gr-lora_sdr

gr-lora_sdr

GNU Radio实现的开源LoRa软件无线电收发机

gr-lora_sdr项目提供了基于GNU Radio的完整LoRa软件无线电收发机实现。支持灵活设置扩频因子、编码率和带宽等LoRa参数。通过分层模块设计,便于实现USRP设备间以及USRP与商用LoRa设备的通信。项目还包含用于低信噪比环境下性能评估的仿真框架。作为开源项目,gr-lora_sdr可通过源码编译或conda包方式安装使用。

GNU RadioLoRaSDR软件定义无线电开源Github开源项目

GitHub最后提交 GNU Radio 版本 arXiv 点击量 构建conda包 许可证:GPL v3

概述

这是一个功能完备的GNU Radio软件定义无线电(SDR)实现的LoRa收发器,包含了所有必要的接收组件,即使在非常低的信噪比下也能正常工作。该收发器作为GNU Radio 3.10的一个模块提供。这项工作是在EPFL的电信电路实验室进行的。

在GNU Radio实现的LoRa发射和接收链中,用户可以选择所有的传输参数,如扩频因子、编码率、带宽、同步字、是否有显式头和CRC。

  • 该模块包含了方便的发射和接收层次块。
<p float="center"> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/128fe48b-2d70-487e-b14b-a414c4bbf6ef.png" height="120" /> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/0e5d5267-d41c-4c7e-8355-b7c97197452d.png" height="120" /> </p>
  • 在发射链中,实现包含了LoRa收发器的所有主要块:头部和CRC插入块、白化块、汉明编码器块、交织器块、格雷反映射块和调制块。

发射流程

  • 在接收端有数据包同步块,执行同步所需的所有必要任务,如必要的STO和CFO估计和校正。然后是解调块,格雷映射块,解交织块,汉明解码器块和解白化块,以及CRC验证块。

接收流程

  • 该实现可用于在低信噪比下进行LoRa SDR接收器的完全端到端实验性能结果。
  • 在apps/simulation文件夹中提供了一个简单的仿真框架。

功能

  • 在USRP-USRP和USRP-商用LoRa收发器(已测试RFM95、SX1276、SX1262)之间发送和接收LoRa数据包。

  • 可用参数:

    • 扩频因子:5-12*
    • 编码率:0-4
    • 隐式和显式头模式
    • 有效载荷长度:1-255字节
    • 同步字选择(网络ID)
    • 验证有效载荷CRC
    • 验证显式头校验和
    • 低数据率优化模式
    • 使用软判决解码以提高性能

* 扩频因子5和6与SX126x不兼容。

参考文献

J. Tapparel, O. Afisiadis, P. Mayoraz, A. Balatsoukas-Stimming and A. Burg, "An Open-Source LoRa Physical Layer Prototype on GNU Radio," 2020 IEEE 21st International Workshop on Signal Processing Advances in Wireless Communications (SPAWC), Atlanta, GA, USA, 2020, pp. 1-5.

IEEE Xplore链接, arXiv链接

如果你发现这个实现对你的项目有用,请考虑引用上述论文。

先决条件

  • Gnuradio 3.10
  • python 3
  • cmake
  • libvolk
  • boost
  • UHD
  • gcc > 9.3.0
  • gxx
  • pybind11

