arm公司的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

基於STM32的嵌入式系統應用

為了解決arm公司的問題，作者孫光 這樣論述：

本書介紹了意法半導體公司出品的基於Arm Cortex-M3內核的STM32F103微控制器在工程實踐中的應用。 全書分為基礎篇和應用篇。基礎篇介紹了嵌入式系統的基本概念、實訓使用的軟硬體平臺、STM32的標準外設庫、嵌入式C語言程式設計的特點、STM32系統時鐘、彩色LCD顯示基礎、字元編碼和顯示字形檔等內容；應用篇依託STM32微控制器的主要外設、常用週邊器件以及典型應用等設計了11個實訓專案。 本書適合作為高職院校電子與控制類專業“嵌入式系統應用”等相關課程的教材，也可以作為工程技術人員學習STM32微控制器程式設計的快速入門參考書。 孫光，深圳職業技術學院電信學

院副教授，畢業于武漢大學電氣工程學院，碩士學位，長期從事嵌入式系統應用開發，具有豐富的企業經驗。教學資源庫嵌入式技術教材組核心成員。 基礎篇 第1章 專題1——嵌入式系統概述　2 1．1　從單片機到嵌入式系統　2 1．2　精簡指令集電腦與複雜指令集電腦　3 1．3　普林斯頓結構和哈佛結構　3 1．4　Arm公司及其微處理器　4 1．5　Arm Cortex系列處理器　5 1．6　STM32F103系列微控制器　8 第2章 專題2——實訓專案使用的軟硬體平臺　11 2．1　實訓專案使用的軟體整合式開發環境　11 2．2　實訓專案使用的模擬器　13 2．2．1　模擬器分類　1

3 2．2．2　JTAG和SWD介面　13 2．3　實訓專案使用的目標板　15 2．4　實訓專案使用的帆板角度測量與控制裝置　15 第3章　專題3——CMSIS與STM32標準外設庫　17 3．1　Arm Cortex微控制器軟體介面標準CMSIS　17 3．2　關於STM32的標準外設庫　18 3．3　STM32標準外設庫的命名規則　23 第4章　專題4——STM32嵌入式C語言程式設計的特點　26 4．1　巨集指令的使用及其意義　26 4．2　STM32嵌入式C語言程式設計中幾個重要關鍵字　28 4．3　STM32嵌入式C語言程式設計的基底資料型別　30 4．4　結構體與指標　32 4

．5　枚舉　33 4．6　C語言程式設計的代碼格式　34 第5章　專題5——STM32F10x微控制器的系統時鐘　36 5．1　STM32F10x微控制器系統時鐘的基本結構　36 5．2　STM32F10x微控制器的時鐘源與配置路徑　37 5．3　STM32F10x微控制器的匯流排時鐘　40 5．4　STM32F10x微控制器系統時鐘與外設時鐘的配置方法　40 5．4．1　STM32F10x微控制器系統時鐘的配置函數　40 5．4．2　STM32F10x微控制器外設時鐘的控制　41 第6章　專題6——彩色LCD顯示　42 6．1　彩色LCD顯示與控制的基本原理　42 6．2　彩色LCD顯示

器的圖形顯示方法　43 6．3　彩色圖片轉換成C語言陣列檔的方法　44 第7章　專題7——字元編碼與顯示字形檔　46 7．1　ASCII編碼　46 7．2　中文字元編碼　51 7．3　字元在彩色LCD螢幕上的顯示　52 7．4　顯示字形檔與字元編碼的關係　54 應用篇 第8章　實訓項目1——LED閃爍　58 8．1　相關知識　58 8．2　專案實施　59 8．2．1　在MDK開發環境中新建專案　59 8．2．2　MDK工程項目配置　62 8．2．3　編譯並下載運行　66 第9章　實訓專案2——按鍵控制LED亮滅　67 9．1　相關知識　67 9．1．1　STM32F103微控制器通用輸

