Содержание к диссертации
Введение
Глава 1 Анализ услуг и технологий дополненной реальности 21
1.1 Анализ областей применения приложений дополненной реальности 22
1.1.1 Медицина 23
1.1.1.1 Медицина в умных городах 25
1.1.1.2 Сканер вен 26
1.1.1.3 Виртуальное интерактивное присутствие 27
1.1.1.4 Офтальмология 29
1.1.2 Образование 31
1.1.2.1 Универсальное приложение Layar 32
1.1.2.2 Учебники дополненной реальности 34
1.1.2.3 Система обучения SMART 36
1.1.3 Строительство, архитектура и дизайн 38
1.1.3.1 Трехмерные модели зданий 39
1.1.3.2 Моделирование объектов 40
1.1.3.3 Приложение для наложения эскизов 42
1.1.4 Рекламный бизнес 44
1.1.4.1 Театры и кинотеатры 45
1.1.4.2 Прогноз погоды 46
1.1.4.3 Продукты 47
1.1.4.4 Торговля 48
1.1.5 Туризм 50
1.1.6 Экология 51
1.1.7 Ремонт техники 52
1.1.8 Аннотация и визуализация 53
1.1.9 Управление роботами 55
1.1.10 Игры и развлечения 55
1.1.11 Военная промышленность 58
1.1.12 Голографическое присутствие 59
1.2 Классификация приложений дополненной реальности 63
1.2.1 По типу представления информации 63
1.2.2 По способу распознавания объекта 65
1.2.3 По способу взаимодействия с пользователем 67
1.2.4 По типу мобильности 68
1.2.5 По целевому назначению услуги 69
1.2.6 По типу безопасности 73
1.2.7 По степени воздействия на окружающую среду 73
1.3 Устройства дополненной реальности 76
1.3.1 Проект Lightform 76
1.3.2 3D-камера SID 78
1.3.3 Камера Intel RealSense 3D 79
1.3.4. «Умные» контактные линзы 81
1.3.5 Очки дополненной реальности 84
1.3.6 Голографический смартфон 90
1.3 Обзор технологий передачи данных для приложений дополненной реальности 92
1.3.1 Обзор перспективных радиотехнологий дополненной реальности 94
1.3.1.1 Технологии RFID/NFC 95
1.3.1.2 Технология Bluetooth 97
1.3.1.3 Технология ZigBee 100
1.3.1.4 Технология Z-Wave 103
1.2.1.1 Технология Wi-Fi 106
1.2.1.2 Технологии LPWAN (LoRaWAN) 111
1.2.1.3 Технология LTE-M/ NB-IoT 114
1.2.1.4 Технология SigFox 117
1.2.1.5 Технология Weightless 119
1.2.2 Технологии спутниковой связи 121
1.2.2.1 Технология GPS 121
1.2.2.2 Технология ГЛОНАСС 123
1.2.3 Сети связи пятого поколения 5G/IMT-2020 124
Выводы по главе 1: 129
Глава 2 Анализ и разработка требований к сетям связи для предоставления услуг дополненной реальности 131
2.1. Анализ показателей качества восприятия для реализации услуг дополненной реальности 131
2.1.1. Качество восприятия в сетях связи 133
2.1.2. Анализ субъективных методов оценки качества передачи видеоизображений 139
2.1.2.1 Метод DSIS 143
2.1.2.2 Метод DSCQS 144
2.2.1.1 Метод SDSCE 146
2.1.2.1 Методы с одним источником воздействия (Single Stimulus) 147
2.1.2.2 Методы сравнения воздействия (Stimulus Comparison) 148
2.1.2.3 Метод SSCQE 149
2.1.2.4 Метод ACR 149
2.1.2.5 Метод DCR 151
2.2.1 Анализ взаимосвязи параметра Хёрста и субъективных оценок качества восприятия 151
2.2.1.1 Методы оценки параметра Хёрста 155
2.2.1.2 Расчёт параметра Хёрста 159
2.2.1.3 Метод оценки качества восприятия на основе параметра Хёрста и субъективных оценок 168
2.2.1.4 Метод оценки качества восприятия в системах дополненной реальности 177
2.3. Модель оценки QoE на основе распознавания эмоций 184
2.3.1 Четырехуровневая пользовательская модель для оценки видео 186
2.3.1.1 Уровень чувств 190
2.3.1.2 Уровень восприятия 190
2.3.1.3 Уровень эмоций 191
2.3.1.4 Уровень действия 192
2.3.1.5 Метрики для оценки качества восприятия 193
