BP3621 ROHM Semiconductor
ESR03EZPJ151 ROHM Semiconductor
STM32F429IGT6 STMicroelectronics
BU33JA2MNVX-CTL ROHM Semiconductor
TPS63050YFFR Texas Instruments
IPZ40N04S5L4R8ATMA1 Infineon Technologies
热门标签
ROHM
Aavid
Averlogic
开发板
SUSUMU
NXP
PCB
传感器
半导体
原厂授权品牌
更多授权品牌>>
资讯排行榜
  • 周排行榜
  • 月排行榜

关于我们
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