Embassy项目中使用STM32F103RC的UART5接口问题解析
在使用Embassy嵌入式框架开发STM32F103RC项目时,开发者可能会遇到无法找到UART5外设的问题。本文将深入分析这一问题的原因,并提供完整的解决方案。
问题现象
当开发者尝试在STM32F103RC芯片上使用UART5接口连接LiDAR设备时,发现embassy_stm32::peripherals模块中并没有提供UART5的相关定义。然而,查阅STM32-METAPAC(版本15)的文档可以确认STM32F103RC芯片确实支持UART5接口。
原因分析
经过深入调查,发现问题的根源在于Cargo.toml中引用的embassy-stm32版本。当前crates.io上发布的0.1.0版本与GitHub上的最新代码存在差异,GitHub仓库中的代码已经包含了UART5的支持,但官方发布的crate版本尚未同步这一更新。
解决方案
要解决这个问题,开发者需要修改Cargo.toml文件,直接从GitHub仓库引用embassy-stm32的最新代码,而不是使用crates.io上的发布版本。具体修改如下:
embassy-stm32 = { git = "https://github.com/embassy-rs/embassy.git" }
技术背景
STM32F103RC属于STM32F1系列微控制器,其外设配置需要通过PAC(Peripheral Access Crate)来访问。Embassy框架为了提供更友好的异步编程接口,在其外围设备抽象层中对PAC进行了进一步封装。
UART5作为STM32F1系列的高级串行通信接口,通常用于需要额外串口的应用场景。在嵌入式开发中,直接从GitHub引用依赖项是一种常见做法,特别是在需要使用最新功能或修复特定问题时。
注意事项
- 直接从GitHub引用依赖会使用最新的开发版本,可能存在一定的稳定性风险
- 项目构建时需要联网获取GitHub代码
- 对于生产环境,建议锁定特定的Git提交哈希以保证可重复构建
- 当官方发布新版本后,可考虑切换回crates.io的稳定版本
总结
Embassy作为一个活跃发展的嵌入式框架,其GitHub仓库往往包含最新的功能支持。当开发者遇到外设支持不全的问题时,考虑直接从源码仓库获取最新版本是一个有效的解决方案。这也提醒我们在嵌入式开发中,需要密切关注所使用框架的更新动态,特别是在需要使用特定硬件功能时。
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
Spark-Prover-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
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