ZMK固件中解决编码器误触发问题的技术方案
2025-06-25 23:00:53作者:韦蓉瑛
问题背景
在使用ZMK固件为键盘添加鼠标滚轮编码器时,开发者遇到了一个常见但令人困扰的问题:当向一个方向滚动编码器时,系统会错误地同时触发两个方向的信号(0和1)。这种误触发行为会影响用户体验和功能可靠性。
问题分析
编码器的工作原理是通过两个相位差90度的信号(A相和B相)来判断旋转方向。理想情况下:
- 顺时针旋转时,信号变化顺序应为A相先变化,然后B相变化
- 逆时针旋转时,信号变化顺序相反
当出现两个方向信号同时被触发的情况时,通常与以下因素有关:
- 信号消抖处理不足
- 分辨率设置不当
- 物理接触不良
- 固件配置参数不匹配
解决方案
关键配置参数调整
在ZMK固件中,有两个关键参数需要特别注意:
steps参数:定义编码器每转的物理步数triggers-per-rotation参数:定义每转触发的事件数
经过实践验证,以下配置组合可以解决误触发问题:
right_encoder: encoder_right {
compatible = "alps,ec11";
a-gpios = <&pro_micro 3 (GPIO_ACTIVE_HIGH | GPIO_PULL_UP)>;
b-gpios = <&pro_micro 2 (GPIO_ACTIVE_HIGH | GPIO_PULL_UP)>;
steps = <48>; // 或96
status = "okay";
};
sensors: sensors {
compatible = "zmk,keymap-sensors";
sensors = <&right_encoder>;
triggers-per-rotation = <24>;
};
参数选择原则
-
物理步数与触发数的比例:保持2:1或4:1的比例关系
- 当
triggers-per-rotation = <24>时,steps应设为48或96
- 当
-
分辨率匹配:确保固件配置与编码器物理特性匹配
- EC11编码器常见每转物理步数为12/24/30等
- 通过适当提高steps值可以提高识别精度
-
信号稳定性:较高的steps值可以提供更好的噪声过滤
实现原理
这种配置有效的根本原因在于:
- 采样密度增加:提高steps值相当于增加了采样点,使固件能更准确地识别旋转方向
- 滤波效果增强:更多的采样点可以平滑掉接触抖动带来的噪声
- 事件触发同步:保持steps与triggers-per-rotation的整数倍关系,确保事件触发时机准确
实践建议
-
对于EC11编码器,建议从以下配置开始测试:
- steps = 48
- triggers-per-rotation = 24
-
如果仍有误触发,可以尝试:
- 进一步提高steps值(如96)
- 检查硬件连接是否牢固
- 确保GPIO引脚配置了上拉电阻
-
对于不同型号编码器,需要根据其规格书调整参数:
- 每转物理步数
- 信号电气特性
- 机械结构特点
总结
通过合理配置ZMK固件中的编码器参数,特别是steps和triggers-per-rotation的比值关系,可以有效解决编码器误触发问题。这一解决方案不仅适用于鼠标滚轮编码器,也适用于其他旋转编码器的应用场景。开发者应根据具体硬件特性,通过实验找到最优参数组合,以获得稳定可靠的编码器输入体验。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
403
3.14 K
Ascend Extension for PyTorch
Python
224
250
暂无简介
Dart
672
159
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
663
319
React Native鸿蒙化仓库
JavaScript
262
325
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
655
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
219