跳转到主要内容

MCU 和 MPU 的实时分析功能

边缘 AI 与 TinyML 为企业使用在高度受限的边缘节点上运行的机器学习打造智能产品功能奠定了基础。

Reality AI 是一个边缘 AI 软件开发环境,在每个瑞萨 MCU/MPU 核心上结合了先进的信号处理、机器学习以及异常检测功能。 该软件基于独有的 Reality AI ML 算法,能够提供准确、可读的结果,支持各种应用。 包括设备监测、预测性维护以及用户行为与周围环境感知 — 可在几乎不影响物料清单的条件下将这些功能添加到产品之中。

在瑞萨处理器上运行的 Reality AI 软件将帮助您的产品实现端点智能化,并为您在所有市场中的解决方案提供支持。

试用 Reality AI Explorer,亲自体验 Reality AI Tools 如何帮助您为工业、汽车和商业场景开发 AI 和 TinyML 解决方案。

技术优势

完全集成式工具链

Reality AI 软件可集成至瑞萨 e2studio,并且支持所有瑞萨内核以及 MCU 开发板。 可作为附加选项集成至瑞萨电机控制套件。

占位面积小,并能确保速度和准确性

区别于其他方法采用量化、压缩、剪枝或在精简模型的同时会降低准确性的其他机器学习技术,Reality AI 将先进的信号处理方法与机器学习相结合,可提供完整的准确性,结构紧凑且不会牺牲性能。

模型可解释,透明度高

工程师无法在不熟悉解决方案的情况下完成部署,因此 Reality AI 基于时间和频率使模型功能完全透明,并且提供了可在 C 或 MATLAB 程序中使用的完整代码。 您可以向同事和利益相关者解释模型运行背后的原理以及它们值得信赖的原因。

成本优化

仪器与数据收集在大部分机器学习项目中的成本占比超过 80%,而 Reality AI 的分析有助于降低这两方面的成本。 Reality AI Tools® 可以找出最具成本效益的传感器通道、理想的传感器位置并生成最低组件规格。 它还可以通过在收集数据时查找检测和数据处理问题来帮助管理数据收集的成本。

Reality AI 软件解决方案

Reality AI Tools®

自动研究传感器数据并生成优化模型

RealityCheck™ AD

监测工厂与过程工业资产的异常检测

汽车声音识别(SWS)

将软硬件相结合,为乘客提供更高水平的保护

RealityCheck™ HVAC 解决方案套件

完整的智能自诊 HVAC 系统框架

RealityCheck™ 电机工具箱

可实现预测性维护与异常检测的高级软件工具箱

Reality AI Utilities

瑞萨电子 e² studio 插件模块

资源

文档

类型 文档标题 日期
白皮书 PDF 2.20 MB
白皮书 PDF 951 KB
传单 PDF 679 KB
白皮书 PDF 655 KB
白皮书 PDF 875 KB 日本語
白皮书 PDF 717 KB
6 items

视频和培训

Reality AI概述

了解如何使用Reality AI 软件和工具在Renesas 的低功耗通用微控制器上使用传感器和机器学习来开发产品。访问renesas.com/ai了解更多信息

新闻和博客

通过三相 BLDC/PMSM 电机上的无传感器负载检测提高电机性能并降低应力 博客 2024年10月17日
使开发人员能够免费使用高级 AI/ML 开发工具 博客 2024年7月22日
全新Reality AI Explorer Tier,免费提供强大的AI/ML开发环境综合评估“沙盒” 新闻 2024年7月16日
Design AI/ML Applications the Easy Way 博客 2024年3月13日
瑞萨电子整合Reality AI工具与e² studio IDE扩大其在AIoT领域的卓越地位 新闻 2023年9月21日
How to Maximize the Lifespan of Electric Motors 博客 2023年6月30日
What’s Wrong with My Machine Learning Model? 博客 2022年10月13日
What is a Sensor, Anyway 博客 2022年10月13日
Want to Reduce the Cost of Data Collection for Edge AI with Sensors? Only Do It Once. 博客 2022年10月13日
Successful Data Collection for Machine Learning with Sensors 博客 2022年10月13日
Rich Data, Poor Data: Getting the Most Out of Sensors 博客 2022年10月13日
Peaks and Valleys: How Data Segmentation Can Conserve Power and CPU Cycles in Edge AI Systems 博客 2022年10月13日
It’s All About the Features 博客 2022年10月13日
How Do You Make AI Explainable? Start with the Explanation 博客 2022年10月13日
FFTs and Stupid Deep Learning Tricks 博客 2022年10月13日
Embedded AI – Delivering Results, Managing Constraints 博客 2022年10月13日
Edge AI – Difference Between a Project and a Product 博客 2022年10月13日
Comprehensive AI Engineering Software for Making Smart Edge Devices with Sensors 博客 2022年10月13日
Bias Isn’t Always Bad 博客 2022年10月13日
5 Tips for Collecting Machine Learning Data from High-Sample-Rate Sensors 博客 2022年10月13日
3 Ways to Make Your Machine Learning Projects Successful 博客 2022年10月13日

工具集资源