模拟FPV-肥鲨HDO2+无牙仔2+熊猫VT5804ML1+Foxeer野火 时延测试

已于 2023-03-27 15:48:23 修改
阅读量938 收藏
点赞数 1
分类专栏： DIY Drones 文章标签： 人工智能 音视频 FPV 时延
于 2023-03-25 17:53:58 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/lida2003/article/details/129768842
版权

模拟FPV-肥鲨HDO2+无牙仔2+熊猫VT5804ML1+Foxeer野火 时延测试

1. 源由

FPV视频主要参数大概就是分辨率和时延，而传统模拟图传系统相对优秀的就是时延，而数字在高清方面会更加胜出（甚至可以加密）。

从主观角度简单测试下典型的FPV模拟图传系统时延情况。

2. 测试方法

这里测试方法相对来说比较简单：

  • 手机视频记录（精度不高）
  • 背景基本不变（数字有压缩算法等问题，模拟不考虑）
  • 视频数据采集，模糊数据丢弃
  1. 测试秒表 //显示器
  2. 无牙仔2（摄像头）
  3. F405飞控
  4. 熊猫VT5804ML1（图传）
  5. Foxeer野火（接收机）
  6. 肥鲨HDO2
  7. 手机视频拍摄

3. 测试视频

测试1

测试2

测试3

4. 测试数据

截取部分典型数据

  1. 数字清晰
  2. 出现概率较高（比如：两个数据基本一致，0ms延时）

4.1 第一帧 时延 720 - 720 = 0 ms

在这里插入图片描述

4.2 第二帧 时延 748 - 702 = 46 ms

在这里插入图片描述

4.3 第三帧 时延 159 - 109 = 50 ms

在这里插入图片描述

4.4 第四帧 时延 487 - 441 = 46 ms

在这里插入图片描述

4.5 第五帧 时延 517 - 469 = 48 ms

在这里插入图片描述

4.6 第六帧 时延 635 - 635 = 0 ms

在这里插入图片描述

4.7 第七帧 时延 296 - 249 = 47 ms

在这里插入图片描述

4.8 第八帧 时延 314 - 314 = 0 ms

在这里插入图片描述

4.9 第九帧 时延 775 - 728 = 47 ms

在这里插入图片描述

4.10 第十帧 时延 692 - 645 = 47 ms

在这里插入图片描述

5. 数据分析

  1. 最大值 50 ms
  2. 最小值 0 ms
  3. 算数平均 33 ms
  4. 较大概率出现0 ms
  5. 手机视频 1080P 30FPS

第一帧 时延 720 - 720 = 0 ms
第二帧 时延 748 - 702 = 46 ms
第三帧 时延 159 - 109 = 50 ms
第四帧 时延 487 - 441 = 46 ms
第五帧 时延 517 - 469 = 48 ms
第六帧 时延 635 - 635 = 0 ms
第七帧 时延 296 - 249 = 47 ms
第八帧 时延 314 - 314 = 0 ms
第九帧 时延 775 - 728 = 47 ms
第十帧 时延 692 - 645 = 47 ms

6. 总结

总体上，模拟图传系统整体延时大约在30ms左右。人的视觉反应时间（看到到做出动作）大概在250ms左右。

500公里/小时 = 138.9米/秒 = 1.389米/10ms
300公里/小时 = 83.3米/秒 = 0.833米/10ms
100公里/小时 = 27.8米/秒 = 0.278米/10ms
50公里/小时 = 13.9米/秒 = 0.139米/10ms

因此从看到障碍物到做出动作，按照100公里/小时飞行速度计算，基本上已经飞过 (0.278/10) x (30 + 250) = 7.784米。

如果要规避障碍物，还需要考虑接到指令后规避动作需要的额外转向时间。因此，在实际花飞动作过程中，更多需要标准动作曲线和各种临时场景的提前预判来做组合，需要动作熟练度和肌肉记忆来配合完成（通常我们所说的“人车合一”的境界）。

在这里插入图片描述

7. 参考资料

【1】An Average Human Reaction Time
【2】How Fast is Real-Time? Human Perception and Technology
【3】FPV Camera(RPI3+V2.1) | wfb_ng Release 23.01 | ubuntu20.04 gnome软解测试
【4】FPV Camera(RPI3+V2.1) | wfb_ng Release 23.01 | Ubuntu 20.04 xfce软解测试
【5】FPV Camera(RPI 3B+/Zero W+V2.1) | wfb_ng Release 23.01 | H264硬解测试

