1. 序論
より高速なデータレートへの飽くなき需要は、通信研究の主要な原動力である。可視光通信（VLC）は、データ伝送にLED照明の遍在性を活用することで、無線周波数（RF）システムに対する有望な補完技術として注目されている。しかし、VLCはLEDの限られた変調帯域幅、シンボル間干渉（ISI）、マルチユーザー環境における同一チャネル干渉（CCI）といった固有の課題に直面している。本論文は、これらの制限を克服し、室内VLCネットワークにおけるシステム性能を大幅に向上させるために、非直交多元接続（NOMA）と角度ダイバーシティ受信機（ADR）の統合を調査する。
2. システムモデル
提案システムは、NOMAとADR技術の相乗効果を評価するため、標準的な室内環境内でモデル化されている。
2.1 室内環境とチャネルモデリング
寸法が8m（長さ）×4m（幅）×3m（高さ）の長方形の部屋をシミュレーションする。壁と天井は、反射率係数（ρ）0.8のランバート反射体としてモデル化される。光チャネルインパルス応答は、直接波（LOS）と拡散反射（指定次数まで）の両方を考慮した決定論的光線追跡アルゴリズムを用いて計算される。リンクのチャネル利得は以下のようにモデル化できる：
$H(0) = \frac{(m+1)A}{2\pi d^2} \cos^m(\phi) T_s(\psi) g(\psi) \cos(\psi)$ for $0 \le \psi \le \Psi_c$
ここで、$m$はランバート次数、$A$は検出器面積、$d$は距離、$\phi$と$\psi$は放射照度角と入射角、$T_s(\psi)$はフィルタ利得、$g(\psi)$は集光器利得、$\Psi_c$は受信機の視野角（FOV）である。
2.2 角度ダイバーシティ受信機（ADR）の設計
中核となる革新は、4分岐ADRの使用である。各分岐は、狭いFOVを持つ光検出器で構成され、それぞれ異なる方向（例：上方および特定の方位角）に向けられている。この設計により、受信機は最もチャネル利得の強い分岐からの信号を選択的に合成することができ、環境光ノイズ、マルチパス分散、他のアクセスポイント（AP）からの同一チャネル干渉の影響を効果的に軽減する。
2.3 NOMAの原理と電力割り当て
NOMAは電力領域で動作する。送信側では、複数ユーザーの信号が異なる電力レベルで重畳される。基本原理は、チャネル状態が悪いユーザーにより多くの電力を割り当てることである。受信側では、逐次干渉除去（SIC）が用いられる：チャネル状態が最良のユーザーが、自身の信号を復号する前に、チャネル状態が弱いユーザーの信号を復号して減算する。2ユーザーNOMAペアにおけるユーザー$i$の達成可能レートは次式で与えられる：
$R_i = B \log_2 \left(1 + \frac{\alpha_i P_t |h_i|^2}{\sum_{j>i} \alpha_j P_t |h_i|^2 + N_0 B}\right)$
ここで、$B$は帯域幅、$P_t$は総送信電力、$h_i$はユーザー$i$のチャネル利得、$\alpha_i$は電力割り当て係数（$\alpha_1 + \alpha_2 = 1$、かつ$|h_1|^2 < |h_2|^2$ならば$\alpha_1 > \alpha_2$）、$N_0$はノイズ電力スペクトル密度である。
3. シミュレーション結果と考察
ADRを用いたNOMA-VLCシステムの性能は、単一の広視野角受信機を使用するベースラインシステムと比較評価される。
3.1 性能指標と設定
主要な性能指標は、室内の複数ユーザーに対する総合データレートである。ユーザーはランダムに配置され、リソース割り当て（NOMAのためのユーザーペアリングと電力割り当て）は、著者らの先行研究[36]に従い、チャネル状態情報に基づいて最適化される。
3.2 データレート比較：ADR対広視野角受信機
シミュレーション結果は、ADRベースのシステムに決定的な優位性があることを示している。ADRの使用により、広視野角受信機を使用するシステムと比較して、平均データレートが約35%向上する。この利得は、ADRがより強く歪みの少ない信号経路を選択する能力に起因し、それによりNOMA復号のための実効的な信号対干渉雑音比（SINR）が増加する。
3.3 リソース割り当ての影響
本論文は、性能向上は自動的ではなく、知的なリソース割り当てにかかっていることを強調している。チャネル利得が大きく異なるユーザーを動的にペアリングし（効率的なNOMAのための重要な要件）、それに応じて電力を割り当てることが、ADR-NOMA組み合わせの可能性を最大限に引き出すために重要である。
主要性能考察
平均データレート35%向上 従来の広視野角受信機と比較し、VLCにおいて4分岐ADRをNOMAと統合することで達成。
4. 結論
