实验用LoRaWAN-Based远程ID系统定位无人机(uav)

文摘

美国联邦航空管理局(FAA)正在考虑远程无人机(uav) ID系统。这些系统作为车牌用于汽车,但他们使用无线电波传输信息。天生我才必有用,长距离传输等系统需要达到最小化地面站捕捉这些传输的数量。LoRaWAN设计作为一种廉价的远程技术用于物联网的远程通信。数家制造商使LoRaWAN模块,这是市场上现成的,因此,适合无人机远程id以较低的成本。在本文中,我们提出我们的经验使用LoRaWAN技术作为通信技术。我们的实验来识别和定位的无人机系统发现了几个问题,在这样的系统中使用LoRaWAN摘要记录。使用多个地面站,我们可以确定无人机的位置配备了LoRaWAN模块传送无人机远程ID。因此,它可以帮助确定无人机,无意或故意,飞入禁区。

1。介绍

根据美国联邦航空管理局(FAA),大约七百万架无人飞行器(uav)将在美国销售的20201]。无人机在许多民用和军事应用有很大的潜力。不过,他们会阻碍公共安全和隐私当飞行在未经授权的地区。政府可以限制或禁止未经许可,无人机飞行在某些领域。这些领域包括机场、边界,和许多其他人。仅在2016年,约1800名违反被报道,包括无人机接近飞机,扰乱他们的安全2- - - - - -4]。这个数字比2015年增加了三分之一以上。尽管没有发生了灾难性的事故,必须找到一个解决方案来减少这些违规行为。

提出了许多解决方案等无人机监视联邦航空局的强制性登记注册中心,地理定位系统、无人机枪支,信号干扰器,声音识别系统,视觉感知系统。联邦航空管理局在2015年开始无人机注册表定位无人机的业主违反任何规则(5,6]。无人机制造商使用全球定位系统(GPS),这是一个基于卫星导航系统属于美国,探测无人机的位置和防止它飞行在限制区域7,8]。两个无人机枪支,“Dronegun”和“DroneDefender”,提供了两个不同的公司降低无人机带来问题[9,10]。这些枪支是用来覆盖无人机之间的信号及其远程控制无人机是那么枪支控制的控制器。然而,无人机的枪支需要无人机在人类的视线(LoS)与使用的枪去寻找相同的频率无人机遥控来控制它。信号干扰器被用来防止由主人控制无人机无人机进入限制区域。这迫使配置的无人机回到他们家里点如果他们失去控制信号。然而,干扰影响其他无线设备使用相同的频带,无人机使用。这包括2.4 GHz使用wi - fi,这使得这种方法在很多地方不方便。无人机也可以检测到螺旋桨的声音;因此,两个不同的无人机声音识别系统被施等人定意,安瓦尔et al。11,12]。这些系统的问题是,它可能不是有效的工作如果一个音频干扰机设备被连接到该无人机。视觉感知系统,如人类的视觉,摄像机,适当的监控可能更容易执行安全限制区域,但这些成本和维护困难。

的一个解决方案,正在考虑由联邦航空局要求所有的无人机远程ID (13,14]。这些id将作为传输信息的车牌让当局确定无人机的所有者,可以发现他们的位置。远程ID传播需要一个足够便宜的长途无线技术低成本的无人机,但仍达到几英里。我们相信LoRaWAN就是这样一种技术,可以达到从9到18英里(15到30公里)在最佳的情况下(15,16]。因此,部署系统,使用LoRaWAN协议可以帮助跟踪无人机。

我们开发了一个原型,尝试了在无人机LoRaWAN协议。我们的目标是找到使用该协议的可行性定位和识别无人机。发现任何无人机的位置要求我们确定无人机的三维(3 d)位置使用几个地面站(GSs)听ID无人机的广播。在接待,每个GS估计本身之间的距离和无人机。至少需要四个GSs估计无人机的三维位置。这样的系统可以帮助执法时要提醒任何无人机飞行禁区。我们发现几个问题,在这样的系统中使用LoRaWAN协议。这些问题包括使用不同的可变性LoRaWAN模块,模块的天线方向,电池容量运行这些模块。

剩下的纸是组织如下:部分2提供了背景和相关工作;部分3讨论了系统的体系结构;和部分4详细展示了实现和实验结果。讨论的关键问题我们发现的实验部分5。最后,给出了结论和未来的工作部分6。