2.3.1.6 Структура экспериментального стенда 196
Выводы по главе 2: 200
Глава 3 Дополненная реальность. Модели 202
3.1. Модель услуги 203
3.1.1 Модель взаимодействия основных элементов 205
при предоставлении услуг ДР 205
3.1.2 Качество предоставления услуги ДР 207
3.2 Модель трафика ДР 208
3.2.1 Модель окружения пользователя 210
3.2.2 Секторальная модель окружения пользователя 214
3.2.3 Модель поведения (движения) пользователя 221
3.2.3.1 Модель услуги ДР для Умного города (или в очках ДР) 221
3.2.3.2 Модель восприятия пользователя 224
3.2.3.3 Модель предоставления услуги ДР 229
3.2.3.4 Моделирование движения пользователя услуги дополненной реальности 234
3.2.3.4.1 Постановка задачи 234
3.2.3.4.2 Модель данных 235
3.2.3.4.3 Модель пользователя 236
3.2.3.4.4 Метод выбора данных дополненной реальности 249
Выводы по главе 3 251
Глава 4 Распределение ресурсов сети при предоставлении услуг дополненной реальности 254
4.1 Структура реализации услуги 255
4.1.1 Модель услуги 258
4.2 Метод выбора структуры сети и параметров оборудования 263
4.2.1 Обработка данных об окружении 264
4.2.2 Формирование и обновление данных 266
4.3 Иерархическая структура предоставления услуг дополненной реальности для распределения нагрузки и данных 269
4.4 Метод выгрузки трафика приложений дополненной реальности в многоуровневой системе граничных вычислений 276
4.4.1 Структура системы AR/MM-MEC 276
4.4.2 Многопользовательские игры в условиях дополненной реальности. Система AR/MM-MEC 279
4.4.3 Потоковое видео с обзором в 360 градусов в системе AR/MM-MEC 281
4.4.4 Метод выгрузки трафика 283
4.4.4.1 Выгрузка на первый уровень 283
4.4.4.2 Выгрузка на первый уровень 285
4.4.4.3 Выгрузка на второй уровень 286
4.4.5 Моделирование и оценка эффективности предложенного метода 287
4.4.6 Анализ результатов моделирования 292
4.5 Исследование взаимодействия приложений дополненной реальности с облачными сервисами 1С 297
4.5.1 Архитектура сист емы 298
4.5.2 Модельная сеть для идентификации устройств ИВ с помощью ДР 299
4.5.3 Тестирование модельной сети 301
4.6 Применение дополненной реальности, БПЛА и SDN для приложений VANET 306
4.6.1 Модель сети VANET с приоритетным обслуживанием 307
4.6.2 Алгоритм управления дорожным движением 309
4.7 Исследование взаимодействия приложений дополненной реальности и методов управления БПЛА 313
4.7.1 Особенности передачи данных при управлении БПЛА 315
4.7.2 Исследование влияния качества восприятия в системах дополненной реальности на управление БПЛА 317
4.7.3 Проведение эксперимента по управлению БПЛА с помощью ДР и анализ полученных результатов 320
4.8 Типовая модель управления интернет вещами на базе технологии дополненной реальности 324
4.8.1 Классификация приложений ИВ для технологии ДР 325
4.8.2 Классификация устройств ИВ для реализации систем идентификации объектов 327
4.8.3 Примеры реализации ДР при управлении ИВ 328
4.8.3.1 Применение технологии ДР для мониторинга и контроля сетевого оборудования 328
4.8.3.2 Применение технологии ДР для мониторинга устройств ИВ в области сельского хозяйства 329
4.8.3.3 Применение технологии ДР для мониторинга сохранности музейных экспонатов 334
Выводы по главе 4 341
Глава 5 Исследование подходов к передаче мультимедиа контента для приложений дополненной реальности на базе беспроводной сенсорной сети 344
5.1 Исследование качества передачи изображения и речи поверх протокола ZigBee в режиме прозрачного канала 344
