马上注册，结交更多好友，享用更多功能，让你轻松玩转社区。
您需要 登录 才可以下载或查看，没有账号？立即注册
x
1. 源由
无线RF链路受到比较多因素的影响，且在高速FPV机动过程中，必要高效的调整适应环境，是一项非常困难的任务。
越是困难就越是有挑战，如何理论与实践相结合，必要非常多的积极。但是，起首还是要理解内涵关系。
本章就是结合最新v0.60.0版原来看下当前实现的逻辑关系，以及结合代码和实测，分析下一些现象，以及有可能改善的点位。
2. 思路
结合之前《OpenIPC开源FPV之Adaptive-Link信号干扰》，分析给出的思路：
- “辩说”弃包
- “遮挡”丢包
- “FEC”丢包
- “线性”丢包
- 吸取端无法区分是因为发射端弃包导致的丢包，还是发射出来的包，因为传输题目导致的丢包。
- 吸取端发现丢包，从时间角度来说，已经是后知后觉了。
- 如果可以或许更好的使用CSMA/CA特性，就有机会当由于外界干扰而导致弃包时的快速自动应对。
注1：上述“辩说”、“遮挡”、“FEC”、“线性”可能表达上面并非专业或者描述正确，简单表意，大家理解，消化下。
注2：接下来v0.60.0将按照这些分类来讨论，盼望可以或许进一步理解RF链路信号质量，以及相关的一些概念。
2.1 线性丢包
“线性”丢包，大抵的意思就是随着信号的衰减，而且陪同外界环境底噪的影响（通俗说信噪比），随着间隔的增长，能量以半径平方的关系渐渐衰减（这个是能量三维空间衰减模型）。
注：当然，天线也并非各项同性，苹果图也有各种形状，性能也各有差异，还有各种定向，乃至跟随天线，所以情况是比较复杂的。
2.1.1 线性RSSI归一
rssi_normalized = max ( 0 , min ( 1 , best_rssi − RSSI_MIN RSSI_MAX − RSSI_MIN ) ) \text{rssi\_normalized} = \max\left(0, \min\left(1, \frac{\text{best\_rssi} - \text{RSSI\_MIN}}{\text{RSSI\_MAX} - \text{RSSI\_MIN}}\right)\right) rssi_normalized=max(0,min(1,RSSI_MAX−RSSI_MINbest_rssi−RSSI_MIN))
这个公式的作用是将 best_rssi 归一化到 [0,1] 之间，保证不会超出范围。
- rssi_normalized = max(0, min(1, (best_rssi - RSSI_MIN) / (RSSI_MAX - RSSI_MIN)))
snr_normalized = max ( 0 , min ( 1 , best_snr − SNR_MIN SNR_MAX − SNR_MIN ) ) \text{snr\_normalized} = \max\left(0, \min\left(1, \frac{\text{best\_snr} - \text{SNR\_MIN}}{\text{SNR\_MAX} - \text{SNR\_MIN}}\right)\right) snr_normalized=max(0,min(1,SNR_MAX−SNR_MINbest_snr−SNR_MIN))
这个公式的作用是将 best_snr 归一化到 [0,1] 之间，确保不会超出范围。
- snr_normalized = max(0, min(1, (best_snr - SNR_MIN) / (SNR_MAX - SNR_MIN)))
score_normalized = ( snr_weight × snr_normalized ) + ( rssi_weight × rssi_normalized ) \text{score\_normalized} = (\text{snr\_weight} \times \text{snr\_normalized}) + (\text{rssi\_weight} \times \text{rssi\_normalized}) score_normalized=(snr_weight×snr_normalized)+(rssi_weight×rssi_normalized)
这个公式的作用是根据 SNR 和 RSSI 的权重盘算一个归一化得分，用于权衡信号质量的综合指标。
- score_normalized = (snr_weight * snr_normalized) + (rssi_weight * rssi_normalized)
- raw_score = 1000 + score_normalized * 1000
FEC（前向纠错）是一种增长冗余数据以提高可靠性的技术，目的是当 FEC 冗余度较高时，减少 fec_rec 的贡献，以防止其对体系状态造成过大的影响。
这是一种介于“线性”丢包和“遮挡”丢包的一种临界状态，因此，在“遮挡”丢包会引入卡尔曼滤波来权衡“线性”丢包和“遮挡”丢包。
- fec_k: 原始数据块的数量
- fec_n: 发送的总数据块数量（包罗冗余）
- fec_n - fec_k: 额外添加的冗余数据块数量
如果冗余度 fec_n - fec_k 较大，阐明 FEC 机制提供了更多的冗余数据，因此纵然恢复了较多的 fec_rec，它的贡献也应该适当减少，以防止统计上过分依靠恢复数据。
数学原理
- 盘算冗余度：
redundancy = fec n − fec k \text{redundancy} = \text{fec}_n - \text{fec}_k redundancy=fecn−feck
