[论文解读] Low-Complexity Equalization for Orthogonal Time and Frequency Signaling (OTFS)

Thomas Zemen, Markus Hofer+1 more|arXiv (Cornell University)|Oct 26, 2017

PAPR reduction in OFDM参考文献 18被引用 37

一句话总结

该论文提出了一种基于迭代最小均方误差（MMSE）均衡与基于软符号反馈的干扰消除，并结合球面译码进行近似最大似然（ML）解调的低复杂度均衡方案，用于正交时频信号（OTFS）。在高速移动（200 km/h）条件下，该方法在误比特率为 $10^{-4}$ 时相比OFDM获得5 dB增益，有效利用了选择性衰落信道中的时域与频域分集增益。

ABSTRACT

Recently, a new precoding technique called orthogonal time-frequency signaling (OTFS) has been proposed for time- and frequency-selective communication channels. OTFS precodes a data frame with a complete set of spreading sequences and transmits the results via orthogonal frequency division multiplexing (OFDM). OTFS uses two dimensional (2D) linear spreading sequences in time and frequency which are the basis functions of a symplectic Fourier transform. OTFS allows the utilization of time- and frequency-diversity but requires maximum likelihood decoding to achieve full diversity. In this paper we show performance results of a low-complexity equalizer using soft-symbol feedback for interference cancellation after an initial minimum-mean square error equalization step. Performance results for an implementation in the delay-Doppler domain and in the time-frequency domain are compared. With our equalizer, OTFS achieves a gain of 5dB compared to OFDM for a bit error rate of $10^{-4}$ and a velocity of $200\, ext{km/h}$.

研究动机与目标

• 解决由于时变与频率选择性衰落信道引起的OTFS中符号间干扰（ISI）问题。
• 在保持低计算复杂度的前提下，实现OTFS中完全的分集增益，避免全最大似然（ML）检测的高成本。
• 对比OTFS在时频（TF）域与延迟-多普勒（DD）域中的均衡性能。
• 证明迭代检测结合软符号反馈可逼近ML性能，同时保持实时系统中的可行性。

提出的方法

• 采用两阶段迭代检测过程：首先进行MMSE均衡，随后利用软符号反馈进行连续干扰消除（SIC）。
• 在第2轮及以后的迭代中采用软输出球面译码器，以降低复杂度的方式逼近最大似然检测。
• 在时频（TF）域与延迟-多普勒（DD）域中分别实现并比较该算法，利用两域之间的线性关系。
• 信号模型采用二维离散辛傅里叶变换（DSFT）进行预编码，将每个数据符号扩展到整个时频网格。
• 通过使用软信息估计并减去先前检测符号的影响，实现迭代干扰消除。
• 假设接收端具备完美的信道状态信息（CSI），通过延迟-多普勒域或时频域中的导频符号获取。

实验结果

研究问题

• RQ1 在显著降低复杂度的前提下，基于软符号反馈的迭代均衡能否在OTFS中实现接近最大似然（ML）的性能？
• RQ2 在高速移动场景下，OTFS在时频域中的均衡性能与在延迟-多普勒域中的性能相比如何？
• RQ3 在高速运动的时变与频率选择性衰落信道中，OTFS相比传统OFDM可实现多大的分集增益？
• RQ4 在所提出的迭代检测方案中，需要多少轮迭代才能达到近似最优性能？

主要发现

• 所提出的均衡方案在200 km/h速度下，误比特率为 $10^{-4}$ 时相比OFDM获得5 dB增益。
• 第二轮迭代带来的增益最大，在0 km/h时相比第一轮提升2.5 dB，200 km/h时也获得类似增益。
• 在延迟-多普勒域中的均衡性能与在时频域中几乎完全一致，证实了两域在线性变换下的等价性。
• 三轮迭代已足够达到近似最优性能；超过第三轮后无进一步增益。
• 该方案有效利用了时域（多普勒）与频域分集，使高移动性环境（如车载网络）中的可靠通信成为可能。
• 通过采用软符号反馈与软输出球面译码器，相比暴力全ML解调，显著降低了复杂度，同时实现了接近ML的性能。