OTFS调制原理与仿真实现：高速移动下替代OFDM的关键技术

简介OTFS调制是面向高速移动场景的新型多载波方案通过在时延—多普勒域刻画信道变化弥补传统OFDM在高动态环境下的性能损失。这份Matlab代码面向通信方向研究人员与学生实现从DD域信号到时域发射波形的完整OTFS调制流程覆盖符号映射、离散对数映射、循环前缀预编码、逆辛格尔变换及信道冲激响应处理每一步均保留中间量便于观察信号在时延—多普勒平面上的变化规律。压缩包内仅1个m文件大小273字节代码精简但层次分明既可作为OTFS原理的教学演示也适合作为二次开发起点。资源已有1417人学习下载对于正在学习5G/6G物理层或准备相关课程设计的研究者提供了一条可运行、可修改的入门路径有助于快速理解OTFS如何将时延和多普勒维度转换为抗衰落增益。1. 当高速移动场景把OFDM打回原形OTFS调制是什么能解决什么5G 里几乎所有系统都建立在 OFDM 之上但它有个天生的软肋对多普勒频移极度敏感。高铁跑到 300km/h 以上载波频率 3.5GHz多普勒频移能到近 1kHz子载波间隔 15kHz 时ICI子载波间干扰已经把星座图搅成一团。OTFSOrthogonal Time Frequency Space正交时频空间调制的核心思路是把数据符号从时频域搬到延迟-多普勒域Delay-Doppler DomainDD 域去承载。在这个域里信道的时变衰落被展现出一种稀疏、平稳的结构接收端可以更干净地把信号抽回来。简单说OTFS 是把对信道时间选择性敏感的问题转换成一个对信道变化几乎免疫的问题。这篇文章就围绕“OTFS_Modulation.rar 调制_Otfs”这套常见工程实现把 OTFS 的模型、代码结构、参数设定和血泪踩坑全部拆开讲。2. 从时频域到延迟-多普勒域OTFS 框架与信号模型2.1 为什么必须在延迟-多普勒域里放符号传统的 OFDM 传输是在时间-频率栅格上放置 QAM/PSK 符号。信道在时频域里是二维变化的快衰落环境里接收端需要不断估计和插值信道矩阵导频开销随多普勒扩展线性上升。而 OTFS 发射端采用的思路是先把数据符号摆到一个 N×M 的延迟-多普勒栅格上然后通过逆辛傅里叶变换ISFFT映射到时频域再经过海森伯格变换Heisenberg Transform得到时域发射波形。这个过程从信号处理角度看相当于对时频域信号做了两次变换而最终效果是让每个信息符号在时频域中散布到整个资源块上。这里有一个关键物理直觉延迟轴对应多径到达时间多普勒轴对应反射体相对运动引起的频移。在真实物理信道里一条多径分量在 DD 域就是一根冲激位置由延迟和多普勒共同确定。反射体数量通常有限所以 DD 域信道是稀疏的远没有时频域那张矩阵那么复杂。OTFS 的接收端在 DD 域做信道估计与均衡能有效利用这种稀疏性性能增益在高速场景尤其明显很多文献里给出的模拟结果表明在 500km/h 速度下OTFS 的 BER 比 OFDM 低 2~3 个数量级。2.2 OTFS 收发信机的数学框架ISFFT、海森伯格、维格纳变换怎么接起来理想的 OTFS 收发链路是一个闭合的变换对。发射侧DD 域符号矩阵 X_ddN×MN 是多普勒索引M 是延迟索引经过 ISFFT 得到时频域符号矩阵 X_tf F_N · X_dd · F_M^H其中 F_N 是 N 点 DFT 矩阵F_M 是 M 点 IDFT 矩阵。然后时频域矩阵经过海森伯格变换本质上是加窗后做 OFDM 调制映射成连续时间信号。接收端用维格纳变换得到时频域接收矩阵再做 SFFT 回到 DD 域。代码实现里ISFFT 通常这样写def isfft(X_dd): # X_dd: shape (N, M), DD-domain symbols in matrix form # 沿着多普勒维度做 N 点 DFT沿着延迟维度做 M 点 IDFT X_tf np.fft.fft(X_dd, axis0) / np.sqrt(N) X_tf np.fft.ifft(X_tf, axis1) * np.sqrt(M) return X_tf这段代码对应公式 X_tf F_N^H · X_dd · F_M 的离散实现。