瑞萨 Reality AI 工具® 使工程师能够基于高级信号处理生成和构建 TinyML/Edge AI 模型。 用户可以自动探索传感器数据并生成优化模型。 Reality AI 工具包含一系列分析功能，可用于寻找最佳传感器或最佳传感器组合、传感器放置位置以及自动生成组件规格，还包括完全可解释的时域/频域模型功能，以及用于 Arm® Cortex® M/A/R执行 的优化代码。
相关产品：
下面是在线研讨会上，关于Reality AI 工具® 的Q&A：
Q1：Reality AI 工具® 支持用户自定义 AI 模型并快速部署吗？
A：eAI 的模型均为客户自定义和训练，但 RAI 模型无法自定义模型。
Q2：Reality AI 的模型训练在哪里进行？
A：Reality AI 的模型训练一般在云端；若使用 Edge AI 或者 DRP，开发者可自行选择在本地 PC 或者云端训练。MCU AI 训练有云平台提供对应算法，MPU AI 训练能按需在 PC 端、云端、服务器端开展。
Q3：AI 模型部署到端侧设备后如需微调或更新，Reality AI 工具® 有何对应工具与流程？
A：e2studio 可直接连接到 RAI 平台，模型能直接下放到 e2studio。
Q4：Reality AI 工具® 能在瑞萨 MCU/MPU 上直接进行模型训练和微调吗？
A：RAI 无法在 MCU 上进行微调模型，不过另有其他工具可满足需求，如有需要可联系官方获取帮助。
Q5：Reality AI 实时分析平台如何助力瑞萨 MCU/MPU 上的高效 AI 开发与调试？
A：RAI 模型在 MCU 上运行仅需调用一个函数，简单高效；且模型有特征提取后的决策动机可视化，平台还会给出 RAM、FLASH、计算量等性能信息。
Q6：如何在Reality AI 工具® 里进行 AI 模型的可视化调试和性能分析？
A：模型有特征提取后的决策动机可视化；性能分析方面，平台会告知 RAM/FLASH/ 计算量的信息。
Q7：Reality AI 工具® 支持哪些主流 AI 框架进行模型转换？
A：支持 PyTorch、Keras、Tensorflow、TensorFlow Lite。
Q8：Reality AI 工具® 支持代码自动生成以简化 MCU/MPU 编程吗？
A：模型导出后运行只需调用一个函数，编程较为简单，但因许多传感器外接，无法生成传感器相关代码。
Q9：Reality AI 工具® 支持哪些开发环境？
A：目前主要支持 CS + 以及 e2studio，IAR、Keil 等编译器的支持正在逐步推进。
Q10：Reality AI 工具® 能否实现整个产品开发生命周期全覆盖？
A：可以的。
Q11：Reality AI 工具® 提供哪些具体开发功能来加速 AI 应用开发周期？
A：涵盖数据审阅、模型训练、模型部署、模型优化（模型通道，大小优化，采样率优化）。
Q12：Reality AI 工具® 收费吗？
A：目前是收费的，费用视具体情况而定。
Q13：瑞萨电子端侧 AI 是在云端训练好再部署到本地吗？
A：是的，MCU 可在云端训练，MPU 能依据自身需求在云端、PC 端、Server 端训练，训练好的模型再部署到端侧。
Q14：Reality AI 工具® 的解决方案适用于小的 MCU 吗？
A：适用，能在 RL78 16bit MCU 运行，且训练出来的模型只需占用极少资源。
更多内容：