⚡ electrical engineering

Superimposed Channel Estimation in OTFS Modulation Using Compressive Sensing

本文提出了一种基于压缩感知和正交匹配 pursuit（OMP）算法的 OTFS 叠加信道估计方法，利用延迟 - 多普勒域的稀疏性在消除导频开销的同时避免了高峰均比，并结合消息传递检测器实现了高效的信息符号检测。

原作者： Omid Abbassi Aghda, Mohammad Javad Omidi, Hamid Saeedi-Sourck

发布于 2026-02-18

📖 1 分钟阅读☕ 轻松阅读

原作者： Omid Abbassi Aghda, Mohammad Javad Omidi, Hamid Saeedi-Sourck

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文主要解决的是6G 通信（未来的超高速网络）中一个非常头疼的问题：如何在车速极快、信号干扰严重的情况下，既看清路况（信道估计）

为了让你更容易理解，我们可以把整个通信过程想象成在一个狂风大作的夜晚，试图通过喊话来传递秘密信息。

1. 背景：为什么现在的通信会“晕车”？

现状（OFDM）：就像你在狂风中喊话，风（高速移动带来的多普勒效应）会把你的声音吹散，导致后面的人听不清，或者把别人的声音混进你的声音里（干扰）。
新方案（OTFS）：为了解决这个问题，科学家发明了一种叫OTFS（正交时频空）的新技术。它不像以前那样把信息排成一列（像火车车厢），而是把信息铺在一个二维的网格上（像一张巨大的棋盘）。
- 比喻：想象你在一张巨大的围棋棋盘上放棋子。即使风把某些棋子吹歪了，因为棋盘是二维的，你依然能根据棋子的相对位置猜出它们原本在哪。OTFS 就是利用这种“棋盘”结构来对抗高速移动带来的干扰。

2. 核心问题：怎么看清棋盘？（信道估计）

在通信中，接收方（比如你的手机）必须知道风是怎么吹的（信道状态），才能把被吹歪的棋子（数据）摆回原位。

传统方法（导频开销大）：以前的做法是，为了看清棋盘，必须专门留出很多格子只放标记（导频），不放任何秘密信息。
- 缺点：这就像为了看清路，你不得不把棋盘上 30% 的格子都贴上“我是路标”的贴纸，结果能用来传秘密信息的格子就变少了，效率很低。
旧的新方法（叠加导频）：有人想过，能不能把“路标”直接贴在“秘密信息”上面？
- 问题：虽然省了格子，但贴得不好会互相干扰，而且如果只贴一个巨大的路标（单导频），会导致信号能量忽高忽低，像过山车一样（高 PAPR），容易烧坏设备。

3. 这篇论文的“绝招”：超级叠加 + 智能侦探

作者提出了一种全新的“叠加导频”方法，结合了两种聪明的策略：

策略一：把“路标”撒在“秘密”上（超级叠加）

他们不再专门留格子给路标，而是把路标（导频）。

比喻：想象你在一张透明的玻璃纸上写字（数据），然后在上面洒一些发光的荧光粉（导频）。虽然字和粉混在一起了，但因为有荧光粉，我们依然能透过它看到玻璃纸的纹理。

策略二：利用“稀疏性”和“侦探游戏”

稀疏性（Sparse）：作者发现，在高速移动的信道中，真正起干扰作用的“风”其实很少，只有几个特定的方向（就像棋盘上只有几个地方有风）。
OMP 算法（侦探）：他们使用了一种叫正交匹配追踪（OMP）的算法。
- 比喻：这就像是一个侦探，面对一堆混乱的线索（混合了数据和路标的信号），他知道只有几个关键线索（稀疏的干扰）是真实的。侦探会一步步排除干扰，精准地找出那几个关键的风向。
MP 检测器（纠错）：一旦侦探猜出了风向，另一个叫消息传递（MP）的助手就会利用这个信息，把被风吹歪的“秘密信息”重新摆正。

策略三： iterative（迭代）——“越猜越准”

