مکان‌یابی با استفاده از ارتباط نوری دوربین و فتوگرامتری برای کاربردهای شبکه‌های بی‌سیم

1. مقدمه

این پایان‌نامه، که توسط محمد تنویر حسّان در سال ۲۰۱۸ به دانشگاه کوکمین ارائه شده است، رویکردی نوین در مکان‌یابی را با ترکیب هم‌افزایانه ارتباط نوری دوربین (OCC) و فتوگرامتری بررسی می‌کند. فرضیه اصلی، پرداختن به محدودیت‌های سیستم‌های سنتی مبتنی بر فرکانس رادیویی (RF) مانند GPS و Wi-Fi، به ویژه در محیط‌های چالش‌برانگیزی مانند فضاهای داخلی یا دره‌های شهری متراکم است.

1.1 مقدمه

انگیزه این پژوهش، نیاز روزافزون به سیستم‌های موقعیت‌یابی دقیق، قابل اعتماد و کم‌زیرساخت برای اینترنت اشیاء (IoT)، خودروهای خودران و کاربردهای شهر هوشمند است.

1.2 اهمیت مکان‌یابی

اطلاعات دقیق مکانی، یک توانمندساز بنیادین برای خدمات مدرن آگاه از زمینه است.

1.2.1 مکان‌یابی داخلی

سیگنال‌های GPS در فضای داخلی به شدت تضعیف می‌شوند که منجر به خطاهای متری یا شکست کامل می‌شود. سیستم‌های جایگزین مبتنی بر RF (مانند Wi-Fi، بلوتوث) از انتشار چندمسیره رنج می‌برند و نیازمند نقشه‌برداری گسترده اثرانگشتی یا استقرار زیرساخت متراکم هستند.

1.2.2 مکان‌یابی وسیله نقلیه

برای رانندگی خودران و ارتباط وسیله نقلیه با همه چیز (V2X)، دقت در سطح سانتی‌متر حیاتی است. GPS به تنهایی به دلیل مسدود شدن سیگنال و خطاهای جوی کافی نیست. ادغام حسگر با دوربین‌ها و LiDAR رایج است اما از نظر محاسباتی پرهزینه است.

1.3 نوآوری OCC و فتوگرامتری در مکان‌یابی

روش ترکیبی پیشنهادی، استفاده دوگانه از دیودهای نورافشان (LED) و یک دوربین را معرفی می‌کند:

• OCC (پیوند داده): LEDها کدهای شناسایی یا داده‌ها (مانند مختصات سه‌بعدی معلوم) را از طریق نور مدوله‌شده منتقل می‌کنند که توسط دوربین ضبط می‌شود. این یک کانال ارتباطی مقاوم، بدون نیاز به مجوز و با نسبت سیگنال به نویز بالا فراهم می‌کند که در برابر تداخل RF مصون است.
• فتوگرامتری (موتور موقعیت‌یابی): از همان تصویر دوربین برای انجام بازسازی سه‌بعدی استفاده می‌شود. با شناسایی نشانه‌های LED معلوم (از طریق شناسه‌های رمزگشایی‌شده OCC) در تصویر دو‌بعدی، موقعیت و جهت‌گیری (پوز) دوربین را می‌توان با استفاده از اصول هندسه تصویری محاسبه کرد.

این ادغام، سیستمی خودکفا ایجاد می‌کند که در آن نشانه‌ها، هویت و مکان خود را پخش می‌کنند و خط لوله مکان‌یابی را ساده می‌سازند.

1.4 دستاورد

پایان‌نامه ادعا می‌کند که در پیشنهاد این معماری ترکیبی خاص، توسعه الگوریتم‌های مرتبط برای رمزگشایی داده و تخمین پوز، و اعتبارسنجی عملکرد آن برای هر دو سناریوی داخلی و وسیله نقلیه مشارکت داشته است.

1.5 ساختار پایان‌نامه

سند با فصل‌هایی درباره کارهای مرتبط، مدل سیستم پیشنهادی، تحلیل عملکرد و نتیجه‌گیری ساختار یافته است.

2. کارهای مرتبط در زمینه مکان‌یابی

2.1 مقدمه

این فصل فناوری‌های مکان‌یابی موجود را مرور می‌کند و یک خط پایه برای برجسته کردن مزایای روش پیشنهادی ایجاد می‌کند. احتمالاً روش‌های مبتنی بر RF (GPS، Wi-Fi RTT، UWB)، روش‌های مبتنی بر بینایی (مونوکولار/SLAM، AR مبتنی بر نشانگر) و سایر روش‌های نوری مانند LiDAR و موقعیت‌یابی نور مرئی خالص (VLP) را پوشش می‌دهد.