入/輸出埠GPIO的基本結構　67 9．1．2　GPIO的工作模式　68 9．1．3　GPIO埠程式設計涉及的標準外設庫函數　69 9．2　專案實施　70 9．2．1　硬體電路實現　70 9．2．2　程式設計思路　70 9．2．3　程式碼分析　71 9．3　拓展專案——按鍵控制LED閃爍頻率　75 9．3．1　專案內容　75 9．3．2　項目提示　75 第10章 實訓專案3——按鍵控制LED閃爍頻率（外部中斷）　76 10．1　相關知識　76 10．1．1　STM32F103微控制器的中斷系統　76 10．1．2　STM32F103微控制器的外部中斷　80 10．1．3　外部中斷程式設計涉及

的標準外設庫函數　81 10．2　專案實施　81 10．2．1　硬體電路設計　81 10．2．2　程式設計思路　82 10．2．3　程式碼分析　82 10．3　拓展專案——LED顯示與按鍵動作的同步　88 10．3．1　專案內容　88 10．3．2　項目提示　88 第11章 實訓專案4——彩色LCD顯示圖片與文字　89 11．1　相關知識　89 11．1．1　STM32F103微控制器的FSMC　89 11．1．2　FSMC程式設計涉及的標準外設庫函數　92 11．1．3　彩色LCD的驅動　92 11．2　專案實施　93 11．2．1　硬體電路設計　93 11．2．2　程式碼分析　93 11

．3　拓展專案——按鍵控制字串移動　98 11．3．1　專案內容　98 11．3．2　項目提示　98 第12章 實訓專案5——按鍵控制LED閃爍頻率（計時器中斷）　99 12．1　相關知識　99 12．1．1　STM32F103微控制器的計時器資源　99 12．1．2　STM32F103微控制器的通用計時器　100 12．1．3　通用計時器程式設計涉及的STM32標準外設庫函數　101 12．2　專案實施　101 12．2．1　硬體電路實現　101 12．2．2　程式設計思路　101 12．2．3　程式碼分析　102 12．3　拓展項目——LED1呼吸燈（計時器中斷）　107 12．3．1　

專案內容　107 12．3．2　項目提示　107 第13章 實訓專案6——風扇轉速的PWM控制　108 13．1　相關知識　108 13．1．1　脈衝寬度調製的基本原理　108 13．1．2　四線制直流風扇的控制方法　108 13．1．3　STM32通用計時器的PWM　109 13．1．4　STM32引腳的重映射　110 13．1．5　通用計時器PWM輸出程式設計涉及的標準外設庫函數　110 13．2　專案實施　110 13．2．1　硬體電路設計　110 13．2．2　程式設計思路　111 13．2．3　程式碼分析　111 第14章 實訓項目7——帆板角度與晶片溫度檢測　116 14．1　

相關知識　116 14．1．1　電阻式角度感測器的原理　116 14．1．2　類比/數位轉換的過程　116 14．1．3　類比數位轉換的技術指標　118 14．1．4　逐次逼近型A/D轉換器　118 14．1．5　STM32微控制器的類比數位轉換器ADC　120 14．1．6　ADC程式設計涉及的標準外設庫函數　121 14．2　專案實施　122 14．2．1　硬體電路設計　122 14．2．2　程式設計思路　122 14．2．3　程式碼分析　123 14．3　拓展專案——利用規則通道檢測晶片溫度與內部參考電壓　129 14．3．1　專案要求　129 14．3．2　項目提示　129 第15章

實訓專案8——帆板角度與晶片溫度檢測（DMA方式）　130 15．1　相關知識　130 15．1．1　DMA的基本概念　130 15．1．2　STM32F103ZE微控制器的DMA　131 15．1．3　DMA程式設計涉及的標準外設庫函數　134 15．2　專案實施　135 15．2．1　硬體電路設計　135 15．2．2　程式設計思路　135 15．2．3　程式碼分析　135 15．3　拓展專案——記憶體到記憶體（M2M）資料傳輸　140 15．3．1　專案內容　140 15．3．2　項目提示　140 第16章 實訓專案9——串列通信控制風扇轉速並獲取帆板角度　142 16．1　相關知識

