Primeira Demonstração de Demodulação de Sinal 512-CSK com Equalização Neural para Comunicação por Câmera Óptica

Índice

1. Introdução

A Comunicação por Câmera Óptica (OCC) é uma tecnologia promissora para a próxima geração de comunicação sem fio óptica, utilizando os ubíquos sensores de imagem CMOS em câmeras como receptores. Oferece canais isentos de licença e de baixo custo. Um desafio fundamental é aumentar a taxa de transferência de dados, limitada pelas taxas de quadros e tempos de exposição da câmera, mantendo a operação sem cintilação. O Color-Shift Keying (CSK), um esquema de modulação do IEEE 802.15.7, mapeia dados para cores no espaço de cromaticidade CIE 1931 para aumentar as taxas de dados. No entanto, a diafonia causada pela sensibilidade espectral da câmera requer compensação. Demonstrações anteriores alcançaram até 32-CSK em distâncias curtas. Este artigo apresenta a primeira demonstração experimental de transmissão de sinal 512-CSK com demodulação sem erros a 4 metros, usando um equalizador baseado em rede neural para lidar com a diafonia não linear.

2. Configuração do Receptor

O sistema receptor é baseado em um módulo de sensor CMOS Sony IMX530 com uma lente de 50mm, capaz de fornecer dados RGB brutos de 12 bits sem pós-processamento (demosaicing, redução de ruído, balanço de branco).

2.1 Sistema de Câmera e Dados Brutos

O sistema de câmera Sony fornece dados de imagem puramente brutos, preservando as leituras originais do sensor, cruciais para um processamento de sinal preciso antes que qualquer correção de cor introduza distorção.

2.2 Conversão de Espaço de Cor

Os valores RGB brutos são convertidos para as coordenadas de cromaticidade CIE 1931 (x, y) usando uma matriz de transformação padrão: $$\begin{pmatrix} x \\ y \end{pmatrix} = \begin{pmatrix} 0.4124 & 0.3576 & 0.1805 \\ 0.2126 & 0.7152 & 0.0722 \end{pmatrix} \begin{pmatrix} R \\ G \\ B \end{pmatrix}$$

2.3 Equalizador de Rede Neural

Uma rede neural de classificação multi-rótulo atua como equalizador para compensar a diafonia não linear. Possui 2 unidades de entrada (x, y), $N_h$ camadas ocultas com $N_u$ unidades e $M=log_2(512)=9$ unidades de saída (bits por símbolo). A rede produz uma distribuição de probabilidade a posteriori $p(1|x,y)$, a partir da qual são calculadas as Razões de Log-Verossimilhança (LLR) para entrada em um decodificador LDPC. Os pontos da constelação para 512-CSK são dispostos triangularmente a partir do vértice azul (x=0.1805, y=0.0722).

3. Resultados Experimentais

3.1 Configuração Experimental

A transmissão utilizou um arranjo plano de LEDs 8x8 (tamanho do painel: 6,5 cm). O número de LEDs ativos variou de 1x1 a 8x8 para avaliar a Taxa de Erro de Bit (BER) com base na área ocupada na imagem (intensidade luminosa). A distância de transmissão foi fixada em 4 metros.

3.2 Desempenho de BER

O sistema alcançou demodulação sem erros para 512-CSK. As características de BER foram avaliadas em relação à área efetiva do LED na imagem capturada. O equalizador neural mitigou com sucesso a diafonia, permitindo demodulação confiável nesta alta ordem de modulação, onde métodos lineares tradicionais falhariam.

4. Análise e Visão Central

5. Detalhes Técnicos

O principal desafio técnico é a incompatibilidade entre o espaço de cor CIE 1931 ideal e a sensibilidade espectral real da câmera, conforme mostrado na Fig. 1(b) do PDF. Isso faz com que os valores recebidos (R, G, B) sejam misturas lineares das intensidades transmitidas. A transformação para (x, y) ajuda, mas não elimina as não linearidades. A rede neural, com suas $N_h$ camadas ocultas, aprende a função $f: (x, y) \rightarrow \mathbf{p}$, onde $\mathbf{p}$ é um vetor 9-dimensional de probabilidades de bits. A LLR para o $k$-ésimo bit é calculada como: $$LLR(k) = \log \frac{p(b_k=1 | x, y)}{p(b_k=0 | x, y)}$$ Essas LLRs fornecem entradas suaves para o poderoso decodificador LDPC, permitindo a correção direta de erros para alcançar o resultado final sem erros.

