【6G内生智能理论与关键技术】
2025年第1期专题 – 12
面向OTFS-ISAC系统的智能信道估计
现状、挑战与展望
廖勇1，常星宇2，苏畅3
【摘 要】OTFS和ISAC技术均是6G移动通信的关键候选技术，OTFS和ISAC的融合系统OTFS-ISAC是当前移动通信研究的前沿。信道估计是接收机的关键处理，对系统性能起着重要的作用。同时，人工智能技术日益成为重要的通信系统信号处理手段。为此，对OTFS-ISAC系统的智能信道估计进行了综述。首先描述OTFS-ISAC的系统模型，包括调制、解调以及雷达和通信模型；其次，详细阐述了三种智能信道估计方法：基于贝叶斯学习的稀疏估计、基于具有自适应阈值的深度卷积残差网络的信道估计和基于迭代深度学习网络的信道估计，这些方法利用了人工智能技术为信道估计问题提供了新的解决途径；然后，探讨了OTFS-ISAC系统中信道估计面临的技术挑战，包括信道特性的复杂性、参数估计的不一致性与复杂性、资源分配和开销问题以及技术融合与兼容性问题；最后，展望了技术创新与突破、标准化与规范化、应用场景的拓展以及跨领域合作与融合的未来发展方向。
【关键词】OTFS；ISAC；信道估计；人工智能；深度学习；贝叶斯学习；6G
中图分类号：TN929.5 文献标志码：A
文章编号：1006-1010(2025)01-0091-10
引用格式：廖勇,常星宇,苏畅. 面向OTFS-ISAC系统的智能信道估计现状、挑战与展望[J]. 移动通信, 2025,49(1): 91-100.
LIAO Yong, CHANG Xinyu, SU Chang. Intelligent Channel Estimation for OTFS-ISAC Systems: Current Status, Challenges, and Future Perspectives[J]. Mobile Communications, 2025,49(1): 91-100.
0 引言
随着第六代（6G, The 6th Generation）移动通信的快速发展，6G的候选关键技术之一正交时频空（OTFS, Orthogonal Time Frequency Space）作为一种创新的调制，能够在双色散信道中利用频率时分集增益，从而显著提高通信的可靠性和效率[1]，特别适用于超高速移动场景下的通信[2]。通信感知一体化（ISAC, Integrated Sensing And Communication）[3]旨在实现通信和感知功能在同一频谱内的共存，不仅能够提升系统的整体效率，还能显著降低硬件成本和频谱资源的浪费。同时，OTFS与ISAC结合的OTFS-ISAC系统目前正成为移动通信领域的研究前沿技术[4]，尚处于起步阶段。信道估计是接收机的关键处理技术，其估计的效果直接影响到通信系统的性能[5]。同时，人工智能技术的蓬勃发展，为通信系统中的信道估计问题提供了新的解决途径[6]。
为此，本文综述了面向OTFS-ISAC系统的智能信道估计方法，主要贡献如下：
（1）概述了OTFS-ISAC系统原理，包括调制、解调以及雷达和通信模型。
（2）重点详解了当前三种代表性的OTFS-ISAC系统智能信道估计方法：贝叶斯学习的稀疏信道估计、具有自适应阈值的深度卷积残差网络的信道估计以及迭代深度学习网络的信道估计，给出了方法原理、仿真参数设置以及仿真结果分析。
（3）探讨了OTFS-ISAC信道估计存在的技术挑战，并且展望了未来的发展趋势。
1 系统模型
2 研究进展
本节将从方法原理、仿真参数设置以及仿真结果分析三个维度，详解3种OTFS-ISAC系统的智能信道估计方法，分别是基于贝叶斯学习的稀疏信道估计、基于自适应阈值的深度卷积残差网络的信道估计和基于迭代深度学习网络的信道估计。
2.1 基于贝叶斯学习的稀疏信道估计
