CN114264220A - 一种移动设备的相对位移精确感知与检测方法 - Google Patents
一种移动设备的相对位移精确感知与检测方法 Download PDFInfo
- Publication number
- CN114264220A CN114264220A CN202111592651.0A CN202111592651A CN114264220A CN 114264220 A CN114264220 A CN 114264220A CN 202111592651 A CN202111592651 A CN 202111592651A CN 114264220 A CN114264220 A CN 114264220A
- Authority
- CN
- China
- Prior art keywords
- task
- signal
- signal intensity
- mobile device
- mobile
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种移动设备的相对位移精确感知与检测方法,包括:步骤1,获取移动设备分别在初始位置和检测位置时其信号装置的信号强度,计算移动设备在检测位置相至于初始位置的综合信号强度变化率;步骤2,判断综合信号强度变化率是否超过预设的强度变化率阈值,若超过预设阈值则判断移动设备超过安全位移;所述预设的强度变化率阈值,是指安全位移阈值对应的综合信号强度变化率;其中,步骤1的计算和步骤2的判断统称为任务,采用移动云计算系统对移动设备的任务卸载和复制分配,由最优的若干其他移动设备执行任务并回传任务结果。本发明可以在室外准确检测移动设备的位移是否超过安全位移,从而提前达到预警状态。
Description
技术领域
本发明属于位移检测和任务分配领域,更具体地涉及一种移动设备的相对位移精确感知 与检测方法。
背景技术
随着科技的发展,精确测量定位在日常生活用具中的应用也越来越广泛,因而基于精确 定位的移动设备目标与其它特定基准检测站进行相对位移测量也将变得越来越重要。
然而现有技术对精密移动目标中部件位移的检测大多还是基于传统工具的位移检测方法, 例如根据操作人员的经验、低精度的仪器测量等,这些方法检测精度低,且准确度也低。另 外一种位移检测主要通过接收GNSS(Global Navigation Satellite System,全球导航卫星系统) 信号来实现。例如,通过移动设备的GNSS信号接收模块,接收移动设备的经纬度信号,换 算成相应的位置,通过不断计算位置,判断当前换算的位置是否相对于之前换算的位置发生 位移。但是在GNSS信号较弱或无法接收到GNSS信号的位置,则不能准确获得其经纬度信 号,导致不能准确计算得到位移变化。因此,有必要开发一种新的位移感知与检测技术。
发明内容
本发明提供一种移动设备的相对位移精确感知与检测方法,可以在室外准确检测移动设 备的位移是否超过安全位移,从而提前达到预警状态。
为实现上述技术目的,本发明采用如下技术方案:
一种移动设备的相对位移精确感知与检测方法,包括:
步骤1,获取移动设备分别在初始位置和检测位置时其信号装置的信号强度,计算移动 设备在检测位置相至于初始位置的综合信号强度变化率;所述信号装置是指GNSS装置和/ 或IMU装置;
步骤2,判断综合信号强度变化率是否超过预设的强度变化率阈值,若超过预设阈值则 判断移动设备超过安全位移;所述预设的强度变化率阈值,是指安全位移阈值对应的综合信 号强度变化率;
其中,步骤1的计算和步骤2的判断统称为移动设备的任务,采用移动云计算系统对移 动设备的任务进行卸载和复制分配,即:移动设备将所述任务卸载到路边单元,路边单元复 制任务并分配到若干其他移动设备完成和回传。
进一步地,步骤1的具体过程为:
步骤1.1,在移动设备的初始位置和目标检测位置,均以预设间隔周期扫描其外部信号装 置若干次,记录在初始位置以及检测位置每次扫描到的每个信号装置的信号强度,并根据所 记录的在初始位置以及检测位置扫描到的信号装置,查找出检测位置相对于初始位置扫描到 的新增信号装置;
步骤1.2,利用记录的信号强度,计算出各个新增信号装置对应的信号强度大于预设信号 强度最小值的次数;以及,计算出在初始位置扫描到的各个信号装置的信号强度大于预设信 号强度最小值的次数;
步骤1.3,针对每个新增信号装置,利用该新增信号装置对应的信号强度大于预设信号强 度最小值的次数,对该新增信号装置在检测位置最后一次扫描得到的信号强度与预设信号强 度最小值的差值进行放大,得到每个新增信号装置的信号强度差放大值;
步骤1.4,针对初始位置扫描到的每个信号装置,利用该信号装置对应的信号强度大于预 设信号强度最小值的次数,对该信号装置在检测位置最后一次扫描得到的信号强度与预设信 号强度最小值的差值进行放大,得到初始位置扫描到的每个信号装置对应的信号强度差放大 值;
步骤1.5,计算各个新增信号装置对应的信号强度差放大值之和、与初始位置扫描到的各 个信号装置对应的信号强度差放大值之和的比率,计算出移动设备在检测位置相对于初始位 置所接收无线信号的综合信号强度变化率α:
其中,L为检测位置扫描到的新增信号装置的个数,Im1n,Im2n,…,ImLn分别为L个新增信 号装置在检测位置最后一次扫描到的信号强度,NL1,NL2,…,NLL分别为L个新增信号装置对 应的信号强度大于预设信号强度最小值的次数;J为初始位置扫描到的信号装置个数, Is1n,Is2n,…,IsJn分别为该J个信号装置在检测位置最后一次扫描到的信号强度,N1,N2,...,Nj分别为该J个信号装置对应的信号强度大于预设信号强度最小值的次数,Imin为预设信号强 度最小值。
进一步地,还包括通过惯性测量单元获取移动设备在检测位置的线性加速度和旋转角频 率,进而确定移动设备在检测位置的方向。
