ऑप्टिकल कैमरा कम्युनिकेशन के लिए न्यूरल इक्वलाइज़ेशन का उपयोग करते हुए 512-कलर शिफ्ट कीइंग सिग्नल डिमॉड्यूलेशन का पहला प्रायोगिक प्रदर्शन

विषय सूची

1. परिचय एवं अवलोकन

यह शोध पत्र ऑप्टिकल कैमरा कम्युनिकेशन (OCC) के लिए 512-कलर शिफ्ट कीइंग (512-CSK) का एक अभूतपूर्व प्रायोगिक प्रदर्शन प्रस्तुत करता है। मुख्य उपलब्धि 4-मीटर की दूरी पर इस तरह की उच्च-क्रम मॉड्यूलेशन योजना का पहला त्रुटि-मुक्त डिमॉड्यूलेशन है, जो कैमरा-आधारित रिसीवर में निहित गैर-रेखीय क्रॉसटॉक की महत्वपूर्ण चुनौती को मल्टी-लेबल न्यूरल नेटवर्क (NN)-आधारित इक्वलाइज़र के नवीन उपयोग के माध्यम से दूर करता है।

OCC को एक अगली पीढ़ी की ऑप्टिकल वायरलेस तकनीक के रूप में स्थापित किया गया है, जो स्मार्टफोन और उपकरणों में सर्वव्यापी CMOS इमेज सेंसर का लाभ उठाती है। डेटा दर बढ़ाना एक प्रमुख शोध ध्यान रहा है, जो कैमरा फ्रेम दरों द्वारा सीमित है। CSK, डेटा को RGB-LED ट्रांसमीटर से रंग भिन्नताओं पर मॉड्यूलेट करता है, जिसे CIE 1931 रंग स्थान के भीतर मैप किया जाता है। उच्च-क्रम CSK (जैसे, 512-CSK) अधिक स्पेक्ट्रल दक्षता का वादा करता है, लेकिन कैमरे की स्पेक्ट्रल संवेदनशीलता और रंग फिल्टर के कारण होने वाले अंतर-रंग क्रॉसटॉक से गंभीर रूप से बाधित होता है।

2. तकनीकी ढांचा

2.1 रिसीवर कॉन्फ़िगरेशन एवं हार्डवेयर

रिसीवर प्रणाली एक Sony IMX530 CMOS इमेज सेंसर मॉड्यूल के इर्द-गिर्द बनाई गई है, जिसे पोस्ट-प्रोसेसिंग (डीमोसाइसिंग, डीनॉइज़िंग, व्हाइट बैलेंस) के बिना 12-बिट रॉ RGB डेटा आउटपुट करने की क्षमता के लिए चुना गया है। यह रॉ डेटा सटीक सिग्नल पुनर्प्राप्ति के लिए महत्वपूर्ण है। सिग्नल को 50mm ऑप्टिकल लेंस के माध्यम से कैप्चर किया जाता है। ट्रांसमीटर एक 8×8 RGB-LED प्लानर ऐरे है (पैनल आकार: 6.5 सेमी)।

2.2 सिग्नल प्रोसेसिंग एवं न्यूरल इक्वलाइज़ेशन

प्रोसेसिंग पाइपलाइन इस प्रकार है:

1. रॉ डेटा अधिग्रहण: सेंसर से अप्रोसेस्ड RGB मान कैप्चर करें।
2. रंग स्थान रूपांतरण: एक मानक मैट्रिक्स का उपयोग करके RGB को CIE 1931 (x, y) क्रोमैटिसिटी निर्देशांक में बदलें: $\begin{pmatrix} x \\ y \end{pmatrix} = \begin{pmatrix} 0.4124 & 0.3576 & 0.1805 \\ 0.2126 & 0.7152 & 0.0722 \end{pmatrix} \begin{pmatrix} R \\ G \\ B \end{pmatrix}$.
3. न्यूरल नेटवर्क इक्वलाइज़ेशन: (x, y) निर्देशांक एक मल्टी-लेबल NN में फीड किए जाते हैं। यह नेटवर्क रंग चैनलों के बीच के गैर-रेखीय क्रॉसटॉक को सीखने और क्षतिपूर्ति करने के लिए डिज़ाइन किया गया है। इसमें 2 इनपुट यूनिट (x, y), $N_h$ हिडन लेयर्स $N_u$ यूनिट्स के साथ, और M=9 आउटपुट यूनिट्स (512-CSK के लिए प्रति प्रतीक 9 बिट्स के अनुरूप) हैं।
4. डिमॉड्यूलेशन एवं डिकोडिंग: NN एक पोस्टीरियर प्रायिकता वितरण आउटपुट करता है। लॉग-लाइकलीहुड रेशियो (LLR) इससे गणना किए जाते हैं और अंतिम त्रुटि सुधार के लिए एक लो-डेंसिटी पैरिटी-चेक (LDPC) डिकोडर में फीड किए जाते हैं।

512-CSK कॉन्स्टेलेशन प्रतीकों को CIE 1931 आरेख में नीले शीर्ष (x=0.1805, y=0.0722) से शुरू करते हुए एक त्रिकोणीय पैटर्न में क्रमिक रूप से व्यवस्थित किया गया है।

3. प्रायोगिक परिणाम एवं विश्लेषण

3.1 बीईआर प्रदर्शन बनाम एलईडी ऐरे आकार

प्रयोग ने प्राप्त प्रकाश तीव्रता (छवि में क्षेत्र) के एक फ़ंक्शन के रूप में बिट एरर रेट (BER) का मूल्यांकन करने के लिए ऐरे में सक्रिय एलईडी की संख्या को 1×1 से 8×8 तक बदला। संचरण दूरी 4 मीटर पर निश्चित थी। परिणामों ने प्रदर्शित किया कि न्यूरल इक्वलाइज़र पूर्ण 8×8 ऐरे के साथ त्रुटि-मुक्त संचालन प्राप्त करने के लिए आवश्यक था, जिसने सिग्नल तीव्रता और क्षेत्र के साथ बढ़ने वाले क्रॉसटॉक को प्रभावी ढंग से कम किया।

3.2 प्रमुख प्रदर्शन मापदंड

• मॉड्यूलेशन क्रम: 512-CSK (9 बिट्स/प्रतीक), प्रायोगिक OCC प्रदर्शनों के लिए एक रिकॉर्ड उच्च।
• दूरी: 4 मीटर, व्यावहारिक सीमा दर्शाता है।
• मुख्य सक्षमकर्ता: रॉ सेंसर डेटा पर सीधे लागू न्यूरल नेटवर्क-आधारित गैर-रेखीय इक्वलाइज़ेशन।
• तुलना: यह कार्य मॉड्यूलेशन क्रम और क्षतिपूर्ति तकनीक की परिष्कृति दोनों में पिछले प्रदर्शनों (8-CSK, 16-CSK, 32-CSK) से काफी आगे बढ़ता है।

4. मूल विश्लेषण एवं विशेषज्ञ व्याख्या

मूल अंतर्दृष्टि: यह पत्र केवल CSK को 512 रंगों तक धकेलने के बारे में नहीं है; यह एक निश्चित प्रूफ-ऑफ-कॉन्सेप्ट है कि डेटा-संचालित, न्यूरल सिग्नल प्रोसेसिंग हाई-परफॉर्मेंस OCC को अनलॉक करने की कुंजी है। लेखक सही ढंग से पहचानते हैं कि मूलभूत बाधा एलईडी या सेंसर नहीं है, बल्कि चैनल में जटिल, गैर-रेखीय विरूपण है। उनका समाधान—एक मल्टी-लेबल NN के लिए पारंपरिक रैखिक इक्वलाइज़र को दरकिनार करना—डिज़ाइन दर्शन में एक व्यावहारिक और शक्तिशाली बदलाव है, जो RF संचार में न्यूरल रिसीवर की सफलता को दर्शाता है [1]।

