基于 NCNN 的嵌入式 AI 推理部署完全指南

前言 在边缘设备上部署深度学习模型,一直是嵌入式 AI 领域最具挑战性的课题之一。当你训练好了一个准确率令人满意的 PyTorch 模型,满心欢喜地想把它搬到 ARM 开发板上跑一跑,却发现原始模型推理一次需要好几秒,这样的性能在实际产品中根本无法使用。这时你才意识到,训练和部署之间,隔着一道看不见却异常宽阔的鸿沟。 这道鸿沟的两边是完全不同的世界:训练端追求的是灵活的算子支持、便捷的调试接口、高效的分布式训练;而部署端追求的却是极致的推理速度、最小的内存占用、最低的功耗开销。大多数框架都是为训练设计的,即使像 PyTorch 这样优秀的框架,其 C++ 前端 LibTorch 在嵌入式设备上的表现也往往差强人意。 于是我们需要专门的推理框架。在众多推理框架中,腾讯开源的 NCNN 是一个相当特别的存在。它从诞生之初就是为移动端和嵌入式设备设计的,没有历史包袱,从内存管理到算子实现都围绕 ARM 架构深度优化。更重要的是,NCNN 是纯 C++ 实现,没有任何第三方依赖,这意味着你可以轻松将它集成到各种奇葩的嵌入式环境中。 我第一次接触 NCNN 是在一块瑞芯微 RK3399 开发板上部署目标检测模型。当时用 PyTorch 推理一帧 YOLO 需要约 800ms,用 TensorFlow Lite 也需要 400ms 左右,而用 NCNN 优化后,同样的模型在同一硬件上只需要 120ms,这还没开启 Vulkan GPU 加速。那一刻我真切感受到,一个好的推理框架带来的性能提升,往往比换一颗芯片还要显著。 这篇文章会带你完整走一遍 NCNN 的部署流程:从模型训练完成后的 ONNX 导出,到 onnx2ncnn 转换,再到模型优化、INT8 量化、最后编写 C++ 推理代码。文中所有命令和代码都经过实际验证,你可以照着一步步操作。 一、为什么选择 NCNN? 在深入具体操作之前,我们先聊聊为什么在众多推理框架中选择 NCNN,它的核心优势在哪里,又有哪些局限性。 1.1 推理框架的选型维度 选择一个推理框架,通常需要考虑以下几个维度: 维度 说明 重要程度 性能 同样硬件上的推理速度 ⭐⭐⭐⭐⭐ 模型支持 能否正常转换你的模型 ⭐⭐⭐⭐⭐ 易用性 文档是否完善,社区是否活跃 ⭐⭐⭐⭐ 跨平台 支持多少种目标硬件 ⭐⭐⭐⭐ 二进制体积 对资源紧张的 MCU 很重要 ⭐⭐⭐ 许可证 是否允许商业闭源使用 ⭐⭐⭐⭐ 用这个维度表来评估 NCNN,你会发现它在大多数项上得分都很高:性能在 ARM CPU 上属于第一梯队,模型支持覆盖了绝大多数常见算子,Apache 2....

DDR 内存带宽调优实战:从 AXI 总线到 Cache Miss 的 SoC 性能优化指南

前言 做嵌入式 Linux 或边缘 AI 项目时,很多性能问题最后都会绕回一个朴素但容易被低估的事实:算力不等于吞吐,CPU、NPU、GPU 跑得再快,只要数据喂不上去,整机性能就会被内存系统卡住。 我第一次真正意识到 DDR 带宽的重要性,是在一块多核 ARM SoC 上做 4 路摄像头视频分析。算法同事看 NPU 利用率只有 40% 左右,以为模型还可以继续加大;系统同事看 CPU 使用率也不高,以为瓶颈不在软件。直到我们把 ISP、RGA、NPU、VPU 同时压起来,再去读 DDR 控制器计数器,才发现内存读写已经接近平台可持续带宽的上限。那一刻,所谓“还有很多算力没用上”,其实只是“大家都在等内存”。 这篇文章想把这个问题讲透一点:DDR 带宽不是一个孤立参数,它贯穿了 CPU Cache、AXI/NoC 互联、DMA burst、内存控制器调度、DRAM Bank 冲突、刷新开销以及 Linux 调度策略。很多项目里大家会直接跑一个 memcpy 或 stream,看到数字不错就认为内存没问题;但真实业务往往不是连续大块搬运,而是多个主设备同时访问、读写混合、缓存命中率波动、实时任务和后台任务互相抢总线。 本文会从 SoC 视角出发,拆解一条内存访问路径,并给出一套可以落地的排查和优化方法。示例代码以 Linux 用户态为主,兼顾裸机/RTOS 下的思路。目标不是把每个 DDR 时序参数都背下来,而是建立一个工程上有用的判断框架:什么时候该看 Cache Miss,什么时候该看 AXI outstanding,什么时候该怀疑 DDR controller 的 page policy,什么时候该从数据布局和 DMA burst 入手。 一、先把“带宽”这件事说清楚 DDR 厂商手册里常见的理论带宽计算很简单: 理论带宽 = 数据总线宽度 / 8 × 数据传输速率 例如 32-bit LPDDR4X,数据速率 4266 MT/s,理论峰值约为:...

