⚡ electrical engineering

Scalable Cross-Attention Transformer for Cooperative Multi-AP OFDM Uplink Reception

该论文提出了一种可扩展的交叉注意力 Transformer 模型，用于多协调接入点协同接收上行 OFDM 信号，该模型无需显式信道估计即可通过自适应融合多接收端信息实现联合解码，在真实 Wi-Fi 信道下展现出超越传统方法及强基线模型的性能，同时具备在商用硬件上高效运行的紧凑性。

原作者： Xavier Tardy, Grégoire Lefebvre, Apostolos Kountouris, Haïfa Fares, Amor Nafkha

发布于 2026-04-08

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Xavier Tardy, Grégoire Lefebvre, Apostolos Kountouris, Haïfa Fares, Amor Nafkha

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

这篇论文介绍了一种更聪明、更高效的“无线信号接收员”，专门用于解决未来 Wi-Fi（比如 Wi-Fi 7 和 Wi-Fi 8）中多个基站协同工作时的难题。

为了让你轻松理解，我们可以把整个场景想象成一场**“多麦克风录音会议”**。

1. 背景：为什么我们需要“多麦克风”？

想象一下，你在一个嘈杂的房间里说话（这是用户手机在发送信号）。

传统做法：房间里只有一个录音师（单个基站 AP）。如果房间回声大、噪音多，或者你离得远，录音师可能听不清，导致录音（数据）出错。
新趋势（协同接收）：现在，我们在房间的不同角落放了 3 个、5 个甚至 10 个录音师（多个协调基站 AP）。他们同时录音。
- 优势：即使某个角落噪音大，其他角落可能听得很清楚。把大家的录音拼起来，就能完美还原你的声音。
- 挑战：怎么把这 10 个人的录音完美拼在一起？如果每个人都在那里瞎猜（独立处理），或者用笨办法硬拼，效果并不好，而且计算量巨大，电脑会卡死。

2. 核心创新：这位“超级录音师”是谁？

这篇论文提出了一种基于Transformer（一种强大的 AI 模型）的新方法，我们叫它“交叉注意力协同解码器”。

它的工作方式可以用一个**“聪明的会议主持人”**来比喻：

A. 第一步：每个人先“听”一遍（共享编码器）

比喻：10 个录音师（基站）先各自戴上耳机，把自己听到的声音（原始信号）在脑子里整理一下。
AI 的作用：他们使用同一个经过训练的“听音大脑”（共享编码器）。这个大脑很擅长从杂乱的背景音里提取出“人声”的规律（时间 - 频率结构）。不管你是第 1 个录音师还是第 10 个，用的都是同一个大脑，所以很省资源。

B. 第二步：主持人进行“交叉提问”（交叉注意力机制）

这是最精彩的部分！

传统笨办法：把 10 个人的录音全部混在一起，像一锅乱炖，然后试图从中找规律。这就像让 100 个人同时在大厅里大喊，谁的声音都听不清，而且计算量是爆炸的（平方级增长）。
本文的聪明办法（交叉注意力）：
- 想象有一个**“超级主持人”。他手里拿着第 1 个录音师的录音作为“锚点”**（基准）。
- 然后，他问其他 9 个录音师：“关于这个特定的声音片段，你们觉得怎么样？”
- 关键点：主持人会根据每个人的可信度来分配权重。
  - 如果第 3 个录音师那边信号很好，主持人就重点听他的。
  - 如果第 8 个录音师那边全是噪音，主持人就忽略他，或者只给他很小的权重。
- 比喻：这就像在团队讨论中，大家不是乱吵，而是针对同一个问题，由最靠谱的人来主导，其他人补充。这种“点对点”的提问方式，让计算量随着人数增加只是线性增长（加一个人就多算一点），而不是指数级爆炸。

C. 第三步：输出最终答案（LLR 软判决）

主持人综合所有人的意见后，不是直接猜“是”或“否”，而是给出一个**“信心指数”**（比如：90% 可能是“是”，10% 可能是“否”）。
这个“信心指数”（在技术上是对数似然比 LLR）会交给最后的纠错专家（标准信道解码器，如 LDPC）。纠错专家利用这些信心指数，就能轻松把偶尔出现的错误修正过来。