进一步地,采用移动云计算系统进行卸载和分配任务的方法为:
(1)将需要卸载任务的移动设备记为任务移动设备,完成任务的其他移动设备记为服务 器移动设备;
(2)任务移动设备发出任务请求,通过无线连接将任务卸载到路边单元;
(3)路边单元根据其至服务器移动设备上行链路的信噪比条件,识别可用的服务器移动 设备集合Vt;
(4)路边单元采用优化算法,将任务复制并分配到Vt中最优的多个可用的服务器移动 设备;
(5)服务器移动设备接收到任务时,使用自身计算资源处理该任务,并将任务结果通过 路边单元返回给任务移动设备。
进一步地,步骤(3)中,若路边单元至服务器移动设备上行链路的信噪比大于阈值,则 判断该服务器移动设备为可用的服务器移动设备,并将该服务器移动设备添加到可用的服务 器移动设备集合Vt;
其中,可用的服务器移动设备的信噪比条件为:
式中,为表示路边单元和服务器移动设备v之间的信噪比,PR为路边单元的传 输功率,表示路边单元和服务器移动设备v之间的距离,α表示信号功率衰减,σ2表示 信道上的背景噪声,IRS表示干扰,β表示阈值并且取决于无线网络。
进一步地,步骤(4)中采用优化算法将任务分配到最优的多个可用的服务器移动设备, 具体过程为:
(4.1)建立集合Vt内各服务器移动设备的总服务延迟模型:
式中,t表示任务,v表示可用的服务器移动设备,v∈Vt;
d(TR),t表示任务移动设备到路边单元的传输延迟,d(TR),t=xt/r(TR),t,xt表示任务的数据 大小,r(TR),t表示任务t从任务移动设备卸载到路边单元的传输速率, r(TR),t=Wlog2(1+SINR(TR)),W表示信号带宽,SINR(TR)表示移动设备卸载任务到路边单元 的信噪比;
d(RS),t表示路边单元到服务器移动设备的任务分配延迟;
dv (ST),t表示服务器移动设备v对任务t的结果返回延迟,dv (ST),t=dv (SR),t+dv (RR),t+dv (RT),t, dv (SR),t表示服务器移动设备v将任务结果返回给路边单元的传输延迟,dv (RR),t表示从服务器移 动设备接收任务结果的路边单元到给任务移动设备发送任务结果的路边单元之间的传输延迟, dv (RT),t表示路边单元将任务结果发送给任务移动设备的传输延迟;
(4.2)设优化求解的最优的多个可用的服务器移动设备构成的集合为Αt,则集合Αt为 集合的子集;所述集合是指:如果任务移动设备在截止时间Lt之前收到服务器移动设备 v的任务结果,即则认为服务器移动设备v成功执行任务,这些服务器移动设备构 成集合
(4.3)构建优化算法模型:
式中,u(μt,At)表示集合Αt的奖励,且有η是完成 一次任务复制的单位成本,|At|表示集合Αt中包括的服务器移动设备的数量;μv t表示服务 器移动设备v属于集合的期望,且有其中1{·}是 指示函数,E{·}代表期望,Pr{·}代表取其中的概率;bt表示任务t的预设复制数量;T为路 边单元在任务分配周期内接收的任务总数;
(4.4)求解上述优化问题P1,得到每个任务t最优的多个可用的服务器移动设备集合At。
进一步地,将优化问题P1解耦为与T个任务一一对应的独立子问题,然后分别求解对应 的集合At,每个任务t对应的子问题P2表示为:
有益效果
本发明通过判断所述综合信号强度化率是否超出预设安全位移对应的信号强度变化率阈 值范围,确定所述移动设备在检测位置相对于初始位置的位移是否超过预设位移,可以在室 外准确检测移动设备的位移和方向状态,从而提前达到预警状态。另外,本发明对综合信号 强度变化率的计算与位移判断任务,采用移动云计算系统对移动设备的任务进行卸载和复制 分配,同时基于期限并建立最大化奖励的优化模型,求解获得最优的多个可用的服务器移动 设备,完成任务的复制与分配,提高任务在截止时间内完成的概率。
附图说明
图1是本发明所述方法的任务卸载、复制与结果返回的流程图;
图2是本发明所述方法中任务移动设备、服务器移动设备在移动过程中与路边单元之间 的关系,其中实线箭头表示数据传输,虚线箭头表示位置移动。
具体实施方式
下面对本发明的实施例作详细说明,本实施例以本发明的技术方案为依据开展,给出了 详细的实施方式和具体的操作过程,对本发明的技术方案作进一步解释说明。
本实施例提供一种移动设备的相对位移精确感知与检测方法,参考图1、2所示,包括以 下步骤:
步骤1,获取移动设备分别在初始位置和检测位置时其信号装置的信号强度,计算移动 设备在检测位置相至于初始位置的综合信号强度变化率;所述信号装置是指GNSS装置和/ 或IMU装置。步骤1具体过程包括:
步骤1.1,在移动设备的初始位置和目标检测位置,均以预设间隔周期扫描其外部信号装 置若干次,记录在初始位置以及检测位置每次扫描到的每个信号装置的信号强度,并根据所 记录的在初始位置以及检测位置扫描到的信号装置,查找出检测位置相对于初始位置扫描到 的新增信号装置;
步骤1.2,利用记录的信号强度,计算出各个新增信号装置对应的信号强度大于预设信号 强度最小值的次数;以及,计算出在初始位置扫描到的各个信号装置的信号强度大于预设信 号强度最小值的次数;
步骤1.3,针对每个新增信号装置,利用该新增信号装置对应的信号强度大于预设信号强 度最小值的次数,对该新增信号装置在检测位置最后一次扫描得到的信号强度与预设信号强 度最小值的差值进行放大,得到每个新增信号装置的信号强度差放大值;
步骤1.4,针对初始位置扫描到的每个信号装置,利用该信号装置对应的信号强度大于预 设信号强度最小值的次数,对该信号装置在检测位置最后一次扫描得到的信号强度与预设信 号强度最小值的差值进行放大,得到初始位置扫描到的每个信号装置对应的信号强度差放大 值;
