2410启动之toc？？？

CBEMA 2009-03-17 09:59:53

不知道我对2410的启动过程理解得对不对。

上电-〉执行第0块2410bootloader（基本初始化工作，然后读取toc，获得映像文件位置，根据位置拷贝映像文件到内存，接下来执行映像文件）

我在网上看到说toc是存在于block1中的，2410bootloader通过读取第一块来获得toc，然而这个toc在我的印象中没有出现过，也重来没有把它烧写到block1中。

它来自于哪，被谁写入的block1（我的猜测：是不是在烧写2410bootloader的同时，他也跟着烧进去了）？？

...全文

185 9 打赏收藏转发到动态举报

写回复

用AI写文章

9 条回复

切换为时间正序

请发表友善的回复…

发表回复

CBEMA 2009-03-17

打赏
举报

[Quote=引用 6 楼 gooogleman 的回复:]
我上传到CSDN了。
对了，这个BSP支持网线下载，不支持USB，不过我觉得改动应该不难，参照优龙的代码来改动，至于什么TOC，里面看看代码就OK了。
公司不给上QQ的，我上MSN。

我上传到CSDN资源了，但是不知道怎么回事，估计要验证，现在还没有出来
[/Quote]

哦，谢啦！！

CBEMA 2009-03-17

打赏
举报

xajhuang 2009-03-17

打赏
举报

TOC 是 EBOOT 操作和维护的。

gooogleman 2009-03-17

打赏
举报

我上传到CSDN了。
对了，这个BSP支持网线下载，不支持USB，不过我觉得改动应该不难，参照优龙的代码来改动，至于什么TOC，里面看看代码就OK了。
公司不给上QQ的，我上MSN。

我上传到CSDN资源了，但是不知道怎么回事，估计要验证，现在还没有出来

博说医械研发 2009-03-17

打赏
举报

在EBOOT中读写TOC，如果你没写过，EBOOT会帮你写进去一个默认值。

CBEMA 2009-03-17

打赏
举报

你上qq了吗？我加不了你

gooogleman 2009-03-17

打赏
举报

晕啊，
都叫你找个可行的例子对着弄了。我们单枪匹马很难完全一条龙的。
我上传一个立宇泰的2440 的 5.0BSP给你，可以弄的。2410和它差距不大，小小动作就可以完成了。
===

CBEMA 2009-03-17

打赏
举报

也就是说在eboot传输nk之前，会先传输nk的文件信息，然后存储在第一块中，也就是说要查找nk的下载位置在bsp报的配置信息中就可以找到是吗？

我分析了一下立宇泰2410loader.bin的源代码，发现他在做完初始化工作以后就开始读取这个block1上的toc，接下来所作的就是依据toc的信息将映像文件导入ram

我现在想做的是：将nk通过usb下载到ram，再由ram导入flash。之所以一直没有启动，是不是就是因为这个toc没有被配置，导致2410loader.bin找不到nk的地址，所以.....

现在我若是以usb方式下载的话，那么这个toc应该怎么写入呢？？

gooogleman 2009-03-17

打赏
举报

TOC是 table of content的缩写

在程序中它是个结构体，用来描述nk.bin文件的一些信息。

一些变量的存储位置，一些组织结构等，、、

它是可以变动的，它不是什么实际的东西，下载nk.bin文件时候，会把文件信息读出来，存在TOC上，以后用来烧写到flash有用，

实现解析NK.bin的作用。multibin 等都要用到。

不知道我这样描述你是否明白。

我很少用nk.bin文件，这是我个人理解，说错了请指正。

内容概要：本文围绕不确定环境下的多式联运路径优化问题展开研究，提出并实现了基于AFO算法、遗传算法（GA）和粒子群优化算法（PSO）的三种智能优化方法，并借助Matlab平台完成算法编程与仿真。研究构建了考虑时间、成本、转运风险等多重不确定因素的路径优化模型，系统比较了AFO、GA、PSO三种算法在收敛速度、全局寻优能力和稳定性方面的表现，同时引入Matlab自带的全局优化搜索器作为基准对照，深入分析各算法在复杂物流网络中的适用边界与性能差异。研究表明，AFO算法在解决此类组合优化问题时展现出更快的收敛效率和更强的局部规避能力。; 适合人群：具备一定Matlab编程基础与运筹优化知识，从事物流工程、交通运输规划、智能算法开发等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标：①应用于多式联运、综合货运网络中的路径决策支持系统构建；②为不确定性条件下复杂路径规划问题提供智能算法选型依据与技术实现方案；③支持科研人员复现主流优化算法并开展横向性能对比实验，推动算法改进与实际落地。; 阅读建议：建议读者结合提供的Matlab代码逐模块分析算法实现流程，重点理解目标函数设计、约束条件处理及参数敏感性分析部分，可通过调整问题规模与算法参数进行对比实验，进一步拓展至动态路径规划或大规模网络优化等延伸场景。

科易网基于40亿+科创知识图谱数据库，深度探索AI技术在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，研究科技创新领域的AI+数智化解决方案，推动科技创新与产业创新智能化发展。

高校技术转移办公室人员如何借助科技创新大脑打通产学研合作？

内容概要：本文研究了基于QLearning自适应强化学习的PID控制器在自主水下航行器（AUV）运动控制中的应用，通过Matlab代码实现了控制算法的仿真验证。该方法融合强化学习的在线自适应能力与传统PID控制的稳定性优势，利用QLearning算法动态优化PID控制器的比例、积分、微分参数，以应对水下复杂流体环境、模型不确定性及外部干扰等挑战，从而提升AUV轨迹跟踪的精度、鲁棒性与动态响应性能。文中系统阐述了AUV的六自由度非线性动力学建模过程、QLearning算法的状态空间与动作空间设计、奖励函数构造及训练机制，并详细说明了PID参数自整定的闭环控制架构。仿真结果表明，相较于传统固定参数PID控制器，该智能控制策略在多种工况下均展现出更优的控制效果，有效抑制了超调，加快了响应速度，并增强了抗干扰能力。; 适合人群：具备自动控制理论、强化学习基础及Matlab/Simulink仿真能力，从事水下机器人、智能控制、海洋工程、自动化等领域的研究生、科研人员及工程技术人员。; 使用场景及目标：①应用于AUV、UUV等无人水下平台的高精度自主导航与运动控制；②为解决非线性、强耦合、时变系统的控制器参数自适应整定问题提供智能化解决方案；③作为强化学习与经典控制理论深度融合的技术范例，推动智能控制算法在海洋装备中的工程化应用。; 阅读建议：建议读者结合提供的Matlab代码深入理解算法实现细节，重点剖析QLearning的状态-动作-奖励机制设计、PID参数更新逻辑及仿真对比实验结果，有条件者可在更复杂的动力学模型或实际硬件平台上进一步验证与优化算法性能。