基于 IBO 动态门控双向 GRU 的 OTFS 信道估计方法

为高速移动的车辆打造更智能的信号

随着汽车、列车和无人机速度加快、连接设备增多，它们的无线链路必须在高数据率、拥挤的频谱和不断变化的传播路径之间做出权衡。本文探索了一种新方法，即使在无线电的功率放大器引起信号失真的情况下，也能保持这些链路的清晰和可靠——这一问题在很多现代系统中悄然限制了性能。

为何现有无线技术力不从心

大多数现有移动网络依赖一种称为 OFDM 的方案，在用户移动缓慢时能良好工作。然而在高速公路或列车速度下，信号会在建筑物、车辆和地形上反射，导致到达的时间和频率略有差异。这使得信道快速变化，并可能引起邻近信号切片之间的相互干扰，从而提高误码率。一种称为 OTFS 的新型方案通过在不同的网格上安排数据，将时延和多普勒效应分离，使信道在高速用户（如车辆）场景下显得更稳定、更易处理。

功率放大器悄然扭曲信号

即使使用 OTFS，硬件方面的另一道瓶颈仍然存在。为了将无线波传播到远距离，发射端使用的大功率放大器在一个狭窄的线性区间内工作最佳。为节省能量和成本，这些放大器常被驱动到接近极限的位置，此时它们会以非线性的方式弯曲信号的幅度和相位。一个称为输入退让（Input Back-Off，IBO）的设置衡量工作点距该非线性区域有多远。现有的信道估计方法大多忽略了该设置随时间的变化，错过了判断何时及如何发生失真的关键信息。

一个能听取功率设置的学习模型

作者提出了一种基于深度学习的信道估计器，核心是一个双向门控循环网络（Bi-GRU），它在前向和后向两个方向处理时频域的信道响应。其创新点在于一个动态门控机制，将实时 IBO 值引入网络的内部门控。当 IBO 低、失真严重时，模型会自动更依赖新的观测而少用历史信息；当 IBO 高、放大器更线性时，则可以安全地复用更多的存储信息。此外，一个多头注意力模块学习信道中的长程模式，使系统能够在时频域中识别出最具信息量的特征。

更低的功率峰值、更少的错误、更少的计算量

团队还重新设计了导频和数据的排列，采用特殊的低峰值前导并将导频功率与数据信号保持一致。这减少了会将放大器推向更强非线性区域的尖峰功率。在针对高速车载信道的仿真中，与经典的阈值和互相关方法相比，新估计器将真实与估计信道之间的误差最多削减约 22.6 dB；与其他深度学习基线相比也有数 dB 的优势。在典型的高信噪比点，它将比特误码率降低了一个数量级以上，同时将发射信号的峰均功率比降低超过 7 dB。关键是，动态门控策略在可能时让模型跳过许多内部计算，与没有门控的相似循环网络相比，其复杂度大约减少五分之一到近一半。

在各种速度和条件下表现稳健

作者在从市区交通到超高速运动的一系列车速以及若干标准信道模型下测试了该方法。使用相同的一组网络参数，在所有情况下估计器都保持了低比特误码率和稳定吞吐而无需重新调参，即便接收端使用的 IBO 值与真实硬件设置有一定偏差也能维持性能。虽然在完全线性的理想条件下，采用非常强的导频的传统方法在原始吞吐上可能看起来更高，但一旦考虑放大器失真，该方法会变得脆弱，而所提出的模型则被设计为在这些更现实的工况下表现出色。

这对未来无线系统的意义

简言之，研究表明将功率放大器的工作点视为实时有用的信息，而不是干扰，可以帮助基于学习的接收机更有效地消除失真。通过将 OTFS 调制与关注硬件受力部位的 IBO 感知神经网络结合，该方法在苛刻的高速场景中提升了可靠性和能效。这为车辆与基础设施无线电提供了一条可行路径，使其在不断变化的信道与硬件条件下能优雅适应，而无需频繁的人工调优。

引用: Hou, J., Wei, Z., Ji, Y. et al. OTFS channel estimation method based on IBO-dynamic gated Bi-GRU. Sci Rep 16, 15157 (2026). https://doi.org/10.1038/s41598-026-44747-3

关键词: OTFS, 无线信道, 功率放大器失真, 深度学习, 车载通信