瑞萨电子宣布Renesas 365全面上市-Ameya360 electronic components purchasing network

瑞萨电子宣布Renesas 365全面上市

Release time：2026-03-12

author：AMEYA360

source：瑞萨

reading：712

瑞萨电子宣布Renesas 365全面上市

　　全球半导体解决方案供应商瑞萨电子(TSE：6723)今日宣布，由Altium提供技术支持的智能模型化平台“Renesas 365”正式全面上市：该平台可将元器件与解决方案查找、模型化系统开发，以及早期概念验证集成于统一平台。Renesas 365是业界领先的基于云端环境构建的平台，致力于通过开放生态系统大规模实现芯片与系统深度融合。

　　在现代嵌入式设计中，工程师常面临工作流程脱节、手动查找元器件，以及系统级认知有限等问题。Renesas 365将嵌入式软件文件、数据手册和应用说明等此前相互独立的工具整合至一个精简的云端管理的平台上，有效解决了这些问题。借助Renesas 365，工程团队可以协同探索架构、并行开发软硬件，并基于实时洞察做出系统级设计决策。

　　自相关概念发布以来，瑞萨现已推出Renesas 365的第一阶段版本，集成超过550款型号的RA系列微控制器(MCU)——业界卓越的Arm®架构MCU产品系列，并配套提供完整开发工具。

　　借助模型化的评估与优化技术，工程师如今可将Renesas 365作为一个智能设计环境：它能根据完整的系统需求，主动辅助筛选合适的MCU。工程师无需再逐一地筛选数据手册，而是基于引脚使用情况、外设、时序、功耗，以及元器件与系统构建模块的匹配程度获得引导式推荐方案。这意味着，工程师原本需要花费一小时来查阅数据手册和工具需求的任务，如今几分钟内即可完成，可大幅缩短评估时间。这种系统级智能可加速设计融合，最大限度减少后续返工，同时支持更强大、高效且具成本效益的嵌入式设计，提升产品上市速度。

　　Gaurang Shah, Vice President and General Manager of Embedded Processing at Renesas表示：“Renesas 365的全面上市，标志着瑞萨数字化愿景关键里程碑的达成。通过推出支持早期开发的智能设计环境第一阶段版本，我们也同时为下一阶段产品奠定了基础：届时硬件和软件子系统元素都将可以在Renesas 365内进行维护。这将助力客户以更低成本加速构建、扩展和维护下一代软件定义产品。”

　　结合e² studio集成开发环境(IDE)、灵活配置软件包(FSP)，和智能文档功能，工程师可利用专门为RA MCU产品(包括传感、电源管理和编译器支持)创建的集成设计工作流程。

　　Renesas 365的关键特性

　　模型化的元器件与系统探索、发现及选型

　　贯穿系统、硬件与软件工作流的数字连续性

　　AI辅助的设计约束指导、资源管理和错误纠正

　　RA MCU的空中下载(OTA)设备管理

　　现有客户可将在e² studio中的现有项目与Renesas 365平台相关联，并立即启用该平台。而新项目开发者将获得系统级元器件与解决方案发现层面的引导，以识别兼容设备并评估可行性。这种系统级上下文感知能力可显著加快早期开发进程，减少迭代次数。

　　数字化连接的软硬件配置

　　当工程师对其系统进行修改时，该平台会自动记录迭代过程，并将其与系统级设计元素相关联，以便团队能够回溯任何软硬件配置。凭借上下文感知智能系统，Renesas 365有助于识别资源或设计约束，提出解决方案，帮助团队以更少的迭代次数和更高的信心做出设计决策。此外，Renesas 365还允许客户通过集成的OTA功能，在初始设计完成后持续管理和更新基于RA的产品。

　　为灵活性而打造的开放平台

　　Renesas 365是一个开放且可扩展的平台，旨在反映电子系统在现实世界中的开发方式。开发人员可以选择将第三方元器件、传感器和合作伙伴工具直接集成到其系统设计中。这种开放的策略使得开发团队能够在集成的系统级环境下全面权衡设计选择，从而灵活采用多供应商架构，构建真正契合需求的解决方案。