文献[9]采用混合波束形成架构，在OTFS辅助PA-ISAC和毫米波ISAC（mM-ISAC, mmWave ISAC）系统中，分别提出了基于贝叶斯学习（BL, Bayesian Learning）的信道估计。
PA-ISAC的DFRC-BS收发机设计和学习过程分为两个阶段。首先，DFRC-BS和用户优化各自的射频发射预编码器和接收合成器，以最大化其方向增益。然后，推导了基于稀疏信号恢复的公式，共同估计雷达目标在DFRC-BS处的雷达截面系数、距离和速度参数以及用户处多径分量的复杂路径增益、延迟和多普勒频移。文中采用基于贝叶斯学习（BL, Bayesian Learning）的框架对雷达目标参数和DD域无线信道进行估计。
其次，其将DFRC-BS、用户收发机设计、雷达目标参数和无线信道估计框架扩展到mM-ISAC系统。mM-ISAC系统采用多个射频链（RFC, Radio Frequency Chain）来增加自由度。因此，它们可以支持空间多路复用，以实现高数据速率并同时检测多个目标。该框架的关键概念是在每个RFC上利用OTFS调制和解调，从而实现信息传输的端到端关系的推导。
随后，将为PA-ISAC系统开发的稀疏雷达目标参数学习和无线信道估计方法扩展到mM-ISAC系统。值得注意的是，在mM-ISAC场景中，DD域中的目标参数和无线信道呈现块稀疏结构，这导致了一种新的块稀疏BL（B-BL）方法的提出，以利用这种特殊属性。此外，推导了贝叶斯Cramer-Rao下界，作为雷达目标参数和无线信道估计的均方误差（MSE, Mean-Square Error）的基准。本节首先研究了对于PA-ISAC系统的信道估计，后又将其推广到mM-ISAC系统。下文将分别介绍两个系统的信道估计方法。
（1）面向PA-ISAC系统的信道估计
信道估计分为两个阶段。在阶段1中，DFRC-BS通过随机初始化射频波束形成器的相位元件来传输探测波束。DFRC-BS接收目标反射的回波，并使用包含一组预先确定的接收器组合波束模式的码本将这些波束组合起来。将最大波束形成增益对应的特定接收机波束作为DFRC接收机处的射频组合器fRF。类似地，发送探测波束也在用户处接收，终端遵循上述相同的程序设置其RF-TPC和RF-RC。在阶段2中，DFRC-BS在选定的最佳波束频宽上发送导频信号。DFRC接收机利用最优组合频响对目标反射的接收回波进行组合。类似地，用户使用最优组合器fRF处理导频信号。因此，在阶段2结束时，DFRC-BS学习目标的雷达散射截面系数、距离和速度，而在用户设备获得DD域信道状态信息。算法1给出了基于BL的PA-ISAC系统雷达目标参数估计：
基于上文中提到的方法，对PA-ISAC系统进行仿真，来验证所提出的收发器设计和基于BL的稀疏雷达目标参数和毫米波信道估计方案在OTFS辅助PA-ISAC和mM-ISAC系统中的性能，采用归一化均方误差（NMSE, Normalized Mean Square Error）对所提方法的有效性进行量化，对于雷达和通信模型，NMSE分别被定义为
。除此之外，本文还提出了符号误码率（SER, Symbol Error Rate）来说明所提出的收发机设计的效率，以及稀疏目标参数和信道估计方案。在DFRC BS中，令NT=NR=32个发射天线（TA, Transmit Antenna）和接收天线（RA, Receive Antenna），NRF=5 RFC，而对于用户设备，令Nu=4 RA，URF= 2 RFC。在雷达散射环境中随机分布L=5个目标，将其分割为MS=16时延和GS=32多普勒信道，对于基于BL的方法，仿真的停止参数η和Smax分别被设置为10-6和50，对于基于正交匹配追踪（OMP, Orthogonal Matching Pursuit）的方法，停止参数设置为噪声方差σ2，而对于基于交叉验证的稀疏信号聚焦迭代重构（FOCUSS, Focused Iterative Reconstruction Technique Using Cross Validation for Sparse Signals）方法，最小范数参数p和正则化参数分别设置为0.8和σ2，此外停止阈值和最大迭代次数分别设置为10-5和800。图2分别展示了不同稀疏学习技术对RCS系数矩阵和无线信道矩阵的NMSE与信噪比（SNR, Signal-to-Noise Ratio）性能。