第一步对每一列做 FFT是把每个时隙内的多普勒成分展开第二步对每一行做 IFFT是把延迟样本转换到时频域的频域索引。除以 sqrt(N)、乘以 sqrt(M) 是为了保持功率归一化。现实中代码还需要补一个 CP循环前缀否则多径效应会跨符号泄漏。发射端在 ISFFT 之后做海森伯变换实际就是一组并行子载波调制等价于对 X_tf 逐行做 IFFT再串行输出加 CP。接收端维格纳变换则相反逐符号做 FFT 得到时频域接收矩阵。整个收发链路可以简化为“DD 域符号 - 二维变换 - OFDM 调制 - 信道 - OFDM 解调 - 二维逆变换 - DD 域符号”。2.3 OTFS 里面的栅格和参数N、M、QAM 之间怎么搭配DD 域栅格维度 N多普勒轴采样点数和 M延迟轴采样点数决定了一个 OTFS 帧占用的时间和带宽。具体关系帧时长 T_frame N × T_sym其中 T_sym 是每个时频域符号周期占用带宽 B M × ΔfΔf 是子载波间隔。典型配置 N128、M128子载波间隔 15kHz 时一个帧占用 1.92MHz 带宽时长约 8.53ms含 CP。在这个帧内最大可分辨多普勒频移为 ±1/(2·T_sym)最大可分辨延迟扩展为 M/(B)。调制阶数的选择要考虑 DD 域 SNR 分布。因为 DD 域信道均衡后不同位置符号的等效 SNR 并不均匀——延迟轴上的早期抽头通常比晚期抽头能量高。如果全帧用同一个 QAM 阶数会出现一部分符号过度冗余、另一部分符号误码率失控。实践里常见做法是按物理信道的 PDP功率延迟谱估算各延迟抽头功率再为每个延迟行分配不同调制阶数这块在自适应 OTFS 里是热门方向不过基础代码里通常全部用同一个调制方式。3. 把“OTFS_Modulation.rar调制_Otfs”跑起来源码结构与最小实现3.1 解包后先看什么典型文件组织与模块分工拿到“OTFS_Modulation.rar”这类压缩包第一件事不是跑代码而是先看文件树判断这是仿真框架还是 FPGA/DSP 工程参考。常见结构有两种一种是 MATLAB 为主包含 tx_otfs.m、rx_otfs.m、channel_model.m、main_simulation.m另一种是 Python 工程包含 modulation/otfs_modulator.py、demodulator.py、channel/tdl_channel.py、examples/demo.py。无论哪种核心模块就四个调制映射QAM - DD 域、二维变换ISFFT/SFFT、OFDM 基带调制解调、信道模拟。建议按这个顺序逐个读不要先碰绘图和 BER 统计部分。把 rar 解压后如果里面只有代码没有 README先找 main 或 demo 文件看它的输入参数和输出张量维度。OTFS 的代码实现中最容易出问题的就是维度顺序——同一个 X_dd 矩阵在 MATLAB 里列优先在 Python 里行优先直接在两个平台间搬运代码会导致转置错误而这类错误不会报错只会在 BER 曲线上表现为比理论值高一截的“平台”。3.2 Python 实现 OTFS 发射机的关键代码从比特到 DD 域符号下面是一段可运行的 OTFS 发射机核心代码按最小可行方案实现并标注了每一步的目的与坑点。import numpy as np def qam_mod(bits, M_ord): # 将比特流映射到 QAM 符号M_ord 取值 4/16/64 # 这里按 Gray 映射简化实际项目建议用 comm.QAMModulator k int(np.log2(M_ord)) symbols [] for i in range(0, len(bits) - k 1, k): idx 0 for j, b in enumerate(bits[i:ik]): idx (idx 1) | int(b) # Gray 映射 gray_val idx gray_code gray_val ^ (gray_val 1) # 对应到 QAM 星座注意功率归一化 sym (2 * gray_code - (M_ord - 1)) symbols.append(sym) symbols np.array(symbols, dtypecomplex) def