步骤1.5,计算各个新增信号装置对应的信号强度差放大值之和、与初始位置扫描到的各 个信号装置对应的信号强度差放大值之和的比率,计算出移动设备在检测位置相对于初始位 置所接收无线信号的综合信号强度变化率α:
其中,L为检测位置扫描到的新增信号装置的个数,Im1n,Im2n,…,ImLn分别为L个新增信 号装置在检测位置最后一次扫描到的信号强度,NL1,NL2,…,NLL分别为L个新增信号装置对 应的信号强度大于预设信号强度最小值的次数;J为初始位置扫描到的信号装置个数, Is1n,Is2n,…,IsJn分别为该J个信号装置在检测位置最后一次扫描到的信号强度,N1,N2,...,Nj分别为该J个信号装置对应的信号强度大于预设信号强度最小值的次数,Imin为预设信号强 度最小值。
步骤2,判断综合信号强度变化率是否超过预设的强度变化率阈值,若超过预设的强度 变化率阈值则判断移动设备超过安全位移;所述预设的强度变化率阈值,是指安全位移阈值 对应的综合信号强度变化率。
首先移动设备具有一个安全位移阈值,基于相对位移与信号强度之间的关系,安全位移 阈值对应一个强度变化率阈值,因此可根据综合信号强度变化率来判断移动设备是否超过安 全位移:若综合信号强度变化率超过预设的强度变化率阈值,则判断移动设备超过安全位移, 从而提前达到预警状态。
在判断移动设备是否超过安全位移的基础上,再考虑移动设备在检测位置的方向以进一 步提高相对位移的检测精度,更优的实施例中,还包括通过惯性测量单元获取移动设备在检 测位置的线性加速度和旋转角频率,进而确定移动设备在检测位置的方向,确定方向属于现 有技术,本发明不详细阐述。
本发明中,步骤1的计算、步骤2的判断以及其他方向的计算判断等统称为移动设备的 任务,采用移动云计算系统对移动设备的任务进行卸载和复制分配,即:移动设备将所述任 务卸载到路边单元,路边单元复制任务并分配到若干其他移动设备完成和回传。具体包括以 下步骤:
(1)将需要卸载任务的移动设备记为任务移动设备,完成任务的其他移动设备记为服务 器移动设备。
(2)任务移动设备发出任务请求,通过无线连接将任务卸载到路边单元;
(3)路边单元根据其至服务器移动设备上行链路的信噪比条件,识别可用的服务器移动 设备集合Vt;
在该步骤(3)中,若路边单元至服务器移动设备上行链路的信噪比大于阈值,则判断该 服务器移动设备为可用的服务器移动设备,并将该服务器移动设备添加到可用的服务器移动 设备集合Vt;
其中,可用的服务器移动设备的信噪比条件为:
式中,为表示路边单元和服务器移动设备v之间的信噪比,PR为路边单元的传 输功率,表示路边单元和服务器移动设备v之间的距离,α表示信号功率衰减,σ2表示 信道上的背景噪声,IRS表示干扰,β表示阈值并且取决于无线网络。
(4)路边单元采用优化算法,将任务复制并分配到Vt中最优的多个可用的服务器移动 设备;具体过程为:
(4.1)建立集合Vt内各服务器移动设备的总服务延迟模型:
式中,t表示任务,v表示可用的服务器移动设备,v∈Vt;
d(TR),t表示任务移动设备到路边单元的传输延迟,d(TR),t=xt/r(TR),t,xt表示任务的数据 大小,r(TR),t表示任务t从任务移动设备卸载到路边单元的传输速率, r(TR),t=Wlog2(1+SINR(TR)),W表示信号带宽,SINR(TR)表示移动设备卸载任务到路边单元 的信噪比;
d(RS),t表示路边单元到服务器移动设备的任务分配延迟;
dv (ST),t表示服务器移动设备v对任务t的结果返回延迟,dv (ST),t=dv (SR),t+dv (RR),t+dv (RT),t, dv (SR),t表示服务器移动设备v将任务结果返回给路边单元的传输延迟,dv (RR),t表示从服务器移 动设备接收任务结果的路边单元到给任务移动设备发送任务结果的路边单元之间的传输延迟, dv (RT),t表示路边单元将任务结果发送给任务移动设备的传输延迟;
(4.2)设优化求解的最优的多个可用的服务器移动设备构成的集合为Αt,则集合Αt为 集合的子集;所述集合是指:如果任务移动设备在截止时间Lt之前收到服务器移动设备 v的任务结果,即则认为服务器移动设备v成功执行任务,这些服务器移动设备构 成集合
(4.3)构建优化算法模型:
式中,u(μt,At)表示集合Αt的奖励,且有μt表示预 期的质量,η是完成一次任务复制的单位成本,|At|表示集合Αt中包括的服务器移动设备的 数量;μv t表示服务器移动设备v属于集合的期望,且有其中 1{·}是指示函数,E{·}代表期望,Pr{·}代表取其中的概率;bt表示任务t的预 设复制数量;T为路边单元在任务分配周期内接收的任务总数;
(4.4)将优化问题P1解耦为与T个任务一一对应的独立子问题,然后分别求解每个任 务t最优的多个可用的服务器移动设备集合At。
每个任务t对应的子问题P2表示为:
(5)服务器移动设备接收到任务时,使用自身计算资源处理该任务,并将任务结果通过 路边单元返回给任务移动设备。
本实施例中,任务移动设备与路边单元之间、不同路边单元之间、路边单元与服务器移 动设备之间,相互之间的数据传输,可以通过已有通信技术实现,例如:每个任务t最优的 多个可用的服务器移动设备集合At。
下面对本发明中的路边单元采用优化算法复制任务并分配到Vt中最优的多个可用的服 务器移动设备At的方法原理进行解释说明:
现在假设有一个全知的oracle数据库知道每种可能复制的预期质量那么P2成 为一个具有基数约束的子模函数最大化问题,这是一个研究得很好的课题,可以通过算法中 提出的贪婪算法有效地解决。为了便于解决方案演示,定义复制v的边际奖励:
贪婪算法以迭代方式工作。在每个迭代k中,复制vk∈Vt\Ak-1选择的目标是使边际奖励 最大化的参数,由给出。在一般情况下,贪婪算法保证在多项式运行时不小于(1 -1/e)的最优解。然而,对于P2中的问题,贪婪算法实际上给出了最优解,这在下面得到了 证明。