2。背景和相关工作

本节简要背景技术中使用的纸。此外,我们讨论一些早期的相关工作。

2.1。LoRaWAN

无人机由地面远程控制控制器通过射频(RF)通信协议(17]。射频技术,如LoRaWAN、无线个域网和6 lowpan可用于通信(18- - - - - -21]。LoRaWAN是一种相对较新的技术,适用于无人机通信由于其低功耗、低成本、和远程可达性。的介质访问控制(MAC)协议LoRaWAN标准化了罗拉联盟。它使用罗拉物理层,使它达到长范围与低功耗消费使用线性调频扩频调制(18,22]。我们选择LoRaWAN位置估计由于其低成本和远程可达性。进一步的描述LoRaWAN可以在找到15]。

2.2。距离和位置估计

不同的方法在文献中已经探讨了距离估计。这些方法包括到达时间(ToA),飞行时间(ToF)和接收信号强度指示(RSSI) [23- - - - - -26]。ToA方法使用运行时间之间的两个节点之间发送和接收的信号来测量它们之间的距离。例如,GPS使用客户机节点之间的ToA和卫星测量它们之间的距离8]。无线电信号的ToF法测量时间后反弹到GS发送到无人机。该方法自1950年以来一直用于飞机(27]。

RSSI测量的信号的质量,可用于距离估计。它测量接收信号的功率(28]。它的值是用分贝(dB)和无线通信有多个应用程序。这些应用程序之一是两个节点之间的距离估计,如无人机和GS (29日]。

位置估计的无人机需要知道它距离几个GSs与已知坐标。定位进行的无人机(二维),距离至少3 GSs是必需的。在3 d位置估计,距离四GSs是必需的。鉴于所需数量的GSs的坐标和估计的距离使用前面所述的方法之一,可以估计无人机的位置。例如,ToA方法被用于GPS,由31个卫星(8]。每颗卫星广播它的位置和时间。通过了解目前无人机是如何从一个卫星,卫星和无人机知道它距离知道它坐落在一个球体的估计距离为半径。添加至少两个卫星的信息可以帮助找到的无人机估计它的位置在二维点三个卫星的球体相交。此外,添加更多的卫星信息方程可以确定无人机的位置,减少不确定性(错误)几米。

2.3。相关工作

最前的作品在无人机位置估计使用全球定位系统(GPS)。无人机可以用于许多应用程序交付产品和代理等作为宽带无线接入的飞行自组网在紧急情况下(30.- - - - - -32]。大多数这些应用程序需要知道无人机的位置,和他们使用GPS协调。然而,GPS并不总是可用,而不是用于识别。因此,调查其他本地化解决方案与一个识别特征是可取的无人机在所有应用程序本地化。

王等人研究无人机的救援系统,名叫GuideLoc,这有助于拯救人们自然灾害期间使用无人机(33]。GuideLoc捕获的平均RSSI值手机等无线设备的信号由一个被困的人。系统使用的天线无人机捕捉到的平均RSSI值。如果平均RSSI值小于一个阈值,信号的到达角更新找到那个人的位置,记录的GPS坐标被困的人。到来的角度是由平均强度的RSSI值。李等人利用相同的技术来定位无线传感器网络中传感器节点(34]。只依靠我们的系统不同于GuideLoc的RSSI值来估计无人机位置和GPS。

Raimundo等人研究的可能性使用LoRaWAN无人机位置系统通信协议(35]。系统由一个无人机使用全球导航卫星系统(GNSS)接收机收集GNSS LoRaWAN模块,然后将它们发送的数据附加到无人机。GNSS接收器可以连接到不同的卫星系统,如GPS和其他导航系统(36]。LoRaWAN模块向基站发送GNSS位置在地上。在我们的系统中,无人机位置和标识使用的RSSI值和一个消息使用LoRaWAN播放技术。

无人机已经被费雷拉等人发现使用网络分布和覆盖在偏远地区或危险位置(37]。该系统使用无人机的center-modem检测网络接入点(APs)使用RSSI值APs的广播网络。系统使用这些RSSI值来估计美联社基于已知的无人机位置在不同的参考点位置,在无人机飞行路径和估计这些APs的距离。系统中的空间传播模型是利用距离估计,和三个不同位置的方法进行测试38]。他们的结论是,绑定盒方法最低估计误差方差较低时增加参考点的数量。另一个系统由希腊等人类似费雷拉et al .,但是他们依靠无线射频识别(RFID)标签而不是由无人机(APs位于39]。

定位系统面临的一个问题是来定位对象或无人机在室内环境。田等人介绍HiQuadLoc系统使用wi - fi接入点来定位一个无人机在一个室内环境(40]。20 APs系统中利用面积1100 m²。系统使用两个阶段:离线阶段和在线阶段。离线阶段将室内面积划分为立方体RSSI值已知的正确帮助检测无人机位置在网络阶段。系统实现了平均误差为1.64 m。无人机的速度是不同的三米每秒。他们的结论是,位置误差增加无人机的速度增加。