تحلیل و نقد اصلی

بینش اصلی: این پایان‌نامه فقط یک مقاله دیگر در زمینه موقعیت‌یابی نیست؛ بلکه یک راه‌حل هوشمندانه است که فراگیرترین حسگر گوشی هوشمند—دوربین—را به یک گیرنده رادیویی و ابزار نقشه‌برداری ترکیبی تبدیل می‌کند. نوآوری واقعی، استفاده از مدولاسیون نور برای جاسازی یک «برچسب نام» دیجیتال در یک نشانه فیزیکی است که به زیبایی از مسئله پیچیده تطبیق ویژگی و جستجوی پایگاه داده که مکان‌یابی بصری سنتی (مانند سرویس موقعیت‌یابی بصری گوگل) را آزار می‌دهد، عبور می‌کند. این کار یک منبع نور غیرفعال را به یک نشانه فعال و خودشناس تبدیل می‌کند.

جریان منطقی و نقاط قوت: منطق آن سالم و اقتصادی است. جریان سیستم—ضبط فریم، رمزگشایی شناسه‌های OCC، بازیابی مختصات سه‌بعدی معلوم، حل مسئله Perspective-n-Point (PnP)—یک خط لوله تمیز و خطی است. نقاط قوت آن در کاربردهای خاص کاملاً آشکار است: مثلاً ربات‌های انبار که زیر نور LEDهای مدوله‌شده راهرو حرکت می‌کنند، یا پهپادها که در یک آشیانه با نشانگرهای LED کدگذاری‌شده پهلو می‌گیرند. این سیستم در برابر آشفتگی RF محیط‌های مدرن بسیار مقاوم است، نکته‌ای که توسط پژوهش‌های گروه کاری IEEE 802.15.7r1 در مورد استانداردسازی OCC تأکید شده و کاربرد آن را در مناطق حساس الکترومغناطیسی برجسته می‌کند. در مقایسه با سیستم‌های VLP خالص که فقط از قدرت سیگنال دریافتی (RSS) یا زاویه ورود (AoA) استفاده می‌کنند و از نویز نور محیط رنج می‌برند، این روش ترکیبی از ساختار هندسی تصویر استفاده می‌کند که در برابر نوسانات شدت نور مقاوم‌تر است.

نقاط ضعف و شکاف‌های بحرانی: با این حال، این رویکرد اساساً توسط قوانین اپتیک محدود شده است. نیاز به خط دید مستقیم (LoS) پاشنه آشیل آن است و آن را در محیط‌های شلوغ یا بدون خط دید (NLoS) غیرقابل استفاده می‌سازد—که تضاد آشکاری با توانایی RF در نفوذ از دیوارها دارد. برد مؤثر توسط وضوح دوربین و درخشندگی LED محدود می‌شود؛ شما نمی‌توانید وسایل نقلیه را در فاصله ۲۰۰ متری با دوربین گوشی هوشمند ردیابی کنید. علاوه بر این، عملکرد سیستم تحت نور محیطی زیاد (نور خورشید) یا با تاری حرکت دوربین به شدت کاهش می‌یابد، مسائلی که سیستم‌های RF تا حد زیادی نادیده می‌گیرند. پایان‌نامه احتمالاً تأخیر محاسباتی پردازش تصویر بلادرنگ و رمزگشایی OCC را نادیده می‌گیرد که می‌تواند برای کاربردهای وسیله نقلیه پرسرعت مانع‌زا باشد. این یک راه‌حل با دقت بالا برای مجموعه‌ای بسیار خاص و محدود از مسائل است.

بینش‌های عملی: برای متخصصان، این کار یک نقشه راه برای طراحی محیط‌های «هوشمند» است. نکته عملی قابل برداشت این است که زیرساخت روشنایی LED را از ابتدا با در نظر گرفتن مکان‌یابی طراحی کنیم—با استفاده از طرح‌های مدولاسیون استاندارد مانند ارتباط نوری دوربین (OCC) در IEEE 802.15.7. آینده در جایگزینی GPS یا موقعیت‌یابی 5G نیست، بلکه در تقویت آنهاست. قابل‌اجراترین مسیر، ادغام حسگر است: یک IMU و GPS یک تخمین تقریبی و همیشه در دسترس ارائه می‌دهند، در حالی که سیستم OCC-فتوگرامتری یک تصحیح با دقت بالا را هر زمان که دوربین دیدی از یک نشانه داشته باشد، تحویل می‌دهد. این رویکرد ادغام حسگر ترکیبی، موضوع مرکزی در پژوهش‌های پیشرفته مکان‌یابی برای سیستم‌های خودران است، همانطور که در پلتفرم‌هایی مانند NVIDIA DRIVE مشاهده می‌شود.

