Optimisation du biais continu dans les systèmes Li‑Fi DCO‑OFDM intelligents à l’aide d’un apprentissage hybride validé matériellement

Internet par la lumière pour les espaces du quotidien

Imaginez que les lampes de votre pièce non seulement l’éclairent, mais transmettent aussi des films à votre ordinateur et votre téléphone à très haute vitesse. C’est la promesse du Li‑Fi, une technologie qui utilise la lumière plutôt que les ondes radio pour les communications sans fil. Cet article s’attaque à un réglage technique subtil mais crucial des émetteurs Li‑Fi — quelle quantité de lumière de fond constante, ou biais continu, doit être ajoutée au signal de données — en employant des méthodes d’apprentissage automatique sophistiquées et des tests sur matériel réel, afin de rendre le Li‑Fi plus rapide, plus efficace et plus fiable.

Pourquoi la lumière peut dépasser le Wi‑Fi

Le Wi‑Fi classique repose sur des ondes radio qui traversent les murs, partagent des bandes de fréquence surchargées et peuvent être sujettes à des interférences et des problèmes de sécurité. Le Li‑Fi, en revanche, utilise l’infrarouge pour l’envoi de données depuis les appareils et la lumière visible pour la diffusion depuis les lampes au plafond. Parce que la lumière ne pénètre pas les murs, un lien Li‑Fi peut être naturellement confiné à une seule pièce, ce qui réduit les interférences et améliore la confidentialité. Il exploite aussi une portion énorme et non concédée du spectre, permettant des débits très élevés. Cela fait du Li‑Fi un atout attractif pour les futurs réseaux 6G, les hôpitaux où les émissions radio sont restreintes, et tout environnement nécessitant à la fois éclairage et connectivité à haute vitesse.

Le rôle caché d’un éclat constant

Dans les coulisses, de nombreux systèmes Li‑Fi utilisent une technique appelée DCO‑OFDM pour empaqueter beaucoup de données sur la sortie lumineuse d’une LED. Le signal électrique brut produit par cette méthode oscille au‑dessus et au‑dessous de zéro, mais les LED ne peuvent émettre qu’une intensité lumineuse non négative. Les ingénieurs ajoutent donc un décalage constant — le biais continu — pour remonter toute la forme d’onde puis rognent les portions encore négatives. Si le biais est trop faible, les parties négatives sont fortement coupées, ce qui introduit du bruit et des erreurs. S’il est trop fort, la LED gaspille de l’énergie en luminosité inutile au lieu de transmettre des données. Le point optimal dépend de plusieurs facteurs, notamment la façon dont le signal est codé et le niveau de bruit du canal, et les méthodes d’optimisation classiques peuvent être lentes ou difficiles à adapter aux conditions changeantes.

Apprendre au système à se régler seul

Pour permettre à l’émetteur Li‑Fi d’« apprendre » son propre niveau de biais optimal, les auteurs ont construit un jeu de données à partir de simulations informatiques détaillées de signaux DCO‑OFDM. Pour chaque signal généré, ils ont calculé des caractéristiques numériques simples telles que les valeurs minimale et maximale de la forme d’onde, son niveau moyen, sa variabilité et le taux d’erreur après transmission. Ces résumés, ainsi que des paramètres système comme la taille de la constellation et le nombre de sous‑porteuses, ont constitué l’entrée de modèles d’apprentissage automatique entraînés à prédire le biais continu idéal qui équilibre erreurs et consommation d’énergie. L’équipe a exploré plusieurs approches hybrides combinant la régression classique, qui ajuste des courbes lisses, avec le K‑Nearest Neighbors (KNN), qui s’appuie sur des exemples passés similaires. Ils ont comparé différentes combinaisons et mesuré dans quelle mesure chaque prédiction de biais concordait avec l’optimum réel, en utilisant des scores d’exactitude standard.

Des modèles informatiques au matériel réel

Au‑delà des simulations, les chercheurs ont monté un petit lien Li‑Fi de laboratoire utilisant une LED à haute luminosité comme émetteur, une photodiode comme récepteur et un circuit basé sur Arduino pour capturer des signaux réels sur une courte distance intérieure. Les mêmes types de caractéristiques de signal ont été extraits de ce dispositif matériel, créant un second jeu de données reflétant le bruit réel, les imperfections et les effets environnementaux. Sans réentraînement, les modèles d’apprentissage automatique formés sur les données simulées ont été sollicités pour prédire le meilleur biais continu pour ces mesures réelles. Cette étape est cruciale, car de nombreuses études antérieures se sont arrêtées aux expériences informatiques et n’ont jamais démontré que leurs méthodes résistent au désordre du monde physique.

Un biasing plus intelligent pour les futures pièces Li‑Fi

Le résultat marquant est qu’un modèle hybride combinant une régression polynomiale avec KNN a produit les prédictions les plus précises et les plus robustes. Il a obtenu une forte concordance avec l’optimum réel en simulation et a conservé de bonnes performances lorsqu’il a été appliqué directement au lien Li‑Fi basé sur Arduino. Concrètement, cela signifie qu’un système Li‑Fi équipé d’un tel modèle pourrait automatiquement régler le bon niveau de biais au fur et à mesure que les conditions évoluent, minimisant la lumière gaspillée et la distortion du signal sans réglage manuel constant. Bien que les tests matériels actuels ne couvrent que de courtes distances et des scénarios intérieurs simplifiés, l’approche ouvre la voie à des réseaux Li‑Fi intelligents et auto‑optimisants où les luminaires au plafond s’ajustent discrètement pour fournir des données sécurisées et à haute vitesse en plus de l’éclairage quotidien.

Citation: Abdelhakim, E., Ragab, D.A., Abaza, M. et al. DC bias optimization in intelligent DCO-OFDM Li-Fi systems using hybrid machine learning with hardware validation. Sci Rep 16, 14658 (2026). https://doi.org/10.1038/s41598-026-49732-4

Mots-clés: Li‑Fi, communication par lumière visible, apprentissage automatique, OFDM, réseaux sans fil