← 返回 PaperDaily
大模型与智能体
OTFS-GFRA联合估计新范式：结构化稀疏先验带来全场景性能增益
高铁上视频卡成PPT？低轨卫星物联网连不上？这篇南洋理工联合西电、UCD等机构的最新工作，用一套结构化稀疏感知的SS-EP算法，把OTFS免授权随机接入的联合活跃用户检测与信道估计性能，直接推到了逼近理想上限的水平，而且人家还保留了可承受的复杂度。搞6G高移动接入的，这篇值得认真读一下。
龙哥读论文
发布于 2026-08-14 09:12:40
阅读 3
查看原文
原论文信息如下：
引言：高铁上刷不了视频？高速移动通信的痛点在哪里 坐过高铁的人大概都有过这样的体验：隧道里信号满格但网速归零，窗外的风景嗖嗖地过，手机上的视频却卡成了PPT。你以为是运营商基站覆盖不行？其实这口锅很大程度上要扣在"多普勒频移"头上。当终端以每小时300公里甚至更快速度移动时，无线信道的时变特性会让传统OFDM（正交频分复用）系统的子载波正交性遭到严重破坏，导致载波间干扰急剧增加，通信质量断崖式下跌。
为了解决这个问题，业界和学术界把目光投向了OTFS（正交时频空间）调制。OTFS的核心思想是把信号从传统的时频域搬到时延-多普勒域进行表示。在这个域里，高速移动带来的多普勒扩展不再是"破坏性"的干扰，反而变成了可以辨识的信号特征。高速时变的信道在时延-多普勒域中呈现出准静态的特性，这就好比把一场狂风暴雨变成了平静湖面上的几圈涟漪，处理难度瞬间降低了好几个量级。
与此同时，面向未来海量机器类通信（mMTC）场景，免授权随机接入（GFRA）正在成为替代传统四步握手接入的关键技术。海量物联网终端的特点是连接数量巨大、流量突发性强、活跃模式稀疏。如果每个终端接入前都要先跟基站握手四次，信令开销和接入时延将会大到完全不可接受。免授权随机接入让终端"想说就说"，直接发送非正交导频，但代价是接收端需要在不掌握活跃用户集合的情况下，同时完成用户活跃检测和信道估计，这给接收机设计带来了巨大挑战。
当OTFS遇上GFRA，理论上很美好：OTFS抗多普勒，GFRA支持海量连接，二者结合看起来是解决高移动mMTC场景的绝配。但问题也随之而来——现有的OTFS-GFRA研究大多没有有效利用时延-多普勒信道表示中天然存在的结构化稀疏特性，导致性能损失和导频开销的增加。换句话说，明明信号里有规律可循，大家却基本靠硬算。而本文的工作，正是冲着"把结构化稀疏性用足"这件事来的。
要理解这篇论文的贡献，首先要搞清楚一个概念：什么叫"结构化稀疏"？普通的稀疏性说的是一个向量里大部分元素为零、少部分非零。而结构化稀疏更进一步，它强调非零元素不是随机散落的，而是呈现出某种可预测的模式。本文研究的时延-多普勒信道，恰好就具有这种性质。
论文采用了一个低维度的基展开模型（BEM）来刻画时间选择性衰落信道。通俗地讲，BEM就是把一条快速时变的信道响应，分解成一组预先定义好的基函数乘以对应展开系数的线性组合。这样一来，一个原本随时间剧烈变化的信道，就变成了一组数量不多的、相对稳定的BEM系数。这还没完，论文进一步发现，在这些BEM系数中，还埋藏着一个此前没有被系统性发掘的"双层稀疏结构"：
第一层是"跨天线共同稀疏性"。基站通常配置了多根接收天线，同一个用户到不同天线的信道，虽然具体系数值不同，但非零支撑集（即哪些时延抽头、哪些BEM基函数上有能量）是相同的。这就像同一束光照在多面镜子上，反射角度不同，但光源只有一个。
第二层是"用户间激活稀疏性"。在任何一个信道相干块内，K个潜在用户中真正活跃的只有Ka个，且Ka远小于K。这个稀疏性表现在用户维度——大多数用户根本不在线，对应的信道系数全部为零。
基于这两层稀疏性，论文将联合活跃用户检测与信道估计问题，形式化地建模为一个结构化压缩感知问题。接收信号模型可以写成：
建模完成之后，剩下的问题就是如何高效求解。直接做最大后验估计在高维空间里是不可行的，于是论文祭出了贝叶斯推断的利器——期望传播（Expectation Propagation, EP）算法，并针对本文的双层稀疏结构做了专门设计，提出了SS-EP算法。
SS-EP算法的核心在于其构建了一个双层的因子图，来对应前文提到的双层稀疏结构。因子图中包含三类节点：U个观测节点（对应每根接收天线上的接收信号）、U×P×(Q+1)个变量节点（对应待估计的BEM系数）以及K个活动指示节点（对应每个用户是否活跃）。
第一步，从观测节点到变量节点。每个观测节点利用线性最小均方误差（LMMSE）准则，结合来自变量节点的先验信息，计算出信道向量的后验估计均值和方差。再通过高斯消息合并规则，剔除自身的先验、得到外信息（extrinsic information），传递给变量节点。
