Utekelezaji wa Kwanza wa Ufumbuzi wa Ishara ya Ubadilishaji Rangi 512 Kwa Kutumia Usawa wa Neural kwa Mawasiliano ya Kamera ya Mwanga

Orodha ya Yaliyomo

1. Introduction & Overview

Karatasi hii inawasilisha uonyeshaji wa majaribio ya kuvunja-ardhi ya 512-Color Shift Keying (512-CSK) kwa Mawasiliano ya Kamera ya Mwanga (OCC). Mafanikio ya msingi ni udemodulation wa kwanza usio na makosa wa mpango wa urekebishaji wa hali ya juu kama hiyo kwa umbali wa mita 4, ukishinda changamoto kubwa ya crosstick isiyo ya mstari iliyomo katika vipokeaji vinavyotegemea kamera kupitia matumizi ya uvumbuzi wa equalizer yenayotumika neural network (NN) yenye lebo nyingi.

OCC imewekwa kama teknolojia ya mawasiliano ya kioo ya kizazi kijacho, ikitumia vichunguzi vya picha vya CMOS vilivyoko kila mahali katika simu mahiri na vifaa. Mwelekeo mkuu wa utafiti umekuwa kuongeza viwango vya data, vilivyozuiwa na viwango vya sura za kamera. CSK hubadilisha data kuwa mabadiliko ya rangi kutoka kwa kisambazaji cha RGB-LED, yaliyowekwa ndani ya nafasi ya rangi ya CIE 1931. CSK ya hali ya juu (mfano, 512-CSK) inaahidi ufanisi mkubwa wa wigo lakini inakwamishwa sana na msogeano wa rangi-kati-rangi unaosababishwa na usikivu wa wigo wa kamera na vichujio rangi.

Mfumo wa Kiufundi

2.1 Receiver Configuration & Hardware

The receiver system is built around a Sony IMX530 CMOS image sensor module, chosen for its ability to output Data ya asili ya RGB yenye biti 12 bila usindikaji wa baadae (demosaicing, kupunguza kelele, usawa wa rangi nyeupe). Data hii ya asili ni muhimu sana kwa urejesho sahihi wa ishara. Ishara inakamatwa kupitia lenzi ya macho ya mm 50. Kisambaza ni safu ya 8×8 ya RGB-LED ya umbo la gorofa (ukubwa wa paneli: 6.5 cm).

2.2 Signal Processing & Neural Equalization

Mchakato wa usindikaji ni kama ifuatavyo:

1. Upataji wa Data Ghafi: Kamata thamani za RGB zisizosindikwa kutoka kwa sensor.
2. Ubadilishaji Nafasi ya Rangi: Transform RGB to CIE 1931 (x, y) chromaticity coordinates using a standard matrix: $\begin{pmatrix} x \\ y \end{pmatrix} = \begin{pmatrix} 0.4124 & 0.3576 & 0.1805 \\ 0.2126 & 0.7152 & 0.0722 \end{pmatrix} \begin{pmatrix} R \\ G \\ B \end{pmatrix}$.
3. Usawa wa Mtandao wa Neva: Viwianishi (x, y) vinatolewa kwenye NN yenye lebo nyingi. Mtandao huu umeundwa kujifunza na kulipa fidia kwa mazungumzo yasiyo ya mstari kati ya njia za rangi. Ina vitengo 2 vya kuingiza (x, y), tabaka $N_h$ zilizofichwa zenye vitengo $N_u$, na vitengo M=9 vya kutolea (vinavyolingana na bits 9 kwa ishara kwa 512-CSK).
4. Demodulation & Decoding: Mtandao wa Neural unatoa usambazaji wa uwezekano wa baadae. Uwiano wa Log-Likelihood (LLR) huhesabiwa kutokana na hili na kuingizwa kwenye kichanganuzi cha LDPC kwa marekebisho ya makosa ya mwisho.

Alama za kundi la nyota za 512-CSK zimepangwa kwa mpangilio katika muundo wa pembetatu kwenye mchoro wa CIE 1931, kuanzia kwenye kipeo cha bluu (x=0.1805, y=0.0722).

3. Experimental Results & Analysis

3.1 Utofauti wa Utendaji wa BER dhidi ya Ukubwa wa Safu ya LED

Uchunguzi ulibadilisha idadi ya LED zinazofanya kazi katika safu kutoka 1×1 hadi 8×8 ili kutathmini Kiwango cha Hitilafu ya Bit (BER) kama utendakazi wa ukubwa wa mwanga uliopokelewa (eneo katika picha). Umbali wa usambazaji uliwekwa kwa mita 4. Matokeo yalionyesha kuwa kiwango cha usawa cha neva kilikuwa muhimu kwa kufikia utendaji usio na makosa kwa safu kamili ya 8×8, kuzuia kwa ufanisi msongamano ambao huongezeka kwa nguvu ya ishara na eneo.

