FreeRTOS消息队列阻塞接收的物联网开发实例

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 300+累计阅读 330平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄3年

关注

原创最新推荐文章于 2026-07-29 08:32:27 发布 330 阅读 AI 写同款· GEO 优化 ›

物联网专栏收录该内容

¥59.90 ¥99.00

100篇文章

订阅专栏

在物联网（IoT）应用中，实时任务和线程间的通信是一个重要的方面。消息队列是一种常用的机制，用于实现任务之间的异步通信。本文将介绍如何在ESP IDF开发框架中使用FreeRTOS消息队列进行阻塞方式接收的实例。

ESP IDF简介

ESP IDF（Expressif IoT Development Framework）是一款用于ESP32和ESP8266芯片的开发框架。它基于FreeRTOS，提供了丰富的组件和库，使得开发者能够轻松地构建物联网应用。

FreeRTOS消息队列简介

FreeRTOS消息队列是一种用于任务间通信的机制，它允许一个任务向另一个任务发送数据。消息队列具有先进先出（FIFO）的特性，支持阻塞方式的发送和接收操作。

实现阻塞方式接收的代码示例

下面是一个使用FreeRTOS消息队列进行阻塞方式接收的代码示例：

#include <stdio.h>
#

了解本专栏

订阅专栏解锁全文

收录于

当前文章被以下社区和专栏收录：

标签

#物联网 #struts #java

FreeRTOS消息队列原理与嵌入式实战指南 消息队列是嵌入式实时系统中实现任务间安全通信的核心机制，其本质是一个由RTOS内核管理的线程安全环形缓冲区，通过数据复制、FIFO/LIFO存取、阻塞等待等机制，彻底规避全局变量引发的竞态条件与数据撕裂问题。它在中断服务程序（ISR）与任务解耦、多任务共享资源调度、状态事件广播等场景中展现出不可替代的技术价值，尤其适用于STM32等资源受限MCU平台。结合FreeRTOS的xQueueSendFromISR、xQueueReceive、xQueueOverwrite等关键API，开发者可构建高可靠、低延迟、阅读详情

相关推荐

ESP32-IDF开发实例-FreeRTOS消息队列-阻塞方式接收

消息队列-阻塞方式接收 消息队列是FreeRTOS提供任务间通讯的一种方式，即通过RTOS内核提供的服务，任务或中断服务子程序可以将一个消息放到队列，同样地，一个或多个任务可以通过RTOS内核服务从队列中得到消息。 FreeRTOS的消息队列传递的是数据，而不是地址。 FreeRTOS的消息队列支持FIFO和LIFO方式存取。在FreeRTOS中，任务之间通过消息队列通讯形象描述如下：首先创建一个消息容量大小为10的消息队列 创建两个任务Task1、Task2，Task1主要向消息队列发送消息；Ta

视觉与物联智能 1500

【花雕学编程】Arduino RTOS 之超时阻塞接收

Arduino还有一个丰富的库和社区，你可以利用它们来扩展Arduino的功能和学习Arduino的知识。Arduino平台以其简洁的编程接口和丰富的扩展功能，成为了电子爱好者、设计师、工程师和艺术家们的首选工具。使用Serial.print和Serial.println函数将任务的运行状态和接收数据的信息打印到串口监视器，便于实时监控和调试系统的运行状态。5、创新：Arduino可以让你用电子的方式来表达你的创意和想象，你可以用Arduino来制作各种有趣和有用的项目，如机器人、智能家居、艺术装置等。

雕爷学编程 998

数据结构之栈(Stack)的实现详解

堆栈是一种线性数据结构，其插入新元素和删除现有元素都发生在堆栈的顶部。栈（Stack）按照"后进先出"（Last-In-First-Out，LIFO）的原则存储和访问数据。栈类似于现实生活中的堆叠物体，比如一摞书或者一堆盘子。

swadian2008的博客 3812

centos 添加新硬盘，对根目录扩容

本地安装了虚拟机，系统为centos7，使用过程中，渐渐地发现磁盘容量不够用了，于是在虚拟机中新增了一块硬盘。进入系统内查看： sdb是新增的硬盘，大小为40g。接下来有两种方式，一种是普通方式直接挂载。https://blog.youkuaiyun.com/qq_39314099/article/details/106200322 这样的话只有在挂载点的目录下操作才能使用到这个新硬盘，不是很理想。还有一种方式lvm，逻辑卷管理的方式。 LVM简单介绍：它是 Linux 下对磁盘分区进行管

qq_39314099的博客 1万+

Fluent基于低氧舱气体交换仿真（氮气与空气混合）

一、背景概述模拟低氧舱充氮气和排除混合气体的过程，假设注入95%的氮气，舱内原有气体为空气，压力为标准大气压，温度为300K。观察气体注入过程中，舱内平均氮气和氧气浓度的变化。二、Fluent设置 Setup 1、General type选择压力基绝对速度瞬态重力勾选 2、Model 能量方程开启组分运输开启，设置方法如下：选择后OK，view就会变成Edit，点击Edit。然后再次点击Edit。将组分中的非氮气氧气和空气的气体移除，右边选项需要将空气放在最后一位。 3、Materi

qq_35535616的博客 1万+

KUKA机器人编程实战：5分钟搞定组输入与组输出的信号配置（附代码示例）

本文详细介绍了KUKA机器人编程中组输入与组输出的信号配置方法，通过5分钟快速掌握核心技巧。文章包含信号声明语法、典型配置流程及高级应用技巧，并附有代码示例，帮助工程师高效实现机器人与外部设备的通信。

efc123456的博客 851

Proteus下载安装快速入门：30分钟掌握全过程

手把手教你完成proteus下载安装，从环境配置到首次运行一气呵成，适合电子设计新手快速掌握仿真工具的核心操作步骤。

weixin_31974443的博客 891

从原理图到PCB：基于Allegro的8槽PXIe背板高速设计实战

本文详细介绍了基于Allegro软件进行8槽PXIe背板高速设计的完整实战流程。从理解规范、原理图设计、PCB布局规划，到高速PCIe差分对与精密时钟的布线艺术，再到电源与地处理以及最终的设计验证与生产文件输出，系统性地阐述了确保背板信号完整性、电源完整性和系统稳定性的关键技术与工程实践。

weixin_28312391的博客 203

20 硬件工程师笔面试高频考点真题解析——寄存器

摘要：寄存器是由多个边沿触发的D触发器组成的多位存储单元，用于同步时序电路中的数据暂存、隔离毛刺、跨时钟域同步等。选型需考虑位宽、触发方式（边沿/电平）、异步控制、电气参数等。核心时序参数包括建立时间（Tsu）、保持时间（Thold）和时钟输出延迟（Tco）。寄存器广泛应用于时序逻辑、流水线分割、毛刺消除、跨时钟域同步及计数分频等场景。同步复位依赖时钟边沿，时序易收敛但需时钟支持；异步复位独立于时钟，上电可靠但需注意亚稳态风险。

XU157303764的博客 1342

C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

上一篇：物联网中的Alink物模型服务下发

下一篇：使用Arduino和Proteus仿真实例：Nokia 5110显示屏驱动仿真