王 健,王吉哲,沈正華,龔黎慧倩,高 歌,廖 勇

(1.國網(wǎng)重慶市電力公司 信息通信分公司,重慶 401120;2.重慶大學 微電子與通信工程學院,重慶 400044)

0 引 言

近年來,隨著無線通信技術(shù)與各個領(lǐng)域的融合,車聯(lián)網(wǎng)逐漸演變?yōu)榧煌ǚ?wù)、無線通信技術(shù)、智能安防于一體的智能交通系統(tǒng)(Intelligent Transport System,ITS)[1]。車聯(lián)網(wǎng)(Vehicle to Everything,V2X)通信是指車輛與一切事物之間的通信,它通過無線通信技術(shù)將車輛與其他車輛、交通基礎(chǔ)設(shè)施、行人和互聯(lián)網(wǎng)等連接起來,實現(xiàn)實時的雙向數(shù)據(jù)交換和信息共享[2]。V2X通信是促進交通安全和智能化的關(guān)鍵技術(shù),實現(xiàn)V2X通信的快傳輸速率、低時延、高可靠性是保證ITS高效運行的本質(zhì)要求[3]。

然而,在V2X通信中,車輛具有高速移動的特點。由高速移動性導致的時變信道會產(chǎn)生較大的多普勒頻移,從而導致顯著的載波間干擾(Intercarrier Interference,ICI),嚴重降低傳統(tǒng)正交頻分復用(Orthogonal Frequency Division Multiplexing,OFDM)系統(tǒng)的通信性能[4],使得傳統(tǒng)的OFDM系統(tǒng)難以滿足V2X通信的需求。

正交時頻空(Orthogonal Time Frequency Space,OTFS)所基于的時延-多普勒(Delay-Doppler,DD)信道模型最初源自Bello[5]的研究,然而當初它僅作為理論推導,并未得到廣泛應(yīng)用。在數(shù)學文獻中,DD信道有時也被稱為海森堡群的晶格表示[6]。1988年,Janssen[7]重新發(fā)現(xiàn)了這一結(jié)構(gòu),并將其稱為ZAK變換,用于將信號從時間-頻率域轉(zhuǎn)換為DD域?；谶@一基礎(chǔ),Coherence技術(shù)公司聯(lián)合了德克薩斯大學的Hadani教授和南加州大學的Molisch教授等研究人員,致力于找到Bello信道模型的最佳信號設(shè)計,以更充分地捕捉時延-多普勒領(lǐng)域內(nèi)的分集效應(yīng)。最終,在2017年,OTFS調(diào)制技術(shù)被正式提出[8]。

近年來,針對高速移動性無線通信提出的正交時頻空調(diào)制技術(shù)因其在高速移動的車輛上仍具有優(yōu)異的通信性能,引起了OTFS調(diào)制技術(shù)在V2X通信中的廣泛關(guān)注。OTFS調(diào)制技術(shù)將逆辛有限傅里葉變換(Inverse Symplectic Finite Fourier Transform,ISFFT) 引入在OFDM調(diào)制前,并在OFDM解調(diào)后進行辛有限傅里葉變換(Symplectic Finite Fourier Transform,SFFT)。通過ISFFT/SFFT變換,在OTFS系統(tǒng)中引入DD域,使調(diào)制后的信號在DD域而不是時頻(Time-Frequency,TF)域進行傳輸。等效的DD信道具有出色的可分離性、穩(wěn)定性、簡潔性和潛在稀疏性,使OTFS系統(tǒng)能夠獲得延遲-多普勒分集增益,從而增強了OTFS信號在高速移動環(huán)境中抗多普勒頻移的能力,提高V2X通信性能[9]。所以,研究OTFS系統(tǒng)相關(guān)難題對V2X通信具有重要應(yīng)用價值。由于OTFS系統(tǒng)中的每個調(diào)制符號都通過ISFFT運算映射到整個TF資源網(wǎng)格中,導致等效DD信道的維數(shù)遠大于OFDM系統(tǒng),從而極大地增加了OTFS系統(tǒng)信號檢測的復雜度。為了應(yīng)對這一難題,相關(guān)研究人員致力于低復雜度OTFS信號檢測算法的研究。

本文對可適用于V2X通信的低復雜度OTFS信號檢測算法進行了綜述,分類比較了OTFS信號檢測算法的優(yōu)勢,并討論了OTFS系統(tǒng)低復雜度信號檢測目前所面臨的問題與前景。