第二步，从变量节点到活动指示节点。每个变量节点根据收到的外信息，计算出一个本地估计，并将其转换为关于用户k是否活跃的概率消息，传给对应的活动指示节点。第三步，活动指示节点汇集来自所有天线和所有BEM系数的概率消息，按照和积原则融合，更新出后验活跃概率——这一步实现了跨天线共同稀疏性的利用。第四步，变量节点再结合稀疏先验（要么为零，要么服从高斯分布）和指示节点传来的活跃概率，更新自身的近似后验分布，生成外信息传回观测节点，进入下一轮迭代。
这里有一个关键设计点值得停下来细品：SS-EP把MMV问题拆成U个SMV子问题并行求解，但并没有放弃多天线间的联合稀疏性约束。跨天线的共同支撑集信息，是通过活跃指示节点作为"信息中枢"进行软信息交换的。每根天线的子问题独立计算"这个用户看起来活跃吗"，然后把判断汇聚到指示节点，指示节点综合所有天线的意见后，把更可靠的活跃概率反馈给每个子问题。这样一来，一根天线上的噪声异常不会误导整体判断，多天线的分集增益被充分利用。
算法还有一个工程友好的细节：活跃概率λ_k可以通过期望最大化（EM）算法在迭代中自动更新，不需要预先知道用户活跃的准确概率，这让算法在不同负载条件下都有较好的适应性。整个迭代的收敛判据是信道矩阵估计变化量低于阈值θ或达到最大迭代次数I_max。
论文通过蒙特卡洛仿真验证了SS-EP算法的有效性，并与现有的OTFS-GFRA基准方案进行了详细对比。评价指标主要是归一化均方误差（NMSE），用来衡量信道估计的准确度。仿真设置中，系统参数涵盖了不同的信噪比（SNR）、用户活跃概率以及基站天线数，确保评估的全面性。
图2(a)（见前文）给出了NMSE随SNR变化的曲线，这里重点看另外两组实验。图2(b)展示了NMSE与用户活跃概率的关系。可以看到，随着活跃用户比例从0.02上升到0.1，信道估计误差整体增大——这是符合直观预期的，因为活跃用户越多，需要恢复的稀疏信号非零元素越多，问题难度越大。但SS-EP算法在整个活跃概率区间内都保持了对基准方案的明显优势，尤其在中等活跃概率区间（0.04-0.08），性能差距最为显著。
图2(c)展示了NMSE随基站天线数的变化。这是一个非常有意思的结果：当天线数从2根增加到8根时，所有方法的NMSE都在下降，但SS-EP的下降速度明显更快。原因在于SS-EP通过活跃指示节点实现了跨天线共同稀疏性的软信息融合，天线越多，共同支撑集判断越可靠，相当于多根天线联合"投票"决定哪些用户活跃，自然越投越准。
最值得注意的是，论文在仿真中还设置了一个"理想上限"（Genie Bound）作为参照——假设接收端已知所有活跃用户的准确集合，只需要估计信道系数。这个理想上限代表了该问题在信息论意义上的性能天花板。SS-EP算法的NMSE曲线在整个SNR范围内都紧贴理想上限，高SNR下几乎重合，说明结构化稀疏先验带来的增益已经逼近"作弊"级别的先验信息。对于一份学术研究来说，能做到接近这个上限，说明算法的信息利用效率相当高。
从计算复杂度的角度来看，SS-EP将MMV问题拆解为U个可并行的SMV子问题，有效规避了矩阵维度随天线数线性增长带来的计算爆炸。每个子问题中的LMMSE滤波涉及P(Q+1)维矩阵求逆，复杂度为O(P^3(Q+1)^3)。在典型参数下（如P=32、Q=4），单次求逆的规模约160维，实际运行是可控的。结合并行化实现，SS-EP的工程可行性得到了保障。
龙迷三问 这篇论文到底在解决什么问题？ 面向高铁、低轨卫星等高移动场景，南洋理工等机构提出OTFS免授权随机接入新框架，利用时延-多普勒域双层结构化稀疏先验，设计SS-EP算法，联合活跃用户检测与信道估计性能大幅领先现…这篇工作最值得看的点是什么？ 所提SS-EP算法在所有SNR、用户活跃概率和BS天线数条件下均显著优于现有基准方法（OAMP、SOMP、AMP-MMV、S-GAMP），且接近Oracle MMSE性能；OAMP在严重过载系统中完全失效。这篇工作的边界或风险在哪里？ 优点：(1) 充分挖掘了OTFS时延-多普勒信道中固有的双层稀疏结构（用户活跃稀疏性和多天线共同稀疏性），有效提升了联合估计性能；(2) SS-EP算法通过双层因子图实现了跨天线的信息交互，将MMV问题分解为可并行处理的SMV子问题，兼顾…如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~
龙哥点评 论文创新性分数： ★★★★☆
提出一种基于OTFS的免授权随机接入框架，利用BEM模型将联合用户活跃检测与信道估计建模为结构化压缩感知问题，通过构建双层因子图并设计结构化稀疏期望传播（SS-EP）算法进行高效贝叶斯推理。学术研究价值： ★★★★☆