可以观察到，所提出的基于BL的稀疏估计技术比MMSE技术和传统的稀疏学习FOCUSS和OMP方案的性能有所提高。注意，不利用稀疏性的MMSE方案的性能最差。
（2）面向mM-ISAC系统的信道估计
对mM-ISAC系统进行信道估计，如算法2所示：
然后按照算法2中的方法对信道估计方法进行仿真。仿真条件的设置和对于PA-ISAC系统的相同，块贝叶斯学习（B-BL, Block-Bayesian Learning）方案的有效性还与BL、块正交匹配追踪（B-OMP, Block Orthogonal Matching Pursuit）、多测量向量贝叶斯学习（M-BL, Multiple Measurement Vectors Bayesian Learning）、多帧FOCUSS算法（MFOCUSS, Multiframe FOCUSS）进行了比较，并与贝叶斯克拉美罗下界（BCRLB, Bayesian Cramér-Rao Lower Bound）基准进行了比较，图3分别展示了不同稀疏学习技术对雷达截面积系数矩阵和无线信道矩阵的NMSE与SNR性能。
可以观察到，与所有现有的稀疏估计方案相比，所提出的B-BL方案具有明显优越的性能，并且也达到了BCRLB基准。与B-BL相比，BL和M-BL方法的性能相对较弱，原因在于它们分别只关注稀疏性和行稀疏性。这些方法未能充分利用雷达截面积系数矩阵中的块稀疏性，需要对MSGSNRF超参数进行估计。
此外，与BL方法相比，M-BL方案的优越性能是由于M-BL技术对 的所有NRF列联合估计MSGSNRF超参数。同样，与传统的OMP方案相比，利用块稀疏性的B-OMP方法的NMSE更低。
2.2 基于自适应阈值的深度卷积残差网络的信道估计
图4展示了基于具有自适应阈值的深度残差收缩网络（DRSN, Deep Residual Shrinkage Network）的信道估计框架。在文献[10]中，首先介绍嵌入式导频辅助方案，该方案涉及将导频符号合并到传输的符号矩阵中，以促进信道估计过程。随后，将OTFS信道估计问题表述为去噪问题，并采用基于深度学习（DL, Deep learning）的框架进行信道估计。最后，接收机在获取准确的OTFS信道矩阵后进行符号检测。
DL网络的结构如图5所示，它包含一个输入层、一个去噪模块和一个特征消除模块。去噪模块的目的是降低输入数据中的噪声，特征消除模块的目的是保证输出数据的稀疏性。
上文给出了DL网络的OTFS信道恢复结果，并将其与三种基线方法进行了比较。在图6（a）中，可以发现在AWGN情况下，LMMSE估计器优于LS估计器。此外，与LMMSE估计器相比，SBL方法利用稀疏先验进一步提高了估计性能。由于深度学习的强大功能，DRSN可以通过从预处理数据中提取特征来有效地处理高斯噪声。如图6（b）所示。当噪声服从t分布时，在大型数据集上训练的DL网络优于经典算法。
此外，图7显示了所提出的深度学习网络和三种基线模型在虚警概率方面的性能。可以观察到LS估计器与LMMSE估计器在性能上存在差距。这是因为LMMSE估计器利用统计知识来估计信道，而LS估计器将信道视为确定性常数。此外，尽管利用了OTFS信道的先验知识，但SBL方法受到严格收敛条件的限制。相比之下，具有自适应阈值的DRSN在PFA方面表现出稳定的性能。
2.3 基于迭代深度学习网络的信道估计