这是最精彩的部分。这个过程不是一次完成的，而是像滚雪球一样越做越好：

第一轮（粗估）：侦探先不管数据干扰，只盯着路标，大概猜出风向。
第一轮（粗解）：助手根据这个大概的风向，把数据摆正，猜出秘密信息。
第二轮（精修）：现在侦探手里有了“大概的风向”和“猜出来的秘密信息”。他把猜出来的秘密信息也当成路标，把路标和秘密信息加起来，再次去猜风向。
循环：因为猜出的秘密信息越准，路标就越清晰，风向猜得就越准；风向越准，秘密信息就摆得越正。

比喻：就像两个人在迷雾中互相指路。第一次指路可能有点偏，但第二次你根据对方指的路，修正了自己的位置，再指回去，路就越来越清晰了。

4. 结果：为什么这个方法很牛？

论文通过模拟实验证明了三点：

省资源：不需要专门留格子给路标，频谱效率极高（没有浪费任何空间）。
更精准：在信号好的时候，它的准确度甚至超过了传统的“专门留格子”的方法，和另一种复杂的数学方法（MMSE）一样好。
更安全（低 PAPR）：
- 比喻：以前的“单导频”方法像是在信号里放了一个巨大的炸弹（能量集中），容易炸坏设备（高 PAPR）。
- 这个方法把“路标”均匀地撒在整个棋盘上，能量分布很均匀，就像撒了一把均匀的盐，既安全又稳定。

总结

这篇论文就像是在教我们如何在狂风暴雨中，不用专门留出一块空地来放路标，而是把路标巧妙地撒在货物上，并派出一位聪明的侦探，通过“猜了又猜、越猜越准”的迭代游戏，既看清了路况，又完美地送走了货物，而且还没把卡车震坏。

这对于未来 6G 网络在高铁、飞机等高速场景下的稳定通信，是一个非常重要的进步。

这篇论文提出了一种基于压缩感知（Compressive Sensing）的OTFS（正交时频空间）调制系统中的叠加导频信道估计方法。该方法旨在解决传统 OTFS 信道估计中导频开销大、峰值平均功率比（PAPR）高以及在高移动性场景下性能受限的问题。

以下是该论文的详细技术总结：

1. 研究背景与问题 (Problem)

OTFS 的优势与挑战：OTFS 通过在延迟 - 多普勒（DD）域复用信息符号，能够有效对抗高速无线通信中的高多普勒频移。然而，传统的信道估计方法（如嵌入式导频 EP 方案）存在显著缺陷：
- 高导频开销：为了在 DD 域中避免导频污染，导频脉冲必须与数据符号隔离，导致大量资源被导频占用，降低了频谱效率。
- 高 PAPR：某些方案（如单导频叠加或 EP 方案）会导致时域信号出现较高的峰值平均功率比（PAPR），这对功率放大器提出了苛刻要求。
- 估计精度限制：现有的叠加导频方案（如 MMSE 叠加）通常假设多径延迟和多普勒在超帧（super-frame）内保持不变，或者需要专门的导频帧来初始化，这在时变信道中不够灵活且开销依然较大。
核心痛点：如何在不牺牲频谱效率（无专用导频开销）、不增加 PAPR的前提下，实现高精度的信道参数（延迟和多普勒）估计及数据检测。

2. 方法论 (Methodology)

论文提出了一种联合信道估计与数据检测的迭代框架，主要包含以下关键技术：

A. 系统模型

叠加传输：在发射端，导频序列（高斯分布）直接叠加在 DD 域的数据符号上，即 $X = X_d + X_p$ 。这意味着没有预留专门的导频资源，导频功率占总功率的约 30%（ $\sigma_p^2=0.3$ ），数据功率占 70%。
稀疏性利用：利用 DD 域信道表示的稀疏性（信道仅由少数几个径组成，每个径由系数、延迟、多普勒定义）。