lida2003
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
FPV_VR_OS：FPV_VR的最新版本，LGPL下的开源
02-04
FPV_VR_OS FPV_VR的最新开源版本 以支持开发制作说明该库取决于其他github存储库中发布的3个模块。 这些是： VideoCore / TelemetryCore10ms 来自 要构建FPV_VR应用程序，您还必须下载这些存储库并提供正确的路径。 ...
fpv-stream-to-vr:将FPV流传输到Oculus Rift DK2或其他VR护目镜的实用程序
05-01
一个简单的python脚本，用于打开实时视频流并将其发送到Oculus Rift DK2。 用于选择输出端口的参数位于脚本的顶部，并且可以针对其他VR护目镜进行修改。 当前，它使用单个2D视频源，对其进行复制和显示而没有任何...
数字图传VS模拟图传 图传技术知识 2023.8.11更新
热门推荐
private_Jack的博客
02-05 1万+
图传知识整理，涉及数字图传和模拟图传，以及一些相关知识。
关于FPV图传系统时延讨论
lida2003的专栏
04-23 1345
针对第二点，想表明的一个立场是，如果是一个熟悉的赛道，经过训练，反复试飞，即使30ms的延时，人可以通过学习做出预判。因此，实时性就非常重要。人对于外界相应的时延大约在200ms左右，相较于整个控制系统回路来说，30ms左右的视频时延差距并不是主要的耗时。关于秒表测试方法就不做介绍了，高速相机拍照采用点亮LED（ns级同步速度），相对于ms级时延系统来说，可以忽略LED点亮的同步时间误差。鉴于手中被测设备和测试工具的限制，不能做的非常详尽，但是还是期望能够了解当前技术瓶颈，以及现行产品的极限性能。
自制肥鲨HDO2电源升压延长线
lida2003的专栏
12-04 1016
之前我们介绍了【自制肥鲨HDO2电源降压延长线，支持3S~6S动力电池】，主要解决使用动力电池给眼镜供电的问题。但是马上有兄弟反馈说，如果能用充电宝来做这个就更好了，因为他手机充电宝有好多个，如果能拿来做眼镜供电就感觉更方便了。同样，这里提供的方案一定是性价比最高的，对吧。鉴于手边一个常用的充电宝最大输出功率5V 2.1A(相当于10.5 AV = 10500mAV)，也就是说10500mAV功率（标称是10400mAh），供电规格如下：肥鲨眼镜770mA @ 7.5V，相当于每小时耗电 5775mAV/h
四轴飞控DIY集成FPV功能
lida2003的专栏
06-14 4619
四轴飞控DIY简明步骤介绍根据需求（能飞），只是安装了基本的四轴模型必须的组件。鉴于我们目前采用的是BetaFlight穿越机固件，那必不可少的是FPV飞行。因此，本章节准备集成FPV功能。NTSC和PAL的区别有颜色编码、图像质量、帧数、分辨率线数。优劣对比线数和分辨率的关系：线数x宽高比=高, 分辨率[线数, 高] TVL(TVLine)实际上主要用于模拟摄像机，而通常情况下模拟600~700TVL就非常不错了。而随着FPV的需要，实际上很多高线数的摄像头不能采用这种常规的计算方法，因此如果一定要考虑分
测量图像传输延时的一个简单方法
龙性的腾飞的博客
03-11 3342
0. 背景 在有opencv的环境下，使用某家的云远程传输图像 using namespace cv; //计算当前时间 double t； t = (double)getTickCount()/ getTickFrequency(); //转变为字符串 string time_tt_double = to_string(t); //dst_img 是将要传输的图片 cv::putText...
FPV Camera(RPI3+V2.1) | wfb_ng Release 23.01 | ubuntu20.04 gnome软解测试
lida2003的专栏
03-12 1469
视频数据传输控制链路通信链路状态检测链路安全加密支持MAVLink OSD显示 (兼容Ardupilot/PX4)支持Smart FEC支持双向MAVLink电传通道支持IP-over-WFB IPv4 tunnel基于libsodium支持数据加密支持链路维护检测注：本文不做其他扩展，主要基于当前测试框架下对测试数据做出解释，并提出后续完善的硬件方案和预测。本次测试，基本上没有发生丢包，也没有显著的FEC纠错报文出现，整体收到WiFi信号干扰可以忽略不计。
肥鲨HDO和HD3买哪个？
孙亖的专栏
07-19 3743
最近，用小飞手和VR盒子DIY的眼镜有点充不进电去，心里面就对成品眼镜种下了草，。。。。 Fatshark以制作最好的FPV眼镜而闻名，也有很多实力不俗的竞争对手，比如skyzone和AOMWAY，但Fatshark仍然保持领先地位，HD3核心的产品非常受欢迎的。但是，让选择恐惧症患者烦心的是：Fatshark最近又发布了他们的下一代“HDO”。HDO的核...
DIY-BETAFPV和DIY（ESP-01F+E19-900M20S2模块）915MHz信号测试对比
lida2003的专栏
03-01 1027
