1. 项目概述与核心思路在毫米波大规模MIMO-OFDM系统中尤其是在车联网这类高动态、低时延的应用场景里获取精确的信道状态信息CSI是保障通信可靠性与高效性的基石。传统的信道估计方法无论是基于最小二乘LS的经典算法还是像正交匹配追踪OMP、近似消息传递AMP这类利用信道稀疏性的压缩感知方法其性能都严重依赖于导频信号的数量和质量。当系统为了提升频谱效率而压缩导频开销或者在高速移动导致信道快速变化时这些方法的估计精度会急剧下降成为系统性能的瓶颈。近年来一个清晰的趋势是通信与感知的深度融合。既然无线信道的特性如多径的到达角、时延本质上是由物理环境的几何结构决定的那么如果能提前“看见”环境是否就能“预知”信道这正是“机器联觉”Synesthesia of Machines, SoM理念的核心——让机器像人一样通过融合多种感官模态信息来更全面地理解世界。在通信领域这意味着利用摄像头、雷达、激光雷达LiDAR等传感器的“视觉”信息来辅助和增强“听觉”无线通信能力。本文要探讨的正是如何将LiDAR这一在自动驾驶中已成熟应用的高精度三维环境感知工具深度融入到宽频多用户MIMO-OFDM系统的信道估计流程中。LiDAR能提供厘米级精度的点云数据清晰地勾勒出车辆、建筑物、树木等散射体的位置和轮廓。我们的核心思路是将这些丰富的几何信息通过一种智能的方式转化为对无线信道传播特性的有效先验知识从而在导频资源极其有限的情况下依然能实现高精度的信道估计。具体来说我们提出的LiDAR增强CSI学习网络LE-CLN围绕三个核心问题展开第一如何从有限的导频观测中“榨取”更多信息我们引入了基于用户定位的过完备DFT码本将搜索范围聚焦在用户可能的方向上。第二如何将海量、原始的LiDAR点云数据高效地转化为对信道估计有直接帮助的特征我们设计了一种信号传播特征叠加的距离图像表示法将大尺度衰落、潜在散射体位置等信息编码进去。第三如何根据实时的信道条件如信噪比智能地平衡来自导频和来自LiDAR这两路信息的权重我们借鉴了注意力机制设计了一个自适应特征权重控制模块。最终通过一个卷积神经网络CNN完成从这些融合特征到全频带CSI的重建。这项工作的价值在于它不仅仅是一个“算法”更是一套完整的、面向实际低时延高可靠通信需求的系统级解决方案。它显著降低了对导频资源的依赖在车对基础设施V2I通信、工业物联网等场景中意味着可以将更多时频资源用于数据传输直接提升系统容量和用户体验。2. 系统模型与核心挑战拆解2.1 宽频多用户MIMO-OFDM系统框架我们考虑一个典型的时分双工TDD多用户宽带混合MIMO-OFDM通信系统。基站BS配备了一个包含Nt个天线的均匀线性阵列ULA通过Ns个子载波同时服务K个单天线用户。为了在硬件成本和性能之间取得平衡基站采用了混合波束赋形结构即仅有NRF条射频链路NRF Nt。这意味着数字预编码矩阵FB在基带处理而模拟预编码矩阵FR在射频端通过移相器实现。在TDD模式下我们利用上下行信道的互易性。用户在上行链路发送导频基站据此估计上行信道进而推得下行信道。对于第k个用户其在KP个正交子载波上发送导频符号SP_k。基站接收到的信号可以表示为YP_k F^H_R H^P_k S^P_k F^H_R N_k这里H^P_k ∈ C^{Nt × KP} 是导频位置上的信道矩阵N_k是加性高斯白噪声。我们的核心目标就是从这组有限的观测YP_k中恢复出所有Ns个子载波上的完整下行信道矩阵H_k。信道模型采用经典的几何信道模型。