基于 LangGraph 的多智能体工作流构建实战——从单 Agent 到复杂协作系统

前言 2024 年被称为 AI Agent 元年。从早期的 AutoGPT 到后来的 CrewAI、AutoGen,再到如今的 LangGraph,多智能体系统的开发框架经历了快速的迭代。我在 2023 年第一次尝试用 AutoGPT 构建自动化任务系统时,整个流程充满了不确定性:Agent 经常"走神"、任务执行到一半就偏离主题、错误处理几乎为零。 到了 2024 年中,我开始使用 LangGraph,这种基于状态机的设计思路彻底改变了我对 Agent 开发的认知。与传统的"让 LLM 自由发挥"不同,LangGraph 让你可以: 精确控制 Agent 的执行路径 在节点间共享完整的状态信息 实现条件分支、循环、重试等复杂逻辑 可视化整个工作流的执行过程 过去半年里,我用 LangGraph 构建了十几个生产级别的多智能体系统:从自动化代码审查工具到技术文档生成器,再到市场研究助理。这些系统的共同特点是:稳定性高、可观测性强、出错时可以优雅回滚。 这篇文章是我对 LangGraph 多智能体开发的系统性总结。从最基础的 State 定义,到复杂的多 Agent 协作模式,再到生产环境的部署优化,我会带你一步步构建一个完整的、可运行的多智能体工作流系统。 一、为什么选择 LangGraph? 在深入技术细节之前,我们需要先回答一个问题:市面上有这么多多智能体框架,为什么我最终选择了 LangGraph? 1.1 传统 Agent 框架的痛点 让我先分享几个真实的"踩坑"经历: 故事一:CrewAI 的"集体幻觉" 去年用 CrewAI 做一个市场分析系统,三个 Agent(研究员、分析师、写作者)协作。一开始效果很好,但当任务涉及需要精确数字的财报分析时,我发现三个 Agent 会"互相说服",最终产出完全虚构的财务数据。更糟糕的是,整个执行过程是一个黑盒,我无法定位是哪个环节出了问题。 故事二:AutoGen 的无限循环 在用 AutoGen 构建代码生成系统时,我经常遇到"代码评审 Agent"和"代码编写 Agent"陷入无限争论的情况。一个说"这个代码有性能问题",另一个反驳"这是在可读性和性能之间的权衡",几十个来回后还在原地踏步。AutoGen 缺乏一个明确的"终止条件"机制。 故事三:纯 LangChain 的复杂度 我也尝试过用纯 LangChain 的 Chain 来构建工作流。简单的线性流程还好,但一旦需要循环、条件分支、错误重试,代码就会变得极其复杂,可维护性直线下降。...