- 盘算加权因子：
weight = 6.0 1 + redundancy \text{weight} = \frac{6.0}{1 + \text{redundancy}} weight=1+redundancy6.0
- 6.0 是一个调节因子，它确保当 fec_k = 8 和 fec_n = 12（即 redundancy = 4）时，权重靠近 1.0（中性）。
- 这个因子随着冗余度增长而递减，保证 fec_rec 在冗余较高的情况下不会被过分放大。
- 调整后的 FEC 恢复值：
adjusted fec_rec = fec_rec × weight \text{adjusted fec\_rec} = \text{fec\_rec} \times \text{weight} adjusted fec_rec=fec_rec×weight
- 如果冗余较小，则 weight 近似 6.0，保持较大权重。
- 如果冗余较大，则 weight 变小，低落 fec_rec 的影响。
- def adjust_fec_recovered(fec_rec, fec_k, fec_n):
- """
- If redundancy is high (fec_n - fec_k is large), then we expect more fec_rec,
- so its contribution is reduced.
- """
- if fec_k is None or fec_n is None or fec_n == 0:
- return fec_rec # fallback if values are not available
- redundancy = fec_n - fec_k
- weight = 6.0 / (1 + redundancy) # 6 makes 8/12 fec neutral
- return fec_rec * weight
“遮挡”丢包，大抵的意思就是信号急剧衰减，导致出现刹时丢包，丢包率陡然上升。
在这个过程中，可以想象一些可能的情况：
- FEC直接介入，恢复数据包数量陡然增长；
- 随着进一步衰减，纵然FEC可以或许恢复一部分数据包，仍旧出现丢包；
- 吸取端必要哀求关键帧，以求得恢复画面；应对本领，低落比特率，低落k/n比率，增长发射功率（提高穿透性），切换低带宽模式，增长GI值等本领；
- 只要上述方法可以或许起到一定结果，就有机会恢复通讯，乃至视频；若继续恶化，那么就是劫难；
2.3.1 一维卡尔曼滤波
卡尔曼滤波是一种基于贝叶斯估计的递归最优估计方法，通常用于对带噪声的测量数据举行状态估计。
- 当测量值变化剧烈时，卡尔曼增益会调整，使估计值能更快跟随变化。
- 当测量值噪声较大时，卡尔曼滤波会更依靠于历史预测值，减少波动。
其根本步调包罗：
- 预测（Prediction）
根据前一次估计值，预测当前状态。
- 更新（Correction/Update）
结合新的测量值，更新估计值，使其更加准确。
数学原理
假设：
- 真实状态值： x t x_t xt
- 预测状态： x ^ t − \hat{x}_t^- x^t−（当前的预测值）
- 预测误差方差： P t − P_t^- Pt−（预测的不确定性）
- 观测值： z t z_t zt（测量值）
- 观测噪声方差： R R R（测量的不确定性）
- 过程噪声方差： Q Q Q（模型的不确定性）
- 更新后状态估计： x ^ t \hat{x}_t x^t
- 更新后误差方差： P t P_t Pt
- 预测阶段（Prediction）
x ^ t − = x ^ t − 1 \hat{x}_t^- = \hat{x}_{t-1} x^t−=x^t−1
P t − = P t − 1 + Q P_t^- = P_{t-1} + Q Pt−=Pt−1+Q
其中：
- x ^ t − \hat{x}_t^- x^t− 继承上一次的估计值
- 误差方差 P t − P_t^- Pt− 累计过程噪声 Q Q Q（process_variance）
- 盘算卡尔曼增益（Kalman Gain）
K t = P t − P t − + R K_t = \frac{P_t^-}{P_t^- + R} Kt=Pt−+RPt−
- 这里的 K t K_t Kt 是卡尔曼增益，用于平衡预测值与测量值之间的影响。
- 当测量噪声较大（ R R R 大）， K t K_t Kt 小，更信托预测值。
- 当测量噪声较小（ R R R 小）， K t K_t Kt 大，更信托测量值。
- 更新阶段（Correction）
x ^ t = x ^ t − + K t ( z t − x ^ t − ) \hat{x}_t = \hat{x}_t^- + K_t (z_t - \hat{x}_t^-) x^t=x^t−+Kt(zt−x^t−)
P t = ( 1 − K t ) P t − P_t = (1 - K_t) P_t^- Pt=(1−Kt)Pt−
- 新的状态估计值 x ^ t \hat{x}_t x^t 是在预测值 x ^ t − \hat{x}_t^- x^t− 基础上，按照增益 K t K_t Kt 调整误差（测量值与预测值的差）。
- 误差方差 P t P_t Pt 也会更新，表示新的不确定性。
- def kalman_filter_update(measurement):
- global kalman_estimate, kalman_error_estimate