　142 16．1．1　非同步串列通信　142 16．1．2　STM32的通用同步/非同步收發器（USART）　143 16．1．3　STM32的USART程式設計涉及的標準外設庫函數　144 16．2　專案實施　144 16．2．1　硬體電路設計　144 16．2．2　程式設計思路　145 16．2．3　串列通信協定　145 16．2．4　程式碼分析　146 16．2．5　使用串口調試助手進行操作　151 16．3　拓展專案——串口採用DMA方式發送字元　152 16．3．1　專案要求　152 16．3．2　項目提示　152 第17章 實訓專案10——Wi-Fi控制風扇轉速並獲取帆板角度　

154 17．1　相關知識　154 17．1．1　ISO/OSI參考模型與TCP/IP協定　154 17．1．2　TCP/IP相關知識點　155 17．1．3　Wi-Fi及其三種工作模式　156 17．1．4　Wi-Fi模組ESP8266　156 17．1．5　ESP8266模組的控制指令　157 17．2　專案實施　158 17．2．1　硬體電路設計　158 17．2．2　程式設計思路　159 17．2．3　程式碼分析　159 17．2．4　使用手機端“網路調試助手”App進行遙控操作　167 第18章 實訓項目11——基於STM32的物聯網雲平臺溫度檢測　169 18．1　相關知識　16

9 18．1．1　雲服務及其分類　169 18．1．2　物聯網雲平臺　171 18．1．3　中國移動物聯網雲平臺OneNET　171 18．1．4　資料傳輸過程　172 18．1．5　本專案使用的ESP8266模組控制指令　174 18．2　專案實施　175 18．2．1　在OneNET雲平臺上搭建設備和應用　175 18．2．2　程式設計思路　184 18．2．3　程式碼分析　184 18．2．4　在桌面端或手機端觀察雲平臺的溫度資料　189

arm公司進入發燒排行的影片

Nvidia 併購ARM的動態競爭研究

為了解決arm公司的問題，作者鄭家修 這樣論述：

2021年全球半導體市場全年總銷售值達5559億美元，全球受新冠疫情影響，供應鏈短缺與在家工作需求量大增。此外受惠於全球5G快速發展與建置、車用市場復甦，相應的晶片需求也大量增加。全球半導體品牌大廠，包括英特爾(Intel)、美光(Micron)、超微(AMD)、輝達(Nvidia)等等皆是美系大廠，影響力超越50%，相關的一舉一動也被全球關注。2020年9月IC 設計大廠Nvidia在市場投下了震撼彈，宣布將併購軟銀集團旗下的安謀控股公司(ARM Holdings plc.)。過去論文主要討論垂直併購績效與實質影響，但鮮少討論雙方在併購中動態競爭與互動的關係，因此本研究以動態競爭觀點，並納

入各國政府對併購判決與調查，最終分析此次併購案。本研究發現Nvidia與ARM在合併前具有不同終端市場，一方為圖形運算與AI計算產品，一方為手機與伺服器架構商品。隨著科技進步，Nvidia將事業版圖伸向CPU市場，希望能透過併購快速補足公司在CPU專利與技術上的不足，根據模型，合併後與競爭對手Intel資源相似性將大幅提高，能大幅追上。然而，隨著政府針對違反公平交易法的調查，美國、歐盟、英國與中國等等國家相繼出手阻止與調查，最終併購案並未通過。因此本研究最後以AMC分析法探討後續Nvidia是否會加入商業聯盟來入股ARM。本研究參考ASML的例子來探討上游供應商的持股問題，認為極有可能以此方式