3. 为什么它这么厉害？（三大亮点）

不需要“预知未来”（无需显式信道估计）
- 传统做法：录音师必须先花时间去测量“房间的回声特性”（信道估计），这很麻烦，而且如果房间变了（环境变了），测量就失效了。
- 新方法：这个 AI 模型直接看录音，自己就能“悟”出哪里有回声、哪里噪音大。它不需要先做复杂的测量，直接就能干活，而且对环境变化适应力极强。
不怕“信号稀疏”（稀疏导频）
- 比喻：就像录音时，只有很少的几个时间点有清晰的参考音（导频）。
- 效果：传统的录音师（LS/LMMSE 算法）在参考音少的时候容易听错。而这个 AI 模型像是一个**“读心术大师”**，即使参考音很少，它也能通过上下文（其他时间点的声音）猜出中间缺了什么，表现非常稳健。
又小又快（高效且轻量）
- 比喻：以前的多麦克风方案像是一个需要超级计算机才能运行的“巨型录音棚”。
- 新方法：这个模型非常紧凑（只有 0.15M 参数），甚至可以在普通的笔记本电脑 CPU 上跑得飞快。当基站数量从 1 个增加到 10 个时，它的速度依然能保持在线，而传统的“大锅炖”方案（全自注意力模型）早就卡死不动了。

4. 总结：这对我们意味着什么？

这篇论文提出了一种**“聪明、灵活且省钱”**的算法，让未来的 Wi-Fi 网络（Wi-Fi 8 及以后）能够：

覆盖更广：在信号弱的角落也能通过多个基站协同把信号拉回来。
更抗干扰：在人多、噪音大的地方（如体育馆、机场）依然能保持高速连接。
部署更便宜：不需要昂贵的超级计算机，普通的边缘设备就能运行。

简单来说，它让多个基站像一支训练有素的特种部队，而不是十个各自为战的散兵，从而在复杂的无线环境中完美地“听清”每一个用户的信号。

论文技术总结：可扩展的交叉注意力 Transformer 用于协作多 AP OFDM 上行接收

1. 研究背景与问题定义 (Problem)

随着 Wi-Fi 7 (802.11be) 及未来 Wi-Fi 8 (P802.11bn) 标准的演进，无线通信对吞吐量、可靠性和多链路协作的需求日益增长。协作上行接收（Cooperative Uplink Reception）利用地理分布的多个接入点（AP）协同处理同一用户的信号，以提升空间分集和抗干扰能力。

然而，现有的接收机方案存在显著局限性：

传统流水线瓶颈：传统的“信道估计 - 均衡 - 解调”流水线（如 LS 或 LMMSE 估计器）通常独立处理每个 AP 的信号，忽略了 AP 间的空间相关性，且对稀疏导频和非平稳信道敏感。
现有深度学习的局限：
- 基于 CNN 或 LSTM 的方法难以捕捉长距离的时频依赖或跨 AP 的复杂交互。
- 基于全自注意力（Full Self-Attention）的 Transformer 模型虽然能处理 2D 时频网格，但其计算复杂度随资源元素数量和 AP 数量呈二次方增长，在大规模 OFDM 块和密集多 AP 部署中不可扩展。
- 现有协作接收研究多关注平坦衰落或块衰落模型，缺乏针对完整 2D OFDM 网格的联合解码方案，且往往无法直接输出适合信道解码器的软信息（LLR）。

核心问题：如何设计一种可扩展、低复杂度的神经网络接收机，能够在无需显式信道状态信息（CSI）的情况下，有效融合多个 AP 的观测数据，输出高质量的软比特对数似然比（LLR），以应对稀疏导频和频率选择性衰落？

2. 方法论 (Methodology)

本文提出了一种基于交叉注意力（Cross-Attention）的 Transformer 联合解码器，旨在直接处理多 AP 接收的 OFDM 资源网格，输出供标准信道解码器（如 LDPC）使用的软 LLR。

2.1 系统模型

场景：单天线用户设备（UE）向 $N_R$ 个协调 AP 发送上行 OFDM 信号。
输入：每个 AP 接收到的复数资源网格 $Y^{(r)}$ 及噪声方差估计。
输出：编码比特的软 LLR 向量。
训练目标：最大化比特度量解码（BMD）速率，等价于最小化比特交叉熵损失，从而优化误码率（BER）。

