高通8926 smgr的attr概述

高通8926平台通过get和set attr来控制sensor,所有的attr由下面的enum列举。

typedef enum

{
    SNS_DDF_ATTRIB_POWER_INFO,
    SNS_DDF_ATTRIB_POWER_STATE,
    SNS_DDF_ATTRIB_DELAYS,
    SNS_DDF_ATTRIB_RANGE,
    SNS_DDF_ATTRIB_RESOLUTION_ADC,
    SNS_DDF_ATTRIB_RESOLUTION,
    SNS_DDF_ATTRIB_LOWPASS,
    SNS_DDF_ATTRIB_MOTION_DETECT,
    SNS_DDF_ATTRIB_DRIVER_INFO,
    SNS_DDF_ATTRIB_DEVICE_INFO,
    SNS_DDF_ATTRIB_THRESHOLD,
    SNS_DDF_ATTRIB_ACCURACY,
    SNS_DDF_ATTRIB_BIAS,
    SNS_DDF_ATTRIB_ODR,
    SNS_DDF_ATTRIB_SUPPORTED_ODR_LIST,
    SNS_DDF_ATTRIB_REGISTRY_GROUP,
    SNS_DDF_ATTRIB_IO_REGISTER,
    SNS_DDF_ATTRIB_FIFO,
    SNS_DDF_ATTRIB_ODR_TOLERANCE

} sns_ddf_attribute_e;


下面由本人结合代码简要说明,如有错误,请指正。


1. SNS_DDF_ATTRIB_POWER_STATE:
   每个驱动必备的,都是set,没有get;

2. SNS_DDF_ATTRIB_MOTION_DETECT:
   都是set,没有get;通过sns_smgr_set_hw_md_int()调用,这里只设置accel sensor,但gyro中也有对此attr的处理。
   设置中断相关寄存器。

3. SNS_DDF_ATTRIB_THRESHOLD:
  主要用于get光传感器和接近传感器的THRESHOLD

4. SNS_DDF_ATTRIB_ACCURACY:
  主要用于get光传感器和接近传感器的精确度。代码里2771的prox的accuracy是40,手册里没找到,不知怎么得到的

5. SNS_DDF_ATTRIB_SUPPORTED_ODR_LIST:
  sns_smgr_dd_init会调用sns_smgr_init_odr_tables来get device driver的odr list。

6. SNS_DDF_ATTRIB_REGISTRY_GROUP:
  多用于ALS/PROX初始化时,通过sns_ddf_smgr_notify_event(SNS_DDF_EVENT_UPDATE_REGISTRY_GROUP),更新nv

7. SNS_DDF_ATTRIB_ODR_TOLERANCE:
  只有accel lis3dsh的get attr中包含此attr,但实际没有地方进行get。

下面的属性以sns_dd_akm8975_get_attr为例:
1. SNS_DDF_ATTRIB_POWER_INFO:
  需要将sns_ddf_power_info_s结构体赋值,它包含active_current和lowpower_current俩个成员,查看datasheet的
  Electrical Characteristics-->>DC Characteristics-->>Current consumption

2. SNS_DDF_ATTRIB_RANGE:
  需要将sns_ddf_range_s结构体赋值,它包含min和max俩个成员,查看datasheet的
  Electrical Characteristics-->>Analog Circuit Characteristics-->>Magnetic sensor measurement range

3. SNS_DDF_ATTRIB_RESOLUTION_ADC:
  需要将sns_ddf_resolution_adc_s结构体赋值,它包含bit_len和max_freq俩个成员,
  bit_len:查看datasheet的Electrical Characteristics-->>Analog Circuit Characteristics-->>Measurement data output bit
  max_freq:根据代码中注释,他是驱动在bit_len下合适的最大频率。AKM8975是50,不知怎么算的???