程等人提出一个系统,可以定位nonline视线(仿真结果无人机在一个室内环境(41]。仿真结果的系统采用RSSI值识别算法来识别传播条件。此外,他们使用粒子群文中针对最大联合概率算法找到无人机的二维坐标。系统实现了平均误差为0.85 m。

我们的系统也可以利用RSSI值距离估计;然而,我们目标的户外环境,而不是在室内,我们使用LoRaWAN允许位置估计在更长的距离。

3所示。系统架构

在本节中,系统组件,距离估计建模和RSSI的位置估计方法进行了讨论。讨论也包括建模方法用于估计的距离RSSI值,以及图表,说明方法。

3.1。原型组件

如图1,我们的原型系统包括五个主要部分:LoRaWAN模块,GSs,天线,一个电池,和一个无人机。在下面,我们简要地讨论这些组件:(我)LoRaWAN模块。两个不同的模块used-Moteino罗拉和Seeeduino LoRaWAN-for原型,如图1。Seeeduino模块使用433/868 MHz频带而Moteino模块使用915 MHz频带。两个模块可以报告的RSSI值虽然Moteino模块外部天线更长时间范围。这些模块的详细信息可以在[42,43]。另外,我们可以使用Libelium LoRaWAN模块(44]。然而,我们使用Seeeduino Moteino所示距离估计建模,因为他们满足我们的要求报告RSSI值等Libelium模块缺乏这一特性。(2)GS。对于每个GS,我们使用常规的计算机连接到一个LoRaWAN模块。计算机用于程序LoRaWAN模块和记录数据。(3)天线。Moteino罗拉模块需要一个单独的定向天线来工作,而Seeeduino LoRaWAN模块有一个内置的线天线模块。(iv)电池。任何权力银行足够的权力LoRaWAN模块连接到无人机。(v)无人机。我们使用两个不同的无人机原型:收2和收的幻影4 Pro。正如前面所讨论的,一个LoRaWAN模块和电池已经附加到每个无人机。

3.2。建模的距离估计

使用配置如图1之间的距离,我们估计的一个GSs无人机使用RSSI值,将讨论和计程仪航程路径损耗模型。对于每个LoRaWAN模块,使用两个模块:一个是附加到无人机和直升机由电池驱动,另一个是连接到一个计算机控制和记录数据,并作为GS。

距离估计,无人机不断广播一条消息,有其ID。连续消息的间隔时间是2秒,这是LoRaWAN模块的最小间隔时间,以避免失去消息(45]。消息长度及其效果在节解释4。

计程仪航程的路径损耗模型状态(46] 在RSSI RSSI值测量在目的地,d是距离,l路径损耗指数,C是一个常数。考虑到(1),无人机之间的距离和GS可以测量如下:

然而,测量的RSSI值波动,因此,使用一个值是不够的估计距离。通常情况下,需要使用多个值。在我们的实验中,我们使用平均五RSSI值测量的距离。五是选择任意时间和波动之间的权衡RSSI值。

也就是说,GS和无人机之间的距离可以估计如下:

在这里,meanRSSI RSSI值平均五个RSSI值。

尽管C和l是常数(1),他们的价值观最初是未知的,取决于环境,所讨论的Sherazi et al。47]。估计这些参数,我们需要meanRSSI值及其对应的距离几个已知的位置。因此,需要一个模型来估计这些值使用(1)。为此,我们适合meanRSSI值的线性模型。在生成的线性模型,斜率是−10l(因此,l=−斜率/ 10),它可以计算如下: 在哪里x是meanRSSI值在一个已知的位置或一个已知的距离,y是值对应于meanRSSI值,n是意味着包括RSSI值的数量,然后呢和在所有meanRSSI值和均值总体来说意味着什么值,分别。

在生成的线性模型,−交点C(因此,C=−路口),可以计算的线性模型如下:

无人机之间的距离和GS,我们试图用激光测量仪测量两端之间的距离。然而,很难做这样的测量当实际距离超过200米。在这种情况下,无人机越来越难以检测的激光测量仪。因此,如图2,我们测量地面距离地面点之间(GD) (GP)和GS计算直线距离(SD) GS和无人机,等于d在(3)。测量相对准确,如将部分所示4。斜距可以估计如下(48]: 在哪里H无人机的高度,设置为50米,GD是地面距离下的GP无人机和GS,然后呢GS和无人机之间的角度。高度是固定的距离作为唯一的变量参数简化测量。GD及其相应的角度使用激光测量仪。全科医生选择直接低于无人机。因此,无人机和医生之间的角度是90度,它是使用激光测量仪,它是连接到一个三脚架。这个角GP和GS与激光测量仪。注意,可以通过减去计算从90度:

使用上面的方法,一个可以估计参数的值C和l。这些参数可以用于测量meanRSSI值来估计距离其他无人机位置。

3.3。位置估计

在我们的实验的第一阶段,Seeeduino LoRaWAN模块是用来估计无人机使用RSSI的位置的方法。定位系统由四个GSs无人机,如图3。

Seeeduino LoRaWAN模块连接到每个GSs和无人机。此外,电池电力LoRaWAN模块也附着在无人机。在每个GS,有电脑记录meanRSSI价值观收到模块连接到它。在这个阶段,数据手动收集来自所有四个GS电脑和转移到五分之一计算机被称为中央计算机,这不是如图3。传输数据处理基于三个元素:GSs的3 d位置之间的距离的四个GSs, 200,,收到四个GSs meanRSSI值。

无人机之间的位置估计使用SD和四个GSs。如前所述,Seeeduino模块之间需要一个2秒的时间间隔连续信息。满足这个需求,我们需要使用5 RSSI值的均值,无人机必须呆在一个地方至少10秒钟。三边测量技术用于确定无人机的位置(49,50]。这种技术已经被用于估计的位置51- - - - - -53]。它使我们能够确定任何对象的精确三维位置使用它的距离至少4分与已知的三维位置。在我们的例子中,无人机是对象的位置和高度需要决定,而这四个GSs与已知位置的点,如图4。

无人机是表面上的球体半径( )集中在 。的等于为每个GS。无人机的位置是一个转换向量w= {x,y,z}。它可以计算四个领域的交集。每个球体由每个GS的三维位置和半径之间的价值本身和无人机。半径的值代表了估计距离,SD,从前面的小节。因此,

我们可以扩大在每一个方块,见以下方程:

减去4^th方程(r₄从第一个三个方程()9),我们得到以下:

把(10以矩阵形式),我们得到了(11),一个是系数矩阵,w估计是一个向量的变量,即。,(x,y,z)(10),b是右向量。

请注意,w是无人机的三维位置,我们需要确定其他值(11)。找到w封闭的最小二乘方法可以用来解决方程在一个步骤,见以下方程:

如果所有的GSs的高度是一样的,最后一列的矩阵一个将所有的零,矩阵变得不可逆转。这一步可以被删除的最后一列的矩阵一个,只计算x和y值从上面的方程,分别确定z在(13),用z₄价值(8)与零和解决z。在这里,z代表的高度无人机,而x和y代表的二维位置无人机。

4所示。实验实施和结果

在本节中,实现和实验结果进行了讨论。我们现在准备的步骤的软件和硬件实验。同时,我们展示一些统计结果的位置估计方法。

4.1。使用RSSI方法距离估计

两个不同的户外环境中使用模型和验证实验。所有节点在实验中使用了Seeeduino LoRaWAN模块,基于Arduino零与LoRaWAN协议嵌入它引导装载程序;因此,不需要额外的模块(43]。Seeeduino提供了库和示例使用他们的模块。使用这些例子,我们发现可以改变传播信息的内容和格式。因此,三个消息具有不同长度和格式进行测试,如表所示1。

最初,我们的测试是基于使用两个节点安装在两个三脚,而不是连接到无人机的距离从100到500米。如图5,我们安装一个线性模型组meanRSSI值之间的关系及其对应的距离使用不同的消息的长度。同时,我们计算每个距离的置信区间和消息长度不同meanRSSI值不同的距离是否使用一个信息重叠。从图5,我们可以看到,随着消息长度变大,meanRSSI值增加。这个发现是至关重要的自meanRSSI值较低,不同距离使用不同meanRSSI值重叠,导致显著的距离估计误差。例如,通过使用消息2 (M2),我们可以得到一个meanRSSI价值100到300米远,导致一个错误的200米。在此基础上实现,最扩展消息在三个消息,M3,使用Seeeduino LoRaWAN模块来完成这个实验。

第二阶段,我们计算六个不同位置的SDs名义距离从100到600,如表所示2。SD值是计算使用(6)。注意,SDs接近名义距离计算。

得到了SDs后,我们对收集的数据进行统计分析,如表所示3用描述的方法(54]。测量由六meanRSSI值,每一个由125个样本的六个距离范围。最初,无人机固定到50米的高度保持分析简单。然后,我们做了另一个实验来检查如果meanRSSI值相同的不同高度100米。然后,我们减少了GD和相应增加了无人机高度保持相同的SD。结果表明,meanRSSI价值观一样长SDs是相同的;即meanRSSI值没有受到高度的影响。

