Demonstrasi Pertama Penyahmodulatan Isyarat 512-Color Shift Keying Menggunakan Penyeimbangan Neural untuk Komunikasi Kamera Optik

Kandungan

1. Pengenalan & Gambaran Keseluruhan

Kertas kerja ini membentangkan demonstrasi eksperimen yang memecah paradigma bagi 512-Color Shift Keying (512-CSK) untuk Komunikasi Kamera Optik (OCC). Pencapaian terasnya adalah penyahmodulatan tanpa ralat pertama bagi skema modulasi tertinggi sedemikian pada jarak 4 meter, mengatasi cabaran besar silang-bicara tak linear yang wujud dalam penerima berasaskan kamera melalui penggunaan inovatif penyelaras berasaskan rangkaian neural (NN) pelabelan berbilang.

OCC diposisikan sebagai teknologi tanpa wayar optik generasi seterusnya, memanfaatkan sensor imej CMOS yang terdapat di mana-mana dalam telefon pintar dan peranti. Tumpuan penyelidikan utama adalah meningkatkan kadar data, yang dihadkan oleh kadar bingkai kamera. CSK memodulatkan data kepada variasi warna daripada pemancar LED-RGB, dipetakan dalam ruang warna CIE 1931. CSK tertib tinggi (cth., 512-CSK) menjanjikan kecekapan spektrum yang lebih besar tetapi sangat terjejas oleh silang-bicara antara warna yang disebabkan oleh kepekaan spektrum kamera dan penapis warna.

2. Kerangka Teknikal

2.1 Konfigurasi Penerima & Perkakasan

Sistem penerima dibina berasaskan modul sensor imej CMOS Sony IMX530, dipilih kerana keupayaannya mengeluarkan data mentah RGB 12-bit tanpa pemprosesan susulan (penyahmosakan, penyingkiran hingar, keseimbangan putih). Data mentah ini adalah penting untuk pemulihan isyarat yang tepat. Isyarat ditangkap melalui kanta optik 50mm. Pemancar adalah tatasusunan satah LED-RGB 8×8 (saiz panel: 6.5 cm).

2.2 Pemprosesan Isyarat & Penyeimbangan Neural

Saluran pemprosesan adalah seperti berikut:

1. Perolehan Data Mentah: Tangkap nilai RGB yang belum diproses daripada sensor.
2. Penukaran Ruang Warna: Tukar RGB kepada koordinat kromatisiti CIE 1931 (x, y) menggunakan matriks piawai: $\begin{pmatrix} x \\ y \end{pmatrix} = \begin{pmatrix} 0.4124 & 0.3576 & 0.1805 \\ 0.2126 & 0.7152 & 0.0722 \end{pmatrix} \begin{pmatrix} R \\ G \\ B \end{pmatrix}$.
3. Penyeimbangan Rangkaian Neural: Koordinat (x, y) dimasukkan ke dalam NN pelabelan berbilang. Rangkaian ini direka untuk mempelajari dan mengimbangi silang-bicara tak linear antara saluran warna. Ia mempunyai 2 unit input (x, y), $N_h$ lapisan tersembunyi dengan $N_u$ unit, dan M=9 unit output (sepadan dengan 9 bit per simbol untuk 512-CSK).
4. Penyahmodulatan & Penyahkodan: NN mengeluarkan taburan kebarangkalian posterior. Nisbah Log-Kebarangkalian (LLR) dikira daripada ini dan dimasukkan ke dalam penyahkod Low-Density Parity-Check (LDPC) untuk pembetulan ralat akhir.

Simbol buruj 512-CSK disusun secara berurutan dalam corak segi tiga dalam rajah CIE 1931, bermula dari bucu biru (x=0.1805, y=0.0722).

3. Keputusan Eksperimen & Analisis

3.1 Prestasi BER vs. Saiz Tatasusunan LED

Eksperimen mengubah bilangan LED aktif dalam tatasusunan dari 1×1 ke 8×8 untuk menilai Kadar Ralat Bit (BER) sebagai fungsi keamatan cahaya yang diterima (luas dalam imej). Jarak penghantaran ditetapkan pada 4 meter. Keputusan menunjukkan bahawa penyelaras neural adalah penting untuk mencapai operasi tanpa ralat dengan tatasusunan penuh 8×8, berkesan mengurangkan silang-bicara yang meningkat dengan keamatan isyarat dan luas.

3.2 Metrik Prestasi Utama

• Tertib Modulasi: 512-CSK (9 bit/simbol), rekod tertinggi untuk demonstrasi OCC eksperimen.
• Jarak: 4 meter, menunjukkan julat praktikal.
• Pemudah Utama: Penyeimbangan tak linear berasaskan rangkaian neural digunakan terus pada data sensor mentah.
• Perbandingan: Kerja ini jauh mengatasi demonstrasi terdahulu (8-CSK, 16-CSK, 32-CSK) dalam kedua-dua tertib modulasi dan kecanggihan teknik pampasan.

