在RK3588平台适配RK1828

引言

随着端侧AI推理应用的不断深入，RK3588凭借其强大的多媒体处理能力和通用计算性能，已成为嵌入式边缘计算领域的明星平台。然而，其内置NPU仅6TOPS的算力在面对Qwen等大模型的高负载推理时，逐渐暴露出性能瓶颈。在运行3B及以上的模型时，推理速度明显变慢，难以满足日益增长的实时性需求。

正是在这一背景下，瑞芯微于2025年推出了RK1828端侧AI协处理器。该芯片采用M.2 2280标准形态，通过PCIe接口与主控平台高速互联，可实现即插即用式的算力扩展。RK1828搭载专用NPU，INT8峰值算力高达20TOPS，并内置5GB 3D堆叠高带宽DRAM，专门承接高负载AI推理任务。凭借“主控统筹+协处理器专职加速”的异构架构，RK3588与RK1828的组合正成为边缘AI大模型产品极具竞争力的硬件底座。

本文将从硬件平台搭建、系统软件适配到推理性能验证，完整记录RK3588开发板上适配RK1828 M.2模组的全过程，并通过大模型对话的实测数据，直观展示RK1828相比RK3588自带NPU的性能提升幅度。

硬件平台搭建

硬件选型

本文选用的主控平台为风火轮技术推出的YY3588开发板。该开发板基于瑞芯微RK3588芯片打造，采用核心板+底板的模块化设计，核心板尺寸为82mm×53mm，默认底板尺寸为120mm×88mm，兼具高性能与紧凑体积。RK3588搭载八核64位CPU（4×Cortex-A76@2.4GHz + 4×Cortex-A55@1.8GHz），集成6TOPS NPU，适合工业控制、边缘AI等多元化应用场景。

YY3588开发板板载一路M.2 M-Key接口，支持NVMe 2280 SSD固态硬盘，走PCIe 3.0总线。该接口可直接接入本次适配的RK1828 M.2模组。

AI协处理器模组选用瑞芯微RM182XMC0。该模组采用M.2 Key B-M连接器，物理尺寸为22mm×80mm×6mm。模组内置RK1828协处理器芯片，基于三核64位RISC-V架构，搭载专用NPU引擎，INT8峰值算力高达20TOPS，并内置5GB高带宽DRAM。模组支持PCIe 2.1接口，单 Lane 运行，数据传输速率最高可达5.0Gbps。此模组形态如下

硬件安装步骤

步骤一：检查接口兼容性。确认YY3588开发板的M.2插槽为M-Key规格，支持PCIe 3.0信号。RK1828模组采用Key B-M连接器，两者在物理接口和电气信号上兼容。

步骤二：安装模组。 将RK1828模组的金手指对准YY3588开发板的M.2插槽，使用配套螺丝将其固定于底板上的铜柱螺孔。

步骤三：连接供电。 RK1828模组需要独立的12V主供电输入。根据规格书，VCC_IN供电电压范围为8.0V至14.4V，典型值为12.0V；3.3V供电电压范围为2.97V至3.63V，典型值为3.3V。YY3588上面有一个电源插针，在下图所示的位置，此电源插针和DC电源座是通的，将RM182XMC0配套电源线插到这个座子上面即可。

步骤四：上电启动。 完成上述安装后，为YY3588开发板上电，系统正常启动。此时，RM182XMC0上面的风扇也会转动。

硬件识别验证

系统启动后，可在YY3588开发板的串口通过以下命令验证RK1828模组是否被正确识别：

lspci

预期输出中应出现VID为1d87 PID为182a的设备

常见问题排查

1、RM182XMC0风扇不转，指示灯不亮

检查12V电源是否接反，电源电流是否足够。预留给RK1828模组应至少达到2A，不然可能出现不开机的情况。

2、RM182XMC0上电，PCIE不识别

检查一下dmesg里面是否有报错信息，正常情况下，会是这样的信息

如果枚举失败，有可能是接触不良

完成硬件识别验证后，即可进入下一阶段的系统软件适配工作。

软件适配（基础部署）

系统软件层面的适配工作，主要包括内核驱动配置、RK1828固件与运行时库的安装部署，以及环境验证。本章基于瑞芯微官方提供的RK1820/RK1828 AI SDK（Release V1.1.0）进行说明。此SDK框架如下图所示

此SDK框架与RK3588上面运行的RKNN2有相似之处，都包含了PC端的RKNN Toolkit与主控端的RKNN Runtime。不同的是，使用RK1828时，还需要主控加载USB/PCIe/Ethernet驱动，与RK1828通信。使用这个M.2接口的RK1828模块时，使用的是PCIe通道。

系统与环境准备

Host端系统要求：本文使用的YY3588开发板，开发板上安装android系统。要使用RK1828的PCIE驱动，要求内核版本需不低于5.10。

SDK获取：从瑞芯微官方渠道获取RK1828 M.2模组对应的预编译软件安装包 rknn3_rk182x_m2_v1.1.0_installer_arm64.tgz。该安装包包含了RK1828固件、RKNN3 Runtime、调试工具集（rknn-smi、rknn-console）等。

内核驱动配置

内核驱动配置有如下两个方法，任选其一

1、若需自行编译内核以启用PCIe EP功能支持，需在Rockchip SDK内核源码中确认已合入相关补丁，对于Linux kernel 6.1版本的SDK，此补丁的说明如下

