電子發(fā)燒友網(wǎng)報道（文/李彎彎）隨著人工智能大模型訓練的爆發(fā)式增長，數(shù)據(jù)中心對算力的需求持續(xù)攀升，同時對數(shù)據(jù)傳輸?shù)男枨笠渤芍笖?shù)級增長。 ? 在這一背景下，光模塊的重要性日益凸顯。然而，隨著光模塊速率從400G、800G向1.6T乃至3.2T飛速迭代，行業(yè)面臨著嚴峻的“功耗墻”和“互連瓶頸”。傳統(tǒng)的硅基材料在高頻高速場景下逐漸顯露出力不從心，摩爾定律在光通信領域遭遇挑戰(zhàn)。 ? 為了突破這一瓶頸，產(chǎn)業(yè)界的目光開始從單純的封裝工藝轉(zhuǎn)向更

在占用網(wǎng)絡流行之前，自動駕駛的主流感知方案是基于CNN的目標檢測。你可以把它想象成給攝像頭拍到的每一張照片畫框。

開發(fā)板簡介：RA-Eco-RA2L1 主控芯片RA2L1： 這是一款基于 48 MHz Arm Cortex-M23 內(nèi)核架構(gòu)的核心板，擁有現(xiàn)今 Arm Cortex-M 系列中極低的功耗表現(xiàn)。支持 1.6V 至 5.5V 寬壓工作，配備增強型電容式觸摸感應單元 (CTSU2)、高精度模擬電路和定時器。 核心特性： 內(nèi)核與存儲： 48MHz Arm Cortex-M23，256KB 代碼閃存，32KB SRAM（支持 ECC），8KB 數(shù)據(jù)閃存（類似 EEPROM 功能）。 板載資源： 1 個復位按鍵，1 個自定義按鍵，2 個觸摸按鍵，2 個 LED，板載 USB 轉(zhuǎn) TTL 模塊，板載 SWD 接口（方便調(diào)試與下載）。 豐富外設： 12 位 ADC，12 位 DAC，低功耗比較器；32 位/16 位通用 PWM 定時器，低功耗異步通用定時器；RTC；UART、簡單 SPI、簡單 I2C、獨立 SPI / I2C 多主接口、CAN；內(nèi)置加密與安全功能。 在開發(fā)板上進行脈寬測試并使用OLED進行顯示，首先完成了OLED測試，在此基礎上完成觸摸按鍵實驗； 需要注意Touch必須設置不然會出錯！??！設置CTSU打開DTC使能中斷，設置觸摸按鍵接口P109和P110； 從菜單欄點擊Renesas Views → Renesas QE → CapTouch workflow (QE) 。選擇正在開發(fā)的工程，跟隨PPT完成設置； 點擊Button并放置，Esc鍵結(jié)束放置。 雙擊Button00選擇TS10/TS11,點擊確定并創(chuàng)建 按照英文提示，按步驟完成touch按鍵調(diào)試； 輸出文件： 然后在工程中完成函數(shù)調(diào)用，修改頭文件： 實現(xiàn)按鍵控制oled顯示代碼如下： void qe_touch_main(void) { fsp_err_t err; err = R_IIC_MASTER_Open(&g_i2c_master0_ctrl, &g_i2c_master0_cfg); assert(FSP_SUCCESS == err); WriteCmd();//OLED初始化 OLED_Clear();//清屏 OLED_ShowString(16,1,"RA",16); OLED_ShowCHinese(32,1,3);//生 OLED_ShowCHinese(48,1,4);//態(tài) OLED_ShowCHinese(64,1,5);//工 OLED_ShowCHinese(80,1,6);//作 OLED_ShowCHinese(96,1,7);//室 /* Open Touch middleware */ err = RM_TOUCH_Open(g_qe_touch_instance_config01.p_ctrl, g_qe_touch_instance_config01.p_cfg); if (FSP_SUCCESS != err) { while (true) {} } /* Main loop */ while (true) { /* for [CONFIG01] configuration */ err = RM_TOUCH_ScanStart(g_qe_touch_instance_config01.p_ctrl); if (FSP_SUCCESS != err) { while (true) {} } while (0 == g_qe_touch_flag) {} g_qe_touch_flag = 0; err = RM_TOUCH_DataGet(g_qe_touch_instance_config01.p_ctrl, &button_status, NULL, NULL); if (FSP_SUCCESS == err) { /* TODO: Add your own code here. */ if(button_status==1) { err = R_IOPORT_PinWrite(&g_ioport_ctrl, BSP_IO_PORT_01_PIN_03, BSP_IO_LEVEL_HIGH); OLED_Clear();//清屏 OLED_ShowString(16,1,"RA",16); OLED_ShowCHinese(32,1,3);//生 OLED_ShowCHinese(48,1,4);//態(tài) } else if(button_status==2) { err = R_IOPORT_PinWrite(&g_ioport_ctrl, BSP_IO_PORT_01_PIN_04, BSP_IO_LEVEL_HIGH); OLED_Clear();//清屏 OLED_ShowCHinese(64,1,5);//工 OLED_ShowCHinese(80,1,6);//作 OLED_ShowCHinese(96,1,7);//室 } else { err = R_IOPORT_PinWrite(&g_ioport_ctrl, BSP_IO_PORT_01_PIN_03, BSP_IO_LEVEL_LOW); err = R_IOPORT_PinWrite(&g_ioport_ctrl, BSP_IO_PORT_01_PIN_04, BSP_IO_LEVEL_LOW); } } /* FIXME: Since this is a temporary process, so re-create a waiting process yourself. */ R_BSP_SoftwareDelay(TOUCH_SCAN_INTERVAL_EXAMPLE, BSP_DELAY_UNITS_MILLISECONDS); } } 最后在主函數(shù)中調(diào)用qe_touch_main

