從感測到嵌入式智慧的Renesas Reality AI工具

Posted By owenou on 7 月 14, 2025 in Reality AI, Renesas, 技術導讀, 解決方案 | 0 comments

作者：歐敏銓

從一塊開發板、一顆感測器，與一個 Reality AI 帳號開始，實現資料驅動的智慧應用開發吧。

在嵌入式系統開發的過程中，資料往往是最珍貴的資源。但過去要把這些原始數據轉化為可以部署的 AI 模型，對開發者而言挑戰不小，Reality AI Tools 與 Reality AI Utilities 是 Renesas 提供的兩套緊密相關但定位不同的 AI 開發工具，主要用於加速嵌入式 TinyML 及邊緣 AI 解決方案的開發。

Reality AI Tools 是一個功能完整且專業的 AI 模型生成與優化平台，適合需要深入分析與高效模型生成的用戶；Reality AI Utilities 則是針對嵌入式開發者設計的輔助工具，降低 AI 開發門檻，提升開發效率。兩者相輔相成，協助開發者從資料收集、模型訓練到硬體部署，實現端到端的嵌入式 AI 解決方案。

Reality AI Tools及Utilities 工具簡化了端對端邊緣 AI 開發（source）

Reality AI Tools 定位

Reality AI Tools 是一個完整的 AI 平台，專注於基於高級信號處理技術，幫助工程師自動探索感測器數據，生成並優化 TinyML/Edge AI 模型。
它包含豐富的分析功能，能找出最佳感測器組合、感測器放置位置及自動生成零件規格，並提供時域與頻域的可解釋模型。
生成的模型可直接部署於 Arm Cortex M/A/R 等 MCU/MPU 平台，支援多種工業、汽車與商業應用。
Reality AI Tools 亦提供 BOM 成本優化與資料品質管理，幫助降低開發成本與提升模型準確度。
用戶可透過 Reality AI Explorer tier 免費體驗其功能，並利用與 Renesas e² studio 的無縫整合，快速完成從資料收集、模型訓練到部署的完整流程。

Reality AI Utilities 定位

Reality AI Utilities 是 Reality AI Tools 的輔助工具集，主要用於簡化輕量級機器學習模型的建立過程。
它集成於 Renesas e² studio 開發環境中，提供資料收集、模型訓練、性能驗證與部署的便捷介面。
Utilities 透過減少開發複雜度，提升模型穩定性與準確度，使嵌入式工程師能更直接地操作 AI 工具。
可作為 e² Studio 的插件使用，Utilities也可作為 CS+、Keil 和 IAR 等其他常用 IDE 中的獨立工具使用。
它強調與 Reality AI Tools 的功能互補，讓開發者能在熟悉的 IDE 中快速進行 AI 開發與調試。

Reality AI Tools及Utilities 工具定位比較

工具與平台整合：從硬體到雲端，無縫銜接

開發過程的第一步，從硬體選擇展開。Reality AI Tools 支援多款 Renesas 開發板，例如 RA6M3、RA4E1、RA8P1、RZ/V2L 等，從低功耗的語音與動作識別，到高階視覺推論應用都能涵蓋。開發者需根據應用需求搭配合適的感測器模組，如加速度計、麥克風或影像感測器。

Renesas為嵌入式AI系統提供可擴展的產品和開發環境(source)

搭配 Renesas 的 e² studio，Reality AI Tools 提供嵌入式開發者一個完整的開發環境：它與 Reality AI 雲端平台緊密整合，不僅能從 IDE 直接匯入專案，還能同步資料、傳輸 API Key 進行即時驗證與連線測試。這樣的整合讓開發者不再需要切換多個環境或撰寫繁瑣的傳輸程式碼，只需在一個平臺上，便能完成從資料擷取到模型部署的所有環節。

感測資料收集與 AI 訓練轉化

開發者可透過 Reality AI Data Shipper 或 Data Collector 工具，從實體開發板收集各式感測器數據，像是設備震動訊號、語音片段、環境音、機械操作聲響等。這些數據會儲存於本地，再透過 e² studio 上傳至 Reality AI 雲端平台。這時可透過Reality AI Utilities這個插件工具來進行，它包含以下內容：

資料儲存工具：從您的硬體擷取感測器和麥克風訊號，並將其上傳到 Reality AI Tools® 雲端平台，以進行高保真訊號分析和 AI 模型開發。
AI Live Monitor：在裝置上視覺化即時推理，包括原始類別分數和後處理邏輯，幫助開發人員透過即時回饋調試和優化模型。
Hardware in Loop (HIL) 測試：使用下載的測試資料集直接在瑞薩硬體上對 AI 模型進行批量測試，從而可以在真實條件下進行快速、準確的驗證。

