蓝牙技术和802.11b/g之间的信号干扰

蓝牙技术和802.11b/g之间的信号干扰

蓝牙是一种个人局域网(PAN)技术,并同样可用于采用了802.11技术的区域内。许多设备将集成这两种技术,而且不少用户也希望能同时使用它们。这种共容性设备的一个实例就是带有蓝牙鼠标和802.11b/g(以无线方式连接到局域网)的个人计算机。我们能预期,蜂窝电话或多用途设备将配备802.11b/g,以访问WLAN热点(hot spot),同时还会配备蓝牙,以便取代与PC、耳机或打印机之间的线缆。
   
用户们反映,当蓝牙802.11b/g设备运行于距离接近的位置时,系统的性能是可以接受的。直接序列扩频(802.11b) 正交频分复用(OFDM 802.11g )和跳频(蓝牙)等技术的内在保护机制与可检测错误并重发数据包的协议结合在一起,就可在许多情况下提供令人满意的性能。但这是否就足够了呢?
   
现在,我们来考虑当蓝牙功能在附近激活时802.11b数据包传输成功的概率。当802.11b工作在11Mbps的速率下时,一个数据包需要约1毫秒的空中时间。采用单个时隙(one-slot)数据包(或按分页模式传输)蓝牙连接通常会有两个数据包与802.11数据包发生重叠。只有当频率在某个范围之内时,这样的重叠才会导致802.11传输失败。这个标称范围占据了802.11信道的20MHz
   
根据蓝牙的随机跳频机制,两个蓝牙数据包处于此频率范围之外的概率约为50%。如果蓝牙系统满负荷工作,吞吐量预计将是原来的50%。不过,如果802.11b工作在它的最低数据速率(1Mbps),数据包的持续时间为10ms,那么数据传送成功的概率将变成1%左右。
   
分析802.11蓝牙的影响也表明,根据干扰信号的强度和组合占空比的不同,这种影响将介于中等到严重之间。蓝牙传输通常将只与802.11数据包发生一次冲突,但有效的蓝牙传输要求两个数据包(TxRx)都必须被成功送达(单比特序列数)。这使得传输的成功概率也是50%
   
尽管50%的吞吐量并不很理想,但由于邻近的802.11设备通常具有较低的占空比,因而蓝牙数据包将很少受到干扰。但是,在一个蓝牙音频连接中,如果传输数据包损失达到5%以上,将导致可察觉的性能下降;当传送失败的比率超过10%时,音频质量将被显著削弱。因此,我们需要对干扰进行更严格的控制。
   
蓝牙频率处于802.11信道的20MHz范围之内时,两者将互相干扰;不过,这个简单的模型只有当载波对干扰幅度之比(C/I)在有限的范围之内时才是有效的。如果802.11信号幅度提高30dB,干扰范围将扩大到40MHz。随着受干扰范围的增大,蓝牙在整个ISM频段的灵敏度都将被削弱。最后,在任何一方接收器遭受极端干扰的情况下,前端过载问题将导致所有接收信号被阻塞。
   
对于数据应用,一些公司决定采用简单的忍受机制,依靠重发送协议使数据通过信道。但这种方法可能很危险,因为更高层的协议会面临超时,而后备算法做出的反应可能会使干扰所造成的影响复杂化。更为重要的是,蓝牙802.11b/g中的错误检测机制(报头错误检测和循环冗余校验)会因数据中的错误而失效,并将被愚弄而把错误的数据传送给链接管理协议和用户级应用。避免这种情况发生是系统设计者义不容辞的责任。

可选用的几项技术
   
我们已经发现,基于802.11蓝牙设备之间某种形式硬连线信令的协作式实时控制能提供可接受的性能。以下讨论的每项技术在特定场合下能显著改善性能,而在某些情况中,可能需要用到所有这些技术。
蓝牙数据包类型选择
   
蓝牙规范建议实施者适当选择数据包类型以优化吞吐量。随着两种设备相互远离对方,而且信号强度渐渐接近阈值,这样的一种算法将转向鲁棒性更强的数据包类型(前向纠错和更短的长度)。这能有效扩展工作范围,但对改善干扰的作用最小。数据包类型至多对应强度在9dB范围以内的接收信号。现实世界的干扰具有宽广的干扰范围,这使得数据包类型选择没有什么意义。
   
在范围有限的情况中,数据包长度不是一个重要因素,但它对减小干扰有用。如果干扰是按明显的周期(几毫秒一次)爆发,那么缩短蓝牙数据包的长度将可减少冲突。

802.11感知蓝牙

如果问题是由20MHz范围引起的,802.11设备不会对干扰作出反应,这一点很重要。与其降低数据速率(这会延长数据包的持续时间)以提高调制的鲁棒性,802.11设备不如采取相反的措施,即802.11系统的设计者需要考虑减小有效载荷大小并接受更差的数据包效率,将此视为减少与蓝牙发生冲突几率的折衷办法。
频率分离
   
自适应跳频(AFH)将对上述两种标准的共存性问题产生重大影响。蓝牙特殊兴趣小组(SIG)正在升级蓝牙规范,使其实现AFH功能。在某些情况下,AFH将能极大地改进系统性能,使802.11蓝牙都恢复到满负荷吞吐量。但AFH并不是万能的,实际上,它的有效性高度依赖于蓝牙802.11信号的相对幅度。只有当蓝牙接收器所接收到的802.11信号幅度足够低,以确保在ISM频段中至少某些部分具有可接受的C/I比时,AFH才是有效的。例如,如果接收到的802.11信号为-20dBm,那么蓝牙在整个ISM频段的阈值都将上升。大约20个信道将无法使用,而且即使处于20MHz范围之外的那些信道也将具有可能阻塞蓝牙传输的更高阈值。
    
