瑞芯微（Rockchip）的 RKNPU 当前（截至 2025 年 10 月）官方并不原生支持标准的 3D 卷积（3D Convolution）算子。这一点在瑞芯微官方发布的文档和工具链中有明确体现。

✅ 官方依据（来自你提供的知识库和公开资料）：

1. RKNN 支持算子列表限制

在你提供的资料中提到：

“结合《RKNN Compiler Support Operator List v2.0.0-beta》文档更新，新增 exSDPAttention（注意力机制）、exMatMul（矩阵乘）硬件加速算子……”

但并未提及 Conv3D 或 3D Convolution。相反，所有支持的卷积操作均为 2D 卷积（Conv2D）及其变种（如 depthwise、group conv 等）。

2. NPU 架构设计定位

瑞芯微的 NPU（如 RK3588/RK3576 上的 NPU）主要面向 图像级 AI 推理（如目标检测、图像分类、语义分割）和 轻量时序模型（如 GRU、1D CNN、Transformer 的 MatMul/Attention），并非为视频级 3D 时空建模设计。

• 支持的数据排布：NCHW / NHWC（4D）
• 不支持 5D 张量（如 NCDHW）的原生卷积运算
• 没有 Conv3D、ConvTranspose3D 等算子的硬件加速路径

3. fallback 行为

如果模型中包含 Conv3D：

• RKNN-Toolkit2 在转换时会 报错或自动 fallback 到 CPU 执行
• fallback 后推理速度极慢，失去 NPU 加速意义
• 官方文档《Rockchip_RKNPU_User_Guide》中明确建议：避免使用不支持的算子，尤其是 Conv3D

🔧 替代方案（在 RKNPU 上实现“类视频分类”）

虽然不支持原生 3D 卷积，但可通过以下方式绕过限制：

✅ 方案 1：2D + LSTM / GRU（即你提到的 MobileNet+LSTM）

• 使用 MobileNet 提取每帧特征（NPU 加速）
• 将特征序列送入 LSTM/GRU（RK356x/RK3588/RK3576 均支持 exGRU 硬件加速）
• 这是目前 RKNPU 上最推荐的视频时序建模范式

✅ 方案 2：Temporal Shift Module (TSM)

• 仅用 2D 卷积 + 通道位移模拟时序交互
• 全部算子（Conv2D、Reshape、Slice、Concat）均被 RKNPU 支持
• 可部署在 RK3588/RK3576 上，实测有效

✅ 方案 3：帧池化（Frame-level Pooling）

• 对每帧独立推理（如分类概率）
• 后处理阶段用 CPU 做 max/avg pooling 或 voting
• 适用于动作变化缓慢的场景

📌 总结

🔗 建议操作

1. 查阅最新版《RKNN Compiler Support Operator List》确认算子支持情况
2. 优先使用 RKNN-Toolkit2 v2.0.0+（支持 RK3576 和更多算子）
3. 在模型设计阶段避免 Conv3D，改用 RKNPU 友好结构