तार्किक प्रवाह: तर्क प्रभावशाली है: 1) गति के लिए उच्च-क्रम CSK की आवश्यकता है, 2) कैमरा क्रॉसटॉक उच्च-क्रम CSK को नष्ट कर देता है, 3) यह क्रॉसटॉक जटिल और गैर-रेखीय है, 4) इसलिए, इसे रद्द करने के लिए एक सार्वभौमिक फ़ंक्शन अनुमानित (एक न्यूरल नेटवर्क) का उपयोग करें। रॉ सेंसर डेटा का उपयोग एक महत्वपूर्ण, अक्सर अनदेखी की गई विस्तार है। यह कैमरे के आंतरिक इमेज सिग्नल प्रोसेसर (ISP) की सूचना हानि और पेश किए गए विरूपण से बचाता है, एक अभ्यास जो MIT मीडिया लैब जैसे संस्थानों से कम्प्यूटेशनल फोटोग्राफी शोध में सर्वोत्तम प्रथाओं के साथ संरेखित है।

शक्तियां एवं कमियां: प्रमुख शक्ति एक भौतिक-परत संचार स्टैक में एक आधुनिक ML घटक का सफल एकीकरण है, जो एक घोषित रिकॉर्ड प्राप्त करता है। प्रायोगिक सत्यापन स्पष्ट है। हालांकि, विश्लेषण में एक प्रारंभिक प्रदर्शन की विशिष्ट कमियां हैं: डेटा दर (बिट्स/सेकंड) का कोई उल्लेख नहीं है, केवल स्पेक्ट्रल दक्षता (बिट्स/प्रतीक) है। वास्तविक दुनिया की थ्रूपुट प्रभाव अस्पष्ट बनी हुई है। इसके अलावा, NN की जटिलता, प्रशिक्षण डेटा आवश्यकताएं, और विभिन्न कैमरों या वातावरण के लिए सामान्यीकरण क्षमता अन्वेषित नहीं है—मानकीकरण और व्यावसायीकरण के लिए महत्वपूर्ण बाधाएं।

कार्रवाई योग्य अंतर्दृष्टि: शोधकर्ताओं के लिए, रास्ता स्पष्ट है: रीयल-टाइम इक्वलाइज़ेशन के लिए हल्के, अनुकूली न्यूरल आर्किटेक्चर पर ध्यान केंद्रित करें। बेंचमार्किंग में वास्तविक थ्रूपुट और विलंबता शामिल होनी चाहिए। उद्योग (जैसे, IEEE P802.15.7r1 OCC टास्क ग्रुप) के लिए, यह कार्य भविष्य के मानकों में न्यूरल-आधारित रिसीवर पर विचार करने के लिए मजबूत सबूत प्रदान करता है, लेकिन इसे कठोर अंतरसंचालन परीक्षण के साथ जोड़ा जाना चाहिए। अगला कदम एक निश्चित लैब सेटअप से एक गतिशील परिदृश्य की ओर बढ़ना है, शायद CycleGAN-शैली डोमेन अनुकूलन [2] से प्रेरित तकनीकों का उपयोग करके NN को परिवर्तनशील परिवेश प्रकाश स्थितियों के लिए क्षतिपूर्ति करने देने के लिए, जो निश्चित क्रॉसटॉक की तुलना में कहीं अधिक कठिन चुनौती है।

5. तकनीकी विवरण एवं गणितीय सूत्रीकरण

मूल सिग्नल प्रोसेसिंग में दो प्रमुख परिवर्तन शामिल हैं:

1. RGB से CIE 1931 रूपांतरण: $\begin{pmatrix} x \\ y \end{pmatrix} = \mathbf{M} \cdot \begin{pmatrix} R \\ G \\ B \end{pmatrix}$ जहां $\mathbf{M}$ पूर्वनिर्धारित मैट्रिक्स है: $\mathbf{M} = \begin{pmatrix} 0.4124 & 0.3576 & 0.1805 \\ 0.2126 & 0.7152 & 0.0722 \end{pmatrix}$. यह डिवाइस-निर्भर RGB मानों को एक निरपेक्ष रंग स्थान में मैप करता है।

2. इक्वलाइज़र के रूप में न्यूरल नेटवर्क: NN फ़ंक्शन $f_{\theta}$ सीखता है जो विकृत प्राप्त निर्देशांक $(x', y')$ को सभी 512 प्रतीकों के लिए पोस्टीरियर प्रायिकता $P(\text{symbol}_i | x', y')$ में मैप करता है। पैरामीटर $\theta$ को पूर्वानुमानित प्रायिकताओं और ज्ञात प्रेषित प्रतीकों के बीच क्रॉस-एन्ट्रॉपी हानि को कम करने के लिए प्रशिक्षित किया जाता है। $k$-वें बिट के लिए LLR तब इस प्रकार अनुमानित किया जाता है: $LLR(b_k) \approx \log \frac{\sum_{i \in S_k^1} P(\text{symbol}_i | x', y')}{\sum_{i \in S_k^0} P(\text{symbol}_i | x', y')}$ जहां $S_k^1$ और $S_k^0$ प्रतीकों के सेट हैं जहां $k$-वां बिट क्रमशः 1 और 0 है।

6. विश्लेषण ढांचा एवं केस उदाहरण

OCC प्रगति का मूल्यांकन करने के लिए ढांचा: किसी भी नए OCC पत्र का आलोचनात्मक मूल्यांकन करने के लिए, हम एक चार-आयामी विश्लेषण ढांचा प्रस्तावित करते हैं:

1. स्पेक्ट्रो-स्थानिक दक्षता (बिट्स/संसाधन): प्राप्त डेटा दर (bps) क्या है और यह किन संसाधनों का उपयोग करती है (बैंडविड्थ, स्थानिक पिक्सेल, समय)? यह पत्र स्पेक्ट्रल दक्षता (बिट्स/प्रतीक) पर उच्च स्कोर करता है लेकिन एक ठोस bps आंकड़े का अभाव है।
2. मजबूती एवं व्यावहारिकता: परिचालनात्मक बाधाएं क्या हैं (दूरी, संरेखण, परिवेश प्रकाश)? 4m अच्छा है, लेकिन स्थिर स्थितियां एक सीमा हैं।
3. सिस्टम जटिलता एवं लागत: समाधान की लागत क्या है? एक न्यूरल इक्वलाइज़र कम्प्यूटेशनल लागत और प्रशिक्षण ओवरहेड जोड़ता है।
4. मानकीकरण क्षमता: तकनीक कितनी पुनरुत्पादनीय और अंतरसंचालनीय है? रॉ डेटा और एक प्रशिक्षित NN पर निर्भरता वर्तमान में इस स्कोर को कम करती है।

केस उदाहरण - ढांचे को लागू करना: इस 512-CSK NN कार्य की तुलना रैखिक इक्वलाइज़ेशन [3] का उपयोग करने वाले एक क्लासिक 8-CSK कार्य से करें।

• दक्षता: 512-CSK बिट्स/प्रतीक में काफी श्रेष्ठ है।
• मजबूती: NN गैर-रेखीयताओं को बेहतर ढंग से संभाल सकता है, लेकिन अप्रशिक्षित स्थितियों (नया कैमरा, अलग प्रकाश) के तहत इसका प्रदर्शन एक सरल रैखिक मॉडल बनाम अज्ञात है।
• जटिलता: NN काफी अधिक जटिल है।
• मानकीकरण: रैखिक इक्वलाइज़ेशन मानकीकृत करना आसान है।

समझौता स्पष्ट है: उन्नत सिग्नल प्रोसेसिंग जटिलता की कीमत पर उच्च दक्षता खरीदती है। क्षेत्र की प्रक्षेपवक्र भौतिक सीमाओं को दूर करने के लिए उस जटिलता को स्वीकार करने की ओर है।

