⚡ electrical engineering

A Transformer for Joint Multi-Receiver Pilotless Wi-Fi Decoding

本文提出了一种利用自注意力 Transformer 实现的全无导频多接入点 Wi-Fi 接收机，该接收机通过利用多个接入点之间的空间分集，实现了与理想信道感知基准相当的实际误比特率和更高的频谱效率。

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

发布于 2026-08-26

📖 1 分钟阅读☕ 轻松阅读

原作者： Xavier Tardy, Grégoire Lefebvre, Apostolos Kountouris, Haïfa Farès, 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

无线信号像无形的涟漪一样在空气中传播，将我们的信息从手机传递到路由器。为了确保这些信息完好无损地抵达，工程师们长期以来一直依赖一种被称为“导频”（pilots）的内置检查点系统。这些是随实际数据一同发送的小型已知信号，允许接收端测量空气如何扭曲了信息并对其进行修正。这种方法效果很好，但它是有代价的：每一个用于导频的空间都被占用的比特，都是从实际信息中扣除的空间。在现代办公室和家庭这种许多设备竞争同一波段的拥挤且复杂的环境中，这种开销成为了一个显著的瓶颈。研究人员面临的问题是，是否可能完全剥离这些导频，转而依靠接收端从数据本身学习信号形状的能力，从而实现完美的解码。

来自法国的一个研究小组通过开发一种完全不需要导频的新型 Wi-Fi 接收器，向回答这个问题迈出了重要一步。他们在克拉科夫举行的一场主要国际会议上展示了他们的工作，其研究重点是一个场景：多个接入点（本质上是路由器或基站）同时监听来自单个设备的传输。该系统并没有尝试用专门的导频信号来测量信道，而是使用了一种先进的人工智能模型——具体来说是一种被称为“Transformer”的神经网络，来分析传入信号的原始且复杂的模式。该模型将来自每个监听站的每一小块数据都视为一个独特的线索，并将它们编织在一起，以重建原始信息。研究人员发现，虽然单个监听站由于缺乏导频而难以理解信号，但由仅三个或更多站点组成的协作网络可以实现极高精度的消息解码，甚至优于依赖完美信道知识的传统系统。

这项创新的核心在于系统处理信息的方式。在标准的 Wi-Fi 设置中，接收器首先使用导频估计无线路径的状态，然后利用该估计值来清理数据。而这种新方法则完全跳过了估计步骤。研究人员设计了一个系统，它接收多个天线接收到的原始、带有噪声的电信号，并将其直接输入神经网络。该网络旨在识别跨越时间和空间的模式。它同时观察每个天线在每个频率通道上接收到的信号，学习不同天线如何从不同角度观察同一个信息。通过结合这些多元的视角，系统可以推断出由墙壁、玻璃隔断和其他障碍物引起的扭曲，而无需任何预先发送的导频信号来告知它预期情况。

为了测试这个想法，研究人员没有依赖简单的数学模型，而是使用先进的光线追踪软件模拟了一个真实的室内环境。他们创建了一个虚拟办公空间，其中设有墙壁和玻璃屏风，并在中心位置放置了一个单一用户，周围分布着多达五个接入点。在这次模拟中，信号在表面反射并绕过角落衍射，形成了一个复杂的干扰网络，模拟了现实世界的条件。团队在数百万个此类模拟场景上训练了他们的神经网络，教会它将原始的、扭曲的信号转化为正确的“0”和“1”序列。至关重要的是，该网络在训练过程中没有任何关于特定信道条件或导频存在性的知识，这迫使它纯粹从观察到的模式中学习底层结构。

这些模拟结果揭示了一个明确的成功阈值。当系统仅使用单个接入点时，它无法可靠地解码消息，即使信号很强，错误率仍然很高。这证实了如果没有导频，单一视角不足以理清室内环境复杂的扭曲。然而，一旦系统获得了第二个视角，性能便得到了显著提升。当三个接入点协同工作时，系统实现的错误率已低到足以投入实际应用，达到了每十万比特中仅有一个错误比特的可靠水平。这种性能是在使用全部带宽进行数据传输的情况下实现的，通过消除导频信号的开销，有效地提升了连接速度。

或许最令人震惊的发现是，当配备三个或更多接入点时，这个无导频系统的表现优于拥有完美、理想信道知识的传统系统。在模拟中，传统系统被赋予了精确了解信号如何被扭曲的特权，但它仍无法匹配那个学会自主应对扭曲的神经网络的准确度。这表明，神经网络融合来自多个来源信息的能力是如此强大，以至于它可以克服缺乏显式信道测量的问题。该系统在许多不同的随机初始条件下都表现出了鲁棒性，表明这一解决方案并非偶然，而是一种稳定且可学习的能力。

这项工作表明，未来高速无线通信的进步可能不需要更复杂的信号传输或更多的导频，而是需要更聪明的接收器进行协作。通过允许多个接入点共享观察结果并通过统一的神经网络进行处理，我们有可能剥离导频信号这一“安全网”，并将那部分带宽重新用于数据传输。虽然目前的结果基于受控虚拟环境中的模拟，但它们提供了一个强有力的概念验证，证明全无导频的多天线 Wi-Fi 不仅在理论上可行，而且是等待部署的现实可能。未来的路径包括优化这些模型以处理多用户并发，并简化架构以适配现实世界的硬件，但“需要导频才能实现可靠解码”这一基本障碍已被证明是可以逾越的。

