Arduino-Pico项目中PGA2350开发板的PSRAM使用问题解析
问题背景
在Arduino-Pico项目中使用Pimoroni PGA2350开发板时,开发者发现当尝试使用PSRAM(伪静态随机存取存储器)功能时遇到了编译错误。该开发板目前使用Generic(通用)配置文件,虽然大部分功能正常工作,但在运行PSRAM测试示例时出现了问题。
问题现象
当开发者尝试运行RP2350/PSRAMTest.ino示例程序,并将PSRAM大小设置为8MB,同时定义了PSRAM片选引脚(PSRAM_CS 47)时,编译过程失败,报错显示pmalloc函数未声明。
技术分析
根本原因
-
引脚定义缺失:PGA2350开发板的配置文件(pins_arduino.h)中缺少必要的PSRAM相关定义,特别是对于引脚编号大于31的情况。
-
核心限制:Arduino-Pico核心目前对高于31的引脚号支持不完善,而PGA2350的PSRAM片选引脚使用了47号引脚,这超出了当前核心的默认支持范围。
-
内存分配函数:错误信息表明
pmalloc函数(专用于PSRAM内存分配)未被正确声明,这通常是由于相关宏定义缺失导致的。
解决方案
-
手动添加定义:在开发板的
pins_arduino.h文件中添加必要的PSRAM相关定义,特别是PSRAM_CS引脚的配置。 -
修改核心支持:对于使用高编号引脚的开发板,需要扩展核心对高引脚号的支持,这通常涉及修改底层引脚映射和功能定义。
-
创建专用配置文件:为PGA2350开发板创建专门的配置文件,包含所有必要的PSRAM相关设置,而不是依赖通用配置文件。
实际应用建议
-
临时解决方案:开发者可以手动修改
generic_rp2350/pins_arduino.h文件,添加必要的PSRAM定义,这已被证实可以解决问题。 -
长期方案:建议为PGA2350开发板创建专门的板级支持包(BSP),包含完整的PSRAM支持和其他特定功能。
-
性能考量:使用PSRAM时需要注意其访问速度通常比内部RAM慢,适合存储大量数据但对速度要求不高的场景。
开发建议
-
引脚规划:在设计使用PSRAM的项目时,应优先选择核心已良好支持的引脚号(0-31)。
-
内存管理:使用PSRAM时,应了解
pmalloc等专用内存分配函数的使用方法,它们与标准内存分配函数有性能差异。 -
测试验证:在实现PSRAM功能后,应进行全面的读写测试和性能基准测试,确保系统稳定性。
总结
PGA2350开发板在Arduino-Pico环境下的PSRAM支持问题主要源于引脚定义和核心支持的缺失。通过适当修改配置文件可以解决当前问题,但最佳实践是为特定开发板创建完整的支持包。这为开发者提供了关于如何在非标准硬件上实现高级功能的宝贵经验。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
Spark-Prover-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00