面向OTFS赋能URLLC的预测式预编码器设计：一种深度学习方法

本文研究用于实现超可靠低时延通信（URLLC）的正交时频空（OTFS）传输。为保证优异的可靠性性能，实用的预编码器设计是一种有效且不可或缺的解决方案。然而，该设计需要发射端准确的瞬时信道状态信息（ICSIT），而这在实践中并非总可获得。受此驱动，我们采用深度学习（DL）方法从估计的历史延迟-多普勒域信道（DDCs）中挖掘隐式特征，直接预测下一时间帧将采用的预编码器以最小化帧错误率（FER），从而无需获取 ICSIT 即可进一步提升系统可靠性。为此，我们首先建立一种预测式传输协议，并针对预编码器设计 formulate 一个通用问题，其中推导出的闭式理论 FER 表达式作为表征系统可靠性的目标函数。然后，我们提出一种基于 DL 的预测式预编码器设计框架，利用无监督学习机制提升所提方案的实用性。作为该框架的实现，我们设计了一种 DDCs 感知的卷积长短期记忆（CLSTM）网络用于预编码器设计，其中采用卷积神经网络与 LSTM 模块以促进从估计历史 DDCs 中进行的时空特征提取，从而进一步增强预编码器性能。仿真结果表明，所提方案实现了灵活的可靠性-时延折中，并取得了优异的 FER 性能，逼近由需要收发两端完美 ICSI 的精灵辅助基准所获得的下界。