实时调度算法深度解析与实战——从RM、EDF到Linux内核调度器实现

前言 在实时系统的世界里,调度算法是灵魂。一个优秀的调度算法可以在同样的硬件上,让更多任务按时完成;而一个糟糕的调度算法,即使是性能过剩的CPU,也可能出现任务超时。 我第一次深刻体会到调度的重要性是在 2019 年的一个工业控制项目。当时我们用的是某款主流 RTOS,系统中有 12 个周期性任务,利用率大约在 75%。按照传统的经验法则,这是一个相当安全的数值。然而,在一次现场测试中,当某个外部设备突然产生大量数据时,系统中优先级最低的那个数据记录任务竟然连续三次错过了截止期——每一次超时都意味着一条生产数据的丢失。 问题排查了整整三天,最后我们发现:系统中高优先级的任务虽然单个执行时间不长,但它们加起来的"时间碎片"效应,导致低优先级任务连续被抢占了 150 毫秒。而这个任务的截止期只有 100 毫秒。更讽刺的是,如果我们把所有任务的优先级都设成一样,采用时间片轮转,反而不会出现这个问题。 那一天我意识到:实时调度不是简单的"优先级高先执行"这么简单。 它是一门严谨的科学,有完善的理论基础和严格的可调度性证明。 这篇文章就是我对实时调度算法的系统性总结。从最经典的速率单调(RM)算法,到最优的最早截止期优先(EDF)算法,再到 Linux 内核中 SCHED_DEADLINE 的实际实现,我会带你一步步理解实时调度的核心原理,并提供可运行的代码示例。 一、实时调度的基本概念 在深入具体算法之前,我们需要先建立一些基本概念。这些概念是理解所有实时调度算法的基础。 1.1 什么是实时系统? 实时系统的定义很简单: 实时系统是指系统的正确性不仅取决于计算的逻辑结果,还取决于结果产生的时间。 换句话说,在实时系统中,“晚到的正确答案就是错误答案”。 实时系统通常分为两类: 硬实时系统(Hard Real-Time):绝对不允许任何任务错过截止期,一次错过就是系统失败。例如汽车的安全气囊控制系统、飞机的飞行控制系统。 软实时系统(Soft Real-Time):允许偶尔错过截止期,错过的后果是性能下降而非系统失败。例如视频播放器、音频处理系统。 本文讨论的调度算法主要针对硬实时系统,但其中的原理同样适用于软实时系统。 1.2 实时任务模型 在调度理论中,我们通常用一个简化的模型来描述实时任务。对于周期性任务,最经典的模型包含三个参数: τi = (Ci, Ti, Di) 其中: Ci(Computation Time):任务最坏情况下的执行时间 Ti(Period):任务的周期,即两次释放之间的时间间隔 Di(Relative Deadline):任务的相对截止期,即从任务释放到必须完成的时间 在很多情况下,我们假设 Di = Ti,也就是截止期等于周期。这是一个常见但非必须的假设。 举个具体的例子: τ1 = (1, 3, 3) # 每3毫秒执行一次,需要1毫秒,3毫秒内必须完成 τ2 = (2, 5, 5) # 每5毫秒执行一次,需要2毫秒,5毫秒内必须完成 τ3 = (3, 8, 8) # 每8毫秒执行一次,需要3毫秒,8毫秒内必须完成 1....

基于STM32的USB设备开发实战——从HID到CDC虚拟串口

前言 在嵌入式开发的世界里,USB 可能是最矛盾的存在:一方面它无处不在,从键盘鼠标到U盘摄像头,几乎所有外设都在用;另一方面它又以复杂著称,四层协议栈、十几种传输类型、上百页的规格书,让很多工程师望而却步。 我第一次接触 USB 开发是在 2018 年。当时项目需要做一个自定义的 USB 数据采集设备,我拿着 STM32 的参考手册看了三天,愣是没搞懂端点(Endpoint)和管道(Pipe)到底有什么区别。网上的教程要么是「打开 CubeMX 点几下就行了」,要么是直接扔给你一整个库的代码,中间的关键步骤一概省略。 那一周我熬了三个通宵,把 USB 协议栈的源代码一行一行地啃完,才终于明白:USB 其实没那么难,难的是没有人把它讲清楚。 这篇文章就是为了解决这个问题。我会从最基础的 USB 协议概念讲起,一步步带你完成 HID 自定义设备和 CDC 虚拟串口的完整开发。不需要你有任何 USB 开发经验,只要你会用 STM32 和 HAL 库,跟着这篇文章走,就能做出自己的 USB 设备。 一、USB 协议基础:五分钟搞懂核心概念 在写代码之前,我们必须先搞懂 USB 的几个核心概念。这部分是整个 USB 开发的基石,理解了这些,后面的代码就只是按部就班而已。 1.1 主机与设备的主从关系 USB 是一个严格的主从架构: 主机(Host):只能是一个,通常是 PC 或手机,负责发起所有通信 设备(Device):可以有多个,只能被动响应主机的请求 这一点非常重要。USB 设备永远不能主动给主机发数据,它只能在主机询问的时候才能回复。这是很多新手踩的第一个坑——他们在设备端写了一个发送数据的循环,然后奇怪为什么主机收不到任何东西。 1.2 端点:USB 通信的基本单元 如果把 USB 比作一条公路,那么**端点(Endpoint)**就是这条公路上的车道。每个端点都有: 编号:0-15,其中端点 0 是控制端点,所有设备必须实现 方向:IN(设备→主机)或 OUT(主机→设备) 类型:控制传输、批量传输、中断传输、等时传输 最大包长:全速设备最大 64 字节,高速设备最大 1024 字节 举个例子:一个 USB 鼠标通常有两个端点:...

