ETAS全新的嵌入式AI解決方案

汽車嵌入式系統的AI建模和代碼生成工具

本文會主要涉及的ETAS工具：

ASCMO tool family

能夠根據數據構建AI模型，并自動實現參數優化；

Embedded AI Coder

將訓練后的神經網絡部署到用于μC、μP的高性能嵌入式C代碼。

前言

“將訓練后的AI神經網絡模型，自動化生成安全且高效的C代碼，用于嵌入式系統” ，近日ETAS攜全新的智能化工具Embedded AI Coder亮相2025上海國際車展。

Embedded AI Coder作為AI模型與嵌入式控制之間的橋梁，能夠助力車企客戶面向AI，實現低成本、高安全，以及最佳資源效率，且經由博世量產項目充分驗證。

嵌入式AI實例

作為延伸，本文將會詳細展示一個實例，結合ETAS基于數據AI建模的ASCMO工具，從采集的最初始數據文件表格開始，構建并訓練神經網絡模型，然后通過Embedded AI Coder自動生成C代碼。

在步驟結束之后，也會附上最終生成的源代碼壓縮包以供查看，體驗ETAS嵌入式AI方案。

1. 首先打開ASCMO Desk， ASCMO系列工具是為數據驅動的AI建模任務而設計的，目標是創建一個數學模型或機器學習模型，使這個模型能夠準確復現系統的一個或多個輸出行為。為了有效地訓練模型，我們需要相關的輸入輸出數據，這些數據有助于描述系統輸出行為。

對于具有時間相關性的瞬態數據，選擇打開ASCMO Dynamic。

2. 我們選取一個電池的數據文件，通過SOC和電流進行電壓預測對于BMS系統來，可以改善電池管理、確保系統穩定性、優化性能和檢測故障，最終提高整體可靠性和效率。

將數據表格excel文件導入ASCMO。

3. 將電池電壓配置為模型輸出，然后建模類型這里選擇RNN(循環神經網絡)。

點擊確定，ASCMO就會自動訓練模型，即便當用戶完全沒有機器學習的相關經驗，都可以輕松快速的獲得AI神經網絡模型。

通過結果的曲線，我們也可以看到模型輸出值能表現實際測量值的程度。

4. 相應的，ASCMO還提供了Auto ML功能，能夠通過算法自動探索最佳模型架構和參數。

打開Auto ML，用戶只需在這里預先定義好自動機器學習的探索空間(即參數范圍)。

5. 當目標類型的模型完成訓練，且輸出達到預期之后，在v5.15版本的ASCMO中，可以選擇對象為Embedded AI Coder格式導出。

在實例中，我們從ASCMO將會得到一個名為predict_Voltage.keras的神經網絡模型文件。

6. 接下來是重點步驟，通過AI Coder來生成代碼。

通過命令行，輸入“coder code predict_Voltage.keras”，AI Coder可以全程自動化完成編碼工作。

7. 在生成的C代碼文件夾中，我們看到Embedded AI Coder的全部生成結果如下圖。

同時readme文本也詳細說明了，各個文件夾層級以及每項文件的解釋和用途。

在src源代碼目錄中，有最為關鍵的AI神經網絡模型的嵌入式實施代碼。

實例最后，附上Embedded AI Coder生成代碼的壓縮包，可供大家參考并查閱。

點擊閱讀原文獲取下載鏈接

ETAS嵌入式AI解決方案

選擇在嵌入式系統中應用AI，能夠使用戶開啟技術創新，獲得諸多核心價值，例如：

使用AI模型替代復雜的功能規則邏輯，能夠縮短開發周期，以及提升產品本身運行性能；

采用AI虛擬傳感器取代真實物理傳感器，不僅節省可觀的單車成本，進而還能優化機械結構。

ASCMO和AI Coder能夠驅動研發創新，將時下火熱的AI神經網絡模型，以高安全的嵌入式代碼部署到客戶現有的控制器架構，為傳統的汽車嵌入式控制注入新鮮血液。

嵌入式AI相關話題，歡迎咨詢。