讓 AI 直接根據(jù)一句“這個 200MHz 時鐘需要 5% 的抖動約束，跨時鐘域路徑設為 false_path”自動吐出符合 Synopsys Design Constraints 格式的 SDC 文件，目前在國內(nèi)無需特殊網(wǎng)絡環(huán)境就能實現(xiàn)。通過聚合鏡像 RskAi ?調(diào)用 Gemini 3.0 的原生思維鏈與長上下文能力，只需將時鐘結(jié)構(gòu)、端口時序和例外需求描述清楚，即可生成語法正確、可直接在 Vivado 或 Quartus 中引用的約束文件。本教程用一個包含多時鐘域和 DDR 接口的真實設計，完整拆解從需求到 SDC 的全過程。 為什么

晶振的頻率漂移是一個復雜的物理現(xiàn)象，它受到多種因素的影響。了解這些因素并采取相應的措施，可以在最大限度上減少頻率漂移對電子系統(tǒng)性能的影響，確保系統(tǒng)的高效穩(wěn)定運行。

嵌入式2---在單片機里實現(xiàn)module_init機制 很多朋友在寫單片機程序時，常會遇到這樣的問題：所有模塊的初始化函數(shù)（比如LED初始化、串口初始化、傳感器初始化），都要手動在main函數(shù)里一一調(diào)用，不僅代碼混亂、維護麻煩，而且新增或刪除模塊時，還要修改main函數(shù)，違背了“高內(nèi)聚、低耦合”的原則。 其實在Linux系統(tǒng)中，module_init機制的核心思想也是一樣的，Linux內(nèi)核本身就是高度模塊化的設計——驅(qū)動開發(fā)者只需通過module_init宏注冊驅(qū)動初始化函數(shù)，

