Marlin固件中步进电机脉冲时间计算问题分析与修复
2025-05-13 15:59:51作者:廉彬冶Miranda
问题背景
在Marlin固件的bugfix-2.1.x分支中,一个关于步进电机最小脉冲时间计算的修改(PR #27113)导致了部分用户设备出现重启问题。这个问题主要影响使用SKR-3主板(运行频率高达480MHz甚至550MHz)和TMC2209驱动器的用户。
技术分析
问题的根源在于步进电机脉冲时间计算与非线性挤出功能的交互作用。以下是详细的技术分析:
-
硬件特性:
- SKR-3主板运行频率高达480MHz(部分版本550MHz)
- TMC2209驱动器支持最高5百万步/秒,最小脉冲持续时间为100纳秒
-
问题代码:
- PR #27113修正了
MIN_STEPPER_PULSE_CYCLES的计算方式,使其正确反映硬件能力 - 修正后计算:
constexpr uint32_t min_stepper_pulse_cycles = _min_pulse_high_ns * CYCLES_PER_MICROSECOND / 1000
- PR #27113修正了
-
问题机制:
- 修正后
MIN_STEPPER_PULSE_CYCLES从960降至48(480MHz下100ns对应的周期数) - 这导致
MIN_STEP_ISR_FREQUENCY从75519UL增加到136518UL - 当启用
ADAPTIVE_STEP_SMOOTHING和NONLINEAR_EXTRUSION时,会产生过高的过采样率
- 修正后
-
具体表现:
- 以100mm/s速度移动时,80步/mm的电机需要8000步/秒
- 修正后会产生16倍过采样(136518/8000≈17)
- 加上非线性挤出的2倍过采样,总过采样率过高
解决方案
开发团队通过以下修改解决了这个问题:
-
关键修复: 在
stepper.cpp中修改过采样因子计算:oversampling_factor = 0; // 原为TERN0(NONLINEAR_EXTRUSION, 1) -
修复原理:
- 移除非线性挤出强制的最小过采样要求
- 保留自适应步进平滑功能的自适应过采样能力
- 系统仍会根据实际需要自动计算最佳过采样率
-
验证结果:
- 多位用户确认修复有效
- 非线性挤出功能仍正常工作
- 系统不再出现重启或UI卡顿问题
技术启示
这个问题展示了嵌入式系统中几个重要的设计考量:
-
硬件特性匹配: 高频处理器与步进驱动器特性的精确匹配至关重要,特别是时间敏感操作
-
功能交互测试: 新功能或修正需要全面测试与现有功能的交互,特别是涉及底层硬件的修改
-
性能边界条件: 系统设计需要考虑极端条件下的性能表现,如高频处理器下的最小脉冲时间计算
这个问题的解决不仅修复了当前bug,也为Marlin固件在高性能硬件上的稳定运行提供了更好的基础。
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
MQTT 3.1.1协议中文版文档:物联网开发者的必备技术指南 Solidcam后处理文件下载与使用完全指南:提升CNC编程效率的必备资源 Python案例资源下载 - 从入门到精通的完整项目代码合集 TortoiseSVN 1.14.5.29465 中文版:高效版本控制的终极解决方案 CrystalIndex资源文件管理系统:高效索引与文件管理的最佳实践指南 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南 Python开发者的macOS终极指南:VSCode安装配置全攻略 瀚高迁移工具migration-4.1.4:企业级数据库迁移的智能解决方案 STM32到GD32项目移植完全指南:从兼容性到实战技巧
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