B. 核心算法流程

该方法采用迭代干扰消除策略，分为“粗估计”和“精估计”两个阶段：

粗信道估计与数据检测 (Coarse Estimation)：
- 将数据干扰视为噪声，利用**正交匹配追踪（OMP）**算法从接收信号中粗略估计信道向量 $\hat{h}_1$ 。
- 利用估计出的信道，通过**消息传递（Message Passing, MP）**检测器进行初步的数据检测。
- 由于初始估计误差较大，直接检测的数据含有较多干扰。
精信道估计与数据检测 (Fine Estimation - 迭代)：
- 干扰消除：利用上一轮迭代检测出的数据 $\hat{x}_d$ ，将其重构并视为“虚拟导频”叠加到实际导频上，从而增强导频功率，提高估计精度。
- 联合估计：将重构的数据作为已知信息，再次使用 OMP 算法进行更精确的信道估计 $\hat{h}_{i+1}$ 。
- 迭代更新：利用更新后的信道估计值，从接收信号中减去导频干扰，再次使用 MP 检测器 进行数据检测。
- 该过程循环进行，直到收敛或达到预设迭代次数。

C. 数据检测

采用基于 DD 域信道稀疏特性的 MP 检测器，能够有效抵消符号间干扰（ISI）和载波间干扰（ICI）。

3. 主要贡献 (Key Contributions)

消除导频开销：提出了一种完全叠加的导频方案，无需预留专门的导频时隙或导频帧，显著提高了频谱效率。
无需先验知识：与现有的 MMSE 叠加方案不同，该方法不需要预先知道每个径的延迟和多普勒参数，也不需要专门的初始化帧（EP 帧）来追踪这些参数，因此更适用于高时变信道。
低 PAPR：由于导频序列在 DD 域是分散叠加的（而非集中在一个高功率脉冲），该方法生成的时域信号具有较低的 PAPR，优于 EP 方案和单导频叠加方案。
高精度估计：利用 OMP 算法的稀疏恢复能力，结合迭代干扰消除，实现了接近理想信道状态信息（CSI）的估计精度。

4. 仿真结果 (Simulation Results)

论文通过仿真对比了提出的 OMP 叠加方案 与 EP 方案、MMSE 叠加方案 以及 单导频叠加方案：

归一化均方误差 (NMSE)：
- 在高信噪比（SNR）下，OMP 叠加方案的性能优于 EP 方案。这是因为迭代过程利用了数据辅助，随着迭代次数增加，估计误差逐渐减小。
- OMP 方案的性能非常接近 MMSE 叠加方案，且两者均优于单导频叠加方案。
- 在低 SNR 下，由于初始估计不准，迭代带来的增益有限，但整体表现依然稳健。
误码率 (BER)：
- OMP 叠加方案的 BER 曲线非常接近 MMSE 叠加方案和理想 CSI 基准。
- 在高 SNR 区域存在误差平层（Error Floor），这是由于数据对导频的干扰无法完全消除所致，但整体性能仍满足通信需求。
PAPR (CCDF)：
- OMP 叠加方案（以及 MMSE 叠加）的 PAPR 显著低于 EP 方案和单导频叠加方案。这是因为分散的导频避免了时域上的功率集中。

5. 意义与结论 (Significance & Conclusion)

频谱效率提升：该方法彻底移除了传统 OTFS 系统中昂贵的导频开销，使得系统在高移动性场景下（如 6G 车联网、高铁通信）具有更高的数据传输效率。
硬件友好性：低 PAPR 特性降低了对发射机功率放大器的线性度要求，有助于降低硬件成本和功耗。
鲁棒性：通过迭代机制和稀疏恢复算法，该方法能够适应时变信道，无需假设信道参数在长时间内恒定，比 MMSE 叠加方案更具适应性。

总结：该论文成功设计了一种基于 OMP 和 MP 的联合迭代处理框架，解决了 OTFS 系统中导频开销与估计精度之间的矛盾，同时兼顾了低 PAPR 特性，为未来高速无线通信系统的信道估计提供了一种高效、实用的解决方案。