[首發(fā)于智駕最前沿微信公眾號]雖然自動駕駛車輛已經(jīng)完成了數(shù)百萬公里的行駛測試，深度學習也已被普遍應用，但依然會在一些看似簡單的場景中犯下低級錯誤。比如在遇到一些從未見到過的邊緣場景時，系統(tǒng)可能會選擇視而不見甚至直接加速。 之所以出現(xiàn)這個問題，是因為深度學習模型大多建立在統(tǒng)計學基礎之上，它們通過觀察數(shù)以千萬計的圖像學習識別物體的特征。然而，真實世界的道路場景是無限多樣的，這種基于“見多識廣”的邏輯在面對罕

[首發(fā)于智駕最前沿微信公眾號]之前和大家一起分析了小鵬、華為、特斯拉這3加車企的最新智駕方案（ 相關閱讀： 2026年，各車企的自動駕駛方案到了什么階段 （一） ？），今天我們帶大家來繼續(xù)看看其他車企有哪些技術革新。 VLA加3D空間理解，理想MindVLA-o1想補上關鍵短板 理想汽車在2026年3月英偉達GTC大會上發(fā)布的MindVLA-o1，試圖走一條與傳統(tǒng)VLA方案不同的路，即將3D空間理解能力與語言推理能力深度融合，構(gòu)建面向物理世界的通用智能體。 理想汽車基

氮化硅陶瓷氣壓燒結(jié)后需要熱等靜壓（HIP）處理嗎？——對結(jié)構(gòu)件不同疲勞要求的成本效益分析 L??壽命大幅提升的背后 某型號混合陶瓷軸承的臺架試驗數(shù)據(jù)值得注意：氣壓燒結(jié)態(tài)氮化硅球的滾動接觸疲勞L??壽命約為3×10?次應力循環(huán)，經(jīng)HIP后處理后提升至8×10?次，增幅超過150%。然而，同一批次中用于非承載隔離墊的陶瓷件，經(jīng)HIP處理后裝機表現(xiàn)與燒結(jié)態(tài)并無統(tǒng)計差異。這個反差引出一個工藝決策問題：氮化硅陶瓷在氣壓燒結(jié)之后，是否必須追加

2026年的北京車展上，幾乎沒有人再討論一臺車裝了幾顆激光雷達，各車企的競爭領域也變成如何讓自動駕駛系統(tǒng)真正具備對物理世界的理解能力。 當一套智駕系統(tǒng)的基本感知能力不再有明顯短板，當大多數(shù)主流車型都能實現(xiàn)城市NOA（領航輔助駕駛），簡單的看得見、開得了就已經(jīng)不夠了。行業(yè)必然會轉(zhuǎn)向更底層也更難的問題，車能不能理解它看到的東西？能不能像一個老司機那樣預判風險？那各車企的自動駕駛方案都做到了嗎？ 從規(guī)則到推理，小鵬的

A-47雙麥陣列語音處理模塊，以專業(yè) DSP 芯片 + 深度優(yōu)化算法為基礎，實現(xiàn)90dB 回音消除 + 45dB 降噪的頂級聲學性能，同時兼顧低功耗、寬溫域、抗干擾、易集成四大工程需求。11 種標準化硬件方案、近中遠三檔程序、模擬數(shù)字雙接口，讓它既能滿足消費電子的輕薄便攜需求，也能支撐工業(yè)安防的高可靠要求。

