CN108880677A - 一种基于数据加重的长距离智能交通系统 - Google Patents

Abstract

一种基于数据加重的长距离智能交通系统，本发明涉及智能交通系统，解决现有无人交通系统功耗高、通讯可靠性和安全性低的技术问题。该发明结构特征包括Li‑Fi基站：其中包括光纤链路，建立访问端与互联网端的连接，处理电信号，接收和/或发送电信号，所述的光纤链路包括信号发射通路，所述的信号发射通路包括均衡器，均衡器选用DS125BR401A；智能公共交通站台：其中包括光电通讯装置，接收Li‑Fi基站的电信号并转换为光信号发送；无人智能公共交通工具：其中包括光电通讯装置，接收智能公共交通站台的光信号和/或发送光信号至智能公共交通站台。本发明用于智能交通中高速网络访问。

Description

一种基于数据加重的长距离智能交通系统

技术领域

本发明涉及智能交通系统，具体涉及一种基于数据加重的长距离智能交通系统。

背景技术

现有交通系统中，乘客在困乏的旅途中对互联网访问有强烈的需求。现有技术中，一般地，乘客个人使用LTE技术进行互联网访问，2G访问速度低下，3G/4G流量费用过于昂贵；其次，公共交通的移动Wi-Fi共享网络大部分属于局域网，访问受限，并且对公共交通通讯产生影响，存在安全隐患；最后，卫星通讯技术民用化并不完善，可行性令人质疑。综上所述，现有交通系统中，并不能很好地实现智能交通的网络化，乘客不能获得高速网络体验，市场需求不能得以满足。所以，本发明公开一种提供高速网络访问的智能交通系统。

随着深度学习技术发展，交通工具也随着走向无人化。但是，基于目前的基层计算能力、软件代码处理程度和深度学习架构阶段来看，距离将交通工具彻底转化为无人化，还有相当长的时间需要度过，原因有很多，例如深度学习的样本，永远都不能选取最完美、涵盖所有情况的样本集，又例如分类器，决策能力将严重受到所遇到过情况类型的影响，不能具有人类对于解决问题的创造性。那么，与其构建一个不可能实现的全无人化智能交通系统，还不如让交通工具继续具有操作者。现有技术对此已经有一定的技术发展，例如无人机系统，允许驾驶者在远程对无人机操作，但是，其通过卫星无线电信号所实现的远程控制容易被劫持且容易受到环境因素影响。

发明内容

针对上述现有技术，本发明目的在于提供一种基于数据加重的长距离智能交通系统，解决现有无人交通系统功耗高、通讯可靠性和安全性低的技术问题。

为达到上述目的，本发明采用的技术方案如下：

一种基于数据加重的长距离智能交通系统，包括Li-Fi基站：其中包括光纤链路，建立访问端与互联网端的连接，处理电信号，接收和/或发送电信号，所述的光纤链路包括信号发射通路，所述的信号发射通路包括用于数据加重的均衡器，均衡器选用DS125BR401A；智能公共交通站台：其中包括光电通讯装置，接收Li-Fi基站的电信号并转换为光信号发送；无人智能公共交通工具：其中包括光电通讯装置，接收智能公共交通站台的光信号和/或发送光信号至智能公共交通站台；智能公共交通站台接收无人智能公共交通工具发出的光信号，转换光信号为电信号上传至Li-Fi基站。

上述方案中，所述的光纤链路，包括信号发射通路和信号接收通路。

上述方案中，所述的信号发射通路，包括ASIC：至少输出两个电信号，每个电信号速率至少大于1Gbps/s；均衡器：通过超高速以太网接口连接ASIC，接收电信号；CDR&解串器：接收均衡器补偿后的电信号，进行时钟与数据恢复并解串；相位补偿器：接收CDR&解串器的电信号，在动态与静态电信号间进行相位拟合；串行器：接收相位补偿器拟合后的电信号，输出串行电信号；去加重驱动器：接收串行器的电信号，进行去加重和放大操作，输出电信号；FPGA：通过物理介质关联层接口连接去加重驱动器。均衡器可等效高通滤波器，对传输过程中高通信号损耗补偿，增加信号保真度；解串器将高速串行信号转换为并行信号，CDR对信号中时钟与数据进行恢复编码；去加重驱动器，使用去加重方式保持信号上升沿和下降沿处的幅度不变，其他地方信号减弱，调整信噪比，增加信号保真度；FPGA增加了系统通用性，降低系统成本。

上述方案中，所述的信号接收通路，包括FPGA：接收智能公共交通站台上传的电信号；均衡器：接收FPGA发出对应信号发射通路中均衡器的电信号；CDR：接收均衡器补偿后的电信号，进行时钟与数据恢复；多路转换器：接收经CDR恢复后的电信号，输出至少两个半速电信号；去加重驱动器:接收多路转换器的半速电信号，进行去加重和放大操作；ASIC：通过超高速以太网接口连接去加重驱动器，至少接收两个半速电信号。多路转换器充分利用通信信道的容量，大大降低系统的成本。