贪婪算法的最优性:对于任意任务t,贪婪算法导出的第t个子问题的任务复制决策是最 优的。
对于每个任务t,A*,t是每个问题的最优复制决策。因此,P1的最优解是由于 这个最优解是由oracle求得的,我们称之为oracle解。设是由某个算法得出的复制决 策。通过比较该算法与oracle算法的损失来评估该算法的性能。这种损失称为算法的损失, 该算法正式定义为
在上面,通过假设路边单元知道预期的复制质量,已经讨论了oracle的P1解决方案。然 而,在实际的移动设备云计算应用中,由于设备移动和网络条件的不确定性,即使不是不可 能,也很难提前准确地知道复制质量。在这种情况下,单靠贪婪算法很难得出复制决策。在 下一部分中,我们将任务复制问题放入环境组合多臂赌博机算法(CC-MAB)框架中,这样 路边单元就能够通过观察复制环境来了解任务复制的预期质量,然后做出智能复制决策。
复制能否完成取决于许多因素,这些因素统称为环境因素。例如,相关因素可以是任务 信息(例如,任务输入和结果的数据大小会影响传输过程中的延迟),设备信息(例如,任务 移动设备和服务器移动设备的速度会在发送回任务结果时影响设备位置,从而确定是否需要 路边单元间传输),道路状况(例如,高设备密度会导致高无线传输干扰,从而增加传输延迟)。 这种分类显然不是详尽无遗的,而且每个单一环境对复制质量的影响是先验未知的。我们的 算法将学习发现这种环境和复制质量之间的潜在联系,从而促进任务复制决策。
(4)环境感知任务复制:让ΦT作为任务的环境空间,其中包括任务信息(例如输入/结 果数据的大小、截止时间等)和任务移动设备的设备信息(例如速度、位置和可用的计算资 源)。让ΦS作为服务器移动设备信息的环境空间。路边单元将连接空间Φ=ΦT×ΦS设置为复 制的环境空间。假设环境空间Φ是有界的,因此可以表示为Φ=[0,1]D,而不丧失一般性,其 中D是环境空间Φ的维数。由于复制v∈Vt的服务延迟被它的环境参数化,所以现在编写 了一个高质量的复制v为及其期望值为设来收集 所有特定于环境的复制质量。
现在,准备将任务复制问题表述为CC-MAB问题。对于每个任务t,路边单元按如下顺 序操作:
(ii)路边单元根据观察到的环境φt和从先前任务中学习到的知识选择复制子集。
(iii)路边单元将任务复制发送到选定的服务器移动设备,然后在处理任务时收集结果。
(iv)路边单元将任务结果发送回任务移动设备,并观察所选复制的质量。观察到的质量 将用于更新当前知识。然而,请注意,由于移动设备云计算引起的传输/计算延迟,在任务t 到达之前可能无法立即观察到质量任务t的复制,这将导致CC-MAB中的延迟反馈问题。为 了便于陈述和解释,我们目前假设任务t的复制质量在下一个任务t+1到达之前就已观察到, 因此CC-MAB的反馈不会延迟。后面将讨论延迟反馈的更实际的情况。
(5)具备零延迟反馈的移动设备云中期限感知任务复制算法:基于CC-MAB框架开发 的。在初始化阶段,该算法在环境空间Φ上创建一个分区PT,该分区根据给定的时间范围将 Φ拆分为(hT)D数据集。这些集合由相同大小的D维超立方体给出。这里,hT是一 个用于确定超级立方体PT数量的参数。此外,路边单元为每个超级立方体p∈PT保留一个计 数器Ct(p),它记录在接收任务t之前,环境在超级立方体p中选择的复制数量。此外,该 算法还保持每个超级立方体的估计质量使使 其成为在p中观察到的具有相关环境的复制质量的集合。然后,根据环境进行复制的 估计质量为是
对于每个任务t,移动设备云中期限感知任务复制算法执行以下步骤:所有可能复制的环 境对于每个环境该算法确定一个超级立方体以至于对于任 务t,这些超级立方体的集合用表示。然后,算法检查是否存在没有被充分地探 索的超级立方体p∈Pt。为此,对于任务t,对未充分探索的超级立方体定义:
根据任务t,由于未充分开发的复制Vue,t,移动设备云中的期限感知任务复制算法可能处 于探索阶段或开发阶段。如果Vue,t为非空,则基于期限约束的任务复制学习算法进入探索阶 段。让z=|Vue,t|成为未充分探索的复制的大小。如果设置Vue,t至少包含bt个复制(z≥bt),那 么基于期限约束的任务复制学习算法从Vue,t中随机选择三个副本。如果Vue,t至少包含 bt(z<bt),那么移动设备云中的期限感知任务复制算法从Vue,t中选择全部的z。由于预期中 的bt未得到充分利用,剩余的复制(bt-z)使用贪婪算法结合预估值进行计算:
选择复制后,算法观察所选复制实现的质量,然后在pt中更新每个超立方体输入的估计质量 和计数器。
仍然需要设计参数hT和控制策略K(t),以在时间范围T内实现次线性遗憾,即: R(T)=O(Tγ),γ<1,因此算法保证渐近最优性能(limT→∞R(T)/T=0)。
(6)带有延迟反馈的设备云中的期限感知任务复制算法:评估了具有零延迟反馈的算法 的性能。然而,在应用中很容易违反零延迟反馈假设,因为路边单元只有在返回任务结果后 才能观察复制的质量,而此时新的任务请求可能已经到达。因此,在下文中,分析了带有延 迟反馈的算法的性能。
对于任意任务t,算法有计数器Ct(p),p∈pt,它统计具备环境的p中被选中的复制数量。 由于反馈延迟,观察到的质量数量可能少于所选复制的数量。因此,我们引入了一个新的计 数器Mt(p),在接收任务t之前记录自带环境的超级立方体p中被观察到的复制质量。显然, 我们将有Mt(p)≤Ct(p)。使是观察到的质量的集合,估计的质量是
