OpenIPC开源FPV之Adaptive-Link新版本算法v0.60.0

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，需要高效的调整适应环境，是一项非常艰巨的任务。

越是艰巨就越是有挑战，如何理论与实践相结合，需要非常多的努力。但是，首先还是要理解内在关系。

本章就是结合最新v0.60.0版本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：

• “冲突”弃包
• “遮挡”丢包
• “FEC”丢包
• “线性”丢包

1. 接收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，因为传输问题导致的丢包。
2. 接收端发现丢包，从时间角度来说，已经是后知后觉了。
3. 如果能够更好的利用CSMA/CA特性，就有机会当由于外界干扰而导致弃包时的快速主动应对。

注1：上述“冲突”、“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，期望能够进一步理解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，大致的意思就是随着信号的衰减，并且伴随外界环境底噪的影响（通俗说信噪比），随着距离的增加，能量以半径平方的关系逐步衰减（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，甚至跟随天线，所以情况是比较复杂的。

2.1.1 线性RSSI归一

$$\text{rssi\_normalized}=\max \left(0,\min \left(1,\frac{\text{best\_rssi}-\text{RSSI\_MIN}}{\text{RSSI\_MAX}-\text{RSSI\_MIN}}\right)\right)$$

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)))

2.1.2 线性SNR归一

$$\text{snr\_normalized}=\max \left(0,\min \left(1,\frac{\text{best\_snr}-\text{SNR\_MIN}}{\text{SNR\_MAX}-\text{SNR\_MIN}}\right)\right)$$

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)))

2.1.3 线性加权平均

$$\text{score\_normalized}=(\text{snr\_weight}\times \text{snr\_normalized})+(\text{rssi\_weight}\times \text{rssi\_normalized})$$

这个公式的作用是根据 SNR 和 RSSI 的权重计算一个归一化得分，用于衡量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

2.2 FEC丢包

FEC（前向纠错）是一种增加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，以防止其对系统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（包含冗余）
• 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，说明 FEC 机制提供了更多的冗余数据，因此即使恢复了较多的 fec_rec，它的贡献也应该适当减少，以防止统计上过度依赖恢复数据。

数学原理

• 计算冗余度：
  $$\text{redundancy}={\text{fec}}_n-{\text{fec}}_k$$
• 计算加权因子：
  $$\text{weight}=\frac{6.0}{1+\text{redundancy}}$$
  • 6.0 是一个调节因子，它确保当 fec_k = 8 和 fec_n = 12（即 redundancy = 4）时，权重接近 1.0（中性）。
  • 这个因子随着冗余度增加而递减，保证 fec_rec 在冗余较高的情况下不会被过度放大。
• 调整后的 FEC 恢复值：

$$\text{adjusted fec\_rec}=\text{fec\_rec}\times \text{weight}$$

• 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，降低 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

2.3 遮挡丢包

“遮挡”丢包，大致的意思就是信号急剧衰减，导致出现瞬间丢包，丢包率陡然上升。

在这个过程中，可以想象一些可能的情况：

1. FEC直接介入，恢复数据包数量陡然增加；
2. 随着进一步衰减，即使FEC能够恢复一部分数据包，仍然出现丢包；
3. 接收端需要请求关键帧，以求得恢复画面；应对手段，降低比特率，降低k/n比率，增加发射功率（提高穿透性），切换低带宽模式，增加GI值等手段；
4. 只要上述方法能够起到一定效果，就有机会恢复通讯，甚至视频；若继续恶化，那么就是灾难；

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进行状态估计。

• 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，卡尔曼滤波会更依赖于历史预测值，减少波动。

其基本步骤包括：

1. 预测（Prediction）
   根据前一次估计值，预测当前状态。
2. 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：$x_t$
• 预测状态：${\hat{x}}_t^{-}$（当前的预测值）
• 预测误差方差：$P_t^{-}$（预测的不确定性）
• 观测值：$z_t$（测量值）
• 观测噪声方差：$R$（测量的不确定性）
• 过程噪声方差：$Q$（模型的不确定性）
• 更新后状态估计：${\hat{x}}_t$
• 更新后误差方差：$P_t$

1. 预测阶段（Prediction）
   $${\hat{x}}_t^{-}={\hat{x}}_{t-1}$$
   $$P_t^{-}=P_{t-1}+Q$$

其中：

• ${\hat{x}}_t^{-}$ 继承上一次的估计值
• 误差方差 $P_t^{-}$ 累计过程噪声 $Q$（process_variance）

2. 计算卡尔曼增益（Kalman Gain）
   $$K_t=\frac{P_t^{-}}{P_t^{-}+R}$$

• 这里的 $K_t$ 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（$R$ 大），$K_t$ 小，更信任预测值。
• 当测量噪声较小（$R$ 小），$K_t$ 大，更信任测量值。

3. 更新阶段（Correction）
   $${\hat{x}}_t={\hat{x}}_t^{-}+K_t(z_t-{\hat{x}}_t^{-})$$
   $$P_t=(1-K_t)P_t^{-}$$

• 新的状态估计值 ${\hat{x}}_t$ 是在预测值 ${\hat{x}}_t^{-}$ 基础上，按照增益 $K_t$ 调整误差（测量值与预测值的差）。
• 误差方差 $P_t$ 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

