小鹰锐视-嵌入式开发 二面 面经

1. 简单介绍一下你自己和你最擅长的技术领域

参考答案

面试官您好，我是 XXX。我主要的技术方向是嵌入式系统开发，有两年多的项目经验。

我最擅长的是 STM32 的开发和 Linux 系统编程。

STM32 方面：

• 熟悉各种外设的使用，包括 GPIO、定时器、UART、SPI、I2C、ADC、DMA 等
• 做过多个基于 STM32 的项目，从底层驱动到应用逻辑都有涉及
• 对 FreeRTOS 比较熟悉，能够设计合理的任务架构，处理好任务间的同步和通信

Linux 方面：

• 熟悉系统编程，包括进程线程管理、网络编程、文件 IO 等
• 做过高性能服务器项目，对 epoll、多线程、性能优化有深入理解
• 了解一些 Linux 内核的知识，比如虚拟内存、进程调度等

我对嵌入式系统的底层原理很感兴趣，喜欢深入研究技术细节，解决复杂的技术问题。希望能在贵公司继续深入学习和成长。

2. 说说你对 DMA 的理解，DMA 的工作原理是什么？在什么场景下使用 DMA？使用时要注意什么？

参考答案

DMA 基本概念：

DMA 是 Direct Memory Access（直接内存访问），允许外设直接访问内存，不需要 CPU 干预。

• 传统 IO 方式：CPU 从外设读数据到寄存器，再写入内存，CPU 全程参与，效率低
• DMA 方式：CPU 配置好 DMA 控制器后，DMA 控制器接管总线，直接在外设和内存之间传输数据，传输完成后通过中断通知 CPU

DMA 工作原理：

1. CPU 配置 DMA 控制器，包括源地址、目标地址、传输大小、传输方向、优先级等
2. 启动 DMA 后，DMA 控制器向总线仲裁器请求总线使用权
3. 获得总线后开始传输数据，每传输一个数据，地址指针自动递增或递减
4. 传输完成后，DMA 控制器触发中断，通知 CPU

DMA 传输模式：

• 外设到内存 (P2M)：UART 接收、ADC 采样
• 内存到外设 (M2P)：UART 发送、DAC 输出
• 内存到内存 (M2M)：内存拷贝

DMA 的优势：

释放 CPU，提高系统吞吐量，特别适合大量数据传输的场景：

• UART 高速收发：DMA 可以在后台接收数据，不需要 CPU 轮询或频繁中断
• SPI 传输大量数据：用 DMA 可以提高速度
• ADC 连续采样：用 DMA 可以自动存储采样结果

使用 DMA 的注意事项：

1. Cache 一致性如果 MCU 有 Cache，DMA 直接访问物理内存，绕过了 Cache，可能导致数据不一致发送数据前要 flush Cache，确保数据写入内存接收数据后要 invalidate Cache，确保 CPU 读到最新数据
2. 内存对齐DMA 通常要求数据地址和大小对齐，比如 4 字节或 32 字节对齐不对齐可能导致传输失败或效率低
3. 内存区域有些 DMA 控制器只能访问特定的内存区域比如 STM32 的 DMA 不能访问 CCM（Core Coupled Memory），要用 SRAM
4. 并发访问DMA 传输期间不能修改缓冲区，要用标志或信号量同步DMA 传输完成会触发中断，中断处理函数中要检查传输状态，处理错误
5. 循环模式DMA 支持循环模式，传输完成后自动重新开始，适合连续采集场景使用双缓冲可以避免数据覆盖，一个缓冲区 DMA 写入，另一个缓冲区 CPU 处理

项目经验：

在我的项目中，我用 DMA 实现了 UART 的高速收发，接收速率达到了几百 KB/s，CPU 占用率很低。还用 DMA 实现了 ADC 的连续采样，配合定时器触发，实现了高精度的数据采集。

3. 说说你对 PID 控制算法的理解，PID 的三个参数分别起什么作用？如何调参？

参考答案

PID 基本概念：

PID 是比例-积分-微分控制算法，是工业控制中最常用的算法。PID 控制器根据误差计算控制量，使系统输出接近期望值。

PID 数学表达式：

u(t) = Kp * e(t) + Ki * ∫e(t)dt + Kd * de(t)/dt

其中：

• e(t) 是误差，等于期望值减去实际值
• u(t) 是控制量
• Kp、Ki、Kd 是三个参数

三个参数的作用：

1. 比例 P 项：Kp * e(t)与当前误差成正比作用：快速响应误差，误差越大，控制量越大缺点：单纯的 P 控制会有稳态误差，无法完全消除误差Kp 太大会导致超调和振荡，太小响应慢
2. 积分 I 项：Ki * ∫e(t)dt是误差的累积作用：消除稳态误差，只要有误差，积分项就会不断累积，直到误差为零缺点：会导致超调，响应变慢Ki 太大会导致振荡，太小消除误差慢
3. 微分 D 项：Kd * de(t)/dt是误差的变化率作用：预测误差的趋势，提前调整，减少超调，加快响应缺点：对噪声敏感，噪声会导致微分项剧烈变化Kd 太大会放大噪声，太小抑制超调效果不明显

离散化 PID 算法实现：

float pid_control(float setpoint, float measured_value) {
    static float integral = 0;
    static float prev_error = 0;
    
    float error = setpoint - measured_value;
    
    // 比例项
    float p_term = Kp * error;
    
    // 积分项
    integral += error * dt;
    // 积分限幅，防止积分饱和
    if (integral > integral_max) integral = integral_max;
    if (integral < integral_min) integral = integral_min;
    float i_term = Ki * integral;
    
    // 微分项
    float derivative = (error - prev_error) / dt;
    float d_term = Kd * derivative;
    
    prev_error = error;
    