如果在一个蓝牙微型网(piconet)的附近有多个802.11接入点,这将导致蓝牙被挤压到少数几组频段内,并将引起更严重的蓝牙蓝牙干扰,迫使蓝牙设备对802.11产生更严重的干扰。
    
蓝牙设备检测干扰的能力是不确定的,尤其是当802.11b/g的占空比较低或者干扰设备距离较远时,而适应干扰变化所需的时间会减少这种方法所能实现的好处。两种辅助技术能有助于控制C/I。第一种是空间分离。恰当的天线设计和布局/方向能极大地减少干扰,尤其在共容性系统中,但C/I还受到局部环境的影响。 其次,功率控制也能管理C/I。功率控制对发射功率超过4dBm蓝牙设备是强制性的,但对其它情况是可选择的。当蓝牙执行功率控制时,它能减少对附近的其它蓝牙微型网或802.11网络的干扰。

模式切换

在共容性设备中,干扰问题尤为严重。相互邻近的射频会使干扰水平提高到令系统崩溃的程度。每次只让一个射频工作显然能预防干扰。在一个共容性设备中,系统可以使用模式切换来协调射频的活动,这种切换基于较低层次的进程,例如802.11中的信标(beacon)接收或蓝牙中的分页技术(paging)等,或者通过交织数据包来实现,从而使运行过程看上去是同时进行的。

这种技术的挑战主要在于如何对这两种系统进行时间上的安排和优先权设置。Silicon WaveIntersil公司可提供这样一种解决方案:Blue802技术。其基本的折衷方法是按某一比例来分配时间。对于爆发式通信,一个系统的数据包可以在其它系统空闲时发送,反之亦然,因而用户不会感觉到吞吐量的任何损失。

对于特殊的频率或工作条件,可将模式选择与频率分离技术有效地结合以改善系统性能。当两种技术的干扰水平较低或占空比较低时,仅依赖蓝牙802.11b/g内在的抗干扰机制是可能的。蓝牙802.11中的数据包选择和算法控制将有帮助,但通常不能提供显著的好处。在蓝牙中加入AFH将是向前推进的重大一步。当然,在集成了802.11和决问题。

 
### RT-DETRv3 网络结构分析 RT-DETRv3 是一种基于 Transformer 的实时端到端目标检测算法,其核心在于通过引入分层密集正监督方法以及一系列创新性的训练策略,解决了传统 DETR 模型收敛慢和解码器训练不足的问题。以下是 RT-DETRv3 的主要网络结构特点: #### 1. **基于 CNN 的辅助分支** 为了增强编码器的特征表示能力,RT-DETRv3 引入了一个基于卷积神经网络 (CNN) 的辅助分支[^3]。这一分支提供了密集的监督信号,能够与原始解码器协同工作,从而提升整体性能。 ```python class AuxiliaryBranch(nn.Module): def __init__(self, in_channels, out_channels): super(AuxiliaryBranch, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): return F.relu(self.bn(self.conv(x))) ``` 此部分的设计灵感来源于传统的 CNN 架构,例如 YOLO 系列中的 CSPNet 和 PAN 结构[^2],这些技术被用来优化特征提取效率并减少计算开销。 --- #### 2. **自注意力扰动学习策略** 为解决解码器训练不足的问题,RT-DETRv3 提出了一种名为 *self-att 扰动* 的新学习策略。这种策略通过对多个查询组中阳性样本的标签分配进行多样化处理,有效增加了阳例的数量,进而提高了模型的学习能力和泛化性能。 具体实现方式是在训练过程中动态调整注意力权重分布,确保更多的高质量查询可以与真实标注 (Ground Truth) 进行匹配。 --- #### 3. **共享权重解编码器分支** 除了上述改进外,RT-DETRv3 还引入了一个共享权重的解编码器分支,专门用于提供密集的正向监督信号。这一设计不仅简化了模型架构,还显著降低了参数量和推理时间,使其更适合实时应用需求。 ```python class SharedDecoderEncoder(nn.Module): def __init__(self, d_model, nhead, num_layers): super(SharedDecoderEncoder, self).__init__() decoder_layer = nn.TransformerDecoderLayer(d_model=d_model, nhead=nhead) self.decoder = nn.TransformerDecoder(decoder_layer, num_layers=num_layers) def forward(self, tgt, memory): return self.decoder(tgt=tgt, memory=memory) ``` 通过这种方式,RT-DETRv3 实现了高效的目标检测流程,在保持高精度的同时大幅缩短了推理延迟。 --- #### 4. **与其他模型的关系** 值得一提的是,RT-DETRv3 并未完全抛弃经典的 CNN 技术,而是将其与 Transformer 结合起来形成混合架构[^4]。例如,它采用了 YOLO 系列中的 RepNCSP 模块替代冗余的多尺度自注意力层,从而减少了不必要的计算负担。 此外,RT-DETRv3 还借鉴了 DETR 的一对一匹配策略,并在此基础上进行了优化,进一步提升了小目标检测的能力。 --- ### 总结 综上所述,RT-DETRv3 的网络结构主要包括以下几个关键组件:基于 CNN 的辅助分支、自注意力扰动学习策略、共享权重解编码器分支以及混合编码器设计。这些技术创新共同推动了实时目标检测领域的发展,使其在复杂场景下的表现更加出色。 ---
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值