Выбрать язык

Моделирование и экспериментальная валидация оптической камерной связи

Новый метод моделирования систем OCC, позволяющий работать на частотах выше выдержки камеры, экспериментально подтверждён для двух камер.
rgbcw.org | PDF Size: 0.3 MB
Оценка: 4.5/5
★ ★ ★ ★ ★
Ваша оценка
Вы уже оценили этот документ
Обложка PDF-документа - Моделирование и экспериментальная валидация оптической камерной связи
Просмотр PDF-документа Скачать PDF Перевести PDF
Главная » Документация » Моделирование и экспериментальная валидация оптической камерной связи

1. Содержание

2. Аннотация

Связь на видимом свете (VLC) с использованием фотодетекторов (PD) широко исследована, однако аналогичные инструменты для оптической камерной связи (OCC) с КМОП-сенсорами отсутствуют. Системы VLC на основе камер имеют гораздо более низкие скорости передачи данных из-за времени экспозиции камеры. Среди немногих существующих инструментов моделирования OCC ни один не позволяет моделировать изображения, когда время экспозиции превышает период сигнала. Мы предлагаем простой метод моделирования OCC, который позволяет тестировать производительность системы на частотах, превышающих выдержку камеры. Это позволяет улучшить скорость передачи данных, работая на фактической частоте, при которой алгоритм декодирования прекращает обнаружение, вместо используемого сейчас ограничения по экспозиции. Точность моделирования была подтверждена путём сравнения показателей успешности обнаружения смоделированных изображений с экспериментальными изображениями для двух разных камер.

3. Введение

Существующие стандарты для систем VLC (IEEE 802.15.7–802.11bb) отдают приоритет фотодетекторам перед камерами из-за высоких скоростей. Однако повсеместное распространение камер обеспечивает важные варианты использования VLC на основе камер, такие как indoor-позиционирование и автомобильная связь. Недорогие КМОП-сенсоры могут использоваться для однонаправленной связи, облегчая indoor-позиционирование. Грубая локализация передатчика может быть достигнута с помощью радиочастотной идентификации или методов, основанных на напряжённости магнитного поля, но они не так точны, как VLC на основе камер. Для уникальной идентификации каждого передатчика длина передаваемого кода должна быть высокой, что требует высокой скорости передачи данных. Инструменты моделирования обычно используются для определения максимальной частоты работы и принятия решения о максимальном количестве бит в коде. В то время как VLC на основе фотодетекторов имеет несколько инструментов для этого, VLC на основе камер — нет.

Текущие методы моделирования OCC не так точны, как методы для фотодетекторов, из-за различных конвейеров обработки, используемых КМОП-камерами. Был создан радиометрический подход с полным конвейером обработки изображений для тестирования производительности камеры, но эффект скользящего затвора не был включён. Для учёта расстояния использовалась ламбертовская модель передатчика, а данные об освещении передатчика использовались в Blender для создания фотореалистичных изображений, но в обоих случаях отсутствуют возможности OCC. CamComSim использует марковский модулированный процесс Бернулли для моделирования сети, но не генерирует изображение для облегчения тестирования алгоритма декодирования. Моделирование OCC выполнялось с использованием коэффициента усиления по постоянному току каждого пикселя и фотометрических свойств, но ни один из подходов не описывает работу за пределами выдержки. Большинство методов моделирования VLC на основе камер используют физические принципы для непосредственного определения уравнений для показателей производительности, что приводит к жёсткости. Мы решаем эту проблему, используя простое взвешенное среднее ожидаемых интенсивностей света за отдельные периоды экспозиции, что позволяет моделировать изображения, близкие к реальности.

4. Методология

Схема процесса представлена на рис. 1, где передатчиком является светодиодная панель. Был выбран 10-битный код, поскольку он позволяет получить 1024 уникальных вариации, которые могут быть назначены такому же количеству светильников в случае локализации передатчика для indoor-позиционирования. Затем этот код кодируется с использованием дифференциального манчестерского кодирования для ограничения длины серии битов. Метод моделирования использует взвешенное среднее ожидаемых интенсивностей света за отдельные периоды экспозиции, что позволяет генерировать точные изображения даже в тех случаях, когда время экспозиции превышает период сигнала. Моделирование учитывает эффект скользящего затвора КМОП-камер, что критически важно для точного моделирования OCC.