- predicted_estimate = kalman_estimate
- predicted_error = kalman_error_estimate + process_variance
- kalman_gain = predicted_error / (predicted_error + measurement_variance)
- kalman_estimate = predicted_estimate + kalman_gain * (measurement - predicted_estimate)
- kalman_error_estimate = (1 - kalman_gain) * predicted_error
- return kalman_estimate
结合 FEC（前向纠错）和卡尔曼滤波（Kalman Filter），盘算数据传输过程中的误码率，并对其举行平滑处置惩罚。
- 基于噪声水平 (filtered_noise) 盘算一个扣分比例 (deduction_ratio)，如果噪声低就不扣分，如果噪声高就大幅扣分。
- 应用惩罚到 raw_score 盘算 final_score，保证分数不会直接变成 0，而是渐渐低落。
- 盘算最终惩罚量 penalty，方便后续使用。
- Step 1: 调整 FEC 恢复数据
- 通过 adjust_fec_recovered() 函数对 fec_rec_packets 举行加权调整，以补偿 FEC 的冗余度对统计数据的影响。
- 目的是： 防止高冗余度时 fec_rec_packets 影响过大，导致误判误码情况。
- # Adjust the fec_rec_packets contribution based on FEC settings
- adjusted_fec_rec = adjust_fec_recovered(fec_rec_packets, fec_k, fec_n)
- Step 2: 盘算误码率（Error Ratio）
error_ratio = 5 × lost_packets + adjusted_fec_rec all_packets / num_antennas \text{error\_ratio} = \frac{5 \times \text{lost\_packets} + \text{adjusted\_fec\_rec}}{\text{all\_packets} / \text{num\_antennas}} error_ratio=all_packets/num_antennas5×lost_packets+adjusted_fec_rec
- # Now calculate the error ratio with the adjusted fec recovery value
- error_ratio = (5 * lost_packets + adjusted_fec_rec) / (all_packets / num_antennas)
- lost_packets 是丢失的数据包数。
- adjusted_fec_rec 是调整后的 FEC 恢复数据包数（经过 adjust_fec_recovered() 处置惩罚），减少了高冗余情况对统计的影响。
- all_packets 是所有吸取的数据包数。
- num_antennas 代表吸取天线的数量，分母盘算时做了归一化处置惩罚。
- 5 * lost_packets 5用于放大丢失包的影响
- 最终盘算的是一个归一化的误码率 error_ratio，表示数据传输的丢包情况，可能用于后续决策。
- Step 3: 用卡尔曼滤波平滑误码率
- filtered_noise = kalman_filter_update(error_ratio)
- kalman_filter_update(error_ratio) 通过卡尔曼滤波对 error_ratio 举行平滑处置惩罚，减少短时波动带来的影响。
- 由于 error_ratio 可能会有突变或者噪声干扰，卡尔曼滤波可以提供一个更稳定的估计值 filtered_noise。
- 这个平滑后的误码率 filtered_noise 可以用于动态调整 FEC 参数、调整传输战略，乃至用于 QoS（服务质量）优化。
2.3.3 惩罚机制
核心逻辑是基于噪声水平对分数 (final_score) 举行惩罚，确保高噪声环境下的评分不会过高。
- Step 1: 盘算扣分比例 (deduction_ratio)
deduction_ratio = ( filtered_noise − min_noise max_noise − min_noise ) deduction_exponent \text{deduction\_ratio} = \left(\frac{\text{filtered\_noise} - \text{min\_noise}}{\text{max\_noise} - \text{min\_noise}}\right)^{\text{deduction\_exponent}} deduction_ratio=(max_noise−min_noisefiltered_noise−min_noise)deduction_exponent
- min() 限制最大值为 1.0，避免扣分比例凌驾 100%。
- 这个公式的结果是：
- 噪声靠近 min_noise → 惩罚靠近 0，不举行惩罚，deduction_ratio = 0.0。
- 噪声在 min_noise 和 max_noise之间时，盘算扣分比例。
