MathWorks携手瑞萨:通过基于模型的设计与硬件支持包(HSP)加速瑞萨MCU的开发与部署

Release time:2026-04-30
author:AMEYA360
source:瑞萨
reading:539

  嵌入式控制系统的设计与验证正变得日益复杂。工程师在使用仿真工具与实体硬件协同工作的同时,必须在实时性能、系统安全性和开发速度之间取得平衡。基于模型的设计(MBD)通过支持工程师在早期阶段对算法进行仿真、测试和迭代,有效应对了这些挑战。在设计初期对算法进行建模,基于合成数据进行仿真和结果可视化,有助于提升对系统设计的信心,并与传统以大量原型为主的工作流程相比,大幅降低了后期出现复杂问题的风险。

  在瑞萨,我们很高兴地宣布:我们与MathWorks®合作,由MathWorks开发的作为Simulink®全新插件的瑞萨RA微控制器(MCU)嵌入式编码器支持包和RH850 MCU嵌入式编码器支持包,现已随MATLAB® R2026a版本正式发布。 这些支持包通常被称为硬件支持包(HSP),使工程师能够将Simulink模型直接部署到受支持的瑞萨RA和RH850微控制器上,大幅简化了从算法开发到嵌入式实现的过渡过程。

  什么是基于模型的设计(MBD)

  以及为什么要使用它?

  基于模型的设计(Model-Based Design,MBD)是一种基于数学和可视化的方法,用于在Simulink中设计复杂系统,并在构建物理原型之前对系统进行仿真和测试。MBD已被广泛应用于工业自动化、机器人技术和汽车工程等多个行业。

  例如,工程师在开发一款新型集成式洗烘一体机系统时,需要考虑在不同洗涤和烘干程序中应启用哪些电机、系统在不同衣物负载下(如厚重的床上用品与较轻的夏季衣物)如何运行,从而确保主滚筒电机能够高效驱动等多个因素。在电动自行车(e-bike)系统的开发过程中,工程师必须综合考虑电机驱动、制动接口、照明控制,以及在不同路面条件和天气环境下的牵引性能。

  如果不采用基于模型的设计方法,上述许多测试就必须依赖实体硬件和原型来完成。每一次设计变更都需要重建和重新测试硬件,这不仅增加了成本,也延长了开发周期。

  相比之下,通过在Simulink中对系统进行建模和仿真,工程师可以在设计早期阶段评估系统在不同负载和使用场景下的性能。这能够减少设计迭代次数、降低成本,并加快产品上市时间。

MathWorks携手瑞萨:通过基于模型的设计与硬件支持包(HSP)加速瑞萨MCU的开发与部署

  Simulink的基于模型的设计环境

  从基于模型的设计到真实硬件落地

  对于嵌入式系统而言,MBD的真正价值体现在:经过验证的模型能够顺利部署到具备量产能力的硬件上。在这一过程中,建模工具与微控制器之间的深度集成显得尤为关键。

  许多开发工作通常始于以下应用领域:

  ● 电机控制(工业系统、HVAC、机器人)

  ● 汽车系统(xEV、电机运动控制、动力总成、区域控制器和域控制器)

  ● 实时控制应用

  这些应用需要对实时行为有深入了解,有效利用MCU资源,并确保在仿真中验证过的算法在部署到实际硬件后能够按预期方式运行。

  MathWorks为瑞萨MCU提供的硬件支持包

  为弥合仿真与嵌入式部署之间的差距,MathWorks为瑞萨RA和RH850微控制器提供了两款专用的硬件支持包——瑞萨RA微控制器嵌入式编码器支持包和RH850微控制器嵌入式编码器支持包。这些HSP使工程师能够将Simulink模型直接在受支持的瑞萨器件上执行、测试并完成部署。

  从支持RA6T2电机控制MCU和RH850/U2A汽车级MCU开始,这些HSP为算法驱动开发提供了理想的切入点,适用于对实时和性能要求极高的应用场景。

  MathWorks的硬件支持包包括:

  ● 片上外设模块,利用瑞萨RA智能配置器(用于RA控制器)和第三方MCAL工具(用于RH850控制器)将Simulink模型与外设配置进行连接

  ●自动化构建与部署,无需手动集成生成算法代码与驱动代码

  ● 自动生成量产级ANSI/ISO C代码,帮您将精力更多聚焦于功能实现,而非编码

  ● PIL(Processor-in-the-Loop)验证,确保模型与生成代码在数值上的一致性,便于查看和对比标准仿真与PIL仿真的结果。同时通过性能分析功能,深入了解代码在目标控制器上的执行时间和内存使用情况。

  通过这些能力,工程师可以始终保持在一个统一的、基于模型的工作流程中——从算法设计与仿真、到验证、再到最终的硬件部署。

  如何快速上手

  从系统级设计入手

  从系统层面开始,一旦确定了需求,例如需要驱动多少个电机、控制器需要与哪些组件和子系统进行接口等,大多数工程师都会着手参考并构建符合自身需求的系统架构。瑞萨的成功产品组合系统框图可以为工程师提供起点框架,帮助工程师专注于系统行为和控制策略的规划。通过这些系统框图,工程师可以轻松过渡到Simulink等基于模型的设计环境。

  以洗衣机或烘干机系统为例,电机控制器不仅需要驱动主滚筒电机,还必须与阀门、传感器以及各类安全组件进行交互。工程师可以以系统框图为指导,将这些子系统映射到Simulink中,并将其与相应的MCU外设资源关联起来——例如模数转换器(ADC)、脉宽调制器(PWM)、通用输入/输出接口(GPIO)以及中断等,这些外设在RA6T2等器件上均可用。

