Marlin固件中HC32硬件抽象层的临界区宏问题解析
问题背景
在Marlin固件的bugfix-2.1.x分支中,开发者发现了一个与HC32硬件平台相关的编译错误。该问题出现在使用ProUI扩展用户界面时,系统提示__iCliRetVal和__iSeiRetVal两个函数未声明的错误。
技术细节分析
问题根源
错误源自HC32硬件抽象层(HAL)中的临界区宏定义。在HAL/HC32/HAL.h文件中,定义了以下两个宏:
#define CRITICAL_SECTION_START \
uint32_t primask = __get_PRIMASK(); \
(void)__iCliRetVal()
#define CRITICAL_SECTION_END \
if (!primask) \
(void)__iSeiRetVal()
这两个宏依赖于__iCliRetVal和__iSeiRetVal函数,这些函数本应包含在AVR工具链的atomic.h头文件中。然而,HC32的HAL文件没有包含这个头文件,而STM32F1的HAL文件则正确包含了它。
触发条件
该问题在以下情况下会被触发:
- 启用了
EXTENSIBLE_UI功能 - 禁用了
EXTUI_LOCAL_BEEPER选项 - 使用HC32硬件平台编译
具体触发位置在libs/buzzer.cpp文件的Buzzer::tick()函数中,当系统尝试通过临界区保护调用ExtUI::onPlayTone()时。
解决方案比较
开发者提出了几种可能的解决方案:
-
条件编译绕过:在HC32平台上直接跳过临界区保护代码
#if ENABLED(EXTENSIBLE_UI) && NONE(EXTUI_LOCAL_BEEPER, ARDUINO_ARCH_HC32) -
包含atomic.h头文件:让HC32的HAL文件包含必要的头文件
-
架构调整:将ProUI从
EXTENSIBLE_UI中移除
最终采用的解决方案是参考STM32 HAL的实现方式,修改HC32的临界区宏定义,直接使用CMSIS提供的函数,而不是依赖AVR特定的实现。
技术背景延伸
HC32与STM32的关系
虽然HC32F460和STM32F103在某些外设上相似,但它们在核心架构上有重要区别:
- STM32F103使用Cortex-M3核心
- HC32F460使用Cortex-M4核心
Voxelab最初基于STM32F1(Maple)开发了HC32的固件,但后续实现已经参考了多种架构的HAL实现,包括STM32、SAMD21和nRF5。
临界区保护的重要性
在多任务或中断驱动的嵌入式系统中,临界区保护是确保代码段原子性执行的关键机制。它通过暂时禁用中断来防止关键代码段被中断打断,常用于:
- 共享资源的访问
- 关键数据结构的修改
- 时序敏感的操作
在ARM Cortex-M架构中,通常通过操作PRIMASK寄存器来实现这一功能。
问题解决的意义
这个问题的解决不仅修复了编译错误,更重要的是:
- 保持了代码在不同硬件平台间的一致性
- 确保了临界区保护机制的正确实现
- 为HC32平台的后续开发奠定了基础
最佳实践建议
对于嵌入式开发者,在处理类似问题时应注意:
- 理解不同硬件平台的核心架构差异
- 确保平台特定的宏定义和函数依赖被正确处理
- 在移植代码时,不仅要关注功能实现,还要注意底层机制的区别
- 对于临界区等系统级操作,优先使用CMSIS等标准接口
通过这个案例,我们可以看到Marlin固件开发团队对跨平台兼容性的重视,以及他们解决复杂技术问题的系统化方法。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0192
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0121
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
fun-rec推荐系统入门教程,在线阅读地址:https://datawhalechina.github.io/fun-rec/Python03
so-large-lm大模型基础: 一文了解大模型基础知识01