generate_dd_grid(bits, N, M, M_ord): # N: # Doppler bins, M: # Delay bins, symbol: topic style k int(np.log2(M_ord)) padded_len N * M * k if len(bits) padded_len: bits np.pad(bits, (0, padded_len - len(bits)), constant) bits bits[:padded_len] bits_mat bits.reshape(N, M, k) dd_symbols np.zeros((N, M), dtypecomplex) # 每个 DD 栅格位置放置一个 QAM 符号 for n in range(N): for m in range(M): idx 0 for b in bits_mat[n, m]: idx (idx 1) | b gray_idx idx ^ (idx 1) re 2 * (gray_idx // int(np.sqrt(M_ord))) - (np.sqrt(M_ord) - 1) im 2 * (gray_idx % int(np.sqrt(M_ord))) - (np.sqrt(M_ord) - 1) dd_symbols[n, m] (re 1j * im) / np.sqrt(2 * (M_ord - 1) / 3) return dd_symbols这段代码把比特按 N×M 个栅格分组每个栅格映射成 QAM 星座点。功率归一化用的分母 sqrt(2(M_ord-1)/3) 对应 QAM 星座的平均能量这样 16QAM 和 64QAM 的每个符号平均功率都是 1后续加噪声、计算 SNR 时不会因为调制阶数改变而偏。注意 Gray 映射保证了相邻比特组合对应的星座点只差一个比特这在 BER 统计时很关键——解调端如果不用同样的 Gray 映射误码率会直接翻倍。3.3 发射端完整链路DD 域到时域的落地方案拿到 DD 域符号矩阵之后发射链路剩下的步骤是 ISFFT、海森伯格变换、加 CP。这段代码需要理解每个步骤的数据流变化def otfs_transmit(dd_symbols, N, M, cp_len): # 第一步ISFFTDD 域 - 时频域 X_tf np.fft.fft(dd_symbols, axis0) / np.sqrt(N) X_tf np.fft.ifft(X_tf, axis1) * np.sqrt(M) # 第二步海森伯格变换时频域 - 时域 # 对每一行即每个时隙做 M 点 IFFT得到基带时域样本 time_grid np.fft.ifft(X_tf, axis1) * np.sqrt(M) # time_grid shape 是 (N, M)按行拼接成一维时域信号 tx_signal time_grid.flatten() # 第三步加循环前缀CP按行加 # 注意这里 CP 加在每个时隙的尾部不是整个帧的尾部 tx_signal_cp np.zeros(N * (M cp_len), dtypecomplex) for n in range(N): start n * (M cp_len) orig_start n * M tx_signal_cp[start:start cp_len] tx_signal[orig_start M - cp_len:orig_start M] tx_signal_cp[start cp_len:start cp_len M] tx_signal[orig_start:orig_start M] return tx_signal_cp这里最容易踩坑的地方在于 CP 的加法。很多初学 OTFS 的朋友沿用 OFDM 的习惯对整个 OTFS 帧加一个总的 CP——这会导致多径信道跨符号干扰无法消除。正确做法是对每个时隙单独加 CP因为海森伯变换之后每个时隙就是一个独立的 OFDM 符号只有每个符号有 CP 才能吸收符号间干扰和子载波间干扰。cp_len 的值一般参考信道最大延迟扩展典型场景设 M/4 到 M/8比如 M128 时 CP 长度 16 或 32。