《基于低功耗蓝牙技术的智能物联网监测系统设计与实现课件》由会员分享，可在线阅读，更多相关《基于低功耗蓝牙技术的智能物联网监测系统设计与实现课件（67页珍藏版）》请在金锄头文库上搜索。
1、,目录,content,1,研究背景,2,研究意义,3,研究现状,1999年MIT Auto-ID中心Ashton教授在研究RFID时最早提出了物联网这个概念。2005年ITU在突尼斯举行的信息社会世界峰会上正式确定了“物联网”的概念，并随后发布了ITU Internet reports 2005一一the Internet of things。 “物联网概念”是在“互联网概念”的基础上，将其用户端延伸和扩展到任何物品与物品之间，进行信息交换和通信的一种网络概念。 其定义是:通过无线通信技术、全球定位系统、传感器等信息传感设备，按约定的协议，把任何物品与互联网相连接，进行信息交换和通信，以实现
2、智能化识别、定位、跟踪、监控和管理的一种网络概念。,近年来，智能手机呈现出爆炸式的增长态势，一个新兴烦人研究领域是基于智能手机自带的传感器，或者无线网络接入能力在物联网方向中的研究与应用。常见的智能手机上面都包含有磁力计传感器、加速度传感器、陀螺仪传感器、GPS等传感器，此外，无线网络接入支持移动网络、Wi-Fi、Bluetooth4.0、NFC等。,低功耗蓝牙(BLE)是物联网的一个关键构件，芯片厂商通过利用BLE进一步降低设备功耗和帮助开发者实现BLE，使BLE更适合应用在物联网环境中。根据蓝牙技术联盟（SIG）估计，在 2018 年 90以上有蓝牙功能的智能手机将支援蓝牙低功耗（BLE）
3、功能。这连同数量越来越多，及能通过不断进步的无线技术连接到互联网的智能手机，可能是实现物联网（IoT）潜力的第一波。 随著手机规模经济的效果，BLE 为工程师和产品设计师提供一个简单和具成本效益的硬件配置，以设计出可以相通到互联网的设备。,随着物联网技术的快速发展，人们期待生活在一个高度智能化环境中。但是，目前生活中有很多事物都给人们带来不便。 例如，雨伞是人们生活的重要工具之一，然而， 当室外雨雪天气时，人们从外出的时候总会忘记携带雨伞，这时候不得不回来拿雨伞； 当早上出门的时候还是晴天，可晚上回家的时候却有雨雪，这时候不得不因忘记携带雨伞而苦恼； 当我们去教室等公共场合时，离开的时候我们总
4、会因遗忘而丢失雨伞。,同时当你在走出办公室或餐厅时，将雨伞落在了座位上，Oombrella同样会发出提醒你，防止丢失。 3. 经典版的Oombrella身长3.1英尺，而折叠版的尺寸为0.82英尺，两个版本的伞骨都使用了凯夫拉材质。目前Oombrella在Kickstarter上的众筹目标为6.5万美元，目前已经筹集了2.8万美元。Oombrella的众筹价格为59欧元（约合人民币430元），如果一切顺利的话，预计在今年10月出货。,1. Oombrella内置的传感器可以追踪温度、气压、湿度以及光线，这些数据被用于预测是否马上大雨，如有极高的概率，你就可以通过智能机上的蓝牙和免费的配套应用程
5、序接收到通知。甚至还在顶部安装有摄像头，如果警报的提醒还可以共享到Wezzoo天气社区。其警报预设在出门前15分钟，此外手柄位置还内置了一个蜂鸣器和指示灯。,1,功能定义,2,气象预处理模块,3,地理围栏处理模块,4,Beacon近距监测模块,低功耗蓝牙雨伞提示系统包括： 功低耗蓝牙广播装置 和 移动终端应用软件系统两部分。,低功耗蓝牙Beacon发射端： 是由一个BLE模块内置在雨具中，以每隔1秒的间隔发送Beacon广播数据报文，报文中包含有UUID、Major、Minor、RSSI、TxPower等字段。 可以单独做成模块，使普通雨伞升级为blebrella。 此外，低功耗蓝牙模块仅运行