现在,分别通过分析探索和开发阶段,比较算法在非延迟反馈和延迟反馈情况下的性能。 首先考虑算法在延迟反馈设置中的探索阶段。算法是否将进入由计数器Ct(p),p∈pt确定的任 务t的勘探,不取决于观察到的质量数量。因此,在非延迟反馈和延迟反馈案例中,因探索 而产生的损失是相同的。接下来,考虑延迟反馈的算法的开发阶段。对于任务t,如果其计数 器满足Ct(p)>K(t),那么算法进入开发阶段。由于延迟反馈,有两种情况可供利用: i)观测质量的数量满足:K(t)<Mt(p)≤Ct(p),在这种情况下,尽管仍有未观察到 的质量,但观察到的质量数量比K(t)更多。因此,利用估计的质量保证在非延迟反馈情况下, 遗憾界得到了证明。ii)观察p中的质量数量满足:K(t)<Mt(p)≤Ct(p),由于观 察到的质量数量Mt(p),比K(t)更少,使用任务中的μt(p)复制无法保证在开发过程中 的遗憾界。称开发相位t和Mt(p)<K(t)≤Ct(p),为错误开发。在具备延迟反馈的情 况下,要对移动设备云中的期限感知任务复制算法的误差进行约束,只需要考虑错误开发中 的额外偏差。
以上实施例为本申请的优选实施例,本领域的普通技术人员还可以在此基础上进行各种 变换或改进,在不脱离本申请总的构思的前提下,这些变换或改进都应当属于本申请要求保 护的范围之内。
Claims (7)
1.一种移动设备的相对位移精确感知与检测方法,其特征在于,包括:
步骤1,获取移动设备分别在初始位置和检测位置时其信号装置的信号强度,计算移动设备在检测位置相至于初始位置的综合信号强度变化率;所述信号装置是指GNSS装置和/或IMU装置;
步骤2,判断综合信号强度变化率是否超过预设的强度变化率阈值,若超过预设阈值则判断移动设备超过安全位移;所述预设的强度变化率阈值,是指安全位移阈值对应的综合信号强度变化率;
其中,步骤1的计算和步骤2的判断统称为移动设备的任务,采用移动云计算系统对移动设备的任务进行卸载和复制分配,即:移动设备将所述任务卸载到路边单元,路边单元复制任务并分配到若干其他移动设备完成和回传。
2.根据权利要求1所述的方法,其特征在于,步骤1的具体过程为:
步骤1.1,在移动设备的初始位置和目标检测位置,均以预设间隔周期扫描其外部信号装置若干次,记录在初始位置以及检测位置每次扫描到的每个信号装置的信号强度,并根据所记录的在初始位置以及检测位置扫描到的信号装置,查找出检测位置相对于初始位置扫描到的新增信号装置;
步骤1.2,利用记录的信号强度,计算出各个新增信号装置对应的信号强度大于预设信号强度最小值的次数;以及,计算出在初始位置扫描到的各个信号装置的信号强度大于预设信号强度最小值的次数;
步骤1.3,针对每个新增信号装置,利用该新增信号装置对应的信号强度大于预设信号强度最小值的次数,对该新增信号装置在检测位置最后一次扫描得到的信号强度与预设信号强度最小值的差值进行放大,得到每个新增信号装置的信号强度差放大值;
步骤1.4,针对初始位置扫描到的每个信号装置,利用该信号装置对应的信号强度大于预设信号强度最小值的次数,对该信号装置在检测位置最后一次扫描得到的信号强度与预设信号强度最小值的差值进行放大,得到初始位置扫描到的每个信号装置对应的信号强度差放大值;
步骤1.5,计算各个新增信号装置对应的信号强度差放大值之和、与初始位置扫描到的各个信号装置对应的信号强度差放大值之和的比率,计算出移动设备在检测位置相对于初始位置所接收无线信号的综合信号强度变化率α:
其中,L为检测位置扫描到的新增信号装置的个数,Im1n,Im2n,…,ImLn分别为L个新增信号装置在检测位置最后一次扫描到的信号强度,NL1,NL2,…,NLL分别为L个新增信号装置对应的信号强度大于预设信号强度最小值的次数;J为初始位置扫描到的信号装置个数,Is1n,Is2n,…,IsJn分别为该J个信号装置在检测位置最后一次扫描到的信号强度,N1,N2,...,Nj分别为该J个信号装置对应的信号强度大于预设信号强度最小值的次数,Imin为预设信号强度最小值。
3.根据权利要求1所述的方法,其特征在于,还包括通过惯性测量单元获取移动设备在检测位置的线性加速度和旋转角频率,进而确定移动设备在检测位置的方向。
4.根据权利要求1所述的方法,其特征在于,采用移动云计算系统进行卸载和分配任务的方法为:
(1)将需要卸载任务的移动设备记为任务移动设备,完成任务的其他移动设备记为服务器移动设备;
(2)任务移动设备发出任务请求,通过无线连接将任务卸载到路边单元;
(3)路边单元根据其至服务器移动设备上行链路的信噪比条件,识别可用的服务器移动设备集合Vt;
(4)路边单元采用优化算法,将任务复制并分配到Vt中最优的多个可用的服务器移动设备;
(5)服务器移动设备接收到任务时,使用自身计算资源处理该任务,并将任务结果通过路边单元返回给任务移动设备。
6.根据权利要求4所述的方法,其特征在于,步骤(4)中采用优化算法将任务分配到最优的多个可用的服务器移动设备,具体过程为:
(4.1)建立集合Vt内各服务器移动设备的总服务延迟模型:
式中,t表示任务,v表示可用的服务器移动设备,v∈Vt;
d(TR),t表示任务移动设备到路边单元的传输延迟,d(TR),t=xt/r(TR),t,xt表示任务的数据大小,r(TR),t表示任务t从任务移动设备卸载到路边单元的传输速率,r(TR),t=Wlog2(1+SINR(TR)),W表示信号带宽,SINR(TR)表示移动设备卸载任务到路边单元的信噪比;
d(RS),t表示路边单元到服务器移动设备的任务分配延迟;
dv (ST),t表示服务器移动设备v对任务t的结果返回延迟,dv (ST),t=dv (SR),t+dv (RR),t+dv (RT),t,dv (SR),t表示服务器移动设备v将任务结果返回给路边单元的传输延迟,dv (RR),t表示从服务器移动设备接收任务结果的路边单元到给任务移动设备发送任务结果的路边单元之间的传输延迟,dv (RT),t表示路边单元将任务结果发送给任务移动设备的传输延迟;
(4.2)设优化求解的最优的多个可用的服务器移动设备构成的集合为At,则集合At为集合的子集;所述集合是指:如果任务移动设备在截止时间Lt之前收到服务器移动设备v的任务结果,即则认为服务器移动设备v成功执行任务,这些服务器移动设备构成集合
