[论文解读] CNN aided Weighted Interpolation for Channel Estimation in Vehicular Communications

Abdul Karim Gizzini, Marwa Chafii+3 more|arXiv (Cornell University)|Apr 18, 2021

Millimeter-Wave Propagation and Modeling参考文献 36被引用 39

一句话总结

本论文提出了一种新型的CNN辅助加权插值（WI）信道估计算法，用于IEEE 802.11p车载通信系统，通过在帧中插入自适应导频符号，实现在高速移动场景下的低时延、高数据速率和鲁棒的信道估计。通过结合时域加权插值与优化的超分辨率或去噪CNN，该方法在计算复杂度方面相比先前的深度学习估计算法显著降低——相比ChannelNet降低70倍，相比2D LMMSE降低7,027倍，同时提升了传输数据速率并减少了缓冲时延。

ABSTRACT

IEEE 802.11p standard defines wireless technology protocols that enable vehicular transportation and manage traffic efficiency. A major challenge in the development of this technology is ensuring communication reliability in highly dynamic vehicular environments, where the wireless communication channels are doubly selective, thus making channel estimation and tracking a relevant problem to investigate. In this paper, a novel deep learning (DL)-based weighted interpolation estimator is proposed to accurately estimate vehicular channels especially in high mobility scenarios. The proposed estimator is based on modifying the pilot allocation of the IEEE 802.11p standard so that more transmission data rates are achieved. Extensive numerical experiments demonstrate that the developed estimator significantly outperforms the recently proposed DL-based frame-by-frame estimators in different vehicular scenarios, while substantially reducing the overall computational complexity.

研究动机与目标

• 解决在双重选择性衰落环境下高速移动车载场景中信道估计的准确性与低复杂度挑战。
• 克服现有逐帧深度学习估计算法（如ChannelNet和TS-ChannelNet）存在的高计算复杂度、高速移动下性能下降以及接收端缓冲时延高的局限性。
• 通过将OFDM符号完全分配给数据子载波，仅在关键位置插入最少数量的导频符号，从而提升传输数据速率。
• 通过采用子帧级信道估计而非等待完整帧接收，实现降低接收端时延。
• 开发一种混合式、自适应且鲁棒的估计算法，能够根据移动性条件动态调整导频插入策略，以在多样化车载场景中保持性能。

提出的方法

• 提出一种新型导频分配方案，在帧末尾插入一个或多个完整导频OFDM符号，导频数量随移动性增加而增加。
• 仅使用插入的导频符号，在时域应用加权插值以估计所有数据符号的信道响应，避免频域插值。
• 提出两种变体：WI-FP-ALS（使用加权交替最小二乘法）和WI-FP-SLS（使用简单最小二乘法）进行信道估计。
• 将优化的超分辨率CNN（SR-CNN）或去噪CNN（DN-CNN）作为后处理模块，以提升估计精度。
• 根据移动性动态调整帧结构与导频数量：低速时为一个导频符号，高速与极高移动时增加至两个或三个。
• 将帧划分为子帧处理，使信道估计可在每个子帧接收后立即开始，显著减少缓冲时间。

实验结果

研究问题

• RQ1 基于深度学习的信道估计算法是否能在高速移动车载场景中，优于现有逐帧估计算法（如ChannelNet和TS-ChannelNet）？
• RQ2 通过引入自适应导频插入的修改版IEEE 802.11p帧结构，是否能降低计算复杂度，同时保持或提升估计精度？
• RQ3 加权时域插值在双重选择性衰落信道中，相较于传统2D插值，性能优势能有多大？
• RQ4 与全帧处理相比，子帧级处理在实时车载应用中如何有效降低接收端缓冲时延？
• RQ5 优化的CNN架构（SR-CNN、DN-CNN）是否能有效集成到轻量化插值框架中，在不增加复杂度的前提下提升性能？

主要发现

• 所提出的WI-FP-ALS-SR-CNN估计算法相比ChannelNet计算复杂度降低70倍，相比TS-ChannelNet降低39倍。
• 所提出的估计算法相比传统2D LMMSE估计算法，计算复杂度降低至少7,027.35倍，同时保持可接受的误比特率（BER）性能。
• WI-2P与WI-3P估计算法的传输数据速率（TDR）分别较标准IEEE 802.11p提高8.08%和7.83%，得益于对所有子载波的完全数据分配。
• WI-2P与WI-3P估计算法的缓冲时间分别降低至400 µs和265 µs，而ChannelNet与TS-ChannelNet为800 µs，实现了更早的信道估计。
• 在高速与极高移动场景中使用的FP-ALS-DN-CNN变体，其复杂度是FP-ALS-SR-CNN的12倍，但仍显著低于ChannelNet与TS-ChannelNet。
• 仿真结果证实，所提出的估计算法在所有移动性场景中均优于ChannelNet与TS-ChannelNet，尤其在高速移动条件下，先前方法性能显著下降，而本方法保持稳定优势。