隨著邊緣AI與嵌入式系統的發展，智能小車、服務機器人等場景中亟需融合「高層智能決策」與「低層實時控制」。然而當前常見系統架構存在以下痛點：

決策系統與控制系統分離：AI模型通常運行在云端或高性能主控中，而運動控制仍依賴分離式MCU，通信鏈路長、時延大。

通信方式低效：傳統使用串口、網絡Socket或CAN等方式連接Linux與MCU，不僅通信開銷大，且存在不穩定性與延遲瓶頸。

系統集成困難：多個獨立組件難以統一管理，部署復雜，調試成本高，難以快速遷移與擴展。

缺乏標準化接口：上層應用缺乏便捷控制底層運動單元的標準方式，導致AI決策落地困難。

本文介紹一種基于虛擬化技術的嵌入式虛擬化集成開發平臺（vmRTThread），其架構如下圖所示：

可滿足不同安全等級、實時性要求及用戶體驗與運算能力需求。基于該平臺可將決策系統與控制系統同時運行于同一塊SOC；構建一套AI驅動+實時控制的一體化系統；其中該平臺提供系統間共享內存通信方式，具有低延遲和零拷貝的跨系統數據傳輸等特點，且通信速度不低于100MB/s（同步），可取代傳統串口或網絡等方式，并且無需改變原有開發方式，其示例如下圖：

該平臺在開發階段提供配套工具，可對多系統進行統一管理、構建和部署：

AI側可采用MCP（Model Context Protocol）或Function Calling方式完成與實時控制間的交互。

基于上述方式，采用8核開發板來部署AI小車，通過大模型完成對小車的控制，系統架構如下：

具體分為以下幾個階段執行：

01虛擬化系統部署

在開發板上部署vmRT-Thread；

創建兩個Guest系統，為每個系統分配物理資源（CPU、內存和外設），配置共享內存通信：運行Ubuntu與RT-Thread。

02控制系統（RT-Thread)

實現對電機、傳感器的實時控制；

實現電機控制算法；

提供小車前進、后退、左轉和右轉接口；

創建線程，監聽共享內存內的指令并執行動作。

03決策系統（Ubuntu)

提供AI大模型運行環境；

準備MCP Server和MCP Client；

MCP Server：通過標準化的模型上下文協議暴露特定功能 ，如：

move_forward(distance)

move_backward(distance)

MCPClient ：與MCP server 保持 1:1 的連接，管理大模型與MCP Server的交互流程，包括工具調用、資源訪問、數據傳輸等。

04系統聯調與驗證

通過語言指令如“向前移動一米”驗證AI→MCP→RTOS→執行器的完整鏈路；評估系統整體響應時延、控制精度與穩定性。

通過輸入語言命令控制小車移動：

決策系統（Ubutnu）：通過語言指令控制小車移動

控制系統（RT-Thread）：控制電機執行移動動作

當前嵌入式與邊緣AI場景中存在決策與控制系統分離、通信低效、集成復雜以及無法充分利用AI功能，因此，本文基于vmRT-Thread通過虛擬化技術將AI決策與實時控制集成于單一SoC，使其具備良好的可移植性與多場景適應能力；采用共享內存機制替代傳統通信方式，提升整體鏈路性能；為AI Agent控制具身智能提供模板。既滿足了人機交互的可能，又能滿足AI與嵌入式結合，為邊緣AI應用提供創新解決方案。