(4.3)构建优化算法模型:
式中,u(μt,At)表示集合At的奖励,且有η是完成一次任务复制的单位成本,|At|表示集合At中包括的服务器移动设备的数量;μv t表示服务器移动设备v属于集合的期望,且有其中1{·}是指示函数,E{·}代表期望,Pr{·}代表取其中的概率;bt表示任务t的预设复制数量;T为路边单元在任务分配周期内接收的任务总数;
(4.4)求解上述优化问题P1,得到每个任务t最优的多个可用的服务器移动设备集合At。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111592651.0A CN114264220B (zh) | 2021-12-23 | 2021-12-23 | 一种移动设备的相对位移精确感知与检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111592651.0A CN114264220B (zh) | 2021-12-23 | 2021-12-23 | 一种移动设备的相对位移精确感知与检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114264220A true CN114264220A (zh) | 2022-04-01 |
CN114264220B CN114264220B (zh) | 2022-11-22 |
Family
ID=80829342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111592651.0A Active CN114264220B (zh) | 2021-12-23 | 2021-12-23 | 一种移动设备的相对位移精确感知与检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114264220B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115190586A (zh) * | 2022-09-08 | 2022-10-14 | 东南大学 | 一种移动终端辅助的智能家居设备位置感知方法 |
WO2023193535A1 (zh) * | 2022-04-06 | 2023-10-12 | 深圳市道通合创数字能源有限公司 | 一种充电桩的还枪控制方法、装置、充电桩及介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103776405A (zh) * | 2014-02-21 | 2014-05-07 | 网易(杭州)网络有限公司 | 一种位移检测的方法及装置 |
DE102011101032A1 (de) * | 2011-05-10 | 2014-08-07 | Achim Martin Frenzel | Eines Maßstabes mit der Bezeichnung " MEC30", der die Energieverteilung in Systemen zeigt |
US20160381116A1 (en) * | 2014-03-10 | 2016-12-29 | Deutsche Telekom Ag | Method and system to estimate user desired delay for resource allocation for mobile-cloud applications |
CN109379727A (zh) * | 2018-10-16 | 2019-02-22 | 重庆邮电大学 | 车联网中基于mec的任务分布式卸载与协作执行方案 |
CN109391681A (zh) * | 2018-09-14 | 2019-02-26 | 重庆邮电大学 | 基于mec的v2x移动性预测与内容缓存卸载方案 |
CN109767117A (zh) * | 2019-01-11 | 2019-05-17 | 中南林业科技大学 | 移动边缘计算中联合任务调度的功率分配方法 |
CN109862086A (zh) * | 2019-01-21 | 2019-06-07 | 华北电力大学 | 一种车载边缘计算中基于匹配算法的任务分配策略 |
CN110012039A (zh) * | 2018-01-04 | 2019-07-12 | 华北电力大学 | 一种车联网中基于admm的任务分配与功率控制方案 |
CN111756812A (zh) * | 2020-05-29 | 2020-10-09 | 华南理工大学 | 一种能耗感知的边云协同动态卸载调度方法 |
CN111831427A (zh) * | 2020-05-18 | 2020-10-27 | 南京邮电大学 | 一种基于移动边缘计算的分布式车辆间任务卸载方法 |
CN111970318A (zh) * | 2020-05-18 | 2020-11-20 | 北京邮电大学 | 基于移动边缘计算的车辆与路边单元协同卸载任务方法及装置 |
US20210266834A1 (en) * | 2020-02-25 | 2021-08-26 | South China University Of Technology | METHOD OF MULTI-ACCESS EDGE COMPUTING TASK OFFLOADING BASED ON D2D IN INTERNET OF VEHICLES (IoV) ENVIRONMENT |
