《Physical Communication》：OTFS Channel Estimation in Highly Dynamic Wireless Environments: Key Technologies, Applications, and Future Challenges
编辑推荐：
摘要随着第六代移动通信（6G）向空间-空中-地面一体化网络（SAGIN）和高移动性场景发展，传统的正交频分复用（OFDM）技术的性能受到严重多普勒效应的限制。正交时频空（OTFS）调制技术通过在延迟-多普勒（DD）域中的信号处理，将时变信道转化为准静态信道，成为应对高移动性通信挑
摘要
随着第六代移动通信（6G）向空间-空中-地面一体化网络（SAGIN）和高移动性场景发展，传统的正交频分复用（OFDM）技术的性能受到严重多普勒效应的限制。正交时频空（OTFS）调制技术通过在延迟-多普勒（DD）域中的信号处理，将时变信道转化为准静态信道，成为应对高移动性通信挑战的关键技术。本文对OTFS技术进行了全面综述。首先，解释了OTFS的调制原理及其在DD域中的核心特性；其次，系统地分类了信道估计方法，包括基于导频的方法、基于信道稀疏性的方法（压缩感知/贝叶斯学习）以及基于深度学习的方法。随后，本文探讨了OTFS与集成感知与通信（ISAC）、可重构智能表面（RIS）和MIMO技术的集成设计，以及其在典型场景（如车对一切（V2X）、无人机（UAV）和低地球轨道（LEO）卫星）中的应用现状。最后，本文总结了OTFS目前面临的主要挑战，并展望了未来的研究方向。
引言
随着通信技术的不断进步，移动通信系统正从5G向6G过渡，而6G的高动态通信场景已成为学术界和工业界研究的热点。近年来，随着空间-空中技术的快速发展以及AI驱动的空间-地面一体化网络（SAGIN）的愿景[1]，高速车辆、无人机（UAV）群和低地球轨道（LEO）卫星等高动态平台成为6G技术的重点研究对象，这进一步加剧了对安全可靠传输技术的需求[2]。图1展示了6G的高动态通信场景。由于多径延迟扩散和多普勒扩散，这些环境具有双重色散特性，即时间域和频率域的色散同时存在。传统的正交频分复用（OFDM）可以减少由时间域色散引起的符号间干扰（ISI）；然而，在高动态环境中，多普勒扩散会破坏OFDM子载波之间的正交性，导致严重的载波间干扰（ICI），这使得满足高动态飞机的遥测和控制通信的高可靠性和低延迟要求变得困难[3],[4],[5]。
为了解决传统OFDM的挑战，学术界提出了一种新的调制方案——OTFS。通过在延迟-多普勒（DD）域中对信息符号进行调制，OTFS巧妙地将双重选择性信道转化为近似时间不变的稀疏信道，使每个传输的符号都能受益于完整的时频域多样性。因此，OTFS调制技术确保了所有符号即使在高多普勒信道或高载波频率下也能获得几乎恒定的信道增益。与OFDM调制相比，OTFS有效地减少了导频开销和信道估计复杂度；它还为传输和应用层提供了变化相对缓慢的信道，非常适合TCP/IP协议[6],[7]。此外，OTFS可以被视为在OFDM系统中添加预处理和后处理模块，从而提升了调制性能和抗干扰能力。OTFS的独特优势源于DD域信道的稀疏性、稳定性和可分性：稀疏性降低了信道估计的资源开销，稳定性简化了对动态信道的跟踪，可分性有助于多径分离[8]。近年来，学术界在OTFS领域进行了广泛研究，涵盖了基本原理和建模、信道估计算法的优化、与新兴技术的集成设计以及跨各种场景的应用验证。表1总结了最近的OTFS相关研究成果。