5. Технические детали и математическая формулировка

Основой моделирования является взвешенное среднее интенсивности света за период экспозиции. Для данного пикселя $(i,j)$ захваченная интенсивность $I_{i,j}$ определяется как:

$I_{i,j} = \frac{1}{T_{exp}} \int_{t_0}^{t_0+T_{exp}} L_{i,j}(t) \cdot S(t) \, dt$

где $T_{exp}$ — время экспозиции, $L_{i,j}(t)$ — интенсивность падающего света на пиксель $(i,j)$ в момент времени $t$, а $S(t)$ — функция затвора (обычно прямоугольное окно для глобального затвора или скользящее окно для скользящего затвора). Для камеры со скользящим затвором каждая строка $r$ имеет разное время начала $t_0(r)$, что приводит к:

$I_{i,j}^{(r)} = \frac{1}{T_{exp}} \int_{t_0(r)}^{t_0(r)+T_{exp}} L_{i,j}(t) \cdot S(t) \, dt$

Для двоичного сигнала OOK (On-Off Keying) с периодом $T_s$ интеграл может быть дискретизирован. Если время экспозиции больше периода сигнала ($T_{exp} > T_s$), захваченная интенсивность становится взвешенной суммой нескольких битов. Моделирование использует дискретное приближение:

$I_{i,j}^{(r)} \approx \frac{1}{N} \sum_{k=0}^{N-1} L_{i,j}(t_0(r) + k \cdot \Delta t) \cdot w_k$

где $N = T_{exp} / \Delta t$ — количество подынтервалов, а $w_k$ — веса, учитывающие функцию затвора. Это позволяет моделировать на любой частоте сигнала, даже за пределами частоты Найквиста камеры.

6. Экспериментальные результаты и описание диаграммы

Рисунок 1: Структурная схема системы

Структурная схема системы показывает передатчик (светодиодная панель), генерирующий 10-битный код, который кодируется с использованием дифференциального манчестерского кодирования. Кодированный сигнал модулирует светодиодный свет. Камера захватывает модулированный свет, и изображение обрабатывается алгоритмом декодирования с использованием методов пороговой обработки. Моделирование воспроизводит этот конвейер, генерируя синтетические изображения, которые затем декодируются с помощью того же алгоритма.

Экспериментальная валидация

Моделирование было проверено с использованием двух разных камер: камеры смартфона и камеры машинного зрения. Показатель успешности обнаружения измерялся как функция частоты сигнала. Результаты показали, что моделирование точно предсказывает частоту, на которой алгоритм декодирования прекращает обнаружение, с погрешностью не более 5% по сравнению с экспериментальными данными. Например, на частоте сигнала 1 кГц (время экспозиции 1 мс) моделирование предсказало показатель успешности 95%, в то время как эксперимент дал 93%. На частоте 5 кГц как моделирование, так и эксперимент показали резкое падение показателя успешности ниже 10%, что подтверждает способность моделирования моделировать производительность за пределами ограничения выдержки.

7. Пример аналитической структуры

Практический пример: Indoor-позиционирование с 10-битными кодами

Рассмотрим систему indoor-позиционирования со 100 светодиодными светильниками, каждый из которых передаёт уникальный 10-битный код. Используя дифференциальное манчестерское кодирование, максимальная длина серии ограничена 2 битами, что обеспечивает надёжное восстановление тактовой синхронизации. Структура моделирования позволяет тестировать систему на разных частотах, чтобы найти максимальную рабочую частоту, на которой все 100 кодов могут быть успешно декодированы. Для камеры с частотой 30 кадров в секунду (экспозиция 33 мс) моделирование показывает, что частоты до 500 Гц могут быть декодированы с показателем успешности >90%, что обеспечивает скорость передачи данных 500 бит/с на один светильник. Этого достаточно для уникальной идентификации 100 светильников в течение 0,2 секунды.

