使用 Edge-AI 进行光无线链路故障检测与误码率诊断

arXiv:2610.21402v1 公告类型：新 摘要：光无线通信（OWC）系统可提供高带宽、空间安全且不受射频干扰的数字传输。然而，直接自由空间光链路对视距中断、光学衰减、强环境光饱和以及收发器失准极其敏感。传统信道诊断框架依赖外部计算节点或基于云的处理，这会引入严重的诊断延迟，并降低边缘节点的自主性。本文提出了一种自主、自诊断的光无线接收节点，将物理层信号遥测提取与设备端 TinyML 分类引擎相结合。该接收器以 ESP32-S3 微控制器为核心，采用 5 样本多数投票机制恢复 1000 bit/s 的开关键控（OOK）数字载荷，同时实时提取信道特征：误码率（BER）、接收信号电压（Vsignal）、信噪比（SNRdB）和环境光基线（Lambient）。在与 Random Forest 基线模型（准确率 77.22%）和浮点神经网络（准确率 78.48%）进行评估后，一个仅占用 3.32 kB SRAM、经过训练后采用 INT8 量化的 TensorFlow Lite Micro 模型被直接部署在接收器固件上。该量化模型在四种不同运行条件下实现了 74.68% 的总体准确率：正常传输、光学滤波器衰减、环境光干扰以及严重遮挡/失准。设备端部署测试证实了实时、确定性的故障分类能力，为具备自感知能力的光学 IoT 节点建立了一种切实可行的方法。