Embassy-rs项目在STM32F401芯片上的Bootloader实现挑战
2025-06-01 17:15:48作者:咎岭娴Homer
内存分区限制带来的挑战
在嵌入式系统开发中,使用STM32F401xC/E系列芯片时,开发者可能会遇到一个特殊的内存分区问题。这类芯片的Flash内存被划分为几个不同大小的区域,其中包含64KB和128KB两种不同大小的扇区。这种非均匀的内存布局给实现可靠的Bootloader带来了显著挑战。
内存结构分析
STM32F401xC/E芯片的Flash内存结构如下:
- 区域1:地址0x08000000到0x0800FFFF,共64KB,划分为4个16KB的小扇区
- 区域2:地址0x08010000到0x0801FFFF,共64KB,作为一个整体的大扇区
- 区域3:地址0x08020000到0x0803FFFF,共128KB,作为一个更大的扇区
对于512KB Flash的xE型号,还额外增加了两个128KB的扇区。
Embassy-boot的实现限制
Embassy-boot库在设计上要求:
- 页大小(page_size)必须取ACTIVE区和DFU区擦除大小的较大值
- DFU区容量必须比ACTIVE区至少大一个页
- 每个分区容量必须是页大小的整数倍
在这种限制下,对于256KB Flash的xC型号,最合理的分区方案是:
- BOOTLOADER和BOOTLOADER_STATE放在区域1
- ACTIVE区放在区域2(64KB)
- DFU区放在区域3(128KB)
然而这会带来两个问题:
- 页大小必须取128KB(DFU区擦除大小)
- ACTIVE区64KB不是128KB的整数倍
- DFU区比ACTIVE区仅大64KB,不满足"至少大一个页(128KB)"的要求
可行的替代方案
对于512KB Flash的xE型号,虽然技术上可以实现,但会浪费大量Flash空间:
- 将ACTIVE区放在一个128KB扇区
- DFU区需要占用两个128KB扇区
- 这样应用程序实际可用空间仅剩128KB
解决方案建议
面对这种硬件限制,开发者可以考虑以下替代方案:
-
选择其他STM32系列芯片:如STM32F3或STM32F7系列,它们具有更小的Flash扇区,更适合实现A/B分区更新。
-
自定义Bootloader实现:放弃A/B分区方案,改为由Bootloader直接下载并覆盖应用程序。这种方案虽然牺牲了更新过程中的冗余保护,但在资源受限的设备上可能是更实际的选择。
-
优化内存布局:仔细评估应用程序的实际需求,可能通过压缩或功能裁剪来适应有限的内存空间。
总结
STM32F401系列芯片的特殊内存结构确实给实现健壮的Bootloader带来了挑战。开发者在选择硬件平台时需要提前考虑Bootloader的实现需求,或者在资源受限的情况下采用更简化的更新方案。理解这些限制有助于在项目初期做出更合理的设计决策。
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
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
412
3.17 K
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++
664
324
Ascend Extension for PyTorch
Python
227
255
暂无简介
Dart
678
160
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (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
1.21 K
660
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
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492
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
342
146