此补丁只是改了‎drivers/misc/rockchip/pcie-rkep.c文件，单独把这个文件拉下来放SDK里面替换也是可以的。

并确认开启以下内核配置项：

CONFIG_PCIE_FUNC_RKEP=y

CONFIG_PCIE_DW_DMATEST=y

配置完成后重新编译内核并烧录至YY3588开发板。

2、RK也提供了一个单独抽出来的rkep驱动文件夹，此文件夹内容如下

将这几个文件放到drivers/misc/pcie-rkep目录下面，然后修改drivers/misc/ Makefile，增加一行

obj-y += pcie-rkep/

然后重新编译内核，即可得到 drivers/misc/pcie-rkep/pcie-rkep.ko 文件，将此文件通过adb等方式推到板端，并执行 insmod pcie-rkep.ko

无论采用上述哪种方式，成功加载后，都可以看到如下dmesg信息

同时/dev目录下出现 pcie-rkep-XXXX:XX:XX.X节点，其中XXXX:XX:XX.X取决于使用的PCIE端口号。

RKNN3 Runtime配置

解压rknn3_rk182x_m2_v1.1.0_installer_arm64.tgz后，得到如下内容

这里面包含了Linux和Android两个平台的二进制可执行程序和动态库。下面仅以Android的部署方式为例说明，Linux是类似的。

1、加载RK182X固件。

RK182X模组没有存储器，固件是放在合封的DDR里面运行的，因此每次上电，都需要主控把它的固件发过去。

固件路径：system_root/firmware/rknn3_rk1820_ext-m2.img

下载工具：system_root/bin/pcie_upgrade_tool（主控运行Linux和Android时一样）

将固件和下载工具放到板上，然后执行

pcie_upgrade_tool uf rknn3_rk1820_ext-m2.img -reset

即可下载。下载时会有如下打印信息

注：下载固件前，RK182X风扇处于最高转速。下载固件后，RK182X在温度较低时，风扇会处于低转速或者不转，即动态调温策略会生效。

2、部署动态库

如果是android系统，动态库位于system_root/lib/MultiSys/Android/文件夹，把这个文件夹里面所有文件推到板端的/vendor/lib64即可

如果是linux系统，动态库位于system_root/lib/文件夹，把这个文件夹里面.so后缀的文件推到板端的/usr/lib64即可

验证环境是否生效，可将 system_root/bin/rknn-smi（Linux）或 system_root/bin/MultiSys/Android/rknn-smi（Android）推到板上，执行 rknn-smi -v。如果配置正确，能看到如下打印信息：

注意 PCIe Device 0 firmware version 是RK182X的固件版本，rknn3 API version 是主控端动态库版本，二者必须一致

3、启动传输服务

主控和RK182X之间需要传递模型数据等，这里需要使用到 rknn3_transfer_proxy 工具。

linux的在 system_root/bin/rknn3_transfer_proxy

android的在 system_root/bin/MultiSys/Android/rknn3_transfer_proxy

将这个文件推到板上，直接执行 rknn3_transfer_proxy &，此时使用 netstat命令可以看到如下两个端口被打开了

到这里就完成了runtime的部署。

RK182X大模型对话功能演示

与RK3588/RK3399PRO这些平台一样，需要把通用模型转换为RKNN模型后，才能在板端NPU运行。笔者这里以RK训练好的3B模型为例。下载RK提供的模型后，可以得到如下四个文件，把这四个文件推到板上

然后需要使用RK提供的一个openAI server端软件，这样可以通过openAI接口与之对话。

linux的在 system_root/bin/rkllm3-server

android的在 system_root/bin/MultiSys/Android/rkllm3-server

将这个文件推到板上，执行

rkllm3-server -m /xxx/Qwen2.5-3B.rknn --weight /xxx/Qwen2.5-3B.weight --vocab /xxx/Qwen2.5-3B.tokenizer.gguf --embed /xxx/Qwen2.5-3B.embed.bin --host 0.0.0.0 --port 8080 -c 768 --n_predict 512 --repeat-penalty 1.1 --presence-penalty 1.0 --frequency-penalty 1.0 --top-k 1 --top-p 0.8 --temp 0.8

这些参数的定义如下

执行之后，可以用netstat看到有如下端口被打开了

部署完成后，可以使用Navi这款工具与RK3588上面开放出来的openAI兼容端口连接，Navi的配置如下所示，IP填入YY3588板子的IP，PC要跟板子在同一局域网。

然后发起对话

对话之后，在logcat日志里面，可以看到其运行耗时，消耗的token等信息

从日志中可以看到，在这个 RK3588 + RK1828 平台上，运行 3B 模型，预填充 prompt prefill 速度高达 700+ tokens/秒，总耗时极低。而笔者此前测试过，在 RK3588 平台上，运行 1.5B 模型，只能达到 60 tokens/秒左右的速度。相比之下，RK的新架构非常适合跑大模型，而RK3588这种处理器自带的NPU在面对大模型时确实存在算力瓶颈。

结语

本文从硬件连接、系统配置、驱动加载、软件部署到最终的推理性能验证，完整记录并分享了在RK3588（YY3588）平台上适配RK1828 M.2 AI协处理器的全过程。

通过实测数据可以直观地看到，RK3588与RK1828的“主控+协处理器”异构架构带来了显著的性能飞跃。在运行3B参数规模的大模型时，RK1828凭借其20TOPS的专用NPU算力与5GB高带宽DRAM，推理速度快，无明显卡顿感觉，彻底解决了RK3588自带6TOPS NPU在运行大模型时推理速度缓慢、难以满足实时性需求的痛点。

随着端侧AI向更大参数量、更高实时性方向演进，RK1828 M.2模组以其标准化的接口、即插即用的算力扩展能力，为边缘计算设备提供了一条极具性价比的升级路径。未来，我们期待基于该异构平台，进一步探索多模态大模型、端侧Agent等更复杂的应用场景，充分释放边缘AI的潜力。

审核编辑 黄宇