3.4 接收机最小实现维格纳变换与 SFFT 恢复接收端第一步是去掉每个时隙的 CP然后对每个时隙做 M 点 FFT维格纳变换得到时频域接收矩阵再做 SFFT 恢复 DD 域符号。在理想信道无多径无噪声情况下接收到的 DD 域矩阵和发射的完全一致这个闭环可以验证你前面的收发代码逻辑是否正确。def otfs_receive(rx_signal, N, M, cp_len): # 去除 CP按行恢复 time_grid time_grid np.zeros((N, M), dtypecomplex) for n in range(N): start n * (M cp_len) time_grid[n, :] rx_signal[start cp_len : start cp_len M] # 维格纳变换每一行 FFT 回时频域 Y_tf np.fft.fft(time_grid, axis1) / np.sqrt(M) # SFFT时频域 - DD 域逆 ISFFT Y_dd np.fft.ifft(Y_tf, axis0) * np.sqrt(N) Y_dd np.fft.fft(Y_dd, axis1) / np.sqrt(M) return Y_dd这段代码是发射端的两步逆变换。清理 CP 时需要保证帧同步是正确的——如果 rx_signal 开头多了几个采样整个 CP 剔除就错位了。实际仿真里常用卷积信道和线性卷积接收端要先做时延对齐再移除 CP。很多开源代码不处理这个对齐直接让接收信号和发射信号共享同一个时间原点这在纯 AWGN 仿真里没毛病但在多径信道里会导致延迟抽头跑到负时间轴上BER 统计一片混乱。4. 信道模拟与性能验证让 OTFS 在衰落信道里交出真实成绩单4.1 延迟-多普勒信道模型怎么搭抽头延迟线加多普勒扩展OTFS 的仿真离不开一个能体现“多普勒”的信道模型。最简单且有效的方案是使用抽头延迟线模型每个抽头有独立的延迟、复增益和多普勒频移。多径的复增益由功率延迟谱决定多普勒频移则根据相对速度 λv/c 计算。比如 5.9GHz 频段高铁速度 300km/h 时多普勒频移约 1.64kHz子载波间隔 15kHz 时多普勒仅是子载波间隔的 11%貌似不大但对 OTFS 来说这个多普勒在 DD 域里对应一个清晰的位置只需要动用一个很小的估计代价。class TDLChannel: def __init__(self, delays, powers, doppler_shifts, sampling_rate): self.delays delays # 单位采样点数 self.powers powers # 单位mW self.doppler_shifts doppler_shifts # 单位Hz self.fs sampling_rate def convolve(self, tx_signal): # 时变信道实现每个抽头按自己的多普勒相位旋转 n_samples len(tx_signal) rx np.zeros(n_samples int(max(self.delays)), dtypecomplex) t np.arange(n_samples) / self.fs for delay, power, fd in zip(self.delays, self.powers, self.doppler_shifts): amp np.sqrt(power) phase_rot np.exp(2j * np.pi * fd * t) rx[delay:delay n_samples] amp * phase_rot * tx_signal # 加 AWGN return rx这里相位旋转 np.exp(2jnp.pifd*t) 是每个采样点独立旋转的因为它模拟的是连续多普勒。注意每个抽头的多普勒是恒定值这对应理想的点散射体假设。如果做更精细的仿真抽头内还要加 Jakes 谱的随机过程但用于 OTFS 链路验证时恒定性已经足够——DD 域每个符号的相位误差在帧内是周期性变化的这正好是 OTFS 优于 OFDM 的场景。