传统边缘分布式存储系统中网络配置繁琐，优化网络所需的网络状态信息测量操作开销大，当终端设备对数据存储和检索的业务需求处于高峰时，经常会导致网络链路负载过重从而影响数据转发传输的性能，此外，现有分布式存储系统在进行数据的存储节点选择时只考虑了节点剩余存储空间的单一因素，没有考虑网络状态和节点自身负载对系统存储性能的影响。为解决上述问题，文中设计和实现了一种基于软件定义网络（SDN，software defined network）和无人机辅助的边缘分布式存储系统，利用SDN技术测量网络状态、网络节点自身负载和存储节点负载状态信息，通过无人机移动节点飞行到重负载网络节点的上方进行分流以平衡各条链路的流量负载；对于重负载网络节点和存储节点的选择，文中提出一种基于多属性决策模型综合考虑网络状态和节点自身负载状态的节点选择算法，选择出重负载网络节点和合适的存储节点，然后通过无人机的位置部署，实现网络链路流量的分流，平衡网络链路的流量负载。经实验测试，在无线Mesh网络拓扑中，文中提出的无线边缘分布式存储系统的存储性能优于现有的边缘分布式存储系统，存储时间明显缩短，在增加流量负载的情况下依然可以保持良好的存储性能，具有良好的负载均衡性能。
同时定位与建图(Simultaneous Localization and Mapping,SLAM)技术使移动机器人在缺乏先验环境信息的条件下,能够在估计自身位姿的同时构建环境地图。然而,在海洋、矿洞等复杂环境中,移动机器人容易受到随机突变噪声的干扰,进而导致SLA...
详细信息
同时定位与建图(Simultaneous Localization and Mapping,SLAM)技术使移动机器人在缺乏先验环境信息的条件下,能够在估计自身位姿的同时构建环境地图。然而,在海洋、矿洞等复杂环境中,移动机器人容易受到随机突变噪声的干扰,进而导致SLAM性能下降。现有的概率假设密度(Probability Hypothesis Density,PHD)SLAM算法未考虑随机突变噪声,受到干扰时在线自适应调整能力较弱。为解决移动机器人因随机突变噪声导致状态估计和建图精度降低的问题,本文结合强跟踪滤波器(Strong Tracking Filter,STF)与PHD滤波器,提出了一种基于强跟踪的自适应PHD-SLAM滤波算法(Strong Tracking Probability Hypothesis Density Simultaneous Localization and Mapping,STPHD-SLAM)。该算法以PHD-SLAM为框架,针对过程噪声协方差和量测噪声协方差随机突变问题,本文通过在特征预测协方差中引入STF中的渐消因子,实现了对特征预测的自适应修正和卡尔曼增益的动态调整,从而增强了算法的自适应能力。其中渐消因子根据量测新息递归更新,确保噪声突变时每个时刻的量测新息保持正交,从而充分利用量测信息,准确并且快速地跟踪突变噪声。针对渐消因子激增导致的滤波器发散问题,本文对渐消因子进行边界约束,提高算法的鲁棒性。仿真结果表明,在量测噪声协方差和过程噪声协方差随机突变的情况下,所提算法相较于PHD-SLAM 1.0和PHD-SLAM 2.0的定位和建图精度都得到了提高,同时保证了计算效率。
暂无评论