DSP在线升级方案:TMS320C6678使用网络或者串口输出升级数据进行固件升级

VIPDSP在线升级方案:TMS320C6678使用网络或者串口输出升级数据进行固件升级
下面这段先引用创龙的说明IBL 运行后, 将从 NOR FLASH 或 NAND FLASH 的 0x00080000 地址引导 ELF/BBLOB 格式用户程序。 当引导 ELF 格式用户程序时, IBL 会解析用户程序头部信息,并根据头部信息拷贝不同的代码段至指定 CPU 内存地址,然后将 PC 指针跳转至_c_int00, 再运行用户程序。当引导 BBLOB 格式用户程序时,由于无头部信息, IBL 会将用户程序拷贝至 0x9E000000(该内存地址为 IBL 代码指定),并将 PC..
开通可读全文 ·1.9k 人阅读
最低0.47元/天 解锁文章

下面这段先引用创龙的说明

IBL 运行后, 将从 NOR FLASH 或 NAND FLASH 的 0x00080000 地址引导 ELF/BBLOB 格式
用户程序。 当引导 ELF 格式用户程序时, IBL 会解析用户程序头部信息,并根据头部信息
拷贝不同的代码段至指定 CPU 内存地址,然后将 PC 指针跳转至_c_int00, 再运行用户程
序。当引导 BBLOB 格式用户程序时,由于无头部信息, IBL 会将用户程序拷贝至 0x9E000000
(该内存地址为 IBL 代码指定),并将 PC 指针跳转至 0x9E000000, 再运行用户程序。
IBL 默认运行于 MSM(Multicore Shared Memory) SRAM 内存空间, 各个段的内存分配如
下。 用户程序分配内存地址时,请避开 MSM SRAM 用于 IBL 运行的 0x0C000000 至
0x0C01CA00 内存空间。 由于 IBL 未使用 L2SRAM 和 DDR3 内存空间,则用户程序可使用
L2SRAM 作为主要内存空间,加快程序运行速度,同时可避免多核程序内存分配冲突问题
表 2

段名称 段开始地址 段长度
TEXT(代码段) 0x0C000000 0x10000
STACK(栈段) 0x0C010000 0x0800
HEAP(堆段) 0x0C010800 0x8000
DATA(数据段) 0x0C018800 0x3000
CFG(IBL 配置数据段) 0x0C
VIP TMS320C6678开发笔记---IBL编译与分析4 9.3.13修改app.out在nor flash的起始地址 C:\MinGW\msys\1.0\ibl\boot_loader\ibl\src\util\iblConfig\src\device.c 9.3.14 NOR FLASH IBL使用烧写步骤 最终编译出来的NOR Flash的IBL镜像为spiRom.bin(C:\MinGW\msys\1.0\ibl\boot_loader\ibl\src\make\ibl_c66x) 使用norwriter_evm6678l.out将IBL. 开通可读全文·1.7k 阅读·0 点赞·14 收藏 阅读全文

相关推荐

基于TMS320C6678的多核DSP在线升级方案设计与实现

在嵌入式系统开发中,固件在线升级能力已成为衡量产品可维护性的重要指标。通过设计可靠的Bootloader机制,结合Flash分区规划与双镜像备份策略,可以在不拆机、不连接仿真器的前提下完成固件更新。这种技术对于部署在机柜、塔架等难以接触场景的DSP设备尤为重要。以TMS320C6678多核DSP为例,其C66x架构支持多种启动方式,利用芯片自带的ROM Boot Loader将自定义Bootloader加载至L2 SRAM,Bootloader负责接收数据、校验并写入Flash,同时支持串口与网络两种传输链

weixin_29172963的博客 304

C6678多核DSP在线升级:串口与网口BootLoader实现方案

在嵌入式系统开发中,固件更新与远程维护是产品化进程的关键环节。BootLoader作为引导程序,承担着系统启动、应用加载及升级恢复等核心职责。针对TI TMS320C6678多核DSP等高性能处理器,传统仿真器烧录方式在量产与现场场景下存在诸多不便,在线升级能力成为必然需求。通过设计串口与网口双通道的BootLoader方案,实现不依赖仿真器的Flash擦写与程序跳转,并配合状态机与回滚机制确保升级可靠性。该方案覆盖产线批量烧录及远程维护等多种场景,为嵌入式系统在线升级提供了一套完整落地参考。

