CircuitPython ESP32-S3 开发板启动循环问题分析与解决
问题背景
在CircuitPython 9.2.0-alpha.2351版本中,用户报告了某些基于ESP32-S3的开发板出现启动循环(boot loop)的问题。受影响的主要是Hacktablet(ESP32-S3 Dev Kit N8R8)和Makerfabs Matouch 7英寸显示屏开发板,而其他如Adafruit ESP32S3 reverse TFT、Qualia S3等开发板则工作正常。
问题现象
当用户在这些特定开发板上安装CircuitPython 9.2.0-alpha.2351固件后,系统会进入持续的启动循环状态。而在9.1.2版本中则没有这个问题。通过串口日志可以看到,系统能够完成固件加载,但随后会不断重启。
问题排查过程
-
初步分析:最初怀疑是666点时钟(dotclock)显示屏初始化问题,因为部分开发板会初始化显示接口。但进一步检查发现Makerfabs开发板实际上并没有在board.c中初始化显示,排除了这个可能性。
-
UART配置影响:通过实验发现,注释掉mpconfigboard.h中的UART控制台配置后,Makerfabs开发板能够正常启动:
#define CIRCUITPY_CONSOLE_UART_TX (&pin_GPIO43) #define CIRCUITPY_CONSOLE_UART_RX (&pin_GPIO44)以及sdkconfig中的相关UART配置:
CONFIG_ESP_CONSOLE_UART_CUSTOM=y CONFIG_ESP_CONSOLE_UART=y CONFIG_ESP_CONSOLE_UART_CUSTOM_NUM_0=y CONFIG_ESP_CONSOLE_UART_NUM=0 CONFIG_ESP_CONSOLE_UART_TX_GPIO=43 CONFIG_ESP_CONSOLE_UART_RX_GPIO=44 CONFIG_ESP_CONSOLE_UART_BAUDRATE=115200 -
其他可能受影响设备:根据代码分析,Espressif ESP32S3_LCD_EV和Lilygo twatch_2020_v3等开发板可能也存在类似问题,因为它们使用了类似的UART配置方式。
技术分析
这个问题似乎与9.2.0版本中UART控制台配置方式的变更有关。在之前的版本中,UART配置可能更加宽松或采用了不同的默认值。而在新版本中,某些特定的GPIO配置可能导致系统不稳定。
ESP32-S3的UART外设与GPIO映射关系较为复杂,不正确的配置可能导致系统无法正常初始化控制台,进而触发看门狗复位或硬件异常,表现为启动循环。
解决方案
-
临时解决方案:
- 对于Makerfabs开发板,可以暂时移除或注释掉UART控制台的配置
- 使用9.1.2版本固件
-
长期解决方案:
- 等待CircuitPython团队修复此问题
- 检查并更新开发板的UART配置,确保使用正确的GPIO引脚
- 考虑使用默认的UART配置而非自定义配置
开发者建议
对于使用ESP32-S3开发板的开发者,建议:
- 在升级到9.2.0及以上版本前,先备份当前工作固件
- 检查开发板的UART配置是否与硬件设计匹配
- 如果遇到启动循环问题,尝试禁用自定义UART配置
- 关注CircuitPython项目的更新,及时获取问题修复
这个问题展示了嵌入式开发中硬件配置细节的重要性,特别是在跨版本升级时,即使看似微小的配置变更也可能导致系统行为发生显著变化。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0201
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0130
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python08
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07