【FPGA干货】详解高速ADC的串行LVDS数据捕获与接口设计

优质文章学习记录

— 8 min read
【FPGA干货】详解高速ADC的串行LVDS数据捕获与接口设计

【FPGA干货】详解高速ADC的串行LVDS数据捕获与接口设计

前言

在现代高速数据采集系统中，随着ADC采样率的不断提升（从几十MHz到几百MHz甚至更高），传统的并行CMOS/LVDS接口因占用引脚过多、布线困难等问题逐渐被串行LVDS接口取代。TI（德州仪器）的许多多通道ADC（如ADS528x, ADS529x系列）都采用了这种接口。

然而，串行LVDS接口虽然减少了PCB走线数量，却给FPGA接收端的设计带来了巨大的挑战：如何在几百Mbps甚至Gbps的速率下，稳定地实现位同步（Bit Alignment）和帧同步（Frame Alignment）？

1. 认识串行LVDS接口

一个典型的高速ADC串行LVDS接口通常包含以下三类信号：

  1. 串行数据 (Serial Data, D0…DN−1D_0 \dots D_{N-1}D0​…DN−1​)：ADC的采样数据通过一对或多对LVDS线串行输出。
  2. 位时钟 (Bit Clock, LCLK/DCLK)：通常是DDR（双沿采样） 格式。频率通常是 采样率 × 串行化倍数 / 2。

帧时钟 (Frame Clock, ADCLK/FCLK)：频率等于ADC的采样率 (fSf_SfS​)。它的上升沿通常与串行数据的第一个bit（或字边界）对齐，用于辅助并行数据的恢复。

在这里插入图片描述
接口变种：One-wire interface：每个ADC通道只需一对LVDS传数据（速率高）。Two-wire interface：采样率极高时，每个通道的数据拆分到两对LVDS上传输（降低单线速率）。

2. 接收端捕获方案 (Receiver Capture Schemes)

FPGA接收端的核心任务有两个：

  1. 位同步：利用位时钟（Bit Clock）正确锁存高速串行数据。

字/帧对齐：利用帧时钟（Frame Clock）恢复出正确的并行数据字。

在这里插入图片描述

2.1 难点：时钟与数据的偏斜 (Skew)

在理想情况下，数据边缘和时钟边缘是对齐的。但在实际硬件中，PCB走线延时、FPGA内部布线延时、以及器件本身的Skew，会导致数据和时钟无法满足建立/保持时间（Setup/Hold Time）。

在这里插入图片描述

2.2 解决方案一：使用延迟元件 (Delay Elements)

  • 原理：利用FPGA内部的IO延迟模块（如Xilinx的IDELAY），对输入的位时钟或数据进行微调。
  • 实现：通过动态调整延迟，使时钟沿落在数据“眼图”的中心。

注意：需考虑PVT（工艺、电压、温度）变化对延迟Tap精度的影响。

在这里插入图片描述

2.3 解决方案二：使用PLL多相时钟

  • 原理：利用FPGA的PLL生成多个相位的时钟（例如0°, 45°, 90°… 315°）。

边缘选择逻辑：ADC发送Deskew Test Pattern（通常是101010...）。FPGA用所有相位的时钟去采样，找出能稳定采到正确数据的相位窗口，并选择窗口中间的那个时钟相位作为采样时钟。

在这里插入图片描述


在这里插入图片描述

3. 帧对齐逻辑 (Frame Alignment)

即使位数据捕获正确，并行转换后的数据可能依然是错位的（Bit Shifted）。例如12-bit数据，你可能采到了上一个样本的最后1位和当前样本的前11位。

在这里插入图片描述

3.1 帧时钟的作用

理想情况下，直接用帧时钟（Frame Clock）去锁存串转并后的数据即可。但如果帧时钟相对于数据有较大的滞后或超前（超过1个Bit周期），就会导致错位。

在这里插入图片描述

3.2 使用SYNC Pattern进行校正

TI ADC通常提供 SYNC Test Pattern（例如12-bit模式下发送 111111000000）。

  • 校准流程：
    1. 开启ADC的SYNC模式。
    2. FPGA检查接收到的并行数据。
    3. 如果读到 111111000000，说明对齐正确。
    4. 如果读到 011111100000（右移）或 111110000001（左移），则说明存在错位。
    5. 位滑移 (Bit Slip)：在串转并模块中控制逻辑进行移位操作，直到数据匹配标准图案。
在这里插入图片描述

