ETSIIT Technische Herausforderung | Vom College-Studenten zum Unternehmer

Daten verarbeitet und das Ergebnis als Child Data geschrieben Thema. Dies erfolgte durch den Raumserver (implementiert mit Raspberry Pi oder MK802 III), der den untergeordneten Standort triangulierte und die entsprechende Kamera auswählte. Es filterte nur die Sensoren im aktuellen Raum und sammelte alle Video-Publisher-Informationen in diesem Raum. Die Daten wurden an ein Octave-Skript gesendet, das den Standort des Kindes und die beste Kamera-ID zurückgab. Die an die Cloud gesendeten Informationen mit dem Thema Kinderdaten , inklusive Kinder-ID, Videoqualität, Kamera-ID, Standort des Kindes und Raum-ID. Aus Effizienzgründen werden die untergeordnete ID und die Qualität als Schlüssel gesendet, die gefiltert oder zum Sortieren von Videos verwendet werden können.

Um die Anwendung zu optimieren, rief der Raumserver das Triangulationsskript nur dann auf, wenn ein Abonnent nach dem Kind fragte. Wir haben dies mithilfe der Abonnentenerkennung und dem ContentFilteredTopic festgestellt Filterparameter.

Schließlich haben wir einen Redundanzmechanismus implementiert, um den Ausfall des Raumservers zu behandeln. Jeder Minicomputer im Raum hat einen Herausgeber erstellt und seinen USER_DATA-Wert auf den Raum und eine standardmäßige (eindeutige) Prioritäts-ID festgelegt. Wenn einer der Minicomputer erkannte, dass er die niedrigste ID in seinem Raum hatte, startete er die Serveranwendung und fungierte als Server, bis ein neuer Minicomputer mit einer niedrigeren ID auftauchte.

Benutzeranwendungen

Wir haben zwei Endbenutzeranwendungen entwickelt. Die erste wird von den Eltern genutzt, um ihre Kinder im Kindergarten zu sehen. Das zweite Programm wird von den Mitarbeitern des Kindergartens verwendet, um alle Kameras in Echtzeit zu sehen, den Elternzugriff zu verwalten (hinzufügen und zu entfernen) und die Anwesenheitskontrolle automatisch durchzuführen.

Abschlussgedanken

Wir hatten bei der Challenge zwei große Probleme zu bewältigen:

1. Ermitteln der RSSI-Werte:Wir haben ein sehr minderwertiges, kostengünstiges Bluetooth-Gerät (ca. 5 US-Dollar) gekauft. Das Signal hatte viele Fehler und Rauschen. Wir mussten einen Algorithmus entwickeln, um die Werte zu optimieren und diesen Fehler von 3 auf 0,5 Meter zu reduzieren. Wir konnten keine Bibliothek für Low-Level-Operationen mit Bluetooth-Geräten in Java finden (wir haben schließlich pybluez verwendet). Wir mussten mit Python- und Java-Programmen kommunizieren.
2. Videocodierung:Es war nicht einfach, eine Bibliothek zu finden, die es uns ermöglichte, den codierten Videopuffer abzurufen. Noch schwieriger war es, die Elemente in der GStreamer 0.10-Pipeline so zu optimieren, dass sie im Raspberry Pi mit maximaler Leistung arbeiten. Bei der endgültigen Konfiguration beträgt die Bildverzögerung etwa 3-5 Sekunden. Für eine bessere Leistung planen wir, den Raspberry Pi durch ein ähnlich teures MK802 III-Gerät zu ersetzen, das WLAN und einen Dual-Core-Cortex-A9-Prozessor enthält.

RTI Connext DDS hat uns durch die Implementierung von Netzwerken, Datenserialisierung und Quality-of-Service-Mechanismen viel Arbeit erspart. Wir danken unserer Ingenieurschule und RTI dafür, dass sie uns die Möglichkeit und die Ressourcen gegeben haben, diese geschäftliche Herausforderung erfolgreich anzugehen.

Weitere Informationen:

Autonome Fahrzeugproduktion »

Konnektivität in autonomen Systemen »

Was ist IIoT? »

Was ist DDS? »

上一页  [1] [2] 

Aufbau flexibler Fertigungssysteme für Industrie 4.0 Ein bemerkenswertes und berichtenswertes 2014