moyixinandMo1s
15e1c2727c
## 改动内容 - 完善并提交“项目框架1：基于 RTOS 的五类场景 AI 实时性研究”。 - 新增“项目框架2：面向机器人大小脑异构系统的实时保障研究”。 - 新增“项目框架3：MCU 与资源受限 SoC 的 AI 实时性与低功耗研究”。 - 新增 RTOS–Linux–Hypervisor 边缘并行架构说明。 - 新增调整后的研究问题与验证建议，明确 RTOS、系统实时性与大模型低时延的边界。 ## 验证 - 已同步上游 `main`，源分支基于最新上游历史继续提交。 - `git diff --cached --check` 通过。 - 已检查提交范围，未加入凭据、令牌或临时文件。 - 远端分支提交已核对为 `b7863721fe906c0fa6a5e841599dd276a579d679`。 ## 建议重点审查 - 三套框架是否应作为相互独立、可并列选择的研究路线。 - 是否充分区分工业实时性、AI 推理低时延与端到端系统实时性。 - 机器人大小脑分域、Hypervisor 隔离及 MCU 资源预算的实验指标是否可落地。 --------- Co-authored-by: Mo1s <1194302708@qq.com> Reviewed-on: #3 Co-authored-by: moyixin <15971501952@163.com>
项目框架3：MCU 与资源受限 SoC 的 AI 实时性与低功耗研究
一句话定位
本项目研究 MCU 和资源受限 SoC 引入轻量 AI 后的实时干扰、资源预算、低功耗运行与安全降级问题，形成“控制期限优先、AI 预算执行、过载主动降级”的端侧智能方法。
核心问题
在 CPU、内存、带宽、功耗和散热均受限的控制节点中，允许多大的 AI 负载，才能在不破坏周期控制和关键 I/O 截止期的前提下获得有效智能功能？
研究对象说明
这里的 AI 不默认等于大语言模型。根据硬件能力，可以是：
- TinyML 和小型神经网络；
- 异常检测与预测维护模型；
- 轻量视觉、语音和状态识别；
- 学习型状态估计或控制补偿；
- 能在目标设备真实运行的小型语言模型。
目录结构
00-项目总览/01-研究问题、定位与边界.md10-研究框架/00-整体研究框架.md10-研究框架/01-AI预算调度与控制保护.md10-研究框架/02-内存、功耗、热与降级.md20-实验与规划/01-实验设计.md20-实验与规划/02-指标与证据.md
推荐课题名称
资源受限嵌入式控制系统中 AI 负载的实时预算与低功耗协同机制研究