    // 控制量
    float output = p_term + i_term + d_term;
    
    // 输出限幅
    if (output > output_max) output = output_max;
    if (output < output_min) output = output_min;
    
    return output;
}

PID 调参方法：

1. 经验法先设置 Ki=0，Kd=0，只调 Kp观察响应，逐渐增大 Kp 直到出现振荡，然后减小到振荡消失再加入 Ki，消除稳态误差最后加入 Kd，减少超调
2. Ziegler-Nichols 法先设置 Ki=0，Kd=0，增大 Kp 直到系统持续振荡记录临界增益 Ku 和振荡周期 Tu根据公式计算： Kp = 0.6 * KuKi = 1.2 * Ku / TuKd = 0.075 * Ku * Tu
3. 试凑法如果响应慢，增大 Kp如果有稳态误差，增大 Ki如果超调大，增大 Kd 或减小 Kp如果振荡，减小 Kp 和 Ki

实际应用注意事项：

• 积分饱和：积分项累积过大，导致系统响应变慢，可以用积分限幅或积分分离解决
• 微分噪声：可以用低通滤波或不完全微分解决

项目经验：

我在项目中用 PID 实现过温度控制，通过调节加热功率，使温度稳定在设定值。经过调参，温度波动控制在 ±0.5℃ 以内，效果很好。

4. 说说你对卡尔曼滤波的理解，卡尔曼滤波解决什么问题？基本原理是什么？

参考答案

卡尔曼滤波基本概念：

卡尔曼滤波是一种最优估计算法，用于从含有噪声的测量数据中估计系统的状态。它广泛应用于导航、目标跟踪、传感器融合等领域。

解决的问题：

系统的状态无法直接测量，只能通过含有噪声的传感器间接测量。比如：

• 飞机的位置和速度：GPS 测量有误差，加速度计积分也有误差
• 卡尔曼滤波融合多个传感器的数据，给出最优估计

基本原理：

假设系统的状态转移和测量过程都是线性的，噪声是高斯白噪声。通过预测和更新两个步骤，递推地估计系统状态。

预测步骤：

根据系统模型预测下一时刻的状态和协方差：

状态预测：x_pred = A * x + B * u
协方差预测：P_pred = A * P * A^T + Q

其中：

• x 是状态
• A 是状态转移矩阵
• B 是控制输入矩阵
• u 是控制输入
• P 是协方差矩阵
• Q 是过程噪声协方差

更新步骤：

根据测量值更新状态估计：

计算卡尔曼增益：K = P_pred * H^T * (H * P_pred * H^T + R)^(-1)
状态更新：x = x_pred + K * (z - H * x_pred)
协方差更新：P = (I - K * H) * P_pred

其中：

• z 是测量值
• H 是测量矩阵
• R 是测量噪声协方差
• K 是卡尔曼增益

卡尔曼增益决定了预测值和测量值的权重：

• 如果测量噪声小，K 大，更相信测量值
• 如果过程噪声小，K 小，更相信预测值

简化的一维卡尔曼滤波示例：

typedef struct {
    float x;  // 状态估计
    float P;  // 估计协方差
    float Q;  // 过程噪声协方差
    float R;  // 测量噪声协方差
} KalmanFilter;

void kalman_init(KalmanFilter *kf, float Q, float R) {
    kf->x = 0;
    kf->P = 1;
    kf->Q = Q;
    kf->R = R;
}

float kalman_update(KalmanFilter *kf, float measurement) {
    // 预测
    // x_pred = x (假设状态不变)
    float P_pred = kf->P + kf->Q;
    
    // 更新
    float K = P_pred / (P_pred + kf->R);  // 卡尔曼增益
    kf->x = kf->x + K * (measurement - kf->x);
    kf->P = (1 - K) * P_pred;
    
    return kf->x;
}

优缺点：

• 优点：计算量小，适合实时系统，能够融合多个传感器的数据，给出最优估计
• 缺点：只适用于线性系统和高斯噪声，对于非线性系统需要用扩展卡尔曼滤波 (EKF) 或无迹卡尔曼滤波 (UKF)

应用场景：

• 姿态估计：融合加速度计和陀螺仪的数据，得到准确的姿态角
• GPS 和 IMU 融合：提高定位精度

项目经验：

我在项目中用卡尔曼滤波处理过传感器数据，滤除了噪声，提高了测量精度。虽然算法看起来复杂，但理解了原理后，实现起来并不难。

5. 说说你对嵌入式系统功耗优化的理解，有哪些常用的低功耗技术？

参考答案

嵌入式系统特别是电池供电的设备，功耗优化非常重要。功耗优化需要从硬件和软件两个方面入手。

硬件方面：

• 选择低功耗的 MCU，比如 STM32L 系列，支持多种低功耗模式
• 选择低功耗的外设和传感器，查看数据手册的功耗指标
• 优化电源设计，使用高效的 DC-DC 转换器，减少压降
• 使用低功耗的显示屏，比如电子墨水屏或低功耗 OLED

软件低功耗技术：

1. 睡眠模式

让 MCU 在空闲时进入低功耗状态。STM32 有几种睡眠模式：

• Sleep 模式：CPU 停止，外设运行，唤醒快，功耗中等
• Stop 模式：CPU 和大部分外设停止，只保留 RTC 和备份域，功耗低，唤醒较慢
• Standby 模式：只保持备份域，功耗最低，唤醒最慢，相当于复位

根据应用需求选择合适的睡眠模式：

• 需要快速响应：用 Sleep 模式
• 可以容忍较长的唤醒时间：用 Stop 或 Standby 模式

2. 唤醒源选择

• RTC 定时唤醒：定期采集数据