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

Technische Samenvatting: Vision-Intelligence-Enabled Beam Tracking voor Optische Draadloze Communicatie over Interfaces

Probleemstelling
De snelle uitbreiding van oceaanische toepassingen, zoals onderwaterbewaking en mijnbouwverkenning, vereist real-time draadloze backhaul voor enorme hoeveelheden observatiegegevens. Traditionele smalbandige akoestische benaderingen zijn ontoereikend voor deze hoge volumedemands. Hoewel Optische Draadloze Communicatie (OWC) tussen onderwaterplatforms (bijv. UUV's) en Low-Altitude Platforms (LAP's, bijv. UAV's) een veelbelovend breedbandalternatief biedt, staat de praktische implementatie voor aanzienlijke uitdagingen. De voornaamste belemmering is straalverkeerding veroorzaakt door de dynamische fluctuaties van het water-lucht-interface. Deze fluctuaties induceren complexe refractie en padperturbaties, wat leidt tot ernstige signaalverzwakking en instabiliteit. Bestaande oplossingen, zoals breedstraaltransmitters of traditionele mechanische uitlijning, missen vaak de precisie om zich aan te passen aan snelle oceaanische dynamiek of falen in het effectief waarnemen en voorspellen van interfacevariaties voor real-time aanpassing.

Methodologie
Om deze uitdagingen aan te pakken, stellen de auteurs een uitgebreid kader voor dat een strikt wiskundig kanaalmodel combineert met een op visie gebaseerd deep learning-algoritme.

1. Wiskundig Kanaalmodelleren:

   • Oceaan Golfmodel: De studie modelleert het water-lucht-interface met behulp van de theorie van het oceaan-golfspectrum, waarbij een vormfunctie $W(x, y, t)$ wordt geconstrueerd op basis van harmonische golfcomponenten om dynamische zeeoppervlakken te simuleren.
   • Optische Padafleiding: Het voortplantingstraject wordt bepaald met behulp van de theorie van de Minimale Optische Padlengte (OPL). Het brekingspunt op het dynamische interface wordt berekend door de OPL ($n_1d_w + n_2d_a$) te minimaliseren, onderworpen aan de oppervlaktegeometrische beperkingen.
   • Padversterkingsmodel: De totale kanaalversterking wordt geformuleerd door richtingsafhankelijke verzwakking bij de zender (Laser Diode) en ontvanger (Avalanche Photodiode), afstand- en mediumverzwakking (volgend de wet van Beer-Lambert), en brekingsverzwakking afgeleid uit de vergelijkingen van Fresnel te integreren.
   • Visiesimulatie: Een Ray-Tracing (RT) algoritme wordt ingezet om de visuele data te simuleren die wordt waargenomen door lichtgevoelige schermen bij de transceivers. Dit algoritme traceert stralen terug van pixelposities via het dynamische interface naar de lichtbron, waarbij intensiteitspatronen worden berekend die dienen als invoer voor het AI-systeem.

2. Vision-Intelligence Beam Tracking Algoritme:

   • Architectuur: De kern van de voorgestelde oplossing is een deep learning-netwerk dat Convolutional Neural Networks (CNN) en Bidirectional Long Short-Term Memory (Bi-LSTM) lagen combineert, versterkt met een attention-mechanisme.
   • Feature Extractie: De CNN-component extrahert ruimtelijke kenmerken uit de ruwe visuele invoer (grijstintenafbeeldingen van het bakenlicht), waarbij de dimensionaliteit wordt gereduceerd terwijl de kenmerkdiepte wordt verhoogd.
   • Temporele Verwerking: De Bi-LSTM-structuur verwerkt de sequentie van visuele frames om temporele afhankelijkheden te vangen, waarbij zowel verleden als toekomstige contexten worden overwogen om de optimale straalsrichting te voorspellen.
   • Attention Mechanisme: Een attention-module wijst belangsgewichten toe aan verschillende tijdstappen, waardoor het netwerk zich kan richten op kritieke richtingsinformatie en ruis kan onderdrukken.
   • Output: Het netwerk geeft een 3D-richtingsvector uit om de rotatiemotoren van de transceivers te sturen, waardoor uitlijning met het pad van minimale OPL wordt gewaarborgd.
   • Training: Het model wordt getraind met een gecombineerde verliesfunctie (Mean Squared Error en L1-verlies) met data-augmentatietechnieken (willekeurige rotatie, translatie, Gaussisch ruis) om generalisatie te verbeteren.

Belangrijkste Bijdragen
Het artikel benadrukt drie primaire bijdragen:

1. Kanaalmodelleren: De vestiging van een water-lucht-interface brekingsmodel gebaseerd op golfspectrumtheorie en de demonstratie van optische paduniekheid met behulp van de theorie van minimale OPL, waardoor een compleet kanaalmodel mogelijk wordt dat breking en verzwakking integreert.
2. Visiemodelleren: Het voorstellen van een op ray-tracing gebaseerde methode om een visiemodel te construeren voor richtingswaarneming, waarbij pixelintensiteiten worden berekend door lichtbijdragen van bronnen en brekende interfaces tijdens het terugtraceerproces op te tellen.
3. Algoritmeontwikkeling: De ontwikkeling van een op deep learning gebaseerd beam tracking-algoritme dat CNN, Bi-LSTM en een attention-mechanisme integreert. Deze aanpak is ontworpen om spatio-temporele kenmerken uit visiedata te extraheren en toont superieure prestaties in complexe omgevingen in vergelijking met klassieke methoden.

Resultaten
Numerieke simulaties werden uitgevoerd in een gesimuleerde oceaanische omgeving om het voorgestelde algoritme te valideren tegen benchmarks, waaronder Mean Shift, 3D-CNN en CNN-LSTM zonder attention.

• Ontvangen Signaalsterkte (RSS): Het voorgestelde algoritme bereikte een gemiddelde RSS die 15,7% hoger was dan Mean Shift en 32,5% hoger dan 3D-CNN. Het vertoonde ook aanzienlijk lagere RSS-variatie ($1,4 \times 10^{-5}$), wat wijst op grotere stabiliteit.
• Uitlijningsnauwkeurigheid: Het algoritme vertoonde een lagere gemiddelde hoekafwijking van het theoretische pad met minimale OPL, met name onder omstandigheden met hoge visieruis (lage Signaal-Ruisverhouding van het bakenlicht).
• Ruisbestendigheid: Het attention-mechanisme maakte een duidelijkere discriminatie van effectieve signaalsrichtingen van ruis mogelijk, wat resulteerde in lagere Bit Error Rates (BER) in vergelijking met de tegenhangers.
• Convergentie: De trainingsgeschiedenis toonde aan dat het voorgestelde model convergeerde met een lagere validatieverlieswaarde dan de 3D-CNN en standaard CNN-LSTM-architecturen.

Betekenis
Het artikel stelt dat zijn werk de kritieke kloof aanpakt in de systematische toepassing van geavanceerde AI-methoden op communicatietechnologieën over interfaces. Door verder te gaan dan traditionele waarneming en reactieve uitlijning, maakt het voorgestelde vision-intelligence-kader proactieve, real-time aanpassing mogelijk aan de complexe dynamiek van het oceaanoppervlak. De resultaten suggereren dat deze aanpak de betrouwbaarheid en stabiliteit van water-lucht OWC-verbindingen aanzienlijk verbetert, waardoor het een levensvatbare oplossing wordt voor maritieme communicatienetwerken met hoge datarates, waarbij het handhaven van een optisch pad met zichtlijn anders wordt gecompromitteerd door omgevingsfluctuaties.