- 噪声靠近 max_noise → 惩罚靠近 1.0。
- deduction_exponent 控制变化速率，如果指数大于 1，低噪声时影响较小，高噪声时影响加剧。
- if filtered_noise < min_noise:
- deduction_ratio = 0.0
- else:
- deduction_ratio = min(((filtered_noise - min_noise) / (max_noise - min_noise)) ** deduction_exponent, 1.0)
- filtered_noise 是经过卡尔曼滤波的噪声水平。
- min_noise 是噪声的最小阈值。
- max_noise 是噪声的最大阈值。
- deduction_exponent 控制惩罚力度（指数关系）。
- Step 2: 盘算最终得分 (final_score)
final_score = 1000 + ( raw_score − 1000 ) × ( 1 − deduction_ratio ) \text{final\_score} = 1000 + (\text{raw\_score} - 1000) \times (1 - \text{deduction\_ratio}) final_score=1000+(raw_score−1000)×(1−deduction_ratio)
这个盘算方式确保纵然有扣分，最终分数不会低于 1000，也不会直接把分数归零。
- final_score = 1000 + (raw_score - 1000) * (1 - deduction_ratio) if allow_penalty else raw_score
- raw_score 是原始分数，假设1000 是基准分。
- allow_penalty 是一个开关，决定是否应用惩罚：
- 如果 allow_penalty = False，则 final_score = raw_score，不做任何调整。
- 如果 allow_penalty = True，则根据 deduction_ratio 举行扣分：
- Step 3: 盘算最终惩罚量 (penalty)
- penalty = (final_score - raw_score) if allow_penalty else 0
- 如果 allow_penalty = True，盘算最终得分相比原始分数的下降值（负数）。
- 如果 allow_penalty = False，penalty = 0（无扣分）。
2.4 辩说弃包
略，暂时无上述应对方案
3. 应用方法
3.1 前向纠错 (FEC) 级别调整
这就是之条件到的应对本领之一：“低落比特率，低落k/n比率，增长发射功率（提高穿透性），切换低带宽模式，增长GI值等本领”
核心逻辑是根据噪声 (filtered_noise) 盘算 FEC（前向纠错）调整值，决定是否增长 FEC 保护强度，以提高数据恢复能力。
- # FEC change logic
- fec_change = (
- 0 if not allow_fec_increase or filtered_noise <= min_noise_for_fec_change else
- 5 if filtered_noise >= noise_for_max_fec_change else
- int(round(((filtered_noise - min_noise_for_fec_change) / (max_noise - min_noise_for_fec_change)) * 5))
-
- )
- 如果不允许增长 FEC 或噪声太低 → 不调整 FEC (fec_change = 0)。
- 如果噪声特别高 → FEC 保护达到最大 (fec_change = 5)。
- 如果噪声在 min_noise_for_fec_change 和 max_noise_for_fec_change 之间 → 盘算 FEC 变化量 (fec_change 介于 0 到 5 之间，呈线性增长)。
转换后的代码如下：
- # FEC change logic
- if not allow_fec_increase or filtered_noise <= min_noise_for_fec_change:
- fec_change = 0 # 不允许增加 FEC 或者噪声低于调整阈值，则不改变 FEC
- elif filtered_noise >= noise_for_max_fec_change:
- fec_change = 5 # 噪声大于最大 FEC 变化阈值，FEC 设为最大值
- else:
- # 计算 FEC 变化量，按照噪声水平线性调整
- fec_change = int(round(((filtered_noise - min_noise_for_fec_change) /
- (max_noise - min_noise_for_fec_change)) * 5))
- 0 if not allow_fec_increase or filtered_noise <= min_noise_for_fec_change
- allow_fec_increase 是一个开关，决定是否允许增长 FEC 保护。
- filtered_noise 是当前测得的噪声水平。
- min_noise_for_fec_change 是允许调整 FEC 的最小噪声阈值。
- 逻辑：
