描述

我需要一個戶外入侵傳感器用于我的車道，其范圍比 PIR 更長，并且沒有誤報。所需的范圍是 40 英尺，而大多數 PIR 傳感器只能做大約 30 英尺，并有產生誤報的傾向。我有一個家庭安全系統，但沒有可靠的傳感器可以覆蓋我的整個車道。電源將是一個插入交流電源插座的 5 伏直流 USB 變壓器，但我也想試驗電池電源，因為在我的車道入口附近沒有附近的外部交流電源插座。

我從 Arduino Uno 開始，并嘗試了各種傳感器，包括 PIR、熱像儀、超聲波 PING 和 X 波段雷達。他們都沒有我需要的范圍。我嘗試了幾種不同的 PIR 傳感器，發現它們容易出現誤報。接下來我嘗試了 Garmin LIDARLite v3HP 傳感器。這對于光束中斷非常有效，并且不受外部天氣或光線變化的影響。與車庫門光電光束不同，LIDAR 傳感器不需要反射器，而且范圍更大。起初，我使用了脈沖寬度調制 (PWM) 接口，該接口運行良好，但由于距離讀數不穩定而產生了一些誤報。

接下來，我需要將它連接到我的家庭 wifi 網絡，因此我在 Uno 原型屏蔽上添加了 WINC1500 wifi 屏蔽和 DS1307 實時時鐘 (RTC) 分線模塊。當檢測到入侵時，需要 RTC 提供準確的時間戳。Uno 沒有足夠的內存用于 WIFI 草圖，并且帶有兩個屏蔽的外形尺寸太大，消耗的電流太大，無法在任何時間長度的 LiPo 電池上運行。

此時我意識到這是 IoT（物聯網）板的完美用例，因此我切換到 Arduino MKR WIFI 1010。與 Uno 的 32KB 閃存相比，MKR 1010 具有 256KB 的閃存和 32KB 的 SRAM內存和 2KB 的 SRAM。MKR 1010 體積更小、電流更低，并具有板載實時時鐘、WIFI 和藍牙。

MKR 1010 輕松連接到我的 wifi 網絡，并且為我的草圖和它需要的所有庫提供了足夠的內存。RTC 工作得非常好。下一個要解決的問題是如何向我的 iPhone XS 發送推送通知。Internet 搜索確定了三個候選 Web 服務：Blynk、Amazon Web Services (AWS) 和 Pushsafer。向 iOS 或 Android 設備發送推送通知需要您安裝偵聽器應用程序。它們都不是完全免費的，但之后會提供不同數量的初始事件報告和訂閱計劃。AWS 是最復雜的，因此我取消了它。Blynk 和 Pushsafer 的價格差不多，但 Pushsafer 實現起來稍微簡單一些，所以我選擇了它。

我對 LIDARLite v3HP PWM 接口不滿意，因為距離讀數不穩定，偶爾會導致誤報。我嘗試使用 LIDARLite_v3HP 庫的最新版本 (3.0.5) 和示例草圖 v3HP_I2C 為內部集成電路 (I2C) 串行通信重新接線。它不會為 MKR 1010 板編譯而不會出現錯誤。我在 GitHub 上發布了一個問題，在幾次交流中附加了詳細的編譯器錯誤之后，Brad Wiseman 將 LIDARLite 庫更新到了 3.0.6 版，并為我提供了有關如何為 MKR 1010 成功編譯的詳細說明。我使用了來自LIDARLite_v3HP v3HP_I2C 示例草圖來構建我自己的草圖。v3HP I2C 接口的最終性能比 PWM 接口更準確、更穩定。

我決定嘗試將 LIDAR Lite v3HP 傳感器安裝在伺服系統上，并讓它以 90 - 180 度的弧度掃過車道。在花費大量時間對不同的舵機、舵機定位方法和時間延遲進行試驗后，我得出結論，即使使用舵機緩慢移動激光雷達傳感器也會產生過多的誤報。LIDAR 傳感器的內部電路需要一個穩定的環境來糾正誤報，并且在傳感器處于固定位置時效果很好。距離讀數不穩定的原因有多種，例如物體表面的反射率和紅外激光束撞擊目標的角度。添加移動伺服使情況變得非常復雜，因此我將激光雷達傳感器恢復到項目箱上的固定安裝。

激光雷達經常用于 3D 映射和障礙物檢測，因此可以通過正確的算法解決移動激光雷達傳感器的誤報問題。我對使用激光雷達來感知光束中斷更感興趣，但在某些時候我可能會重新考慮將傳感器安裝在伺服系統上以覆蓋更大的區域。這會增加電池消耗，我可能需要更大的電池。

對于硬件連接，我使用了 LIDARLite_v3HP 數據表中的標準 I2C 接線圖。

自從這個項目發布以來，我已經開始嘗試使用安裝在伺服系統上的 LIDAR-Lite v3HP 傳感器進行有限形式的 LIDAR 映射。目標是最大限度地減少誤報，同時最大限度地增加真正的入侵。通過在大多數伺服系統可以處理的 180 度弧上平移傳感器，可以構建 180 點距離圖作為參考，而不會造成干擾。然后將伺服安裝的激光雷達傳感器在同一區域連續來回掃描，并與參考地圖進行比較。建立閾值以識別真正的入侵，當參考地圖和距離讀數之間的差異超過閾值時，會生成警報。實現目標的關鍵在于用于將參考地圖與距離讀數進行比較的算法。簡單地在每個度點減去兩者并不足以最大限度地減少誤報。機器學習可能是解決這個問題的一種可能的技術。我正在研究如何在這個項目中實施它。一旦發現了可行的技術，我計劃引入傾斜伺服系統并水平 180 度和垂直 20 度掃描目標區域。在 20 度傾斜和 40 英尺距離處，激光雷達光束將覆蓋約 4 英尺的高度。這應該足以區分動物與人類或車輛之間的區別。我計劃引入一個傾斜伺服系統并水平掃描目標區域 180 度和垂直 20 度。在 20 度傾斜和 40 英尺距離處，激光雷達光束將覆蓋約 4 英尺的高度。這應該足以區分動物與人類或車輛之間的區別。我計劃引入一個傾斜伺服系統并水平掃描目標區域 180 度和垂直 20 度。在 20 度傾斜和 40 英尺距離處，激光雷達光束將覆蓋約 4 英尺的高度。這應該足以區分動物與人類或車輛之間的區別。

我發現伺服類型和伺服運動之間的延遲是減少誤報的關鍵因素。由于機械部件的缺陷，許多小型伺服系統可能會出現多達 1.3 度的誤差。尼龍齒輪伺服系統更平滑，產生影響距離讀數的振動更小。在沒有連續位置脈沖的情況下保持在位置的伺服系統也具有較小的振動。伺服定位運動之間的 100 毫秒延遲有助于減少振動，但使 180 度掃描持續 18 秒。我考慮使用滑環電機并連續旋轉激光雷達傳感器以消除伺服振動、減少機械誤差并加快距離讀數。Adafruit' s SRC022A-6 滑環電機的轉速為 0 - 300 RPM，但我仍然需要傾斜伺服，并且電流消耗可能會增加到無法使用電池操作的程度。我一直在研究直接驅動、數字伺服系統以克服其中的一些限制。

?