1 OTFS系統(tǒng)模型

擴展車輛信道(Extended Vehicular A Model,EVA)是車聯(lián)網(wǎng)典型通信信道之一,各徑之間相互獨立且均服從瑞利分布。在時域上,由于多路徑傳播的原因,EVA通常顯示出時延展寬的特點,且由于車輛的運動,車輛信道中存在時域抖動,即信號傳輸?shù)牟环€(wěn)定性和不規(guī)則性,這會導致時域上的信號波形變化和頻繁的時域波動。時延-多普勒域中,進一步出現(xiàn)多普勒展寬,時延-多普勒域中的信道響應(yīng)通常表現(xiàn)為一個三維表面,稱為時延-多普勒色散,這個表面描述了不同時延和多普勒頻移值上的信道增益和相位。不同車輛的速度和方向可能會引起不同的多普勒效應(yīng),因此在時延-多普勒域上,多普勒頻移的分布可能會因車輛的運動情況而異。

系統(tǒng)模型介紹如下,OTFS將數(shù)據(jù)流映射到DD域進行數(shù)據(jù)傳輸,圖1展示了OTFS系統(tǒng)的傳輸模型。在發(fā)送端,數(shù)據(jù)流經(jīng)過調(diào)制之后與導頻序列一起被映射到DD域的資源網(wǎng)格X∈M×N上,其中M、N分別表示時延域和多普勒域的資源元素數(shù)量。經(jīng)過ISFFT之后,即從DD域轉(zhuǎn)換到了TF域,D∈M×N代表了TF域的資源網(wǎng)格,FM∈M×M和FN∈N×N是歸一化快速傅里葉變換矩陣。接著,與OFDM調(diào)制操作類似,對D進行反傅里葉變換將其變換到時域,即其中S∈M×N。為了讓發(fā)送的數(shù)據(jù)能在信道中進行傳輸,需要將S轉(zhuǎn)換成串流數(shù)據(jù),即MN×1,x=vec(XT)∈MN×1代表了DD域的串流發(fā)射信號,IM∈M×M代表了單位矩陣。在發(fā)射信號之前,為了避免幀間干擾,還需要在s之前插入長度為NCP的循環(huán)前綴(Cyclic Prefix,CP)。

圖1 OTFS傳輸系統(tǒng)

發(fā)送的時域信號s在信道中,會受到雙選信道的影響,同時需要注意的是,信道的最大時延不會超過信道的CP長度,即L≤NCP,因此接收時域信號r∈MN×1可以表示為

r=Gs+w

(1)

式中:G=circ[g0,g1,…,gL-1,0,…,0]∈MN×MN是由信道抽頭gl∈MN×1構(gòu)成的循環(huán)時域矩陣;w∈MN×1代表了均值為0、方差為σ2的加性高斯白噪聲。在去除CP之后,接收信號r∈MN×1會從串行數(shù)據(jù)轉(zhuǎn)變?yōu)榫仃囆问?即R=vec-1(r),R∈M×N。然后對其進行傅里葉變換,即D′=FMR,再通過SFFT將其從TF域變換到DD域,得到DD域資源網(wǎng)格M×N。最后,將Y向量化y=vec(YT),即可以得到OTFS系統(tǒng)中DD域的輸入輸出關(guān)系為

(2)

2 OTFS信號檢測算法

本節(jié)將根據(jù)文獻介紹OTFS調(diào)制系統(tǒng)常用的信號檢測算法,這些算法可分為3類,分別為線性檢測算法、消息傳遞(Message Passing,MP)檢測算法及其改進算法、基于神經(jīng)網(wǎng)絡(luò)的檢測算法,如圖2所示。

圖2 OTFS系統(tǒng)信號檢測算法

2.1 線性檢測算法

OTFS線性檢測算法主要包括最小均方誤差(Minimum Mean Square Error,MMSE)算法和迫零(Zero Forcing,ZF)算法及其改進算法。其中,MMSE算法因其復雜度低,已經(jīng)被4G/5G OFDM系統(tǒng)所采用,ZF算法因其沒有考慮噪聲的統(tǒng)計特性,相比于 MMSE 算法,其檢測性能相對較差。OTFS系統(tǒng)中經(jīng)典MMSE與ZF檢測算法的檢測矩陣分別為GMMSE=(HHH+σ2I)-1HH和GZF=(HHH)-1HH。然而,當經(jīng)典的MMSE/ZF檢測算法直接應(yīng)用于OTFS系統(tǒng)時,由于OTFS系統(tǒng)中等效DD信道矩陣的維數(shù)為MN×MN,導致了MN×MN矩陣求逆,使得它們的復雜度非常高,為O(M3N3)。

