画像
 Satoshi Owada
大和田 聡
ビジネスデベロップメント統括部 AIシニアスタッフエンジニア
掲載: 2024年9月12日

近年、あらゆる掃除機のタイプやモデルに様々な新機能が実装されています。 そのなかでも重要な機能の 1 つは床タイプの検出で、さまざまな状況下でも一貫した動作を維持するのに役立ち、次のような多くの利点を提供できます。

  • 消費電力の削減
  • エンド・ユーザーの操作性の向上
  • モーターのノイズ低減

消費電力は、すべてのバッテリー駆動モデルにとって重要な事項ですが、中でもロボット掃除機では特に重要です。

床の種類を検出する方法

ブラシレスDCモーターは、ヘッドのブラシを操作するためのコスト、メンテナンス、およびノイズの改善により、より多くの市場を獲得しています。 また、BLDCモータを駆動するためのインバータやMCUの実装コストも、ますます安くなっています。 ここではBLDCモータと、センサレス床タイプ検出を組み合わせた代表的な使用例をご紹介します。

画像
Floor type detection components
図 1. 床タイプ検出コンポーネント
  • モーター制御情報の取得: シャントレジスタからのフィードバック情報をモーター制御ロジックと共有
  • 固定長データの格納: データの決定ウィンドウを取得する
  • 特徴抽出: システムからモーター制御情報から特定の特徴を抽出します
  • 分類: 抽出後、分類器を使用して床タイプを分類します

この実装を使用する利点は、追加のセンサーが不要なため、BOMコストを大幅に削減できます。

ルネサスのアプリケーション例

ルネサスの床タイプ検出は、高精度を維持しながら、速度と応答性をも実現するように設計されています。 RAやRX MCUを活用し、ハードウェアにBOMコストも最小限に抑えます。 このソリューションでは、 RA6T2 MCUを使用しています。

概念実証 (PoC) ユニットでは、モデルをソフトとハードの 2 つのフロアタイプを分類します。 また、学習データを追加することで、分類する床タイプを簡単に増やすこともできます。

画像
Solution workflow
図 2. ソリューションのワークフロー
画像
Proof of Concept unit
図 3.概念実証(PoC)ユニット

このケースのモデルサイズ:

パラメータ: 2678 バイト
スタック使用量: 2560 バイト
事前割り当て済み: 12 バイト
コード: 2008 バイト

推論時間はRA6T2 MCUを使った場合、約1m秒から2m秒です

このアプリケーション例の作り方

ルネサスでは、各種モータ制御ソリューションとソフトウェアを一緒に提供しています。 Renesas e² studio IDEと開発支援ツール「 Motor Workbench 」を併用することで、モーターパラメータの最適化、データの収集、掃除機に必要な他の機能との統合、そして最終的に Reality AI Tools® モジュールで生成したAIモデルの統合が可能になります。

画像
Renesas Motor Workbench tool
図 4. Renesas Motor Workbenchツール
画像
e² studio – Reality AI Tools integration workflow
図 5. e² studio – Reality AIツール統合ワークフロー

モータ制御のサンプルコードで既存の変数を共有することで、実際のモータ制御データを収集し、対象床タイプ全体でデータを記録して分類しました。 このデータは、Reality AIの特徴抽出およびトレーニングエンジンに供給され、モデルを開発して出力されました。 K-Foldのトレーニング精度を100%達成したため、ライブテストとベンチマーク用のモデルを選択することにしました。 同時に、Reality AI BOM最適化機能は、モーター情報から使用する数十の既存の変数からの情報の最適な組み合わせを提案し、リソース要件を最小限に抑えます。

画像
Reality AI Tools training results
図 6. Reality AI Toolsのトレーニング結果

このモデルは、実際ハードウェアへ実装する前に、Reality AIでのトレーニングに使用されなかった別の記録データセットを使用してテストできるため、開発の手間を省くことができます。 期待通りの精度を達成した後、モデルをe² studioプロジェクトに戻します。 その後、このモデルは実際の環境下で広範囲渡りにテストされました。

機械学習モデルを製品化するためには、ブラックボックスの状況を回避するため、機械学習モデルがどのように機能し、結果はどのように決定されているかを理解する必要がある場合があります。 Reality AIはそのような場合でも解決策を提供し、決定有意なグラフを使用して、どの特徴が重要で、どの特徴が重要でないかを示すことができます。

画像
Reality AI Tools decision significant graph
図 7. Reality AI Toolsの意思決定重要なグラフ

さらに、将来の機能拡張に備えて、ルネサスはモデルを再トレーニングする方法も提供しています。 Reality AI Toolsで作成したモデルは、機械学習モデルのパラメータを更新するだけで簡単に改良できます。 これらのパラメータは、データ領域と同様にフラッシュメモリを別の領域に配置でき、無線(OTA)を介してとても簡単に更新できます。

結論

床タイプ検出の例は、Renesas Reality AI Toolsが、ユーザーエクスペリエンスの向上や、追加機能により掃除機をいっそう強化する課題に対処できます。 当社の AI モデルはコード面積が小さく、広範なデータ収集を利用して拡張できる柔軟性を備えています。  

ビデオやドキュメントなどの詳細やデモのリクエストについては、 renesas.com/reality-ai-tools をご覧ください。

この記事をシェアする