Nadzor ceste: 15 koraka

2024 Autor: John Day | [email protected]. Zadnja promjena: 2024-01-30 09:35

Danas ćemo vam pokazati kako smo postavili sustav praćenja anomalija na cestama na temelju mjerača ubrzanja, LoRaWAN -a, Amazon Web Services i Google Cloud API -ja.

Korak 1: Zahtjevi

• Ploča DISCO-L072CZ-LRWAN1
• X-NUCLEO-IKS01A2 modul za proširenje (za mjerač ubrzanja)
• X-NUCLEO-GNSS1A1 (za lokalizaciju)
• AWS račun
• Račun Google Cloud Platform

Korak 2: Izrada i ažuriranje firmvera senzora

Spojite IKS01A2 i GNSS1A1 na vrhu ploče kroz GPIO pinove. Preuzmite kod firmvera s GitHub -a. Napravite (ako ga već nemate) račun na ARM Mbedu i uvezite kôd u repo na mrežnom prevoditelju. Ciljnu platformu postavite na DISCO-L072CZ-LRWAN1 i spremite projekt. Sada idite na The Things Network i stvorite račun ako ga već nemate. Izradite aplikaciju, stvorite novi uređaj unutar aplikacije i postavite način povezivanja na OTAA. Dohvatite odgovarajuće parametre kako biste ispunili sljedeća polja u datoteci mbed_app.json: "lora.appskey", "lora.nwkskey", "lora.device-address".

Senzor će povremeno snimati akcelerometar i GNSS podatke i slati ih putem LoRa veze do najbližeg pristupnika, koji će ih prosljeđivati našoj aplikaciji na mreži The Things Network. Sljedeći korak je postavljanje poslužitelja u oblaku i HTTP integracija na TTN -u.

Korak 3: Postavljanje oblaka

Sada smo spremni za postavljanje infrastrukture u oblaku koja će prikupljati i objedinjavati podatke sa svih postavljenih ploča. Ova infrastruktura prikazana je na donjoj slici, a sastoji se od:

• Kinesis, za rukovanje dolaznim tokom podataka;
• Lambda, za filtriranje i predprocesiranje podataka prije skladištenja;
• S3, za spremanje svih podataka;
• EC2, analizirati podatke i ugostiti naš front-end.

Korak 4: Postavite AWS Lambda

Ilustrirat ćemo korake potrebne za postavljanje ove infrastrukture, počevši od Lambde.

1. Prijavite se sa svojim AWS računom, a s glavne stranice konzole idite na Lambda
2. Pritisnite Stvori funkciju
3. U gornjem dijelu stranice potrebno je odabrati Autor iz ogrebotine. Zatim ispunite ostala polja kao na slici, a zatim kliknite Stvori funkciju
4. Sada kada ste stvorili AWS Lambda funkciju, idite na https://github.com/roadteam/data-server i kopirajte sadržaj datoteke aws_lambda.py u uređivač koji ćete pronaći u drugoj polovici stranice. Vaša Lambda funkcija je sada spremna:)

Korak 5: Postavite AWS Kinesis Firehose podatkovni tok

1. Vratite se sada na glavnu stranicu AWS konzole, a u Usluge idite na Kinesis
2. Sada ste na glavnoj stranici Kinesisa. S desne strane stranice u odjeljku "Kinesis Firehose dotoci isporuke" odaberite "Izradi novi tok isporuke"
3. U "Naziv toka isporuke" napišite "tok-nadzor-ceste". Ostala polja ostavite zadanim i kliknite Dalje
4. Sada u odjeljku 'Transform source records with AWS Lambda' odaberite Enabled, a kao Lambda funkciju kliknite na novostvorenu 'road-monitoring-lambda'. Ne brinite ako se pojavi upozorenje o isteku funkcije, jer operacije koje radimo nisu računski skupe. Ostala polja ostavite zadanim i kliknite Dalje
5. Kao odredište odaberite Amazon S3, a kao odredište S3 odaberite Stvori novo. Kao naziv kante unesite "road-monitoring-bucket", a zatim idite. Ostala polja ostavite zadanim i kliknite Dalje
6. Možda želite postaviti veličinu međuspremnika na 1 MB, a interval međuspremnika na 60 sekundi. Međuspremnik će se isprazniti u S3 kad god je zadovoljen jedan od dva uvjeta. Ne napuštajte stranicu, pogledajte sljedeći korak

Korak 6: Postavite IAM ulogu za kinezu

Sada postavljamo sigurnosna dopuštenja za Kinesis, budući da mora pozvati Lambda funkciju za predprocesiranje, a zatim će pisati na S3

1. Pri dnu stranice na kojoj se nalazite u "IAM ulozi" odaberite "Kreiraj novu po izboru", stvorite novu IAM ulogu kao na slici i kliknite Dopusti
2. Sada ste se vratili na prethodnu stranicu, kliknite sljedeći. Sada biste mogli dvaput provjeriti sve parametre. Kada završite, kliknite na "Stvori tok isporuke"

Cjevovod Kinesis-Lambda-S3 je u funkciji!

