[論文レビュー] Superimposed-Pilot OTFS Under Fractional Doppler: Modular End-to-End Learning

Yushi Lei, Yusha Liu+3 more|arXiv (Cornell University)|Jan 30, 2026

PAPR reduction in OFDM被引用数 0

ひとこと要約

この論文は、訓練可能な星座マッピング、重畳パイロット、DLベースのZak/IZak変換、循環プレフィックスと小数 Dopplerを考慮したJCED受信機を備えたモジュラ型のエンドツーエンド深層学習OTFSトランシーバを提案します。整数および小数 Dopplerシナリオでのチャネル推定と検出の堅牢性を向上させることを示します。

ABSTRACT

Orthogonal time frequency space (OTFS) modulation has emerged as a promising candidate to overcome the performance degradation of orthogonal frequency division multiplexing (OFDM), which are commonly encountered in high-mobility wireless communication scenarios. However, conventional OTFS transceivers rely on multiple separately designed signal-processing modules, whose isolated optimization often limits global optimal performance. To overcome limitations, this paper proposes a modular deep learning (DL) based end-to-end OTFS transceiver framework that consists of trainable and interchangeable neural network (NN) modules, including constellation mapping/demapping, superimposed pilot placement, inverse Zak (IZak)/Zak transforms, and a U-Net-enhanced NN tailored for joint channel estimation and detection (JCED), while explicitly accounting for the impact of the cyclic prefix. This physics-informed modular architecture provides flexibility for integration with conventional OTFS systems and adaptability to different communication configurations. Simulations demonstrate that the proposed design significantly outperforms baseline methods in terms of both normalized mean squared error (NMSE) and detection reliability, maintaining robustness under integer and fractional Doppler conditions. The results highlight the potential of DL-based end-to-end optimization to enable practical and high-performance OTFS transceivers for next-generation high-mobility networks.

研究の動機と目的

• 高移動度シナリオでの小数 Dopplerが性能を低下させる場合でも、堅牢なOTFSトランシーバ設計を動機付ける。
• 神経ブロックをOTFS信号処理操作と整合させたモジュラ DLベースのエンドツーエンドトランシーバを提案する。
• 循環プレフィックスの影響と小数 Dopplerを結合チャネル推定とデータ検出（JCED）で明示的にモデル化する。
• 従来のOTFSブロックとの柔軟な統合とエンドツーエンド最適化のサポートを可能にする。

提案手法

• NNブロックが主要な処理ステップを置換するモジュラ DLベースOTFSトランシーバを提案する：星座マッピング/デマッピング、重畳パイロット配置、Zak/IZak変換、JCED。
• 学習可能な星座ベクトルを用いて最適なシンボル位置を学習し電力正規化を行う。
• トレーニング中に位相を適応させて信号対雑音比の低い条件でもCEを信頼できるようにする学習可能な重畳パイロットを導入する。
• DL-IZakおよびDL-Zakモジュールを設計し、Zak/IZak操作の学習可能近似を通じてDD↔TF変換を学習する。
• CPと小数 Dopplerを考慮したチャネル推定とシンボル検出を同時に行う強化されたU-Netアーキテクチャに基づくJCEDモジュールを開発する。

実験結果

リサーチクエスチョン

• RQ1 小数 DopplerはOTFSのチャネル推定とデータ検出に整数 Dopplerと比較してどう影響するか。
• RQ2 モジュラ型のエンドツーエンドDL OTFSトランシーバは、現実的なドポラー結合下でCEと検出を改善しつつOTFS構造を保持できるか。
• RQ3 学習可能なZak/IZak変換と学習可能な星座/パイロットはCP影響下でエンドツーエンドの性能を改善するか。
• RQ4 提案されたJCEDモジュールは、小数 Dopplerの存在下で堅牢な結合チャネル推定とデータ検出を提供するか。

主な発見

• エンドツーエンドのモジュラDL OTFSは、整数および小数 Dopplerの両方でCE精度とデータ検出性能がベースラインより優れている。
• モジュール設計は従来のOTFS処理との互換性を維持し、ハイブリッド展開の柔軟性を提供する。
• DLフレームワーク内でCPと小数 Dopplerを明示的にモデリングすることでドポラーによる干渉への堅牢性が向上する。
• DLベースのJCEDモジュールは結合チャネル推定とシンボル検出の性能を向上させる。
• シミュレーション結果は、エンドツーエンド最適化を用いた全体的な検出能力が非エンドツーエンド設計よりも優れていることを示す。