首次展示使用神經網路等化技術於光學相機通訊中解調512色位移鍵控訊號

目錄

1. Introduction & Overview

本文提出了一項突破性的實驗演示 512-Color Shift Keying (512-CSK) 應用於光學相機通訊 (OCC)。其核心成就是在4公尺距離內首次實現了此種高階調變方案的無錯誤解調，透過創新地使用一種方法，克服了基於相機接收器固有的非線性串擾這一重大挑戰。 基於多標籤神經網路(NN)的等化器.

OCC被定位為下一代光學無線技術，其利用智慧型手機和裝置中無所不在的CMOS影像感測器。一項關鍵的研究重點是提升資料傳輸率，但受到相機幀率的限制。CSK將資料調變至來自RGB-LED發射器的顏色變化上，並映射在CIE 1931色彩空間內。高階CSK（例如512-CSK）有望提供更高的頻譜效率，但受到相機頻譜靈敏度和濾色片所引起的顏色間串擾嚴重阻礙。

2. 技術框架

2.1 Receiver Configuration & Hardware

接收器系統圍繞Sony IMX530 CMOS影像感測器模組建構，選用此模組是因其能夠輸出 12-bit 原始 RGB 資料 未經後處理（去馬賽克、降噪、白平衡）。此原始資料對於精確訊號復原至關重要。訊號透過 50mm 光學鏡頭擷取。發射器為一個 8×8 RGB-LED 平面陣列（面板尺寸：6.5 公分）。

2.2 Signal Processing & Neural Equalization

處理流程如下：

1. Raw Data Acquisition： 從感測器擷取未經處理的RGB數值。
2. 色彩空間轉換： 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. 神經網路等化： (x, y) 座標被輸入到一個多標籤神經網路。該網路旨在學習並補償 非線性串擾 於色彩通道之間。它具有 2 個輸入單元 (x, y)、$N_h$ 個隱藏層（每層 $N_u$ 個單元），以及 M=9 個輸出單元（對應 512-CSK 中每個符號的 9 個位元）。
4. Demodulation & Decoding: 神經網絡輸出後驗概率分佈。由此計算出對數似然比，並將其輸入低密度奇偶校驗解碼器進行最終的錯誤校正。

512-CSK星座符號在CIE 1931色度圖中按三角形模式依序排列，從藍色頂點開始。

3. Experimental Results & Analysis

3.1 位元錯誤率效能 vs. LED陣列尺寸

實驗中，陣列裡點亮的LED數量從1×1變化到8×8，以評估位元錯誤率（BER）作為接收光強度（影像中的面積）的函數。傳輸距離固定為4公尺。結果顯示， 神經網路等化器對於實現無錯誤操作至關重要 透過完整的8×8陣列，有效緩解了隨信號強度和面積增加而加劇的串擾

3.2 關鍵效能指標

• Modulation Order: 512-CSK（9位元/符號），創下實驗性OCC演示的最高紀錄。
• 距離： 4公尺，顯示其實用範圍。
• 關鍵推動因素： 基於神經網路的非線性等化技術，直接應用於原始感測器數據。
• 比較： 這項工作在調變階數與補償技術的精密度上，均顯著超越了先前的展示（8-CSK、16-CSK、32-CSK）。

4. Core Analysis & Expert Interpretation

核心洞察： 這篇論文不僅僅是將CSK推至512色；它是一個決定性的概念驗證，表明 數據驅動的神經訊號處理是實現高性能OCC的關鍵作者正確地指出，根本的瓶頸不在於LED或感測器，而在於通道中複雜的非線性失真。他們的解決方案——繞過傳統的線性等化器，採用多標籤神經網路——是設計哲學上一次務實而強大的轉變，這呼應了神經接收器在RF通訊中的成功[1]。

Logical Flow: 其邏輯具有說服力：1) 高速需要高階CSK，2) 相機串擾會破壞高階CSK，3) 此串擾複雜且非線性，4) 因此，使用通用函數逼近器（神經網路）來消除它。使用 raw sensor data 是一個關鍵且常被忽略的細節。它避免了相機內部影像訊號處理器（ISP）所造成的資訊損失與引入的失真，此做法與如MIT Media Lab等機構在計算攝影研究中的最佳實踐一致。

Strengths & Flaws: 主要優勢在於成功將現代機器學習元件整合至實體層通訊堆疊，並達成一項聲稱的紀錄。實驗驗證清晰明確。然而，其分析存在早期示範中典型的缺陷： 未提及資料速率（位元/秒），僅提及頻譜效率（位元/符號）。 實際吞吐量的影響仍不明確。此外，神經網路的複雜性、訓練數據需求，以及對不同相機或環境的泛化能力尚未被探討——這些都是標準化與商業化的重要障礙。