基于 TensorRT 的深度学习模型推理加速实战指南

前言 在深度学习从学术研究走向工业落地的今天,推理性能已经成为决定项目成败的关键因素。 你可能有过这样的经历:花了几个月时间精心训练了一个准确率 99% 的模型,结果一到生产环境就傻眼了——单帧推理需要 500ms,离业务要求的 30ms 差了十万八千里。这时候你面临两个选择:要么花几十万升级硬件,要么想办法把模型跑快一点。 TensorRT 就是帮你实现第二个选择的神器。作为 NVIDIA 推出的深度学习推理优化器,它能让同样的模型在同样的硬件上跑出 4 到 20 倍的性能提升,而且精度损失可以控制在 1% 以内。更重要的是,这种提升是「免费」的——不需要改变网络结构,不需要重新训练,只需要多一道「编译」工序。 这篇文章是我过去三年使用 TensorRT 的经验总结。从最基础的环境搭建,到 ONNX 模型转换,再到 INT8 量化校准,最后到生产级的 C++ 部署,我会把每一个坑、每一个优化技巧都毫无保留地分享给你。如果你正在做模型部署,或者正在为推理速度发愁,这篇文章就是为你准备的。 一、为什么我们需要 TensorRT? 在深入技术细节之前,我们先来回答一个最基本的问题:既然 PyTorch 和 TensorFlow 本身就能跑推理,为什么还要折腾 TensorRT? 1.1 训练框架的设计目标不是推理 PyTorch 和 TensorFlow 作为训练框架,它们的设计优先级是: 灵活性 - 支持任意计算图的动态构建 易用性 - Python 接口、自动微分 通用性 - 支持从 CPU 到多 GPU 的各种硬件 推理性能从来都不是它们的首要设计目标。为了灵活性,PyTorch 每次执行都要重新遍历计算图,每一个算子都要走通用的 CUDA kernel,这中间浪费了大量的性能。 举个例子:一个简单的 Conv + BatchNorm + ReLU 组合,在 PyTorch 里会执行三次独立的 kernel 调用,每次都要读写全局显存。而 TensorRT 会把这三层融合成一个 kernel,中间结果全部存在寄存器里——光这一项就能带来 2-3 倍的性能提升。...

本地大模型部署与性能优化实战指南

前言 2023 年被称为「大模型元年」,但到了 2026 年,真正的革命才刚刚开始——不是在云端,而是在你的本地机器上。 如果你还在依赖 OpenAI API 做所有 AI 相关的工作,那你可能已经错过了一个重要的趋势:本地大模型正在以惊人的速度追赶云端模型的能力。今天,一个 7B 参数的量化模型在中端消费级显卡上就能跑出接近 GPT-3.5 的效果,而 70B 参数的模型在高端显卡上的表现甚至能在某些任务上超越 GPT-4。 更重要的是,本地部署带来了三个无可替代的优势:绝对的数据隐私、零 API 调用成本、完全的控制权。对于企业来说,这意味着敏感的内部文档永远不会离开公司内网;对于个人开发者来说,这意味着你可以 24/7 不间断地运行 AI 工作流而不用担心账单爆炸。 这篇文章是我过去两年部署本地大模型的经验总结。从最基础的 Ollama 一键部署,到深入 llama.cpp 的性能优化,再到企业级的 API 服务架构,我会把每一个踩过的坑、每一个优化技巧都毫无保留地分享给你。 一、为什么要部署本地大模型? 在谈论技术细节之前,让我们先回答一个根本问题:既然 OpenAI、Anthropic 这些公司已经提供了这么好用的 API,为什么还要费心自己部署本地大模型? 我给出的答案是四个「自由」。 1. 隐私自由 这是最核心的理由。当你把数据发送给 OpenAI API 时,你实际上放弃了对这些数据的控制权。虽然 OpenAI 的服务条款说不会用用户数据训练模型,但谁也无法保证 100% 的安全——更不用说政府监管、数据泄露、内部人员滥用这些潜在风险。 而本地部署意味着: 你的代码永远不会离开公司内网 客户的敏感数据永远在你的掌控之中 内部知识库的问答不会有任何泄露风险 我有一个朋友在金融公司工作,他们的合规部门绝对不允许任何客户数据出现在第三方 API 中。最后他们用本地部署的 Qwen-72B 搭建了内部的文档问答系统,成本只有云端方案的 1/10,安全性却高了几个数量级。 2. 成本自由 API 调用的成本看起来很低——每 1K tokens 几美分,但当你真的开始大规模使用时,账单会让你大吃一惊。 我做过一个简单的计算:如果一个开发团队有 10 个人,每人每天用 AI 辅助编程 4 小时,平均每 10 秒生成 100 tokens,那么一个月的 API 费用大概是:...