技术摘要：用于联合多接收机无导频 Wi-Fi 解码的 Transformer

问题陈述
未来的 Wi-Fi 标准（例如 IEEE 802.11be/bn）旨在通过多链路协作在密集部署中最大化频谱效率。虽然减少导频开销极具吸引力——特别是在多个接入点（AP）观测到相同传输情况的上行链路场景下——但完全移除导频会引入显著的解码挑战。在频率选择性室内信道中，显式信道状态信息（CSI）的缺失使接收机容易受到幅度/相位失真以及深衰落的影响。

传统方法在此背景下面临两个主要局限：

基于导频的流水线： 这些方法估计每个 AP 的信道并组合软指标（例如最大比合并，MRC）。然而，它们无法充分利用不同 AP 之间在频率选择性可靠性方面的差异，并且存在频谱开销问题。
端到端学习方案： 先前的神经方法通常需要联合训练发射机和接收机（例如学习型星座图），这与发射机不受接收机控制的标准 Wi-Fi 波形不兼容。

核心挑战在于：如何在仅使用接收端处理、无需显式 CSI 或专用导频的情况下，实现对标准化 Wi-Fi 上行链路的可靠、全无导频解码。

方法论
作者提出了一种基于**自注意力 Transformer（self-attention Transformer）**的全接收端神经架构，该架构处理来自多个 AP 的原始复数频域观测值。系统模型假设一个单天线用户设备（UE）正在向 $N_R$ 个单天线 AP 发送编码后的 OFDM 符号。

输入表示： 接收机为每一个（AP, 子载波）对构建 Token。每个 Token $u^{(r)}_f$ 是一个 3 维实值向量，包含接收样本的实部、虚部和噪声方差估计。
架构：
- 嵌入（Embedding）： Token 被线性嵌入到模型维度（ $d_{model}=64$ ）中，并根据子载波索引附加固定的正弦位置编码，以保留频率结构。
- 编码器（Encoder）： 一个由 4 层 Transformer 编码器组成的堆栈处理这些 Token。每一层利用多头自注意力机制在全量 Token 集上进行运算，从而使模型能够捕捉跨子载波的宽带相关性和跨 AP 的空间相关性。
- 融合与输出： 编码后的表示通过在 AP 维度上取平均值来进行逐子载波融合（这是一种置换不变操作）。随后，一个多层感知器（MLP）将该融合后的表示映射为 QAM 符号的位级对数似然比（LLRs）。
训练与解码： Transformer 通过最小化针对未编码比特标签的二元交叉熵（BCE）进行训练。至关重要的是，LDPC 解码器不属于训练循环的一部分；网络输出与标准率 2/3 LDPC 解码器兼容的软 LLR，该解码器仅在测试时应用。这确保了接收机不会适应特定的编码，而是学习一种通用的信道表示。

主要贡献

无导频多 AP 解码： 本文展示了一种纯接收端神经设计，它在无需专用导频的同时，保持了与标准化 QAM 波形和 LDP 码的兼容性。
内容感知融合： 通过利用自注意力机制，该模型能够在没有显式信道估计的情况下，学习如何融合跨 AP 和跨子载波的信息，从而有效地处理频率选择性衰落和深衰落，利用空间多样性。
频谱效率： 该方法完全移除了导频开销，与基于导频的基准方案相比，直接提升了净数据速率。

实验结果
系统在基于 Sionna RT 的真实射线追踪室内环境（“Box–Two–Screens”）中进行了评估，采用 16-QAM 调制和 $N_c = 72$ 个子载波。协作 AP 的数量（ $N_R$ ）从 1 变化到 5。

单 AP 情况 ( $N_R=1$ )： 基于 Transformer 的接收机无法达到实际的错误率，即使在高信噪比（ $E_b/N_0 \approx 10$ dB）下，编码误码率（BER）仍维持在 $10^{-1}$ 左右。这证实了在没有导频且仅有单个噪声观测的情况下，推断出可靠信道是不可能的。
协作配置 ( $N_R \ge 2$ )：
- 当 $N_R=2$ 时，系统进入了“瀑布区”，在 $E_b/N_0 \approx 8$ dB 时达到了 $10^{-3}$ 的 BER，与具有完美 CSI 的单链路基准相当。
- 当 $N_R=3$ 时，系统在约 $E_b/N_0 \approx 6\text{--}7$ dB 时达到了相同的 BER ( $10^{-3}$ )，这相当于比完美 CSI 单链路获得了几 dB 的增益。
- 当 $N_R=4$ 时，系统在 $E_b/N_0 \approx 6$ dB 附近实现了约 $10^{-5}$ 的编码 BER。
- 当 $N_R=5$ 时，在较低的 SNR（ $E_b/N_0 \approx 4$ dB）下实现了类似的可靠性（ $10^{-5}$ ），并且在 $E_b/N_0 \approx 6$ dB 附近，BER 进一步下降至约 $10^{-8}$ 。
- 值得注意的是，对于 $N_R \ge 2$ ，无导频多 AP 接收机在测试范围内始终优于理想化的单链路完美 CSI 基准。
鲁棒性： 性能曲线显示，独立训练运行之间的标准偏差很小，表明了对初始化和训练噪声的鲁棒性。

意义与主张
本文声称，只要存在空间多样性（即存在多个协作 AP），在真实的频率选择性 Wi-Fi 场景下实现完全无导频解码是可行的。研究表明，纯接收端 Transformer 可以取代传统的信道估计和合并流水线，在消除导频开销的同时，达到与理想基准相当甚至更好的错误率。

作者将这项工作定位为迈向无导频多用户上行链路的“第一步”。他们明确指出，未来仍需研究以验证这些结果在多用户设置下的表现，并探索更简单的注意力机制（例如轴向或结构化注意力），以降低对于潜在在线嵌入式部署的计算复杂度。该工作并不声称具备立即部署的就绪性，而是验证了该方法在受控且真实的仿真环境中的理论与实际可行性。

类似论文