Raspberry Pi Pico SDK中PIO与DMA的16位数据传输问题解析
概述
在使用Raspberry Pi Pico SDK进行PIO(可编程输入输出)与DMA(直接内存访问)的16位数据传输时,开发者可能会遇到数据丢失或错位的问题。本文将深入分析这一问题的根源,并提供完整的解决方案。
问题现象
当尝试通过PIO的IN指令将数据通过DMA传输到内存缓冲区时,开发者可能会观察到以下异常现象:
- 数据传输过程中出现周期性停顿
- 缓冲区数据被清零而非接收预期数据
- 16位数据传输时出现数据错位或间隔零值
- 系统在运行一段时间后停止响应
根本原因分析
经过深入排查,发现问题主要由以下几个因素导致:
-
DMA请求配置错误:初始代码中
pio_get_dreq的最后一个参数设置为true(针对TXF),而实际上应该为false(针对RXF)。 -
DMA地址对齐问题:16位数据传输需要特殊处理FIFO缓冲区的地址对齐。
-
自动推送配置冲突:PIO的自动推送功能与手动推送操作产生冲突。
完整解决方案
1. 正确的PIO程序配置
pio_sm_config config = test_program_get_default_config(offset);
sm_config_set_sideset_pins(&config, PIN_DEBUG);
pio_sm_set_consecutive_pindirs(pio, sm, PIN_DEBUG, 1, true);
pio_sm_init(pio, sm, offset, &config);
pio_gpio_init(pio, PIN_DEBUG);
sm_config_set_in_shift(&config, true, true, 16); // 16位移位
sm_config_set_in_pins(&config, PIN_D0); // 设置输入引脚
pio_sm_init(pio, sm, offset, &config);
pio_sm_set_enabled(pio, sm, true);
2. 正确的DMA配置
// 获取DMA通道
dma_chan = dma_claim_unused_channel(true);
// DMA配置
dma_config = dma_channel_get_default_config(dma_chan);
channel_config_set_transfer_data_size(&dma_config, DMA_SIZE_16); // 16位传输
channel_config_set_read_increment(&dma_config, false); // 读取地址不递增
channel_config_set_write_increment(&dma_config, true); // 写入地址递增
// 关键点:使用false参数配置RXF的DMA请求
channel_config_set_dreq(&dma_config, pio_get_dreq(pio, sm, false));
// 关键点:使用(io_rw_16*)类型转换并偏移1个16位单元
dma_channel_configure(
dma_chan,
&dma_config,
&buffer,
(io_rw_16*)&pio->rxf[sm] + 1,
BUFFER_SIZE,
true
);
3. PIO汇编程序示例
.program test
.side_set 1 opt
.wrap_target
in x, 16 side 1 [7] ; 从X寄存器读取16位数据
.wrap
技术要点解析
-
DMA请求方向:
pio_get_dreq的第三个参数决定DMA请求是针对TXF(发送FIFO)还是RXF(接收FIFO)。对于输入操作必须设为false。 -
地址对齐处理:使用
(io_rw_16*)&pio->rxf[sm] + 1确保从FIFO读取16位数据时地址正确对齐。 -
移位配置:
sm_config_set_in_shift中的第三个参数必须与DMA传输大小匹配(本例中为16)。 -
自动推送:确保PIO程序中要么使用自动推送,要么完全手动控制推送,避免两者混用导致冲突。
性能优化建议
-
对于高速数据传输,考虑使用双缓冲技术减少中断处理时间。
-
适当调整PIO程序中的延迟周期([7])以匹配外设时序要求。
-
对于大数据量传输,可以考虑使用链式DMA减少CPU干预。
总结
通过正确配置DMA请求方向、处理地址对齐问题以及统一推送方式,可以可靠地实现Pico上PIO与DMA之间的16位数据传输。这一解决方案不仅适用于简单的数据采集场景,也可扩展应用于各种需要高效数据传输的应用中。
开发者在使用Pico SDK进行底层数据传输时,应当特别注意数据类型大小与地址对齐问题,这是确保数据完整性的关键因素。
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