[论文解读] 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 0

一句话总结

这篇论文提出了一个模块化的端到端深度学习 OTFS 收发器，具备可训练的星座映射、叠加导频、DL 版本的 Zak/IZak 变换，以及考虑循环前缀和分数多普勒的 JCED 接收机。在整数和分数多普勒场景下显示出对信道估计和检测鲁棒性的提升。

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.

研究动机与目标

• 为高多普勒场景中分数多普勒降低性能的情况下，激发鲁棒的 OTFS 收发机设计。
• 提出一个模块化的基于 DL 的端到端收发机，使神经网络模块与 OTFS 信号处理操作对齐。
• 在联合信道估计与数据检测（JCED）中，显式建模循环前缀效应和分数多普勒。
• 实现与传统 OTFS 模块的灵活集成，并支持端到端优化。

提出的方法

• 提出一个模块化的基于 DL 的 OTFS 收发机，其中NN模块替代关键处理步骤：星座映射/去映射、叠加导频放置、Zak/IZak 变换，以及 JCED。
• 使用可训练的星座向量学习最佳符号位置并进行功率归一化。
• 引入一个可训练的叠加导频，在训练过程中自适应其相位，以在较低功率下实现可靠的信道估计。
• 设计 DL-IZak 和 DL-Zak 模块，通过对 Zak/IZak 操作的可学习近似来学习 DD↔TF 变换。
• 基于改进的 U-Net 架构开发一个 JCED 模块，联合估计信道和检测符号，考虑 CP 和分数多普勒。

实验结果

研究问题

• RQ1 分数多普勒如何影响 OTFS 信道估计与数据检测，相较于整数多普勒？
• RQ2 一个模块化的端到端 DL OTFS 收发机在保留 OTFS 结构的同时，是否能够在现实多普勒组合下提升信道估计与检测性能？
• RQ3 可学习的 Zak/IZak 变换和可训练星座/导频是否在考虑 CP 效应的情况下提升端到端性能？
• RQ4 提出的 JCED 模块在存在分数多普勒时，是否提供稳健的联合信道估计与数据检测？

主要发现

• 端到端的模块化 DL OTFS 在整数和分数多普勒下都优于基线，在信道估计准确性和数据检测方面表现突出。
• 模块化设计保持与传统 OTFS 处理的兼容性，并为混合部署提供灵活性。
• 在 DL 框架中显式建模 CP 和分数多普勒能提升对多普勒干扰的鲁棒性。
• 基于 DL 的 JCED 模块提升了联合信道估计与符号检测的性能。
• 仿真结果表明，与非端到端设计相比，端到端优化具有更优的整体检测能力。