在第m个子载波上信道向量h^m_k可以表示为L条路径的叠加h^m_k Σ_{l1}^{L} α_l e^{j(φ_l - 2π (m/N_s) τ_l)} a(θ_l)其中α_l, φ_l, τ_l, θ_l 分别代表第l条路径的复增益、初始相位、归一化时延和到达角AoA。a(θ_l)是阵列响应向量。毫米波信道的一个关键特性是稀疏性即主导路径的数量L远小于天线数Nt这为压缩感知等算法提供了用武之地但也对在少导频下准确捕捉这些路径提出了挑战。2.2 传统方法的局限与LiDAR的机遇传统信道估计方案面临的根本矛盾在于为了准确估计高维度的CSI尤其是大规模天线阵列需要足够多的观测导频但为了提升频谱效率系统又希望尽可能减少导频开销。在低信噪比SNR或高移动性场景下这个矛盾尤为突出。基于纯导频的方法如OMP, AMP它们完全依赖无线信号本身在导频充足时表现良好但一旦导频减少性能退化严重。因为它们是在一个巨大的解空间所有可能的AoA-时延组合中盲目搜索缺乏先验信息来缩小范围。早期LiDAR辅助方法已有工作尝试用LiDAR预测最佳波束索引或链路阻塞状态。例如通过点云识别车辆位置直接指向该方向进行波束对齐。但这只能获取视距LoS路径的粗略角度信息对于存在丰富多径的实际信道而言信息量远远不够。它相当于只告诉了通信系统“用户大概在哪个方向”但没说明信号具体会怎么走、遇到哪些反射。因此我们面临的挑战是双重的信息深度挖掘如何从有限的导频观测中提取出更精细的信道特征跨模态信息转化如何将LiDAR提供的“几何地图”精准地翻译成通信系统能理解的“信道先验”这不仅仅是定位用户还要推断出哪些物体可能成为强反射体以及信号经过这些路径时会衰减多少。LE-CLN的设计正是为了系统性地应对这两个挑战。3. LE-CLN核心模块深度解析3.1 基于用户定位的过完备DFT码本ULO-DFT想象一下如果你知道朋友大概在城市的哪个区域你搜索他时就不会漫无目的地找遍全城地图。ULO-DFT码本的思想与此类似。传统DFT码本在天线阵列的所有可能方向0到360度上均匀布设“探测点”码字。当导频很少时用这个码本去匹配信道就像用一张大网眼的网捕鱼很容易漏掉真正的路径。ULO-DFT码本的创新在于非均匀采样。它利用从LiDAR初步处理中获得的用户粗略方位角θ_k在用户周围创建一个“高分辨率搜索区”。具体操作如下确定高分辨率区间以θ_k为中心设定一个宽度为N_w个基本网格的区间 [φ_{o1}, φ_{o2})。这个区间内的角度网格划分得比标准DFT码本更密例如分辨率提高一倍。构建混合码本区间外的角度空间则采用较粗的均匀划分。最终将所有角度网格按顺序排列形成码本矩阵A [a(φ_1), ..., a(φ_D)]其中D Nt因此称为“过完备”。域变换利用这个码本我们可以将天线域的信道H_k变换到这个用户局部的、过完备的角域H^a_k A^H H_k。这个操作相当于把信道能量“投影”到一个以用户为中心、局部精细的坐标系中。实操心得N_w的大小是一个关键超参数。设置太小则高分辨率区域覆盖不全可能漏掉重要的非视距路径设置太大则码本过于集中在用户方向可能浪费资源在无关区域且增加计算复杂度。在实际调参中需要根据典型的场景散射体分布如城市街道的反射面通常分布在道路两侧来权衡。我们的实验发现在车辆场景下覆盖车辆前方约±30度的范围对应N_w约13是一个较好的起点。这样做的直接好处是在导频数量不变的情况下我们在用户最可能的方向上获得了更精细的“测量尺子”。即使导频观测YP_k本身信息量有限当它被投影到这个精心设计的感知矩阵Θ F^H_R (A^H)^†所张成的空间时得到的特征˜Y^P_k能更清晰地揭示出用户附近潜在路径的角域信息。这部分特征通过一个轻量级的CNNPCF-CNN进行提取。