[FreeRTOS] Using FreeRTOS on RISC-V Microcontrollers

RISC-V移植FreeRTOS 重定义中断和异常接口函数,参数为。Machine Timer地址。 阅读详情

FreeRTOS 10.2.1版本开始,官方加入risc-v demo,并且增加目录source/portable/gcc/risc-v .

正式官宣对risc-v soc的支持,改动部分可以参考以下地址:

https://www.freertos.org/Using-FreeRTOS-on-RISC-V.html

 

实际上对于risc-v soc的使用,很多用户早就可以运行于FreeRTOS上了,之前用的就是在github上搜到非官方的接口文件(port)。

这次官方应该也是看到多个soc上运行的FreeRTOS,把它们进行了整合发布出来。

demo目录下共有3个soc,分别是

三家公司代表了市面上主流的商业ip

Microchip和Microsemi 合并以后既有FPGA又有board,它这块板子上soc并不清楚使用了什么core,但从risc-v官网上看

micorchip 开源贡献里使用的都是rocket

第二个搜了一下是NXP的RV32M1,用了4个core,2个risc-v的,2个ARM的,RISC-V的core是RI5CY和zero RI5CY.

ETH Zurich 是瑞士的苏黎世联邦理工, 而Università di Bologna是意大利的博洛尼亚大学

   

【RISC-V 实战篇】 将 FreeRTOS 运行在 RISC-V S 模式和 U 模式 FreeRTOS-metal 是一个为 RISC-V 微控制器设计的实时操作系统,它结合了 FreeRTOS 和 Metal 库的优势,并提供了高效、可靠和可移植的解决方案,适用于各种嵌入式系统和应用程序。 FreeRTOS-metal 是运行在机器模式和用户模式,适用于大多数简单应用场景,不过对于需要运行多运行区域隔离的场景(比如运行多个 RTOS),则需要 FreeRTOS 运行在S-U 模式,M 模式运行监视软件,我们姑且称为FreeRTOS-metal-SU,这就是本文的成果。 阅读详情

相关推荐

FreeRTOS 10.4.3在RISCV(T-HEAD C906)平台上移植过程

好记性不如烂笔头,记录点滴移植经历,一方面便于总结提炼,二是分享,让别人少走有些弯路。 搭建构建环境,准备利用melis上已经建好的环境,借”鸡“生”蛋".目标是移植FreeRTOS 系统,所以这部分不重点记录,总之,环境已建好。 用不用sbi? 暂时先用,后续优化掉,因为与Melis相比,FreeRTOS构建的系统相对简单很多,不用支持MMU,整个FreeRTOS系统加上应用都可以运行在M模式,sbi也就失去的存在的必要,但是还是决定先保留着,移植完成后再优化掉。主要考虑三点,1.环境和sbi之间有依

tugouxp的专栏 3849

Renode应用:在RISC-V核上运行FreeRTOS

本篇记录通过Renode在RISC-V核上运行FreeRTOS demo的情况。本来不准备写这一篇,但是发现近期工作学习密度实在太大,上周工作的中间结果这周竟然完全想不起来了,不得不又花了一些时间从头摸索着重新配置了一遍,好记性是没指望了,只能依赖烂笔头。 该例中使用的是MiFive M2GL025开发板(当然,是通过Renode模拟的),集成开发环境是SoftConsole,具体可以参考:RTOS Demo for RISC-V MiFive M2GL025 / Renode - FreeRTOS 一

牧羊女 6230

RISCV处理器的中断过程及移植FreeRTOS系统的相关知识总结

针对不同的中断/异常触发进行不同的程序处理,在处理环境调用和定时器中断时,会跳转到任务切换处理函数,系统会确定是否需要切换任务——是否有任务解除阻塞且优先级更高。图中的箭头即为程序的执行顺序。FreeRTOS系统在创建任务时,不仅会创建指定大小的任务堆栈,还会定义一个任务控制块结构体——TCB(Tack Control Block),用于存储任务的状态信息。该操作其实是由于RISC-V架构定义的硬件机制无法支持中断嵌套行为,一旦响应中断进入异常模式后,全局中断使能被关闭,从而无法响应新的中断。