5.1.1 Схема лабораторного стенда для передачи изображения 345
5.1.2 Схема лабораторного стенда для передачи речи 347
5.1.3 Оценка параметров качества передачи изображения и речи поверх протокола ZigBee в режиме прозрачного канала 348
5.2 Экспериментальное исследование передачи мультимедиа контента для приложений дополненной реальности на базе беспроводной сенсорной сети 353
5.2.1 Взаимодействие элементов лабораторного стенда 353
5.2.2 Аппаратное обеспечение 355
5.2.3 Программное обеспечение 356
5.2.4 Сценарии экспериментального исследования 357
5.2.5 Сценарий 1 – влияние плотности сети на задержку для приложений ДР 358
5.2.6 Сценарий 2 – увеличение количества маршрутизаторов 359
5.2.7 Анализ результатов экспериментов 360
5.3 Экспериментальное исследование передачи мультимедиа контента для приложений дополненной реальности на базе беспроводной сети стандарта Wi Fi (IEEE 802.11) 362
5.3.1 Модель исследуемой сети 362
5.3.2 Результаты имитационных экспериментов 363
5.3.2.1. Зависимость пропускной способности от количества транзитов 363
5.3.2.2. Зависимость вероятности потерь от интенсивности трафика 366
5.4. Тестирование работы приложений дополненной реальности 370
5.4.1. Классификация приложений дополненной реальности для тестирования 371
5.4.2 Модель для тестирования приложений дополненной реальности 372
5.4.3 Сценарии тестирования приложений ДР 373
Выводы по главе 5 375
Заключение 376
Список сокращений и условных обозначений 379
Список литературы 383
Приложение А. Документы, подтверждающие внедрение основных результатов диссертационной работы 427
- Офтальмология
- Качество восприятия в сетях связи
- Модель пользователя
- Зависимость вероятности потерь от интенсивности трафика
Офтальмология
Как было сказано ранее пациенты не всегда могут описать свои симптомы врачу, особенно если это дети. Не исключением является и область офтальмологии. Дополненная реальность играет ключевую роль в определении симптомов и проблем пациентов в подобных ситуациях. Различные ДР-приложения, такие как Eye Decide, которое используют дисплей камеры для имитации воздействия определенных условий на глаз человека [54]. Для понимания причины заболевания и оценки фактического состояния зрительной системы человека, эти приложения могут визуализировать воздействие катаракты или заболевания у людей пожилого возраста, появляющееся в центральной зоне сетчатки (англ. AMD, Age-related macula degeneration).
На рисунке 1.3 показан ряд снимков, отражающих динамику ухудшения зрения под воздействием заболевания ADM, а также как выглядит сам глаз в данный момент. Многообразие приложений не только ДР, но и Интернета вещей в области медицины позволяет говорить о необходимости широкомасштабного развертывания медицинских сетей [55]. Так уже существуют приложения мониторинга показателей здоровья одиноких пожилых людей, при достижении какого-либо показателя порогового значения, информация моментально отправляется на станцию скорой помощи и выезжает бригада по адресу больного.
Ведутся исследования и в области вживления в организм капсулы с лекарственными препаратами, так чтобы в случае инфаркта, где помощь нужна немедленно организм сразу получил дозу соответствующего препарата. Подобные приложения только начинаются исследоваться и сегодня уже существует ряд работ, направленных на разработку требований к показателям сети и архитектуры данных приложений [56 - 58].
