技术干货丨瑞萨:利用汽车电感式位置传感器推动线控和电机控制的未来

发布时间:2026-01-27 10:36
作者:AMEYA360
来源:瑞萨
阅读量:538

  汽车行业正处于历史性变革之中。电气化、自动驾驶和软件定义架构正在重塑车辆设计和功能。最关键创新应用包括:

  1、线控转向、制动相关应用;

  2、转向、制动、节气门和变速箱中机械连杆的电子替代;

  3、动力总成的高速电机控制。

技术干货丨瑞萨:利用汽车电感式位置传感器推动线控和电机控制的未来

图1:面向汽车全球市场的全球线控系统。不同型号车辆的市场规模。

*资料来源:2030年汽车线控系统市场规模报告

  这些技术助力车辆实现轻量化、更安全、高能效的升级,却也带来了传统传感解决方案难以应对的新挑战。

  现代汽车系统面临的主要挑战

  更高功能安全:转向和制动是安全关键功能。任何故障都可能导致灾难性事故。这些系统必须符合ISO 26262标准并达到ASIL D等级(汽车安全完整性等级),实现跨平台和架构安全性的同时,保持高性价比,且传感器必须提供冗余通道、诊断和故障安全机制。

  电磁抗扰度:电动汽车动力总成和高压系统会产生强大的杂散磁场。传统的磁传感器(霍尔效应、磁阻式)可能会出现信号失真或故障。传感器不受杂散磁场干扰的特性,可确保在恶劣的电动汽车环境中可靠运行。

  紧凑、轻巧的设计:设备制造商的目标是减轻重量以提高效率和续航里程。因此,位置传感器必须安装在狭小的空间内,且需保证高精度和高可靠性。这意味着基于PCB的电感式传感器将取代笨重的旋转变压器或基于磁铁的传统方案。

  高速性能:支持600k rpm的电气转速。这对传感器的要求很严格:超低延迟(<100ns)和高分辨率,以实现精确控制,任何延迟或错误都可能导致扭矩纹波、振动或安全隐患。

  成本和可持续性:传统传感器中使用的稀土磁铁价格昂贵且存在环境问题。目标去除磁铁并简化机械设计。因此,无磁电感式传感器可降低成本,提高可回收性,并支持可持续发展目标。

技术干货丨瑞萨:利用汽车电感式位置传感器推动线控和电机控制的未来

图2:汽车线控系统市场。市场份额-按具体应用分类。

  瑞萨电感式位置传感器

  瑞萨电子新发布的电感式位置传感器(IPS)IC,包括车规级RAA2P452x和RAA2P4500,为这些挑战提供了突破性的解决方案。利用无磁电感技术,这些传感器提供:

  杂散磁场免疫:IPS技术本质上不受磁干扰,使其成为电动汽车环境的理想选择。

  高精度和速度:高达19bits分辨率和低于100ns的传播延迟确保了高速电机的精确控制。

  灵活的配置:支持转向、制动和牵引应用的轴端、穿轴和轴侧设计。

  纤薄、轻巧的外形:非常适合空间受限的汽车系统。

  ISO 26262合规性:实现ASIL C/D系统级安全要求。

  免维护操作:无磁铁、无磨损、无需重新校准,降低成本。

  瑞萨IPS与MCU、驱动芯片等相结合,可为客户提供线控转向、线控制动和主驱电机控制的完整解决方案。

  为什么选择电感技术

  与磁性或光学编码器相比,电感式传感器在严苛的汽车应用环境中表现突出:

  不受灰尘、湿气、振动和杂散磁场的影响。

  无稀土磁铁,成本低,环境影响低。

  长期稳定,减少维护需求。

  这使得IPS成为下一代电动汽车和ADAS平台的理想选择。

  使用电感式位置传感器线圈工具加速您的设计

  为了简化定制,瑞萨电子提供了电感式位置传感器线圈工具,这是一种功能强大的基于Web的设计工具,可以:

  自动执行线圈布局和仿真。

  预测线性误差和电感。

  提供用于PCB制造的Gerber文件。

  支持旋转、线性和圆弧运动模板。

  使工程师能够实现最佳性能,而无需手动试错。


(备注:文章来源于网络,信息仅供参考,不代表本网站观点,如有侵权请联系删除!)