weixin_29163797的博客 317

C6678多核DSP在线升级:Bootloader设计、TFTP/串口通道与掉电自恢复

在嵌入式设备维护中,在线升级功能已成为降低现场运维成本的关键能力,尤其对部署在机柜深处或野外的多核DSP系统而言,远程更新固件比拆机烧录更实际。Bootloader作为启动链路上的第一道用户程序,决定了设备能否安全、可靠地完成固件切换;而Flash分区中的A/B双区设计则保障了升级失败时的自动回退。针对TI TMS320C6678这类高性能多核DSP,在线升级既要考虑其复杂的启动模式与多核镜像结构,也需兼顾网络与串口两类传输通道的适用场景。基于UDP的TFTP协议适合大镜像快速推送,串口通道则作为无网络环境

weixin_28285943的博客 243

基于TMS320C6678多核DSP的实时SAR成像系统实现与优化

合成孔径雷达(SAR)成像是一种通过雷达平台运动合成大孔径天线,从而获得高分辨率二维图像的先进遥感技术。其核心原理是利用雷达回波信号的多普勒历史和距离延迟信息,通过复杂的二维匹配滤波算法(如经典的Range-Doppler算法)对目标进行精确聚焦。这项技术的价值在于能够实现全天时、全天候、远距离的高精度对地观测,广泛应用于军事侦察、地形测绘、灾害监测和资源勘探等领域。在工程实践中,SAR成像算法的巨大计算量对处理平台的实时性提出了严峻挑战。本文聚焦于如何将这一算法高效部署在嵌入式多核数字信号处理器(DSP)

weixin_29174385的博客 325

DSP开发实战指南:定点运算与CMSIS-DSP的避坑之路

数字信号处理(DSP)是嵌入式系统与音频、通信、工业控制等领域的核心支撑技术。从采样量化到滤波器设计,开发者常因定点与浮点运算的精度差异、硬件加速单元未正确使能等问题而陷入调试困境。本文从定点数Q格式的原理出发,解析其在自适应滤波等算法中的累积误差效应,并重点讲解STM32F407平台上CMSIS-DSP库的移植要点——包括FPU协处理器使能、宏定义配置以及FFT缓冲区的内存对齐要求。同时,结合定时器中断延迟、Visual DSP工程配置、调音软件参数烧录等高频故障场景,给出系统性排查方法与经验铁律。无论你

weixin_34162228的博客 415

6U VPX信号处理卡的物理层协同设计解析

嵌入式信号处理系统中,DSP与FPGA的协同并非软件级调用,而是建立在EMIF总线、时钟域同步、VPX背板电气规范等物理层约束之上的硬实时架构。理解TMS320C6678的EMIF接口特性与XC7V690T的JESD204B直连能力,是构建高确定性数据链路的前提;而6U VPX标准则通过RapidIO、系统管理总线和阻抗控制,为多卡协同提供可预测的通信骨架。这种深度耦合架构广泛应用于雷达、电子对抗与宽带通信等对延迟抖动、宽温稳定性及电磁兼容性有严苛要求的领域,其工程落地关键在于寄存器级时序协同、电源完整性设

weixin_30399155的博客 368

EVM6678L 开发教程: 烧写 IBL(Intermediate Bootloader)

本教程讲解如何为 EVM6678L 烧写 IBL, , 并将 IBL-NAND 和 IBL-TFTP 引导格式修改为 ELF

falwat的专栏 1127

基于C66x平台DSP与FPGA通信测试

本文为基于创龙TL665xF-EasyEVM开发板的DSP与FPGA通信测试。TL665xF-EasyEV开发板的简介绍如下:由核心板+底板构成。 核心板DSP端采用单核TMS320C6655或双核TMS320C6657处理器,FPGA端采用Xilinx Artix-7处理器,实现异构多核处理器架构,DSP与FPGA内部通过uPP、EMIF16、SRIO连接; 底板接口资源丰富,支持uPP、E...

