Arduino-Pico多核编程中random()函数导致核心崩溃问题分析
问题现象
在使用Arduino-Pico进行多核编程时,开发者发现当在第二个核心(core1)上调用random()函数时,会导致该核心停止运行,而主核心(core0)仍能继续工作。这个问题在使用mutex进行同步时尤为明显。
问题复现
开发者最初尝试了以下代码结构:
#include "pico/multicore.h"
#include <Arduino.h>
mutex_t test_mutex;
int test = 0;
void core1_entry();
void setup() {
mutex_init(&test_mutex);
multicore_launch_core1(core1_entry);
Serial.begin(115200);
}
void loop() {
if (mutex_try_enter(&test_mutex, nullptr)) {
Serial.println(test);
mutex_exit(&test_mutex);
}
}
void core1_entry() {
while (1) {
mutex_enter_blocking(&test_mutex);
test = random(100);
mutex_exit(&test_mutex);
}
}
这段代码会导致core1停止工作。然而,当使用简单的计数器递增操作时,多核运行却表现正常。
问题根源
经过分析,问题的根本原因在于不正确的多核启动方式。在Arduino-Pico环境中,正确的多核编程应该使用特定的setup1()和loop1()函数结构,而不是直接使用multicore_launch_core1()函数。
解决方案
正确的实现方式应该如下:
#include "pico/multicore.h"
#include <Arduino.h>
auto_init_mutex(test_mutex); // 使用自动初始化的mutex
int test = 0;
void setup() {
Serial.begin(115200);
}
void loop() {
if (mutex_try_enter(&test_mutex, nullptr)) {
Serial.println(test);
mutex_exit(&test_mutex);
}
}
void setup1() {
while (1) {
mutex_enter_blocking(&test_mutex);
test = random(100);
mutex_exit(&test_mutex);
}
}
关键改进点
-
使用正确的多核启动方式:放弃multicore_launch_core1(),改用Arduino-Pico提供的setup1()和loop1()结构。
-
mutex初始化优化:使用auto_init_mutex宏来自动初始化互斥锁,避免手动初始化可能带来的问题。
-
简化代码结构:移除了不必要的函数声明和冗余代码。
技术原理
Arduino-Pico框架为多核编程提供了特定的支持机制。当使用setup1()和loop1()时,框架会自动处理核心间的协调工作,包括:
- 核心间的通信初始化
- 内存屏障处理
- 中断配置
- 运行时环境设置
直接使用底层API启动第二个核心会绕过这些必要的初始化步骤,导致某些功能(如random())无法正常工作。
最佳实践建议
-
在Arduino-Pico中进行多核开发时,始终使用setup1()和loop1()结构。
-
对于共享资源的访问,使用框架提供的同步原语(auto_init_mutex等)。
-
避免在核心间传递复杂对象或使用未经验证的标准库函数。
-
对于随机数生成等需要状态维护的功能,考虑使用专门的多核安全实现。
通过遵循这些原则,可以确保多核程序的稳定运行,避免类似random()函数导致核心崩溃的问题。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C092
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00