Korak 7: Postavite AWS EC2

Sada ćemo postaviti instancu EC2 s nekim API -ima koji će nam omogućiti da guramo i izvlačimo podatke iz AWS oblaka, a također i poslužitelj na kojem ćemo ugostiti sučelje naše aplikacije. U proizvodnom okruženju možda ćete htjeti objaviti API koristeći prilagodljiviji AWS API pristupnik.

1. S glavne stranice AWS konzole idite na uslugu EC2
2. Kliknite Pokreni instancu
3. U gornju traku za pretraživanje zalijepite ovaj kôd: "ami-08935252a36e25f85", to je identifikacijski kod unaprijed konfiguriranog virtualnog stroja za upotrebu. Pritisnite Odaberi s desne strane
4. Odaberite t2.micro iz stupca "Vrsta" i kliknite "Pregledaj i pokreni". Nemojte još pokretati instancu, prijeđite na sljedeći korak

Korak 8: Postavite IAM sigurnosnu ulogu za EC2

1. Prije pokretanja želimo izmijeniti sigurnosnu grupu naše instance. Da biste to učinili, krajnje desno u odjeljku "Sigurnosne grupe" kliknite "Uredi sigurnosne grupe" Postavite novu sigurnosnu grupu na sljedeći način. Ovo u osnovi konfigurira vatrozid vaše instance izlažući port 22 za SSH vezu i port 80 za http usluge
2. Ponovno kliknite "Pregledaj i pokreni". Sada provjerite jesu li postavljeni svi parametri. Kada završite kliknite Pokreni
3. Nakon klika pojavit će se novi prozor za postavljanje para ključeva za ssh vezu s instancom. Odaberite "Izradi novi par ključeva" i kao naziv unesite "ec2-road-monitoring". Kliknite Preuzmi par ključeva. Izuzetno je važno da se ova datoteka izgubi ili (što je još gore) nesigurno pohranjena: ključ nećete moći ponovno preuzeti. Nakon preuzimanja ključa.pem instanca je spremna za pokretanje

Korak 9: Pristupite svojoj EC2 instanci

Vaša nova EC2 instanca nalazi se u AWS oblaku. Na njega se možete povezati pomoću datoteke s ključem koju ste već preuzeli (za ovaj vodič pretpostavljamo da poznajete osnove ssh -a). IP instance možete dohvatiti odabirom na nadzornoj ploči u odjeljku "Opis" na sljedeći način: Možete koristiti i svoj javni IP ili javni DNS isti. S ssh klijentom sada unesite naredbu:

ssh -i ec2-road-monitoring.pem ec2-user@YOUR-IP-ADDR-OR-DNS

gdje je ec2-road-monitoring.pem vaš ključ generiran prije.

Sada nastavite povlačenjem koda na strani poslužitelja

git clone --recursive

10. korak: Dohvatite API za Google karte

Skoro smo gotovi. Sada moramo postaviti google maps API na našu html stranicu kako bismo korisniku prikazali kartu s međutočkama:

1. Prijavite se na svoj Google račun i idite na
2. Kliknite na "Započni" na lijevoj strani stranice
3. Na izborniku odaberite "Karte", a zatim kliknite Nastavi
4. Kao naziv projekta unesite "nadzor ceste" i kliknite Dalje
5. Unesite svoje podatke o naplati i kliknite Nastavi
6. Sada je vaš projekt spreman i dobit ćemo API ključ klikom na API -ji i usluge -> Vjerodajnice

Korak 11: Pokrenite poslužitelj

Tu je vaš API ključ. Posljednje što morate učiniti je otići na data_visualization/anomalies_map.html i tako kopirati ključ na kraj datoteke, zamjenjujući ‘VAŠ KLJUČ-OVDJE’

Sada je sve spremno za rad! Da bi se pokrenulo izvršavanje u instanci EC2: "cd data-server" "python flask_app.py"

Unesite u svoj preglednik ip ili dns adresu vaše EC2 instance, trebali biste vidjeti kartu anomalija s nekim lažnim podacima

Korak 12: Izvedite HTTP integraciju na mreži Things

Sada kada smo pokrenuli svu pozadinsku infrastrukturu, možemo obraditi HTTP integraciju.

