这些工具能够利用R-Car的强大功能，在软件开发的早期阶段就构建高精度目标识别网络模型。这减少了开发后的工作量，从而缩短了开发周期。Fixstars首席执行官三木聪表示：
“GENESIS for R-Car， 使工程师能够在开发周期的早期阶段评估和选择器件，目前已被众多客户采用。 我们将继续开发新技术，以加速机器学习操作（MLOps），从而确保汽车应用中软件版本的及时更新。”
目前的自动驾驶（AD）和高级驾驶辅助系统（ADAS）应用利用深度学习来实现高精度目标识别。深度学习推理处理需要海量的数据计算和内存容量。汽车应用中的模型和可执行程序必须针对汽车SoC进行优化，因为在运算单元和内存资源有限的情况下进行实时处理可能面临挑战。此外，从软件评估到验证的流程必须加快，并且需要反复更新以提高准确性和性能。瑞萨电子和Fixstars开发了以下工具来满足这些需求：
1. R-Car神经架构搜索（NAS）工具，用于生成针对R-Car优化的网络模型。
该工具生成的深度学习网络模型能够高效利用R-Car设备的卷积神经网络（CNN）加速器、数字信号处理器（DSP）和内存。这使得工程师即使不具备R-Car架构的深入知识或经验，也能开发出轻量级的网络模型，从而实现高精度目标识别和快速处理。
2. R-Car DNN 编译器：用于编译 R-Car 网络模型：
该编译器将优化的网络模型转换为能够充分发挥 R-Car 性能潜力的程序。它将网络模型转换为可在 IP CNN 上快速运行的程序，并进行内存优化，以最大限度地发挥高速、有限容量 SRAM 的性能。3
. R-Car DNN 模拟器：用于快速仿真编译后的程序：
该模拟器可用于在 PC 上验证程序功能，而无需在 R-Car 芯片本身上进行验证。借助此工具，开发人员可以生成与 R-Car 相同的运行结果。如果在模型轻量化和程序优化过程中推理过程的识别精度受到影响，工程师可以立即向模型开发团队提供反馈，从而缩短开发周期。
瑞萨电子和菲斯达将继续通过联合成立的“汽车软件平台实验室”开发深度学习软件，并通过持续的网络模型更新构建能够维持和提高识别精度和性能的运行环境。
可用性：
目前提供的第一个工具集是为 R-Car V4H SoC ，适用于 AD 和 ADAS 应用，它将高达每秒 34 万亿次运算 (TOPS) 的强大深度学习性能与卓越的能效相结合。
