Uthibitishaji wa Kwanza wa Uchanganuzi wa Mawimbi ya 512-Color Shift Keying Kwa Kutumia Usawa wa Neural kwa Mawasiliano ya Kamera ya Mwanga

Orodha ya Yaliyomo

1. Utangulizi na Muhtasari

Makala hii inawasilisha uthibitishaji wa kwanza wa majaribio ya usafirishaji wa mawimbi ya 512-Color Shift Keying (512-CSK) kwa Mawasiliano ya Kamera ya Mwanga (OCC). Mafanikio makuu ni uchanganuzi usio na makosa kwa umbali wa mita 4 kwa kutumia moduli ya kichaguzi cha picha cha Sony IMX530 CMOS ya kibiashara iliyoshikamana na lenzi ya mm 50 na mtandao wa neva maalum wa uainishaji wenye lebo nyingi unaofanya kazi kama kielelezo cha usawa kisicho cha mstari. Kazi hii inasukuma kikomo cha msongamano wa data ya OCC, ikihama kutoka kwa miradi ya 8, 16, au 32-CSK iliyothibitishwa hapo awali hadi kwenye ulimwengu wa urekebishaji wa hali ya juu wa rangi 512 (9 bits/symbol).

Utafiti huu unashughulikia changamoto ya msingi katika OCC: kuingiliwa kwa rangi kati ya rangi unaosababishwa na usikivu usio bora wa wigo wa vichungi vya kamera vya RGB, ambavyo vinapotosha nyota ya CSK iliyosafirishwa kulingana na nafasi ya rangi ya CIE 1931. Kielelezo cha usawa cha neva kinapendekeza kulipa fidia moja kwa moja kwa upotoshaji huu usio wa mstari kutoka kwa data ghafi ya kichaguzi, na kuepuka hitaji la miundo changamano ya usindikaji wa mawimbi ya mstari.

2. Mfumo wa Kiufundi

2.1 Usanidi na Uwekaji wa Kipokeaji

Mfumo wa kipokeaji umejengwa karibu na mfumo wa kamera wa Sony Semiconductor Solutions unaoweza kutoa data ghafi ya RGB ya biti 12 bila usindikaji wowote wa baadaye (kutenganisha rangi, kuondoa kelele, usawa wa nyeupe). Data hii ghafi ni muhimu kwa ajili ya urejesho sahihi wa rangi. Mawimbi hupatikana kupitia lenzi ya macho ya mm 50 kutoka kwa kipeperushi cha safu ya gorofa ya LED ya 8x8 (paneli ya cm 6.5). Thamani za RGB zilizopokelewa hubadilishwa kwanza kuwa viwianishi vya rangi vya CIE 1931 (x, y) kwa kutumia matriki ya kawaida ya mabadiliko ya nafasi ya rangi kabla ya kuingizwa kwenye kielelezo cha usawa cha neva.

2.2 Muundo wa Kielelezo cha Usawa cha Mtandao wa Neva

Kiini cha mfumo wa uchanganuzi ni mtandao wa neva wenye lebo nyingi. Madhumuni yake ni kutekeleza usawa usio wa mstari, kuchora ramani ya viwianishi (x, y) vilivyopokelewa vilivyopotoshwa kurudi kwenye alama ya biti 9 iliyowezekana zaidi kusafirishwa (kwa 512-CSK).

• Safu ya Ingizo: Vipande 2 (viwianishi vya rangi vya x, y).
• Safu Zilizofichwa: N_h safu zilizo na N_u vipande kila moja (maelezo maalum ya muundo yanamaanishwa lakini hayajaorodheshwa kikamilifu katika dondoo).
• Safu ya Matokeo: M = vipande 9, vinavyolingana na biti 9 za alama ya 512-CSK. Mtandao umefunzwa kwa ajili ya uainishaji wenye lebo nyingi.

Mtandao huo hutoa usambazaji wa uwezekano wa baadaye $p(1|x, y)$ kwa kila biti. Uwiano wa Log-Likelihood (LLR) huhesabiwa kutoka kwa uwezekano huu na kisha kufasiriwa na kifasiri cha Low-Density Parity-Check (LDPC) kwa ajili ya marekebisho ya mwisho ya makosa.