Как видно из вышеизложенного, медицина является одной из передовых областей, внедряющих современные достижения, в том числе и дополненная реальность нашла своё место в улучшении медицинских навыков и повышения качества здравоохранения.
Качество восприятия в сетях связи
Развитие и усложнение современных телекоммуникационных услуг требует изменения подходов к оценке качества их предоставления. Более того сегодня пользователи достаточно избалованы как качеством передачи информации, так и разнообразием услуг и тарифных планов операторов. С появлением и широким распространением видеоуслуг становится очевидно, что существующих показателей качества обслуживания недостаточно для понимания степени удовлетворенности пользователя услугами. При внедрении IPTV был выявлен ряд показателей, которые необходимо учитывать при оценке качества предоставления услуг. Например, время переключения телевизионных каналов. Есть ряд пользователей, которые часто переключают канала, однако в отличие от кабельного телевидения, в IP-сетях переключение с трансляции одного видеопотока на другой требует выполнения рядка функций между различными серверами, шлюзами доступа, базой данных, системой защиты контента и т.д. В зависимости от правил взаимодействия этого оборудования между собой, временем обработки запросов, быстротой поиска необходимой информации в системе будет осуществляться переключение каналов и время переключения канала в данной ситуации будет зависеть не только от работы сети (пропускной способности каналов, производительности узлов), но и от специфических характеристик комплекса оборудования для предоставления услуг IPTV. Также стоит отметить важность для пользователей удобства и простоты навигации по интерфейсу. Большой процент пользователей не принадлежат к технически подкованным людям, среди них много пенсионеров, домохозяек, людей с гуманитарным складом, и для них разобраться в новом интерфейсе с большим числом разнотипных функций и услуг является сложной задачей. Многие даже отказываются от возможностей новых систем, т.к. из-за сложности меню не могут даже воспользоваться старыми и привычными сервисами. Подобные ситуации приводят к пониманию необходимости создания новых показателей качества обслуживания. Для того, чтобы систематизировать наборы новых показателей и расширить их перечень Международный союз электросвязи (МСЭ, англ. ITU, International Telecommunication Union) разрабатывает ряд рекомендаций P.10/G.100, G.1000, G.1010, G.1080 [268–271], в которых вводиться понятие качество восприятия и определяются основные группы показателей для оценки качества предоставления мультимедийных услуг и в том числе видео приложений. Согласно Рекомендации МСЭ P.10/G.100 качество восприятия – это общая приемлемость работы приложения или предоставления услуги, которая субъективно воспринимается пользователем. В данное восприятие входит оценка функционирования всех элементов, участвующих в процессе предоставления услуги, таких как, оконечный терминал пользователя, сеть, инфраструктура услуги, и данная оценка может зависеть от ожиданий пользователя. В принципе качество восприятия измеряется субъективно конечным пользователем и, следовательно, может отличаться у разных пользователей при одинаковых технических характеристиках, однако, часто операторы и поставщики услуг стремятся оценить качество восприятия объективными методами, которых на сегодняшний явно недостаточно для комплексной оценки существующих услуг. Усложняет разработку объективных методов необходимость учитывать внушительное количество параметров, в отличие от оценки качества передачи речи, где в Е-модели, описанной в Рекомендации G.107 [272] для понимания степени удовлетворенности пользователя услугой достаточно 21 параметра. Для видеопотоков влияние также имеет ряд характеристик производительности системы, например, кодек и используемая скорость кодирования, разрешение медиа в источнике и на дисплее, потеря информации, а также задержка. Для видеопотока имеет большее значение в какой момент передачи произошла потеря или задержка пакета, что приводит к высокой изменчивости воспринимаемого качества видео. Существуют дополнительные факторы, которые могут повлиять на реакцию зрителя. Так, например, условия работы системы, т.е. при одинаковых обстоятельствах оценки изображения стандартной четкости (SDTV) будет оценено иначе, чем изображение телевидения высокой четкости (HDTV), или в случае просмотра видеоклипа в Интернете. Качество восприятия предполагает также учитывать культурный фон, мотивацию, факторы, связанные с вниманием, эмоциональное состояние пользователя и так далее. На мнение пользователя о приемлемости той или иной услуги также могут влиять такие факторы, как опыт работы с предыдущей версией приложения или технологиями. Например, пользователи часто сравнивают работу спутникового телевидения и IPTV, а также стоимость данных услуг между собой, особые преимущества, которые дает услуга: мобильность, независимость от времени, большой выбор фильмов и дополнительных сервисов и так далее. Рисунок 2.1 показывает основные факторы, которые включает в себя качество восприятия.