最近买了一个DIY-BETAFPV，发现信号质量超级烂（也是某宝的小号）。
Nvidia jetson-inference Hello AI World Networks —FCN-Alexnet-Aerial-FPV-720p.zip
05-18
Nvidia jetson-inference Hello AI World Networks Packages
achmiral-fpv-configuration:这是我的FPV配置设置
04-17
ACHMIRAL FPV配置这是我的Flightone FalcoX备份存储库 四边形设置调音：Blackbird Low D FS5英寸自由泳设置4s 成分牌框架Rajawali Bouraq 5英寸足球俱乐部Flightone Revolt OSD Lite 退出Hobbywing XRotor Micro 60A...
FPV-KA Affiliation-Plugin-crx插件
04-01
语言:English ...关联代码的默认值是我们自己的，用于FPV-KA社区（https://fpv-ka.de），但您可以在插件设置中进行更改。 开源：https://github.com/drlocke/FPV-KA_Community_Chrome-Affiliation-Plugin
FPV Camera(RPI3+V2.1) | wfb_ng Release 23.01 | Ubuntu 20.04 xfce软解测试
lida2003的专栏
03-13 753
与其他Linux桌面系统相比，Xfce消耗更少的CPU，仅使用1%的CPU。因此低CPU是Xfce的独特卖点之一。在FPV Camera(RPI3+V2.1) | wfb_ng Release 23.01 | Intel® Core™2 Duo CPU T6570 @ 2.10GHz 测试上，发现genome在720P 60FPS时，H264解码占用大量CPU资源，因此我们尝试减少桌面系统对CPU的占用率来看看有什么新的发现。第一张：1019 - 891= 128 ms。
新品发布 | 飞凌嵌入式RK3562J核心板，智能工业时代的国产智慧引擎
飞凌嵌入式
06-07 287
飞凌嵌入式推出FET3562J-C全国产核心板，专为工业自动化及消费类电子设备设计，打造智能工业时代的国产智慧新引擎。 FET3562J-C核心板基于Rockchip RK3562J处理器开发设计，该处理器采用22nm先进制程工艺，集成了4个ARM Cortex-A53高性能核，主频高达1.8GHz；核心板采用3组80Pin板对板连接器，可插拔式设计便于产品的安装与维护。
pytorch学习笔记5
drarad的博客
06-02 1689
前向钩子（forward hook）在模块的前向传播开始时触发，前向后钩子（forward pre-hook）在前向传播之前触发，反向钩子（backward hook）在反向传播过程中触发。总结来说，钩子提供了一种在 PyTorch 模型的执行过程中插入自定义代码的方法，使得用户可以灵活地调试、监控和扩展模型的功能。作用: 这是一个内部的 C 语言指针，指向张量在底层库（通常是 C++ 实现的 PyTorch 核心）中的具体数据结构。这些钩子可以在张量的梯度计算之前或之后执行自定义的操作。
VS2022+Qt雕刻机单片机马达串口上位机控制系统
最新发布
alicema1111的博客
06-07 663
这篇博客针对《VS2022+Qt雕刻机单片机马达串口上位机控制系统》编写代码，代码整洁，规则，易读。 学习与应用推荐首选。
fasterrcnn+fpn源码下载
05-09
Fast R-CNN(Faster R-CNN)是一种高效的目标检测算法，它基于卷积神经网络(CNN)。该算法具有优异的性能和较低的计算量，被广泛应用在计算机视觉领域。在Fast R-CNN中，网络的提取区域特征被替换为Region Proposal Network(RPN)。在实践中，Faster R-CNN常被用来作为目标检测的baseline算法。 Faster R-CNN的核心在于它的网络结构，其中包含特征金字塔网络(FPN)和RPN。FPN可以提取多尺度的特征图，使得网络能够更好地适应目标检测任务。RPN用于产生候选区域，这些候选区域可以是目标或非目标。 如果你想要下载Faster R-CNN FPV源码，你可以在GitHub等开源社区中搜索相关资源。在这些资源中，往往会包含完整的源代码、训练和测试数据集以及相关的技术文档和论文。 在下载源码前，建议你先掌握一定的深度学习、计算机视觉知识和相关算法的理解。此外，你还需要掌握一些编程技能，比如Python等。因为在下载源码后，你需要对该代码进行修改和定制，以满足自己的特定应用需求。 总之，Faster R-CNN是目标检测领域的重要算法，如果你想深入学习和了解该算法的实现细节，可以通过下载源码来实现自己的代码和模型。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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