4. Analisis Teras & Tafsiran Pakar

Pandangan Teras: Kertas kerja ini bukan sekadar tentang meningkatkan CSK kepada 512 warna; ia adalah bukti konsep muktamad bahawa pemprosesan isyarat neural berasaskan data adalah kunci untuk membuka kunci OCC berprestasi tinggi. Penulis mengenal pasti dengan betul bahawa halangan asas bukan LED atau sensor, tetapi herotan kompleks dan tak linear dalam saluran. Penyelesaian mereka—memintas penyelaras linear tradisional untuk NN pelabelan berbilang—adalah peralihan falsafah reka bentuk yang pragmatik dan berkuasa, mencerminkan kejayaan penerima neural dalam komunikasi RF [1].

Aliran Logik: Logiknya menarik: 1) CSK tertib tinggi diperlukan untuk kelajuan, 2) Silang-bicara kamera merosakkan CSK tertib tinggi, 3) Silang-bicara ini kompleks dan tak linear, 4) Oleh itu, gunakan penghampir fungsi universal (rangkaian neural) untuk membatalkannya. Penggunaan data sensor mentah adalah butiran kritikal yang sering diabaikan. Ia mengelakkan kehilangan maklumat dan herotan yang diperkenalkan oleh pemproses isyarat imej (ISP) dalaman kamera, amalan yang selaras dengan amalan terbaik dalam penyelidikan fotografi pengiraan dari institusi seperti MIT Media Lab.

Kekuatan & Kelemahan: Kekuatan utama adalah integrasi berjaya komponen ML moden ke dalam timbunan komunikasi lapisan fizikal, mencapai rekod yang dinyatakan. Pengesahan eksperimen adalah jelas. Walau bagaimanapun, analisis mempunyai kelemahan tipikal demonstrasi awal: Tidak ada sebutan kadar data (bit/saat), hanya kecekapan spektrum (bit/simbol). Kesan daya pemprosesan dunia sebenar masih kabur. Tambahan pula, kerumitan NN, keperluan data latihan, dan keupayaan generalisasi kepada kamera atau persekitaran berbeza tidak diterokai—halangan besar untuk pemiawaian dan pengkomersialan.

Pandangan Boleh Tindak: Untuk penyelidik, laluannya jelas: Tumpu pada seni bina neural ringan dan adaptif untuk penyeimbangan masa nyata. Penanda aras harus termasuk daya pemprosesan dan kependaman sebenar. Untuk industri (cth., Kumpulan Tugas OCC IEEE P802.15.7r1), kerja ini memberikan bukti kukuh untuk mempertimbangkan penerima berasaskan neural dalam piawaian masa depan, tetapi mesti digandingkan dengan ujian kebolehoperasian yang ketat. Langkah seterusnya adalah beralih dari persediaan makmal tetap kepada senario dinamik, mungkin menggunakan teknik yang diilhamkan oleh penyesuaian domain gaya CycleGAN [2] untuk membolehkan NN mengimbangi keadaan cahaya ambien yang berbeza-beza, cabaran yang jauh lebih sukar daripada silang-bicara tetap.

5. Butiran Teknikal & Formulasi Matematik

Pemprosesan isyarat teras melibatkan dua transformasi utama:

1. Penukaran RGB ke CIE 1931: $\begin{pmatrix} x \\ y \end{pmatrix} = \mathbf{M} \cdot \begin{pmatrix} R \\ G \\ B \end{pmatrix}$ di mana $\mathbf{M}$ adalah matriks yang telah ditetapkan: $\mathbf{M} = \begin{pmatrix} 0.4124 & 0.3576 & 0.1805 \\ 0.2126 & 0.7152 & 0.0722 \end{pmatrix}$. Ini memetakan nilai RGB bergantung peranti ke ruang warna mutlak.

2. Rangkaian Neural sebagai Penyelaras: NN mempelajari fungsi $f_{\theta}$ yang memetakan koordinat terima terherot $(x', y')$ kepada kebarangkalian posterior $P(\text{symbol}_i | x', y')$ untuk semua 512 simbol. Parameter $\theta$ dilatih untuk meminimumkan kerugian entropi silang antara kebarangkalian yang diramalkan dan simbol yang dihantar yang diketahui. LLR untuk bit ke-$k$ kemudiannya dianggarkan sebagai: $LLR(b_k) \approx \log \frac{\sum_{i \in S_k^1} P(\text{symbol}_i | x', y')}{\sum_{i \in S_k^0} P(\text{symbol}_i | x', y')}$ di mana $S_k^1$ dan $S_k^0$ adalah set simbol di mana bit ke-$k$ masing-masing adalah 1 dan 0.