2.2 网络架构

该架构分为三个主要阶段，实现了从局部特征提取到跨 AP 融合的高效处理：

每 AP 共享编码器 (Per-AP Shared Encoder)：
- 所有 AP 共享同一组 Transformer 编码器参数。
- 每个 AP 的 2D 时频网格被展平为 Token 序列，输入编码器。
- 利用**自注意力（Self-Attention）**机制，独立学习每个 AP 网格内的局部和全局时频依赖关系，提取潜在特征表示。
- 输入特征包含接收符号的实部、虚部及估计的噪声方差。
Token 级交叉注意力融合 (Token-wise Cross-Attention Fusion)：
- 这是核心创新点。对于时频网格中的每一个位置 $(f, t)$ ，模型将 $N_R$ 个 AP 在该位置的特征表示视为一个序列。
- 采用**锚点查询（Anchor-Query）**机制：选取任意一个 AP（如 AP 1）的特征作为 Query，所有 AP 的特征作为 Key 和 Value。
- 通过交叉注意力机制，动态计算每个 AP 信号在该特定资源单元上的权重。这使得模型能够自适应地加权可靠信号，抑制噪声大或衰落严重的信号，且无需显式的 CSI。
- 复杂度优势：该机制将融合操作限制在相同时间 - 频率位置的 $N_R$ 个视图上，避免了全自注意力在跨 AP 和跨时频维度上的二次方爆炸，实现了关于 AP 数量 $N_R$ 的线性复杂度。
预测头 (Prediction Head)：
- 融合后的特征通过一个轻量级的多层感知机（MLP），映射为每个资源单元（RE）对应的比特级 LLR。

3. 主要贡献 (Key Contributions)

可扩展的 Transformer 解码模型：提出了一种基于交叉注意力的多接收机解码架构，其计算复杂度随 AP 数量线性增长，解决了全自注意力模型在大规模部署中的可扩展性问题。
自适应融合机制：设计了一种能够适应异构链路质量和噪声水平的融合策略。模型无需显式信道估计，即可根据数据内容自适应地调整各 AP 的融合权重，对链路退化具有鲁棒性。
端到端软信息输出：构建了一个单一的可训练解码器，直接输出适合现代信道解码器（如 LDPC）的软 LLR，实现了从原始接收信号到解码输入的端到端优化。
性能与效率的平衡：在保持高性能的同时，模型参数量极小（0.15M），在通用 CPU 上即可实现低延迟推理，适合边缘部署。

4. 实验结果 (Results)

实验基于 3GPP TR 38.901 城市微蜂窝（UMi）信道模型，在 Wi-Fi 802.11 参数设置下进行仿真。

误码率（BER）性能：
- 协作增益：随着 AP 数量从 1 增加到 3，模型性能显著提升。在 $N_R=3$ 时，相比 $N_R=1$ ，在 $10^{-6}$ BER 处所需的 $E_b/N_0$ 降低了约 9.5 dB。
- 稀疏导频鲁棒性：在仅使用 1 列导频（相比 2 列）的稀疏场景下，该模型性能下降极小，且显著优于 LMMSE 和 CNN 基线（在 $10^{-6}$ BER 处分别领先 2 dB 和 3.5 dB）。
- 对比基线：在所有配置下，该模型均优于传统的 LS/LMMSE 流水线、CNN 接收机以及全自注意力 Transformer 基线。在 $N_R=3$ 时，其性能甚至超越了基于 SNR 加权融合的理想本地 CSI（Perfect-CSI）参考方案。
计算复杂度与延迟：
- 线性扩展：与全自注意力模型（复杂度随 $N_R$ 呈二次方增长）相比，交叉注意力模型的 FLOPs 和推理延迟随 $N_R$ 呈线性增长。
- 实际延迟：在 $N_R=10$ 时，该模型在 CPU 上的推理延迟（2120ms）是全自注意力模型（7700ms）的 3 倍以上，且参数量仅为 0.15M，远低于 CNN 基线。
- 硬件友好：无需 GPU 加速即可在商用 CPU 上运行，适合实时协作接收。

5. 意义与展望 (Significance)

技术突破：该工作证明了 Transformer 架构在物理层接收机设计中的巨大潜力，特别是通过交叉注意力机制解决了多节点协作中的可扩展性难题。
实际部署价值：提出的模型无需显式信道估计，降低了系统开销；其紧凑的架构和线性复杂度使其非常适合部署在下一代分布式蜂窝（Cell-Free）和 Wi-Fi 8 的边缘节点中。
未来方向：研究可进一步扩展至多用户场景（解决导频污染）、非同步前传处理以及基于学习先验的盲拓扑自适应。

总结：本文提出了一种高效、可扩展且鲁棒的协作多 AP 接收方案，通过创新的 Token 级交叉注意力机制，在无需显式 CSI 的情况下实现了接近甚至超越理想 CSI 的解码性能，为未来高可靠、低延迟的无线协作网络提供了强有力的技术支撑。