Вирішення проблема комунікації в умовах втрати зв'язку до Azure IoT Hub

Автор(и)

  • I. Ахаладзе КПІ ім. Ігоря Сікорського, Україна
  • O. Лісовиченко КПІ ім. Ігоря Сікорського, Україна

DOI:

https://doi.org/10.20535/1560-8956.43.2023.292246

Ключові слова:

дрони, рій, Azure IoT Hub, LoRaWAN

Анотація

Об'єктом дослідження є процес передачі інформації між учасниками рою дронів що розширити зону покриття керуючим сигналом, та забезпечити гарантовану передачу інформації що дозволяє зберігати контроль над роєм дронів та безпечно керувати ним. Метою роботи є забезпечення гарантованої передачі інформації на відстань від 5
до 10 км. в залежності від технічних можливостей та створення каналу комунікації між членами рою у умовах відсутності зв'язку з хабом. Використавши польотний контролер Pixhawk та інтеграційний модуль передачі прийому даних з підтримкою низько частотного протоколу LoRaWAN вдалося забезпечити надійний контроль у мовах втрати зв'язку з керуючим хабом. Також було визначено логіку присвоєння ролі комунікатора між керуючим хабом та членами рою для збільшення зони покриття керуючого сигналу.

Бібл. 13, рис. 5

Посилання

Akhaladze I.E. Increasing the efficiency of streaming video processing using serverless technologies // Adaptive automatic control systems. 2021. No. 39. C.32-40 https://doi.org/10.20535/1560-8956.39.2021.247393

Akhaladze I.E. The use of serverless functions in the algorithm for calculating the target point of the trajectory under dynamic load. 2022. No 40. C.34-38 https://doi.org/10.20535/1560-8956.40.2022.261531

Akhaladze A.E. Using IoT to synchronize flight trajectories of drones // Adaptive automatic control systems. 2021. No. 39. C.20-26 https://doi.org/10.20535/1560-8956.39.2021.247381

Akhaladze A.E. Synchronization of flight trajectories based on the "Internet of Things" architecture when implementing swarm control Adaptive automatic control systems. 2022. No. 40. C. https://doi.org/10.20535/1560-8956.40.2022.261536

K. He, X. Zhang, S. Ren, and J. Sun, “Deep residual learning for image recognition,” in Proceedings of the IEEE conference on computer vision and pattern recognition, 2016.

Y. LeCun, Y. Bengio, and G. Hinton, “Deep learning,” Nature, vol. 521, no. 7553, pp. 436–444, 2015.

J. Schmidhuber, “Deep learning in neural networks: An overview,” Neural Networks, vol. 61, pp. 85-117, 2015.

S. Levine, C. Finn, T. Darrell, and P. Abbeel, “End-to-end training of deep visuomotor policies,” Journal of Machine Learning Research, vol. 17, no. 39, pp. 1 -40, 2016.

D. Silver, A. Huang, C. J. Maddison, A. Guez, L. Sifre, G. van den Driessche, J. Schrittwieser, I. Antonoglou, V. Panneershelvam, M. Lanctot, S. Dieleman, D. Grewe, J. Nham, N. Kalchbrenner, I. Sutskever, T. Lillicrap, M. Leach, K. Kavukcuoglu, T. Graepel, and

D. Hassabis, “Mastering the game of go with deep neural networks and tree search,” Nature, vol.529, no. 7587, pp. 484-489, 2016.

S. Guadarrama, N. Silberman, J. Susskind, and R. Farrell, “Pixhawk: A system for autonomous flight using onboard computer vision,” in Proceedings of the IEEE International Conference on Robotics and Automation, 2015.

C. H. Lampert, H. Nickisch, and S. Harmeling, “Learning to detect unseen object classes by between-class attribute transfer,” in Proceedings of the IEEE conference on computer vision and pattern recognition, 2009.

Krizhevsky, I. Sutskever, and G. E. Hinton, “Imagenet classification with deep convolutional neural networks,” in Advances in Neural Information Processing Systems, 2012.

A comparative study of LPWAN technologies for large-scale IoT deployment. https://www.researchgate.net/publication/322018958_A_comparative_study_of_LPWAN_technologies_for_large-scale_IoT_deployment. Date of application: July 20, 2023

##submission.downloads##

Опубліковано

2023-12-01