為了降低OTFS系統(tǒng)中線性信號檢測的復雜度,考慮到等效DD信道的稀疏性和塊循環(huán)等特性,相關(guān)研究人員進行了一些低復雜度的線性信號檢測算法的研究。文獻[11]利用OTFS解調(diào)過程中矩陣的稀疏性和準帶狀結(jié)構(gòu),研究了一種低復雜度MMSE檢測算法,從而在不降低誤碼率(Bit Error Rate,BER)的情況下獲得對數(shù)線性復雜度。文獻[12]充分利用DD信道矩陣的特征值,在復雜度較低的情況下給出了精確的MMSE和ZF解。同時,文獻[13]利用多入多出OTFS(Multiple-Input Multiple-Output OTFS,MIMO-OTFS)系統(tǒng)信道矩陣分塊矩陣和分塊循環(huán)矩陣的性質(zhì),顯著地降低了MMSE/ZF算法的復雜度。文獻[14]聯(lián)合MMSE和最大似然估計,提出了一種低復雜度的集成檢測方案,對高頻譜效率的信號具有更好的性能。文獻[15]在DD域中放置導頻和保護符號,實時估計自干擾頻率以調(diào)整MMSE算法,從而提高了V2X通信性能。文獻[16]利用MIMO-OTFS系統(tǒng)信道塊矩陣的特性,提出了一種比傳統(tǒng)MMSE/ZF算法復雜度更低的新型MMSE/ZF信號檢測器。文獻[17]分析對比了現(xiàn)有的低復雜度MMSE和ZF檢測算法。文獻[18]只估計信道主對角線和自干擾功率,而不考慮進行干擾消除,并將信道估計誤差和自干擾功率作為附加的調(diào)諧方差參數(shù),實現(xiàn)了雙色散信道下OTFS系統(tǒng)的低復雜度檢測。文獻[19]提出了一種基于上下(Lower-Upper,LU)分解的低復雜度MMSE檢測算法,使用低復雜度的LU分解運算取代了高復雜度的信道矩陣求逆運算。文獻[20]充分利用信道特性,設(shè)計并分析了MIMO-OTFS系統(tǒng)中適用于完美和不完美信道狀態(tài)信息的低復雜度MMSE/ZF信號接收器。文獻[21]提出了SIC-MMSE算法對發(fā)射信號進行分層檢測,對同一層信號的不同多徑分量及其干擾進行相干組合,并通過MMSE濾波進行抑制。仿真結(jié)果表明,4-QAM調(diào)制時,所提算法與傳統(tǒng)最大合并比(Maximal Ratio Combining,MRC)算法和MP算法相比,其BER性能顯著優(yōu)于MRC和MPA算法。文獻[22]充分利用OTFS系統(tǒng)的稀疏性,將廣義最小殘差和分解稀疏近似逆兩種迭代算法應(yīng)用于MMSE估計,從而提高信號檢測性能。

OTFS系統(tǒng)線性信號檢測算法總結(jié)如表1所示。

表1 OTFS系統(tǒng)線性信號檢測算法

2.2 MP檢測算法及其改進算法

MP信號檢測算法利用概率圖模型來表示信號傳遞過程中的相關(guān)性和依賴關(guān)系,并使用消息傳遞算法在圖上進行推斷,常被用于解決多用戶干擾和多路徑干擾等復雜通信環(huán)境中的問題。其具體處理步驟如圖3所示。

圖3 MP信號檢測算法處理步驟

MP信號檢測算法的關(guān)鍵思想是使用匹配濾波器(Matched Filter,MF)來最大程度地提高信號與預定義信號波形的匹配程度。這種濾波器的作用是將接收到的信號與已知信號波形進行卷積,從而突出與已知信號波形相匹配的部分。一旦MF增強了信號的相關(guān)部分,可以將信號積分以減小噪聲的影響,進一步提高信號的檢測性能。這一過程通常稱為脈沖積分。