Их можно разделить на две большие группы. В первую группу входят показатели качества обслуживания, а также параметры, которые способствуют оценке работы системы при предоставлении услуги пользователю. Ко второй группе относятся компоненты восприятия человеком. Поскольку показатели первой группы характеризуют работу сети и оборудования и оператор осуществляет их постоянный мониторинг, их относят к объективным показателям. В то время как компоненты восприятия человеком характеризуют субъективные параметры, однако именно эти параметры оказывают наибольшее влияния на оценки пользователей. Поэтому много исследований и разработок в области качества восприятия направлено на создание методов объективной оценки качества восприятия видеоприложений, имеющих взаимосвязь с объективными показателями и определения уровня их корреляции между собой.
В объективные показатели входят факторы передачи информации, факторы функционирования приложений, факторы услуг. Факторы передачи информации включают в себя минимальную скорость передачи данных, максимальный уровень потерь пакетов, задержки, пропускную способность и другие сетевые характеристики, которые ранее входили в оценку качества обслуживания.
Факторы функционирования приложений учитывают параметры кодека, разрешение видеоданных источника, скорость кодирования, схему маскировки ошибок, схему нивелирования потерь и т.д. Для оценки передачи видео важно понимать какой кодек установлен у пользователя и его характеристики, это связано с особенностями кодирования видеоданных по стандартам MPEG.
Факторы услуг оценивают уровень предоставления услуги, например, время переключения между каналами (Zapping time), возможность выбора контента, электронную программу передач (англ. Electronic Program Guide, EPG), время отклика. Сегодня для предоставления пользователю услуг с надлежащим качеством недостаточно обеспечивать выполнение требуемых характеристик работы сети. Операторы сталкиваются с тем, что им необходимо завлечь пользователя, удержать его интерес, предоставить такие фильмы и телевизионные каналы, которых нет ни у других. Это связано со сложными переговорами с телевизионными студиями и компаниями, производящими фильмы, что требует особых юридических, маркетинговых, экономических знаний. Если до появления интерактивного телевидения оператор просто предоставлял пользователю доступ в сеть, то сейчас ему необходимо понимать вкусы и предпочтения пользователей при выборе контента.
К субъективным показателям относят компоненты восприятия человеком, функции управления сервисом и тарифы.
Под компонентами восприятия человеком понимают культурный фон, мотивацию, эмоциональное состояние, внимание и т.д. До недавнего времени казалось невозможным оценить эмоциональное состояние пользователя, однако в последнее время все больше появляется инструментов, способных это реализовать. Так, например, камеры дополненной реальности умеют распознавать эмоции человека и на основе полученной эмоции можно реализовать углубленный персонализированный подход при предоставлении услуг пользователям. Анализировать эмоции при формировании электронной программы передач и предлагать те программы, которые чаще всего вызывают у пользователя положительные эмоции и в дальнейшем при распознавании у пользователя отрицательных эмоций (грусть, усталость, раздражение) предлагать контент, способствующий улучшению настроения. Также представляет интерес использование инструментов дополненной реальности для определения концентрации внимания. Довольно часто пользователи включают телевизоры для фона, а сами в этот момент занимаются другими делами, но в тоже время при опросе и оценке качества восприятия они ставят низкую оценку, руководствуясь своими соображениями. Таким образом, их оценка не является справедливой и не должна учитываться. Также функция контроля концентрации внимания может быть использования для повышения комфортности просмотра видеоконтента. Например, если камера фиксирует изменения угла наклона и поворота головы в течение длительного времени, можно сделать вывод, что пользователь уснул перед экраном и уменьшить громкость передачи или снизить качество передаваемого видео, поскольку пользователь этого не заметит, тем самым уменьшим нагрузку на сеть, обеспечив более эффективное использование ресурса, увеличение пропускной способности сети и увеличение среднесетевой задержки.