文献[11]针对ISAC系统中高速场景下目标参数估计问题，采用OTFS调制信号来减轻多普勒频偏的影响。由于雷达信道在OTFS调制信号的延迟多普勒域中表现出稀疏性，将目标参数估计问题重新定义为压缩感知（CS, Compressive Sensing）问题。然后，为了提高估计性能，进一步提出了一种用于ISAC系统目标参数估计的深度展开网络（ADMM-Net, Alternating Direction Method of Multipliers Network），它将传统迭代算法ADMM的迭代映射到具有可学习参数的深度神经网络的多个阶段。图8给出了ADMM-Net的基本结构框图。图中每个模块对应一个迭代，箭头表示迭代的功能相互依赖。ADMM-Net的结构包括重构模块、松弛模块、非线性变换模块和比例参数更新模块。
随后对此系统进行仿真来检验其可靠性和精确性为了证明所提出的网络的性能，文中模拟了一个具有随机路径增益和噪声的场景。有一台发射机传输载波频率为60 GHz的OTFS信号。DD域中共调制了N×M个数据符号，其值均匀分布在[1, 2]上。M和N的取值根据系统情况而定。在模拟中，选择M=N=4。子载波间距∆f取为150 kHz，符号长度T=2 ms。加入高斯白噪声，在延迟多普勒域中生成M×N个网格点，其中延迟值为l=0,1,2,…,MN−1（0～3 750 m距离），多普勒值k=0,1,2,…,MN−1(0～250 km/h)。在没有说明的情况下，从这些网格点中随机选择两个位置作为地面真值中待估计的目标，幅度为1，为简单起见，设置SNR为15 dB。其中，论文将性能作为SNR的函数进行检验。数据集中有15 000个样本，训练数据和测试数据的比例分别为80%和20%。论文在使用Intel(R) Core(TM) i5-6500 CPU@3.20 GHz的计算机上进行实验。采用L-BFGS-B优化器，学习率设为1e-5，运行周期设为15。论文将其与以下算法进行比较：
1）ADMM：ADMM算法提供了一个求解线性等式约束优化问题的框架，便于将原优化问题分解为几个相对容易求解的子优化问题进行迭代求解[12]。
2）凸优化工具箱（CVX, Convex Optimization Toolbox）：CVX是一个用于构造和求解贴现紧凑程序的建模系统[13]。CVX支持许多标准问题类型，包括二阶锥规划（SOCP, Second Order Cone Programming）和半定规划（SDP, Semidefinite Programming）。
3）迭代收缩阈值算法（ISTA, Iterative Shrinkage Threshold Algorithm）：ISTA是一种流行的一阶近似方法，它在每次迭代中通过收缩/软阈值操作更新参数。
4）OMP：压缩感知领域的基本算法之一，是指在分解的每一步中，将所有选定的原子正交化的算法。
5）匹配滤波器：匹配滤波器是一种传统的目标参数估计方法，其准则是输出SNR最大化。它通常用于通信和雷达系统的接收机。
通过比较不同情况下的NMSE来评估性能，其定义为：
其中，
为各算法的输出，
为基真值，Nt为测试集中的样本总数。图9给出了不同SNR下不同算法的性能比较：
在各种情况下，ADMM-Net的NMSE都明显小于其他算法。在SNR为14 dB时，ADMM-Net比CVX、OMP和匹配滤波器的性能提高约9 dB，比ADMM和ISTA的性能提高约4 dB。几乎所有方法的NMSE都随SNR的增加而减小。但是，ADMM-Net的性能比较稳定。结果表明，ADMM-Net在不同噪声条件下都具有较强的稳定性。此外还研究了在不同目标数下的各个算法性能表现，图10汇总了仿真结果：
