توضیحات
پروژه شبیه سازی موقعیت یابی گره در شبکه خودرویی با اندازه گیری فاصله بین گره با متلب
چکیده مقاله (ترجمه ماشینی)
این پروژه آماده متلب یک روش جدید موقعیت یابی (CP) برای افزایش دقت محلی سازی در شبکه های موقت وسایل نقلیه (VANET) را ارائه می دهد. روش پیشنهادی برای اتصال فیوز داده های موقعیت و اطلاعات فاصله گره های موجود در شبکه ، از دامنه کالمن نیمه توسعه یافته استفاده می کند. در این مقاله همچنین یک روش اندازه گیری فاصله جدید با استفاده از اختلاف زمان رسیدن در کدهای متعامد مثبت معرفی شده است. نتایج شبیه سازی نشان می دهد که روش پیشنهادی از سایر سیستم های موقعیت یابی تعاونی ، هم برای تراکم پایین و هم برای بازده بالا ، عملکرد بهتری دارد.
مقدمه
اکثر برنامه های کاربردی در شبکه های موقت وسایل نقلیه (VANET) به موقعیت وسایل نقلیه نیاز دارند تا به طور دقیق در زمان واقعی تخمین زده شوند [1]. به عنوان مثال ، محل دقیق وقوع یک حادثه باید به وسایل نقلیه ای که به محل حادثه می رسند توزیع شود. به طور معمول ، مکان یک وسیله نقلیه توسط دستگاه های GPS پیدا می شود. با این حال ، GPS به حداقل چهار ماهواره موقعیت یاب نیاز به دید دارد که این امر دسترسی و دقت فناوری را در مناطق تحت پوشش و هسته های مرکز شهر که توسط ساختمان های بلند مرتفع ساخته می شوند ، محدود می کند. انجام پروژه برق
در سال های اخیر علاقه به موقعیت مشترک (CP) در شبکه های وسایل نقلیه افزایش یافته است. روشهای موقعیت یابی مشارکتی (CP) می توانند خطای GPS را با استفاده از اطلاعات دیگر مانند اندازه گیری فاصله بین گره های همسایه ، کاهش دهند. دراویل و همکاران [2] برای افزایش دقت در موقعیت یابی ، از فیگور Kalman برای اتصال اطلاعات موقعیت GPS و سیستم ناوبری اینرسی (INS) استفاده کنید. هرگاه وسیله نقلیه وارد محیط چند راهی شود ، وسیله نقلیه برای برآورد موقعیت خود بر اساس موقعیت سه همسایه در منطقه ارتباطی خود ، از مثلث استفاده می کند. اگرچه روش ارائه شده در [2] پیچیدگی کمتری نسبت به [3] دارد ، اما این روش به طور همزمان از اطلاعات فاصله و موقعیت گره ها استفاده نمی کند.
در ناوبری اینرسی مشترک (CIN) که در [4] ، [5] معرفی شد ، وسایل نقلیه واحد اندازه گیری اینرسی (IMU) و داده های موقعیت یابی مبتنی بر INS خود را با وسایل نقلیه ای که در خلاف جهت جاده حرکت می کنند ، برقرار می کنند. این اطلاعات با جابجایی فرکانس حامل (CFO) بسته های دریافتی توسط هر وسیله نقلیه ترکیب می شود تا دقت محلی سازی بهبود یابد. در [6] ، روش CP از درجه بندی مبتنی بر داپلر استفاده می کند. اشتراک شبه GPS برای محلی سازی مشارکتی در [7] ، [8] استفاده می شود. محدوده شبه GPS برای بهبود دامنه بین خودرو استفاده می شود.
مقدمه
اکثر برنامه های کاربردی در شبکه های موقت وسایل نقلیه (VANET) به موقعیت وسایل نقلیه نیاز دارند تا به طور دقیق در زمان واقعی تخمین زده شوند [1]. به عنوان مثال ، محل دقیق وقوع یک حادثه باید به وسایل نقلیه ای که به محل حادثه می رسند توزیع شود. به طور معمول ، مکان یک وسیله نقلیه توسط دستگاه های GPS پیدا می شود. با این حال ، GPS به حداقل چهار ماهواره موقعیت یاب نیاز به دید دارد که این امر دسترسی و دقت فناوری را در مناطق تحت پوشش و هسته های مرکز شهر که توسط ساختمان های بلند مرتفع ساخته می شوند ، محدود می کند. انجام پروژه برق
در سال های اخیر علاقه به موقعیت مشترک (CP) در شبکه های وسایل نقلیه افزایش یافته است. روشهای موقعیت یابی مشارکتی (CP) می توانند خطای GPS را با استفاده از اطلاعات دیگر مانند اندازه گیری فاصله بین گره های همسایه ، کاهش دهند. دراویل و همکاران [2] برای افزایش دقت در موقعیت یابی ، از فیگور Kalman برای اتصال اطلاعات موقعیت GPS و سیستم ناوبری اینرسی (INS) استفاده کنید. هرگاه وسیله نقلیه وارد محیط چند راهی شود ، وسیله نقلیه برای برآورد موقعیت خود بر اساس موقعیت سه همسایه در منطقه ارتباطی خود ، از مثلث استفاده می کند. اگرچه روش ارائه شده در [2] پیچیدگی کمتری نسبت به [3] دارد ، اما این روش به طور همزمان از اطلاعات فاصله و موقعیت گره ها استفاده نمی کند.