4. 多通道/多片ADC系统的同步策略

在由多片ADC组成的大型系统中，TI推荐采用 源同步（Source Synchronous） 策略：

  1. 独立捕获：FPGA内部为每一片ADC（甚至每个通道组）实例化独立的捕获模块。
  2. 使用各自的位时钟：千万不要试图用同一个时钟去采集所有ADC的串行数据。每片ADC输出的Bit Clock与它自己的Data是相关性最好的。
  3. 跨时钟域处理：
    • 在捕获模块内部，使用ADC自己的Bit Clock恢复出并行数据。

恢复出的并行数据（低速）再通过FIFO或寄存器跨时钟域同步到FPGA的全局系统时钟（System Clock, 1x 采样率）。

在这里插入图片描述

5. 时序闭合与PCB设计 (Timing Closure)

要实现稳定的数据捕获，必须满足接收端触发器的建立时间 (tsut_{su}tsu​) 和保持时间 (thot_{ho}tho​)。

5.1 关键公式

接收端的实际建立时间计算如下：
tsu_RX=tsu_ADC−tSkew t_{su\_RX} = t_{su\_ADC} - t_{Skew} tsu_RX​=tsu_ADC​−tSkew​

其中 tSkewt_{Skew}tSkew​ 是数据路径延时与时钟路径延时的差值。
tSkew=tData_Delay−tClock_Delay t_{Skew} = t_{Data\_Delay} - t_{Clock\_Delay} tSkew​=tData_Delay​−tClock_Delay​

为了最大化接收端的建立时间余量，必须让 tSkewt_{Skew}tSkew​ 尽可能小。

5.2 PCB Layout 黄金法则

  • 等长布线：对于速率 > 500 Mbps 的接口，TI建议数据线和位时钟线的长度匹配误差控制在 100 mils (约2.54mm) 以内。
  • 这将由于PCB走线引起的Skew控制在 15ps - 20ps 级别，从而保留最大的时序裕量。

6. 深入理解：源同步接口与抖动 (Jitter)

为什么一定要用ADC输出的位时钟（LCLK）？能不能用FPGA自己的同频时钟？

答案是：尽量不要。

  • 相关抖动 (Correlated Jitter)：ADC输出的数据和时钟是从同一个内部源产生的。电源噪声引起的抖动在数据和时钟上是同向的（例如：数据延后了，时钟也跟着延后）。
  • 抖动抵消：当我们用ADC的LCLK去采ADC的Data时，这种相关的抖动会被互相抵消，从而得到一个非常张开的眼图（Wide Eye）。

非相关抖动：如果使用外部时钟或FPGA内部时钟，由于它与ADC数据没有抖动相关性，所有的抖动都会直接吃掉建立/保持时间，导致眼图闭合，误码率上升。

在这里插入图片描述

总结

设计高速ADC的串行LVDS接收接口时，请遵循以下步骤：

  1. 硬件设计：严格保证LVDS差分对的等长匹配（特别是Data与Bit Clock之间）。
  2. FPGA逻辑：使用 IDELAY 或 PLL 动态调整相位。
  3. 训练流程：
    • 上电复位。
    • 发送 Deskew Pattern (101010...101010...101010...) -> 锁定最佳采样时钟相位。
    • 发送 SYNC Pattern (111111000000111111000000111111000000) -> 锁定字边界（Frame Alignment）。
    • 切换回正常数据模式。
  4. 多片同步：坚持“独立捕获，后端对齐”的原则。

参考资料：Texas Instruments Application Report SBAA205 - Understanding Serial LVDS Capture in High-Speed ADCs

