LVGL项目中的外部闪存双镜像资源加载方案解析
2025-05-11 17:01:47作者:彭桢灵Jeremy
背景介绍
在嵌入式系统开发中,使用LVGL图形库时经常会遇到资源存储的问题。特别是在支持OTA(空中升级)功能的设备上,如何高效管理存储在外部闪存中的图形资源(如图片、字体等)成为一个技术挑战。本文将深入分析一种特殊的资源加载方案——基于外部闪存双镜像架构的资源偏移加载机制。
双镜像架构设计
典型的双镜像OTA方案会将外部闪存划分为两个独立的存储区域(Slot1和Slot2),每个slot都包含完整的应用程序和资源数据。这种设计的主要特点是:
- 应用程序代码会被从外部闪存复制到内部闪存的固定地址执行
- 图形资源(图片、字体等)由于体积较大,直接从外部闪存按地址访问
- 两个slot中的资源数据具有相同的相对布局,但位于不同的基地址
技术挑战
在这种架构下,当系统从Slot1切换到Slot2时,所有资源数据的实际物理地址都会发生偏移(通常是16MB的整数倍)。而LVGL中原有的资源访问机制是直接使用编译时确定的地址,这就导致了:
- 图片描述符(lv_img_dsc_t)中的data指针需要动态调整
- 字体结构(lv_font_t)中的各种指针(字形数据、kerning表等)都需要重新计算
- 代码生成工具(如SquareLine)产生的资源引用需要特殊处理
解决方案对比
目前主要有两种解决思路:
运行时描述符复制方案
在系统启动时,为每个资源创建RAM中的副本描述符,并调整其中的指针值。例如:
lv_image_dsc_t img1_ext = img1; // 创建RAM副本
img1_ext.data += offset; // 调整指针
优点:实现简单,不修改LVGL核心代码 缺点:需要手动管理,与代码生成工具集成困难
全局偏移量方案
在LVGL核心中添加全局偏移量机制:
void lv_resource_set_offset(uint32_t offset); // 设置全局偏移
uint32_t lv_resource_get_offset(void); // 获取当前偏移
优点:
- 对上层透明,无需修改应用代码
- 与代码生成工具兼容性好
- 资源访问逻辑集中管理
缺点:
- 需要修改LVGL核心代码
- 增加了少量运行时开销
实现细节分析
在全局偏移量方案中,关键实现点包括:
- 图片资源处理:在图片解码前,自动将描述符中的data指针加上偏移量
- 字体资源处理:需要递归处理字体结构中的所有指针,包括:
- 字形位图数据指针
- kerning表指针
- 其他字体度量数据指针
- 线程安全考虑:在多任务环境下确保偏移量修改的原子性
性能与资源考量
该方案的主要资源消耗在于:
- 增加了全局变量存储偏移量(4字节)
- 每次资源访问增加一个加法运算
- 可能需要额外的内存屏障指令(多核系统)
对于大多数现代MCU来说,这些开销可以忽略不计。但在极端资源受限的设备上,需要评估具体影响。
应用场景扩展
虽然最初是为OTA双镜像设计,但该技术也可应用于:
- 多区域资源存储(如不同语言资源分区)
- 资源加密方案(偏移量作为简单加密手段)
- 资源热切换场景(如主题切换)
总结
外部闪存双镜像架构下的资源加载是LVGL应用中的一个特殊但重要的场景。全局偏移量方案提供了一种优雅的解决方案,既保持了LVGL原有的简洁性,又满足了OTA等高级功能的需求。随着物联网设备对OTA功能需求的增长,这类技术方案将变得越来越重要。开发者可以根据具体项目需求,选择最适合的实现方式。
登录后查看全文
热门项目推荐
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
Ascend Extension for PyTorch
Python
223
246
暂无简介
Dart
672
157
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
313
React Native鸿蒙化仓库
JavaScript
262
324
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
1.2 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
218
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
330
137