瑞薩電子(Renesas Electronics)和Fixstars宣布聯合開發一套用於R-Car SoC的工具軟體，以優化並快速模擬用於自動駕駛(AD)系統和先進駕駛輔助系統(ADAS)的軟體。這些工具軟體可以在軟體開發初期即充份利用R-Car的性能優勢，快速開發具有高精度物件辨識的網路模型，可以減少開發後期的重工，有助於縮短開發週期。
瑞薩車用軟體開發部副總裁Hirofumi Kawaguchi表示，瑞薩持續創造整合式開發環境，為客戶提供軟體優先的開發方式。透過支援為R-Car量身訂做的深度學習模型的開發，幫助客戶建構AD和ADAS解決方案，以縮短上市時間和開發成本。
Fixstars執行長Satoshi Miki表示，GENESIS for R-Car是Fixstars與瑞薩共同建構的雲端評估環境，使工程師得以在開發前進行元件的評估和選擇，且已經有許多客戶開始使用。Fixstars將持續開發新技術來加速機器學習操作(MLOps)，以用於維護最新版的車用應用軟體。
目前AD和ADAS應用採用深度學習來實現高精度的物件辨識。深度學習的推理過程需要大量的資料運算和記憶體空間。而實際車用產品的模型和可執行程式必須針對車用SoC進行優化，因為使用有限的運算單元和記憶體空間進行即時處理是一項非常有挑戰性的任務。此外，也需要加快從軟體評估到驗證的流程，並且需要持續更新應用程式以提高準確性和性能。瑞薩和Fixstars開發了以下這些工具來滿足需求。
首先，R-Car Neural Architecture Search(NAS)用於產生針對R-Car的優化網路模型，該工具可有效利用R-Car元件上的卷積神經網路(CNN)加速器、DSP和記憶體來產生深度學習網路模型。即使是對R-Car架構尚不熟悉或缺乏經驗的工程師，也能夠快速開發具高準確度物件辨識且快速的輕量級網路模型。
其次，R-Car DNN Compiler用於為R-Car編譯網路模型，該編譯器將優化的網路模型轉換為可以充分利用R-Car性能以及優勢的程式。將網路模型轉換成可透過CNN IP快速執行的程式，並進行記憶體優化，使高速但空間有限的SRAM能夠最大限度地發揮其性能。
最後，R-Car DNN Simulator用於快速模擬執行經過編譯的程式，該模擬器用於在PC上快速驗證程式，而不用在實際的R-Car晶片上。使用此工具，開發人員可以產生與R-Car相同的執行結果。如果在模型輕量化和程式優化過程中推理處理的辨識精度受到影響，工程師可以立即回饋到模型開發上，進而縮短開發週期。
瑞薩和Fixstars將持續在Automotive SW Platform Lab上開發深度學習軟體，並建構執行環境，透過不斷更新網路模型來維持和提高辨識精度和性能。