RTIC框架中共享Spawn Handle的实现方法
在嵌入式开发中使用RTIC(Real-Time Interrupt-driven Concurrency)框架时,开发者经常会遇到需要在不同任务间共享spawn handle的情况。本文将通过一个LED闪烁控制的案例,详细介绍如何在RTIC中正确实现spawn handle的共享。
问题背景
在RTIC框架中,spawn_after方法用于延迟执行任务,它会返回一个SpawnHandle。当我们需要实现一个LED闪烁功能时,通常会使用这种方式周期性地触发LED状态切换。但当我们想通过按钮按下事件来暂停这个闪烁时,就需要在按钮中断处理任务中访问并取消这个spawn handle。
初始方案的问题
开发者最初尝试直接在共享结构体中存储SpawnHandle,并在两个任务间共享。代码如下:
#[shared]
struct Shared {
spawn_handle: __rtic_internal_toggle_led_SystickMono_SpawnHandle,
}
然后在按钮中断处理任务中尝试取消这个handle时,编译器报错:"cannot move out of *spawn_handle which is behind a mutable reference"。这是因为SpawnHandle类型实现了Drop trait,当它被取消时需要获取所有权,而通过共享引用无法做到这一点。
解决方案:使用Option包装
正确的解决方案是使用Option来包装SpawnHandle。这样我们可以通过take()方法获取所有权来取消任务。修改后的代码如下:
#[shared]
struct Shared {
spawn_handle: Option<__rtic_internal_toggle_led_SystickMono_SpawnHandle>,
}
#[task(local = [led, state: bool = false])]
fn toggle_led(ctx: toggle_led::Context) {
// LED切换逻辑...
ctx.shared.spawn_handle.lock(|spawn_handle| {
*spawn_handle = Some(toggle_led::spawn_after(1.secs()).unwrap());
});
}
#[task(binds = GPIOTE, shared = [spawn_handle], local = [gpiote, state: bool = false])]
fn gpiote_event(mut ctx: gpiote_event::Context) {
if ctx.local.gpiote.channel0().is_event_triggered() {
ctx.local.gpiote.channel0().reset_events();
ctx.shared.spawn_handle.lock(|spawn_handle| {
if let Some(handle) = spawn_handle.take() {
handle.cancel().unwrap();
}
});
}
}
实现原理
-
Option的作用:
Option允许我们安全地处理可能不存在的值,同时提供了take()方法来获取内部值的所有权。 -
取消机制:通过
take()获取SpawnHandle的所有权后,可以调用cancel()方法来取消计划中的任务执行。 -
线程安全:RTIC的
lock()方法确保了在访问共享资源时的互斥性,防止数据竞争。
实际应用建议
-
错误处理:在实际应用中,应该妥善处理
spawn_after和cancel可能返回的错误。 -
状态管理:可以考虑添加额外的状态标志来更清晰地管理LED的闪烁状态。
-
性能考虑:频繁的spawn和cancel操作可能会影响系统性能,应根据实际需求调整时间间隔。
通过这种模式,开发者可以灵活地在RTIC框架中控制周期性任务的执行,实现更复杂的交互逻辑。这种技术不仅适用于LED控制,也可以推广到其他需要动态管理定时任务的场景中。
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