進行下步動作。

基於瀏覽器的深度學習

為了解決arm公司的問題，作者（法）澤維爾·布里 這樣論述：

本書是一本在流覽器中進行深度學習應用的入門實踐指南，主要內容包括神經網路架構、主流的JavaScript深度學習框架、深度學習的JavaScript基礎、基於web GL的加速、流覽器上的資料提取和資料操作，以及TensorFlow.js實踐應用。每章都配有完整的代碼示例和視覺化效果，輕鬆易學。書中還詳細介紹TensorFlow.js中的重要模組tfjs-core、tfjs-layers、tfjs-node和tfjs-converter等。   全書共8章，第1章主要介紹深度學習相關的數學知識、概念及架構；第2章介紹在深度學習應用中常用的深度學習架構；第3章介紹用在流覽器上的三種不同JavaS

cript深度學習框架，即TensorFlow.js、WebDNN和Keras.js；第4章介紹在流覽器和Node.js中運行深度學習框架的JavaScript基礎；第5章介紹如何將深度學習操作映射到GPU，並展示如何用WebGL實現神經網路；第6章介紹如何從流覽器提取資料，如從URL載入圖片資料、從網路攝像頭解析幀資料，或者從手機解析資料；第7章給出一些在流覽器中運算元據的實用方法；第8章通過一些小專案詳細闡釋TensorFlow.js實踐細節。 賽維爾·布里（Xavier Bourry）是創業公司Jeeliz的聯合創始人和CTO，專注於深度學習。他使用WebGLAPI開

發了基於GPU的深度學習引擎，其性能比tfjs高，能夠用於即時視頻處理。 佐佐木凱（Ka iSasaki）是Arm公司的高級軟體工程師，還是Apache Hivemall Committer。他擅長Web和資料處理平臺，在使用APNS與GCM開發和維護通知平臺、開發Hadoop和Storm等資料處理平臺、開發／維護Presto集群等方面有豐富的經驗。 　　 克裡斯托夫·科納（Christoph Korner）是微軟公司大資料和人工智慧專家，之前是T-Mobile Austria的大資料技術主管、Kaggle Vienna機器學習社區的會議組織者。除本書外，他還著有《Learning Res

ponsive Data Visualization》《Data Visualization with D3 and AngularjS》等。 　　 中野禮·郎（Reiichiro Nakano）是Infostellar公司的軟體發展工程師，專注於機器學習。 譯者序 前言 第 1 章 深度學習. . . . . . . . . . . . . . . . . . . . . . .1 1.1 深度神經網路的數學基礎 . . . . 1 1.1.1 感知機||門控線性回歸 . . . . 2 1.1.2 多層感知機. . . . . . . . . . . . . . . .

.5 1.1.3 卷積和池化. . . . . . . . . . . . . . . . .5 1.1.4 啟動函數 . . . . . . . . . . . . . . . . . . . 7 1.2 深度神經網路的訓練. . . . . . . .11 1.2.1 損失函數的重要性 . . . . . . . . . 12 1.2.2 正則化 . . . . . . . . . . . . . . . . . . . .12 1.2.3 反向傳播演算法 . . . . . . . . . . . . . 13 1.2.4 優化方法. . . . . . . . . . . . . .

. . . .13 1.3 本章小結. . . . . . . . . . . . . . . . . . . .14 第 2 章 神經網路架構. . . . . . . . . . . . . . . . .15 2.1 卷積神經網路 . . . . . . . . . . . . . . . 15 2.1.1 AlexNet . . . . . . . . . . . . . . . . . . 16 2.1.2 GoogLeNet. . . . . . . . . . . . . . . .17 2.1.3 ResNet . . . . . . . . . . . . . . . .

. . . 18 2.1.4 SqueezeNet . . . . . . . . . . . . . . . 19 2.2 迴圈神經網路 . . . . . . . . . . . . . . . 22 2.2.1 LSTM . . . . . . . . . . . . . . . . . . . 23 2.2.2 GRU . . . . . . . . . . . . . . . . . . . . .24 2.3 深度強化學習 . . . . . . . . . . . . . . . 25 2.4 本章小結. . . . . . . . . . . . . . . . . . . .