جزئیات فنی و فرمول‌بندی ریاضی

مسئله ریاضی اصلی، مسئله Perspective-n-Point (PnP) است. با فرض:

• مجموعه‌ای از $n$ نقطه سه‌بعدی در سیستم مختصات جهانی: $\mathbf{P}_i = (X_i, Y_i, Z_i)^T$، که از شناسه LED رمزگشایی‌شده OCC به دست می‌آید.
• تصاویر دوبعدی متناظر آنها در صفحه تصویر: $\mathbf{p}_i = (u_i, v_i)^T$.
• ماتریس ذاتی دوربین $\mathbf{K}$ (از کالیبراسیون).

چرخش دوربین $\mathbf{R}$ و انتقال $\mathbf{t}$ را بیابید که رابطه زیر را برآورده کند:

$\mathbf{p}_i = \mathbf{K} [\mathbf{R} | \mathbf{t}] \mathbf{P}_i$

برای $n \geq 4$ (در یک پیکربندی غیرتحلیل‌رفته)، این را می‌توان با استفاده از الگوریتم‌هایی مانند EPnP یا IPPE به طور کارآمد حل کرد. مؤلفه OCC شامل دمودولاسیون سیگنال شدت نور از یک ناحیه مورد علاقه (ROI) اطراف هر لکه LED در تصویر است. این معمولاً از کلیدزنی روشن-خاموش (OOK) یا مدولاسیون موقعیت پالس متغیر (VPPM) استفاده می‌کند. زنجیره پردازش سیگنال شامل تفاضل فریم برای حذف پس‌زمینه، همگام‌سازی و رمزگشایی است.

نتایج آزمایشی و عملکرد

بر اساس ساختار پایان‌نامه و کارهای مشابه، بخش آزمایشی احتمالاً سیستم را در یک تنظیم آزمایشگاهی کنترل‌شده و یک سناریوی شبیه‌سازی‌شده وسیله نقلیه اعتبارسنجی می‌کند.

توضیح نمودار (استنباطی): یک نمودار میله‌ای که خطای مکان‌یابی (بر حسب سانتی‌متر) را برای سیستم‌های مختلف مقایسه می‌کند: Wi-Fi RSSI، بلوتوث کم‌مصرف (BLE)، VLP خالص (با استفاده از RSS)، و روش پیشنهادی OCC+فتوگرامتری. میله OCC+فتوگرامتری به طور قابل توجهی کوتاه‌تر خواهد بود و دقت زیر ۳۰ سانتی‌متر را نشان می‌دهد، در حالی که سایرین خطاهای ۱-۵ متری نشان می‌دهند. یک نمودار خطی دوم احتمالاً خطا را به عنوان تابعی از فاصله از نشانه‌های LED نشان می‌دهد، با افزایش تدریجی خطا اما باقی ماندن زیر یک متر در محدوده عملیاتی طراحی‌شده (مثلاً ۵-۱۰ متر).

معیارهای کلیدی گزارش‌شده:

• دقت مکان‌یابی: خطای میانگین مربعات (RMSE) در موقعیت، احتمالاً در محدوده ۱۰-۳۰ سانتی‌متر در شرایط خوب.
• نرخ موفقیت رمزگشایی OCC: درصد فریم‌هایی که شناسه‌های LED به درستی رمزگشایی شدند، وابسته به زمان نوردهی، نرخ فریم و فرکانس مدولاسیون.
• تأخیر پردازش: زمان از ضبط تصویر تا تخمین پوز، حیاتی برای کاربردهای بلادرنگ.
• مقاومت در برابر نور محیط: افت عملکرد تحت شرایط نوری مختلف.

چارچوب تحلیلی: یک مورد مفهومی

سناریو: ربات موجودی انبار هوشمند.

1. مسئله: یک ربات نیاز دارد با دقت سانتی‌متری به یک قفسه خاص (راهرو ۵، خلیه ۱۲) حرکت کند تا اقلام را اسکن کند. GPS در دسترس نیست. Wi-Fi به دلیل ایجاد انتشار چندمسیره توسط قفسه‌های فلزی غیرقابل اعتماد است.

