GeoGS-CE：面向高移动性场景的基于三维高斯分布的时延-波束信道先验学习
信息论
2026-05-18 v1 人工智能
math.IT
摘要
高移动性场景下的宽带信道估计（CE）仍然具有挑战性，因为信道响应变化迅速，而实际系统只能分配稀疏导频来容纳密集用户。幸运的是，许多高移动性环境（如高速铁路）具有预定轨迹、可预测速度以及数量有限的主导传播路径。这些特性使得时延-波束功率谱比瞬时复信道频率响应（CFR）更稳定，对随机相位相干性不那么敏感，并且富含几何信息。为了利用这些环境特性，我们提出了GeoGS-CE，一个用于稀疏导频高移动性场景的两阶段信道估计框架。在离线阶段，GeoGS-CE联合建模：1）一个场景级3D高斯表示，用于捕获非视距（NLoS）几何散射支撑；2）一个感知泄漏的可微无线渲染过程，该过程将NLoS高斯分布与一个显式的虚拟视距（LoS）分量一起映射到测量的时延-波束功率谱，同时考虑了实际的OFDM时延和阵列泄漏效应。在在线阶段，为每个用户位置预测时延-波束功率谱，并将其用作强协方差先验，从而通过线性MMSE估计器实现精确的全频段和全阵列CFR重建与跟踪。基于广深高铁某段生成的信道进行的仿真表明，与仅使用导频和非几何基线方法相比，所提出的几何先验显著改善了CFR重建。
引用
@article{arxiv.2605.16094,
title = {GeoGS-CE: Learning Delay--Beam Channel Priors with 3D Gaussians for High-Mobility Scenarios},
author = {Yumeng Zhang and Jiajia Guo and Chaozheng Wen and Chenghong Bian and Jun Zhang},
journal= {arXiv preprint arXiv:2605.16094},
year = {2026}
}