28 第 3 章 JavaScript 深度學習框架 . . . . 29 3.1 TensorFlow.js . . . . . . . . . . . . . . .29 3.1.1 TensorFlow.js 介紹 . . . . . . . . 30 3.1.2 XOR 問題 . . . . . . . . . . . . . . . . 30 3.1.3 解決 XOR 問題 . . . . . . . . . . . 32 3.1.4 網路架構. . . . . . . . . . . . . . . . . .37 3.1.5 張量 . . . . . . . . . . . .

. . . . . . . . . . 39 3.1.6 張量操作. . . . . . . . . . . . . . . . . .40 3.1.7 模型訓練. . . . . . . . . . . . . . . . . .43 3.1.8 TensorFlow.js 的生態 . . . . . . 46 3.2 WebDNN . . . . . . . . . . . . . . . . . . . 48 3.3 Keras.js . . . . . . . . . . . . . . . . . . . . 51 3.4 本章小結. . . . . . . . . . . . .

. . . . . . .52 第 4 章 深度學習的 JavaScript 基礎 . . . . . . . . . . . . . . . . . . . . . . . . . . 53 4.1 JavaScript 中的TypedArray . . . . . . . . . . . . . . . . 53 4.1.1 ArrayBu.er . . . . . . . . . . . . . . 55 4.1.2 DataView . . . . . . . . . . . . . . . . 56 4.2 JavaScript 中的併發 . . . . . . . . 58 4

.2.1 JavaScript 的事件迴圈 . . . . . 58 4.2.2 用 Promise 創建一個非同步函數 . . . . . . . . . . . . . . . . . .59 4.2.3 使用新的async/await語法 . . . . . . . . . . . . . . . . . . . . . . 61 4.2.4 多執行緒使用 WebWorker . . . 64 4.2.5 深度學習應用程式的處理迴圈 . . . . . . . . . . . . . . . . . .66 4.3 在 CPU/GPU 上載入資源 . . . . . . . . . .

. . . . . . . . . . . . . . 66 4.3.1 Fetch API . . . . . . . . . . . . . . . . 67 4.3.2 標籤編碼. . . . . . . . . . . . . . . . . .69 4.3.3 one-hot 編碼 . . . . . . . . . . . . . . 69 4.4 本章小結. . . . . . . . . . . . . . . . . . . .70 第 5 章 基於 WebGL 的 GPU加速 . . . . . . . . . . . . . . . . . . . . . . . .

. . 73 5.1 WebGL 基礎 . . . . . . . . . . . . . . . . 74 5.1.1 WebGL 工作流程 . . . . . . . . . . 76 5.1.2 片段著色器渲染 . . . . . . . . . . . 78 5.2 WebGL 實現常規計算 . . . . . . 85 5.2.1 調試 WebGL . . . . . . . . . . . . . 86 5.2.2 渲染紋理. . . . . . . . . . . . . . . . . .87 5.2.3 精度重要性. . . . . . . . . . . . . . . .

92 5.2.4 優化器 . . . . . . . . . . . . . . . . . . . .94 5.2.5 GLSL 開發. . . . . . . . . . . . . . . .95 5.2.6 浮點型的特殊性 . . . . . . . . . . . 95 5.2.7 從 CPU 流向 GPU，反之亦然 . . . . . . . . . . . . . . . . . .99 5.3 使用紋理和著色器的矩陣計算 . . . . . . . . . . . . . . . . . . 101 5.3.1 標準的矩陣加法 . . . . . . . . . . 101 5

.3.2 標準的矩陣乘法 . . . . . . . . . . 102 5.3.3 啟動函數應用 . . . . . . . . . . . . 103 5.3.4 運用WGLMatrix庫 . . . . . . . . . 104 5.4 手寫數位識別應用 . . . . . . . . . 105 5.4.1 資料編碼 . . . . . . . . . . . . . . . . 105 5.4.2 記憶體優化 . . . . . . . . . . . . . . . . 105 5.4.3 前向傳播 . . . . . . . . . . . . . . . . 107 5.4.