4.2 导频与信道估计嵌入叠加导频的布置方案OTFS 帧里需要导频来做 DD 域信道估计。常见嵌入导频思路是在 DD 域栅格上预留一块区域一个导频符号放置在某个特定位置周围留出保护符号置零因为 DD 域信道的扩展范围为 ±最大多普勒偏移乘最大延迟扩展只有保护带足够宽才能避免数据符号干扰导频估计。保护带宽度由信道最大多普勒扩展和延迟扩展决定延迟方向保护长度等于最大延迟抽头数多普勒方向保护长度等于最大多普勒索引的两倍。def insert_pilot(dd_frame, N, M, pilot_pos, guard_len): # pilot_pos: (n_p, m_p) 导频所在DD栅格 # guard_len: (n_guard, m_guard) 两个方向的保护长度 n_p, m_p pilot_pos n_g, m_g guard_len # 保护区域置零防止数据与导频互扰 n_start max(0, n_p - n_g) n_end min(N, n_p n_g 1) m_start max(0, m_p - m_g) m_end min(M, m_p m_g 1) # 保存导频符号并清空保护带 pilot_symbol dd_frame[n_p, m_p] dd_frame[n_start:n_end, m_start:m_end] 0 dd_frame[n_p, m_p] pilot_symbol return dd_frame导频功率设置的玄学在于导频功率高则信道估计准但挤占数据功率导致数据信噪比下降导频功率低则估计不准。工程上常见做法是把导频功率设为数据平均功率的 3~6 倍同时保护带宽度依据场景查表市区低速场景延迟保护 8~16 个样本高速场景多普勒保护取最大预期多普勒索引加 1~2 个余量。保护带太宽会显著降低频谱效率N128、M128 的帧里保护带占掉 20% 是常态。4.3 性能指标看什么BER 曲线、时延-多普勒谱、峰值旁瓣比验证 OTFS 性能不能只看一条 BER 曲线。建议至少输出三样东西BER 对 Eb/N0 曲线对比 OFDM、DD 域信道估计结果的热力图、接收端均衡前后星座图。DD 域热力图能直观显示稀疏信道估计是否捕捉到了所有多径分量星座图则用来检查残余均衡误差的形状。很多仿真结果 BER 异常看星座图会发现不是整体噪声抬高而是某些象限的符号被系统性偏转——这通常是信道估计中导频相位未对齐造成的。性能验证时还有个容易忽略的指标峰值平均功率比PAPR。OTFS 信号在时域的 PAPR 比 OFDM 略高因为 ISFFT 本身进一步“白化”了信号。如果实际系统对功放回退很敏感这个指标会决定能否真正上线。仿真里统计 PAPR 的 CCDF 曲线很有必要天然论文和数据报告都用这个来证明 OTFS 并非只是理论优势也有实际链路层面的代价。5. OTFS 仿真的五个经典翻车现场避坑与排查5.1 现象接收端 DD 域星座图整体旋转 90 度做仿真时发现恢复出来的 DD 域星座图看着是完整的 QAM 形状但相位整体偏转约 90°。原因多半是 ISFFT/SFFT 的变换矩阵转置方向搞反了。OTFS 的 ISFFT 是对多普勒维做 DFT、延迟维做 IDFT有些代码实现把两个方向弄反数学上等效于对 X_dd 做了转置变换再加转置回来最终表现为一个正交旋转。解决方法是做一个闭环单元测试构造一个只在 (0,0) 位置有符号的 DD 矩阵走完发射接收链路看恢复的符号是否还在 (0,0) 且相位不变。任何偏离都在几分钟内暴露问题。5.2 现象加多普勒信道后 BER 反而比 OFDM 差这是因为信道实现里做了“线性卷积”但发射端没有在帧末尾做尾部补偿。OTFS 的循环卷积性质依赖 CP 保护和输入信号的周期性。如果信道模型用 scipy.signal.fftconvolve 做线性卷积多径分量越过帧末尾后丢失能量等价于人为增加了不可恢复的符号能量损失。解决方法是把发射信号按帧周期扩展再做循环卷积将 tx_signal 复制拼接成三段取中间段做卷积再把结果中三段的叠加部分合并。这个细节在 Openairinterface 的 5G NR 实现中同样存在只是他们用频域滤波来近似。