2.3 Uchoraji wa Ramani ya Nyota 512-CSK

Alama 512 zimewekwa kwa mkakati ndani ya gamut ya CIE 1931 ya kipeperushi cha RGB-LED. Uchoraji wa ramani huanza kutoka kwenye kipeo kinacholingana na rangi ya msingi ya bluu $(x=0.1805, y=0.0722)$ na kujaza nafasi inayopatikana kwa "njia ya pembetatu." Hii inaonyesha algorithm bora ya kufunga ili kuongeza umbali wa Euclidean kati ya pointi za nyota ndani ya gamut halisi ya rangi, ambayo ni muhimu sana kwa kupunguza kiwango cha makosa ya alama.

3. Matokeo ya Majaribio na Uchambuzi

3.1 Utendaji wa BER dhidi ya Ukubwa wa Safu ya LED

Jaribio lilibadilisha idadi ya LED zinazofanya kazi katika safu ya kipeperushi kutoka 1x1 hadi 8x8. Hii hubadilisha kwa ufanisi ukubwa wa mwanga na eneo ambalo mawimbi huchukua kwenye kichaguzi cha picha. Tabia ya Kiwango cha Makosa ya Biti (BER) ilitathminiwa dhidi ya tofauti hii. Uendeshaji mafanikio usio na makosa unaonyesha uthabiti wa kielelezo cha usawa cha neva katika nguvu tofauti za mawimbi yaliyopokelewa na wasifu wa anga. Matumizi ya safu kamili ya 8x8 yanaweza kutoa utendaji bora zaidi kwa kupata wastani wa pikseli nyingi na kupunguza athari ya kelele.

3.2 Ulinganisho na Kazi ya Zamani

Makala hii inajumuisha takwimu ya muhtasari (Kielelezo 1(c)) inayolinganisha kazi hii na uthibitishaji wa zamani wa OCC-CSK. Tofauti kuu ni:

• Agizo la Urekebishaji: 512-CSK inazidi kwa kiasi kikubwa 8-CSK [1], 16-CSK [2,3], na 32-CSK [4,5] zilizoripotiwa katika kazi za majaribio za zamani.
• Umbali: Uendeshaji wa mita 4 una ushindani, haswa ukizingatia agizo la juu la urekebishaji. Iko kati ya uthibitishaji wa umbali mfupi sana (3-4 cm) wa hali ya juu na uthibitishaji wa umbali mrefu (80-100 cm) wa hali ya chini.
• Mbinu: Matumizi ya mtandao wa neva kwa ajili ya usawa wa moja kwa moja usio wa mstari kutoka kwa data ghafi ya kichaguzi ni njia mpya na inayoweza kutumika zaidi ikilinganishwa na mbinu za kulipa fidia za mstari zinazotegemea mfano.

4. Uchambuzi Mkuu na Ufafanuzi wa Mtaalamu

Ufahamu Mkuu: Makala hii sio tu kuhusu kufikia idadi kubwa ya rangi; ni mabadiliko ya kimkakati kutoka kwa uundaji wa kwanza wa fizikia hadi kujifunza kwa kwanza kwa data katika urejesho wa mawimbi ya mwanga. Waandishi wanakubali kwa dhati kwamba mchakato changamano, usio wa mstari wa upotoshaji katika kamera (kuingiliwa kwa kichungi, kutokuwa na mstari wa kichaguzi, kasoro za lenzi) unashughulikiwa vyema na kikadirishi cha kazi ya ulimwengu wote (mtandao wa neva) kuliko na mfano wa uchambuzi uliochambuliwa kwa uangalifu lakini ambao haukamiliki. Hii inafanana na mabadiliko yanayoonekana katika nyanja zingine kama vile mawasiliano ya waya, ambapo Kujifunza kwa kina kinatumiwa zaidi kwa usawa wa njia na ugunduzi wa alama katika njia changamano, zisizo za mstari.

