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。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C092
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00