如表所示3,样本方差随着距离的增加而减少。找到两个未知参数,l和C,我们使用前面讨论的线性回归模型3.2。结果如图所示6。注意减少方差(因此更窄的置信区间)无人机之间的距离和GS增加。总的来说,模型导致了R²价值的97%,这表明,线性回归模型是一个不错的选择。

置信区间是至关重要的任何距离meanRSSI值是否与另一个meanRSSI值重叠。计算这些置信区间之后,我们发现它们的值为300/400 m值重叠。这种重叠显示,meanRSSI值这两个距离并没有统计上的不同。换句话说,给定一个meanRSSI值和计算l和C,我们可以估计一个错误的距离100米,这是一个缺点。在这一点上,我们决定检查meanRSSI价值(即与其他LoRaWAN模块。,Moteino LoRaWAN)。

如表所示4不同距离,Moteino模块产生meanRSSI值重叠与其他距离范围从100到800米;因此,它不是一个完美的线性回归模型寻找候选人l和C参数。我们发现完美的消息的长度Moteino模块在早些时候M2(见表1)。长信息,例如,M3,传播在几个片段。因此,我们最终使用M2代替M3。

4.2。使用RSSI方法位置估计

位置估计阶段由四个GSs和一个无人机。在这个阶段使用的无人机收幻影4。GSs 200彼此远离,所有天线的方向指向了因为这影响meanRSSI值,根据Wadhwa et al。55]。无人机天线有一个弹簧形状朝下,如图7。电池用于升高LoRaWAN模块连接在该无人机本身模块如图。

测量和估计SD无人机在50米的高度如表所示5。真正的SDs使用GPS测量,而估计SDs是基于meanRSSI值。

我们计算后的距离估计误差的基础上,区别SDs和真正的SDs,我们发现GS2显示距离误差为127%。这个错误将在下一节中进一步讨论。

5。问题和挑战

尽管LoRaWAN可用于距离估计使用RSSI方法,我们遇到一些问题是很重要的,本文的主要结果。这些都是(1)LoRaWAN模块。LoRaWAN是专为低成本;因此,研究结果有显著的变化使用不同的模块。每个模块有其特殊性。进一步的工作应标准模块一致的结果或标准,当实现由不同的生产会导致类似的结果。(2)RSSI模型的准确性。MeanRSSI值波动和依赖LoRaWAN模块。如图6,我们的距离估计模型可以被认为是准确的除了在300和400之间的距离。设计一个更好的方法或使用一个更好的模块可以解决这个问题。(3)电池容量。不同的电池使能够运行无人机的LoRaWAN模块导致不同meanRSSI值短距离(低于300米);因此,我们建议使用相同的电池容量在整个组测量。(4)天线方向。该模块天线方向和位置影响被GSs meanRSSI值。因此,在构建模型的距离时,天线需要固定的位置和方向对所有无人机在距离估计建模和位置估计阶段。否则,C和l因素会改变,导致不准确的估计的距离,因此,错误的位置。(5)SeeeduinoLoRaWAN模块的电力电缆。我们发现电缆用于提供模块连接到无人机的权力应该相反方向的天线在各个方向的权力平衡。这个问题是由于电缆可以作为第二个天线的Seeeduino LoRaWAN模块,模块影响meanRSSI值在这个方向上的无人机。(6)电池的位置。电池使用LoRaWAN模块连接到下的无人机需要模块;否则,meanRSSI值会更高的电池,导致不准确的距离估计模型。(7)环境。不同的环境影响meanRSSI值因为模型是基于一个特定的环境。这个因素也在不同的结果l和C值,因此不同的距离估计模型。因此,的值l和C需要校准修复meanRSSI价值这两个环境之间的差异。(8)建模范围。meanRSSI值较短的距离(小于100)没有可用的,因为他们的高可变性。如果GSs坐落在一个城市,有一些GSs将超过100米距离无人机;因此,它可能不是一个问题。(9)运动。我们必须保持无人机固定至少10秒钟让meanRSSI值用于距离估计。这个因素是因为我们LoRaWAN模块需要至少两秒时间间隔连续消息,我们需要5个这样的消息来计算meanRSSI值。更好的模块设计可以克服这个问题,不断测量位置。(10)低估。在我们的实验中,我们所需的最小数量的GSs三维位置。在这种情况下,估计可能低于实际的距离,和四个球不相交。在数学上,这表明下一个负数的平方根导致“虚”无人机高度。

6。结论和未来的工作

远程无人机上的IDs允许执法当局确定无人机的所有权。使无人机只是广播GPS-determined位置在所有环境中可能是不够的。在某些情况下,确定位置上使用接收地面站是适当的。在本文中,我们提出了LoRaWAN作为一个可能的无线技术远程ID用于传输和显示地面站如何使用meanRSSI值来确定无人机的三维位置。我们开发了一个原型使用商用低价LoRaWAN模块识别和定位无人机,我们发现了几个问题记录的部分5。这些都是本文的主要贡献。我们计划做进一步的工作来解决这些问题在不久的将来。

