Raspberry Pi Pico SDK中系统时钟频率配置问题解析
2025-06-15 21:30:18作者:江焘钦
问题背景
在Raspberry Pi Pico开发过程中,开发者CarlAndersson遇到了一个关于系统时钟频率配置的特殊情况。当使用vcocalc.py脚本生成的PLL参数通过CMake配置系统时钟时,实际测量的时钟频率与通过clock_get_hz函数获取的数值不一致。
问题现象
开发者通过CMake配置了特定的PLL参数:
target_compile_definitions(audio PRIVATE
PLL_SYS_REFDIV=1
PLL_SYS_VCO_FREQ_HZ=1476000000
PLL_SYS_POSTDIV1=5
PLL_SYS_POSTDIV2=2
)
使用频率计数器实际测量得到的系统时钟频率为147.6MHz,符合预期。然而,通过clock_get_hz函数获取的值却仍然显示为默认的150MHz(Pico 2版本)。
技术分析
深入分析Pico SDK源代码后发现,clock_get_hz函数返回的值实际上来源于hardware/platform_defs.h中定义的SYS_CLK_HZ宏,而非实时读取的PLL配置。这意味着即使PLL配置被正确修改,clock_get_hz函数仍然会返回编译时定义的默认值。
解决方案
要解决这个问题,开发者需要在CMake配置中同时设置SYS_CLK_HZ参数,使其与实际配置的PLL频率保持一致。例如:
target_compile_definitions(audio PRIVATE
SYS_CLK_HZ=147600000
PLL_SYS_REFDIV=1
PLL_SYS_VCO_FREQ_HZ=1476000000
PLL_SYS_POSTDIV1=5
PLL_SYS_POSTDIV2=2
)
实现原理
Pico SDK的时钟系统初始化过程分为两个部分:
- 硬件配置:通过PLL参数实际设置时钟频率
- 软件记录:通过SYS_CLK_HZ宏记录预期的时钟频率
这种设计可能是出于性能考虑,避免了每次调用clock_get_hz时都需要读取硬件寄存器。然而,这也导致了当开发者自定义时钟频率时,需要确保软件记录的值与实际配置一致。
最佳实践
对于需要精确时钟控制的应用(如音频处理),建议开发者:
- 使用vcocalc.py工具计算合适的PLL参数
- 在CMake中同时配置PLL参数和SYS_CLK_HZ
- 使用frequency_count_khz函数验证实际时钟频率
- 在关键时序代码中考虑可能的微小频率偏差
总结
这个问题揭示了Pico SDK时钟系统设计中一个需要注意的细节。通过理解硬件配置和软件记录之间的区别,开发者可以更准确地控制和验证系统时钟频率,特别是在对时序要求严格的应用场景中。Pico SDK团队已经接受这个问题的修复,将在未来版本中更新相关文档以明确这一配置要求。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
26
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
420
3.22 K
Ascend Extension for PyTorch
Python
230
261
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
689
330
暂无简介
Dart
685
160
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
React Native鸿蒙化仓库
JavaScript
266
326
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.22 K
666
仓颉编译器源码及 cjdb 调试工具。
C++
136
869