由图10可见，几乎所有方法的NMSE都随着目标数量的增加而增加。然而，ADMM-Net始终优于其他算法。由于对每个目标的估计存在误差，随着目标数量的增加，各种误差相互累积，导致性能下降。在仿真中，ADMM-Net的性能比ADMM和ISTA平均提高约2.4 dB，比OMP和CVX平均提高约6 dB。此外，可以注意到除了单个目标外，匹配滤波器的性能总是最差的。
三种面向OTFS-ISAC系统的智能信道估计方法各有优缺点，适用于不同的应用场景和需求。基于贝叶斯学习的稀疏信道估计方法在雷达和通信联合估计方面表现出色，但计算复杂度较高；基于自适应阈值的深度卷积残差网络的信道估计方法在处理高斯噪声和复杂信道环境方面具有优势，但需要较高的计算资源；基于迭代深度学习网络的信道估计方法在高速场景下具有优秀的目标参数估计性能，但需要合理设置网络结构和参数以平衡计算复杂度和估计性能。
3 技术挑战
（1）信道特性的复杂性
多径效应与时变性：OTFS-ISAC系统需要在复杂的通信环境中工作，这些环境通常包含多种传播路径（如直射、反射、散射等），导致信道具有显著的多径效应。同时，由于目标（如车辆、行人等）的移动性和环境的动态变化，信道特性会随时间发生显著变化，呈现出时变性。
非视距（NLoS, Non-Line-of-Sight）路径的影响。在NLoS路径下，雷达可能无法有效感知目标，因为信号在传播过程中可能受到障碍物的阻挡和散射[14]。这增加了信道估计的难度，因为需要同时考虑直射路径和多种NLoS路径的影响。
（2）参数估计的不一致性与复杂性
雷达与通信参数的差异。雷达主要关注目标的距离、位置、角度等物理信息，而通信则更关心信道的增益、时延、多普勒等参数[15]。这些参数在OTFS-ISAC系统中可能需要同时估计，但它们的估计方法和精度要求可能不同，从而增加了信道估计的复杂性。
参数估计的相互干扰。在OTFS-ISAC系统中，雷达和通信的参数估计可能会相互干扰。例如，雷达的回波信号可能干扰通信信号的接收和参数估计。这需要设计有效的算法来分离和估计这些参数，以确保系统的性能和稳定性。
（3）资源分配和开销问题
资源受限。OTFS-ISAC系统需要在有限的资源（如时间、频率、功率等）下工作。这使得信道估计在资源受限的情况下面临更大的挑战，需要设计高效的算法来充分利用有限的资源。
上行反馈开销。在传统的通信系统中，信道估计通常依赖于用户端的上行反馈。但在OTFS-ISAC系统中，由于需要同时处理通信和感知功能，上行反馈开销可能会显著增加。这需要设计有效的反馈机制来减少开销，同时确保信道估计的准确性和可靠性。
（4）技术融合与兼容性
OTFS技术的融合。OTFS技术作为一种新兴的调制技术，在OTFS-ISAC系统中的应用需要与其他技术（如雷达技术、通信技术等）进行深度融合。这需要解决技术融合过程中的一系列问题，如信号设计、参数估计、资源分配等。
与现有系统的兼容性。OTFS-ISAC系统需要与现有的通信和雷达系统保持兼容性。这需要设计兼容性的接口和协议，以确保系统之间的互操作性和兼容性。
确定性和随机性权衡[16]。由于通信系统倾向于随机信号，而传感系统倾向于确定性信号，因此ISAC波形设计存在固有的确定性-随机权衡。当目标是提高感知性能时，一种可能的解决方案是优化传输的DD序列，使其与期望意义上的最优感知序列非常相似。相反，如果以通信性能为主要目标，则应采用充水式DD预编码设计来实现信道容量，这不可避免地影响了DD序列的相关性，降低了传感性能。
4 未来展望
（1）技术创新与突破
在未来，OTFS-ISAC系统信道估计领域有望实现更多的技术创新和突破。一方面，随着信号处理算法的不断进步，研究者们将能够开发出更为高效、精确的信道估计算法，以应对复杂多变的通信环境。这些算法可能会结合先进的数学工具和优化技术，进一步提升信道估计的精度和效率。人工智能和机器学习技术的快速发展将为OTFS-ISAC系统信道估计提供新的解决思路[17]。通过引入深度学习、强化学习等先进的人工智能技术，研究者们可以构建更为智能的信道估计模型，实现对信道特性的精准感知和预测。这些模型将能够自适应地调整参数和策略，以应对不同场景下的信道估计需求。
