基于端到端系统的导频插入和信道估计设计

自深度学习技术驱动的端到端通信系统解决方案被引入后,通信系统的架构模式已经发生了巨大的变革。虽然该技术在AWGN信道上表现良好,但在无线信道环境变化情况下,其表现并不尽如人意。因此,当前普遍采用的策略是引入导频信号,将导频按照头部位置插入或固定间隔插入的方式插入数据流中,同时在端到端系统之外增设信道估计模块以补充信道信息。然而,这种做法实际上与端到端一体化的理念相矛盾。提出了一种综合的端到端系统,利用深度神经网络进行导频插入位置选择并设计接收机,使系统能够有效收集信道信息,进而顺利恢复传输数据。与传统的导频插入方案相比,该系统具备明显的性能优势,误码率降低1~2 dB。另外,针对各类信道环境,系统内部的导频插入算法都可以提供具有针对性且高效的导频插入方案,因此对通信环境具有极高的适应性。

基于无人机的6G通感算研究概述

无人机因为具备视距链接、部署灵活、覆盖范围广等诸多优势,已成为实现6G通感算一体化的平台。首先介绍了基于无人机的6G通感算的背景和应用场景,随后深入探讨了基于无人机平台的通感算融合所面临的典型问题,包括基于理论的通感算一体化系统的性能度量问题和无人机场景下的主要优化问题,接着总结了优化问题的解决方案。最后,提出了基于无人机的6G通感算一体化系统当前面临的挑战和未来的研究方向。

基于通感一体化技术的自适应调制方案

通感一体化(Integrated Sensing and Communication,ISAC)技术能够通过共享频谱资源实现通信与感知功能,进一步提升频谱利用率。介绍了ISAC系统模型,包括传输协议、传感模型和通信模型,提出了一种基于ISAC技术的自适应调制(Adaptive Modulation,AM)方案,利用匹配滤波从回波中提取车辆距离信息,采用深度强化学习(Deep Reinforcement Learning,DRL)算法,自适应选择下一个时刻的调制模式。减少了导频信息、提升了信道容量,并且省去信道预测过程,减少了计算资源消耗。仿真结果表明,采用深度强化学习自适应选择下一时刻调制模式提升了误码率约束下的最大信道容量,并且相比于传统通信,吞吐量有较大的提升。

基于正交时频空间调制的通信感知一体化系统的公平性功率分配方案

通信感知一体化(integrated sensing and communication,ISAC)通过实现通信和雷达感知的资源共享,在人机交互、车联网(vehicle-to-everything,V2X)、遥感和环境检测等应用场景中很有前景。为解决高移动性的车联网中通信和雷达感知所需的频率资源的冲突,基于正交时频空间(orthogonal time frequency space,OTFS)调制提出了OTFS-ISAC系统,基站通过接收车辆反射的回波,获得车辆运动参数,从而建立车辆运动的移动拓扑模型。此外,针对多车辆移动场景,提出了保证用户公平性的非正交多址接入OTFS-ISAC系统设计和功率分配算法。仿真结果表明,相比于无雷达感知辅助的非正交多址OTFS系统,基于OTFS-ISAC的非正交多址接入系统实现了25%的信息速率提升。