Read more

机器人算法、系统和架构十年演进

2015 - 2025这十年，机器人领域因算力提升、深度学习与大模型的爆发，实现了算法、系统和架构的跨越式演进。从传统控制依赖规则到具身智能主导，从集中式控制到分布式协同，每一环的革新都推动机器人从结构化场景走向复杂未知环境，以下是详细梳理： 机器人算法：从模块化优化到多模态具身推理 这十年算法的核心演进是从传统控制论主导，历经深度学习重构，最终进入大模型驱动的具身智能阶段，决策逻辑更贴近类人思维。 1. 2015 - 2020：深度学习打破传统控制框架 * 感知层：2012年ImageNet大赛后CNN兴起，2015年后深度视觉技术快速落地。比如Dex - Net提出物理仿真+深度网络的方案，通过仿真生成上万种3D物体点云训练CNN，让机器人面对未知异形物体也能输出高置信度抓取点，彻底改变了过去依赖几何建模和CAD的抓取方式。同时视觉SLAM技术成熟，解决了机器人在动态场景中的定位与地图构建问题。 * 控制层：强化学习开始从虚拟场景向现实渗透。早期四足机器人如波士顿动力SPOT仍用传统MPC策略，但这一阶段研究者已尝试将强化学习用于机器人动力学控制，虽受限于硬

多FPGA 进行模型推理

1. 多颗 FPGA 实现模型推理：完全可行，而且是主流方案 * 绝大多数大模型、高吞吐、低延迟推理场景（如云端 AI 加速卡、自动驾驶域控、机器人中央计算单元）都是多 FPGA / 多芯片协同推理。 * 典型做法： * 模型切层 / 切通道 / 切任务分布到多片 FPGA * 片间流水并行 + 数据并行 * 每片 FPGA 负责一部分算子 / 层 / 特征图 只要带宽、时延、同步设计得当，性能几乎可以接近线性扩展。 2. 多 FPGA 之间用什么总线 / 接口通信？ 按速度从高到低、从近到远排序： （1）芯片内 / 紧耦合：Die-to-Die 互联（D2D） * UCIe、BoW、AIB 等

直播效率工具如何提升互动体验：神奇弹幕机器人全功能指南

直播效率工具如何提升互动体验：神奇弹幕机器人全功能指南 【免费下载链接】Bilibili-MagicalDanmaku【神奇弹幕】哔哩哔哩直播万能场控机器人，弹幕姬+答谢姬+回复姬+点歌姬+各种小骚操作，目前唯一可编程机器人 项目地址: https://gitcode.com/gh_mirrors/bi/Bilibili-MagicalDanmaku 直播间互动效率低下？场控人手不足导致观众流失？试试这款可编程直播助手——神奇弹幕机器人，它能让你轻松实现弹幕智能管理、自动互动响应和个性化内容推送，全方位提升直播专业度。作为目前唯一支持自定义脚本的B站直播辅助工具，它将帮助主播从繁琐的重复工作中解放出来，专注于内容创作与观众互动。 1. 为什么选择可编程直播助手？ 在直播行业竞争日益激烈的今天，高效的场控工具已成为主播的核心竞争力。传统人工场控不仅需要投入大量人力成本，还难以应对高并发互动场景。神奇弹幕机器人通过模块化设计，将直播互动流程自动化、智能化，让单人主播也能打造出专业团队级别的直播效果。 主播视角的实时互动控制面板，可快速调整直播标题、封面等核心设置 核心价值对

学习FPGA（八）快速傅里叶变换

前言         傅里叶变换能通过将信号的时域变换到信号的频域，因为在频域中，系统的响应就等于信号与系统传函的频域上相乘（时域上是卷积），相比于直接在时域里做卷积，先进行傅里叶变换，再在频域上相乘，最后通过逆傅里叶变换反变换回来的步骤看似更长更复杂，但在工程技术上却相对容易实现。         传统的傅里叶变换属于工程数学范畴，主要针对连续时间信号进行时域-频域的变换。而从工程技术的角度来看，人们不可能做到对信号进行连续时间的采样，因此离散傅里叶变换（DFT）也就在这种情况下诞生了。时间久了以后，人们发现DFT的算法时间复杂度太高了，优化DFT的迫在眉睫，快速傅里叶变换（FFT）的出现使原本时间复杂度o(n^2)的DFT直接降到了o(nlogn)。         以上算是FFT的极简版背景故事，具体如何发展如何变换的，数字信号处理相关课程一定有讲，这里就暂时不细讲了，这里还是主要以FPGA中实现快速傅里叶变换为主。         由于我仅在FPGA上实现FFT对信号进行时域-频域的变换，并做到了基波频率的采集，目前尚未如之前的一些历程那样试过其他的方案，因此本文不能给