CN113342030A (zh) * | 2021-04-27 | 2021-09-03 | 湖南科技大学 | 基于强化学习的多无人机协同自组织控制方法及系统 |
CN113377125A (zh) * | 2021-05-26 | 2021-09-10 | 安徽大学 | 用于空气污染检测的无人机系统 |
CN113542376A (zh) * | 2021-07-01 | 2021-10-22 | 广东工业大学 | 一种基于能耗与时延加权的任务卸载方法 |
-
2021
- 2021-12-23 CN CN202111592651.0A patent/CN114264220B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102011101032A1 (de) * | 2011-05-10 | 2014-08-07 | Achim Martin Frenzel | Eines Maßstabes mit der Bezeichnung " MEC30", der die Energieverteilung in Systemen zeigt |
CN103776405A (zh) * | 2014-02-21 | 2014-05-07 | 网易(杭州)网络有限公司 | 一种位移检测的方法及装置 |
US20160381116A1 (en) * | 2014-03-10 | 2016-12-29 | Deutsche Telekom Ag | Method and system to estimate user desired delay for resource allocation for mobile-cloud applications |
CN110012039A (zh) * | 2018-01-04 | 2019-07-12 | 华北电力大学 | 一种车联网中基于admm的任务分配与功率控制方案 |
CN109391681A (zh) * | 2018-09-14 | 2019-02-26 | 重庆邮电大学 | 基于mec的v2x移动性预测与内容缓存卸载方案 |
CN109379727A (zh) * | 2018-10-16 | 2019-02-22 | 重庆邮电大学 | 车联网中基于mec的任务分布式卸载与协作执行方案 |
CN109767117A (zh) * | 2019-01-11 | 2019-05-17 | 中南林业科技大学 | 移动边缘计算中联合任务调度的功率分配方法 |
CN109862086A (zh) * | 2019-01-21 | 2019-06-07 | 华北电力大学 | 一种车载边缘计算中基于匹配算法的任务分配策略 |
US20210266834A1 (en) * | 2020-02-25 | 2021-08-26 | South China University Of Technology | METHOD OF MULTI-ACCESS EDGE COMPUTING TASK OFFLOADING BASED ON D2D IN INTERNET OF VEHICLES (IoV) ENVIRONMENT |
CN111831427A (zh) * | 2020-05-18 | 2020-10-27 | 南京邮电大学 | 一种基于移动边缘计算的分布式车辆间任务卸载方法 |
CN111970318A (zh) * | 2020-05-18 | 2020-11-20 | 北京邮电大学 | 基于移动边缘计算的车辆与路边单元协同卸载任务方法及装置 |
CN111756812A (zh) * | 2020-05-29 | 2020-10-09 | 华南理工大学 | 一种能耗感知的边云协同动态卸载调度方法 |
CN113342030A (zh) * | 2021-04-27 | 2021-09-03 | 湖南科技大学 | 基于强化学习的多无人机协同自组织控制方法及系统 |
CN113377125A (zh) * | 2021-05-26 | 2021-09-10 | 安徽大学 | 用于空气污染检测的无人机系统 |
CN113542376A (zh) * | 2021-07-01 | 2021-10-22 | 广东工业大学 | 一种基于能耗与时延加权的任务卸载方法 |
Non-Patent Citations (5)
Title |
---|
VINCENT HAVYARIMANA等: "《Toward Accurate Intervehicle Positioning Based on GNSS Pseudorange Measurements Under Non-Gaussian Generalized Errors》", 《TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》 * |
ZHU XIAO等: "《TrajData: On Vehicle Trajectory Collection With Commodity Plug-and-Play OBU Devices》", 《INTERNET OF THINGS JOURNAL》 * |
尼俊红,等: "《无人机与车辆协助下的分布式多任务边缘计算卸载算法》", 《科学技术与工程》 * |
肖竹,等: "《基于双向RNN的私家车轨迹重构算法》", 《通信学报》 * |
范艳芳,等: "《车载边缘计算中基于深度强化学习的协同计算卸载方案》", 《计算机科学》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023193535A1 (zh) * | 2022-04-06 | 2023-10-12 | 深圳市道通合创数字能源有限公司 | 一种充电桩的还枪控制方法、装置、充电桩及介质 |
