ETAS全新的嵌入式AI解决方案

ETAS全新的嵌入式AI解决方案

汽车嵌入式系统的AI建模和代码生成工具

本文会主要涉及的ETAS工具：

ASCMO tool family 

能够根据数据构建AI模型，并自动实现参数优化；

Embedded AI Coder

将训练后的神经网络部署到用于µC、µP的高性能嵌入式C代码。

前言

“将训练后的AI神经网络模型，自动化生成安全且高效的C代码，用于嵌入式系统” ，近日ETAS携全新的智能化工具Embedded AI Coder亮相2025上海国际车展。

Embedded AI Coder作为AI模型与嵌入式控制之间的桥梁，能够助力车企客户面向AI，实现低成本、高安全，以及最佳资源效率，且经由博世量产项目充分验证。

嵌入式AI实例

作为延伸，本文将会详细展示一个实例，结合ETAS基于数据AI建模的ASCMO工具，从采集的最初始数据文件表格开始，构建并训练神经网络模型，然后通过Embedded AI Coder自动生成C代码。

在步骤结束之后，也会附上最终生成的源代码压缩包以供查看，体验ETAS嵌入式AI方案。

1. 首先打开ASCMO Desk， ASCMO系列工具是为数据驱动的AI建模任务而设计的，目标是创建一个数学模型或机器学习模型，使这个模型能够准确复现系统的一个或多个输出行为。为了有效地训练模型，我们需要相关的输入输出数据，这些数据有助于描述系统输出行为。

对于具有时间相关性的瞬态数据，选择打开ASCMO Dynamic。

2. 我们选取一个电池的数据文件，通过SOC和电流进行电压预测对于BMS系统来，可以改善电池管理、确保系统稳定性、优化性能和检测故障，最终提高整体可靠性和效率。

将数据表格excel文件导入ASCMO。

3. 将电池电压配置为模型输出，然后建模类型这里选择RNN(循环神经网络)。

点击确定，ASCMO就会自动训练模型，即便当用户完全没有机器学习的相关经验，都可以轻松快速的获得AI神经网络模型。

通过结果的曲线，我们也可以看到模型输出值能表现实际测量值的程度。

4. 相应的，ASCMO还提供了Auto ML功能，能够通过算法自动探索最佳模型架构和参数。

打开Auto ML，用户只需在这里预先定义好自动机器学习的探索空间(即参数范围)。

5. 当目标类型的模型完成训练，且输出达到预期之后，在v5.15版本的ASCMO中，可以选择对象为Embedded AI Coder格式导出。

在实例中，我们从ASCMO将会得到一个名为predict_Voltage.keras的神经网络模型文件。

6. 接下来是重点步骤，通过AI Coder来生成代码。

通过命令行，输入“coder code predict_Voltage.keras”，AI Coder可以全程自动化完成编码工作。

7. 在生成的C代码文件夹中，我们看到Embedded AI Coder的全部生成结果如下图。

同时readme文本也详细说明了，各个文件夹层级以及每项文件的解释和用途。

在src源代码目录中，有最为关键的AI神经网络模型的嵌入式实施代码。

实例最后，附上Embedded AI Coder生成代码的压缩包，可供大家参考并查阅。

点击阅读原文获取下载链接

ETAS嵌入式AI解决方案

选择在嵌入式系统中应用AI，能够使用户开启技术创新，获得诸多核心价值，例如：

使用AI模型替代复杂的功能规则逻辑，能够缩短开发周期，以及提升产品本身运行性能；

采用AI虚拟传感器取代真实物理传感器，不仅节省可观的单车成本，进而还能优化机械结构。

ASCMO和AI Coder能够驱动研发创新，将时下火热的AI神经网络模型，以高安全的嵌入式代码部署到客户现有的控制器架构，为传统的汽车嵌入式控制注入新鲜血液。

嵌入式AI相关话题，欢迎咨询。