h1_key

  瑞萨电子宣布，将与专注于多核CPU/GPU/FPGA加速技术的全球卓越供应商Fixstars(Fixstars Corporation)联合开发用以优化并快速模拟专为瑞萨R-Car片上系统(SoC)所设计的自动驾驶(AD)系统及高级驾驶辅助系统(ADAS)的软件工具。这些工具在软件开发的初始阶段便可充分利用R-Car的性能优势来快速开发具有高精度物体识别功能的网络模型，减少开发后返工，缩短开发周期。

  瑞萨电子汽车软件开发部副总裁川口裕史表示：“瑞萨持续打造集成开发环境，推动客户充分采用‘软件优先’的方法。此外，通过支持为R-Car量身定制的深度学习模型开发，瑞萨帮助客户搭建AD和ADAS解决方案，同时也减少了上市时间与开发成本。”

  Fixstars公司CEO三木聪表示：“GENESIS for R-Car作为我们与瑞萨联合创建的基于云的评估环境，允许工程师在开发周期的早期评估并选择器件，得到了众多客户的青睐。我们将继续前沿技术的研发，加速可用于维护汽车应用中最新版本软件的机器学习操作(MLOps)。”

  当前的AD和ADAS应用利用深度学习来实现高精度物体识别。深度学习推理处理需要大量数据计算和内存容量。由于在有限的计算单元和内存资源下进行实时处理是一项极具挑战性的任务，因此车载应用上的模型和可执行程序必须针对车用SoC进行优化。此外，从软件评估到验证的过程必须加快，并且需要反复更新以提高准确性及性能。为了满足这些需求，瑞萨和Fixstars已经开发了以下工具。

  用于生成针对R-Car优化网络模型的R-Car神经架构搜索(NAS)工具

  该工具生成深度学习网络模型，可有效利用R-Car器件上的CNN(卷积神经网络)加速器、DSP和内存。这使工程师能够快速开发轻量级网络模型，即使没有对R-Car架构的深入了解或经验，也能实现高度准确的物体识别并获得快速处理时间。

  用于编译R-Car的网络模型R-Car DNN编译器

  该编译器将优化的网络模型转换为可以充分利用R-Car性能潜力的程序。它将网络模型转换为可以在CNN IP上快速运行的程序，并进行内存优化，使高速、有限容量的SRAM性能最大化。

  用于快速模拟已编译程序的R-Car DNN模拟器

  这一模拟器可用来在个人电脑(PC)，而非实际R-Car芯片上快速验证程序的运行。利用这一工具，开发人员可以生成与R-Car相同的运行结果。在让模型更为轻巧和优化程序的过程中，如果推理处理的识别精度受到影响，工程师能够为模型开发提供即时反馈，从而缩短开发周期。

  瑞萨和Fixstars将继续利用联合“汽车软件平台实验室”共同开发深度学习软件，并建立操作环境，通过持续更新网络模型来维持并提升识别精度与性能。