6、在广播模式，随机在三个广播信道上每隔2s（时间间隔支持20ms10.24s）发送一个广播数据报文，一个CR2032纽扣电池能够供电长达两年之久。,移动终端应用软件系统： 是一个运行在移动终端上的Android软件应用程序，需要移动终端的硬件支持低功耗蓝牙芯片、磁力计传感器和加速度传感器，软件包括气象数据预处理，地理围栏监测，雨伞近距监控处理等几部分。,移动终端应用软件系统： 通过网络数据连接请求从远程气象服务器获得实时天气信息，当预测到下雨天气，并且通过地理围栏监测到用户离开室内时，移动终端应用软件系统根据接收到BLE广播装置的广播信息来判断用户是否已经携带雨伞，当用户忘记携带雨伞时，提醒用户
7、携带雨伞。此外，当用户临时放置雨伞时，在离开的时候提醒用户带走雨伞，这样不会因遗忘而丢失雨伞。,气象预处理是实时地判断当前天气是否有雨雪，来通知用户外出是否需要携带雨具。全国地理位置包含大量的省、市、县和区地名，因此智能手机端需要设计数据库来存取这些数据。 远程气象服务器返回给手机端的是Json类型的数据结构，包含当前时间，气象数据发布时间，气温范围，天气描述信息等，因此手机端需要解析json数据。缓存到本地，避免在数据连接断开的时候，也能从本地缓存读取气象信息。 为了保证用户每次获取的都是实时最新的气象信息，Android手机端应用创建一个长期在后台运行的定时任务，每隔8个小时从远程气象服务
8、器自动请求最新气象信息。判断雨雪天气是时从当前天气描述信息中判断是否包含“雨、雪”字段。,地理围栏处理模型：用一个虚拟的围栏围出一个虚拟的地理边界，当手机进入、离开某个特定的地理区域，或者在该区域活动时候，手机可以接收到自动的通知和警告。 当智能手机离开该区域时，手机可以自动接收到通知，并且从气象预告处理模块中获取是否有雨雪天气，判断用户是否需要携带雨伞。 该模块定义了步频探测算法、步长确定算法、航向确定算法和矢量距离计算。,当室内环境中GPS信号良好的时候，从GPS芯片读取实时定位信息，当用户离开设置的虚拟的栅栏时，手机自动接收到通知。 当室内环境中GPS信号不好的时候，智能手机通过处理采集
9、到的加速度传感器和磁力计传感器数值，探测用户移动的步数、步长和航向角； 根据加速度传感器数据，由步频探测算法计算步数； 根据加速度传感器数据，由步长处理算法探测步长； 根据加速度传感器数据和磁力计数据，由航向确定算法计算航向角度；,已知一段时间内移动步数、步长和每一步航向角计算出用户移动的矢量距离，当用户离开设置的虚拟的栅栏时，手机自动接收到通知。,Beacon近距监控模块用于实时监控用户是否随身携带雨伞。 该模块定义了智能手机端的RSSI近距监控算法和信号发射装置广播数据。 安置在雨具中的低功耗蓝牙模块，以1Hz频率发送广播数据包，智能手机接收到广播数据包中RSSI值通过RSSI近距监控算法
10、判断雨具与手机之间距离， 或者不能接收到任何低功耗蓝牙模块发送的广播数据包表示雨具已经超过RSSI数据包接收范围。,1,航迹推算原理,2,PDR模型,3,步频探测,4,步长估计,5,航向确定,6,虚拟地理围栏位置计算,GPS信号可用：GPS定位 GPS信号不可用：室内定位,传统惯性导航： 将从加速度传感器获取的加速度值一次积分得到速度大小，二次积分得到位移大小；将从陀螺仪获取的角度变化一次积分得到航向角，或者从磁力传感器直接获取两者的差值得到航向角； 行人航迹推算PDR（Pedestrian Dead Reckoning）： 基于人体步行的生理学运动特性，综合人体步行时身体加速度周期性变化特性
11、，从采样样本中估算行走步数和步长，由步数和步长乘积得到位移大小，从磁力计传感器积分获取航向。,在实际应用场景中传统惯性导航，为了减少累计积分计算出来的速度值误差， 对加速度传感器精度要求比较高导致，导致硬件成本比较高， 此外由于累计积分过程，即使很小的精度偏差在经过一段时间的累积也会造成很大的误差。 行人航迹推算PDR在手机定位处理中具有很大的优势： 首先，从定位精度来看，在智能手机上，PDR比惯性导航的精度高，惯性导航移动位移误差与加速度的二次方成正比例，在室内复杂环境下，很容易受环境影响，并且定位误差随时间随时间累加，相反，PDR通过步频和步长，再结合方位角在计算位移，定位误差并不会随时间