qq_41137205的博客 3468

RISC-V与AI融合:从向量计算到软硬协同的嵌入式智能实践

在嵌入式与边缘计算领域,处理器指令集架构的选择是决定系统性能、能效与成本的关键。RISC-V作为一种开放、精简、可定制的指令集架构,其模块化特性允许开发者根据特定需求进行扩展,尤其通过向量扩展(V Extension)为并行计算提供了硬件基础。这一特性使其在需要高效处理矩阵乘加等密集运算的人工智能推理场景中展现出独特价值。结合模型量化、剪枝等优化技术,RISC-V平台能够为边缘侧AI应用,如智能物联网设备、工业视觉检测等,提供一条从底层硬件到上层软件的高度自主可控的部署路径。本文聚焦于如何利用RISC-V的

weixin_30530939的博客 297

深圳嵌入式开发:RISC-V、端侧AI与具身智能的物理闭环实践

嵌入式系统是连接软件逻辑与物理世界的桥梁,其核心在于构建可感知、可决策、可执行的实时闭环。RISC-V凭借开放指令集与高度可定制性,成为重构硬件抽象层的关键底座;端侧AI(如TinyML)则将轻量级推理能力下沉至MCU级资源约束环境,推动智能从云端走向边缘;而具身智能进一步要求算法输出必须精准映射为电机控制、传感器反馈与安全响应等物理动作。三者融合催生了以‘确定性延迟’‘物理鲁棒性’和‘最小闭环验证’为特征的新一代嵌入式开发范式。本文聚焦深圳产业一线实践,解析RISC-V芯片选型要点、端侧AI在光照/温漂等

weixin_34414650的博客 421

AI进入MCU,FreeRTOS、ThreadX、Zephyr三条路线怎么选?

随着边缘计算向微控制器渗透,TinyML(轻量化机器学习推理)正成为嵌入式开发的新热点。在MCU上部署AI模型,不仅依赖模型量化与裁剪,更取决于底层实时操作系统(RTOS)对内存布局、任务调度和模型升级的支撑能力。FreeRTOS依托云端生态主打端云协同,ThreadX以功能安全认证见长,Zephyr则从系统级原生集成AI推理组件。三条路线各有利弊,分别适用于消费类IoT、工业车载等高安全场景及复杂AIoT设备。理解这些差异,将帮助开发者根据实时性要求、安全合规门槛和团队技术栈做出合理选型。

weixin_34242819的博客 410

FreeRTOS、ThreadX、Zephyr三大RTOS的AI落地路线对比

实时操作系统(RTOS)是嵌入式设备的基础软件层,随着端侧AI推理负载进入MCU,传统内核的调度与内存管理方式面临新挑战。文章从RTOS的基本概念出发,分析AI工作负载对实时性、内存连续性和低功耗的要求,对比FreeRTOS、ThreadX、Zephyr三种主流RTOS在AI落地中的不同设计哲学:FreeRTOS保持内核精简、通过中间件集成TFLM;ThreadX强调确定性调度与安全认证;Zephyr则以设备树和子系统实现全栈平台化。结合实际项目经验,探讨了在关键词唤醒、预测性维护、可穿戴设备等场景下的选型

weixin_31714129的博客 325

2026嵌入式培训趋势与核心技术解析

嵌入式系统开发作为物联网和边缘计算的核心支撑技术,正面临人才需求的爆发式增长。从技术原理来看,现代嵌入式开发需要掌握ARM/RISC-V多核架构、实时操作系统(RTOS)调度机制以及低功耗设计方法。这些核心技术能力直接影响设备性能与能效比,在智能家居、工业控制等领域具有广泛应用价值。随着RISC-V架构渗透率提升和边缘AI需求增长,2026年的嵌入式培训将更注重异构计算、TinyML部署等前沿技能。优质的培训课程应包含从电路设计到AI模型部署的全栈内容,并配备真实的开发板实验环境。

weixin_30315723的博客 302

嵌入式系统开发入门:从硬件基础到AI边缘计算

嵌入式系统作为专用计算机系统的核心形态,通过微控制器(MCU)实现设备智能化控制,其技术栈涵盖硬件电路设计、实时操作系统(RTOS)和通信协议开发。在物联网和AI边缘计算浪潮下,嵌入式开发需要掌握C语言指针操作、外设驱动开发等核心技能,并熟悉STM32、ESP32等主流硬件平台。从智能家居到工业自动化,嵌入式系统通过实时响应和低功耗特性,为各类终端设备赋予智能决策能力。学习路径建议从GPIO控制基础开始,逐步深入到FreeRTOS多任务管理和无线通信协议开发。