ARMv8-A AArch64 架构深度解析与汇编编程实战指南

前言 如果你是一名嵌入式开发者或者系统程序员,可能会有这样的困惑:「我都用上 C/C++ 甚至 Rust 了,为什么还要学汇编语言?」 这个问题我被问过很多次。2018 年我在做一个手机相机 HAL 层的性能优化项目时,算法团队用 NEON intrinsics 写的图像处理函数在骁龙 845 上跑 12ms,离 8ms 的目标还差很远。我花了三天时间,把核心循环改成纯 AArch64 汇编,最终跑到了 6.8ms——这就是汇编的力量:你完全掌控了 CPU 的每一个周期、每一个寄存器。 今天,AArch64 已经无处不在:从你的智能手机到树莓派 4/5,从 AWS Graviton 服务器到 NVIDIA Jetson 开发板,甚至苹果 M 系列芯片本质上也是 AArch64 兼容架构。理解 AArch64 架构,不仅能让你写出更快的代码,更能让你真正理解现代 CPU 是如何工作的。 这篇文章不会教你「Hello World」级别的汇编入门。我要做的是:从架构设计哲学讲起,深入寄存器模型、指令集、寻址模式、函数调用约定,最后用实战项目教你如何写出高性能的 AArch64 汇编代码。 一、ARMv8-A 架构:从 32 位到 64 位的革命 1.1 ARM 架构演进简史 在深入 AArch64 之前,我们先快速回顾一下 ARM 架构的演进路线: ARMv4/v5 (1990s): 经典 ARM,32 位 ARM 状态 + 16 位 Thumb 状态 ARMv6 (2001): 引入 SIMD 媒体处理扩展、未对齐内存访问 ARMv7-A (2005): Cortex-A 系列诞生,NEON SIMD、虚拟化扩展 ARMv8-A (2011): 革命性的 64 位架构,AArch64 执行状态 ARMv8....

Xenomai 实时操作系统深度实战指南:从双内核架构到工业级延迟优化

前言 如果你在工业自动化领域做过嵌入式开发,应该听过这样的抱怨:「Linux 什么都好,就是不够实时」。这句话背后藏着一个非常现实的困境——Linux 生态太强大了,驱动、网络、文件系统、调试工具应有尽有,但它天生就不是为了微秒级确定性设计的。当你的运动控制器需要在 100 µs 内响应编码器中断、当你的机器人关节需要每 1ms 完成一次 PID 闭环计算时,主线 Linux 的调度抖动可能让整个系统失控。 于是就有了三条路:第一条路是彻底放弃 Linux,改用纯 RTOS——VxWorks、QNX、或者 FreeRTOS,但代价是你得放弃整个 Linux 生态;第二条路是 PREEMPT_RT——给 Linux 内核打上实时补丁,这是我们之前详细讨论过的方案;第三条路就是今天的主角:Xenomai——它不走「改造 Linux」的路线,而是走「与 Linux 共存」的双内核架构路线。 我第一次接触 Xenomai 是在一个六轴机械臂项目上。当时客户要求关节控制周期 1ms,最大抖动不能超过 50 µs。我们先用了 PREEMPT_RT,在隔离 CPU、关中断、线程优先级拉满的情况下,最坏情况抖动还是冲到了 120 µs,偶尔还会有 200 µs 的尖刺。后来换成 Xenomai 3 Cobalt 内核,同样的硬件,最坏情况抖动稳定在 15 µs 以内,而且应用层的代码改动量不到 20%。 写这篇文章的目的,不是要争论 Xenomai 和 PREEMPT_RT 谁更好——它们有各自的适用场景。我想做的是把 Xenomai 的技术本质讲清楚,从双内核架构的设计哲学讲起,到实际的环境搭建、应用开发、延迟测量与调优,最后给出我在多个工业项目中验证过的最佳实践。 一、为什么需要 Xenomai?PREEMPT_RT 的极限在哪里? 在深入 Xenomai 之前,我们得先搞清楚一个问题:既然 PREEMPT_RT 能让 Linux 变成实时系统,为什么还需要 Xenomai? 1.1 PREEMPT_RT 的本质:把 Linux 尽量改得「更实时」 PREEMPT_RT 的核心思路是最大化 Linux 内核的可抢占性:...