4 第一次嘗試 . . . . . . . . . . . . . . 107 5.4.5 優化性能 . . . . . . . . . . . . . . . . 108 5.5 本章小結 . . . . . . . . . . . . . . . . . . 109 第 6 章 從流覽器中提取資料 . . . . . . . . 111 6.1 載入圖像資料. . . . . . . . . . . . . .112 6.1.1 從圖像中提取圖元 . . . . . . . . 112 6.1.2 載入遠端資源 . . . . . . . . . . . . 114 6.1.3 獲取二進

位塊 . . . . . . . . . . . . 116 6.2 將圖元資料渲染到螢幕上 . . 117 6.2.1 顯示圖片 . . . . . . . . . . . . . . . . 118 6.2.2 將圖元資料渲染到畫布 . . . . 119 6.2.3 插值圖像資料 . . . . . . . . . . . . 122 6.2.4 在畫布上繪製形狀 . . . . . . . . 124 6.3 訪問相機、麥克風和揚聲器. . . . . . . . . . . . . . . . . . . . .126 6.3.1 從網路攝像頭捕獲圖像 . . . . 126 6.3

.2 用麥克風錄音 . . . . . . . . . . . . 128 6.3.3 載入、解碼和播放聲音 . . . . 130 6.4 深度學習框架中的實用工具. . . . . . . . . . . . . . . . . . .131 6.4.1 TensorFlow.js . . . . . . . . . . . 131 6.4.2 Keras.js . . . . . . . . . . . . . . . . . 133 6.4.3 WebDNN . . . . . . . . . . . . . . . 133 6.5 本章小結 . . . . . . . . . . .

. . . . . . . 135 第 7 章 高級資料操作的方法 . . . . . . . . 137 7.1 反序列化 Protobuf . . . . . . . . 138 7.1.1 解析 Caffe 模型參數 . . . . . . 139 7.1.2 解析 TensorFlow 圖. . . . . . .141 7.1.3 浮點精度的注意事項 . . . . . . 142 7.2 用 Chart.js 繪製圖表. . . . . . .143 7.2.1 探索不同的圖表類型 . . . . . . 144 7.2.2 配置資料集 . . . . . . . . . .

. . . . 146 7.2.3 更新值. . . . . . . . . . . . . . . . . . .147 7.2.4 選項和配置概述 . . . . . . . . . . 150 7.3 用畫布畫草圖. . . . . . . . . . . . . .153 7.3.1 在畫布上繪圖 . . . . . . . . . . . . 154 7.3.2 提取筆劃 . . . . . . . . . . . . . . . . 158 7.4 從麥克風計算頻譜圖. . . . . . .159 7.5 人臉檢測與跟蹤 . . . . . . . . . . . 162 7.5

.1 用 Jeeliz FaceFilter跟蹤人臉. . . . . . . . . . . . . . . . .162 7.5.2 使用 tracking.js 跟蹤人臉 . . . . . . . . . . . . . . . . . . . . . 163 7.5.3 Chrome 中人臉檢測的原生支持. . . . . . . . . . . . . . . . .165 7.6 本章小結 . . . . . . . . . . . . . . . . . . 167 第 8 章 基於 TensorFlow.js構建應用 . . . . . . . . . . . . . .

. . . . . . 169 8.1 TensorFlow.js 實現手勢識別. . . . . . . . . . . . . . . . . . .169 8.1.1 演算法解說 . . . . . . . . . . . . . . . . 170 8.1.2 TensorFlow.js 專案準備 . . . 171 8.1.3 產生實體 KNN 圖像分類器 . . . . . . . . . . . . . . . . . . . . . 172 8.1.4 TensorFlow.js 反覆運算訓練 . . . 173 8.1.5 小結. . . . . . . . . . . .