MP檢測算法雖被認為是實現(xiàn)OTFS系統(tǒng)信號檢測最佳性能的方法,但仍存在復雜度高等問題。文獻[23]提出了一種適用于MIMO-OTFS系統(tǒng)的基于MP的迭代信號檢測算法,并與MIMO-OFDM系統(tǒng)進行了性能對比。文獻[24]使用MP算法來補償多普勒間干擾的影響,充分利用了信道的稀疏性,從而提高了OTFS系統(tǒng)通信性能。文獻[25]使用MP算法進行聯(lián)合干擾的消除和信號檢測,使采用實際矩形波形的OTFS可以達到使用理想脈沖整形波形的OTFS的性能。文獻[26]提出了一種改進的基于協(xié)方差處理的近似消息傳遞(Approximate Message Passing,AMP)算法,其復雜度與傳統(tǒng)的AMP算法基本相同,但誤碼率性能更好。文獻[27]研究了一種MP與最大比合并(Maximal Ratio Combining,MRC)聯(lián)合的檢測算法,利用波束成形網(wǎng)絡(luò)將空域的多普勒頻偏進行分離,保證了等效稀疏性,獲得了最佳的分集。文獻[28]提出了一種阻尼因子基于深度學習進行優(yōu)化的阻尼廣義近似消息傳遞(Generalized Approximate Message Passing,GAMP)算法,相較于傳統(tǒng)MP算法具有更低的復雜度。文獻[29]結(jié)合概率剪裁(Probability Clipping,PC)研究了一種基于匹配濾波(Matched Filtering,MF)的MF-MP檢測器,在降低復雜度的同時獲得了更好的誤碼率性能。文獻[30]針對非理想高斯干擾導致MP檢測性能下降這一問題,通過高斯分布對單個發(fā)射信號進行建模,提出了高斯近似消息傳遞(Gaussian Approximate-Message Passing,GA-MP)檢測方法。文獻[31]引入了分數(shù)間隔采樣(Fractionally Spaced Sampling,FSS),利用DD信道的稀疏性和FSS的信道分集增益,研究了迭代組合消息傳遞(Iterative Combining-Message Passing,IC-MP)和渦輪消息傳遞(Turbo Message Passing,TMP)檢測器。文獻[32]為了克服MP信號檢測器在高散射環(huán)境或分數(shù)多普勒頻移情況下性能損失嚴重這一問題,提出了一種統(tǒng)一近似消息傳遞(Unitary Approximate Message Passing,UAMP)檢測器。UAMP檢測器在接收到DD信號后,利用酉矩陣進行酉變換,利用交織器與去交織器的迭代聯(lián)合檢測流程如圖4所示。UAMP算法與MRC算法和MP算法的BER性能仿真對比表明,在16-QAM情況下,UAMP算法的BER性能明顯優(yōu)于其他兩種算法,當BER為10-4時,UAMP算法的SNR相較于MRC算法提升約2 dB,相較于MP算法性能提升更為明顯。

圖4 UAMP檢測系統(tǒng)流程圖[28]

文獻[33]利用正交三角分解(Orthogonal Triangular Decomposition,QRD)改進了MP檢測,有效的降低了符號間干擾,提高了信道的可靠性。文獻[34]針對OTFS系統(tǒng)的廣義空間調(diào)制(Generalized Spatial Modulation,GSM)技術(shù)提出了一種具有更好性能的改進MP檢測算法,通過激活部分發(fā)射天線來減輕信道間干擾(Inter-channel Interference,ICI)。

OTFS系統(tǒng)MP及其改進信號檢測算法總結(jié)如表2所示。

表2 OTFS系統(tǒng)MP及其改進信號檢測算法

2.3 基于神經(jīng)網(wǎng)絡(luò)的檢測算法

傳統(tǒng)的信號檢測方法通常依賴于數(shù)學模型和特定的檢測算法,隨著人工智能技術(shù)的發(fā)展,神經(jīng)網(wǎng)絡(luò)作為一種基于數(shù)據(jù)驅(qū)動的方法,可以從數(shù)據(jù)中學習信號的模式和特征,從而更好地進行信號檢測。文獻[35]將基于數(shù)據(jù)增強預處理的OTFS幀的二維結(jié)構(gòu)作為二維卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)的輸入進行信號檢測,在較低復雜度的情況下獲得了與最大后驗檢測器幾乎相同的信號檢測性能。文獻[36]提出了兩種深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Network,DNN)方法:一種方法是使用一個全連接深度神經(jīng)網(wǎng)絡(luò)(Fully Connected-Deep Neural Network,FC-DNN)來檢測信號向量,檢測問題被表述為一個多類分類問題,其中每個類對應(yīng)于傳輸信號集中的每個向量,從而實現(xiàn)對傳輸符號向量的聯(lián)合檢測;另一種方法使用多個DNN進行檢測,傳輸矢量中的每個符號由單個DNN進行檢測,DD域symbol-DNN結(jié)構(gòu)如圖5所示。