Модель пользователя
Модель пользователя – это один из наиболее существенных элементов в моделировании услуги. Поскольку пользователь – это субъект, ради которого услуга создается, такая модель должна отражать его основные характеристики поведения и восприятия, которые и задают требования к техническим параметрам услуги. Именно восприятие сообщений (информации) и поведение, определяющее потребность в информации, служат факторами выбора методов организации и предоставления услуги.
Способность восприятия различных форм представления сообщений определяет выбор средств для организации интерфейса (в общем случае) человек– машина. Такой выбор должен быть основан на исследованиях особенностей восприятия человеком различных форм представления сообщений, а также способностей к восприятию нескольких сообщений в различных условиях. Это отдельная область исследования. В данном случае акцентируем внимание на поведении пользователя, а именно, на особенностях поведения, с которыми связан характер запросов данных. Эта составляющая модели пользователя позволяет выявить особенности трафика запросов и трафика данных услуги ДР.
При описании модели пользователя исходим из следующих допущений:
1. Пользователем является человек, а пользовательским терминалом – очки ДР, смартфон или иное портативное носимое устройство, подключенное к сети связи и имеющее графический интерфейс (экран) с пользователем.
2. Рассматриваем пользователя типового, поведение которого определяется наиболее вероятными (типовыми) ситуациями. Данная модель не претендует на полную общность, так как возможно множество специальных (специфических) областей и ситуаций, в которых поведение пользователя может существенно отличаться от типового. Для таких приложений требуются специфические модели.
3. При построении модели поведения исследуем лишь те особенности, которые определяют характер запросов данных. К ним относятся те, что проявляются в таком влиянии на устройство ДР, которое может быть оценено с помощью датчиков и устройств ввода, имеющихся в настоящее время.
Опишем параметры, которые могут быть измерены или введены устройством ДР. В общем случае к ним можно отнести:
1) звук, без распознавания источника и содержания;
2) звук, с распознаванием источника и/или содержания;
3) фото или видео (без распознавания объектов);
4) фото или видео (с распознаванием объектов);
5) манипуляции с устройством ввода (сенсорный экран и др.);
6) положение устройства в пространстве (координаты GPS или другие системы глобального позиционирования);
7) ориентация устройства в пространстве (ориентация в магнитном поле Земли);
8) данные об освещенности;
9) данные о температуре.
Приведенный набор данных является типовым, отдельные устройства могут показывать более широкий набор данных, например, фитнес-браслеты («умные часы») и т.д.
Услуга ДР предоставляется при взаимодействии клиентского приложения ДР, функционирующего на мобильном устройстве, и сервера. Запросы данных производит клиентское приложение. При этом запрос данных ДР может быть, как интерактивным, т.е. по требованию пользователя, так и предиктивным – по решению клиентского приложения. В первом случае пользователь производит запрос некоторым установленным способом, в частности касанием сенсорного экрана, движением манипулятора или голосовой командой. Во втором – запрос осуществляется автоматически клиентской программой на основании анализа действий пользователя или окружения, например, перемещением в точку с другими координатами, поворотом абонентского устройства, попаданием в область наблюдения некоторого целевого объекта и т.п.
Таким образом, характер запросов данных может быть весьма разнообразным, что существенно зависит от специфики услуги. При построении модели будем анализировать лишь запросы, инициируемые приложением, т.е. автоматически, на основе анализа некоторых свойств поведения пользователя. Рассмотрим наиболее характерные свойства, присущие большинству современных приложений и услуг, а именно: движение пользователя и изменение положения устройства в пространстве.