. . . . . . . . .176 8.2 TensorFlow.js 實現文本生成 . . . . . . . . . . . . . . . . . . . . . . . 176 8.2.1 演算法解說 . . . . . . . . . . . . . . . . 176 8.2.2 Keras 模型 . . . . . . . . . . . . . . .177 8.2.3 將 Keras 模型轉換為TensorFlow.js 模型 . . . . . . . 178 8.2.4 專案準備 . . . . . . . . . . . . . . . . 178 8.2.5 在

TensorFlow.js 中導入Keras 模型 . . . . . . . . . . . . . . 179 8.2.6 TensorFlow.js 反覆運算訓練 . . . 179 8.2.7 構造模型輸入 . . . . . . . . . . . . 181 8.2.8 模型預測 . . . . . . . . . . . . . . . . 183 8.2.9 模型輸出抽樣 . . . . . . . . . . . . 184 8.2.10 小結. . . . . . . . . . . . . . . . . . . .186 8.3 TensorFlow.js 實現圖像降

噪. . . . . . . . . . . . . . . . . . .186 8.3.1 演算法解說 . . . . . . . . . . . . . . . . 187 8.3.2 將 Keras 模型轉換為TensorFlow.js 模型 . . . . . . . 188 8.3.3 專案準備 . . . . . . . . . . . . . . . . 189 8.3.4 初始化. . . . . . . . . . . . . . . . . . .190 8.3.5 應用流程 . . . . . . . . . . . . . . . . 190 8.3.6 載入測試數位

圖片 . . . . . . . . 191 8.3.7 更新雜訊 . . . . . . . . . . . . . . . . 193 8.3.8 生成變形圖片 . . . . . . . . . . . . 194 8.3.9 圖片降噪 . . . . . . . . . . . . . . . . 195 8.3.10 初始化函數 . . . . . . . . . . . . . 196 8.3.11 小結. . . . . . . . . . . . . . . . . . . .197 8.4 本章小結 . . . . . . . . . . . . . . . . . . 19

7 8.5 最後結論 . . . . . . . . . . . . . . . . . . 198

開源碼RISC-V處理器的SD Card檔案系統支援及FreeRTOS下的整合設計

為了解決arm公司的問題，作者紀人祐 這樣論述：

過去十多年，ARM核心隨著智慧手機的興起成為嵌入式系統處理器的主流。但由於ARM公司對市場技術的嚴格掌控，學界和業界便合力推行新的RISC-V指令集，以其開源特性、精簡架構、和模組化與可擴充的優勢，在全球市場已經造成風潮。本論文的研究方向主要在於擴展本實驗室所開發的開源RISC-V 32位元處理器Aquila的軟體支援度，我們將在Aquila SoC系統上加上Xilinx AXI Quad SPI IP，並實作支援FAT32檔案系統的軟體程式庫，透過讀寫IP的暫存器讓SPI IP與SD Card 內建的I/O控制器溝通，使軟體可以對SD Card進行讀寫，並支援FAT32檔案系統。另外，我們

也修改Aquila核心，以增加支援RTOS kernel的指令及中斷機制。在本論文中，我們使用的是FreeRTOS即時作業系統。這個RTOS廣泛應用於IoT，適合低功耗、低成本的嵌入式系統使用。在成果的驗證上，我們整合了FreeRTOS+FAT32檔案系統模組，並實作了 on-chip的 boot code，使得Aquila SoC可以成為一個獨立的 turnkey系統。在開機後，系統會從FAT32格式的SD卡上讀取FreeRTOS應用的系統ELF檔，並下載到DDR3主記憶體中開始執行以啟動系統。在論文的實驗部份，我們會在Xilinx KC-705 開發板上合成全系統，評估SD Card的讀寫

效能，以及實驗在FreeRTOS下Context Switch的效率。