基于多帧叠加的OTFS-ISAC系统低复杂度参数估计框架：一种优化雷达感知与通信协同的新方法

本文创新性地提出了一种基于正交时频空间（OTFS）的集成感知与通信（ISAC）系统框架，通过构建多帧叠加的二维相关结构（2D correlation structure），开发了ML-MFS和WOA-MFS两种低复杂度算法，显著降低了高机动场景下雷达参数估计的运算量（复杂度降低达90%），同时通过鲸鱼优化算法（WOA）实现了多目标场景的并行参数优化。研究还推导出克拉美罗下界（CRLB）作为理论性能基准，仿真验证了该系统在感知辅助通信方面的卓越潜力。

　　

Highlight

本研究构建了车载网络场景下的OTFS-ISAC系统创新框架，其核心突破在于：

系统模型

通过将路边单元（RSU）与用户设备（UE）组成的车载网络建模为感知-通信协同系统，在延迟-多普勒（DD）域实现信号调制。该系统巧妙利用OTFS波形对抗高多普勒频移的特性，为后续参数估计奠定基础。

分数阶时延与多普勒估计

• 多帧叠加的二维相关结构：通过数学推导证明该结构能显著降低矩阵运算维度（从O(M²N²)降至O(MN)）

• ML-MFS算法：基于最大似然准则改进的快速估计算法，在单目标场景下可达CRLB界

• WOA-MFS算法：受鲸鱼捕食行为启发的智能优化算法，通过"包围猎物-气泡网攻击-随机搜索"三阶段机制，实现多目标参数的全局并行优化

仿真与性能分析

在128子载波/14符号的OTFS系统配置下：

• •

  复杂度对比：ML-MFS运算量仅为传统ML算法的8.3%，WOA-MFS进一步降低至5%

• •

  感知精度：在SNR=10dB时，WOA-MFS的均方误差比ML-MFS改善2个数量级

• •

  通信验证：感知辅助使通信误码率（BER）降低达10^-4量级

Conclusion

该研究为6G时代智能交通系统提供了理论支撑，其创新框架既攻克了OTFS-ISAC系统的实时处理难题，又通过生物启发算法开辟了参数估计新路径。未来可拓展至无人机（UAV）群感知等更复杂场景。