类型a：

本研究的作者为Jing He和Biao Zhou，来自湖南大学计算机科学与电子工程学院。文章发表于IEEE Photonics Journal第14卷第4期（2022年8月）。论文标题为《A Deep Learning-Assisted Visible Light Positioning Scheme for Vehicles with Image Sensor》。

学术背景

该研究属于智能交通系统（Intelligent Transportation System, ITS）与可见光通信（Visible Light Communication, VLC）的交叉领域。研究动机源于当前车辆定位技术的局限性：GPS信号在城市、隧道等环境中易受干扰，雷达与激光雷达（LiDAR）成本高昂，而基于射频（RF）的Wi-Fi或蓝牙技术易受电磁干扰。因此，作者提出一种基于图像传感器（Image Sensor, IS）的可见光定位（Visible Light Positioning, VLP）方案，以低成本实现高精度车辆定位。

技术背景方面，VLC利用LED（发光二极管）作为发射器，图像传感器作为接收器。然而，现有VLP方案在远距离传输时，由于LED光源在图像中的空间分离性降低，导致通信与定位性能急剧下降。此外，传统定位算法依赖大量LED参考点，计算成本高。本研究的目标是设计一种深度学习辅助的VLP方案，同时支持远距离通信、高精度定位和LED调光需求。

研究方法与流程

1. 发射端设计

研究设计了分层编码方案，将LED定位数据映射为两种信号：
- 远距离数据（Long-Distance Data, LDD）：由LED矩阵上8个区域（每个区域含2×4个LED）共同传输1比特数据，增强空间分离性。
- 近距离数据（Short-Distance Data, SDD）：由单个LED传输1比特数据，使用可调光空间八相移键控（Dimmable Spatial 8-Phase Shift Keying, DS8-PSK）编码，支持7种调光级别（Dimming Level, DL）。

两种数据通过分层编码结合，并采用脉宽调制（PWM）控制LED的4种灰度状态。LED矩阵总功率通过调光级别动态调整（见公式2）。

2. 接收端处理

接收端使用智能手机摄像头（索尼IMX519）捕获信号，流程如下：
1. 图像预处理：通过形态学操作和轮廓检测提取完整的LED矩阵图像，分割为64个子区域。
2. LED状态分类：采用四层卷积神经网络（CNN）（输入10×10 RGB图像，含3个卷积层+1个全连接层+Softmax输出）分类每个LED的4种状态。
3. 分层解码：将LED状态解映射为LDD和SDD。LDD通过多数判决法恢复（公式3），SDD直接通过DS8-PSK解码。

3. 车辆定位

传统基于3D-2D坐标映射的算法计算成本高，本研究改用三层人工神经网络（ANN）预测车辆坐标。输入包括：
- 两个LED矩阵的世界坐标（各3轴）和图像坐标（各2轴），共10个参数。
- 输出为车辆的世界坐标（xv, yv, zv）。ANN隐藏层含10个神经元，激活函数为tanh。

实验与仿真

• 通信性能测试：在0.5-2米距离下，比较CNN解码、K-means解码和传统解码（CD）的误码率（BER）。结果显示，CNN解码在调光级别7/8、距离0.5米时，SDD的BER低至8.1×10^-4，优于其他方案（K-means为5.3×10^-1）。
  
• 定位性能仿真：模拟30米范围内车辆运动，ANN的平均定位误差为19.8毫米（x轴2.9毫米，y轴0.7毫米，z轴19.6毫米），最大z轴误差108.8毫米（因缺乏深度信息）。
  

研究结果与贡献

1. 通信性能：在2米距离时，系统BER达1.25×10^-4；近距离（0.5米）SDD的BER优化两个数量级。
   
2. 定位精度：平均误差19.8毫米，优于GPS（约10米）和射频方案（易受干扰）。
   
3. 调光兼容性：通过DS8-PSK实现LED功率动态调节，满足智能路灯的照明需求。
   

研究价值与创新点

• 科学价值：首次将分层编码与深度学习结合，解决远距离VLP的通信-定位矛盾。
  
• 应用价值：为自动驾驶提供低成本、高精度的互补定位方案。
  
• 创新点：
  
  1. 分层编码实现远/近距离数据共存。
     
  2. CNN解码提升LED状态分类鲁棒性。
     
  3. ANN替代传统几何算法，降低计算成本。
     

亮点与局限性

• 亮点：实验验证了30米内的厘米级定位，且支持动态调光。
  
• 局限：z轴误差较大，未来可通过多传感器融合优化。
  

该研究为智能交通系统的VLP应用提供了重要技术参考。