در ناوبری اینرسی مشترک (CIN) که در [4] ، [5] معرفی شد ، وسایل نقلیه واحد اندازه گیری اینرسی (IMU) و داده های موقعیت یابی مبتنی بر INS خود را با وسایل نقلیه ای که در خلاف جهت جاده حرکت می کنند ، برقرار می کنند. این اطلاعات با جابجایی فرکانس حامل (CFO) بسته های دریافتی توسط هر وسیله نقلیه ترکیب می شود تا دقت محلی سازی بهبود یابد. در [6] ، روش CP از درجه بندی مبتنی بر داپلر استفاده می کند. اشتراک شبه GPS برای محلی سازی مشارکتی در [7] ، [8] استفاده می شود. محدوده شبه GPS برای بهبود دامنه بین خودرو استفاده می شود.
بخشی از گزارش شبیهسازی
- برای شبیه سازی این مقاله با توجه به اینکه چندین گره به طور همزمان و مستقل در حال حرکت هستند و باید مکان یابی شوند، هر گره را به صورت یک شیء (کلاس node ) در نظر گرفتم. هر گره ویژگی های زیر را دارد:
- Id: شناسه گره
- [0x0,y]: مکان اولیه گره
- [x,y]: مکان گره در هر لحظه
- [vx,vy]: سرعت گره در هر لحظه
- Rc: برد مخابراتی گره
- [x_min,y_min],[x_max,y_max]: ابتدا و انتهای مسیر حرکت گره را مشخص می کند.
- [vx_sigma,vy_sigma]: انحراف معیار اندازه گیری سرعت
- dist_sigma: انحراف معیار اندازه گیری فاصله
- cluster_id: لیست شناسه گره هایی که در کلاستر این گره وجود دارند.
- a: بردار مکان گره های کلاستر)𝑎𝑘(
- a_hat: بردار مکان تخمین زده شده)+𝑎̂𝑘(
- v: بردار سرعت گره های کلاستر)𝑣𝑘(
- v_past: بردار سرعت گره های کلاستر در لحظه قبل)1−𝑣𝑘(
- r: بردار فاصله ها در کلاستر)𝑟𝑘(
- 𝑃𝑘+ ماتریس :P_hat
- برای ساختن هر گره از تابع node استفاده می شود. این تابع مشخصات گره مورد نظر را در ورودی می گیرد و گره را می سازد. در ورودی این تابع باید جاده این گره که به صورت یک شیء مجزا است را مشخص کرد. انجام پروژه شبیه سازی
- 2 ماتریس global به نام های xy , vxy داریم که مکان هر گره در هر لحظه و سرعت هر گره در هر لحظه را در خود ذخیره می کنند. این ماتریس ها برای افزایش سرعت کد و اجتناب از استفاده از حلقه به کار می روند. نکته مهم در مورد شبیه سازی این است که id گره ها باید به صورت اعداد طبیعی متوالی باشد و همچنین id هر گره باید با شماره سطر متناظر آن گره در ماتریس های xy , vxy تطابق داشته باشد.
- تابع avr بردار های a,v,r را برای هر گره به دست می آورد. با توجه به اینکه ممکن است گره ها از کلاستر حذف و یا به آن اضافه شوند، یک ستون به بردار های a,v و 2 ستون به بردار r اضافه کردم که به عنوان شناسه آن ها مورد استفاده قرار می گیرد. یعنی نشان می دهد که هر کدام از اعداد بردار های a,v مربوط به کدام گره هستند. همچنین نشان می دهد که هر کدام از اعداد بردار r فاصله بین کدام 2 گره است. این ستون های اضافه صرفا به عنوان نشان گر کاربرد دارند و در محاسبات وارد نمی شوند.
پروژه شبیه سازی موقعیت یابی گره در شبکه خودرویی با اندازه گیری فاصله بین گره با متلب توسط کارشناسان گروه ۱.۲.۳ پروژه پیاده سازی گردیده .
- فایلهای پروژه به صورت کامل پس از خرید فایل بلافاصله در اختیار شما قرار خواهد گرفت.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.