5.3 现象SNR 越高BER 曲线越早进入平层高 SNR 下 BER 不再下降多半是导频保护带太窄导致数据符号泄漏进导频估计区域或者信道估计插值方式过于粗糙。DD 域信道估计中如果保护带不够数据符号会叠加在导频所在区域估计出的信道响应被污染等效噪声随 SNR 线性下降但干扰保持不变于是出现平层。把导频功率提升或保护带加宽后会缓解但也注意观察估计热力图里是否有“十字形”扩展——有这种形状就意味着保护带宽度不足。5.4 现象Matlab 和 Python 结果对不上这类现象几乎都可以归因于 fft 归一化的差异。MATLAB 的 fft 不带归一化ifft 带 1/N 归一化NumPy 的 np.fft.fft 也不带归一化但 np.fft.ifft 带 1/N 归一化——看起来一致但对二维变换来说NP 的 fft 是对最后一个轴操作而 MATLAB 是对第一个非单例维度操作如果代码从 MATLAB 搬到 Python 时没有把矩阵转置二维变换的轴就会错位。排查方法是在 ISFFT 前后打印矩阵的第 0 行第 0 列元素和手算值比对。5.5 现象所有模块都对但整体帧同步递归式偏移帧同步偏移表现为BER 中等偏高星座图能看到清晰的符号间干扰痕迹但逐符号检查发现错误集中在每段 CP 的位置。这是因为实际收发链路中接收端不知道发射信号从哪里开始如果仿真里直接把 tx_signal 加完噪声就作为 rx_signal不存在同步问题但如果你插入了一个前导序列来模拟真实同步那个序列的长度没有从接收信号的整体长度中扣除导致后续每个时隙的边界都错了一个常数。解决方法是先做复相关同步用前导序列和接收信号做互相关把峰值位置作为帧起点再进入解调流程。6. OTFS 调制的进阶调试技巧三维图诊断法与迭代检测入门做 OTFS 仿真到中期最有效的验证工具不是 BER 曲线而是 DD 域的幅度热力图和相位图。把接收端的 Y_dd 矩阵画成三维瀑布图X 轴是延迟索引Y 轴是多普勒索引Z 轴是幅度。理想情况下发射端的 QAM 符号在 DD 域应该像网格一样整齐排列但因为信道抽头扩展每个符号周围会出现十字形能量泄漏——泄漏方向正好对应延迟扩展和多普勒扩展。如果看到斜向的能量带说明信道估计中存在时变相位没有补偿干净这时再去检查每帧的相位旋转矩阵。import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D def plot_dd_heatmap(Y_dd, titleDD Domain): fig plt.figure(figsize(10, 6)) ax fig.add_subplot(111, projection3d) N, M Y_dd.shape X_grid, Y_grid np.meshgrid(np.arange(M), np.arange(N)) surf ax.plot_surface(X_grid, Y_grid, np.abs(Y_dd), cmapviridis, alpha0.9) ax.set_xlabel(Delay Index (m)) ax.set_ylabel(Doppler Index (n)) ax.set_zlabel(Magnitude) ax.set_title(title) plt.show()迭代检测Iterative Detection是 OTFS 接收机进一步增益的重要方向。基础的线性均衡比如 MMSE在 DD 域做完后残余干扰仍然是结构化的。把 SIC连续干扰消除引入进来每次迭代中先解出当前能量最强的符号减去它的干扰后再次均衡。这种迭代方案在 DD 域做起来非常自然因为每个符号的干扰结构是局部化的复杂度不会像 MIMO 那样爆炸。实现时注意迭代步进控制在 3~5 次之间超过 5 次收益急剧下降同时每一轮迭代都要重新计算残余干扰协方差矩阵不能直接沿用上一轮的。做 OTFS 这一路走下来我最大的体会是这个方向真正的门槛不是数学变换本身而是信道模型和帧结构设计之间的匹配。ISFFT、海森伯格这些变换有现成公式可抄但是 CP 按符号加还是按帧加、导频保护带留多宽、信道模拟用什么卷积模式这些工程判断只能靠一次次翻车换回来。希望这些调试经验能帮你少走几段弯路祝你一次跑通 BER 曲线希望帮到你。本文还有配套的精品资源点击获取