1. Napravite novu aplikaciju i registrirajte svoj uređaj. Pretpostavljamo osnovno znanje o TTN -u, ako se ne pozivamo na vodič za brzi početak
2. Na izborniku aplikacija odaberite "Integracije", a zatim "dodaj integraciju"
3. Odaberite HTTP integraciju
4. Unesite polja koja slijede sliku i zamijenite ih svojim EC2 ip ili javnim DNS -om

Korak 13: Obrada podataka

Za svaki niz podataka T prikupljenih od senzora morate izvršiti sljedeće korake:

1. Nabavite skup tuplea s GPS koordinatama koji padaju u lokalnom području T. Lokalno područje su sve torte koje se nalaze 100 metara oko T.
2. Za svaki najbliži tuple N izračunajte kvadratnu sredinu osi akcelerometra Z-osi u N. U pseudokodu: srednja vrijednost = zbroj ([x. Z_accel ** 2 za x u blizini]) / blizu. Veličina
3. Izračunajte kvadratnu standardnu devijaciju. U pseudokodu: std = sum ([(x. Z_accel ** 2 - srednja vrijednost) ** 2 za x u blizini])
4. Ispis u ovom formatu: lat, long, Z_accel ** 2, mean, std

Za izračun lokalnog područja upotrijebite GPS udaljenost u metrima. U C ++:

#define D2R (M_PI / 180.0)

#define EARTH_RAY 6371 double distance (double lat1, double long1, double lat2, double long2) {double dlong = (long2 - long1) * D2R; dvostruka dlat = (lat2 - lat1) * D2R; dvostruko a = pow (sin (dlat/2.0), 2) + cos (lat1 * D2R) * cos (lat2 * D2R) * pow (sin (dlong/2.0), 2); dvostruki c = 2 * atan2 (sqrt (a), sqrt (1-a));

Sada, koristeći međupodatke generirane u prethodnom koraku, otkrijte anomalije i napravite naivnu klasifikaciju pomoću ovog isječka primijenjenog na svaki redak:

linija = karta (float, line.split (","))

v = linija [2] srednja = linija [3] std = linija [4] ako je v (srednja + std*3): ako je v (srednja + std*2): ako je v (srednja + std): o.append ([1, redak [0], redak [1]) ostalo: o.append ([2, redak [0], redak [1]) ostalo: o.append ([3, redak [0], redak [1])

Anomalije se klasificiraju prema pravilu 68–95–99,7

Sada imate zbirku s ovim formatom [vrsta, lat, dugo].

Značenje tipa je sljedeće:

1. Mala anomalija, vjerojatno nebitna
2. Srednja anomalija
3. Kritična anomalija

Korak 14: Vizualizacija

Da bismo razumjeli i možda promijenili dio vizualizacije, moramo naučiti kako koristiti prilagođene markere, značajku API -ja Google karata

Prvo, karta se mora inicijalizirati u povratnom pozivu:

funkcija initMap () {

podaci = upitData (); map = new google.maps. Map (document.getElementById ('map'), {zoom: 15, center: {lat: data [0] [1], lng: data [0] [2]}}); napomena(); }

Navedite naziv ovog povratnog poziva u URL -u (ovdje smo ga umetnuli prije našeg API ključa) u HTML oznaci:

skripta async defer src = "https://maps.googleapis.com/maps/api/js?key=[KEY]&callback=initMap"

Oznaka se može umetnuti u kartu kada se objekt stvori:

novi google.maps. Marker ({položaj: {lat: LATITUDE, lng: LONGITUDE}, karta: karta, ikona: “/path/to/icon.png”})

U kodu možete vidjeti da je za svaki podatak u skupu podataka o anomalijama umetnut marker (vidi funkciju remark ()), a ikona se temelji na klasi anomalije. Kada ovo pokrenemo u preglednik, možemo istražiti kartu u kojoj se anomalije mogu filtrirati pomoću potvrdnih okvira, kao što se vidi na slici.

Korak 15: Krediti i vanjske veze

Ovaj projekt izradili su Giovanni De Luca, Andrea Fioraldi i Pietro Spadaccino, prve godine magisterija inženjerstva studenata računarstva na Sveučilištu Sapienza u Rimu.

• Slajdovi koje su autori koristili za predstavljanje ovog dokaza koncepta:

  www.slideshare.net/PietroSpadaccino/road-m…

• GitHub repo sa svim kodom:

  github.com/roadteam