　　拓展Renesas 365生态系统

　　目前正在开发中的Renesas 365下一阶段版本，将推动完整子系统构建模块作为平台维护组件进行建模。作为此计划的一部分，将支持更多的瑞萨产品家族，且组件生态系统将包含更多第三方产品。外设配置、电源管理和软件等子系统组件，将实现自动定义、维护，与兼容性验证。借助这些可定制的构建模块，客户将能够加快产品上市速度，减少工程工作量，并获取前沿技术。

瑞萨电子宣布Renesas 365全面上市

（"Note: The information presented in this article is gathered from the internet and is provided as a reference for educational purposes. It does not signify the endorsement or standpoint of our website. If you find any content that violates copyright or intellectual property rights, please inform us for prompt removal."）

行业新闻

瑞萨丨技术干货｜解决方案套件概念：AI赋能的智能电动自行车——重塑城市出行与智能交通

　　电动自行车正在迅速重塑城市出行方式。作为汽车之外更可持续、更灵活的选择，电动自行车不仅有助于缓解交通拥堵，也符合绿色低碳的发展趋势。随着电动自行车技术的不断进步和普及，用户对安全性、可靠性和智能辅助功能的期待也在持续提升。　　然而，无论是传统机械自行车还是电动自行车，当前仍高度依赖骑手的主动感知以及按计划进行的维护保养。许多机械问题往往是逐步演变的，在性能明显下降或故障真正发生之前，几乎没有预警信号。这种被动式维护方式容易导致意外故障、更高的维修成本，甚至带来潜在的安全隐患。　　瑞萨通过AI赋能的智能电动自行车概念方案应对这些挑战。该方案基于嵌入式边缘人工智能(AI)，在自行车本体上即可实现预测性维护、智能骑行辅助、环境感知以及电池管理优化，无需依赖云端连接。　　嵌入式边缘AI实现预测性与智能骑行　　智能电动自行车的核心由Renesas AIK-RA8D1 AI开发套件驱动。该套件基于RA8D1微控制器(MCU))，这是一款面向实时嵌入式AI应用设计的高性能Arm® Cortex-M85® MCU。借助Renesas Reality AI Tools®，开发者可以部署高度优化的AI模型，使其完全运行于MCU本地，无需云端计算支持。　　这种系统架构在实现更安全、更高效骑行体验的同时，也有效控制了功耗和系统成本，非常适合大规模部署于智能出行设备中。　　AI赋能的智能电动自行车围绕以下两大核心能力，全面提升骑行体验:　　AI驱动的状态监测　　更顺畅、更安全的骑行体验，全面提升用户感受　　瑞萨电动自行车概念　　AI驱动的状态监测　　无论是传统自行车、电动自行车，还是共享出行车队中的自行车，本质上都是精密的机械系统。其性能高度依赖于关键部件的健康状况，包括链条、齿轮、轴承以及车架连接部位。随着时间推移，这些部件会因机械应力、环境影响以及骑行工况而逐渐磨损和劣化。　　传统的维护方式通常依赖定期人工检查或基于里程的保养周期。这些方法往往不够精准且偏被动，容易导致突发故障，增加维护成本和运营风险。　　通过将AIK‑RA8D1与加速度传感器直接集成到自行车中，实时AI驱动的状态监测成为可能。系统可持续分析振动特征和运动模式，及早发现机械性能退化的迹象。　　关键预测性维护功能包括：　　链条劣化检测(Chain Deterioration Detection)——系统监测传动系统的振动模式。当振动特征偏离正常状态时，可在性能明显下降之前识别出链条过度磨损或润滑异常问题。　　齿轮异常检测(Gear Anomaly Detection)——AI模型可识别由齿轮齿面磨损、损坏或变速器对位异常引起的异常振动模式，实现早期干预。　　轴承失效检测(Bearing Failure Detection)——轴承在劣化过程中会产生特定的高频振动特征。系统可在出现可听噪声或严重机械损伤之前就检测到这些异常。　　车架结构监测(Frame Structure Monitoring)——通过振动分析，还可识别车架的松动或结构性变化，从而提升骑行安全性并延长整车使用寿命　　瑞萨如何实现智能自行车监测　　要构建高精度的状态监测AI模型，必须采集涵盖正常运行状态和多种机械故障状态的数据集。　　