（2）标准化与规范化
随着OTFS-ISAC系统的不断发展和应用，相关标准化和规范化工作也将逐步推进。这将有助于统一技术标准、提高系统兼容性和互操作性，从而推动技术的普及和应用。未来，相关国际组织、行业协会和标准化机构可能会制定一系列针对OTFS-ISAC系统信道估计的技术标准和规范，涵盖信号处理算法、系统架构设计、参数配置等方面。
（3）应用场景的拓展
OTFS-ISAC系统信道估计技术的应用场景将不断拓展。除了传统的通信和雷达领域外，该技术还可能应用于智能交通、智慧城市、无人机通信等新兴领域。在这些领域中，OTFS-ISAC系统可以实现对目标的精准感知和定位，同时提供高速、可靠的通信服务。这将为城市交通管理、环境监测、应急救援等场景提供有力的技术支持。
（4）跨领域合作与融合
OTFS-ISAC系统信道估计领域的发展将需要跨领域的合作与融合。一方面，研究人员需要与通信、雷达、人工智能等领域的专家进行紧密合作，共同推动技术的创新和发展。通过跨学科的研究和交流，可以实现对信道估计问题的更深入理解和解决。产业界也需要加强合作与融合，共同推动OTFS-ISAC系统信道估计技术的商业化和应用。通过产业链上下游的紧密合作，可以实现技术、产品、市场的协同发展，推动OTFS-ISAC系统信道估计技术在更广泛的领域得到应用和推广。
（5）硬件与软件的协同发展
OTFS-ISAC系统信道估计领域的发展还将依赖于硬件与软件的协同发展。一方面，随着硬件技术的不断进步，研究人员将能够开发出更为高效、可靠的硬件平台来支持OTFS-ISAC系统的实现。这些硬件平台将具备更高的处理能力、更低的功耗和更强的环境适应性。软件技术的发展也将为OTFS-ISAC系统信道估计提供更好的支持和保障。通过引入先进的软件开发工具和平台，研究者们可以更加便捷地实现信道估计算法的优化和部署。同时，软件技术的不断发展也将为OTFS-ISAC系统信道估计的智能化和自动化提供有力支持。
5 结束语
本文综述了人工智能技术在OTFS-ISAC系统信道估计的研究现状，详解了三种具有代表性的OTFS-ISAC系统的智能信道估计方法，包括其原理框架、仿真条件和结果分析，最后探讨了OTFS-ISAC系统信道估计面临的技术挑战以及展望了未来的发展趋势。未来，相信OTFS-ISAC这个领域的研究会越来越丰富，除了信道估计，还包括信号检测、信道状态信息反馈以及下行预编码等技术的研究与应用。
参考文献：（上下滑动浏览）
[1]廖勇,罗渝,荆亚昊. 6G新型时延多普勒通信范式：OTFS的技术优势、设计挑战、应用与前景[J]. 电子与信息学报,2024,46(5): 1827-1842.
[2] Liao Y, Li X. Joint Multi-Domain Channel Estimation Based on Sparse Bayesian Learning for OTFS System[J]. China Communications, 2023, 20(1): 14-23.
[3] Kim K, Kim J, Joung J. A Survey on System Configurations of Integrated Sensing and Communication (ISAC) Systems[C]//2022 13th International Conference on Information and Communication Technology Convergence (ICTC). Jeju Island, Korea, Republic of: IEEE, 2022: 1176-1178[2024-11-10].