Mtiririko wa Mantiki: Mantiki ni ya kulazimisha: 1) CSK ya hali ya juu inahitajika kwa ufanisi. 2) CSK ya hali ya juu ni nyeti sana kwa upotoshaji wa rangi. 3) Upotoshaji wa rangi wa kamera ni changamano na sio wa mstari. 4) Kwa hivyo, tumia kielelezo cha kulipa fidia kisicho cha mstari (NN) kilichofunzwa mwisho hadi mwisho kwenye data halisi. Matumizi ya data ghafi ya kichaguzi ni hatua bora—hutoa mtandao wa neva na kiwango cha juu cha habari isiyobadilishwa kabla ya Kichakataji cha Mawimbi ya Picha (ISP) cha kamera kuanzisha mabadiliko yake mwenyewe, ambayo mara nyingi ni ya kibiashara na hayabadilishwi. Njia hii inakumbusha falsafa ya upigaji picha wa kisasa wa kompyuta, ambapo algorithm hufanya kazi kwenye data ghafi ya kichaguzi kwa ajili ya kubadilika kwa kiwango cha juu.

Nguvu na Kasoro: Nguvu kuu ni mruko mkubwa katika ufanisi wa wigo, ukithibitisha kwa majaribio kile kilichokuwa tu eneo la uigizaji. Kielelezo cha usawa cha neva ni cha kifahari na chenye nguvu. Hata hivyo, kasoro—ya kawaida kwa makala nyingi za mawasiliano zinazotegemea ML—ni hali ya "sanduku nyeusi." Makala hayajichunguza kina muundo wa NN, ukubwa wa data ya mafunzo, au uwezo wa kujumlisha kwa kamera tofauti, lenzi, au hali ya mwanga wa mazingira. Je, mtandao utahitaji kufunzwa tena kwa kila modeli mpya ya kipokeaji? Kama ilivyoelezwa katika ukaguzi muhimu wa mashine ya kujifunza kwa mawasiliano na O'Shea & Hoydis, utendaji wa vipokeaji vinavyotegemea DL unategemea uthabiti wao na uwezo wa kukabiliana na mabadiliko ya hali. Zaidi ya hayo, umbali wa mita 4, ingawa ni mzuri, bado unaonyesha kikomo cha nguvu/SNR. Kutegemea kifasiri cha LDPC kwa utendaji wa mwisho usio na makosa kinaonyesha kwamba kiwango cha makosa ya alama ghafi kwenye matokeo ya NN sio sifuri, na kusababisha maswali kuhusu utendaji wa kielelezo cha usawa peke yake chini ya SNR ya chini.

Ufahamu Unaoweza Kutekelezeka: Kwa watafiti, hatua inayofuata wazi ni kufungua sanduku nyeusi. Chunguza miundo ya NN (CNN inaweza kushughulikia vyema tofauti za anga kwenye kichaguzi), chunguza kujifunza kwa michache au uhamishaji wa maarifa ili kukabiliana na vifaa vipya, na kuunganisha kielelezo cha usawa na marekebisho ya makosa ya mbele katika muundo wa kina zaidi, kama turbo. Kwa sekta, kazi hii inaonyesha kwamba VLC ya kasi ya juu ya data, isiyo na kuwashwa kwa mara kwa mara kwa kutumia kamera za kawaida inakaribia ukweli zaidi. Ushirikiano na Sony kwa ajili ya kichaguzi ni muhimu; uuzaji wa bidhaa utategemea kuingiza usindikaji kama huo wa neva kwa ufanisi ndani ya ASICs za kamera au kutumia vihimili vya AI tayari vilivyopo kwenye simu za mkononi. Kawaida ya kuangalia ni IEEE 802.15.7r1 (OCC), na michango kama hii inaweza kuathiri moja kwa moja ukuzaji wake.

5. Maelezo ya Kiufundi na Uundaji wa Hisabati

Ubadilishaji wa Nafasi ya Rangi: Ubadilishaji kutoka kwa thamani za RGB zilizopokelewa (kutoka kwa kichaguzi ghafi) hadi viwianishi vya xy vya CIE 1931 hufanywa kwa kutumia matriki ya kawaida inayotokana na sifa za wigo za kichaguzi ikilinganishwa na mwangalizi wa kawaida wa CIE. Makala hutoa matriki maalum iliyotumika: $$ \begin{pmatrix} x \\ y \end{pmatrix} = \begin{pmatrix} 0.4124 & 0.3576 & 0.1805 \\ 0.2126 & 0.7152 & 0.0722 \end{pmatrix} \begin{pmatrix} R \\ G \\ B \end{pmatrix} $$ Hii ni mabadiliko rahisi ya mstari. Kwa mazoezi, mfano sahihi zaidi unaweza kuhitaji uchoraji wa ramani usio wa mstari au matriki iliyobinafsishwa kwa vichungi vya rangi vya kichaguzi maalum.

