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

Resumo Técnico: Rastreamento de Feixe Habilitado por Inteligência Visual para Comunicação Óptica Sem Fio entre Interfaces

Declaração do Problema
A rápida expansão de aplicações oceânicas, como vigilância subaquática e exploração mineral, exige um backhaul sem fio em tempo real para dados observacionais massivos. Abordagens acústicas de banda estreita tradicionais são insuficientes para essas demandas de alto volume. Embora a Comunicação Óptica Sem Fio (OWC) entre plataformas subaquáticas (por exemplo, UUVs) e Plataformas de Baixa Altitude (LAPs, por exemplo, UAVs) ofereça uma alternativa de banda larga promissora, sua implementação prática enfrenta desafios significativos. O principal obstáculo é o desalinhamento do feixe causado pelas flutuações dinâmicas da interface água-ar. Essas flutuações induzem refração complexa e perturbações de trajetória, levando a atenuação severa do sinal e instabilidade. Soluções existentes, como transmissores de feixe largo ou alinhamento mecânico tradicional, frequentemente carecem da precisão para se adaptar às dinâmicas oceânicas rápidas ou falham em detectar e prever efetivamente as variações da interface para ajuste em tempo real.

Metodologia
Para enfrentar esses desafios, os autores propõem um quadro abrangente que combina um modelo de canal matemático rigoroso com um algoritmo de aprendizado profundo baseado em visão.

1. Modelagem Matemática do Canal:

   • Modelo de Ondas Oceânicas: O estudo modela a interface água-ar usando a teoria do espectro de ondas oceânicas, construindo uma função de forma $W(x, y, t)$ baseada em componentes de ondas harmônicas para simular superfícies marinhas dinâmicas.
   • Derivação do Caminho Óptico: A trajetória de propagação é determinada usando a teoria do Comprimento Óptico Mínimo (OPL). O ponto de refração na interface dinâmica é calculado minimizando o OPL ($n_1d_w + n_2d_a$) sujeito às restrições de geometria da superfície.
   • Modelo de Ganho de Caminho: O ganho total do canal é formulado integrando a atenuação direcional no transmissor (Diodo Laser) e no receptor (Fotodiodo de Avalanche), atenuação por distância e meio (seguindo a lei de Beer-Lambert) e atenuação por refração derivada das equações de Fresnel.
   • Simulação Visual: Um algoritmo de Rastreamento de Raios (RT) é empregado para simular os dados visuais percebidos por telas fotosensíveis nos transceptores. Este algoritmo rastreia os raios de volta das posições dos pixels através da interface dinâmica até a fonte de luz, computando padrões de intensidade que servem como entrada para o sistema de IA.

2. Algoritmo de Rastreamento de Feixe por Inteligência Visual:

   • Arquitetura: O núcleo da solução proposta é uma rede de aprendizado profundo que combina Redes Neurais Convolucionais (CNN) e camadas de Memória de Curto e Longo Prazo Bidirecional (Bi-LSTM), aprimorada com um mecanismo de atenção.
   • Extração de Características: O componente CNN extrai características espaciais da entrada visual bruta (imagens em tons de cinza da luz da baliza), reduzindo a dimensionalidade enquanto aumenta a profundidade das características.
   • Processamento Temporal: A estrutura Bi-LSTM processa a sequência de quadros visuais para capturar dependências temporais, considerando tanto contextos passados quanto futuros para prever a direção ótima do feixe.
   • Mecanismo de Atenção: Um módulo de atenção atribui pesos de importância a diferentes passos de tempo, permitindo que a rede se concentre em informações direcionais críticas e suprima ruídos.
   • Saída: A rede produz um vetor direcional 3D para guiar os motores de rotação dos transceptores, garantindo o alinhamento com o caminho de OPL mínimo.
   • Treinamento: O modelo é treinado usando uma função de perda combinada (Erro Quadrático Médio e perda L1) com técnicas de aumento de dados (rotação aleatória, translação, ruído gaussiano) para aprimorar a generalização.

Principais Contribuições
O artigo destaca três contribuições primárias:

1. Modelagem do Canal: O estabelecimento de um modelo de refração de interface água-ar baseado na teoria do espectro de ondas e a demonstração da unicidade do caminho óptico usando a teoria do OPL mínimo, permitindo um modelo de canal completo que incorpora refração e atenuação.
2. Modelagem Visual: A proposta de um método baseado em rastreamento de raios para construir um modelo visual para sensoriamento direcional, onde as intensidades dos pixels são computadas acumulando contribuições de luz de fontes e interfaces refrativas durante o rastreamento reverso.
3. Desenvolvimento de Algoritmo: O desenvolvimento de um algoritmo de rastreamento de feixe baseado em aprendizado profundo que integra CNN, Bi-LSTM e um mecanismo de atenção. Esta abordagem é projetada para extrair características espaço-temporais de dados visuais, demonstrando desempenho superior em ambientes complexos comparado a métodos clássicos.

Resultados
Simulações numéricas foram conduzidas em um ambiente oceânico simulado para validar o algoritmo proposto contra benchmarks, incluindo Mean Shift, 3D-CNN e CNN-LSTM sem atenção.

• Força do Sinal Recebido (RSS): O algoritmo proposto alcançou um RSS médio 15,7% maior que o Mean Shift e 32,5% maior que o 3D-CNN. Também demonstrou variância de RSS significativamente menor ($1,4 \times 10^{-5}$), indicando maior estabilidade.
• Precisão de Alinhamento: O algoritmo exibiu uma diferença angular média menor em relação ao caminho teórico de OPL mínimo, particularmente sob condições de alto ruído visual (baixa Relação Sinal-Ruído da luz da baliza).
• Resiliência ao Ruído: O mecanismo de atenção permitiu uma discriminação mais clara das direções de sinal efetivas em relação ao ruído, resultando em Taxas de Erro de Bit (BER) mais baixas em comparação com os pares.
• Convergência: O histórico de treinamento mostrou que o modelo proposto convergiu com uma perda de validação menor do que as arquiteturas 3D-CNN e CNN-LSTM padrão.

Significado
O artigo postula que seu trabalho aborda a lacuna crítica na aplicação sistemática de métodos avançados de IA para tecnologias de comunicação entre interfaces. Ao ir além do sensoriamento tradicional e do alinhamento reativo, o quadro de inteligência visual proposto permite adaptação proativa e em tempo real às dinâmicas complexas da superfície oceânica. Os resultados sugerem que esta abordagem aprimora significativamente a confiabilidade e a estabilidade dos enlaces OWC água-ar, tornando-a uma solução viável para redes de comunicação marítima de alta taxa de dados, onde a manutenção de um caminho óptico de linha de visada é comprometida por flutuações ambientais.