STM32_CAN项目实战:带过滤功能的CAN总线读写示例解析
概述
本文将深入解析STM32_CAN库中带过滤功能的CAN总线读写示例,帮助开发者理解如何在STM32平台上实现高效的CAN通信。CAN(Controller Area Network)总线是广泛应用于汽车电子和工业控制领域的通信协议,具有高可靠性和实时性特点。
硬件配置与初始化
示例代码中首先进行了硬件配置:
STM32_CAN Can( CAN1, DEF, RX_SIZE_64, TX_SIZE_16 );
这行代码初始化了CAN1控制器,使用默认引脚(PA11/PA12),并设置了接收缓冲区大小为64个消息,发送缓冲区保持默认的16个消息。这种配置适合需要处理大量接收消息但发送频率不高的应用场景。
波特率设置
Can.setBaudRate(500000);
这里将CAN总线波特率设置为500kbps,这是工业CAN总线常用的速率之一。开发者可以根据实际应用需求调整此值,常见的选择还包括125kbps、250kbps和1Mbps。
消息过滤机制
本示例的核心特性之一是消息过滤功能:
Can.setMBFilterProcessing( MB0, 0x153, 0x1FFFFFFF );
Can.setMBFilterProcessing( MB1, 0x613, 0x1FFFFFFF );
Can.setMBFilterProcessing( MB2, 0x615, 0x1FFFFFFF, STD );
Can.setMBFilterProcessing( MB3, 0x1F0, 0x1FFFFFFF, EXT );
这里配置了4个不同的过滤器:
- MB0和MB1:接收ID为0x153和0x613的扩展帧
- MB2:接收ID为0x615的标准帧
- MB3:接收ID为0x1F0的扩展帧
过滤掩码0x1FFFFFFF表示需要精确匹配ID,开发者可以根据需求调整掩码来实现范围过滤。
消息发送实现
示例中实现了定时发送功能,通过硬件定时器以50Hz频率发送3种不同的CAN消息:
void SendData() {
if (Counter >= 255){ Counter = 0;}
CAN_outMsg_1.buf[3] = Counter;
Can.write(CAN_outMsg_1);
CAN_outMsg_2.buf[5] = Counter;
Can.write(CAN_outMsg_2);
CAN_outMsg_3.buf[6] = Counter;
Can.write(CAN_outMsg_3);
Counter++;
}
这种设计展示了如何周期性更新部分数据字段并发送多个不同ID的消息。在实际应用中,可以根据需求调整发送频率和消息内容。
消息接收处理
接收处理函数readCanMessage()展示了如何解析接收到的CAN帧:
void readCanMessage() {
Serial.print("Channel:");
Serial.print(CAN_inMsg.bus);
if (CAN_inMsg.flags.extended == false) {
Serial.print(" Standard ID:");
}
else {
Serial.print(" Extended ID:");
}
Serial.print(CAN_inMsg.id, HEX);
// ... 其他打印信息
}
该函数会打印出接收到的消息详细信息,包括:
- 总线通道
- 帧类型(标准/扩展)
- 消息ID
- 数据长度(DLC)
- 数据内容或远程帧标识
主循环设计
主循环采用非阻塞方式处理接收消息:
void loop() {
while (Can.read(CAN_inMsg)) {
readCanMessage();
}
}
这种设计确保只有在有消息到达时才进行处理,不会阻塞其他任务的执行。
实际应用建议
-
过滤策略优化:根据实际应用场景合理设置过滤器和掩码,减少不必要的消息处理开销。
-
发送频率调整:50Hz的发送频率适合大多数控制应用,但对实时性要求不高的场合可以降低频率以减轻总线负载。
-
错误处理增强:实际应用中应添加错误检测和处理逻辑,如总线离线恢复机制。
-
缓冲区管理:对于高负载场景,可能需要增大接收缓冲区或实现消息优先级处理机制。
总结
本示例展示了STM32_CAN库在STM32平台上实现带过滤功能的CAN通信的完整流程,包括初始化、过滤设置、周期性发送和接收处理。开发者可以基于此框架构建更复杂的CAN总线应用,如汽车ECU通信、工业设备控制等场景。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00