Matokeo ya Mtandao wa Neva hadi LLR: NN yenye lebo nyingi hutoa uwezekano $p_i(1|x, y)$ kwamba biti ya $i$-th (kati ya 9) ni '1'. Uwiano wa Log-Likelihood (LLR) $L_i$ kwa biti hiyo, unaoingizwa kwenye kifasiri cha LDPC, huhesabiwa kama: $$ L_i = \log \left( \frac{p_i(1|x, y)}{1 - p_i(1|x, y)} \right) $$ LLR kubwa chanya inaonyesha ujasiri mkubwa kwamba biti ni 1, thamani kubwa hasi inaonyesha ujasiri mkubwa kwamba ni 0.

6. Mfumo wa Uchambuzi na Mfano wa Kesi

Mfumo: Mfereji wa "Kipokeaji Kilichojifunza" kwa OCC

Utafiti huu unatoa mfano wa muundo wa kisasa wa "kipokeaji kilichojifunza" unaoweza kutumika zaidi ya OCC. Mfumo unaweza kugawanywa katika vizuizi vya mlolongo, vinavyoweza kuboreshwa:

1. Upokeaji wa Data Unaotambua Vifaa: Pakua mawimbi katika hatua ya mapema zaidi, ya ghafi zaidi katika mnyororo wa usindikaji (k.m., data RAW ya kichaguzi, sampuli za RF I/Q).
2. Usindikaji wa Awali Unaoweza Kutofautishwa: Tumia usindikaji wa chini, unaohitajika (k.m., ubadilishaji wa nafasi ya rangi, usawazishaji) kwa njia ambayo inaweza kutofautishwa ili kuruhusu mtiririko wa gradient ikiwa mafunzo yatakuwa mwisho hadi mwisho.
3. Kiini cha Mtandao wa Neva: Tumia mtandao wa neva (MLP, CNN, Transformer) kutekeleza kazi kuu ya uchanganuzi/usawa. Mtandao hufunzwa na kazi ya hasara ambayo hupunguza moja kwa moja kiwango cha makosa ya alama au biti, mara nyingi kwa kutumia hasara ya msalaba wa entropy kwa ajili ya kazi za uainishaji.
4. Ufasiri Mseto: Unganisha matokeo laini ya mtandao wa neva (uwezekano, LLRs) na kifasiri cha kisasa, kisicho cha neva cha kusahihisha makosa (kama kifasiri cha LDPC au Polar code). Hii inachanganya kubadilika kwa kujifunza na ukamilifu uliothibitishwa wa nadharia ya usimbaji ya kitamaduni.

Mfano wa Kesi Isiyo ya Nambari: Kutumia Mfumo Huu kwa VLC ya Chini ya Maji

Fikiria kutumia mfumo huu huo kwa Mawasiliano ya Mwanga Unaonekana Chini ya Maji (UVLC), ambayo inakabiliwa na uharibifu mkubwa wa njia kama vile mtawanyiko na kupungua kwa mawimbi kutokana na mivurugiko. "Kipokeaji Kilichojifunza" kwa UVLC kinaweza kujengwa kama ifuatavyo:

• Hatua ya 1: Tumia kigunduzi cha picha cha kasi ya juu au kamera inayopakua mlolongo wa ukubwa wa mwanga ghafi.
• Hatua ya 2: Fanya usindikaji wa awali ili kutenganisha eneo la mawimbi la kupendeza na kutekeleza usawazishaji wa mbaya.
• Hatua ya 3: Funza Mtandao wa Neva wa Convolutional 1D (CNN) au Mtandao wa Neva wa Kurudia (RNN) kama LSTM kwenye data hii ya mlolongo ghafi. Kazi ya mtandao ni kusawazisha athari za njia zinazobadilika kwa wakati na kuchora ramani ya alama. Data ya mafunzo ingekusanywa chini ya hali mbalimbali za utata wa maji na mivurugiko.
• Hatua ya 4: Mtandao hutoa maamuzi laini kwa kifasiri cha FEC, na kuwezesha mawasiliano thabiti katika njia yenye mabadiliko makubwa ambapo makadirio ya njia ya kitamaduni yameshindwa.