6. Exemplo de Estrutura de Análise

Caso: Avaliando uma Nova Câmera para OCC. Esta pesquisa fornece uma estrutura para avaliar a adequação de qualquer câmera para CSK de alta ordem.

1. Aquisição de Dados: Transmita símbolos 512-CSK conhecidos usando um arranjo de LED calibrado. Capture dados brutos do sensor com a câmera em teste.
2. Pré-processamento: Converta os patches RGB brutos para coordenadas CIE 1931 (x, y) usando a matriz padrão.
3. Treinamento do Modelo: Treine uma rede neural multi-rótulo (ex.: uma MLP simples de 3 camadas) para mapear os clusters recebidos (x, y) de volta para os 512 rótulos de símbolos transmitidos. O conjunto de treinamento é o mapeamento de símbolos conhecido.
4. Métrica de Desempenho: A precisão final de validação ou o BER após a decodificação LDPC indica diretamente a capacidade da câmera. Uma alta precisão indica baixa distorção inerente ou alta linearidade, tornando-a um bom receptor OCC.
5. Comparação: Repita para diferentes câmeras. A complexidade necessária da rede neural (profundidade $N_h$, largura $N_u$) torna-se um indicador da severidade da diafonia da câmera.

Esta estrutura vai além da análise de especificações técnicas para uma avaliação funcional e centrada na comunicação.

7. Aplicações Futuras e Direções

Aplicações:

• Posicionamento Interno de Precisão: O OCC de alta taxa de dados pode transmitir impressões digitais de localização complexas ou mapas juntamente com códigos de identificação.
• Vinculação de Realidade Aumentada (AR): Luzes inteligentes podem transmitir metadados sobre objetos ou obras de arte diretamente para câmeras de smartphones, permitindo AR contínua sem consulta na nuvem.
• IoT Industrial em áreas sensíveis a RF: Comunicação entre robôs, sensores e controladores em hospitais ou aeronaves usando a iluminação existente das instalações.
• Comunicação Subaquática: LEDs azul-verde usando CSK poderiam fornecer taxas de dados mais altas para veículos e sensores submersíveis.

Direções de Pesquisa:

• Aprendizado de Ponta a Ponta: Ir além de blocos separados (demodulação, equalização, decodificação) para uma única rede profunda treinada diretamente para minimização do BER.
• Compensação Dinâmica de Canal: Desenvolver NNs que possam se adaptar em tempo real a condições variáveis, como autoexposição da câmera, desfoque de movimento ou mudanças na luz ambiente.
• Padronização de Arquiteturas de NN: Propor modelos de NN leves e padronizados para equalização que possam ser implementados em hardware ou firmware de câmera.
• Integração com a Visão 6G: Posicionar o OCC como uma tecnologia complementar dentro da arquitetura de rede heterogênea do 6G, conforme explorado em white papers da Next G Alliance.

8. Referências

1. H.-W. Chen et al., "8-CSK data transmission over 4 cm," Relevant Conference, 2019.
2. C. Zhu et al., "16-CSK over 80 cm using a quadrichromatic LED," Relevant Journal, 2016.
3. N. Murata et al., "16-digital CSK over 100 cm based on IEEE 802.15.7," Relevant Conference, 2016.
4. P. Hu et al., "Tri-LEDs based 32-CSK over 3 cm," Relevant Journal, 2019.
5. R. Singh et al., "Tri-LEDs based 32-CSK," Relevant Conference, 2014.
6. J.-Y. Zhu et al., "Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks," IEEE International Conference on Computer Vision (ICCV), 2017. (Fonte externa para o conceito de tradução de domínio baseada em aprendizado)
7. IEEE Communications Society, "Visible Light Communication: A Roadmap for Standardization," Technical Report, 2022. (Fonte externa para desafios da indústria)
8. Next G Alliance, "6G Vision and Framework," White Paper, 2023. (Fonte externa para integração futura de redes)
9. "Commission Internationale de l'Eclairage (CIE) 1931 color space," Standard.
10. Sony Semiconductor Solutions Corporation, "IMX530 Sensor Datasheet," Technical Specification.