上述方案中，所述的光电通讯装置，包括LED驱动器：通过传输总线连接Li-Fi基站，输出控制信号；LED：接收LED驱动器的控制信号，根据电信号特定序列模式发出光信号；PIN光电二极管：接收光信号，转换为电信号；跨阻放大器：通过传输总线连接Li-Fi基站，接收PIN光电二极管的电信号，输出至Li-Fi基站。所述的跨阻放大器，包括交叉耦合的第一对差分输入晶体管和第二对差分输入晶体管。实现高频保真信号输入输出，具有更为广阔的带宽并且不受管制，跨阻放大器结构较简单，成本较低廉，可批量生产安装到道路智能公共交通站台中。

上述方案中，所述的光电通讯装置和Li-Fi基站，在光通讯过程中，使用IEEE802.15.7协议定义物理层和媒体存取控制层。协议中使用曼切斯特编码实现数据中的“0”和“1”。

上述方案中，所述的无人智能公共交通工具，还包括连接光电通讯装置的处理器，处理器连接有Wi-Fi装置。针对现有移动终端设备大多具有Wi-Fi功能的技术状况，进而完成现有技术对接，并增加系统普适性。

上述方案中，所述的LED驱动器，包括单稳态触发单元。在不使用LED通讯时可节约能源。

上述方案中，所述的无人智能公共交通工具（300），通过Li-Fi基站（100）和智能公共交通站台（200）受控于操作终端群。

上述方案中，所述的无人智能公共交通工具（300），具有深度学习计算架构。

与现有技术相比，本发明的有益效果：实现了极低功率高性能的中继通讯转接架构，实现了交通运输过程中便捷的网络访问，满足市场需求，提供成本低廉的光通讯系统，拓展通讯带宽，具有较高稳定性，安全性和通用性。

附图说明

图1为本发明结构示意图；

图2为本发明中跨阻放大器电路图；

图3为本发明中信号接收采样示意图；

图中：1a_EQ、1b_EQ-均衡器，2_CDR&SER.-时钟数据恢复与解串器，3_DSW-相位补偿器,4_20Gbps&SER.-20Gbps速率的串行器，5_DE.&Drive、9_DE.&Drive-去加重驱动器，6_FPGA-现场可编程门阵列，7_CDR-时钟数据恢复,8_MUX-多路转换器，10-光电通讯装置,11_LEDDR.-发光二极管驱动器，12_TIA-跨阻放大器，13_LED-发光二极管，14_PIN D.-光电二极管，15_WiFi-通用无线保真设备，16_CPU-中央处理器，17_ASIC-专用集成电路，Zpd-阻抗，Vpd-阻抗电压，VDD-电源，Q1、Q2、Q3、Q4-三极管。

具体实施方式

本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。

下面结合附图对本发明做进一步说明：

实施例1

图1为本发明结构示意图，一种基于数据加重的长距离智能交通系统，包括Li-Fi基站100：其中包括光纤链路，建立访问端与互联网端的连接，处理电信号，接收和/或发送电信号；智能公共交通站台200：其中包括光电通讯装置10，接收Li-Fi基站100的电信号并转换为光信号发送；无人智能公共交通工具300：其中包括光电通讯装置10，接收智能公共交通站台200的光信号和/或发送光信号至智能公共交通站台200；智能公共交通站台200接收无人智能公共交通工具300发出的光信号，转换光信号为电信号上传至Li-Fi基站100。所述的操作终端群，可由大量计算设备构建，例如服务器群或者由PC终端，由各个操作者对每个无人智能公共交通工具300进行远程操作，同过高速Li-Fi信号保证操作信号的稳定与可靠，现有卫星信号、4G Lite、5G信号均不能够获得本发明通讯架构的速度、安全与稳定性。

DS125BR401A 是极低功率高性能均衡器，此器件用于支持四条信道，这些信道上有速率高达12Gbps的高速接口，具有设置简单、控制命令高效的特点。

图2为本发明中跨阻放大器电路图，所述的跨阻放大器12，包括交叉耦合的第一对差分输入晶体管Q1、Q2和第二对差分输入晶体管Q3、Q4；每个晶体管基极连有电容，发射极接地；交叉耦合方式可在高频输入下，有效降低输入信号响应模式因阻抗Zpd1、阻抗Zpd2引起的的特征减弱效应；电阻R3和电阻R4可以提供峰值检测点并增加带宽。

图3为本发明中信号接收采样示意图，发光二极管LED13发出数据包，光电二极管14通过跨足放大器12连接FPGA6完成时钟同步，保证取样发生的时间准确性；LED驱动器11提前设置LED13的发光周期，保持与光电二极管14同周期，一个周期内发送单一数据延迟不超过3ms。在接收过程中，光电二极管14时钟领先LED13发光周期的1/4，LED13发出逻辑“0”（低光密度）时，光电二极管14开始取样1；LED13发出逻辑“1”（高光密度）时，光电二极管14开始取样2，FPGA6比较两个取样。