4. SNS_DDF_ATTRIB_RESOLUTION:
  需要将sns_ddf_resolution_t类型变量赋值,它实际类型为q16_t,
  查看datasheet的Overview-->>Output data resolution:13 bit (0.3 μT / LSB),经公式FX_FLTTOFIX_Q16(0.3 * TESLA_TO_GAUSS / 1000000)转换

5. SNS_DDF_ATTRIB_DELAYS:
  需要将sns_ddf_delays_s结构体赋值,它包含time_to_active和time_to_data俩个成员,
  查看datasheet的Electrical Characteristics-->>Analog Circuit Characteristics-->>Time for measurement

6. SNS_DDF_ATTRIB_DRIVER_INFO:
  给sns_ddf_driver_info_s赋值

7. SNS_DDF_ATTRIB_DEVICE_INFO:
  给sns_ddf_device_info_s赋值

下面的属性以sns_dd_acc_bma2x2_get_attr为例:
1. SNS_DDF_ATTRIB_LOWPASS:
  需要将sns_ddf_lowpass_freq_t类型变量赋值,它实际类型为q16_t,
  查看datasheet的Table 8: Bandwidth configuration

2. SNS_DDF_ATTRIB_IO_REGISTER:
  虽然是get,但传入的value是有值的,driver根据这个值来读取指定寄存器,在把值赋值给value传给SMGR
  需要将sns_ddf_io_register_s结构体赋值。

3. SNS_DDF_ATTRIB_BIAS:
  轴偏差,没有偏差就是0

4. SNS_DDF_ATTRIB_ODR:
  就是将之前set的odr反馈给smgr,可配置的值查看datasheet的Table 8: Bandwidth configuration

5. SNS_DDF_ATTRIB_FIFO:
  将sns_ddf_fifo_attrib_get_s结构体赋值,值不知道是怎么来的。set的时候是写了两个reserved的寄存器,不知道什么用。
 























### LlamaIndex 多模态 RAG 实现 LlamaIndex 支持多种数据类型的接入与处理,这使得它成为构建多模态检索增强生成(RAG)系统的理想选择[^1]。为了实现这一目标,LlamaIndex 结合了不同种类的数据连接器、索引机制以及强大的查询引擎。 #### 数据连接器支持多样化输入源 对于多模态数据的支持始于数据收集阶段。LlamaIndex 的数据连接器可以从多个异构资源中提取信息,包括但不限于APIs、PDF文档、SQL数据库等。这意味着无论是文本还是多媒体文件中的内容都可以被纳入到后续的分析流程之中。 #### 统一化的中间表示形式 一旦获取到了原始资料之后,下一步就是创建统一而高效的内部表达方式——即所谓的“中间表示”。这种转换不仅简化了下游任务的操作难度,同时也提高了整个系统的性能表现。尤其当面对复杂场景下的混合型数据集时,良好的设计尤为关键。 #### 查询引擎助力跨媒体理解能力 借助于内置的强大搜索引擎组件,用户可以通过自然语言提问的形式轻松获得所需答案;而对于更复杂的交互需求,则提供了专门定制版聊天机器人服务作为补充选项之一。更重要的是,在这里实现了真正的语义级关联匹配逻辑,从而让计算机具备了一定程度上的‘认知’功能去理解和回应人类意图背后所蕴含的意义所在。 #### 应用实例展示 考虑到实际应用场景的需求多样性,下面给出一段Python代码示例来说明如何利用LlamaIndex搭建一个多模态RAG系统: ```python from llama_index import GPTSimpleVectorIndex, SimpleDirectoryReader, LLMPredictor, PromptHelper, ServiceContext from langchain.llms.base import BaseLLM import os def create_multi_modal_rag_system(): documents = SimpleDirectoryReader(input_dir='./data').load_data() llm_predictor = LLMPredictor(llm=BaseLLM()) # 假设已经定义好了具体的大型预训练模型 service_context = ServiceContext.from_defaults( chunk_size_limit=None, prompt_helper=PromptHelper(max_input_size=-1), llm_predictor=llm_predictor ) index = GPTSimpleVectorIndex(documents, service_context=service_context) query_engine = index.as_query_engine(similarity_top_k=2) response = query_engine.query("请描述一下图片里的人物表情特征") print(response) ``` 此段脚本展示了从加载本地目录下各类格式文件开始直到最终完成一次基于相似度排序后的top-k条目返回全过程。值得注意的是,“query”方法接收字符串参数代表使用者想要询问的内容,而在后台则会自动调用相应的解析模块并结合先前准备好的知识库来进行推理计算得出结论。
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值