3.2 LiDAR数据的精细化处理与特征嵌入直接处理原始LiDAR点云通常包含数万甚至数十万个点进行信道估计是不现实的计算负担巨大且噪声点多。LE-CLN的核心贡献之一是设计了一套将原始点云“蒸馏”成紧凑、富含信道信息的特征图的方法。第一步原始数据轻量化处理——距离图像转换我们首先将三维点云P {p_i (x_i, y_i, z_i)} 转换为二维的距离图像R_D。每个点根其水平方位角和垂直仰角被映射到图像坐标(u_i, v_i)上像素值就是该点到LiDAR的距离r_i ||p_i||_2。这个过程大幅压缩了数据量从N×3的矩阵变为h×w的图像同时保留了每个点的角度和距离这两个对无线传播最关键的信息。第二步多信号传播特征通道叠加——构建“信道先验图”这是将几何信息“翻译”成无线特征的关键一步。我们构建一个三通道的“多SP特征叠加距离图像”R^{RF}_D ∈ R^{3×w×h}通道1原始距离即第一步得到的距离图像存储每个像素点的真实距离。这直接反映了路径长度。通道2等效小尺度衰落图这一通道旨在标识潜在的散射体。我们利用DBSCAN聚类算法对过滤地面后的点云进行分割识别出接收车辆V_r和其附近的车辆V_s。在图像上接收车辆对应的像素赋值为2附近车辆赋值为1其他物体赋值为0。这样网络就能直观地“看到”哪些物体最可能产生强反射多径。通道3等效大尺度衰落图这一通道提供信号幅度变化的大尺度趋势。根据简化的路径损耗模型例如自由空间路径损耗公式我们为每个像素点计算一个路径损耗值PL(dB) 40 log10(r_i) 20 log10(f_c) - 20 log10(h_t h_r)。这里f_c是载频h_t和h_r是收发天线高度。这个通道为网络提供了关于信号随距离衰减强度的先验知识。注意事项地面反射点的处理需要谨慎。在初步处理中我们过滤掉了地面点因为其反射机制复杂漫反射为主神经网络难以学习。但这意味着LiDAR模态会丢失这部分多径信息。因此在存在强地面反射的场景如空旷高速公路系统需要保留或适当增加导频数量以补充LiDAR缺失的这部分特征。这是一种模态间的互补设计。通过这三通道图像的构建我们成功地将原始的、与通信无关的几何点云编码成了包含距离信息、潜在散射体位置、路径损耗趋势的“信道先验图”。这张图随后被送入一个五层CNNLCF-CNN进行深度特征提取输出与CSI相关的带外特征q_L。3.3 自适应特征融合与权重控制AFWC模块拿到了来自导频的精细角域特征q_P和来自LiDAR的带外环境特征q_L下一个问题是如何融合它们最朴素的方法是直接拼接后输入网络但这假设两者在任何信道条件下贡献度恒定显然不合理。思考一下在高信噪比SNR情况下导频信号质量很好其提供的CSI特征理应占据主导地位而在低SNR或导频极少时清晰的无线特征难以提取此时LiDAR提供的稳定几何先验就变得尤为宝贵。因此我们需要一个能根据实时信道条件智能调配两种特征权重的机制。LE-CLN中的自适应特征权重控制AFWC模块正是为此而生。它的设计灵感来自SENet中的通道注意力机制但作用对象是特征模态而非特征通道。特征拼接与压缩将q_P和q_L拼接后先通过一个全连接层进行非线性变换和降维得到一个全局的特征描述符。权重生成再经过两个全连接层中间使用ReLU激活最后一个使用Sigmoid激活函数的层输出一个权重向量w其维度与拼接后的特征维度相同。Sigmoid函数将每个权重值限制在0到1之间。加权融合将原始拼接特征q与权重向量w进行逐元素相乘Hadamard积得到加权后的融合特征q_w q ⊗ w。这个过程的精妙之处在于权重w是通过网络从数据中学习得到的。