- 如果 allow_fec_increase = False 或 filtered_noise 低于 min_noise_for_fec_change，则 FEC 变化量 (fec_change) 设为 0（不调整 FEC）。
- Step 2: 确定最大 FEC 变化
- 5 if filtered_noise >= noise_for_max_fec_change
- noise_for_max_fec_change 是最大 FEC 变化的噪声阈值。
- 如果 filtered_noise 高于 noise_for_max_fec_change，则 fec_change = 5（最大 FEC 保护）。
- 这个逻辑表示当噪声非常高时，FEC 增强达到最大值，确保数据传输可靠性。
- Step 3: 盘算线性 FEC 变化
- int(round(((filtered_noise - min_noise_for_fec_change) / (max_noise - min_noise_for_fec_change)) * 5))
- 盘算 FEC 变化比例：
filtered_noise − min_noise_for_fec_change max_noise − min_noise_for_fec_change \frac{\text{filtered\_noise} - \text{min\_noise\_for\_fec\_change}}{\text{max\_noise} - \text{min\_noise\_for\_fec\_change}} max_noise−min_noise_for_fec_changefiltered_noise−min_noise_for_fec_change
- 归一化噪声水平，得到 0 到 1 之间的值（当噪声从 min_noise_for_fec_change 增长到 max_noise_for_fec_change）。
- 乘以 5 以得到 FEC 调整量：
( filtered_noise − min_noise_for_fec_change max_noise − min_noise_for_fec_change ) × 5 \left( \frac{\text{filtered\_noise} - \text{min\_noise\_for\_fec\_change}}{\text{max\_noise} - \text{min\_noise\_for\_fec\_change}} \right) \times 5 (max_noise−min_noise_for_fec_changefiltered_noise−min_noise_for_fec_change)×5
- 如果噪声靠近 min_noise_for_fec_change，则 FEC 变化靠近 0。
- 如果噪声靠近 max_noise_for_fec_change，则 FEC 变化靠近 5。
- int(round(...)) 取整，确保 FEC 变化是整数值。
3.2 bitrate/K/N动态调整
动态调整前向纠错 (FEC) 参数和比特率 (bitrate)，确保在不同场景下优化 FEC 设置和带宽分配。
- fec_change 变量控制 FEC 变化级别，取值范围 1~5，影响 new_bitrate 的盘算：
- 通过 denominators[] 数组，new_bitrate 变为 new_bitrate / denominator
- fec_k_adjust 变量决定 FEC 的调整方式：
- 若为 true，则 new_fec_k 变小 (new_fec_k /= denominator)
- 若为 false，则 new_fec_n 变大 (new_fec_n *= denominator)
- snprintf(global_profile_fec_osd, sizeof(global_profile_fec_osd), "%d/%d", new_fec_k, new_fec_n);
- global_profile_fec_osd 存储当前 FEC 设置 (k/n 格式)。
- 按比特率变化决定 FEC 和 Bitrate 调整序次
代码中存在两种情况：
- 比特率增长 (new_bitrate > old_bitrate) → 先调整 FEC，再调整 Bitrate
- 比特率减少 (new_bitrate <= old_bitrate) → 先调整 Bitrate，再调整 FEC
在每种情况下：
- format_command() 负责将下令格式化为字符串
- execute_command() 执行下令
示例格式
- format_command(fecCommand, sizeof(fecCommand), fecCommandTemplate, 2, fecKeys, fecValues);
- execute_command(fecCommand);
- fecCommandTemplate 是 FEC 设置下令模板
- bitrateCommandTemplate 是比特率设置下令模板
- old_fec_k = new_fec_k;
- old_fec_n = new_fec_n;
- old_bitrate = new_bitrate;
确保后续调整时有历史数据可比较。