数据可用性

LoRaWAN模块配置,Arduino IDE设置,密码用于支持这项研究的结果被记录在56]。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

我要感谢我的硕士论文,教授罗杰·张伯伦和本·莫斯利的优秀评论和有助于改善整体的帐面价值。此外,我要感谢我的同事Guillaume瓦伦蒂,Xipeng Wang Arghya达塔,Marcio特谢拉,Maede Zolanvari, Ria Das,尤瑟夫AlShehri对他们的帮助。阿里Ghubaish财务支持Sattam。本。阿卜杜阿齐兹王子大学AlKharj 11942年,沙特阿拉伯。

引用

1. 联邦航空管理局,联邦航空局发布2016年到2036年航空预测,2016,https://www.faa.gov/news/updates/?newsId=85227。
2. w·贝拉米三世,无人机是飞机太近2016年的1800倍,2017,http://www.aviationtoday.com/2017/03/17/drones -来- 2016/关闭-飞机- 1800倍。
3. m . Zanona“无人机附近目击飞机在上升,”2017年,http://thehill.com/policy/transportation/362556-drone-sightings-near-airplanes-on-the-rise。视图:谷歌学术搜索
4. c .发光”,联邦航空局在DFW停止玩高科技捉迷藏周围的无人机飞行,”2017年,https://www.dallasnews.com/business/dfw-airport/2017/04/28/1800-drone-sightings-last-year-faa-testing-systems-prevent-airport-collisions。视图:谷歌学术搜索
5. 联邦航空管理局,“无人机登记”,2019年,http://federaldroneregistration.com/?gclid=CjwKCAiAxarQBRAmEiwA6YcGKHV8CMGVSgIsDn0cSsvI41X-n7Z41MB3aFl9iIXuRf8Bx2p6Co7QyRoCYBcQAvD_BwE。视图:谷歌学术搜索
6. 维基百科,“监管无人机在美国,”2019年,https://en.wikipedia.org/wiki/Regulation_of_UAVs_in_the_United_States。视图:谷歌学术搜索
7. 收,收引入了新的地理围墙无人机系统,”2015年,https://www.dji.com/newsroom/news/dji-fly-safe-system。视图:谷歌学术搜索
8. 维基百科,全球定位系统,2019,https://en.wikipedia.org/wiki/Global_Positioning_System。
9. k·d·阿瑟顿,“这种装置可以把任何枪变成一个anti-drone光线,”2015年,https://www.popsci.com/dronedefender-is-an-anti-drone-rifle-attachment。视图:谷歌学术搜索
10. k·d·阿瑟顿,“这无人机枪轻轻敲门无人驾驶飞机的天空,用无线电波,”2016年,https://www.popsci.com/drone-gun-downs-drones-with-radio-waves。视图:谷歌学术搜索
11. l .史。艾哈迈德,y, k . Chang”基于隐马尔可夫模型的无人机使用MFCC声音识别技术在实际嘈杂的环境中,“通信和网络杂志》上,20卷,不。5,509 - 518年,2018页。视图:出版商的网站|谷歌学术搜索
12. m . z瓦尔z Kaleem, a . Jamalipour“机器学习启发类以声音为基础的业余无人机检测对于公共安全的应用程序,“IEEE车辆技术,卷68,不。3、2526 - 2534年,2019页。视图:出版商的网站|谷歌学术搜索
13. 联邦航空管理局,“无人机远程识别,”2019年,https://www.faa.gov/uas/research_development/remote_id/。视图:谷歌学术搜索
14. j .广场”,联邦航空局RFI问题为无人机远程ID系统,”2019年,https://www.expouav.com/news/latest/faa-rfi-remote-id-drones/。视图:谷歌学术搜索
15. l .联盟”技术的概述罗拉®和LoRaWAN™,“p。20日,2015年,https://docs.wixstatic.com/ugd/eccc1a_ed71ea1cd969417493c74e4a13c55685.pdf。视图:谷歌学术搜索
16. 布兰登j·拉弗蒂,j ., A。埃尼斯,克莱兰德,c·纽金特和m .小”的安全,乐队,机制管理物联网设备,”学报》第11届国际会议上无处不在的计算和环境智能卷,10586年,页77 - 90,费城,宾夕法尼亚州,美国,2017年11月。视图:谷歌学术搜索