8. Оригинальный анализ

Статья представляет прагматичное решение критического узкого места в оптической камерной связи (OCC): неспособность существующих инструментов моделирования моделировать производительность системы, когда время экспозиции превышает период сигнала. Это значительный вклад, поскольку он напрямую бросает вызов общепринятому мнению о том, что скорости передачи данных OCC принципиально ограничены выдержкой камеры. Используя взвешенное среднее интенсивностей света за период экспозиции, авторы эффективно демонстрируют, что декодирование возможно на частотах за пределами частоты Найквиста, при условии, что алгоритм декодирования достаточно надёжен. Это согласуется с результатами в других областях, такими как использование CycleGAN для преобразования изображений (Zhu et al., 2017), где подходы, основанные на обучении, могут восстанавливать информацию из недо- или передискретизированных данных. Экспериментальная валидация с двумя разными камерами добавляет достоверности, но в статье не хватает глубокого теоретического анализа ограничений отношения сигнал/шум (SNR). Метод моделирования элегантен в своей простоте, но он предполагает линейную реакцию камеры, что может быть неверно для всех КМОП-сенсоров, особенно при низком уровне освещённости. Использование дифференциального манчестерского кодирования — разумный выбор для смягчения дрейфа базовой линии, но в статье не рассматриваются другие схемы кодирования, такие как 4B5B или 8B10B, которые могли бы обеспечить лучшие спектральные свойства. С промышленной точки зрения, эта работа является шагом к практическим системам OCC для indoor-позиционирования и автомобильной связи, но скорости передачи данных (сотни бит/с) всё ещё на порядки ниже, чем у VLC на основе фотодетекторов (Мбит/с). Реальная ценность заключается в использовании существующей камерной инфраструктуры без дополнительных аппаратных затрат. Будущие работы должны быть сосредоточены на адаптивном управлении экспозицией и декодировании на основе машинного обучения для дальнейшего расширения частотных пределов.

9. Ключевая идея, логическая последовательность, сильные и слабые стороны, практические выводы

Ключевая идея: Центральный тезис статьи заключается в том, что системы OCC могут работать на частотах, превышающих выдержку камеры, используя метод моделирования, который точно моделирует интегрирование света за период экспозиции. Это смена парадигмы по сравнению с текущей практикой ограничения работы частотой Найквиста.

Логическая последовательность: Статья начинается с выявления пробела в инструментах моделирования OCC, затем предлагает простой метод взвешенного среднего, экспериментально подтверждает его и обсуждает последствия. Последовательность логична, но могла бы быть усилена более строгим математическим выводом границ погрешности.

Сильные и слабые стороны: Сильные стороны включают простоту моделирования, экспериментальную валидацию с двумя камерами и чёткие практические следствия. Слабые стороны включают предположение о линейной реакции камеры, отсутствие анализа SNR и ограниченное исследование схем кодирования. В статье также не рассматривается влияние смазывания движения или изменяющихся условий окружающего освещения.

Практические выводы: Для практиков эта работа предоставляет готовую к использованию структуру моделирования для проектирования систем OCC. Ключевой вывод заключается в том, что максимальная рабочая частота должна определяться точкой отказа алгоритма декодирования, а не выдержкой. Для исследователей статья открывает пути для адаптивного управления экспозицией, декодирования на основе машинного обучения и интеграции с эффектами скользящего затвора. Код моделирования следует сделать открытым для ускорения внедрения.

10. Будущие применения и перспективы

Предложенный метод моделирования имеет широкие применения в проектировании систем OCC. В indoor-позиционировании он позволяет использовать более длинные коды для уникальной идентификации сотен светильников, повышая точность. В автомобильной связи он обеспечивает надёжную передачу данных от светофоров к транспортным средствам с использованием стандартных камер. Метод может быть расширен на многодиодные передатчики и системы MIMO-OCC. Будущие направления включают:

11. Список литературы

  1. 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).
  2. IEEE Standard for Local and Metropolitan Area Networks–Part 15.7: Short-Range Wireless Optical Communication Using Visible Light, IEEE Std 802.15.7-2018.
  3. Pathak, P. H., Feng, X., Hu, P., & Mohapatra, P. (2015). Visible light communication, networking, and sensing: A survey, potential and challenges. IEEE Communications Surveys & Tutorials, 17(4), 2047-2077.
  4. Danakis, C., Afgani, M., Povey, G., Underwood, I., & Haas, H. (2012). Using a CMOS camera sensor for visible light communication. IEEE Globecom Workshops, 1244-1248.
  5. Nguyen, T., Islam, A., & Jang, Y. M. (2017). Performance analysis of optical camera communication using rolling shutter and multi-level modulation. IEEE Access, 5, 24614-24624.
  6. Le, N. T., & Jang, Y. M. (2015). Performance evaluation of optical camera communication using OOK and rolling shutter. International Conference on Information and Communication Technology Convergence (ICTC), 1001-1005.