- void manage_fec_and_bitrate(int new_fec_k, int new_fec_n, int new_bitrate) { char fecCommand[MAX_COMMAND_SIZE]; char bitrateCommand[MAX_COMMAND_SIZE]; // Adjust fec and bitrate based on fec_change (if applicable) if (allow_dynamic_fec && fec_change > 0 && fec_change <= 5) { float denominators[] = { 1, 1.11111, 1.25, 1.42, 1.66667, 2.0 }; float denominator = denominators[fec_change]; new_bitrate = (int)(new_bitrate / denominator); // divide k or multiply n depending on fec_k_adjust option (fec_k_adjust) ? (new_fec_k /= denominator) : (new_fec_n *= denominator); } // Update the global FEC OSD regardless of order. snprintf(global_profile_fec_osd, sizeof(global_profile_fec_osd), "%d/%d", new_fec_k, new_fec_n);
- // If increasing bitrate, change FEC first; otherwise, bitrate first. if (new_bitrate > old_bitrate) { // Format fecCommand const char *fecKeys[] = { "fecK", "fecN" }; char strFecK[10], strFecN[10]; snprintf(strFecK, sizeof(strFecK), "%d", new_fec_k); snprintf(strFecN, sizeof(strFecN), "%d", new_fec_n); const char *fecValues[] = { strFecK, strFecN }; format_command(fecCommand, sizeof(fecCommand), fecCommandTemplate, 2, fecKeys, fecValues); execute_command(fecCommand); old_fec_k = new_fec_k; old_fec_n = new_fec_n; // Format bitrateCommand const char *brKeys[] = { "bitrate" }; char strBitrate[12]; snprintf(strBitrate, sizeof(strBitrate), "%d", new_bitrate); const char *brValues[] = { strBitrate }; format_command(bitrateCommand, sizeof(bitrateCommand), bitrateCommandTemplate, 1, brKeys, brValues); execute_command(bitrateCommand); old_bitrate = new_bitrate; } else { // Format bitrateCommand first const char *brKeys[] = { "bitrate" }; char strBitrate[12]; snprintf(strBitrate, sizeof(strBitrate), "%d", new_bitrate); const char *brValues[] = { strBitrate }; format_command(bitrateCommand, sizeof(bitrateCommand), bitrateCommandTemplate, 1, brKeys, brValues); execute_command(bitrateCommand); old_bitrate = new_bitrate; // Then format fecCommand const char *fecKeys[] = { "fecK", "fecN" }; char strFecK[10], strFecN[10]; snprintf(strFecK, sizeof(strFecK), "%d", new_fec_k); snprintf(strFecN, sizeof(strFecN), "%d", new_fec_n); const char *fecValues[] = { strFecK, strFecN }; format_command(fecCommand, sizeof(fecCommand), fecCommandTemplate, 2, fecKeys, fecValues); execute_command(fecCommand); old_fec_k = new_fec_k; old_fec_n = new_fec_n; }}
- 盘算当前值 (combined_value) 与上次使用的值 (last_value_sent) 之间的百分比变化 (percent_change)。
- 选择滞后阈值 (hysteresis_threshold)：
- 上升趋势 用 hysteresis_percent。
