【摘 要】
:
隧道内行驶车辆的实时位置,无论对行驶的车辆自身还是对隧道车流量分析、隧道交通事故分析以及预警等都有重要的使用价值。但因为隧道环境容易遮挡GPS信号,故无法在隧道内获取到车辆的实时位置。解决这一问题的关键在于研制一套专用的隧道车辆定位系统。整个系统运行机制是,通过车载的Tag定位标签与隧道两旁部署的Anchor基站进行数据通信,进而通过相关的定位求解算法将数据汇总运算,最终求得车载Tag的实时位置信
论文部分内容阅读
隧道内行驶车辆的实时位置,无论对行驶的车辆自身还是对隧道车流量分析、隧道交通事故分析以及预警等都有重要的使用价值。但因为隧道环境容易遮挡GPS信号,故无法在隧道内获取到车辆的实时位置。解决这一问题的关键在于研制一套专用的隧道车辆定位系统。整个系统运行机制是,通过车载的Tag定位标签与隧道两旁部署的Anchor基站进行数据通信,进而通过相关的定位求解算法将数据汇总运算,最终求得车载Tag的实时位置信息。本文在实验室现有的基于DW1000定位芯片的硬件平台下,从软件实现出发,对隧道车辆定位系统中的关键技术进行研究设计与实现。本文主要工作如下:(1)设计实现了隧道内全部基站的控制协调机制,同时对硬件平台做了选择。基于TCP消息指令,实现Monitor对于Anchor执行程序模块的协调控制功能,为后续系统各任务模块的开发提供了控制协调方案。之后,设计实现了基于Monitor主动循环请求Anchor状态的机制,确保整个系统全部Anchor的运行状态可以被Monitor获取,维护系统的稳定性。同时从以太网接入方式、开发调试方式、MCU类型、软件开发平台出发,对现有的两版硬件平台做了详细的对比分析。(2)设计实现了分别在两版硬件平台下的基站坐标值获取方案。基于两版硬件各自的特性,在第一版硬件平台上在无RTOS的情况下,设计实现了基于基站身份信息的基站间循环测距建立坐标系方案;在第二版硬件平台上在有RTOS的情况下,设计实现了基于Monitor对Anchor循环发送TCP测距命令的坐标系建立方案。之后对两种方案的实现做了对比分析。(3)设计实现了系统的定位求解模块。分析了DTDOA定位的原理,接着为了与TDOA定位方式做对比,本文使用了与TDOA相同的Chan算法对DTDOA定位模型进行推理分析。之后对TDOA与DTDOA两种定位方式进行了性能分析对比。最后对定位求解的子模块包括TDOA定位方式Chan算法的C语言程序、基站以太网互联方式、Socket口分配方案、TDOA信息帧格式、以及数据存取机制等进行了功能设计与实现。
其他文献
会话问题生成的目标是根据会话历史和文本段落生成延续历史内容的问题。目前针对会话问题生成任务的研究缺少对潜在信息的深入挖掘以及会话历史信息的关注。故本文从有答案意识和无答案意识两种方式对会话问题生成任务展开论述,具体内容如下:(1)有答案意识的会话问题生成任务需要在给定提示语句的情况下,生成与之相关联的问题。本文围绕会话历史设计单词及句子层次的注意力机制模块,提高生成的每一个单词与会话历史之间的关联
基于深度学习的目标检测模型近年来取得了巨大进步,然而检测图像中的小目标仍是目标检测领域的一大难题。由于小目标具有尺寸小、分辨率低等特点,大多数目标检测模型无法从小目标中获取足够的特征信息。本文将从不同的角度研究与改进基于深度学习的小目标检测模型,并进一步提升小目标检测模型的检测精度。本文的主要研究工作如下:(1)已有的YOLOv5目标检测模型虽然在特征增强网络中引入双向特征金字塔结构提升了检测精度
