Satoshi Owada AI業務開發高級主管工程師

近年來，各種類型和型號的真空吸塵器都實現了各種新功能。一個關鍵功能是地板類型檢測，它有助于在許多情況下保持一致操作，并且可以提供許多好處，包括：

降低功耗

用戶操作簡單

電機降噪

功耗是所有電池供電型號的關鍵考慮因素，但在機器人清潔器中尤其重要。

檢測地板類型的方法

由于在頭上運行電刷的成本、維護和噪音的改善，無刷直流電機已經占領了更多的市場。實施逆變器或MCU來驅動 BLDC電機的成本越來越便宜。在這里，我們介紹了一個典型的用例，該案例采用具有無傳感器地板類型檢測功能的 BLDC電機。

圖1. 地板式檢測組件

獲取電機控制信息：與電機控制邏輯共享來自分流寄存器的反饋信息。

存儲固定長度數據：獲取數據的決策窗口。

特征提取：系統從電機控制信息中提取特定特征。

分類：提取后，使用分類器對地板類型進行分類。

通過使用這種實現方式，由于不需要額外的傳感器，因此可以顯著降低BOM成本。

瑞薩電子提供的應用示例

瑞薩電子地板類型檢測解決方案專為速度和響應能力而設計，同時保持高精度。我們以最低的BOM成本利用RA和RX MCU平臺的硬件。在這個解決方案中，我們使用的是RA6T2 MCU。

在概念驗證（PoC）單元中，我們的模型將地板分為兩種類型：軟地板和硬地板。通過添加訓練數據，您可以輕松增加要分類的樓層類型的數量。

圖2. 解決方案工作流程

圖3. 概念驗證單元

此用例中的模型大小：

參數：2678 bytes
堆棧使用：2560 bytes
預分配：12 bytes
代碼：2008 bytes

使用RA6T2 MCU的推理時間約為1毫秒至2毫秒。

我們是如何創建應用示例的？

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開發支持工具，用戶可以優化電機參數、收集數據、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。

更多相關信息您可識別下方二維碼或復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有變量來收集真實的電機控制數據，并記錄了地板類型的數據以進行分類。這些數據被饋送到Reality AI的特征提取和訓練引擎，以開發和輸出模型。我們實現了100%的訓練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優化功能會從電機信息的數十個現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訓練結果

在實際硬件上實施模型之前，可以使用另一個未用于訓練的記錄數據集對模型進行測試，以便在Reality AI上進行確認，以減少開發工作量。一旦達到預期的精度，該模型就會被重新集成到 e2 studio項目中。然后，該模型在現場環境中進行了廣泛的測試。

要將機器學習模型產品化，有時需要了解機器學習模型的工作原理以及它如何確定結果以避免黑盒情況。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

在進一步或將來增強的情況下，Renesas還提供了一種重新訓練模型的方法。只需更新機器學習模型參數，即可輕松改進Reality AI Tools創建的模型。這些參數可以放置在flash的單獨區域，例如數據區域，并且可以通過無線（OTA）非常容易地更新。

結論

地板類型檢測示例展示了Renesas Reality AI Tools在解決實際挑戰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據收集來進行靈活的擴展。