3.2 Vipimo Muhimu vya Utendaji

• Modulation Order: 512-CSK (9 bits/symbol), rekodi ya juu kwa maonyesho ya majaribio ya OCC.
• Umbali: Mita 4, inaonyesha masafa ya vitendo.
• Kichocheo Muhimu: Usawa usio na mstari unaotegemea mtandao wa neva unaotumika moja kwa moja kwenye data ghafi ya sensor.
• Ulinganisho: Kazi hii inaendelea kwa kiasi kikubwa zaidi kuliko maonyesho ya awali (8-CSK, 16-CSK, 32-CSK) katika mpangilio wa usimbaji na usanifu wa mbinu ya fidia.

4. Core Analysis & Expert Interpretation

Ufahamu wa Kiini: Karatasi hii siyo tu kuhusu kuongeza CSK hadi rangi 512; ni uthibitisho wa dhati wa dhana kwamba usindikaji wa ishara za neva unaoendeshwa na data ndio ufunguo wa kufungua OCC ya utendaji wa juuWaandishi wamebainisha kwa usahihi kwamba kikwazo cha msingi sio LED wala sensor, bali ni mabadiliko changamano, yasiyo ya mstari katika kituo. Suluhisho lao—kupuuza sawazishaji laini ya jadi kwa NN yenye lebo nyingi—ni mabadiliko ya kina na yenye nguvu katika falsafa ya muundo, yanayoakisi mafanikio ya vipokezi vya neva katika mawasiliano ya RF [1].

Mtiririko wa Mantiki: Mantiki yake ni thabiti: 1) CSK ya mpangilio wa juu inahitajika kwa kasi, 2) Uingiliaji kati wa kamera huua CSK ya mpangilio wa juu, 3) Uingiliaji huu kati ni tata na usio na mstari, 4) Kwa hivyo, tumia kikadiriaji cha utendakazi ulimwenguni (mtandao wa neva) kuiondoa. Matumizi ya data ghafi ya sensor ni undani muhimu, unaopuuzwa mara nyingi. Inaepuka upotezaji wa habari na uharibifu ulioletwa na kichakataji cha ishara ya ndani ya kamera (ISP), desturi inayolingana na kanuni bora katika utafiti wa upigaji picha wa kikokotoa kutoka taasisi kama MIT Media Lab.

Strengths & Flaws: Nguvu kuu ni ushirikiano mzuri wa kijenzi cha kisasa cha ML kwenye mkusanyiko wa mawasiliano ya tabaka la kimwili, ukifikia rekodi iliyotajwa. Uthibitishaji wa majaribio ni wazi. Hata hivyo, uchambuzi una kasoro za kawaida za uonyeshaji wa mapema: Hakuna kutajwa kwa kiwango cha data (bits/sec), ni ufanisi wa wigo tu (bits/symbol). Athari halisi ya utoaji wa mafanikio bado haijaelezwa wazi. Zaidi ya hayo, utata wa NN, mahitaji ya data ya mafunzo, na uwezo wake wa kujumlisha kwa kamera au mazingira tofauti bado haujachunguzwa—vizuizi muhimu kwa kusanifishwa na kibiashara.

Ufahamu Unaoweza Kutekelezwa: Kwa watafiti, njia ni wazi: Zingatia miundo nyepesi, inayobadilika ya neva kwa usawa wa wakati halisi. Ulinganishi unapaswa kujumuisha uwezo halisi wa utekelezaji na ucheleweshaji. Kwa tasnia (mfano, Kikundi cha Kazi cha IEEE P802.15.7r1 OCC), utafiti huu unatoa ushahidi thabiti wa kuzingatia vipokezi vya msingi wa neva katika viwango vya baadaye, lakini lazima iunganishwe na upimaji mkali wa ushirikiano wa utendaji. Hatua inayofuata ni kuhamia kutoka kwa usanidi thabiti wa maabara hadi kwenye hali ya mienendo, labda kwa kutumia mbinu zilizochochewa na urekebishaji wa kikoa cha mtindo wa CycleGAN [2] ili kuruhusu NN kulipa fidia kwa hali tofauti za mwanga wa mazingira, changamoto ngumu zaidi kuliko msukosuko thabiti.

5. Technical Details & Mathematical Formulation

The core signal processing involves two key transformations:

1. RGB to CIE 1931 Conversion: $\begin{pmatrix} x \\ y \end{pmatrix} = \mathbf{M} \cdot \begin{pmatrix} R \\ G \\ B \end{pmatrix}$ where $\mathbf{M}$ is the predefined matrix: $\mathbf{M} = \begin{pmatrix} 0.4124 & 0.3576 & 0.1805 \\ 0.2126 & 0.7152 & 0.0722 \end{pmatrix}$. This maps device-dependent RGB values to an absolute color space.