本研究は、角度ダイバーシティ受信機と非直交多元接続の統合が、室内可視光通信システムの容量と堅牢性を向上させる強力な戦略であることを実証した。ADRがNOMA SICプロセスに対して優れたチャネル入力を提供する能力は、データレートの大幅な改善に直接つながり、将来の高密度光無線ネットワークにおけるこのハイブリッドアーキテクチャの説得力あるケースを提示する。
5. 独自分析と専門家の考察
中核的考察： 本論文は単により良い受信機を追加する話ではなく、VLCリンクバジェットの最も弱い点——受信機ノイズフロア——を再構築し、NOMAの理論的可能性を完全に引き出す巧妙なエンジニアリングハックである。著者らは、NOMAの性能がSICの成功によって決定的にボトルネックとなり、拡散的でマルチパスのVLCチャネルではSICが著しく失敗することを正しく特定している。4分岐ADRは空間フィルタとして機能し、NOMAペア内のプライマリユーザーに対して実質的に「よりクリーンな」チャネルを作り出し、理論的な利得を実用的な35%向上へと変える。
論理の流れ： 議論は優雅である：1) VLCは周波数利用効率を必要とする（NOMAの登場）。2) NOMAは強いチャネル利得の格差を必要とする（均一照明下では問題）。3) ADRは最強の到来経路を選択することで、人為的にこの格差を作り出す。4) 結果：SICがより良く機能し、合計レートが増加する。これは、送信電力や帯域幅を単純に増やすよりも洗練されたアプローチであり、Next G Allianceの白書で議論されているように、知的な無線環境に焦点を当てた6G研究の潮流に沿っている。
強みと欠点： 強みは、比較的低複雑度の受信機アップグレードを使用して、検証された有意な性能向上を実現している点にある。方法論は確立された光線追跡とNOMAモデルを使用しており、健全である。しかし、分析には注目すべき盲点がある。第一に、完全なチャネル状態情報（CSI）と完全なSICを仮定している——どちらも移動ユーザーがいるリアルタイムシステムでは非常に楽観的である。第二に、4分岐ADRは受信機のコスト、サイズ、処理複雑度（分岐選択ロジック）を増加させる。本論文はこのトレードオフを軽視している。自由空間光通信における適応光学の先駆的研究（MITメディアラボのものなど）と比較すると、このADRアプローチは静的である；選択はするが、ビームを能動的に制御したり形成したりはせず、さらなる性能向上の余地を残している。
実践的洞察： プロダクトマネージャーや研究開発リーダーにとって、この研究は明確なロードマップを提供する：受信機の革新を優先せよ。 スマートで多素子の光検出器への投資が、将来のLi-Fi製品を差別化する鍵である。直近の次のステップは、リアルタイム分岐選択アルゴリズムのプロトタイプを作成し、不完全なCSI下での動的チャネル条件下でテストすることである。さらに、ハイブリッド技術を探求すべきである：このADRを、スパース符号多元接続（SCMA）や5G NRで研究されている低密度署名（LDS）技術と組み合わせることで、光チャネルに対して純粋な電力領域NOMAよりも優れた複雑度-性能のトレードオフを提供する可能性がある。
6. 技術詳細
システムの性能は、チャネルモデルとNOMA復号プロセスにかかっている。ADRの$k$番目の分岐が$j$番目のLEDから受信する光電力は：
$P_{r,(j,k)} = H_{j,k}(0) * P_{t,j}$
受信機は最高のSNRを持つ分岐$k^*$を選択する：$k^* = \arg\max_k (\sum_j P_{r,(j,k)}^2 / N_0)$。ユーザー$U_1$（弱いチャネル）と$U_2$（強いチャネル）のダウンリンクNOMAペアの場合、送信信号は$x = \sqrt{\alpha P_t}s_1 + \sqrt{(1-\alpha)P_t}s_2$であり、$s_1, s_2$はユーザー信号である。$U_2$は最初に$s_1$を復号し、それを減算した後、$s_2$を復号する。$U_1$は$s_2$をノイズとして扱い、$s_1$を直接復号する。ADRは選択されたユーザーの$|h_i|^2$を改善し、レート方程式の$\log_2$関数の引数を直接増加させる。
7. 実験結果とチャート説明
提供されたPDF抜粋には明示的な図は含まれていないが、記述された結果は2つの主要なチャートを通じて視覚化できる：
チャート1：ユーザーデータレートの累積分布関数（CDF）。 このチャートは2つの曲線を示す：広視野角受信機システム用とADRシステム用である。ADR曲線は大幅に右にシフトし、任意の確率（例：ユーザーの50%）に対して達成可能データレートが高いことを示す。曲線間のギャップが視覚的に約35%の平均利得を表す。