17. 维基百科,“无人机”,2019年,https://en.wikipedia.org/wiki/Unmanned_aerial_vehicle Flight_controls。视图:谷歌学术搜索
18. m .群a . m . b . Baharudin p . Sillberg s Hyrynsalmi w .严,“LoRa-a调查最近的研究趋势,”学报2018年第41届国际会议在信息和通信技术,电子和微电子(MIPRO)奥,页872 - 877年,克罗地亚,2018年5月。视图:出版商的网站|谷歌学术搜索
19. p . Kinney,“无线个域网技术:无线控制,简单的工作,”《通信学报设计会议加利福尼亚州圣何塞,页1 - 7,,美国2003。视图:谷歌学术搜索
20. g . w . Wang他和j . Wan“Zigbee无线通信技术,研究”学报2011年的电气和控制工程国际会议宜昌,页1245 - 1249年,中国,2011年9月。视图:出版商的网站|谷歌学术搜索
21. 之研究z杨和“6 lowpan概述和实现,”《2019年国际会议上嵌入式无线系统和网络,第361 - 357页,北京,中国,2019年2月。视图:谷歌学术搜索
22. 答:Lavric和ai Petrariu,”LoRaWAN通信协议:物联网的新时代,”《2018年国际会议上开发和应用系统(DAS)Suceava,页74 - 77年,罗马尼亚,2018年5月。视图:出版商的网站|谷歌学术搜索
23. 美国泽m . Vossiek m . Pichler, a Stelzer,“精密距离测量和内部IEEE 802.15.4无线个域网设备,提供服务”学报2008年IEEE广播和无线研讨会奥兰多,页779 - 782,美国2008年1月。视图:出版商的网站|谷歌学术搜索
24. a . Savvides c c。汉族,m . b . Strivastava“动态细粒度的ad hoc网络的定位传感器,”《7日一年一度的移动计算和网络国际会议,页166 - 179,意大利罗马,2001年。视图:出版商的网站|谷歌学术搜索
25. s . Lanzisera d·扎- k . s . j .高压球阀,”无线电频率飞行时间为低成本的无线传感器定位测距,”IEEE传感器杂志,11卷,不。3、837 - 845年,2011页。视图:出版商的网站|谷歌学术搜索
26. y苗、h·吴和l .张“传感器节点的精确定位估计在大规模农田使用接收信号强度的测量,”杂志上的传感器卷,2018篇文章ID 2325863, 10页,2018。视图:出版商的网站|谷歌学术搜索
27. 维基百科,“距离测量设备”,2019年,https://en.wikipedia.org/wiki/Distance_measuring_equipment。视图:谷歌学术搜索
28. 维基百科,“接收信号强度指示”,2019年,https://en.wikipedia.org/wiki/Received_signal_strength_indication。视图:谷歌学术搜索
29. 维基百科,“室内定位系统”,2019年,https://en.wikipedia.org/wiki/Indoor_positioning_system。视图:谷歌学术搜索
30. 亚马逊“Amazon Prime的空气”,2017年,https://www.amazon.com/Amazon-Prime-Air/b?node=8037720011。视图:谷歌学术搜索
31. a . Jamalipour z Kaleem、p·洛伦茨和w·崔”特刊上业余无人驾驶飞机和无人机通信和网络,”通信和网络杂志》上,20卷,不。5,429 - 433年,2018页。视图:出版商的网站|谷歌学术搜索
32. z Kaleem m . Yousaf a Qamar et al .,“UAV-empowered抗灾边缘对延迟敏感的通信架构,”IEEE网络,2019年,页1 - 9。视图:出版商的网站|谷歌学术搜索
33. 吴x a . Wang, d . et al .,“GuideLoc: UAV-assisted灾难救援、多目标定位系统”移动信息系统ID 1267608条,卷。2017年,13页,2017。视图:出版商的网站|谷歌学术搜索
34. j . w . y . s . Lee公园,l . Barolli”一个为特定的传感器网络基于AOA定位算法,”移动信息系统,8卷,不。1,第72 - 61页,2012。视图:出版商的网站|谷歌学术搜索
35. a . Raimundo d·费尔南德斯·d·戈梅斯,o . Postolache博士,p . Sebastiao和f . Cercas”无人机GNSS位置修正基于物联网™通信协议,”在传感和仪表学报2018年国际研讨会在物联网时代(张明),页1 - 5,上海,中国,2018年9月。视图:出版商的网站|谷歌学术搜索
36. 维基百科,“GNSS应用程序”,2019年,https://en.wikipedia.org/wiki/GNSS_applications。视图:谷歌学术搜索
37. 费雷拉,g·卡瓦略、f·费雷拉和j·苏萨,”评估便携式无人机的能力对网络访问点定位,利用RSSI链接数据,”《2014年国际会议上无人机系统(ICUAS)364年,页355 - 2014年5月美国佛罗里达州奥兰多市。视图:出版商的网站|谷歌学术搜索
