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

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。

更多相關(guān)信息您可識別下方二維碼或復(fù)制鏈接至瀏覽器中打開查看：

e2 studio

https://www.renesas.cn/zh/software-tool/e-studio

Motor Workbench

https://www.renesas.cn/zh/software-tool/renesas-motor-workbench

Reality AI Tools

https://www.renesas.cn/zh/software-tool/reality-ai-tools

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)被饋送到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，Renesas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Renesas 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。