📚 课程目录第3章 RK AIQ软件框架

3. RK AIQ软件框架

好，咱们进入第三章。这一章我打算聊聊RK AIQ的软件框架。说实话，很多刚接触RK平台的工程师，一上来就被AIQ的代码结构搞懵了。代码量大，目录深，不知道从哪看起。

我个人习惯是，先看框架，再看细节。就像盖房子，你得先知道哪是承重墙，哪是隔断，才能决定怎么装修。AIQ也是一样，搞懂它的架构设计、插件机制和工具链，后面调参才能得心应手。

3.1 AIQ架构设计：分层与解耦

RK AIQ的全称是Rockchip Artificial Intelligence & Image Quality。说白了，它就是把传统的ISP调优和AI算法揉在了一起。但揉得好不好，关键看架构。

我画了一张架构分层图，你先有个整体印象：

你看，从上到下分了五层。每一层只干自己的事，接口是固定的。这样做的好处是——你想换一个AE算法？没问题，只要实现插件接口就行，核心调度层和HAL层完全不用动。

我在项目中遇到过最典型的例子：客户想用自己的AE算法，但又不想动底层驱动。按照这个架构，我们只需要写一个新的AE插件，注册进去，调度层自动就接管了。前后只花了两天时间。

3.2 算法插件机制：动态加载与注册

插件机制是AIQ的灵魂。你想想看，ISP调优涉及十几个算法模块，如果全写死在一个库里，那维护成本得多高？

RK的做法是：每个算法独立编译成一个动态库（.so），通过统一的接口注册到AIQ框架中。框架启动时，扫描指定目录下的插件，按优先级加载。

核心接口就三个：

// 插件必须实现的接口
typedef struct {
    const char* name;           // 算法名称，如 "ae_algo"
    int32_t priority;           // 优先级，数值越小优先级越高
    int32_t (*init)(void* cfg); // 初始化
    int32_t (*run)(void* in, void* out); // 每帧处理
    int32_t (*deinit)(void);    // 反初始化
} algo_plugin_t;

// 注册宏
#define REGISTER_ALGO_PLUGIN(plugin) \
    __attribute__((constructor)) void register_##plugin() { \
        aiq_register_plugin(&plugin); \
    }

嗯，这里要注意：__attribute__((constructor)) 这个GCC扩展，保证了库加载时自动执行注册函数。你不需要手动调用任何注册代码。

我的习惯：开发新算法时，先用一个空壳插件跑通注册流程，确认框架能识别到你的.so文件，再填充算法逻辑。这样能快速定位问题是出在框架对接还是算法本身。

我曾经踩过一个坑：插件注册成功了，但run函数一直没被调用。查了两天才发现，是优先级设得太低，被其他算法模块的耗时任务阻塞了。调度层是按优先级和时间片轮转的，优先级低的算法可能几帧都轮不到一次。

3.3 Tuning工具链介绍：从离线到在线

工具链这块，RK提供了两套方案：离线调优工具和在线调试工具。我分别说一下。

对比项	离线调优工具	在线调试工具
运行环境	PC端（Windows/Linux）	设备端（RK平台）
数据来源	预先采集的RAW图	实时摄像头数据流
调优方式	批量处理 + 参数扫描	实时调节 + 即时预览
适用场景	前期标定、参数初版	现场微调、问题复现
输出产物	XML/JSON参数文件	直接写入设备寄存器

离线工具我用的最多的是 RKISP_Tuner。它支持加载RAW图，然后模拟ISP pipeline跑一遍，你可以逐个模块调参数，看效果。调完了导出XML，烧到设备里就行。

在线工具是 RKAIQ_Online，通过adb或网络连接设备，实时拉取每一帧的统计信息，你改一个参数，下一帧就能看到效果。这个在调试AE收敛速度、AWB色温跳变时特别有用。

注意：在线调试时，不要同时修改多个强相关参数（比如同时调AE的目标亮度、AWB的色温权重和去噪的强度）。我曾经这么干过，结果画面直接花了，根本分不清是哪个参数导致的。一次只改一个变量，这是调试的基本素养。

3.4 工具链工作流程

我整理了一个典型的工作流程，你照着走，基本不会乱：

采集RAW图：用RK提供的抓图工具，在不同光照、不同场景下采集RAW数据。至少采集20组以上。
离线标定：在PC上用RKISP_Tuner加载RAW图，做LSC、BLC、AWB等基础标定。生成标定文件。
参数初调：在离线工具里调整各模块参数，直到主观效果满意。导出XML参数文件。
烧录验证：把XML文件烧到设备上，跑实际场景，看效果是否符合预期。
在线微调：如果发现某个场景有问题（比如室内暖光下偏色），用RKAIQ_Online连接设备，实时微调对应参数。
固化参数：把最终调好的参数合并到固件中，发布。

这个流程我走了不下几十遍了。刚开始做的时候，我总想跳过离线标定，直接在线调。结果发现，在线调出来的参数换个场景就崩了。离线标定虽然麻烦，但它是参数鲁棒性的基础。

核心要点：AIQ框架的插件机制让算法模块解耦，工具链让调优过程可追溯。你不需要理解每一行底层代码，但必须清楚数据是怎么从sensor流到算法、再流回硬件的。这个数据流搞明白了，调优就成功了一半。

好了，这一章的内容就这些。框架、插件、工具链，这三样东西是你在RK平台上吃饭的碗。碗端稳了，后面才能谈怎么炒菜。