12、随时间累加，手机摆动不大； 其次，在算法处理过程中，惯性导航不仅需要一个提前校准的过程，获取当前的设备姿势，以便准确的计算下一时刻的位移，同时还需要误差动态清零步骤，避免误差累计增长，PDR避免了繁琐的步骤，只需要从周期性变化的波形中统计用户移动的步数、步长和方位角，处理步骤比较简单，但是需要一个训练学习过程。 因此，在本系统中我们采用PDR算法处理地理围栏情景。,生理学者对人体行走特征进行深入研究，发现人行走的加速度有如下规律： 正常人行走步态具有周期性，每个步态周期（Gait Cycle）可以分为四个相：脚离地（Push-off）、摆动（Swing）、脚后跟着地（Heel Strike）和
13、站立（Stance），如图所示； 正常人行走的步频在0.52步/秒，步长范围在2070厘米，不同人行走步频和步长差异与个人身高、习惯和路面情况等相关；,在步数变化不明显的自然行走中，行人步长变化不大，标准差在5厘米以内； 行人前进和垂直方向的加速度信号波形能够反映出步态的周期性特征； 不同路面的情况下面，适用的步长模型可能不一样，如在平地行走模型不适用与上下坡模型,基于行人步态的生理学特征，Levi和Judd提出了行人航迹推算PDR的方法。这种方法的基本思想为，利用加速度信号探测用户行走的跨步，采用相关处理模型估算步长和重磁力传感器获得航向角度，推算出行人的位移，速度和方向等信息。PDR模型包
14、含四个子模型：步频探测（Step Detection）、步长估计（Step Length Estimation）、航向确定（Heading Determination）和位置计算（Position Calculation）。,常用的步频探测算法有： 峰值探测法（Peak Detection）：针对行走过程中身体上半身加速度信号每步呈现的单峰特征，统计固定时间窗口加速度的最大值来实现步频预测； 零点交叉法（Zero Crossing）：行走时每步总是一个加速和减速的过程，随着脚后跟离开地面而加速，同一只脚脚后跟着地而减速，所以剔除重力加速度后的运动加速度值有正有负，确定其波形的零点即可探测到跨步
15、的开始和结束点； 自相关法：因为加速度信号的周期性，故通过自相关可以实现对跨步的探测；,由于智能手机具有特性： 算法的通用性，即步严格限制设备放置在行人身体的位置； 探测算法与步长估计的同步性，探测跨步时，能明确该步的起始和结束时刻，便于统计特征值； 嵌入式系统，硬件资源的有限性；,“滑动窗口+峰值探测+零点交叉”算法：平滑处理,峰值探测： 加速度必须大于一个峰值阀值，避免身体抖动等假动作造成虚探； 正常行人步频13HZ，连续峰值的时间差必须大于一个时间阀值，消除一步多峰值误判；,滑动窗口N大小？ 峰值阀值V大小？ 不同场景：上下坡、路面凹凸不平；心情；身体状况； 不同人群： 年龄、性别、区域
16、；,零点交叉： 主要判断加速度波形向上零点交叉的情况(即前一点小于零，当前点大于等于0)，用于确定每步的结束点和下一个跨步的开始点，便于计算该步的统计特征。,考虑到手机嵌入式系统软硬件资源有限，不适合人工智能步长模型；线性步长模型相比于非线性步长模型需要一个在线采样预处理过程，同时在实际的测试结果中表明非线性步长模型比常数/伪常数步长模型精度更高，所有此处采用非线性步长模型处理计算步长。,模型常数K大小？,行人定位系统中，手机有多中多样的摆放位置，其自由度比固定在行人驱干上的传感器要大得多。本文中将显示中的手机被用户携带、使用场景归纳为以下四种情形： 指南针模式：用户稳定的握持着手机保持手机屏幕向上，手机指向用户的前进方向。 打电话模式：用户使用手机打电话，手机靠近用户的耳朵和面颊。 口袋模式：手机被放置在用户的口袋里面。 摆臂模式：用户拿着手机走动，且手机随臂摆动。,指南针模式和打电话模式下，手机传感器的