为此，系统采用AIK-RA8D1 AI开发套件，并通过Pmod™模块连接外部加速度传感器。开发套件和传感器均直接安装在自行车上，在真实骑行场景中采集振动和运动数据。　　数据集采集通过Data Storage Tools完成。该工具可作为插件集成在Renesas e² studio中，也可作为独立应用供第三方IDE用户使用工具可实时采集加速度传感器的原始数据，并进行存储，用于后续的数据标注和AI模型训练。　　Figure1.Training Set-up　　AI模型开发与部署　　在完成数据标注并上传至Renesas Reality AI Tools后，可利用云端AutoML功能训练和评估多个AI模型，并针对RA8D1 MCU进行部署优化。　　最终选定的模型能够识别七种系统状态：　　电动自行车状态：识别空闲与静止状态　　链条运行状态：识别正常的正向与反向链条运动　　齿轮异常：基于变速器位置检测两种故障状态　　后轮结构状态：识别潜在的后轮松动问题　　该优化模型在仅占用5KB内存的情况下，实现了99.63%的识别准确率，可高效运行于RA8D1 MCU上。　　Figure2.Model Development to Deployment Flow　　部署完成后，推理结果可通过集成在e² studio开发环境中的AI Live Monitor工具进行实时监控。　　AI增强型骑行智能　　除状态监测外，AIK RA8D1还可作为智能电动自行车计算核心，充当中央处理节点，分析来自电机、电池及各类传感器的数据——支持在有或无额外传感硬件的情况下运行。　　AI赋能的骑行功能示例包括：　　载荷分布检测——通过分析振动与运动信号，系统可估算骑手及货物的重量分布。据此推荐或自动调整坐垫位置，以提升舒适性和踩踏效率。　　路面类型识别(Surface Detection)——AI模型可识别沥青路、碎石路或不平整地形。并根据路况动态调整电机扭矩和功率输出，从而提升稳定性与能效。　　目标检测，实现更安全骑行(Object Detection for Safer Riding)——结合视觉传感器时，AI模型可识别周围车辆与障碍物，在盲区来车时触发预警。　　“See with Sound”的空间感知能力——通过麦克风阵列，系统可估算周围车辆的来向，并向骑手提供空间方位提示，而无需持续视觉关注。　　推动下一代智能出行　　AI驱动的智能电动自行车方案充分展示了嵌入式边缘AI对个人出行和共享交通的变革潜力。通过将预测性维护与环境感知能力直接集成到自行车中，制造商能够打造更安全、更可靠、更高效的出行解决方案。　　瑞萨AI技术致力于帮助客户基于可扩展的边缘AI平台，构建适用于实时嵌入式部署的智能出行系统。　　告别突发故障，从瑞萨开始打造更智能、更安全的自行车。　　准备好将AI驱动的状态监测引入骑行领域了吗?

2026-06-02 09:56 reading：319

model	brand	Quote
CDZVT2R20B	ROHM Semiconductor
MC33074DR2G	onsemi
TL431ACLPR	Texas Instruments
RB751G-40T2R	ROHM Semiconductor
BD71847AMWV-E2	ROHM Semiconductor

model

brand

Quote

ROHM Semiconductor

onsemi

Texas Instruments

ROHM Semiconductor

ROHM Semiconductor

model	brand	To snap up
ESR03EZPJ151	ROHM Semiconductor
BP3621	ROHM Semiconductor
STM32F429IGT6	STMicroelectronics
IPZ40N04S5L4R8ATMA1	Infineon Technologies
TPS63050YFFR	Texas Instruments
BU33JA2MNVX-CTL	ROHM Semiconductor

model

brand

To snap up

ROHM Semiconductor

ROHM Semiconductor

STMicroelectronics

Infineon Technologies

TPS63050YFFR