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。
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
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
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 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
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