近年来,新冠疫情的爆发给人类生活方式带来了巨大的变化,其中线上学习和网络销售的用户量呈现指数式的增长,随之出现的大量文本评论常常隐藏着用户的观点和情感倾向,对这些文本评论作情感分析可以帮助政府和市场更精准分析用户意向,从而做出科学有效的决策。而传统的情感分析侧重于捕捉文本中单个实体的整体情绪,而不是捕捉该实体每个方面或特征的情感极性,使得用户对实体的看法无法被深度挖掘出来。因此提出了方面级情感分析
偏好补全已经被广泛应用到多个领域,如社交选择、推荐系统等。显然,在这些领域中,每个用户只有针对部分项目的排序,而让用户提供一份针对所有项目的完整的排序很多时候是不现实的。偏好补全的目标是利用所有人的不完整的偏好排序来推断出每个人的针对所有项目的一份完整的偏好排序。本文的主要工作如下:(1)针对现有的偏好补全方法由于偏好排序噪音的存在导致算法的准确性低的问题,本文提出了基于确定性的偏好补全算法。首先
近年来,强化学习方法被广泛用于多智能体领域。多智能体中任务复杂,可能在任务结束时才能获得环境的反馈,造成奖励稀疏的问题。受人类好奇心的启发,单智能体中解决稀疏奖励问题的一种思路是通过内在奖励促进智能体探索新颖状态,因为多智能体联合状态空间巨大,简单的将这种思路扩展到多智能体中容易造成过度探索而不能学习任务,且这种方法利用智能体观测学习状态特征不适合部分可观测环境。针对上述问题,本文基于内在动机强化
片上网络(Network-on-Chip,No C)作为新型通信架构,具备良好的可扩展性和并行性,可以满足片上日益增长的通信需求,已经成为片上多核系统事实上的标准。在片上网络的设计中,如何避免数据包路由死锁,是保障通信架构可靠性的核心问题。片上网络死锁避免领域的相关工作大都是在Dally的理论基础上发展起来的。该理论认为,如果网络的通道依赖图上没有循环依赖,网络就是无死锁的。然而,找到这样的无环图
片上网络(Network-on-Chip,NoC)现在广泛应用于多核系统当中。近几年,基于NoC的深度神经网络(Deep Neural Network,DNN)加速器被提出,它将神经元计算设备通过NoC相连。该设计能够有效地减少加速器对片外存储的访问,从而降低加速器的分类延迟和功耗。然而,在基于NoC的深度神经网络加速器当中存在着大量的一对多流量,传统的解决方式是使用单播方式传递多个相同的数据包副
雷达作为检测飞行目标的最主要手段,在飞行目标的研究中发挥着不可比拟的优势。由于多雷达融合系统的不断发展,传统的针对多传感器航迹关联和中断航迹关联的算法已经难以应对当前越来越复杂、越来越多样的雷达探测环境。为了更好地挖掘雷达航迹信息,利用航迹信息认知空间态势,从而为空域的监管提供有效的支持,本文基于深度学习技术,分别进行了多传感器航迹关联和中断航迹关联问题研究,主要研究内容如下:(1)提出了一种基于
多变量时间序列(MTS:multivariate time series)数据是多个变量在一段时间内按照一定时间间隔记录的观测值数据。MTS聚类可以在缺乏先验知识的情况下将样本划分成有意义的簇,是一种广泛应用于金融分析、流量预测、临床诊断等领域的关键技术。MTS具有模式复杂、时间顺序、变量之间存在相关性等特性,如何利用这些特性提升MTS聚类效果具有重大理论和应用价值。受图嵌入技术在各领域的优异表现
因果特征选择旨在学习类变量的马尔可夫毛毯(Markov blanket,MB)。类变量的MB意味着类变量和它的MB之间存在潜在的因果关系,以类变量的MB为条件,所有其它特征在概率上独立于该类变量,这使得因果特征选择能够识别潜在的因果特征用于特征选择,以构建健壮、可解释的预测模型,并且在理论上,类别变量的MB已经被证明是特征选择的最优特征子集。当前的因果特征选择算法主要处理没有缺失值的数据,然而缺失