6. Kerangka Analisis & Contoh Kes

Kerangka untuk Menilai Kemajuan OCC: Untuk menilai secara kritis mana-mana kertas OCC baru, kami mencadangkan kerangka analisis empat dimensi:

1. Kecekapan Spektro-Spatial (Bit/Sumber): Apakah kadar data (bps) yang dicapai dan sumber apa yang digunakannya (lebar jalur, piksel spatial, masa)? Kertas ini mendapat markah tinggi untuk kecekapan spektrum (bit/simbol) tetapi kekurangan angka bps konkrit.
2. Kekukuhan & Kepraktisan: Apakah kekangan operasi (jarak, penjajaran, cahaya ambien)? 4m adalah baik, tetapi keadaan statik adalah satu batasan.
3. Kerumitan & Kos Sistem: Apakah kos penyelesaian? Penyelaras neural menambah kos pengiraan dan beban latihan.
4. Potensi Pemiawaian: Sejauh mana teknik ini boleh dihasilkan semula dan boleh beroperasi? Kebergantungan pada data mentah dan NN yang dilatih kini menurunkan skor ini.

Contoh Kes - Menggunakan Kerangka: Bandingkan kerja 512-CSK NN ini dengan kerja 8-CSK klasik menggunakan penyeimbangan linear [3].

• Kecekapan: 512-CSK jauh lebih unggul dalam bit/simbol.
• Kekukuhan: NN mungkin mengendalikan ketaklinearan dengan lebih baik, tetapi prestasinya dalam keadaan tidak dilatih (kamera baru, cahaya berbeza) tidak diketahui berbanding model linear yang lebih mudah.
• Kerumitan: NN jauh lebih kompleks.
• Pemiawaian: Penyeimbangan linear lebih mudah untuk dipiawaikan.

Pertukaran adalah jelas: pemprosesan isyarat maju membeli kecekapan lebih tinggi dengan kos kerumitan. Trajektori bidang ini adalah ke arah menerima kerumitan itu untuk mengatasi had fizikal.

7. Aplikasi Masa Depan & Hala Tuju Penyelidikan

Implikasi kerja ini melangkaui makmal:

• LiFi Kelajuan Ultra-Tinggi untuk 6G: Mengintegrasikan OCC tertib tinggi sedemikian dengan infrastruktur LiFi boleh menyediakan akses titik panas berbilang gigabit per saat di stadium, lapangan terbang, atau kilang pintar, melengkapkan rangkaian RF.
• IoT Berpusatkan Telefon Pintar: Membolehkan pertukaran data berasaskan kedekatan yang selamat (cth., pembayaran, tiket, pemasangan peranti) menggunakan kamera telefon pintar sebagai penerima dengan penambahan perkakasan minimum.
• Komunikasi V2X Automotif: Menggunakan lampu depan/belakang kenderaan dan kamera untuk komunikasi langsung kenderaan-ke-kenderaan atau kenderaan-ke-infrastruktur, meningkatkan sistem keselamatan.

Hala Tuju Penyelidikan Kritikal:

1. Pembelajaran Adaptif & Berfederasi untuk Penyelaras: Membangunkan NN yang boleh menyesuaikan diri dalam talian kepada model kamera atau pencahayaan baru, berpotensi menggunakan pembelajaran berfederasi merentas peranti untuk membina model kukuh tanpa berkongsi data mentah.
2. Pengekodan Sumber-Saluran Bersama dengan Penglihatan: Meneroka teknik pembelajaran mendalam yang mengoptimumkan bersama modulasi (buruj CSK) dan penyelaras untuk sensor kamera tertentu, serupa dengan sistem komunikasi terpelajar hujung-ke-hujung.
3. Pengoptimuman Rentas Lapisan: Mengintegrasikan penyelaras NN lapisan fizikal dengan protokol lapisan lebih tinggi untuk mengoptimumkan daya pemprosesan dan kebolehpercayaan sistem keseluruhan dalam persekitaran dinamik.

Pertemuan komunikasi, penglihatan komputer, dan pembelajaran mesin, seperti yang ditunjukkan dalam kertas ini, adalah tempat inovasi paling mengganggu dalam OCC akan muncul.

8. Rujukan

1. O'Shea, T. J., & Hoydis, J. (2017). An Introduction to Deep Learning for the Physical Layer. IEEE Transactions on Cognitive Communications and Networking. (Contoh rangkaian neural dalam komunikasi).
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). (CycleGAN untuk penyesuaian domain).
3. Chen, H.-W., et al. (2019). [1] dalam PDF asal. (Contoh kerja CSK tertib rendah terdahulu).
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. (Sumber konseptual untuk kepentingan data sensor mentah).