Vision-Intelligence-Enabled Beam Tracking for Cross-Interface Optical Wireless Communication between Underwater and Low-Altitude Platforms

Riepilogo Tecnico: Inseguimento del Fascio Abilitato dall'Intelligenza Visiva per Comunicazioni Ottiche Senza Fili tra Interfacce

Enunciato del Problema
La rapida espansione delle applicazioni oceaniche, come la sorveglianza sottomarina e l'esplorazione mineraria, rende necessaria una retroconnessione wireless in tempo reale per massicci dati osservativi. Gli approcci acustici a banda stretta tradizionali sono insufficienti per queste richieste di alto volume. Sebbene le Comunicazioni Ottiche Senza Fili (OWC) tra piattaforme sottomarine (ad es. UUV) e piattaforme a bassa quota (LAP, ad es. UAV) offrano un'alternativa a banda larga promettente, la loro implementazione pratica affronta sfide significative. L'ostacolo principale è il disallineamento del fascio causato dalle fluttuazioni dinamiche dell'interfaccia acqua-aria. Queste fluttuazioni inducono rifrazione complessa e perturbazioni del percorso, portando a un'attenuazione del segnale severa e instabilità. Le soluzioni esistenti, come trasmettitori a fascio ampio o allineamento meccanico tradizionale, spesso mancano della precisione per adattarsi alle dinamiche oceaniche rapide o falliscono nel rilevare e prevedere efficacemente le variazioni dell'interfaccia per un aggiustamento in tempo reale.

Metodologia
Per affrontare queste sfide, gli autori propongono un quadro completo che combina un rigoroso modello matematico del canale con un algoritmo di deep learning basato sulla visione.

1. Modellazione Matematica del Canale:

   • Modello delle Onde Oceaniche: Lo studio modella l'interfaccia acqua-aria utilizzando la teoria dello spettro delle onde oceaniche, costruendo una funzione di forma $W(x, y, t)$ basata su componenti armoniche delle onde per simulare superfici marine dinamiche.
   • Derivazione del Percorso Ottico: La traiettoria di propagazione è determinata utilizzando la teoria della Lunghezza del Percorso Ottico (OPL) minima. Il punto di rifrazione sull'interfaccia dinamica è calcolato minimizzando l'OPL ($n_1d_w + n_2d_a$) soggetto ai vincoli geometrici della superficie.
   • Modello di Guadagno del Percorso: Il guadagno complessivo del canale è formulato integrando l'attenuazione direzionale al trasmettitore (Diodo Laser) e al ricevitore (Fotodiodo a Valanga), l'attenuazione per distanza e mezzo (seguendo la legge di Beer-Lambert) e l'attenuazione da rifrazione derivata dalle equazioni di Fresnel.
   • Simulazione Visiva: Un algoritmo di Ray-Tracing (RT) è impiegato per simulare i dati visivi percepiti dagli schermi fotosensibili ai trasceivers. Questo algoritmo risale i raggi dalle posizioni dei pixel attraverso l'interfaccia dinamica fino alla sorgente luminosa, calcolando pattern di intensità che servono come input per il sistema di intelligenza artificiale.

2. Algoritmo di Inseguimento del Fascio basato sull'Intelligenza Visiva:

   • Architettura: Il cuore della soluzione proposta è una rete di deep learning che combina Reti Neurali Convoluzionali (CNN) e strati di Memoria a Breve Termine Bidirezionale (Bi-LSTM), potenziati da un meccanismo di attenzione.
   • Estrazione delle Caratteristiche: Il componente CNN estrae caratteristiche spaziali dall'input visivo grezzo (immagini in scala di grigi della luce di segnalazione), riducendo la dimensionalità mentre aumenta la profondità delle caratteristiche.
   • Elaborazione Temporale: La struttura Bi-LSTM elabora la sequenza di fotogrammi visivi per catturare le dipendenze temporali, considerando sia i contesti passati che futuri per prevedere la direzione ottimale del fascio.
   • Meccanismo di Attenzione: Un modulo di attenzione assegna pesi di importanza a diversi istanti temporali, permettendo alla rete di focalizzarsi sulle informazioni direzionali critiche e sopprimere il rumore.
   • Output: La rete restituisce un vettore direzionale 3D per guidare i motori di rotazione dei trasceivers, garantendo l'allineamento con il percorso a OPL minima.
   • Addestramento: Il modello è addestrato utilizzando una funzione di perdita combinata (Errore Quadratico Medio e perdita L1) con tecniche di aumento dei dati (rotazione casuale, traslazione, rumore gaussiano) per migliorare la generalizzazione.

Contributi Chiave
Il documento evidenzia tre contributi principali:

1. Modellazione del Canale: L'istituzione di un modello di rifrazione dell'interfaccia acqua-aria basato sulla teoria dello spettro delle onde e la dimostrazione dell'unicità del percorso ottico utilizzando la teoria dell'OPL minima, consentendo un modello di canale completo che incorpora rifrazione e attenuazione.
2. Modellazione Visiva: La proposta di un metodo basato sul ray-tracing per costruire un modello visivo per il rilevamento direzionale, dove le intensità dei pixel sono calcolate accumulando i contributi luminosi dalle sorgenti e dalle interfacce rifrangenti durante il backtracking.
3. Sviluppo dell'Algoritmo: Lo sviluppo di un algoritmo di inseguimento del fascio basato sul deep learning che integra CNN, Bi-LSTM e un meccanismo di attenzione. Questo approccio è progettato per estrarre caratteristiche spaziotemporali dai dati visivi, dimostrando prestazioni superiori in ambienti complessi rispetto ai metodi classici.

Risultati
Sono state condotte simulazioni numeriche in un ambiente oceanico simulato per validare l'algoritmo proposto rispetto a benchmark, tra cui Mean Shift, 3D-CNN e CNN-LSTM senza attenzione.

• Potenza del Segnale Ricevuto (RSS): L'algoritmo proposto ha raggiunto una RSS media superiore del 15,7% rispetto a Mean Shift e del 32,5% rispetto al 3D-CNN. Ha inoltre dimostrato una varianza RSS significativamente inferiore ($1,4 \times 10^{-5}$), indicando maggiore stabilità.
• Precisione di Allineamento: L'algoritmo ha mostrato una differenza angolare media inferiore rispetto al percorso teorico a OPL minima, in particolare in condizioni di alto rumore visivo (basso rapporto segnale-rumore della luce di segnalazione).
• Resilienza al Rumore: Il meccanismo di attenzione ha permesso una discriminazione più chiara delle direzioni del segnale efficace dal rumore, risultando in tassi di errore di bit (BER) inferiori rispetto alle controparti.
• Convergenza: La storia dell'addestramento ha mostrato che il modello proposto ha convergito con una perdita di validazione inferiore rispetto alle architetture 3D-CNN e CNN-LSTM standard.

Significato
Il documento sostiene che il suo lavoro affronta il divario critico nell'applicazione sistematica di metodi avanzati di intelligenza artificiale alle tecnologie di comunicazione tra interfacce. Superando il rilevamento tradizionale e l'allineamento reattivo, il quadro proposto di intelligenza visiva abilita un adattamento proattivo e in tempo reale alle dinamiche complesse della superficie oceanica. I risultati suggeriscono che questo approccio migliora significativamente l'affidabilità e la stabilità dei collegamenti OWC acqua-aria, rendendolo una soluzione praticabile per reti di comunicazione marittima ad alto tasso di dati, dove il mantenimento di un percorso ottico in linea di vista è altrimenti compromesso dalle fluttuazioni ambientali.