Tronlong_的博客 2146

ABAP HANA BP主数据批导

SAPhana官方推荐的创建bp主数据的类是CL_MD_BP_MAINTAIN 客户的创建具体示例代码如下: DATA: LT_RETURN_MAP TYPE MDG_BS_BP_MSGMAP_T. DATA: LS_RETURN_MAP TYPE MDG_BS_BP_MSGMAP. DATA: LS_MESSAGE_MAP TYPE MDG_BS_BP_MSGMAP_KEY. DATA: LT_DATA TYPE CVIS_EI_EXTERN_.

IamRunjiang的博客 4154

RT-Thread网络编程:基于STM32F407的TCP客户端实现(含完整代码解析)

本文详细介绍了在STM32F407平台上,基于RT-Thread操作系统和LWIP协议栈实现工业级可靠TCP客户端的完整过程。内容涵盖底层ETH驱动配置、Socket编程、连接保活与断线重连机制、数据收发协议设计以及资源管理,提供了可应用于实际项目的健壮代码框架与调试技巧。

weixin_29184371的博客 495

小白快速上手 labelme:新手图像标注详解教程

本教程旨在帮助初次接触 labelme 的用户快速上手该软件,掌握基本操作与标注流程,为语义分割数据集做准备。

小白一枚~ 2万+

【推荐算法】召回模型总结

【推荐算法】召回模型总结

m0_48086806的博客 6256

立创开源:基于STM32F103与ADS1256的六维力传感器低成本实现方案

本文详细介绍了一种基于STM32F103微控制器与ADS1256高精度ADC的低成本六维力传感器实现方案。该方案通过3D打印的六梁弹性体结构结合应变片,将多维力信号转换为电信号,并由24位ADC进行高精度采集。文章涵盖了硬件选型、电路设计、嵌入式软件驱动及上位机数据可视化全流程,为机器人、精密测量等领域的爱好者提供了一个可复现的开源实践参考。

weixin_34718952的博客 399

时间序列预测 | Python实现LSTM时间序列数据预测

目录LSTM神经网络LSTM原理LSTM数据下载LSTM程序设计导入Python包时序数据处理LSTM模块定义模型训练模型评估参数设定运行结果参考资料致谢 LSTM神经网络 长短期记忆网络——通常简称为“LSTM”——是一种特殊的 RNN,能够学习长期依赖关系。它们由Hochreiter & Schmidhuber (1997)引入,并在后续工作中被许多人提炼和推广。1它们在处理各种各样的问题时效果非常好,现在被广泛使用。LSTM 被明确设计为避免长期依赖问题。长时间记住信息实际上是他们的默认行为

前程算法屋的博客 3912

槽型光电开关传感器原理图设计,已量产(光电传感器)

在嵌入式设备的位置限位、物料计数等场景中,槽型光电开关是性价比极高的传感器方案 —— 它通过遮挡发射器与接收器之间的光路实现电平切换,电路简单且抗干扰性优于漫反射式光耦。今天分享一个实际项目中落地的槽型光电开关检测电路,从器件选型到逻辑设计都做了简化适配,适合小批量原型或低成本产品的需求。

不脱发的程序猿 734

ZYNQ GP总线实现PS与PL交互

3,完成 ZYNQ7 Processing System 的配置更改后,回到 Diagram 界面中,可以看到新出现了名为 M_AXI_GP0_ACLK、M_AXI_GP0 和 FCLK_CLK0 的接口,下面我们要对这些接口进行连接或引出。此处的偏移量,AXI的相邻寄存器偏移量相差4个字节,默认slv_reg0的偏移量是0,可以推导出slv_reg1,slv_reg2的偏移量分别为4和8,这里只用到了slv_reg0,所以偏移量为0。当然了,窗口数量的增加,势必会使得单个窗口的采样深度变小。

wangjie36的博客 7096

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

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: 创龙OMAPL138 Linux系统修改静态IP地址
下一篇: AStyle_C软件配置
ToneChip
博客等级 码龄18年 3049粉丝 231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

打赏作者

ToneChip

觉得博主写得不错欢迎鼓励支持哦

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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