Arduino_STM32项目中使用PB3引脚的非JTAG功能配置指南
2025-06-30 03:51:13作者:董灵辛Dennis
引言
在使用STM32F103系列芯片进行开发时,开发者经常会遇到一个问题:PB3引脚默认被配置为JTAG功能,导致无法直接用于普通GPIO功能。本文将详细介绍如何在Arduino_STM32项目中正确配置PB3引脚,使其能够作为普通输入/输出引脚使用。
PB3引脚的默认功能
在STM32F103系列芯片中,PB3引脚默认被配置为JTAG功能的一部分。JTAG是一种标准的调试接口协议,用于芯片测试和调试。这种默认配置意味着:
- PB3引脚在芯片复位后自动被设置为JTAG功能
- 直接使用
pinMode(PB3, INPUT_PULLUP)等操作可能无法正常工作 - 需要先释放PB3引脚的JTAG功能才能作为普通GPIO使用
解决方案
Arduino_STM32项目提供了两种方法来释放PB3引脚的JTAG功能:
方法一:使用enableDebugPorts()函数
这是官方推荐的最简单方法,只需在setup()函数中添加一行代码:
void setup() {
enableDebugPorts(); // 释放JTAG占用的引脚
pinMode(PB3, INPUT_PULLUP); // 现在可以正常配置PB3了
// 其他初始化代码...
}
这个函数会:
- 禁用JTAG功能
- 保留SWD调试功能
- 释放PB3、PB4和PA15引脚
方法二:直接寄存器操作(高级用法)
对于需要更精细控制的开发者,可以直接操作相关寄存器:
void setup() {
// 直接操作AFIO_MAPR寄存器,禁用JTAG但保留SWD
__IO uint32_t *AFIO_MAPR = (__IO uint32_t *)0x40010004;
*AFIO_MAPR |= 0x02000000; // 设置JTAG-DP禁用位,SW-DP使能位
pinMode(PB3, INPUT_PULLUP);
// 其他初始化代码...
}
这种方法提供了更底层的控制,但需要开发者对STM32的寄存器有基本了解。
注意事项
- 调试接口选择:如果使用ST-Link进行程序下载和调试,必须保留至少一种调试接口(推荐保留SWD)
- 引脚冲突:PB3、PB4和PA15这三个引脚默认都与调试接口相关,需要同时处理
- 上传方式影响:当使用串口上传程序时,这些引脚默认是可用的;只有使用ST-Link时才需要特别处理
- 调试功能:禁用JTAG后,将无法使用JTAG调试器,但SWD调试器仍可正常工作
扩展知识
STM32的调试端口配置通过AFIO_MAPR寄存器控制,主要选项包括:
- 全功能模式(JTAG+SWD)
- 仅SWD模式
- 无调试模式
在大多数情况下,选择"仅SWD模式"是最佳平衡,因为它:
- 释放了JTAG占用的引脚
- 保留了SWD调试功能
- 只需要2个引脚(SWDIO和SWCLK)即可实现完整调试功能
结论
通过正确配置调试端口,开发者可以充分利用STM32的所有GPIO资源。对于Arduino_STM32项目,推荐使用enableDebugPorts()函数来简化配置过程。这一解决方案不仅适用于PB3引脚,也同样适用于PB4和PA15引脚的配置。
理解这一机制有助于开发者在资源受限的STM32项目中更灵活地使用所有可用引脚,充分发挥芯片的性能潜力。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
299
2.65 K
Ascend Extension for PyTorch
Python
130
152
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++
608
196
React Native鸿蒙化仓库
JavaScript
229
307
暂无简介
Dart
592
129
🎉 (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
1.05 K
612
仓颉编译器源码及 cjdb 调试工具。
C++
122
511
本项目是CANN提供的是一款高效、可靠的Transformer加速库,基于华为Ascend AI处理器,专门为Transformer模型的训练和推理而设计。
C++
48
77
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
181
67
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
1.02 K
457