7. Matumizi ya Baadaye na Mwelekeo wa Utafiti

• Li-Fi Inayotegemea Simu ya Mkononi: Lengo kuu ni kuunganisha teknolojia hii ndani ya simu za mkononi kwa ajili ya uhamisho wa data salama, wa kasi ya juu wa mtandani wa wenza au uwekaji wa nafasi ndani ya nyumba kwa usahihi wa kiwango cha sentimita, kwa kutumia vifaa vya kamera vilivyopo.
• Mawasiliano ya V2X ya Magari: Kwa kutumia taa za mbele/nyuma za gari na kamera kwa Mawasiliano ya Gari-kwa-Kila Kitu (V2X), na kutoa kiungo cha data cha ziada, thabiti kinachosaidia DSRC/C-V2X inayotegemea RF.
• Vichungi vya AR/VR na Metaverse: Kuwezesha viungo vya data vya latensi ya chini, bandwidth ya juu kati ya miwani ya AR na miundombinu au kati ya vifaa kwa ajili ya uzoefu wa pamoja uliosawazishwa.
• Mwelekeo wa Utafiti:
  1. Mifumo Iliyojifunza Mwisho hadi Mwisho: Kuchunguza uboreshaji wa pamoja wa umbo la nyota la kipeperushi (kupitia mtandao wa neva) na kielelezo cha usawa cha kipokeaji, sawa na dhana ya mawasiliano ya "autoencoder".
  2. Uthabiti na Usanifishaji: Kuunda miundo ya kipokeaji ya neva ambayo ni thabiti kwa aina tofauti za kamera, mwanga wa mazingira, na kufunikwa kwa sehemu. Hii ni muhimu sana kwa juhudi za usanifishaji kama vile IEEE 802.15.7.
  3. OCC ya Kasi ya Juu Sana: Kuchanganya CSK ya hali ya juu na mbinu za urekebishaji wa rolling-shutter au anga kwa kutumia kamera za kiwango cha juu cha sura au zinazotegemea tukio ili kuvunja kizuizi cha Gbps.
  4. Mawasiliano ya Semantiki: Kuhamia zaidi ya urejesho wa biti, kwa kutumia kiungo cha OCC kusafirisha habari ya semantiki (k.m., vitambulisho vya kitu, data ya ramani) moja kwa moja, na kuboresha kwa ajili ya mafanikio ya kazi badala ya kiwango cha makosa ya biti.

8. Marejeo

1. H.-W. Chen na wengine, "Usafirishaji wa data ya 8-CSK zaidi ya cm 4," Mkutano/Jarida Linalofaa, 2019.
2. C. Zhu na wengine, "16-CSK zaidi ya cm 80 kwa kutumia LED ya quadrichromatic," Mkutano/Jarida Linalofaa, 2016.
3. N. Murata na wengine, "CSK ya kidijitali 16 zaidi ya cm 100 kulingana na IEEE 802.15.7," Mkutano/Jarida Linalofaa, 2016.
4. P. Hu na wengine, "32-CSK inayotegemea Tri-LEDs zaidi ya cm 3," Mkutano/Jarida Linalofaa, 2019.
5. R. Singh na wengine, "32-CSK inayotegemea Tri-LEDs," Mkutano/Jarida Linalofaa, 2014.
6. O'Shea, T., & Hoydis, J. (2017). "Utangulizi wa Kujifunza kwa kina kwa Safu ya Kimwili." IEEE Transactions on Cognitive Communications and Networking. (Chanzo cha nje chenye mamlaka kuhusu ML kwa mawasiliano)
7. Kiwango cha IEEE cha Mitandao ya Eneo la Ndani na Jiji--Sehemu ya 15.7: Mawasiliano ya Wayelessi ya Mwanga ya Umbali Mfupi. IEEE Std 802.15.7-2018. (Kiwango cha nje chenye mamlaka)
8. Commission Internationale de l'Eclairage (CIE). (1931). Commission internationale de l'éclairage proceedings, 1931. Cambridge: Cambridge University Press. (Chanzo cha nje chenye mamlaka kwa sayansi ya rangi)
9. Sony Semiconductor Solutions Corporation. IMX530 Sensor Datasheet. (Chanzo cha nje chenye mamlaka cha vifaa)
10. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Kujifunza kwa kina. MIT Press. (Chanzo cha nje chenye mamlaka kuhusu mitandao ya neva)