在训练过程中网络会学会在低SNR的样本中给LiDAR特征分配更高的权重在高SNR的样本中则更信赖导频特征。图4b的仿真结果清晰地验证了这一点随着SNR升高分配给导频特征的权重显著增加而在固定SNR下增加导频数量也会让网络更依赖导频。避坑指南AFWC模块的训练需要充足且信道条件分布均衡的数据。如果训练集中全是高SNR样本模块可能学不会在恶劣条件下利用LiDAR。因此数据集的构建应覆盖从低到高的完整SNR范围以及不同的导频开销情况以确保模块的泛化能力。3.4 从特征到完整CSI的重建融合特征q_w首先通过一个多层感知机MLP_P重建出所有导频位置上的天线域信道估计值Ĥ^P_k。然而这仅仅覆盖了部分子载波。为了获得全频带CSI我们采用了一个两阶段策略这也是一个重要的工程考量零值填充将已估计出的导频位置信道值放入对应位置将数据位置的信道值暂时设为零形成一个粗糙的、稀疏的全频带信道草图V^r_k。频域插值CNNCI-CNN设计一个独立的六层CNN专门学习频域子载波间的相关性。我们将V^r_k的实部、虚部和相位作为三个通道输入CI-CNN网络会像图像修复一样“补全”那些为零的数据位置最终输出完整的信道估计矩阵Ĥ_k。这里为什么要把CI-CNN单独训练因为它学习的是频域插值的映射关系而前面的PCF-CNN、LCF-CNN和AFWC学习的是从多模态数据到导频位置CSI的映射关系。这是两种截然不同的任务。如果端到端一起训练网络可能难以同时优化这两个目标导致性能下降。分开训练允许我们为CI-CNN任务专门设计损失函数如专注于插值部分的MSE从而获得更好的整体性能。4. 仿真实验设计与结果分析4.1 实验设置与对比基线为了验证LE-CLN的有效性我们在公开的M3SC车载数据集生成的仿真环境进行了测试。系统关键参数设置为基站天线数N_t32载频f_c28GHz带宽100MHz子载波数N_s64信道路径数L8。LiDAR参数模拟了典型车规级设备水平角分辨率0.36°垂直视场-25°到15°64线。我们对比了多种经典和前沿的信道估计方案传统算法LS最小二乘、OMP正交匹配追踪、AMP近似消息传递。这些是纯导频方案的基准。深度学习基准CENN一种基于CNN的信道估计网络和GM-LAMP基于深度展开的算法。这些代表了当前数据驱动方法的主流。我们的方案LE-CLN。我们测试了在不同导频数量如8, 16, 32个时域测量下的性能。性能评估采用归一化均方误差NMSE和下行链路频谱效率SE上界。关键是对比在相同或更少导频资源下LE-CLN能否达到甚至超越其他方案。4.2 性能结果与核心洞见1. NMSE性能优势显著图3a的结果非常直观。在相同测量数如32下LE-CLN的NMSE明显低于OMP、AMP和GM-LAMP。更令人印象深刻的是LE-CLN仅使用8个测量值所达到的精度就能与使用32个测量值的传统OMP、AMP算法相媲美甚至更优。这直接证明了引入LiDAR先验信息所带来的“信息增益”等效于大幅增加了可用的有效导频数。2. 在恶劣条件下优势放大图3b聚焦对比LE-CLN与同为深度学习方案的CENN。可以看到随着SNR降低和可用测量数减少LE-CLN相对于CENN的性能提升越来越明显。例如在低SNR-3dB且仅用8个测量时LE-CLN的NMSE比CENN改善了约2-3 dB。这说明当无线信号本身质量很差、信息量不足时LiDAR提供的带外环境先验信息成为了可靠的“救命稻草”其价值被最大化。3. 频谱效率的最终收益信道估计的最终目的是为了提升通信质量。图3c展示了归一化频谱效率以LE-CLN(8)的SE为基准1。在高SNR区域12-21 dB使用最少导频的LE-CLN(8)方案竟然取得了最高的频谱效率。