在线留言询价

相关阅读
瑞萨:面向嵌入式部署的神经网络优化:模型压缩深度解析
  01 为什么需要神经网络模型压缩?  神经网络已经成为解决复杂机器学习问题的强大工具。然而,这种能力往往伴随着模型规模和计算复杂度的增加。当输入维度较大(例如长时序窗口、高分辨率特征空间)时,模型需要更多参数、每次推理需要更多算术运算,使其难以部署在嵌入式硬件上。  对于嵌入式系统而言,资源极其有限。内存空间受限,因此在桌面或云平台上轻松运行的模型可能无法放入芯片内的闪存。此外,较高的运算量(MACs/FLOPs)和推理延迟要求往往超出低功耗MCU或边缘设备所能承受的范围。  我们要解决的核心挑战是:如何在保持模型性能的前提下,大幅压缩神经网络模型,降低模型大小、推理时间和计算成本,从而实现其在资源受限的嵌入式系统上的部署。  我们要解决的核心挑战是:如何在保持模型性能的前提下,大幅压缩神经网络模型,降低模型大小、推理时间和计算成本,从而实现其在资源受限的嵌入式系统上的部署。  02 神经网络模型压缩是如何工作的?  神经网络模型往往比实际需要的更大。在训练和验证之前,我们很难准确判断架构规模是否合理。模型压缩的目标就是识别模型中的冗余和未充分利用的权重并将其移除。  我们使用专有的数学方法来寻找并压缩这些冗余,对网络进行重新整理,使其更加简洁、小巧和高效。同时,我们会严格控制精度损失,确保不会丢弃过多关键信息。  03 实例:紧急尖叫声检测  (Emergency Scream Detection)  为了更直观地解释这一挑战,我们以“紧急尖叫声检测(ESD)”演示为例。ESD系统是一种机器学习模型,用于区分求救尖叫声和其他环境声音。该任务是一个二分类问题:Scream vs Not Scream。  模型使用Google’s Audioset database公共数据集中的音频信号进行训练。训练数据集规模大且多样化,而验证数据集由团队采集的小规模现场录音构成。模型在训练集的k-fold验证中表现中等,但在新的现场数据上表现非常好。  基线模型性能:  我们使用基于全连接层的神经网络,并以STFT频谱图作为输入特征。该模型取得了最佳效果,达到:  k-fold验证精度:82%  现场数据测试精度:98%  从性能角度看,该模型表现优秀。然而,它有一个关键问题:  ROM占用:552kB  该大小超过目标嵌入式平台(Voice RA6E1)的内存限制,导致无法部署。  压缩模型性能:  为了解决这一问题,我们应用了Renesas为嵌入式部署优化的专有神经网络压缩技术。  压缩结果非常显著:  模型大小从552kB降至117kB(减少约79%)  k-fold验证精度保持82%  现场测试精度保持98%  MAC从129,68降至21,001(降低83%)  也就是说,在几乎不影响模型性能的前提下,显著减少了模型规模和计算成本。  图1–5展示了该对比的详细信息。图1显示AI Explore™的对比结果;图2和图3的混淆矩阵确认精度保持一致;图4和图5的红框部分(Flash Parameters)展示了模型大小和复杂度的核心差异,该数值反映了实际编译后部署的模型,比Explore页面上的估算更准确。  04 更多成功案例  表1汇总了其他示例模型的结果——其中,资产移动跟踪模型使用加速度计数据来识别设备或包裹的搬运与移动状态;吸尘器地面类型检测模型通过电机信号判断清扫对象的地面材质;电机启动负载检测模型能够在开环控制下快速判断电机的启动负载,从而帮助控制器实现节能优化。  从这些实验结果可以看到,模型在压缩后的准确率基本得以保持。两个项目在压缩前后完全没有精度损失(紧急尖叫检测:98%→98%,电机启动负载:99%→99%),其余两个项目的变化也仅为1%的轻微下降(资产移动:92%→91%,吸尘器地面类型:96%→95%)。  在保持精度几乎不变的同时,模型体积显著减小。尤其是较大的基线模型,ROM使用量减少超过75%。同时,MAC(Multiply-Accumulate)运算量也呈现同等幅度的下降,与ROM节省情况高度一致。  