Reality AI Utilities 能透過自動化簡化傳統複雜的嵌入式 AI 專案開發遵循以下工作流程。以下是端到端的工作流程圖：

(source)

》關於Reality AI Utilities深入介紹，請見官方Blog： Accelerate Your Embedded AI Development with Reality AI Utilities

在雲端平台中，Reality AI Tools 提供一套智慧資料處理機制，能自動探索與分析時域與頻域特徵，選出最佳感測器配置與資料切割方式，讓資料科學不再是黑箱作業。

無論是想訓練一套可偵測異常設備震動的模型，或是辨識語音觸發指令，Reality AI Tools 都能提供合適的訓練策略與模型自動化流程，並可針對 Arm® Cortex® M/A/R 系列處理器進行最佳化生成。

模型部署與效能調校：從雲端回到現場

訓練完成的模型不僅能匯出，更可直接在 e² studio 專案中整合與編譯，進而部署至 MCU/MPU 開發板上進行即時測試。開發者可利用視覺化工具觀察模型在實體裝置上的表現，包括 RAM/FLASH 使用量、即時推論運算負載等資訊。

這樣的設計不只是為了效能優化，更重要的是能快速驗證與調整模型，回到 Reality AI Tools 進行微調與再訓練，形成一個資料收集、訓練、部署、驗證的持續循環。這不僅提升開發效率，更讓 AI 模型能真正貼合實際應用情境。

嵌入式AI開發流程

1. 準備工作

硬體需求：需具備 Renesas MCU/MPU 開發板（如 RA6M3、RA4E1 等）及相應感測器（如加速度計、語音模組等）。
軟體需求：安裝 e² studio（2024-04 版以上）、Reality AI Tools 帳號、相關驅動與配套工具。
帳號註冊：申請 Reality AI Tools 帳號，並於 portal.reality.ai 登入。

2. 整合 e² studio 與 Reality AI Tools

Reality AI Tools 已與 e² studio 整合，可無縫傳輸資料與專案：

在 e² studio 中匯入官方提供的範例專案。
於 Reality AI Tools 網頁建立新專案，取得 API Key，並在 e² studio 進行認證與連線測試。
透過 Reality AI Data Storage Tool 進行資料同步與管理。

3. 資料收集與上傳

使用 Reality AI Data Shipper/Collector 工具，從開發板收集感測器數據（如加速度、聲音等）。
數據會儲存於本地，再透過 e² studio 上傳至 Reality AI Tools 雲端平台。

4. AI 模型訓練與生成

在 Reality AI Tools 平台上自動探索數據特徵，選擇最佳感測器組合與放置方案。

使用內建的時域/頻域特徵分析工具，進行模型訓練與驗證。

支援 TinyML/Edge AI 模型生成，並可針對 Arm® Cortex® M/A/R 進行優化。

5. 模型部署與整合

訓練完成後，可直接將模型下載並整合到 e² studio 專案中。
透過 e² studio，將 AI 模型部署至 Renesas MCU/MPU 實體開發板。
支援視覺化性能分析（如 RAM、FLASH、運算量）與即時調試。

6. 測試與優化

利用開發板進行現場測試，驗證模型在實際應用中的表現。
可根據測試結果，回到 Reality AI Tools 平台進行模型微調與再訓練。

開發板選擇指南：選對硬體，是成功的一半

要讓 Reality AI Tools 發揮最大效益，選擇合適的開發板至關重要。對於入門或功耗敏感的場景，RA6M3 與 RA4E1 提供穩定的 Cortex-M 平台與多樣化感測器介面，是進行 TinyML 開發的理想起點。而像 RA8P1 則進一步結合 1GHz Cortex-M85 與 Arm Ethos-U55 NPU，可進行更即時、更高效的 AI 推論。

如果開發需求進一步延伸到視覺 AI、影像辨識、工業視覺或機器人控制，RZ/V2L 與 RZ/V2H 則是高效選擇。這些 MPU 開發板內建 DRP-AI 加速器與多核心架構，能處理大規模視覺輸入與深度神經網路模型。

每塊開發板都搭載相應的 I/O 介面，如 Pmod、MIPI CSI-2、USB、Ethernet 等，也都能與 Reality AI Tools 平台整合，讓開發者能專注在創造應用價值，而非與硬體與工具間奮戰。