7. भविष्य के अनुप्रयोग एवं शोध दिशाएं

इस कार्य के निहितार्थ लैब से परे फैले हुए हैं:

• 6G के लिए अल्ट्रा-हाई-स्पीड LiFi: इस तरह की उच्च-क्रम OCC को LiFi बुनियादी ढांचे के साथ एकीकृत करने से स्टेडियम, हवाई अड्डों या स्मार्ट फैक्ट्रियों में मल्टी-गीगाबिट प्रति सेकंड हॉटस्पॉट एक्सेस प्रदान किया जा सकता है, जो RF नेटवर्क को पूरक करता है।
• स्मार्टफोन-केंद्रित IoT: न्यूनतम हार्डवेयर जोड़ के साथ स्मार्टफोन कैमरों को रिसीवर के रूप में उपयोग करते हुए सुरक्षित, निकटता-आधारित डेटा विनिमय (जैसे, भुगतान, टिकटिंग, डिवाइस पेयरिंग) सक्षम करना।
• ऑटोमोटिव V2X संचार: प्रत्यक्ष वाहन-से-वाहन या वाहन-से-बुनियादी ढांचा संचार के लिए वाहन हेडलाइट्स/टेललाइट्स और कैमरों का उपयोग करना, सुरक्षा प्रणालियों को बढ़ाना।

महत्वपूर्ण शोध दिशाएं:

1. इक्वलाइज़र के लिए अनुकूली एवं फ़ेडरेटेड लर्निंग: ऐसे NN विकसित करना जो नए कैमरा मॉडल या प्रकाश व्यवस्था के लिए ऑनलाइन अनुकूलन कर सकें, संभवतः रॉ डेटा साझा किए बिना मजबूत मॉडल बनाने के लिए उपकरणों में फ़ेडरेटेड लर्निंग का उपयोग करके।
2. विज़न के साथ संयुक्त स्रोत-चैनल कोडिंग: गहन शिक्षण तकनीकों का अन्वेषण करना जो एक विशिष्ट कैमरा सेंसर के लिए मॉड्यूलेशन (CSK कॉन्स्टेलेशन) और इक्वलाइज़र को संयुक्त रूप से अनुकूलित करती हैं, एंड-टू-एंड लर्न्ड कम्युनिकेशन सिस्टम के समान।
3. क्रॉस-लेयर अनुकूलन: भौतिक-परत NN इक्वलाइज़र को उच्च-परत प्रोटोकॉल के साथ एकीकृत करना ताकि गतिशील वातावरण में समग्र सिस्टम थ्रूपुट और विश्वसनीयता को अनुकूलित किया जा सके।

संचार, कंप्यूटर विज़न और मशीन लर्निंग का अभिसरण, जैसा कि इस पत्र में प्रदर्शित किया गया है, वह जगह है जहां OCC में सबसे विघटनकारी नवाचार उभरेंगे।

8. संदर्भ

1. O'Shea, T. J., & Hoydis, J. (2017). An Introduction to Deep Learning for the Physical Layer. IEEE Transactions on Cognitive Communications and Networking. (कम्युनिकेशन में न्यूरल नेटवर्क का उदाहरण)।
2. Zhu, J. Y., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. Proceedings of the IEEE International Conference on Computer Vision (ICCV). (डोमेन अनुकूलन के लिए CycleGAN)।
3. Chen, H.-W., et al. (2019). [1] in the original PDF. (पहले, निम्न-क्रम CSK कार्य का उदाहरण)।
4. IEEE Standard for Local and Metropolitan Area Networks--Part 15.7: Short-Range Optical Wireless Communications. IEEE Std 802.15.7-2018.
5. MIT Media Lab, Computational Photography. (रॉ सेंसर डेटा के महत्व के लिए वैचारिक स्रोत)।