Table 1: Comparison of baseline and compressed models  05 使用Reality AI Tools®进行模型压缩  在Reality AI Tools®中,对神经网络模型进行压缩、重新训练、使用新数据进行测试以及部署到目标板上,都非常简单。事实上,在AI Explore™阶段,工具会自动完成模型压缩——你甚至不需要额外关注这一步骤。  下面是一段精简的流程说明,展示你将会看到的主要步骤。  (1) 首先,在Data→Curate模块中创建你的训练集和测试集。  (2) 在AI Explore™页面中训练模型,并探索不同的特征空间与决策结构。点击“Start Explore”后,系统会自动训练和测试多种模型,并根据性能对它们进行排序。在Explore的结果中,你会同时看到部分模型的基线版本与压缩版本。当某个基线模型在不降低准确率的情况下可以进一步缩小体积时,工具会自动生成其压缩版本。压缩模型会使用一个特殊符号标记(如图7中红色箭头所示)。相反,没有该符号的则是未压缩的原始基线模型。  一旦你确定了需要进一步评估与部署的模型,可以从该模型创建一个Base Tool,以便继续开展后续工作。此时,压缩后的模型即可用于重新训练、测试、优化以及部署,使用方式与原始基线模型完全一致。  对于用户来说,使用压缩模型是完全透明的。它在系统中会像其他任何Trained Tool模型一样工作,不需要额外步骤或特殊处理。  (3) 你可以在Test&Optimize→Try New Data区域测试压缩后的模型。选择压缩版本的Trained Tool模型以及所需的测试数据集,然后运行Accuracy Test(准确率测试),即可评估该模型在未见过的数据上的表现。  (4) 部署同样非常简单。在验证压缩模型并确认其性能符合预期后,你可以进入Deploy→Embedded完成部署流程。选择已经训练好的压缩模型,并根据目标嵌入式系统的约束条件创建新的部署包。随后,下载生成的可导出模型包,并将其部署到目标硬件板上。与Reality AI Tools®中其他模型的部署方式完全一致,使用压缩模型无需任何额外步骤或特殊处理。  结论  在部署机器学习模型时,仅有高准确率还远远不够。模型还必须满足严格的内存预算,并在资源受限的环境中高效运行。我们先进的神经网络模型压缩技术,使开发阶段的高性能模型能够轻松过渡为可部署于边缘设备的轻量化AI解决方案。
2026-03-13 09:48 阅读量:235
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。
2026-03-12 13:46 阅读量:231
瑞萨电子荣获六联智能“最佳技术创新奖”
瑞萨电子推出28纳米RH850/U2C汽车微控制器,拓展面向车辆控制与汽车安全应用领域的产品阵容
  全球半导体解决方案供应商瑞萨电子(TSE:6723)今日宣布推出基于28纳米制造工艺的全新32位汽车微控制器(MCU)RH850/U2C。该MCU配备丰富的通信接口与先进的信息安全性能,可广泛应用于乘用车及摩托车的底盘与安全系统、电池管理系统(BMS)、照明及电机控制等车身控制领域,以及其他通用汽车最高功能安全等级(ASIL D)的应用场景。  作为入门级产品,RH850/U2C的推出进一步扩充了瑞萨广受欢迎的RH850/U系列产品线,与定位高端的RH850/U2B及中端RH850/U2A产品形成互补。该款MCU集成多达四颗运行频率高达320MHz的RH850中央处理器(CPU)内核(其中含两颗锁步内核),并配备高达8MB的片上闪存。现有采用RH850/P1x或RH850/F1x系列产品的开发人员可平滑迁移至这款全新的MCU,从而轻松应对新一代E/E架构的技术要求。  面向当前及下一代系统的通信接口  RH850/U2C支持面向现代E/E架构设计的多种接口,包括以太网10base-T1S、以太网时间敏感网络(TSN,1Gbps/100Mbps)、CAN-XL以及I3C。同时,它还能全面兼容当前广泛使用的各种接口,如CAN-FD、LIN、UART、CXPI、I²C、I²S以及PSI5。