2.3.2 误码率

结合 FEC（前向纠错）和卡尔曼滤波（Kalman Filter），计算数据传输过程中的误码率，并对其进行平滑处理。

1. 基于噪声水平 (filtered_noise) 计算一个扣分比例 (deduction_ratio)，如果噪声低就不扣分，如果噪声高就大幅扣分。
2. 应用惩罚到 raw_score 计算 final_score，保证分数不会直接变成 0，而是逐步降低。
3. 计算最终惩罚量 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 进行加权调整，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: 计算误码率（Error Ratio）
  $$\text{error\_ratio}=\frac{5\times \text{lost\_packets}+\text{adjusted\_fec\_rec}}{\text{all\_packets}/\text{num\_antennas}}$$

# Now calculate the error ratio with the adjusted fec recovery value
error_ratio = (5 * lost_packets + adjusted_fec_rec) / (all_packets / num_antennas)

其中：

• 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() 处理），减少了高冗余情况对统计的影响。

• all_packets 是所有接收的数据包数。

• num_antennas 代表接收天线的数量，分母计算时做了归一化处理。

• 5 * lost_packets 5用于放大丢失包的影响

• 最终计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)

其中：

• kalman_filter_update(error_ratio) 通过卡尔曼滤波对 error_ratio 进行平滑处理，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、调整传输策略，甚至用于 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) 进行惩罚，确保高噪声环境下的评分不会过高。

• Step 1: 计算扣分比例 (deduction_ratio)

$$\text{deduction\_ratio}={\left(\frac{\text{filtered\_noise}-\text{min\_noise}}{\text{max\_noise}-\text{min\_noise}}\right)}^{\text{deduction\_exponent}}$$

• min() 限制最大值为 1.0，避免扣分比例超过 100%。
• 这个公式的效果是：
  • 噪声接近 min_noise → 惩罚接近 0，不进行惩罚，deduction_ratio = 0.0。
  • 噪声在 min_noise 和 max_noise之间时，计算扣分比例。
  • 噪声接近 max_noise → 惩罚接近 1.0。
  • deduction_exponent 控制变化速度，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: 计算最终得分 (final_score)

$$\text{final\_score}=1000+(\text{raw\_score}-1000)\times (1-\text{deduction\_ratio})$$

这个计算方式确保即使有扣分，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 进行扣分：

• Step 3: 计算最终惩罚量 (penalty)

penalty = (final_score - raw_score) if allow_penalty else 0

• 如果 allow_penalty = True，计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 FEC动态调整

这就是之前提到的应对手段之一：“降低比特率，降低k/n比率，增加发射功率（提高穿透性），切换低带宽模式，增加GI值等手段”

核心逻辑是根据噪声 (filtered_noise) 计算 FEC（前向纠错）调整值，决定是否增加 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))  
    )

其作用是根据噪声水平 (filtered_noise) 动态调整 FEC 保护：

1. 如果不允许增加 FEC 或噪声太低 → 不调整 FEC (fec_change = 0)。
2. 如果噪声特别高 → FEC 保护达到最大 (fec_change = 5)。
3. 如果噪声在 min_noise_for_fec_change 和 max_noise_for_fec_change 之间 → 计算 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))

• Step 1: 判断是否允许增加 FEC

0 if not allow_fec_increase or filtered_noise <= min_noise_for_fec_change

• allow_fec_increase 是一个开关，决定是否允许增加 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: 计算线性 FEC 变化

int(round(((filtered_noise - min_noise_for_fec_change) / (max_noise - min_noise_for_fec_change)) * 5))

• 计算 FEC 变化比例：
  $$\frac{\text{filtered\_noise}-\text{min\_noise\_for\_fec\_change}}{\text{max\_noise}-\text{min\_noise\_for\_fec\_change}}$$
  • 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 增加到 max_noise_for_fec_change）。
• 乘以 5 以得到 FEC 调整量：
  $$\left(\frac{\text{filtered\_noise}-\text{min\_noise\_for\_fec\_change}}{\text{max\_noise}-\text{min\_noise\_for\_fec\_change}}\right)\times 5$$
  • 如果噪声接近 min_noise_for_fec_change，则 FEC 变化接近 0。
  • 如果噪声接近 max_noise_for_fec_change，则 FEC 变化接近 5。
• int(round(...)) 取整，确保 FEC 变化是整数值。

2.5 冲突弃包

略，暂时无上述应对方案

3. 场景事件

• RX端发现真实丢包，那必须请求关键帧

    # 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}")

• RX端初次接收视频，需要关键帧

    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}")

4. 关键问题

1. “线性”丢包在可视距离（LOS, Line Of Sight）上是否能够维持链路稳定？
2. “FEC”丢包计算公式中的调节因子6是否合理？出处来自何种理论或者经验逻辑？
3. “遮挡”丢包的惩罚计算公式指数式噪音衰减模型是否符合穿越障碍物场景？
4. “冲突”弃包为何没有采用？从MAC驱动角度看，发射端能够利用CSMA/CA硬件特性，可以合理的采取措施，比如：增加功率，降低比特率等

5. 实际效果

• FPV Interference Scenarios - v0.58.0
• FPV Interference Scenarios - v0.60.0

6. 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