В подобных условиях инициация запроса происходит при изменении координат пользователя либо положения абонентского устройства в пространстве. Поскольку данные должны быть доставлены своевременно (когда они предположительно могут быть востребованы), их запрос следует производить, исходя из некоторого прогноза. Исходными данными для прогноза могут быть параметры поведения пользователя до момента, когда будет сделан запрос. Очевидно, например, что при движении водителя в автомобиле по скоростной дороге целесообразно готовить данные с учетом скорости и направления движения.
В общем случае можно сказать: в конкретной ситуации различные данные имеют разную вероятность быть востребованными. Это определяется поведением пользователя, его движением. Причем движение может характеризоваться перемещением как пользователя (изменением координат), так и абонентского устройства (ориентацией в пространстве).
Говоря о движении пользователя (изменении его координат в трехмерном пространстве), полагаем, что запрос данных формируется, когда объект ДР попадает в окружающее пространство пользователя. Такое событие может быть зарегистрировано сенсорами абонентского устройства, если это возможно и предусмотрено услугой, или после обращения к базе данных ДР. Во втором случае обращение к БД ДР должно производиться при изменении координат пользователя. Очевидно, что должна быть выбрана некая пороговая величина этого изменения, так как изменения оценки координат происходят не только из-за движения пользователя, но и случайно – из-за наличия погрешности функционирования системы позиционирования. К тому же размер этого изменения может зависеть от плотности объектов ДР в рассматриваемом пространстве.
Выражения (3.32) и (3.33) дают возможность оценить время пребывания объектов в доступной для пользователя области. Задача построения системы в таком случае будет заключаться в выборе значений параметров системы, при которых выполняется условие (3.33). Этими параметрами являются доли сообщений каждого типа и способы их формирования.
Рассмотрим далее модель предоставления услуги. Заметим, что ориентироваться только на прямолинейное движение не вполне корректно: у всех пользователей (пешеходов, пассажиров различных видов общественного транспорта, пассажиров и водителей автотранспортных средств) скорость движения разная. Поэтому рассмотрим несколько моделей скорости движения как случайной величины.
На рисунке 3.18 приведена плотность вероятности скорости движения пешехода, полученная на основе эксперимента - путем анализа движения по данным мониторинга его географических координат.
Зависимость вероятности потерь от интенсивности трафика
Структура модели аналогична той, которая использована в предыдущем эксперименте. Сеть состоит из 13 узлов, представляющих собой один «линейный» маршрут. Между узлом источником и узлом назначения передаются дейтаграммы UDP через 11 транзитных узлов. В ходе эксперимента регистрируются переданные и принятые дейтаграммы. Результаты эксперимента приведены в таблице 5.5.
На рисунке 5.14 представлена эмпирическая зависимость доли потерянных дейтаграмм от интенсивности трафика.
На рисунке 5.15 приведено распределение потерянных дейтаграмм по участкам маршрута.
Из приведенных выше результатов видно, что качество функционирования самоорганизующейся сети, построенной с использованием технологии WiFi, существенно зависит от ее параметров, в частности, от длины маршрута и интенсивности трафика. Однако, численные значения пропускной способности и величины задержки, которые имеют место при изменении длины маршрута и интенсивности трафика в достаточно широких пределах, существенно отличаются от значений, полученных для сети, построенной с применением технологии ZigBee. Например, при проведении имитационных экспериментов величина круговой задержки RTT не превысила значения 30 мс, в наихудшем случае, а пропускная способность не снижалась ниже, чем 2 Мбит/с.
Из этого можно сделать вывод, что использование стандартов WiFi для построения беспроводных сенсорных сетей, в ряде случаев, приемлемо для многих приложений дополненной реальности.
Полученные зависимости параметров функционирования от длины маршрута, позволяют выбрать наиболее подходящую конфигурацию сети, в которой как длина маршрута, так и параметры функционирования удовлетворяют требованиям решаемых прикладных задач.