这种全面的接口配置可兼容现有ECU,支持跨代际的分步平滑迁移。随着越来越多的车载网络向域控制架构和区域控制架构转型,RH850/U2C能够提供灵活的系统配置与出色的可扩展性,有效降低网络设计的复杂度。  强大的功能安全与网络安全特性  该款MCU符合ISO 26262标准,满足最高ASIL D的功能安全要求。为满足当前网络安全要求,此款MCU设计遵循最新ISO/SAE 21434标准,支持涵盖后量子密码(PQC)及中国与其他国际法规强制要求的各类加密算法。通过专用的硬件加速器,该MCU可卸载加密运算任务、降低CPU负载,从而实现高吞吐量的数据处理能力。  功耗优化的MCU架构  基于成熟的28纳米制造工艺,RH850/U2C在工作模式与待机模式下均可实现显著的功耗优化。其专属的待机模式还可进一步降低芯片在深度停机与间歇运行状态下的功耗。这些低功耗模式有助于提升电源设计裕度,降低散热需求,并确保系统在环保法规日趋严格的背景下持续合规。  Satoshi Yoshida, Vice President of the High-Performance Computing MCU Division at Renesas表示:“随着现代ECU通过软件更新与新增功能持续演进,如何在保证系统稳健性的同时兼顾运行效率变得至关重要。RH850/U2C融合卓越性能、丰富功能及行业关键标准合规性,能够满足下一代ECU的需求。这正是客户构建可靠、可扩展汽车系统所需要的理想平台。”  Christoph Wenger, Chief Expert Semiconductor at Vehicle Motion at Bosch表示:“瑞萨RH850 MCU系列凭借其久经验证的可靠性,长期以来为我们的系统提供有力支持。我们很高兴看到RH850/U2C的推出,进一步完善了瑞萨的汽车产品矩阵。这款基于28纳米制造工艺的MCU兼具出色性能与卓越品质,我们期待与瑞萨继续深化双方的合作。”  全方位开发支持  RH850/U2C提供完善的开发环境,助力客户缩短产品上市周期。开发人员可使用业界先进的编译器与集成开发环境(IDE),搭配由瑞萨及其生态合作伙伴提供的汽车级认证软件包。这些方案满足最高等级的功能安全要求,符合ISO 26262标准(可达ASIL D级)。为便于快速评估与项目启动,瑞萨还提供专用的RH850/U2C入门套件。
2026-03-05 10:58 阅读量:311
  • 一周热料
  • 紧缺物料秒杀
型号 品牌 询价
TL431ACLPR Texas Instruments
CDZVT2R20B ROHM Semiconductor
RB751G-40T2R ROHM Semiconductor
BD71847AMWV-E2 ROHM Semiconductor
MC33074DR2G onsemi
型号 品牌 抢购
TPS63050YFFR Texas Instruments
BU33JA2MNVX-CTL ROHM Semiconductor
STM32F429IGT6 STMicroelectronics
ESR03EZPJ151 ROHM Semiconductor
BP3621 ROHM Semiconductor
IPZ40N04S5L4R8ATMA1 Infineon Technologies
热门标签
ROHM
Aavid
Averlogic
开发板
SUSUMU
NXP
PCB
传感器
半导体
相关百科
关于我们
AMEYA360微信服务号 AMEYA360微信服务号
AMEYA360商城(www.ameya360.com)上线于2011年,现 有超过3500家优质供应商,收录600万种产品型号数据,100 多万种元器件库存可供选购,产品覆盖MCU+存储器+电源芯 片+IGBT+MOS管+运放+射频蓝牙+传感器+电阻电容电感+ 连接器等多个领域,平台主营业务涵盖电子元器件现货销售、 BOM配单及提供产品配套资料等,为广大客户提供一站式购 销服务。

请输入下方图片中的验证码:

验证码