weixin_33785108的博客 453

数控弯管机xyz转换ybc的算法_数控弯管机技术的更新和应用.pdf

您所在位置:网站首页 > 海量文档&nbsp>&nbsp汽车/机械/制造&nbsp>&nbsp机械/模具设计数控弯管机技术的更新和应用.pdf3页本文档一共被下载:次,您可全文免费在线阅读后下载本文档。 下载提示1.本站不保证该用户上传的文档完整性,不预览、不比对内容而直接下载产生的反悔问题本站不予受理。2.该文档所...

weixin_31493101的博客 1530

数据预处理之数据平滑处理#matlab

介绍基于 MATLAB 的数据平滑方法,主要介绍 smooth 函数、smoothts 函数和 medfilt1 函数的用法。

m0_56619132的博客 2418

OpenBLT开源Bootloader深度解析:从架构原理到嵌入式OTA实战

Bootloader(引导加载程序)是嵌入式系统启动和固件更新的核心组件,其核心原理在于管理MCU的启动流程与内存空间。它通过隔离自身与应用程序的存储区域,并实现可靠的通信协议,为设备提供了远程固件升级(OTA)的能力,这对于工业控制、物联网设备等需要长期维护和功能迭代的场景具有重要技术价值。OpenBLT作为一个高度可移植的开源Bootloader解决方案,借鉴了汽车电子领域的XCP协议,确保了在UART、CAN等通信接口上数据传输的可靠性。本文聚焦于OpenBLT的核心架构、内存管理、通信协议保障以及具

快马扬鞭须努力! 454

STM32F103四位数码管动态显示实战:从硬件连接到代码调试(附Proteus仿真)

本文详细介绍了STM32F103驱动四位数码管的动态显示技术,从硬件连接到代码调试的全过程。内容包括共阴/共阳数码管的区别、GPIO配置、动态显示原理及优化方法,并附有Proteus仿真验证。通过实战案例,帮助开发者快速掌握STM32数码管动态显示的核心技术。

weixin_29168393的博客 473

【原理图PCB专题】原理图图纸锁定/解锁与PCB文件加密方式

在工作中我们会遇到需要冻结原理图进行评审和加密图纸防止被他人盗用的需求。那么在OrCAD Capture中如何对图纸进行锁定与解锁,如何在Allegro中对PCB工程进行加密呢?

一点硬件 3259

药物对接仿真软件:HADDOCK_(3).分子对接基本原理

分子对接(Molecular Docking)是计算化学和结构生物学中的一种重要技术,用于预测小分子(如药物分子)与大分子(如蛋白质)之间的相互作用模式和结合亲和力。这一技术在药物设计和开发中具有广泛的应用,尤其是在寻找和优化潜在的药物候选物方面。本节将详细介绍分子对接的基本原理,包括其理论基础、计算方法和应用。

kkchenjj的博客 1172

手把手教你学simulink(26.8)--控制算法场景示例:基于强化学习的无人机姿态稳定控制系统

首先,我们需要定义无人机的姿态稳定控制环境。环境包括无人机的状态(姿态角、角速度等)和动作(电机转速)。我们还需要定义奖励函数,用于评估控制器的表现。matlab深色版本% 定义环境% 定义状态空间% 12个状态变量% 定义动作空间% 电机转速范围奖励函数用于评估控制器的表现。我们可以根据无人机的姿态误差、角速度误差以及控制输入的变化率来设计奖励函数。具体来说,当无人机的姿态接近设定值时,给予正奖励;当姿态误差较大或控制输入变化剧烈时,给予负奖励。matlab深色版本。

MHD0815的博客 500

vb 6.0并口开发操作实例

vb6并口开发,简体中文,试例内有inpout32.dll动态链接库

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

上一篇: [小知识]总结CSRs寄存器的读写指令
software工程师
博客等级 码龄16年 55粉丝 11原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址