- 下降趋势 用 hysteresis_percent_down。
- 如果百分比变化凌驾滞后阈值，尝试切换到新的 profile：
- 若成功，更新 last_value_sent 和 last_exec_time。
- // Calculate percentage change from smoothed baseline value
- float percent_change = fabs((float)(combined_value - last_value_sent) / last_value_sent) * 100;
- // Determine which hysteresis threshold to use (up or down)
- float hysteresis_threshold = (combined_value >= last_value_sent) ? hysteresis_percent : hysteresis_percent_down;
- // Check if the change exceeds the chosen hysteresis threshold
- if (percent_change >= hysteresis_threshold) {
- printf("Qualified to request profile: %d is > %.2f%% different (%.2f%%)\n", combined_value, hysteresis_threshold, percent_change);
- // Request profile, check if applied
- if (value_chooses_profile(combined_value)) {
- printf("Profile %d applied.\n", combined_value);
- last_value_sent = combined_value;
- last_exec_time = current_time;
- }
- }
- # Start or override a keyframe request if necessary
- if lost_packets > 0 and allow_idr:
- keyframe_request_code = ''.join(random.choices(string.ascii_lowercase, k=4))
- keyframe_request_remaining = idr_max_messages
- if verbose_mode:
- print(f"Generated new keyframe request code: {keyframe_request_code}")
- if receiving_video:
- # When video transmission starts, trigger a keyframe request.
- # This block runs only on the first video stat update after a period of no video.
- if not video_rx_initial_message_printed:
- print("\nReceiving video_rx stats\nWorking...")
- video_rx_initial_message_printed = True
- # Always request a keyframe when video starts
- keyframe_request_code = ''.join(random.choices(string.ascii_lowercase, k=4))
- keyframe_request_remaining = idr_max_messages
- if verbose_mode:
- print(f"Generated new keyframe request code on video start: {keyframe_request_code}")
- “线性”丢包在可视间隔（LOS, Line Of Sight）上是否可以或许维持链路稳定？
- “FEC”丢包盘算公式中的调节因子6是否公道？出处来自何种理论或者履历逻辑？
- “遮挡”丢包的惩罚盘算公式指数式噪音衰减模型是否符合穿越障碍物场景？
- “辩说”弃包为何没有接纳？从MAC驱动角度看，发射端可以或许使用CSMA/CA硬件特性，可以公道的接纳措施，比如：增长功率，低落比特率等
- 前向纠错级别调整以及与bitrate一起调整的逻辑关联关系是什么？以何种模型举行调整？
6. 现实结果
- FPV Interference Scenarios - v0.58.0
- FPV Interference Scenarios - v0.60.0
7. 参考资料
【1】OpenIPC开源FPV之Adaptive-Link工程解析
【2】OpenIPC开源FPV之Adaptive-Link天空端代码解析
【3】OpenIPC开源FPV之Adaptive-Link地面站代码解析
【4】OpenIPC开源FPV之Adaptive-Link安装
【5】OpenIPC开源FPV之Adaptive-Link关键RF参数
【6】OpenIPC开源FPV之Adaptive-Link信号干扰
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。 |