在这些研究中，[5],[10],[11],[13],[16]和[17]主要讨论了OTFS与RIS和ISAC等前沿技术的集成和应用。[9],[14],[15]关注接收机算法和信号处理，如信道估计和信号检测。[12]则关注OTFS的基本理论和统一框架，包括其原理及其各种变体之间的关系。在当前总结OTFS信道估计的工作中，[9],[14],[15]参考文献[9]基于导频、压缩感知和深度学习提出了OTFS信道估计方案，但更侧重于信号检测。参考文献[14]从多个角度全面回顾了OTFS信道估计文献，包括导频设计、信号处理算法和新兴技术的集成。参考文献[15]分析了将多输入多输出（MIMO）与OTFS结合的优势，并从整数和分数多普勒漂移的角度讨论了传统和基于深度学习的信道估计方法之间的权衡。尽管这些现有综述建立了坚实的理论基础，但它们通常缺乏将估计算法与6G的严格物理约束和特定应用场景紧密联系起来的系统分析。为了填补这一空白，本文不仅列举了算法，还系统地组织和比较了OTFS信道估计方法，并扩展到了涉及集成感知与通信（ISAC）、可重构智能表面（RIS）和MIMO的跨技术集成场景。遵循“原理-方法-场景”的路线图，本文旨在为6G高移动性通信环境中的OTFS信道估计提供系统的技术参考和实际工程指导。本文的主要贡献如下：
- •
本文解释了OTFS系统的基本原理，深入分析了DD域信道的特性，并介绍了代表性的OTFS变体，包括Zak-OTFS和ODDM。
- •
本文系统地概述了OTFS信道估计，涵盖了三个关键领域：导频信号、信道稀疏性（包括压缩感知和贝叶斯学习）和深度学习。同时探讨了联合信道估计和信号检测的方案，对每个组成部分进行了理论解释和相关研究的比较。
- •
本文详细介绍了结合跨域技术的新OTFS技术，主要关注ISAC、MIMO和RIS辅助的OTFS系统。还展示了OTFS在无人机（UAV）、低地球轨道（LEO）卫星和车对一切（V2X）网络中的应用前景。
本文的结构如下：第2节解释了OTFS的基本原理、DD域的核心特性及代表性的OTFS变体（包括Zak-OTFS和ODDM）；第3节详细分类和解释了OTFS信道估计方法，包括贝叶斯学习、压缩感知和深度学习；第4节介绍了联合信道估计和信号检测；第5节探讨了OTFS与ISAC和RIS等新兴技术的集成；第6节概述了OTFS技术目前面临的主要挑战；最后，本文进行了总结。
章节摘要
OTFS基础
在本节中，我们首先描述了OTFS系统的调制和解调架构，并推导了其在延迟-多普勒（DD）域的输入输出数学模型；然后深入分析了无线信道在DD域的物理特性及其关键属性。最后，介绍了代表性的OTFS变体，包括Zak-OTFS和ODDM，并比较了它们的核心变换、脉冲设计灵活性以及对网格不匹配的鲁棒性。
OTFS信道估计方案
在高移动性场景中，OTFS将信号放置于延迟-多普勒（DD）域，此时无线信道表现出稀疏性、稳定性和可分性。这为实现低开销、高精度的信道估计提供了全新的方法。核心挑战在于如何在极短的信道相干时间内获得准确的信道状态信息（CSI），同时最小化导频开销和计算复杂度。
联合信道估计和信号检测
OTFS检测算法的性能高度依赖于信道状态信息（CSI）的准确性[72]。传统的检测算法计算量大，难以在高速列车和无人机等高速移动环境中实现实时处理；因此，结合信道估计和检测的低复杂度方案成为当前研究的重点。
跨技术融合研究
本章将探讨OTFS在未来的典型应用场景，分析其与ISAC、RIS和MIMO技术的集成设计，并讨论OTFS在车对一切（V2X）和无人机（UAV）等高移动性场景中的性能。
OTFS信道估计挑战
OTFS调制在延迟-多普勒（DD）域中进行二维信号处理，展现出处理高移动性、双重选择性衰落信道的巨大潜力。然而，在从理论走向实际6G部署的过程中，仍存在许多技术瓶颈。在现实世界的通信场景中，信道估计的准确性和效率决定了系统性能的上限。物理层资源限制、硬件
结论
本文回顾了用于高移动性6G通信的OTFS调制技术。通过将信号映射到延迟-多普勒域，OTFS利用信道的稀疏性和稳定性有效解决了传统OFDM在高速场景中的多普勒移位问题。本文重点介绍了信道估计算法的演变，涵盖了传统的导频辅助方法以及基于压缩感知、贝叶斯学习和深度学习的方法。
CRediT作者贡献声明
田文成：撰写——审阅与编辑、撰写——初稿、验证、方法论、调查、形式分析、数据管理、概念构建。周文健：撰写——审阅与编辑、验证、软件、资源、形式分析。罗仲强：撰写——审阅与编辑、撰写——初稿、资源、项目管理、方法论、调查、资金获取、概念构建。张远飞：撰写——审阅与编辑、可视化、调查
利益冲突声明
作者声明他们没有任何已知的财务利益或个人关系可能会影响本文报告的工作。
田文成|周文健|罗仲强|张远飞
