Raspberry Pi Pico SDK中RP2350芯片的双重复位进入UF2模式问题分析
2025-06-15 16:42:30作者:余洋婵Anita
问题背景
在Raspberry Pi Pico SDK中,开发者可以通过pico_bootsel_via_double_reset模块实现一个便捷功能:快速连续两次复位即可让RP2040芯片重新进入UF2引导加载程序模式。这一功能在RP2040芯片上工作良好,但在RP2350芯片上却出现了失效的情况。
技术原理
在RP2040上,该功能的工作原理是:
- 在SRAM中特定位置写入魔术数字(magic numbers)
- 当检测到复位时,检查这些魔术数字是否仍然存在
- 如果存在且时间间隔符合要求,则判定为双重复位,进入UF2模式
RP2350上的差异
经过深入分析,发现RP2350与RP2040在以下方面存在关键差异:
- 内存初始化行为:RP2350的启动ROM会在启动过程中对内存进行清零操作,覆盖了应用程序写入的魔术数字
- 电源管理机制:RP2350在RUN引脚被置位时会完全断电SRAM,而RP2040由于缺乏电源门控,RAM内容得以保留
- 安全启动特性:RP2350作为新一代芯片,具有更严格的安全启动流程
根本原因
问题的核心在于RP2350芯片设计上的改进:
- 当RUN引脚被置位时,RP2350会完全断电所有内存
- 唯一保留的状态是POWMAN模块中的DOUBLE_TAP标志位
- 这与RP2040的内存保留行为形成鲜明对比
解决方案
针对这一问题,Raspberry Pi开发团队提出了两种解决方案:
-
使用OTP配置:通过配置OTP(One-Time Programmable)存储器中的BOOT_FLAGS1_DOUBLE_TAP标志位,启用芯片内置的双重复位检测功能。这种方法会增加启动延迟,但由芯片原生支持。
-
修改库实现:调整
pico_bootsel_via_double_reset库的实现方式,使其与RP2350的ROM使用相同的DOUBLE_TAP标志位机制,而不是依赖SRAM中的魔术数字。
开发者建议
对于需要在RP2350上实现双重复位功能的开发者,建议:
- 优先使用芯片原生的双重复位功能,通过配置OTP启用
- 如果必须使用软件实现,应考虑修改现有库以适配RP2350的特殊机制
- 注意RP2350与RP2040在内存保留行为上的差异,避免依赖RP2040特有的行为
总结
这一案例展示了硬件迭代对软件兼容性的影响。RP2350作为RP2040的后续产品,在提升安全性和电源管理的同时,也改变了某些底层行为。开发者在使用新硬件时,需要充分了解这些差异,并相应调整软件实现策略。Raspberry Pi团队已将此修复合并到SDK的develop分支中,为开发者提供了更完善的硬件支持。
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
最新内容推荐
STM32到GD32项目移植完全指南:从兼容性到实战技巧 JDK 8u381 Windows x64 安装包:企业级Java开发环境的完美选择 开源电子设计自动化利器:KiCad EDA全方位使用指南 Python案例资源下载 - 从入门到精通的完整项目代码合集 Python开发者的macOS终极指南:VSCode安装配置全攻略 网页设计期末大作业资源包 - 一站式解决方案助力高效完成项目 昆仑通态MCGS与台达VFD-M变频器通讯程序详解:工业自动化控制完美解决方案 STDF-View解析查看软件:半导体测试数据分析的终极工具指南 MQTT 3.1.1协议中文版文档:物联网开发者的必备技术指南 Jetson TX2开发板官方资源完全指南:从入门到精通
项目优选
收起
deepin linux kernel
C
24
9
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
🔥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
暂无简介
Dart
671
155
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++
660
308
Ascend Extension for PyTorch
Python
220
236
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
392
3.83 K
React Native鸿蒙化仓库
JavaScript
259
322