CherryUSB v1.4.3版本发布:嵌入式USB协议栈的全面升级
项目概述
CherryUSB是一个轻量级、高性能的嵌入式USB协议栈,支持设备模式(Device)和主机模式(Host),广泛应用于各类嵌入式系统中。该项目提供了完整的USB协议实现,包括控制传输、批量传输、中断传输和同步传输等核心功能,同时支持多种USB类协议,如HID、CDC、MSC、Audio等。
版本亮点
1. 核心架构优化
本次v1.4.3版本在核心架构上进行了多项优化。首先,增加了对不同操作系统的更好支持,特别是针对NuttX操作系统的适配工作。其次,引入了物理地址与RAM地址转换的宏定义,方便不同硬件平台的内存管理。在设备模式下,新增了EP0设置处理程序线程化特性,提高了控制传输的灵活性。
2. 音频类功能增强
音频类功能得到了显著增强,为UAC1和UAC2增加了音频反馈相关的宏定义和演示示例。这一改进使得开发者能够更容易地实现高质量的USB音频设备,满足专业音频应用的需求。
3. 无线网络支持改进
在无线网络支持方面,RNDIS类驱动现在可以支持不使用LWIP的以太网和无线传输API,这为不使用LWIP协议栈的系统提供了更大的灵活性。同时,MSC类驱动进行了优化,将SCSI命令初始化移出枚举线程,避免阻塞枚举过程,并增加了测试单元就绪请求的重试机制。
4. 平台适配扩展
本次更新扩展了对多个硬件平台的支持:
- 新增了T113平台的EHCI控制器驱动
- 更新了RP2040的设备驱动和主机驱动,使用irq_add_shared_handler注册中断处理程序
- 增加了CH585 USBHS DC支持
- 扩展了Kinetis系列对MCXA156的支持
- 修复了STM32H7RS系列在主机模式下的GCCFG配置问题
技术细节解析
操作系统抽象层改进
操作系统抽象层(OSAL)是CherryUSB实现跨平台支持的关键组件。本次更新特别针对NuttX操作系统进行了优化,增加了参数宏定义,使得在不同操作系统间的移植更加方便。同时,对RT-Thread和IDF(ESP32)平台也进行了特定优化,如调整TX FIFO大小以获得更好的端点性能。
设备模式增强
在设备模式下,v1.4.3版本修复了描述符长度计算的逻辑错误,确保在解析USB描述符时不会出现越界访问。同时,当alternate setting设置为0时,现在会正确重置所有端点,这解决了某些情况下端点状态不一致的问题。
主机模式调试支持
为了便于主机模式的开发和调试,新版本增加了usbh_printf_setup API,可以方便地打印USB设置包的内容,大大简化了协议分析工作。
缓存一致性处理
在底层驱动方面,本次更新为EHCI、OHCI和DWC2控制器增加了对数据缓存(DCache)的支持,这对于使用带缓存架构的处理器(如Cortex-A系列)至关重要,确保了数据传输的正确性。
应用建议
对于正在使用或考虑使用CherryUSB的开发者,建议关注以下方面:
- 音频设备开发者可以充分利用新增的音频反馈功能,实现更精确的同步控制。
- 在资源受限的系统中,可以考虑使用新的RNDIS实现,避免引入完整的LWIP协议栈。
- 对于使用NuttX或RT-Thread等RTOS的项目,新版本提供了更好的支持,建议升级以获得更稳定的性能。
- 在开发主机功能时,可以利用新的调试API快速定位协议问题。
CherryUSB v1.4.3版本通过多项功能增强和问题修复,进一步提升了嵌入式USB开发的便利性和可靠性,是嵌入式系统USB功能实现的优秀选择。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00