2. چارچوب راه‌حل OCC-فتوگرامتری:

• زیرساخت: هر راهرو یک رشته منحصر به فرد از چراغ‌های LED در سقف دارد. هر LED یک کد ساده را مدوله می‌کند که مختصات از پیش نقشه‌برداری‌شده $(X, Y, Z)$ آن را نسبت به نقشه انبار منتقل می‌کند.
• حسگر ربات: یک دوربین رو به بالا.
• گردش کار:
  1. ربات وارد راهرو ۵ می‌شود. دوربین آن LEDهای سقف را ضبط می‌کند.
  2. پردازش تصویر، لکه‌های روشن (LEDها) را جدا می‌کند.
  3. رمزگشای OCC مختصات $(X, Y, Z)$ را برای هر LED قابل مشاهده استخراج می‌کند.
  4. حل‌کننده PnP از این تناظرهای 3D-2D برای محاسبه موقعیت دقیق $(x, y)$ و جهت $\theta$ ربات در راهرو استفاده می‌کند.
  5. این موقعیت‌یابی با دقت بالا با اودومتری چرخ در یک فیلتر کالمن برای ناوبری روان ادغام می‌شود.

3. نتیجه: ربات خلیه ۱۲ را به دقت پیدا می‌کند و کاربرد سیستم را در یک محیط داخلی ساختاریافته و مجهز به LED نشان می‌دهد.

کاربردهای آینده و جهت‌های پژوهشی

• پایداری لنگر واقعیت افزوده (AR): LEDهای مجهز به OCC در یک موزه می‌توانند به دستگاه‌های AR اجازه دهند بدون اسکن دستی، محتوای مجازی را به طور آنی و دقیق به یک نمایشگاه فیزیکی قفل کنند، همانطور که توسط پروژه‌هایی مانند Azure Spatial Anchors مایکروسافت با استفاده از ویژگی‌های بصری بررسی شده است.
• هماهنگی فوق‌دقت دسته پهپادها: در یک فضای کنترل‌شده مانند کف کارخانه، پهپادها می‌توانند از پدهای فرود LED مدوله‌شده برای پهلوگیری و شارژ با دقت میلی‌متری استفاده کنند، مفهومی که مربوط به مراکز تحقق Prime Air آمازون است.
• ارتباط و مکان‌یابی V2X: چراغ‌های جلو/عقب خودرو و چراغ‌های راهنمایی می‌توانند هویت و وضعیت خود را پخش کنند (مثلاً «من چراغ راهنمایی شماره ۴۷ هستم، تا ۲ ثانیه دیگر قرمز می‌شوم»)، که به وسایل نقلیه امکان می‌دهد آن‌ها را به دقت مکان‌یابی کرده و قصد را درک کنند و سیستم‌های ایمنی را تقویت کنند.
• جهت‌های پژوهشی:
  1. کاهش اثر NLoS: استفاده از سطوح بازتابنده یا الگوهای نور پخش‌شده برای فعال‌سازی حس‌گری محدود بدون خط دید.
  2. استانداردسازی و قابلیت همکاری: تلاش برای پذیرش گسترده‌تر استانداردهای OCC (IEEE 802.15.7r1) برای اطمینان از کارکرد مشترک نشانه‌ها و گیرنده‌های مختلف.
  3. ادغام یادگیری عمیق: استفاده از شبکه‌های عصبی کانولوشنی (CNN) برای رگرسیون مستقیم پوز از تصاویر حاوی LEDهای مدوله‌شده، که سیستم را در برابر انسداد جزئی و نویز مقاوم‌تر می‌سازد.
  4. پروتکل‌های کم‌مصرف: طراحی پروتکل‌های چرخه وظیفه برای برچسب‌های IoT با باتری با استفاده از بازتابنده‌های رترو و فلش دوربین به عنوان پرسشگر.

مراجع

1. Hossan, M. T. (2018). Localization using Optical Camera Communication and Photogrammetry for Wireless Networking Applications [Master's thesis, Kookmin University].
2. IEEE Standard for Local and Metropolitan Area Networks--Part 15.7: Short-Range Optical Wireless Communications. (2018). IEEE Std 802.15.7-2018.
3. Lepetit, V., Moreno-Noguer, F., & Fua, P. (2009). EPnP: An Accurate O(n) Solution to the PnP Problem. International Journal of Computer Vision, 81(2), 155–166.
4. Zhuang, Y., Hua, L., Qi, L., Yang, J., Cao, P., Cao, Y., ... & Thompson, J. (2018). A Survey of Positioning Systems Using Visible LED Lights. IEEE Communications Surveys & Tutorials, 20(3), 1963-1988.
5. NVIDIA Corporation. (2023). NVIDIA DRIVE Hyperion: Autonomous Vehicle Computing Platform. Retrieved from https://www.nvidia.com/en-us/self-driving-cars/
6. Microsoft Corporation. (2023). Azure Spatial Anchors. Retrieved from https://azure.microsoft.com/en-us/products/spatial-anchors/