各位電子發(fā)燒友、射頻 / 定位技術同行，大家好。今天和大家聊聊GNSS 抗干擾天線在工業(yè)、無人機、特種場景中的應用，以及設計與選型的關鍵要點，也歡迎大家一起交流探討。 一、為什么抗干擾天線是復雜場景的 “剛需”？ 很多工程師朋友在項目中都會遇到這樣的問題： 設備在實驗室里定位很穩(wěn)定，一到工業(yè)廠區(qū)、城市峽谷、強電磁環(huán)境就出現(xiàn)丟星、定位漂移； 5G 通信模塊、工業(yè)設備產(chǎn)生的電磁噪聲，會嚴重干擾 GNSS 信號接收； 甚至在一些場景中，還會遇到有意的欺騙式干擾或壓制式干擾。 普通單天線 GNSS 設備，面對這些干擾幾乎沒有防護能力，而抗干擾天線，尤其是 CRPA（受控接收方向天線）方案，是解決這類問題的核心手段之一。 二、CRPA 抗干擾天線的核心技術原理 CRPA 天線通過多陣元陣列 + 自適應波束形成技術實現(xiàn)抗干擾，簡單來說就是： 多個陣元同時接收信號，通過算法識別出干擾源的方向； 在干擾信號方向形成 “零陷”，抑制干擾信號； 同時在衛(wèi)星信號方向增強接收增益，保障定位信號的穩(wěn)定接收。 這種主動式抗干擾方案，比傳統(tǒng)的濾波、屏蔽措施更直接有效，也是目前軍品級、工業(yè)級場景的主流選擇。 三、選型與應用中的關鍵要點 在實際項目中，很多朋友在選型時容易踩坑，這里分享幾個關鍵注意點： 頻段兼容性 ：需同時支持北斗 / GPS/GLONASS 等多系統(tǒng) GNSS 信號，部分場景還需要兼容天通衛(wèi)星通信頻段； 抗干擾能力 ：關注可抑制的干擾源數(shù)量、干擾抑制深度，以及在多干擾源同時存在時的性能表現(xiàn)； 環(huán)境適應性 ：工業(yè)場景需要 IP67 防護、-45℃~+70℃寬溫工作，同時考慮振動、沖擊等環(huán)境因素； 集成適配性 ：尺寸、接口、功耗需匹配設備的安裝空間和供電需求，尤其是無人機、手持設備等對小型化有要求的場景。 四、和大家交流探討 作為長期從事 GNSS 抗干擾天線設計與應用的從業(yè)者，也想和大家聊聊： 大家在項目中遇到過哪些棘手的 GNSS 干擾問題？ 對于 CRPA 天線的小型化、輕量化設計，有哪些優(yōu)化思路？ 除了天線方案，還有哪些有效的系統(tǒng)級抗干擾設計技巧？ 歡迎大家一起分享經(jīng)驗、交流討論，也希望我的分享能給正在做相關項目的朋友提供一點參考～

匠心創(chuàng)支持使用openocd進行調(diào)試嗎？ 不想用T-headgdbserve 在openocd下的調(diào)試的芯片target .cfg文件有人有沒有，不太會編寫這個東西。 我應該只缺一個target端的.cfg文件了

站在2026年回看自動駕駛發(fā)展，我們會發(fā)現(xiàn)一個很有趣的現(xiàn)象。幾年前，各家車企還在發(fā)布會上比拼誰裝的激光雷達多、誰的芯片算力強。但到了今天，大家談論的核心變成了大模型。之所以出現(xiàn)這個變化，并不是因為硬件不重要了，而是因為大家發(fā)現(xiàn)，單純靠增加傳感器和算力，并不能讓車輛像人類一樣真正學會開車。 為什么傳感器不再是唯一的主角？ 早期的自動駕駛方案非常依賴硬件的感知能力。車企希望給汽車裝上最敏銳的傳感器，通過高清攝像

近日，摩爾線程依托旗艦級AI訓推一體智算卡MTT S5000與自研MUSA軟件棧，基于SGLang 開源推理框架，成功完成DeepSeek-V4的完整運行驗證。該成果表明，面向新一代MoE大模型，摩爾線程已構(gòu)建起從硬件架構(gòu)核心計算引擎承接、熱點算子支持，再到端到端部署驗證的系統(tǒng)化適配鏈路，驗證了國產(chǎn)GPU平臺對前沿大模型“框架級兼容、開箱即落地”的承載實力及工程化落地能力。 隨著大模型架構(gòu)持續(xù)演進，DeepSeek-V4等先進模型對底層精度能力、算子覆蓋、編譯優(yōu)化、