图3中,光电二极管PIN.D3的曲线，光电二极管PIN.D3取样1、2能量相等，LED13和光电二极管PIN.D3时钟相位超出两个取样周期，出现此种情况可能是由于外界光太弱，导致接收光密度过低。因此，通讯算法应该包括，在两个取样信号中，至少保证一个是检测为逻辑“1”。比如，如果取样信号1、2没有超出确定的阈值，FPGA6识别时钟关闭2个周期，并进行时钟调整；如果在调整后，取样信号1、2还是没有超过阈值，则判定为目前没有光源输入同步信号模式。

LED13灯可选波长区间在850nm,1310nm,1490nm,CW- DM，1550nm,DWDM；启用方式是光感应启动、无源光启动、光声控结合技术、光感应机械整合模块的和/或可选技术选择。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何属于本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于数据加重的长距离智能交通系统，其特征在于，包括

Li-Fi基站（100）：其中包括光纤链路，建立访问端与互联网端的连接，处理电信号，接收和/或发送电信号，所述的光纤链路包括信号发射通路，所述的信号发射通路包括用于数据加重的均衡器，均衡器选用DS125BR401A；

智能公共交通站台（200）：其中包括光电通讯装置（10），接收Li-Fi基站（100）的电信号并转换为光信号发送；

无人智能公共交通工具（300）：其中包括光电通讯装置（10），接收智能公共交通站台（200）的光信号和/或发送光信号至智能公共交通站台（200）；

智能公共交通站台（200）接收无人智能公共交通工具（300）发出的光信号，转换光信号为电信号并上传至Li-Fi基站（100）。

2.根据权利要求1所述的一种基于数据加重的长距离智能交通系统，其特征在于，所述的光纤链路，包括信号发射通路和信号接收通路。

3.根据权利要求2所述的一种基于数据加重的长距离智能交通系统，其特征在于，所述的信号发射通路，包括

ASIC（17）：至少输出两个电信号，每个电信号速率至少大于1Gbps/s；

均衡器（1a）：通过超高速以太网接口XLAUI连接ASIC（17），接收电信号；

CDR&解串器（2）：接收均衡器（1a）补偿后的电信号，进行时钟与数据恢复并解串；

相位补偿器（3）：接收CDR&解串器（2）的电信号，在动态与静态电信号间进行相位拟合；

串行器（4）：接收相位补偿器（3）拟合后的电信号，输出串行电信号；

去加重驱动器（5)：接收串行器（4）的电信号，进行去加重和放大操作，输出电信号；

FPGA（6）：通过物理介质关联层接口PMD连接去加重驱动器（5）。

4.根据权利要求2所述的一种基于数据加重的长距离智能交通系统，其特征在于，所述的信号接收通路，包括

FPGA（6）：接收智能公共交通站台（200）上传的电信号；

均衡器（1b）：接收FPGA发出对应信号发射通路中均衡器（1a）的电信号；

CDR（7）：接收均衡器（1b）补偿后的电信号，进行时钟与数据恢复；

多路转换器（8）：接收经CDR（7）恢复后的电信号，输出至少两个半速电信号；

去加重驱动器（9):接收多路转换器（8）的半速电信号，进行去加重和放大操作；

ASIC（17）：通过超高速以太网接口XLAUI连接去加重驱动器（9)，至少接收两个半速电信号。

5.根据权利要求1所述的一种基于数据加重的长距离智能交通系统，其特征在于，所述的光电通讯装置（10），包括

LED驱动器(11)：通过传输总线连接Li-Fi基站(100)，输出控制信号；

LED(13)：接收LED驱动器(11)的控制信号，根据电信号特定序列模式发出光信号；

PIN光电二极管（14）：接收光信号，转换为电信号；

跨阻放大器（12）：通过传输总线连接Li-Fi基站(100)，接收PIN光电二极管（14）的电信号，输出至Li-Fi基站(100)。

6.根据权利要求5所述的一种基于数据加重的长距离智能交通系统，其特征在于，所述的跨阻放大器（12），包括交叉耦合的第一对差分输入晶体管（Q1、Q2）和第二对差分输入晶体管（Q3、Q4）。

7.根据权利要求1所述的一种基于数据加重的长距离智能交通系统，其特征在于，所述的光电通讯装置（10）和Li-Fi基站（100），在光通讯过程中，使用IEEE802.15.7协议定义物理层和媒体存取控制层。

8.根据权利要求1所述的一种基于数据加重的长距离智能交通系统，其特征在于，所述的无人智能公共交通工具（300），还包括连接光电通讯装置（10）的处理器（16），处理器（16）连接有Wi-Fi（15）装置。

9.根据权利要求1所述的一种基于数据加重的长距离智能交通系统，其特征在于，所述的无人智能公共交通工具（300），通过Li-Fi基站（100）和智能公共交通站台（200）受控于操作终端群。

10.根据权利要求1或9所述的一种基于数据加重的长距离智能交通系统，其特征在于，所述的无人智能公共交通工具（300），具有深度学习计算架构。