CN115190586A (zh) * | 2022-09-08 | 2022-10-14 | 东南大学 | 一种移动终端辅助的智能家居设备位置感知方法 |
CN115190586B (zh) * | 2022-09-08 | 2022-12-09 | 东南大学 | 一种移动终端辅助的智能家居设备位置感知方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114264220B (zh) | 2022-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114264220B (zh) | 一种移动设备的相对位移精确感知与检测方法 | |
Zhuang et al. | Autonomous smartphone-based WiFi positioning system by using access points localization and crowdsourcing | |
Ould-Ahmed-Vall et al. | Distributed fault-tolerance for event detection using heterogeneous wireless sensor networks | |
CN112285676B (zh) | 激光雷达与imu外参标定方法及装置 | |
US8433554B2 (en) | Predicting system performance and capacity using software module performance statistics | |
US10778755B1 (en) | Methods and systems for multi-access edge selection based on performance metrics in a communication network | |
US8213956B2 (en) | Method of tracking a state of a mobile electronic device | |
US10656259B2 (en) | Method for determining trajectories of moving physical objects in a space on the basis of sensor data of a plurality of sensors | |
MX2007013559A (es) | Aparatos y metodos para asociar una posicion geografica con un evento que se presenta en un dispositivo inalambrico. | |
US9664770B2 (en) | Method and system for simultaneous receiver calibration and object localisation for multilateration | |
US10848911B1 (en) | Systems and methods for tracking a location of a mobile device | |
EP3074785A1 (en) | System and method for deploying an rtt-based indoor positioning system | |
CN104618045A (zh) | 基于采集数据的无线信道传播模型的建立方法和系统 | |
EP4250181A1 (en) | Utilizing machine learning models to estimate user device spatiotemporal behavior | |
CN110178049B (zh) | 全球导航卫星系统中的多径管理 | |
CN115866601A (zh) | 连接设备区域标识 | |
KR20200116729A (ko) | 고안전성 rtk-gnss의 초기 준비시간 단축 방법 및 시스템 | |
Chandio et al. | Towards adaptable and tunable cloud-based map-matching strategy for GPS trajectories | |
Kuratomi | GNSS position error estimated by machine learning techniques with environmental information input | |
CN113453333A (zh) | 网络中的接入点的自动定位 | |
CN118170044B (zh) | 一种巨型星座天基测控组网仿真方法及系统 | |
US20230362587A1 (en) | Location identification of access points in a network | |
van Zoest et al. | A note on the propagation of positional uncertainty in environmental models | |
EP3872517A1 (en) | Multi-layer statistical wireless terminal location determination | |
CN117042117A (zh) | 基于联邦学习的水下传感器网络节点定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |