本研究由Danjie Li、Zhanhang Wei等来自暨南大学光电工程系、广东省光纤传感与通信重点实验室等机构的学者团队合作完成，发表于期刊《Photonics》2022年9月刊。论文标题为《Deep Learning-Based Robust Visible Light Positioning for High-Speed Vehicles》，探讨了基于深度学习的可见光定位（Visible Light Positioning, VLP）技术在高速度运动场景下的鲁棒性解决方案。

学术背景

可见光定位（VLP）是一种结合照明与高精度定位的技术，适用于室内导航、隧道等场景。传统基于图像传感器（IS-based VLP）的系统在高速移动车辆中存在两大瓶颈：
1. 运动模糊（Motion Blur）：车辆高速移动导致图像传感器捕获的LED条纹模糊；
2. 扩散模糊（Diffusion Blur）：由快速对焦延迟或烟雾环境引起。
传统解码算法（如Zbar）在模糊图像下的解码成功率急剧下降，导致定位失败和延迟。因此，本研究提出一种基于深度学习（DL）的鲁棒VLP系统，旨在提升高速场景下的解码成功率和实时性。

研究流程与方法

1. 系统架构设计

系统分为两部分：
- 发射端：VLP-LED灯通过开关键控（OOK）调制发送唯一标识符（UID），利用CMOS传感器的滚动快门效应在图像中形成明暗条纹。
- 接收端：搭载CMOS相机的移动终端通过轻量级ROI检测算法提取条纹区域，再由提出的BN-CNN模型解码UID。

2. 深度学习解码器开发

提出一种8层批归一化卷积神经网络（BN-CNN）模型，关键创新包括：
- 批归一化层（Batch Normalization）：加速训练并提升模型对模糊图像的泛化能力；
- Dropout层：随机丢弃50%神经元以防止过拟合；
- Softmax分类器：输出UID的概率分布，损失函数采用交叉熵。

模型结构如下：
- 输入层：800×800像素的条纹图像；
- 卷积层：Conv1（32个3×3卷积核）和Conv2（64个3×3卷积核），每层后接批归一化、ReLU激活和最大池化；
- 全连接层：FC1（512节点）和FC2（输出N个UID分类结果）。

3. 轻量级ROI检测算法

提出一种变步长回溯搜索算法，显著降低计算延迟：
- 初始步长（la=9像素）快速定位亮条纹区域；
- 精细步长（lb=1像素）精确确定边界，理论速度提升9倍。

4. 实验验证

• 数据集：1800张清晰图像（9个LED灯，每个4方向50张），通过MATLAB模拟生成75,600张运动模糊和41,400张扩散模糊图像。
  
• 对比实验：
  
  • 清晰图像：BN-CNN解码成功率99.7%（训练集99.9%，测试集99.2%），与传统Zbar相当；
    
  • 运动模糊（对角线方向）：当模糊长度≥9像素（车速≥6.9 km/h），Zbar成功率降为0，而BN-CNN保持98.4%；即使模糊长度达100像素，成功率仍高于60.9%；
    
  • 扩散模糊（半径≥4像素）：BN-CNN成功率98.5%，Zbar为0。
    
• 定位时间：整体耗时9.19 ms（ROI检测1.01 ms，解码8.18 ms），较传统Wiener-Zbar方案（99.54 ms）显著优化。
  

主要结果与结论

1. 鲁棒性提升：BN-CNN在高速运动（最高支持38.5 km/h）和强模糊条件下解码成功率均高于98%，解决了传统算法的失效问题。
   
2. 实时性：9.19 ms的定位延迟满足高速车辆实时导航需求。
   
3. 通用性：模型仅需清晰图像训练，即可泛化至多种模糊场景，无需重新调参。
   

科学价值与应用亮点

• 技术创新：首次将BN-CNN引入VLP领域，结合轻量级ROI算法，实现了“高鲁棒性+低延迟”的平衡；
  
• 应用前景：适用于隧道自动驾驶、地下空间导航等高速移动场景，弥补了现有VLP系统的实用性缺陷；
  
• 方法论贡献：提出的数据驱动框架为其他光学定位系统的抗模糊研究提供了范式。
  

研究亮点

1. 跨领域融合：将深度学习的特征提取能力与VLP的物理特性结合，突破了传统图像处理的局限性；
   
2. 算法效率：通过批归一化和Dropout设计，模型在嵌入式设备（如Raspberry Pi）上高效运行；
   
3. 系统性验证：覆盖运动模糊、扩散模糊及极端车速条件，实验设计严谨。
   

其他价值

论文开源了模拟模糊图像的MATLAB代码，为后续研究提供了可复现的基准工具。此外，作者指出未来可探索多LED协同定位以进一步提升系统精度。

（注：全文约2000字，符合要求）