ARM v7：32位浮点数SIMD查找表求cos/sin的intrinsics咨询

核心思路 #

用查找表（LUT）实现三角函数的关键是先把输入角度映射到LUT的索引范围（比如0_{2π归一化到0}LUT_SIZE-1），再用ARM的SIMD intrinsics批量处理向量元素，完成索引计算、LUT查表，必要时通过插值提升精度。

实现步骤与代码示例 #

1. 预计算查找表 #

离线生成float32类型的cos/sin查找表，比如用2048个点覆盖0~2π区间：

#define LUT_SIZE 2048
float32_t cos_lut[LUT_SIZE] __attribute__((aligned(16)));
float32_t sin_lut[LUT_SIZE] __attribute__((aligned(16)));

// 初始化LUT（仅需执行一次）
void init_trig_lut() {
    const float32_t step = 2.0f * M_PI / LUT_SIZE;
    for (int i = 0; i < LUT_SIZE; i++) {
        float32_t angle = i * step;
        cos_lut[i] = cosf(angle);
        sin_lut[i] = sinf(angle);
    }
}

2. ARM NEON Intrinsics批量处理向量 #

针对float32x4_t类型的4元素向量，通过NEON指令批量完成计算：

#include <arm_neon.h>

// 处理float32x4_t向量，输出对应的cos和sin结果
void vec_trig_lut(float32x4_t angles, float32x4_t* out_cos, float32x4_t* out_sin) {
    // 归一化角度到0~2π范围：取模后确保非负
    const float32x4_t two_pi = vdupq_n_f32(2.0f * M_PI);
    float32x4_t norm_angles = vfmodq_f32(angles, two_pi);
    norm_angles = vmaxq_f32(norm_angles, vdupq_n_f32(0.0f));

    // 计算LUT索引：将归一化角度映射到0~LUT_SIZE-1
    const float32x4_t scale = vdupq_n_f32(LUT_SIZE / (2.0f * M_PI));
    float32x4_t idx_float = vmulq_f32(norm_angles, scale);

    // 分离整数索引和小数部分（用于插值）
    uint32x4_t idx_int = vcvtq_u32_f32(idx_float);
    float32x4_t frac = vsubq_f32(idx_float, vcvtq_f32_u32(idx_int));

    // 计算下一个索引，避免越界
    uint32x4_t idx_next = vaddq_u32(idx_int, vdupq_n_u32(1));
    idx_next = vminq_u32(idx_next, vdupq_n_u32(LUT_SIZE - 1));

    // 批量加载LUT中的相邻值
    float32x4_t cos_curr = vld1q_f32(&cos_lut[vgetq_lane_u32(idx_int, 0)]);
    float32x4_t cos_next = vld1q_f32(&cos_lut[vgetq_lane_u32(idx_next, 0)]);
    float32x4_t sin_curr = vld1q_f32(&sin_lut[vgetq_lane_u32(idx_int, 0)]);
    float32x4_t sin_next = vld1q_f32(&sin_lut[vgetq_lane_u32(idx_next, 0)]);

    // 线性插值提升精度
    *out_cos = vmlaq_f32(cos_curr, frac, vsubq_f32(cos_next, cos_curr));
    *out_sin = vmlaq_f32(sin_curr, frac, vsubq_f32(sin_next, sin_curr));
}

关键注意事项 #

• LUT大小平衡：LUT越大精度越高，但内存占用也越多，2048或4096是精度与内存的常用平衡点
• 内存对齐：给LUT数组添加__attribute__((aligned(16)))修饰，配合NEON指令可提升内存访问效率
• 硬件指令优先级：如果目标ARM架构（如ARMv8-A及以上）支持vcosq_f32/vsinq_f32 intrinsics，硬件原生指令的精度和性能通常优于LUT方案，仅在硬件不支持时考虑LUT实现
• 输入范围优化：若已知输入角度的范围（比如0~π），可简化归一化步骤，减少计算开销

内容的提问来源于stack exchange，提问作者Zvi Vered