圖5 DD域symbol-DNN結(jié)構(gòu)圖[32]

隨后,文獻[37]提出的信號接收器使用單個DNN在空間相干間隔上學習DD信道并檢測OTFS幀中的信息符號。文獻[38]級聯(lián)了具有跳過連接(Skip Connections,SC)的CNN和雙向長短期記憶(Bidirectional Long Short-Term Memory,BiLSTM)網(wǎng)絡(luò)來執(zhí)行信號恢復,提高了OTFS系統(tǒng)在水聲信道中的信號檢測性能。文獻[39]集成了神經(jīng)網(wǎng)絡(luò)、貝葉斯推理和并行干擾消除概念提出了一種基于貝葉斯并行干擾消除網(wǎng)絡(luò)(Bayesian-Parallel Interference Cancellation-Network,B-PIC-Net)的OTFS信號檢測器,并與現(xiàn)有的檢測器進行了性能對比。文獻[40]使用訓練過的DNN來恢復被碼間干擾(Inter-Symbol Interference,ISI)扭曲的OTFS信號。文獻[41]提出基于2D-CNN的檢測器模型利用DD信道來學習MIMO-OTFS系統(tǒng)的輸入輸出關(guān)系,并且使用線性檢測器的數(shù)據(jù)增強技術(shù)來增強所提模型的學習和檢測能力。文獻[42]通過使用更合適的激活函數(shù)以提高DNN的精度,使訓練后的基于DNN的數(shù)據(jù)驅(qū)動OTFS接收機無需顯示信道估計即可直接恢復初始傳輸數(shù)據(jù)。文獻[43]提出了一種基于深度圖像先驗(Deep Image Prior,DIP)和解碼器架構(gòu)的未經(jīng)訓練的DNN,稱為D-DIP,取代了迭代檢測器中的MMSE去噪器,從而保持了較低的計算復雜度。文獻[44]提出了3種用于OTFS系統(tǒng)信號檢測的新型網(wǎng)絡(luò)結(jié)構(gòu),分別為殘余網(wǎng)絡(luò)(Residual Network,ResNet)、密集網(wǎng)絡(luò)(Dense Network,DenseNet)和殘余密集網(wǎng)絡(luò)(Residual Dense Network,RDN),并與FC-DNN和CNN進行了性能對比,結(jié)果表明隨著訓練數(shù)據(jù)量的增大,利用RDN網(wǎng)絡(luò)進行信號檢測的BER顯著下降后趨于穩(wěn)定,在訓練數(shù)據(jù)量大于6.5×104后,該網(wǎng)絡(luò)結(jié)構(gòu)信號檢測的BER接近于10-5,相較于其他網(wǎng)絡(luò)結(jié)構(gòu)擁有更好的BER性能。文獻[45]使用神經(jīng)網(wǎng)絡(luò)代替了Viterbi算法中需要信道狀態(tài)信息(Channel State Information,CSI)的對數(shù)似然計算,從而提高了信號檢測性能。文獻[46]通過使用圖神經(jīng)網(wǎng)絡(luò)(Graph Neural Network,GNN)輔助OTFS信號檢測,將發(fā)送符號視為GNN的節(jié)點,通過聚合、更新和輸出模塊獲得檢測結(jié)果。

OTFS系統(tǒng)基于神經(jīng)網(wǎng)絡(luò)的信號檢測算法如表3所示。

表3 OTFS系統(tǒng)基于神經(jīng)網(wǎng)絡(luò)的信號檢測算法

3 技術(shù)挑戰(zhàn)與發(fā)展趨勢

3.1 技術(shù)挑戰(zhàn)

OTFS系統(tǒng)可克服傳統(tǒng)OFDM系統(tǒng)在高速移動環(huán)境下的局限性,使得它成為未來車聯(lián)網(wǎng)V2X通信領(lǐng)域的一項重要技術(shù)[47]。但OTFS系統(tǒng)的信號檢測仍面臨以下技術(shù)挑戰(zhàn):

一是在復雜V2X信道環(huán)境下的OTFS信號檢測仍存在許多問題[48]。信道估計對于正確檢測OTFS信號至關(guān)重要,但在復雜信道條件下,信道估計變得更加困難,使得OTFS信號檢測在復雜的多徑信道和頻率選擇性衰落條件下面臨挑戰(zhàn)。