MathWorks携手瑞萨:通过基于模型的设计与硬件支持包(HSP)加速瑞萨MCU的开发与部署

  采用PFC成功产品组合的瑞萨集成式

  洗烘一体系统系统框图

MathWorks携手瑞萨:通过基于模型的设计与硬件支持包(HSP)加速瑞萨MCU的开发与部署

  硬件支持包中片上外设模块的信息示意图,

  用于为硬件目标定制Simulink模型

  评估与调优系统行为

  在完成系统和外设的建模之后,工程师可以使用Simulink对实时信号进行监控,并直接调整控制参数。通过以监控与调优模式(Monitor and Tune)运行模型,工程师能够观察系统在不同工况下的行为表现,同时修改控制器增益等参数,并且这些修改会即时反映到硬件上。这种方式避免了每次参数调整都需要重新生成和编译代码,从而加快了调优速度。

  以洗衣机或烘干机应用为例,滚筒电机在多种变化条件下都必须保持稳定且可预测的运行状态,例如不同负载重量(轻载、重载或负载不均)、加速进入高速脱水过程中的动态变化等。诸如控制增益等参数决定了控制器(如RA6T2)对系统变化的反应能力。通过在Simulink中对增益参数进行建模和调整,工程师可以直观地分析系统行为:例如,当增益设置过低时,重负载是否会导致电机响应滞后或转速下降,或者当增益设置过高时,系统是否对微小误差产生过度校正。

MathWorks携手瑞萨:通过基于模型的设计与硬件支持包(HSP)加速瑞萨MCU的开发与部署

  在Simulink中进行增益参数调整及仿真演示

  使用PIL(Processor-in-the-Loop)验证设计

  在完成算法开发与仿真之后,可以通过PIL(Processor-in-the-Loop)验证来确认生成的代码能够在目标瑞萨处理器上正确运行。在这一阶段,编译后的代码会运行在实际的MCU上,并将其行为与仿真结果进行对比。PIL验证有助于验证执行时序、内存使用情况和数值行为,弥合软件模型与硬件测试之间的差距。

MathWorks携手瑞萨:通过基于模型的设计与硬件支持包(HSP)加速瑞萨MCU的开发与部署

  PIL验证结果示例

  部署瑞萨硬件

  完成PIL验证之后,工程师即可将模型直接部署到瑞萨的开发板上。借助MathWorks硬件支持包,代码生成和部署可通过Simulink一键完成,从而在多种平台(例如RA6T2 MCU的灵活电机控制套件和RH850/U2A入门套件)实现高效的快速原型开发。

MathWorks携手瑞萨:通过基于模型的设计与硬件支持包(HSP)加速瑞萨MCU的开发与部署

  利用Simulink在瑞萨硬件上部署模型

  总结与资源

  借助MathWorks提供的硬件支持包,工程师可以在熟悉的Simulink环境中设计复杂的嵌入式系统,并高效地将其部署到瑞萨器件上。这种基于模型的工作流程有助于减少开发迭代、提前发现问题,并加快从算法设计到量产级硬件实现的过渡过程。

  探索RA6T2或RH850/U2A开发板,下载相应MathWorks硬件支持包,您便能即刻开始开发基于模型的电机控制。

MathWorks携手瑞萨:通过基于模型的设计与硬件支持包(HSP)加速瑞萨MCU的开发与部署

MathWorks携手瑞萨:通过基于模型的设计与硬件支持包(HSP)加速瑞萨MCU的开发与部署

MathWorks携手瑞萨:通过基于模型的设计与硬件支持包(HSP)加速瑞萨MCU的开发与部署


("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.")

Online messageinquiry

reading
议程揭晓|6.14深圳见 · 瑞萨RA MCU开发者日
喜报丨瑞萨电子凭借R-Car X5H荣膺第五届知鼎奖“智能驾驶科技创新奖”
2026-06-03 10:49 reading:294
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
喜报|瑞萨电子荣获上海繁易“战略合作伙伴”奖
2026-05-29 09:55 reading:404
  • Week of hot material
  • Material in short supply seckilling
model brand Quote
CDZVT2R20B ROHM Semiconductor
RB751G-40T2R ROHM Semiconductor
TL431ACLPR Texas Instruments
BD71847AMWV-E2 ROHM Semiconductor
MC33074DR2G onsemi
model brand To snap up
BP3621 ROHM Semiconductor
IPZ40N04S5L4R8ATMA1 Infineon Technologies
ESR03EZPJ151 ROHM Semiconductor
STM32F429IGT6 STMicroelectronics
BU33JA2MNVX-CTL ROHM Semiconductor
TPS63050YFFR Texas Instruments
Hot labels
ROHM
IC
Averlogic
Intel
Samsung
IoT
AI
Sensor
Chip
About us

Qr code of ameya360 official account

Identify TWO-DIMENSIONAL code, you can pay attention to

AMEYA360 weixin Service Account AMEYA360 weixin Service Account
AMEYA360 mall (www.ameya360.com) was launched in 2011. Now there are more than 3,500 high-quality suppliers, including 6 million product model data, and more than 1 million component stocks for purchase. Products cover MCU+ memory + power chip +IGBT+MOS tube + op amp + RF Bluetooth + sensor + resistor capacitance inductor + connector and other fields. main business of platform covers spot sales of electronic components, BOM distribution and product supporting materials, providing one-stop purchasing and sales services for our customers.

Please enter the verification code in the image below:

verification code