38. 维基百科,“空间路径损耗”,2019年,https://en.wikipedia.org/wiki/Free-space_path_loss。视图:谷歌学术搜索
39. g·格列柯,c . Lucianaz s Bertoldo, m . Allegretti“本地化的RFID标签使用无人机环境监测,”研究学报2015年IEEE 1日国际论坛和技术对社会和行业利用更好的明天(RTSI)都灵,页480 - 483年,意大利,2015年9月。视图:出版商的网站|谷歌学术搜索
40. x, z的歌,江,y, t . Yu和x王”HiQuadLoc:表演的RSS基于指纹识别的室内定位系统,”IEEE移动计算,16卷,不。9日,第2559 - 2545页,2017年。视图:出版商的网站|谷歌学术搜索
41. l . Cheng c .吴张y, y。王,“室内定位策略为小型无人机障碍的存在,”国际先进的机器人系统杂志》上,9卷,不。4、2017。视图:出版商的网站|谷歌学术搜索
42. Lowpowerlab”Moteino兆”,2019年,https://lowpowerlab.com/shop/product/119。视图:谷歌学术搜索
43. Seeeduino”Seeeduino LoRaWAN”, 2016年,https://www.seeedstudio.com/seeeduino lorawan - p - 2780. - html。视图:谷歌学术搜索
44. 烹饪技巧”,Arduino LoRaWAN技术Waspmote和树莓π,”2019年,https://www.cooking - hacks.com/documentation/tutorials/lorawan - arduino覆盆子-π- waspmote - 868 - 900 - 915 - 433 - mhz。视图:谷歌学术搜索
45. a . Rahmadhani理查德,r . Isswandhana a . Giovani和r . a . Syah”LoRaWAN作为无人机的二级遥测通信系统交付,”《2018年IEEE国际物联网与智能会议系统(IOTAIS),页116 - 122,巴厘岛,印度尼西亚,2018年11月。视图:出版商的网站|谷歌学术搜索
46. t·萨尔曼参数估计来实现基于距离安全违反“计算机科学和工程、卡塔尔大学的春天,多哈,卡塔尔,硕士论文,2015年。视图:谷歌学术搜索
47. h·h·r·Sherazi r·伊克巴尔·哈桑,m . h . Chaudary s a·吉拉尼,“无线个域网的接收信号强度和延迟评价在不同的环境中,“计算机网络和通讯》杂志上卷,2016篇文章ID 9409402、8页,2016。视图:出版商的网站|谷歌学术搜索
48. MathsisFun,“余弦定理”,2019年,https://www.mathsisfun.com/algebra/trig-cosine-law.html。视图:谷歌学术搜索
49. 维基百科,“真正的范围multilateration,”2019年,https://en.wikipedia.org/wiki/True_range_multilateration。视图:谷歌学术搜索
50. w . Dargie和c . Poellabauer无线传感器网络的基础新泽西州霍博肯市约翰·威利& Sons,美国,2010年。
51. r·金·h·王,彭b和n . Ge”RSSI-based定位在无线传感器网络中,研究”学报》2008年第四届国际会议上无线通信、网络和移动计算,页1 - 4,大连,中国,2008年10月。视图:出版商的网站|谷歌学术搜索
52. o . s . Oguejiofor a . n . Aniedu h·c·埃吉弗和a . Okolibe,“Tilateration为无线传感器网络定位算法的基础上,“国际期刊的科学和现代工程(IJISME),1卷,不。10日,2013年。视图:谷歌学术搜索
53. r . Javaid r·库雷希,r . n . Enam”基于RSSI的无线传感器网络节点使用三边测量定位,“Bahria大学信息与通信技术杂志》上,8卷,不。2、2015。视图:谷歌学术搜索
54. r . Jain,计算机系统性能分析的艺术:实验设计技术,测量、仿真和建模威利跨学科,纽约,纽约,美国,1991年。
55. m . Wadhwa m .歌诉Rali, s . Shetty”天线在无线传感器网络定位性能的影响,”学报》2009年第2 IEEE国际会议上计算机科学和信息技术,第147 - 143页,北京,中国,2009年8月。视图:出版商的网站|谷歌学术搜索
56. a . Ghubaish“定位无人机(uav),计算机科学与工程系,圣路易斯华盛顿大学,圣路易斯,密苏里州,美国,2017年,https://www.cse.wustl.edu/∼jain /论文/ agms.htm。视图:谷歌学术搜索

版权

版权©2019年阿里Ghubaish等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。