二是根據(jù)目前的研究成果,V2X通信中的OTFS檢測器的計算復雜度仍然遠遠高于OFDM檢測器,尤其在應(yīng)用于MIMO環(huán)境下時,傳統(tǒng)的OTFS信號檢測算法可能需要大量的計算資源[49]。因此,如何降低OTFS信號檢測的計算復雜度仍是一個重要的挑戰(zhàn)。

三是在V2X通信信號檢測中,因為需要同時估計時延、多徑衰落、頻率偏移等參數(shù)[50],所以O(shè)TFS系統(tǒng)中的信號檢測復雜性依然存在,考慮是否可以借助于OTFS信號簡化信號檢測的參數(shù)估計,是當前使用OTFS信號進行信號檢測的挑戰(zhàn)之一。

四是OTFS信號相較于OFDM信號多了ISFFT和SFFT變換,所以在車載終端也需要對ISFFT和SFFT變換對進行實現(xiàn),這可能需要特殊的硬件支持,所以對基于OTFS信號檢測的車載終端硬件實現(xiàn)是當前可能面臨的挑戰(zhàn)[51]。

3.2 發(fā)展趨勢

面對上述技術(shù)挑戰(zhàn)的同時,V2X通信中的OTFS系統(tǒng)信號檢測也有以下發(fā)展趨勢:

1)目前已有較多針對SISO-OTFS系統(tǒng)提出的信號檢測算法,但將SISO-OTFS系統(tǒng)信號檢測算法擴展到MIMO-OTFS系統(tǒng)時,會面臨一些新的問題[52]。因此,如何將已有的SISO-OTFS信號檢測技術(shù)擴展到MIMO-OTFS系統(tǒng)具有較大的研究價值。

2)機器學習技術(shù)在信號處理領(lǐng)域具有廣泛的應(yīng)用前景[53],將機器學習引入OTFS信號檢測中,可以提高檢測性能并減少計算復雜度[54]。目前,基于機器學習的OTFS信號檢測的研究工作仍然較少,機器學習在V2X通信領(lǐng)域中的實際應(yīng)用也較少,仍需要在學習模型和性能驗證等方面進行大量的研究。因此,基于機器學習的OTFS信號檢測是未來的一個熱點研究方向[55]。

3)由于新的移動通信技術(shù)的不斷發(fā)展,多天線技術(shù)變得越發(fā)成熟。通過引入多天線技術(shù)可以改善OTFS系統(tǒng)的魯棒性和性能,特別在多徑傳播環(huán)境中。通過多天線系統(tǒng)提供的空間多樣性,可以有效減少信號的多徑衰落影響,提高OTFS系統(tǒng)信號檢測的準確率。因此,如何在V2X通信領(lǐng)域的OTFS系統(tǒng)中引入超大規(guī)模MIMO用于信號檢測是未來可能的一個研究方向[56]。

4)隨著適應(yīng)V2X通信中高速移動環(huán)境和復雜信號條件的同步和定時技術(shù)的更新,可以輔助用于OTFS信號檢測中以簡化其參數(shù)估計復雜度[57]。因此,對V2X通信中車載終端的同步和定位等技術(shù)的研究對于簡化OTFS信號檢測參數(shù)估計有較大的潛在研究價值[58]。

4 結(jié)束語

本文面向車聯(lián)網(wǎng)領(lǐng)域,對適用于V2X通信的低復雜度OTFS信號檢測算法進行了綜述。首先介紹了V2X通信的背景與面臨的問題,描述了適用于高速移動通信的OTFS系統(tǒng)模型,然后分類概述了現(xiàn)有的低復雜度OTFS信號檢測算法,分別為線性檢測算法、MP檢測算法及其改進算法和基于神經(jīng)網(wǎng)絡(luò)的檢測算法,最后討論了V2X通信中的OTFS信號檢測技術(shù)目前所面臨的技術(shù)挑戰(zhàn)與未來的發(fā)展趨勢,給出了一些未來熱點研究方向。雖然將OTFS調(diào)制技術(shù)應(yīng)用于6G系統(tǒng)仍然面臨著巨大的挑戰(zhàn),但未來對高速移動場景下的高可靠無線通信的需求日益增加,OTFS調(diào)制技術(shù)所表現(xiàn)出的性能優(yōu)勢在高速移動無線通信領(lǐng)域仍具有極大的潛力。