《Optical Switching and Networking》：Model-driven and data-driven channel estimation techniques for optical wireless communications: a review
编辑推荐：
摘要信道估计对于光无线通信（OWC）系统中可靠的检测、均衡和链路适配至关重要。本文聚焦于自由空间光通信（FSOC）、可见光通信（VLC）、水下无线光通信（UWOC）和紫外通信（UVC）等代表性场景，从模型驱动和数据驱动两个视角综述了信道估计的研究进展。模型驱动方法利用湍流统计
摘要
信道估计对于光无线通信（OWC）系统中可靠的检测、均衡和链路适配至关重要。本文聚焦于自由空间光通信（FSOC）、可见光通信（VLC）、水下无线光通信（UWOC）和紫外通信（UVC）等代表性场景，从模型驱动和数据驱动两个视角综述了信道估计的研究进展。模型驱动方法利用湍流统计、几何传播、稀疏结构、状态空间动力学和光子计数等先验知识，具有强可解释性和较低样本需求，但在耦合损伤和非平稳条件下容易受到模型失配的脆弱性影响。数据驱动方法通过深度学习、深度展开、生成建模和物理约束学习来学习复杂的信道映射关系，实现了低导频估计、高维信道恢复以及联合估计与检测。然而，数据驱动方法仍受限于对数据的依赖性、跨场景泛化能力弱以及硬件实现复杂等问题。本文进一步从估计目标、先验假设、信息负担、对信道变化的鲁棒性、计算复杂度、部署考量、评估指标和验证证据等方面，跨场景比较了各方法，并指出了未来方向，包括模型鲁棒性、样本效率、实时实现和统一评估基准。
引言
光无线通信（OWC）利用可见光、红外光或紫外光作为信息载体。它结合了无线链路的灵活性与光通信的宽带能力，在星地互联、室内高速接入、水下探测和低截获概率通信等领域受到了广泛关注 [1,2]。根据传播介质和链路结构，OWC 包括自由空间光通信（FSOC）、可见光通信（VLC）、水下无线光通信（UWOC）和紫外通信（UVC）。这些分支之间的信道损伤差异显著。FSOC 主要受大气湍流、衰减和指向误差的影响；VLC 需要应对室内多径反射、信号相关噪声和遮挡问题；UWOC 面临水体吸收、散射和湍流的耦合效应；UVC 则以非视距散射、光子计数噪声和符号间干扰为特征 [[3], [4], [5], [6]]。因此，信道估计方法必须与各场景的物理损伤、观测条件和系统约束相匹配。
在 OWC 系统中，准确获取信道状态信息（CSI）和物理参数对于信号检测、均衡、链路适配和性能优化至关重要 [4,5]。根据形成估计规则或映射的主导机制，现有的信道估计方法大致可分为模型驱动和数据驱动两大类。模型驱动方法利用传播机制、统计分布、稀疏结构或状态空间方程等先验信息，将信道估计问题建模为可通过解析方法、优化、递归滤波或稀疏重构求解的问题。这类方法可解释性强、所需样本量少，但对模型失配和先验不确定性较为敏感 [[6], [7], [8], [9], [10]]。数据驱动方法利用神经网络、生成建模及相关框架，从模拟或实验样本中学习观测值与 CSI 之间的非线性映射。它们在复杂信道表示和低导频估计方面具有优势，但仍面临分布偏移、物理一致性不足、低样本泛化能力有限和硬件部署复杂等挑战 [7,[9], [10], [11]]。
现有的大多数 OWC 综述文献主要聚焦于系统架构、应用场景或单个分支的信道建模，而针对 FSOC、VLC、UWOC 和 UVC 跨场景信道估计方法的比较研究仍然不足 [1,2,4,9,11]。因此，本文在模型驱动/数据驱动框架下，系统性地回顾了 OWC 各分支的信道估计技术，并从统一视角比较了它们的先验信息需求、信息负担、评估指标、对信道变化的鲁棒性、计算复杂度和部署考量。对于将解析模型或物理先验与学习组件相结合的方法，根据最终估计映射是否依赖于训练进行归类，正文进一步区分了信道估计任务与接收处理任务。
为全面了解 OWC 信道估计研究，本文以 IEEE Xplore、Web of Science Core Collection 和 Engineering Village（Compendex）为主要文献来源。针对 FSOC、VLC、UWOC 和 UVC 使用了"channel estimation"、"CSI/CIR"和"channel parameter estimation"等检索词，并结合场景特定关键词进行检索；文献检索更新至 2026 年 8 月 7 日。所选文献重点关注近五年的研究成果，其中约 80% 的相关参考文献发表于 2022 年至 2026 年，同时通过回溯参考文献补充了早期的代表性研究。在筛选标题、摘要和全文后，我们重点关注与 OWC 信道估计、CSI/CIR 获取和信道参数估计直接相关的研究，并从模型驱动和数据驱动两个视角对现有文献进行了总结、比较和批判性评述。
本文第 2 节（模型驱动估计方法）和第 3 节（数据驱动估计方法）分别沿模型驱动和数据驱动路线组织现有方法，并从估计精度、导频或辅助信息负担、对信道变化的鲁棒性、可解释性、计算复杂度和部署考量等方面进行对比。在此基础上，第 4 节综合分析了跨场景差距以及对可重复评估的需求，第 5 节对全文进行总结。图 1 概述了 OWC 信道估计框架，从信道损伤、接收观测到估计目标，再到模型驱动或数据驱动估计路线，并突出显示了本文考虑的各项综述维度。
章节摘要
模型驱动估计方法
模型驱动方法的核心估计规则主要源自明确表述的物理、统计、稀疏或状态空间先验，其关键的观测到估计值的映射关系不是从训练数据中学习获得的。由于 OWC 各场景中的传播机制和可利用的先验信息各不相同，模型驱动估计的具体形式也因场景而异。
本节综述的研究未采用统一的信道模型、系统配置、导频设置或信噪比（SNR）
数据驱动估计方法
数据驱动信道估计（CE）主要利用样本学习接收观测与信道状态或相关参数之间的映射关系，这些关系难以用显式方式描述。对于在学习型估计器的输入、训练目标、网络架构或损失函数中明确引入 LS/MMSE 等经典估计、几何/状态信息、解析物理关系或物理约束的方法，本文将其归类为模型辅助的数据驱动方法
评估指标与基准测试
均方误差（MSE）衡量估计的信道系数或参数与参考值之间的平均平方差异；归一化均方误差（NMSE）将该误差相对于参考信道能量进行表达，并规定了平均和归一化的约定。两者均刻画信道重建精度，进而影响均衡和链路适配。误码率（BER）和符号误差率（SER）分别为错误检测的比特和符号所占的比例
结论
本文回顾了四种代表性 OWC 场景——FSOC、VLC、UWOC 和 UVC——的信道估计方法，涵盖了模型驱动和数据驱动两类方法，包括模型辅助的学习方法。模型驱动方法利用显式的物理、统计或结构先验，具有强可解释性和相对较低的数据需求，但其性能受限于模型失配和复杂的信道条件。数据驱动方法能够学习复杂的
CRediT 作者贡献声明
李阳：撰写——初稿。陈丹：撰写——审阅与编辑。王慧琴：项目管理。
利益冲突声明
作者声明，他们没有已知的竞争性财务利益或个人关系，这些可能影响本文所报告的工作。
致谢
本研究得到了国家自然科学基金（项目编号：62371390）和陕西省重点研发计划项目（项目编号：2026CY-YBXM-070）的支持。
李阳 | 陈丹 | 王慧琴