可執行的見解： 對研究人員而言，方向很明確：專注於 輕量級、自適應的神經網路架構 用於即時等化。基準測試應包含實際吞吐量與延遲。對於產業界（例如IEEE P802.15.7r1 OCC任務小組），這項工作為在未來標準中考慮基於神經網路的接收器提供了有力證據，但必須搭配嚴格的互通性測試。下一步是從固定的實驗室設置轉向動態場景，或許可以採用受 CycleGAN風格領域適應 [2] 啟發的技術，讓神經網路補償變化的環境光條件，這是一個比固定串擾更為艱鉅的挑戰。

5. Technical Details & Mathematical Formulation

核心訊號處理涉及兩個關鍵轉換：

1. RGB 轉 CIE 1931 轉換： $\begin{pmatrix} x \\ y \end{pmatrix} = \mathbf{M} \cdot \begin{pmatrix} R \\ G \\ B \end{pmatrix}$ 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. 神經網路作為等化器： 神經網路學習函數 $f_{\theta}$，該函數將失真接收座標 $(x', y')$ 映射至所有 512 個符號的後驗機率 $P(\text{symbol}_i | x', y')$。參數 $\theta$ 的訓練目標是將預測機率與已知傳輸符號之間的交叉熵損失最小化。第 $k$ 個位元的對數似然比（LLR）隨後近似為：

6. Analysis Framework & Case Example

評估OCC進展之框架： 為嚴格評估任何新的OCC論文，我們提出一個四維度分析框架：

1. 頻譜空間效率 (位元/資源)： 達成的資料速率 (bps) 是多少？它使用了哪些資源（頻寬、空間像素、時間）？本文在頻譜效率 (位元/符號) 方面得分很高，但缺乏具體的 bps 數字。
2. Robustness & Practicality: 有哪些操作限制（距離、對準、環境光）？4公尺的距離不錯，但靜態條件是一個限制。
3. System Complexity & Cost: 解決方案的成本是多少？神經網路等化器會增加計算成本和訓練負擔。
4. 標準化潛力： 此技術的可重現性與互通性如何？目前對原始數據和訓練好的神經網絡的依賴降低了此項分數。

案例範例 - 框架應用： 將此512-CSK NN工作與使用線性等化[3]的經典8-CSK工作進行比較。

• 效率： 512-CSK在每符元位元數上具有顯著優勢。
• 穩健性： 神經網路或許能更好地處理非線性問題，但在未經訓練的條件下（例如新相機、不同光線），其表現相較於更簡單的線性模型仍是未知數。
• 複雜度： 神經網路的複雜度顯著更高。
• 標準化： 線性等化技術較易於標準化。

權衡取捨顯而易見：先進的信號處理技術以複雜度為代價換取更高的效率。該領域的發展軌跡正朝著接受這種複雜性以突破物理限制的方向前進。

7. Future Applications & Research Directions

這項工作的影響力超越了實驗室的範疇：

• Ultra-High-Speed LiFi for 6G： 將此類高階OCC與LiFi基礎設施整合，可在體育場、機場或智慧工廠中提供每秒數千兆位元的高速熱點接入，作為RF網路的補充。
• 以智慧型手機為中心的物聯網： 透過將智慧型手機相機作為接收器，並以最少的硬體添加，實現安全、基於近距離的資料交換（例如支付、票務、裝置配對）。
• 汽車V2X通訊： 利用車輛頭燈/尾燈與攝影機進行直接的車輛對車輛或車輛對基礎設施通訊，以強化安全系統。

關鍵研究方向：

1. Adaptive & Federated Learning for Equalizers: 開發能夠在線適應新相機型號或光照條件的神經網路，可能透過跨裝置的聯邦學習來建立穩健模型，無需共享原始數據。
2. 視覺聯合源通道編碼： 探索深度學習技術，針對特定相機感測器聯合優化調變（CSK星座圖）與等化器，類似於端到端學習型通訊系統。
3. 跨層優化： 將實體層神經網路等化器與更高層協議整合，以在動態環境中優化整體系統吞吐量與可靠性。

如本文所示，通訊、電腦視覺與機器學習的融合，將是光學相機通訊中最具顛覆性創新的誕生之處。

8. References

1. O'Shea, T. J., & Hoydis, J. (2017). An Introduction to Deep Learning for the Physical Layer. IEEE Transactions on Cognitive Communications and Networking. (Example of neural networks in comms).
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 區域及都會網路標準——第15.7部：短距離光學無線通訊。 IEEE Std 802.15.7-2018.
5. MIT Media Lab, Computational Photography. (原始感測器資料重要性的概念來源)。