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。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00