提出一种基于OTFS的免授权随机接入框架，利用BEM模型将联合用户活跃检测与信道估计建模为结构化压缩感知问题，通过构建双层因子图并设计结构化稀疏期望传播（SS-EP）算法进行高效贝叶斯推理。稳定性： ★★★☆☆
优点：(1) 充分挖掘了OTFS时延-多普勒信道中固有的双层稀疏结构（用户活跃稀疏性和多天线共同稀疏性），有效提升了联合估计性能；(2) SS-EP算法通过双层因子图实现了跨天线的信息交互，将MMV问题分解为可并行处理的SMV子问题，兼顾…适应性以及泛化能力： ★★★☆☆
优点：(1) 充分挖掘了OTFS时延-多普勒信道中固有的双层稀疏结构（用户活跃稀疏性和多天线共同稀疏性），有效提升了联合估计性能；(2) SS-EP算法通过双层因子图实现了跨天线的信息交互，将MMV问题分解为可并行处理的SMV子问题，兼顾…硬件需求及成本： ★★★☆☆
每迭代复杂度为O(U[(P̄(Q+1))³ + L(P̄(Q+1))² + Ū(P̄(Q+1))² + P̄(Q+1)L + 20P̄(Q+1)])，其中U为天线数，L为导频长度，P̄为总信道抽头数，Q为BEM基函数阶数。复现难度： ★★★☆☆
现有材料未确认完整代码、配置、数据处理脚本和权重是否齐备，复现难度暂按中性评价。产品化成熟度： ★★★☆☆
优点：(1) 充分挖掘了OTFS时延-多普勒信道中固有的双层稀疏结构（用户活跃稀疏性和多天线共同稀疏性），有效提升了联合估计性能；(2) SS-EP算法通过双层因子图实现了跨天线的信息交互，将MMV问题分解为可并行处理的SMV子问题，兼顾…可能的问题： 优点：(1) 充分挖掘了OTFS时延-多普勒信道中固有的双层稀疏结构（用户活跃稀疏性和多天线共同稀疏性），有效提升了联合估计性能；(2) SS-EP算法通过双层因子图实现了跨天线的信息交互，将MMV问题分解为可并行处理的SMV子问题，兼顾…
主要参考文献
[1] Y. Ge, Y. Luo, Y. Chi, Y. Zhao, Y. L. Guan, D. González G., and Z. Ding, "Structured-Sparsity-Aware Joint User Activity Detection and Channel Estimation for OTFS-Based Grant-Free Random Access," arXiv preprint arXiv:2608.03896, 2026. [2] R. Hadani et al., "Orthogonal time frequency space modulation," in Proc. IEEE Wireless Communications and Networking Conference (WCNC), 2017. （OTFS调制原始论文） [3] G. B. Giannakis and C. Tepedelenlioglu, "Basis expansion models and diversity techniques for blind identification and equalization of time-varying channels," Proceedings of the IEEE, vol. 86, no. 10, pp. 1969-1986, 1998. （BEM模型经典文献） [4] T. P. Minka, "Expectation propagation for approximate Bayesian inference," in Proc. Uncertainty in Artificial Intelligence (UAI), 2001. （期望传播算法原始文献） [5] 论文更多相关引用文献详见 arXiv 全文。 *本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～ 想了解更多原文细节的小伙伴，可以点击 "阅读原文"， 查看更多原论文细节哦！
高铁上视频不卡了，卫星物联网接通了——通信论文的快乐就是这么朴实无华。龙哥读论文粉丝群，帮你过滤噪声、放大信号！
欢迎加入龙哥读论文粉丝群，
扫描下方二维码或者添加龙哥助手微信号加群 ：kangjinlonghelper。
一定要备注：研究方向+地点+学校/公司+昵称（如 信道估计+上海+NTU+龙哥） ，根据格式备注，可更快被通过且邀请进群。
『龙哥读论文』微信群目前包含：图像处理、大模型及智能体、自动驾驶及机器人、AI医疗及AI金融5个群