[4] Yuan W, Wei Z, Li S, et al. Orthogonal Time Frequency Space Modulation—Part III: ISAC and Potential Applications[J]. IEEE Communications Letters, 2023 27(1): 14-18.
[8] Heath R W, Gonzalez-Prelcic N, Rangan S, et al. An Overview of Signal Processing Techniques for Millimeter Wave MIMO Systems[J]. IEEE Journal of Selected Topics in Signal Processing, 2016,10(3): 436-453.
[9] Jafri M, Srivastava S, Jagannatham A K. Sparse Target Parameter and Channel Estimation in mmWave MIMO OTFS-aided Integrated Sensing and Communication Systems[J]. IEEE Transactions on Communications, 2024: 1.
[10] Zhang X, Huang H, Tan L, et al. Enhanced Channel Estimation for OTFS-Assisted ISAC in Vehicular Networks: A Deep Learning Approach[C]//2023 21st International Symposium on Modeling and Optimization in Mobile, Ad Hoc, and Wireless Networks (WiOpt). Singapore, Singapore: IEEE, 2023: 703-707[2024-11-10].
[11] Lin W, Zheng H, Feng X, et al. Deep Unfolding Network for Target Parameter Estimation in OTFS-based ISAC Systems[C]//2024 IEEE Wireless Communications and Networking Conference (WCNC). Dubai, United Arab Emirates: IEEE, 2024: 1-6[2024-11-10].
[12] Cheng X, Li L, Du L. ADMM-Based Channel Estimation for mmWave Massive MIMO Systems[C]//2017 3rd IEEE International Conference on Computer and Communications (ICCC). Chengdu: IEEE, 2017: 152-157[2024-11-10].
[13] Zhang C, Du H, Wu Z. Sparsity-based Channel Estimation in Visible Light Communication[C]//2018 IEEE/CIC International Conference on Communications in China (ICCC). Beijing, China: IEEE, 2018: 126-130[2024-11-10].
[14] Pishvaei S M, Mozaffari Tazehkand B. Error and Outage Performance of the FBMC-based OTFS Using Large-Scale and Massive MISO-NOMA with Millimeter-Wave Channel by LOS and NLOS Paths Impact[J]. Wireless Networks, 2022,28(5): 1835-1855.
[16] Yuan W, Zhou L, Dehkordi S K, et al. From OTFS to DD-ISAC: Integrating Sensing and Communications in the Delay Doppler Domain[J]. IEEE Wireless Communications, 2024: 1-9.
[17] 廖勇,韩小金. 基于机器学习的OTFS系统信道估计与信号检测研究进展[J]. 移动通信, 2024,48(7): 46-56. ★
扫描二维码，阅读下载本篇论文
★原文刊发于《移动通信》2025年第1期★
中图分类号：TN929.5 文献标志码：A
文章编号：1006-1010(2025)01-0091-10
引用格式：廖勇,常星宇,苏畅. 面向OTFS-ISAC系统的智能信道估计现状、挑战与展望[J]. 移动通信, 2025,49(1): 91-100.
LIAO Yong, CHANG Xinyu, SU Chang. Intelligent Channel Estimation for OTFS-ISAC Systems: Current Status, Challenges, and Future Perspectives[J]. Mobile Communications, 2025,49(1): 91-100.
作者简介
廖勇：副研究员，博士毕业于重庆大学，现任职于重庆大学，主要研究方向为超高速移动场景通信系统及其关键技术、智能通信。
常星宇：重庆大学在读本科生，主要研究方向为智能信号与信息处理。
苏畅：工程师，本科毕业于重庆科技学院，现任职于中国石油西南油气田分公司重庆气矿，主要研究方向为天然气地面集输工艺、人工智能。
《移动通信》
投稿网址：https://ydtx.cbpt.cnki.net