这是因为它将节省下来的大量导频资源相比其他方案用于数据传输。在低SNR区拥有更多测量值的方案如LE-CLN(32)、CENN(32)因估计更准而SE略高但LE-CLN(32)仍然是其中最优的。这完美诠释了LE-CLN的设计目标在保证性能的前提下最大化频谱资源利用率。4. 模块消融实验验证设计图4a通过“拆除”LE-CLN中的关键模块验证了每个部分的重要性。仅使用LiDARUni-LiDAR能够得到一个粗糙的信道估计结果证明了我们设计的LiDAR处理流程确实能提取出有效的CSI相关特征。仅使用导频Uni-Pilot随着SNR升高其性能逐渐逼近完整的LE-CLN。这符合直觉在高SNR下导频信号质量极高本身就能提供足够信息。移除AFWC模块性能始终差于完整版且在低SNR下差距更大。这证实了自适应融合机制的必要性——智能地权衡两种信息源比固定融合策略更优。4.3 实际部署考量与调参经验计算复杂度与实时性LE-CLN的在线部署阶段其计算开销主要来自几个CNN的前向传播。PCF-CNN和LCF-CNN结构相对轻量AFWC模块是全连接层CI-CNN稍大但负责的是频域插值子载波数固定。在配备现代GPU的边缘计算单元如车载OBU或路侧RSU上实现毫秒级推理是可行的。关键在于模型压缩与优化例如使用知识蒸馏训练更小的网络或利用TensorRT等工具进行推理加速。LiDAR与通信的时空同步这是一个至关重要的工程问题。LiDAR的扫描频率通常10-20Hz与通信帧结构必须严格同步。我们需要一个高精度的时钟同步机制如基于GPS的PTP协议确保用于辅助第t个通信帧信道估计的LiDAR点云确实是第t帧时刻的环境快照。任何显著的时延都会导致先验信息失效因为车辆和环境都在快速移动。参数调优指南ULO-DFT码本的N_w如前所述需要根据场景调整。城市密集多径环境可适当增大高速公路等散射体较少的环境可减小。LiDAR特征图中的路径损耗模型公式(7b)是一个简化模型。在实际部署中可以替换为更精确的、针对特定频段和环境的经验模型如Cost-231 Hata模型用于城市甚至可以通过少量实测数据对第三通道的映射关系进行微调以更好地匹配真实衰减。网络训练数据数据的多样性至关重要。需要包含各种天气雨、雾对LiDAR的影响、光照虽然LiDAR不受影响但关联的场景会变、交通密度、街道布局的场景。可以使用M3SC这类多模态数据集或通过CARLA等仿真平台生成大量合成数据。5. 总结与未来展望通过将LiDAR感知深度融入信道估计流程LE-CLN展示了一条通往更智能、更高效无线系统的清晰路径。它不仅仅是一个算法改进更是一种设计范式的转变从单纯依赖“听”无线信号到“眼耳并用”融合视觉感知。这项工作最核心的启示在于在通信系统中带外信息特别是高精度几何感知是一种极其宝贵的、尚未被充分开发的资源。LE-CLN提供了一套完整的框架来挖掘和利用这种资源。其价值在资源受限少导频和环境恶劣低SNR的场景下尤为突出而这正是许多前沿应用如自动驾驶、工业4.0的典型工况。从工程实践角度看要实现LE-CLN的落地下一步需要重点关注多传感器标定与融合的鲁棒性、低复杂度自适应算法的硬件实现以及在更复杂信道模型如大规模MIMO的近场效应、超宽带信道的更复杂时延扩展下的泛化能力。此外如何将这套思路扩展到上行链路、多基站协作等场景也值得深入探索。最终机器联觉的愿景是构建一个感知与通信无缝协同的智能体。LE-CLN在物理层信道估计这一基础环节的成功为这一宏大愿景打下了一块坚实的技术基石。它告诉我们当通信系统学会了“看”它就能在复杂多变的环境中“听”得更清、“说”得更准。
