Raspberry Pi Pico SDK中Flash操作导致PSRAM配置寄存器被覆盖的问题分析
问题背景
在Raspberry Pi Pico SDK开发过程中,开发者发现当执行flash_range_erase或flash_range_program等Flash操作后,PSRAM(QMI接口)的配置寄存器会被意外修改,导致PSRAM无法正常访问。这个问题主要影响使用外部PSRAM的Pico开发板,如Pimoroni PGA2350。
技术细节
问题现象
在执行Flash操作前后,通过对比QMI接口的寄存器值,可以观察到以下变化:
-
执行前:
qmi_hw->m[1].timing= 61a48102qmi_hw->m[1].rfmt= 000612aaqmi_hw->m[1].rcmd= 000000ebqmi_hw->m[1].wfmt= 000012aaqmi_hw->m[1].wcmd= 00000038xip_ctrl_hw->ctrl= 00000883
-
执行后:
qmi_hw->m[1].timing= 60007203qmi_hw->m[1].rfmt= 000492a8- 其他寄存器保持不变
这种变化导致PSRAM接口无法正常工作,只有手动恢复原始寄存器值后才能重新访问PSRAM数据。
根本原因
问题根源在于RP2350的ROM代码行为。当执行Flash操作时,系统会调用flash_exit_xip()函数,该函数会将QMI窗口1和窗口2的寄存器重置为安全默认值(慢速03h模式)。这种重置行为是为了确保芯片在退出XIP模式时的稳定性,但对于已经配置好的PSRAM接口来说,这种重置会导致配置丢失。
特别需要注意的是,默认的boot2(XIP设置函数)并不会配置QMI窗口1,而ROM代码会在flash_exit_xip()开始时将两个窗口都重置为安全默认值。
解决方案
临时解决方案
目前有两种可行的临时解决方案:
-
寄存器保存与恢复:在执行Flash操作前后,手动保存和恢复QMI窗口1的寄存器值。这种方法已被CircuitPython项目采用,证明其有效性。
-
修改Flash操作函数:对于RP2350芯片,可以复制
flash_range_erase和flash_range_program函数的代码,移除其中的flash_exit_xip_func()和flash_enable_xip_via_boot2()调用。这种方法需要确保函数不会被内联到Flash中(使用__no_inline_not_in_flash_func修饰)。
长期解决方案
SDK团队提出了两种可能的长期解决方案:
-
条件式保存恢复:当
FLASH_DEVINFO_CS1_SIZE为零时,SDK应该在ROM调用前后保存和恢复qmi_hw->m[1]寄存器。这样可以避免在开发者忽略ROM对第二个片选支持的情况下破坏寄存器配置,同时允许ROM在需要对第二个片选发出XIP退出序列时重新初始化m[1]寄存器。 -
完整的XIP初始化:更理想的解决方案是在XIP设置中(重新)初始化两个QSPI设备。这需要更全面的工作来覆盖所有可能的情况和组合,但能从根本上解决问题。
开发者建议
对于需要使用PSRAM的开发者,建议:
- 如果使用SDK的Flash操作函数,应该实现寄存器保存恢复机制
- 密切关注SDK更新,等待官方修复
- 在开发过程中注意检查PSRAM访问是否正常,特别是在Flash操作后
- 考虑将关键数据缓存在SRAM中,避免频繁访问PSRAM
这个问题凸显了在嵌入式系统中多存储器协同工作时可能出现的配置冲突,开发者需要特别注意不同存储介质的初始化顺序和配置保持问题。
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