STM32 CAN 总线通信深度实战指南:从协议原理到 bxCAN 工程落地

前言 如果你做过几年嵌入式开发,迟早会撞到 CAN 总线这堵墙。它在汽车电子里几乎是默认标配,在工业控制、轨道交通、电梯、医疗设备、甚至是无人机机臂内部通信里,到处都有它的身影。我第一次和 CAN 打交道是在一个新能源 BMS 项目上——电池包要把每串单体电压、温度、SOC 上报给整车控制器(VCU),现场没有以太网,没有 RS485,PCB 上焊得整整齐齐就两根线:CAN_H 和 CAN_L。当时我天真地以为,无非就是另一个 UART,能收能发就完事。结果第一周就被仲裁机制、位时序、错误帧、Bus-Off 教育得明明白白。 写这篇文章的初衷,是想把这些年踩过的坑、读过的手册、调过的示波器波形,整理成一份能让后来人少走弯路的实战指南。我不会停留在「CAN 是一种串行通信总线」这种百度百科式的介绍,而是从协议本质讲起,一路下沉到 STM32 的 bxCAN 外设寄存器层,再上升到工程代码里那些「为什么我的滤波器配了却收不到包」的具体问题。 CAN 总线(Controller Area Network)由德国博世公司在 1986 年推出,最初的目标是给汽车上日益增多的电子控制单元(ECU)之间提供一条可靠、低成本的通信骨干。在 CAN 出现之前,每两个 ECU 之间都要拉一根专线,一辆中高端车里光线束就能有上百公斤重。CAN 把所有节点挂在同一条双绞线上,靠协议本身去解决冲突和优先级问题,线束重量瞬间砍掉一大半。这个设计哲学在今天看来依然非常先进——它把网络的复杂性下沉到了协议层,让物理层简单到极致。 放到 2026 年的视角,CAN 当然不算「新技术」。CAN FD(Flexible Data-rate)已经成为汽车主流,传输速率突破 5 Mbps,数据载荷扩展到 64 字节;CAN XL 已经在路上,可以飙到 10 Mbps、2048 字节负载;车载以太网(Automotive Ethernet)也在逐步蚕食骨干网的份额。但即便如此,传统 CAN 2.0B 在嵌入式工程里依然不可替代。原因很简单:它便宜、皮实、抗干扰能力恐怖、协议成熟到几乎不会出 bug,而且几乎每一颗工业级 MCU 都自带 CAN 控制器。 一、为什么是 CAN?四个无法替代的设计优势 要理解 CAN 为什么能屹立不倒近四十年,必须先看清它的核心设计。我把它总结成四点: 第一,多主架构(Multi-master)。 总线上没有「主机」和「从机」的区分,任何节点在总线空闲时都可以主动发起传输。这跟 SPI 那种「主机点名才能说话」的模式完全不同。在汽车里,发动机 ECU 和刹车 ECU 是平等的两个节点,谁需要谁就说。这种架构的好处是没有单点故障——主机挂了整条线就废这种事不会发生。 第二,非破坏性逐位仲裁(Non-destructive bitwise arbitration)。 这是 CAN 协议的精髓所在,也是最容易被新手忽略的点。当多个节点同时抢占总线时,CAN 通过比较报文 ID 的每一位来决定谁优先发送,而且——胜出的那一帧不会被损坏。技术上,CAN 总线物理层定义了「显性位」(Dominant,逻辑 0)和「隐性位」(Recessive,逻辑 1)。在线与(wired-AND)逻辑下,只要有一个节点输出 0,整条总线就是 0。每个节点在发送时会同时监听总线状态,一旦发现自己发送的是 1 但总线上是 0,立刻退出仲裁、转为接收方。ID 数值越小(高位 0 越多)的报文,优先级越高。...