Batocera系统休眠唤醒脚本的扩展实现与优化
在Batocera游戏系统中,用户脚本的自动化执行是系统高度可定制化的重要特性之一。近期社区发现并解决了一个关于系统休眠/唤醒事件触发脚本的重要技术问题,本文将深入剖析这一功能的实现原理、解决方案以及扩展应用场景。
问题背景与发现
Batocera系统原有的脚本触发机制存在一个关键限制:当用户通过图形界面选择"暂停系统"功能时,位于/userdata/system/configs/emulationstation/scripts/sleep和/userdata/system/configs/emulationstation/scripts/wake目录下的脚本不会被执行。这一现象与系统通过自动休眠(屏幕变暗)触发脚本的行为形成了不一致性。
经过技术分析,发现这是由于系统菜单中的暂停功能直接调用了pm-suspend命令,绕过了EmulationStation原有的脚本触发机制。这种设计上的差异导致用户无法在系统级休眠/唤醒事件中执行自定义操作。
技术解决方案
通过深入系统机制,我们采用了Linux电源管理(PM)的标准hook机制来实现统一的事件触发。具体实现步骤如下:
- 创建PM hook脚本:
在
/etc/pm/sleep.d目录下创建名为99es_scripts_runner的可执行脚本,内容如下:
#!/bin/bash
SCRIPTS_BASE_PATH=/userdata/system/configs/emulationstation/scripts
case "$1" in
suspend)
for script in $SCRIPTS_BASE_PATH/suspend/*; do
/bin/bash $script
done
;;
resume|thaw)
for script in $SCRIPTS_BASE_PATH/resume/*; do
/bin/bash $script
done
;;
esac
- 目录结构调整: 为了区分自动休眠和手动暂停的不同场景,将脚本存放路径细分为:
suspend/:系统暂停时执行resume/:系统恢复时执行sleep/:屏幕自动休眠时执行(原有功能)wake/:从自动休眠恢复时执行(原有功能)
- 持久化设置:
执行
batocera-save-overlay命令使修改永久生效。
实现原理详解
该解决方案利用了Linux电源管理子系统提供的标准接口。当系统发生电源状态变更时,PM会按顺序执行/etc/pm/sleep.d目录下的脚本,并传入相应的状态参数:
suspend:系统即将进入休眠状态resume:系统从休眠状态恢复thaw:特殊恢复场景(与resume类似)
通过这种机制,我们实现了对系统级电源事件的统一捕获,确保了无论通过何种方式触发的休眠/唤醒操作都能正确执行用户脚本。
扩展应用场景
这一改进不仅解决了原有问题,还为系统自动化开启了更多可能性:
-
HDMI-CEC模拟: 通过休眠/恢复脚本可以模拟游戏主机的HDMI-CEC行为,实现电视的自动开关和输入源切换。
-
外设事件响应: 未来可扩展支持控制器连接/断开事件的脚本触发,典型应用包括:
- 连接特定控制器时自动启动对应游戏
- 外设状态变化时触发家庭自动化系统
- 播放音效增强用户体验
- 系统状态同步: 与智能家居系统集成,在系统状态变化时同步更新房间照明、显示屏等设备状态。
最佳实践建议
-
脚本命名规范: 建议采用有意义的命名,如
99_user_hook,确保脚本执行顺序符合预期。 -
错误处理: 在关键脚本中添加错误处理和日志记录功能:
#!/bin/bash
LOG_FILE="/userdata/system/logs/power_hooks.log"
exec >> $LOG_FILE 2>&1
echo "$(date) - 执行暂停脚本 $0"
# 主要逻辑代码
- 性能考量: 避免在hook脚本中执行耗时操作,以免影响电源状态转换速度。
总结
Batocera系统通过这次改进完善了其电源事件处理机制,为用户提供了更加统一和强大的自动化能力。这种基于标准Linux电源管理接口的实现既保证了可靠性,又为未来的功能扩展奠定了基础。建议用户在升级系统后,按照新的目录结构调整自己的自动化脚本,以获得最佳的使用体验。
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-X1-7BSpark-Prover-X1-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
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-X1-7BSpark-Formalizer-X1-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile015
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00