2. Neural Network as Equalizer: The NN learns the function $f_{\theta}$ that maps distorted received coordinates $(x', y')$ to the posterior probability $P(\text{symbol}_i | x', y')$ for all 512 symbols. The parameters $\theta$ are trained to minimize a cross-entropy loss between the predicted probabilities and the known transmitted symbols. The LLR for the $k$-th bit is then approximated as:

6. Analysis Framework & Case Example

Framework for Evaluating OCC Advances: To critically assess any new OCC paper, we propose a four-dimensional analysis framework:

1. Ufanisi wa Spectro-Spatial (Bits/Kipengele): Kiwango cha data kinachopatikana (bps) ni kipi na hutumia rasilimali zipi (upana wa mzunguko, saizi za anga, wakati)? Karatasi hii ina alama ya juu kwenye ufanisi wa wigo (bits/ishara) lakini inakosa takwimu halisi ya bps.
2. Robustness & Practicality: Ni vikwazo gani vya uendeshaji (umbali, uunganisho, mwanga wa mazingira)? Mita 4 ni nzuri, lakini hali ya kusimama ni kikwazo.
3. System Complexity & Cost: Je, gharama ya suluhisho ni nini? Kisanidishi cha neva huongeza gharama ya hesabu na mzigo wa mafunzo.
4. Uwezekano wa Kusanifishwa: Mbinu hii inaweza kurudiwa na kuingiliana kwa kiwango gani? Kutegemea data ghafi na NN iliyofunzwa kwa sasa kunapunguza alama hii.

Mfano wa Kesi - Kutumia Mfumo: Linganisha kazi hii ya NN ya 512-CSK na kazi ya kawaida ya 8-CSK kwa kutumia usawa wa mstari [3].

• Ufanisi: 512-CSK ni bora zaidi kwa biti/ishara.
• Uimara: NN inaweza kushughulikia mienendo isiyo ya mstari vyema zaidi, lakini utendaji wake chini ya hali zisizofunzwa (kamera mpya, mwanga tofauti) haujulikani ikilinganishwa na muundo rahisi wa mstari.
• Ugumu: NN ni ngumu zaidi kwa kiasi kikubwa.
• Kusanifishwa: Usawa wa mstari ni rahisi kuweka viwango.

Uchaguzi ni wazi: usindikaji wa ishara wa hali ya juu unanunua ufanisi wa juu kwa gharama ya utata. Mwelekeo wa uwanja huo unaelekea kukubali utata huo ili kushinda mipaka ya kimwili.

7. Future Applications & Research Directions

Madhara ya utafiti huu yanazidi maabara:

• LiFi ya Kasi ya Juu Sana kwa 6G: Kuunganisha OCC ya hali ya juu kama hiyo na miundombinu ya LiFi kunaweza kutoa ufikiaji wa hotspot wa gigabit nyingi kwa sekunde katika uwanja wa michezo, uwanja wa ndege, au viwanda vya kisasa, na kukamilisha mitandao ya RF.
• IoT Inayozingatia Simu Mahiri: Kuwezesha ubadilishaji wa data salama unaotegemea ukaribu (mfano, malipo, tikiti, kuunganisha vifaa) kwa kutumia kamera za simu mahiri kama vipokeaji kwa nyongeza ndogo ya vifaa.
• Mawasiliano ya V2X ya Magari: Kwa kutumia taa za mbele/nyuma za gari na kamera kwa mawasiliano ya moja kwa moja kati ya gari na gari au gari na miundombinu, kuboresha mifumo ya usalama.

Mwelekeo Muhimu wa Utafiti:

1. Adaptive & Federated Learning for Equalizers: Kuendeleza NNs zinazoweza kukabiliana mtandaoni na aina mpya za kamera au mwanga, kwa uwezekano wa kutumia ujifunzaji wa shirikishi kwenye vifaa mbalimbali ili kujenga miundo thabiti bila kushiriki data ghafi.
2. Usimbaji wa Chaneli na Chaneli Pamoja na Uchunguzi wa Kuona: Kuchunguza mbinu za ujifunzaji wa kina zinazoboresha pamoja usanidi (CSK constellation) na kiwango cha usawa kwa sensor maalum ya kamera, sawa na mifumo ya mawasiliano iliyojifunza kutoka mwanzo hadi mwisho.
3. Uboreshaji wa Tabaka Mbalimbali: Kuunganisha kielektronishi cha NN cha tabaka ya kimwili na itifaki za tabaka za juu ili kuboresha ufanisi wa mfumo kwa ujumla na uaminifu katika mazingira ya mabadiliko.

Muunganiko wa mawasiliano, taswira ya kompyuta, na ujifunzhi wa mashine, kama inavyoonyeshwa kwenye karatasi hii, ndio mahali ambapo uvumbuzi wenye athari kubwa zaidi katika OCC utatokea.

8. Marejeo

1. O'Shea, T. J., & Hoydis, J. (2017). An Introduction to Deep Learning for the Physical Layer. IEEE Transactions on Cognitive Communications and Networking. (Mfano wa mitandao ya neva katika mawasiliano).
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 for domain adaptation).
3. Chen, H.-W., et al. (2019). [1] in the original PDF. (Example of earlier, lower-order CSK work).
4. IEEE Standard for Local and Metropolitan Area Networks--Sehemu ya 15.7: Mawasiliano ya Kifupi ya Waya ya Mwanga. IEEE Std 802.15.7-2018.
5. MIT Media Lab, Computational Photography. (Chanzo cha dhana cha umuhimu wa data ghafi ya sensor).