チャート2：合計レート対ユーザー数。 このチャートは、ユーザー数が増加するにつれてシステム総容量をプロットする。NOMA+ADRの線は、NOMA+広視野角の線よりも急な勾配と高いプラトーを示し、より優れたスケーラビリティとマルチユーザー効率を実証する。TDMAのような従来の直交多元接続（OMA）の3本目の線は両方より大幅に低く位置し、NOMAの周波数利用効率の優位性を強調する。
8. 分析フレームワーク：事例
シナリオ： 高密度室内ワークスペース（例：20のワークステーションを持つオープンプランオフィス）のためのVLCシステムの評価。
フレームワークの適用：
- チャネルプロファイリング： 天井にLED器具を配置した部屋をモデル化するために光線追跡ソフトウェアを使用する。広視野角および多分岐ADRモデルに対する各潜在ユーザー位置のチャネル利得行列$H$を計算する。
- NOMAのためのユーザーペアリング： 各スケジューリング間隔で、選択されたADR分岐からのチャネル利得に基づいてユーザーをランク付けする。強いチャネルを持つユーザーと弱いチャネルを持つユーザーをグループ化してNOMAペアを形成する。
- 電力割り当て最適化： 制約条件：$\sum \alpha_i = 1$、$\alpha_i > 0$、および最小レート要件$R_i \ge R_{min}$の下で、合計レートを最大化する電力係数$\alpha_i$を解く。これは標準アルゴリズムで解ける凸最適化問題である。
- 性能予測： 最適化されたパラメータをレート方程式$R_i$に入力し、各ユーザーの予測データレートとシステム合計レートを計算する。ADRモデルと広視野角ベースラインの結果を比較する。
9. 将来の応用と方向性
ADR-NOMA-VLCパラダイムには有望な方向性がある：
- 産業IoTのための超信頼低遅延通信（URLLC）： スマートファクトリーでは、ADRは移動する設備や反射面からの干渉を軽減することで、機械制御のための堅牢なリンクを提供できる。
- 水中光通信： 水中の散乱環境は拡散的室内VLCに類似している。ADRは濁った水中で支配的なLOS経路を分離するのに役立ち、マルチユーザー水中ネットワークのためのNOMAを可能にする。
- 統合センシング・通信（ISAC）： ADRの複数の指向性分岐は、基本的な到来角推定に使用でき、通信とともにデバイス位置推定を可能にする——将来のスマートビルディングのための重要な機能である。
- 研究の方向性： 将来の研究は、動的ビーム制御のための液晶や微小電気機械システム（MEMS）を使用した適応的ADRに向かわなければならない。さらに、移動シナリオにおけるリアルタイムで堅牢なユーザーペアリングと電力割り当てのための機械学習の統合は、シミュレーションから展開へ移行するための不可欠な次のステップである。
10. 参考文献
- Aljohani, M. K., et al. (2022). NOMA Visible Light Communication System with Angle Diversity Receivers. Source Journal/Conference.
- Zeng, L., et al. (2017). High Data Rate Multiple Input Multiple Output (MIMO) Optical Wireless Communications Using White LED Lighting. IEEE Journal on Selected Areas in Communications.
- Ding, Z., et al. (2017). A Survey on Non-Orthogonal Multiple Access for 5G Networks: Research Challenges and Future Trends. IEEE Journal on Selected Areas in Communications.
- Kahn, J. M., & Barry, J. R. (1997). Wireless Infrared Communications. Proceedings of the IEEE.
- Next G Alliance. (2023). 6G Technology Report. ATIS.
- IEEE Standard for Local and Metropolitan Area Networks–Part 15.7: Short-Range Wireless Optical Communication Using Visible Light. (2018). IEEE Std 802.15.7-2018.
- Wang, Q., et al. (2020). Deep Learning for Optimal NOMA Power Allocation in Visible Light Communications. IEEE Wireless Communications Letters.