Raspberry Pi Pico加密启动加载程序与USB串口输出问题解析
问题背景
在Raspberry Pi Pico开发中,使用加密启动加载程序(bootloader)时,开发者发现当启用USB标准输入输出(stdio)功能后,最终程序无法通过USB输出信息。这个问题特别出现在bootloader/encrypted示例项目中。
问题现象
当开发者按照标准方式编译加密启动加载程序示例时,通过UART传输数据工作正常。然而,当启用USB标准输入输出功能后,只有启动加载程序本身能够输出信息,最终加载的程序则无法通过USB输出任何内容。
技术分析
中断状态问题
经过深入分析,发现问题根源在于启动ROM中的rom_chain_image函数调用了save_and_disable_interrupts,这个调用会同时禁用加密二进制程序的中断。这导致在加密程序中,中断相关功能无法正常工作,包括USB通信所需的中断处理。
USB重初始化限制
另一个重要发现是,当同时为启动加载程序和主程序启用USB功能时,由于TinyUSB库目前缺乏tusb_deinit函数,无法正确反初始化然后重新初始化SDK的stdio_usb功能。这导致USB功能在启动加载程序后无法为主程序重新建立连接。
解决方案
中断恢复方法
对于中断被禁用的问题,可以在加密二进制程序的主函数开始时添加中断恢复代码:
#include "hardware/sync.h"
int main() {
restore_interrupts_from_disabled(0);
stdio_init_all();
// 其他初始化代码...
}
这段代码会显式恢复中断状态,确保后续的中断相关功能(如GPIO中断和USB通信)能够正常工作。
输出通道配置建议
针对USB输出问题,目前推荐的解决方案是:
- 为启动加载程序配置UART输出
- 为主程序配置USB输出
这种配置方式可以避免USB重初始化的问题,确保主程序能够正常通过USB输出信息。
未来改进方向
开发团队已经注意到这个问题,并计划在未来的SDK版本中改进运行时初始化(runtime_init)流程,确保在二进制程序启动前中断状态处于已知的正确状态。同时,TinyUSB库也在考虑添加反初始化功能,这将为USB功能的完整生命周期管理提供更好的支持。
总结
Raspberry Pi Pico的加密启动加载程序与USB标准输入输出功能的配合使用存在一些技术限制,但通过合理的中断恢复和输出通道配置,开发者可以绕过这些问题。随着SDK的持续更新,这些问题有望得到更完善的解决方案。对于需要同时使用加密启动和USB通信的应用,建议开发者密切关注SDK的更新动态,并采用本文提供的临时解决方案。
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
HunyuanVideo-1.5暂无简介00
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 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