用于开发此模块的conda环境在environment.yml文件中描述。

安装

gr-lora_sdr外部树模块可以从源代码安装或直接作为conda包安装。

从源代码

  • 克隆此存储库
    git clone https://github.com/tapparelj/gr-lora_sdr.git
  • 进入克隆的存储库
    cd gr-lora_sdr/
  • 可以使用conda安装包含所有依赖项的功能环境,或者单独安装它们并跳到下一步。 你可以按照这个教程操作,或者简单地按照以下步骤:
    • 首先下载最新版本的conda,例如:
      wget https://repo.anaconda.com/miniconda/Miniconda3-py39_4.12.0-Linux-x86_64.sh
    • 现在运行下载的Anaconda安装程序脚本
      bash Miniconda3-py39_4.12.0-Linux-x86_64.sh
    • 重新加载Shell
      source ~/.bashrc
    • 现在复制我们的环境以自动安装模块的所有依赖项。注意这将花费相当长的时间(约20分钟)。
      conda env create -f environment.yml
    • 启动你刚刚创建的GNU Radio 3.10 conda环境
      conda activate gr310
  • 要构建代码,创建一个适当的文件夹并进入:
    mkdir build cd build
  • 运行主CMakeLists.txt
    cmake .. -DCMAKE_INSTALL_PREFIX=<你的前缀> # 如果这里没有选择安装前缀,默认为usr/local、CONDA_PREFIX或PYBOMB_PREFIX
  • 最后编译组成LoRa收发器的自定义GNU Radio块。将<X>替换为你想用来加速编译的核心数。
    (sudo) make install -j<X>
  • 如果你以sudo身份安装,运行
    sudo ldconfig
  • 现在你应该能够运行一些代码了。例如,打开GNU Radio Companion用户界面,检查gr-lora_sdr的块是否在块列表中可用(例如在LoRa_TX下)。
    gnuradio-companion &
  • 可以通过执行以下脚本进行最终的收发器功能验证,每两秒传输一帧:
    python3 examples/tx_rx_functionality_check.py

使用

  • gr-lora_sdr/examples/中可以找到LoRa发射器和接收器的示例(包括python和grc)。
  • .grc文件可以用gnuradio-companion打开,以设置不同的传输参数。
  • 由grc生成的python文件可以通过 python3 ./{文件名}.py执行

从conda安装

感谢Ryan Volz,这个OOT模块也可以直接作为Conda包安装。注意gnuradio也将安装在conda环境中。

  • 创建或激活您想要安装此模块的conda环境。如果您不熟悉conda,请参考conda的入门指南
  • 使用以下命令从anaconda频道tapparelj安装模块:
    conda install -c tapparelj -c conda-forge gnuradio-lora_sdr
  • 根据您的需求,您可能还需要安装gnuradio的补充包:
    conda install -c conda-forge gnuradio
  • gnuradio元包安装了以下所有子包:
    • gnuradio-grc
    • gnuradio-iio
    • gnuradio-qtgui
    • gnuradio-soapy
    • gnuradio-uhd
    • gnuradio-video-sdl
    • gnuradio-zeromq
  • 如果您不想安装所有这些包及其依赖项,可以单独安装您需要的包,例如:
    conda install -c conda-forge gnuradio-uhd

使用方法

  • 示例gnuradio-companion流程图与包一起安装,可以在以下位置找到:
    • (Linux/macOS) $CONDA_PREFIX/share/gr-lora_sdr/examples
    • (Windows) %CONDA_PREFIX%\Library\share\gr-lora_sdr\examples

常见问题:

更新日志

  • 添加忽略同步字检查并打印接收到的值的选项

  • 添加可选的以十六进制值打印接收到的有效负载

  • 添加标记流输入支持(用于帧长度定义)

  • 修复了_fft_demod_和_deinterleaver_之间的LLR流格式

  • 在crc验证输出流中添加了标记,指示帧开始、长度和CRC结果

  • 为文件输入添加了分隔符选项

  • 添加了前导长度选项

  • 添加了帧零填充参数

  • 添加低数据率优化支持

  • 添加对小于7的扩频因子的支持

    <font size="10"> [...](https://github.com/tapparelj/gr-lora_sdr/blob/master/./Changelog.md</font>

致谢

本工作受到Pieter Robyns、Peter Quax、Wim Lamotte和William Thenaers的https://github.com/rpp0/gr-lora项目的启发。该项目的架构和功能已得到改进,以更好地模拟LoRa的物理层。

许可证

根据GPL-3.0许可证分发。有关更多信息,请参见LICENSE文件。

编辑推荐精选

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
问小白

问小白

全能AI智能助手,随时解答生活与工作的多样问题

问小白,由元石科技研发的AI智能助手,快速准确地解答各种生活和工作问题,包括但不限于搜索、规划和社交互动,帮助用户在日常生活中提高效率,轻松管理个人事务。

热门AI助手AI对话AI工具聊天机器人
Transly

Transly

实时语音翻译/同声传译工具

Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手,它拥有超精准的音频识别翻译能力,几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球,无论你是留学生、商务人士、韩剧美剧爱好者,还是出国游玩、多国会议、跨国追星等等,都可以满足你所有需要同传的场景需求,线上线下通用,扫除语言障碍,让全世界的语言交流不再有国界。

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

下拉加载更多