移动无线中OTFS与OFDM对比：高移动性差距究竟出现在哪里

基线问题：OFDM的正交性在多普勒效应下失效

OFDM 一直是 LTE、Wi-Fi 和 5G NR 的默认多载波波形，因为它简单、频谱效率高且对多径衰落具有鲁棒性，但它在时频域中传输符号，因此对快速时变信道较为敏感 [1]。高多普勒频移会导致载波间干扰（ICI），从而在高移动性场景下降低 OFDM 的性能 [1]。这并非一个小众问题：卫星链路会经历高达约 ±50 kHz 的低轨多普勒频移，这会破坏 OFDM 子载波正交性，并产生 ICI、信道估计误差以及密钥协商失败 [6]。自由空间光多载波链路在另一种介质中表现出相同的机制，其中归一化多普勒会导致星座旋转以及由 ICI 驱动的扩散，并且即使在完成公共相位误差校正之后，残余 ICI 仍会留下误码率底限 [3]。

光学研究揭示的一个重要细微之处在于，并非所有多普勒损伤都是等同的：在中等归一化多普勒下，简单的逐符号相位校正能够基本消除公共相位误差，但残余的ICI仍然存在，需要基于时变信道模型的ICI感知均衡[3]。这种区分——可校正的相位旋转与不可约的子载波混叠——正是时延-多普勒表示法从一开始就具有吸引力的物理原因。

为什么延迟-多普勒映射会改变信道模型

OTFS将信息符号映射到二维时延-多普勒网格上，而非时频平面，从而将时变多径信道转化为近似不变的二维响应，使符号能够受益于信道的全时频分集[1]。在实现层面，OTFS可以作为围绕OFDM多载波信号的一个附加模块进行分层叠加，这正是它被视为一种可行的升级路径而非全新波形的原因[1]。其变换链是明确的：逆辛有限傅里叶变换将时延-多普勒符号映射到时频域，海森堡变换产生时域信号，而接收端则通过维格纳变换和SFFT进行逆运算[1]。一种更低复杂度的方案使用逆离散Zak变换将时延-多普勒符号直接映射到离散时间[1]。

这一表示方法已被远远超出地面蜂窝网络的范围所采纳。卫星物理层密钥生成现在利用OTFS时延-多普勒网格，结合星历驱动的时间跳变，为LEO/MEO链路构建高熵、高互易性的随机源[6]。可见光与太赫兹研究也已采用时延-多普勒映射：一个采用DFT-s-OTFS的ORIS辅助NOMA-MIMO VLC系统报告了优于RIS辅助OFDM的BER，且随着RIS单元数量增加优势更为明显[7]；一个MIMO CV-MDI-QKD太赫兹系统利用OTFS时延-多普勒映射来抵抗多径和多普勒，同时通过MIMO波束成形扩展安全距离[11]。因此，这一概念已经确立；尚未解决的问题是，它究竟在何时真正带来收益的系统性、定量化边界。

新对比实际测量了什么——以及差距出现在哪里

这项锚定研究在完美信道状态信息下评估了OTFS与OFDM，从而排除了信道估计这一混杂因素，使比较能够孤立地反映调制行为[1]。它在一个框架内扫描了四个维度：调制阶数（4-QAM、16-QAM、64-QAM、128-QAM）、移动性（静止0 km/h、中速移动127 km/h、高速移动380 km/h）、多径分量数量（2、5和8），以及OTFS的均衡器类型（LMMSE与消息传递）[1]。其核心结论是有条件的而非普适的：OTFS在高移动性和多径环境中始终优于OFDM，且主要体现在低阶和中阶调制（4和16）下，此时即使处于极端车载和类高速列车条件下，OTFS仍能保持较低的BER[1]。在高调制阶数（64和128）下，OTFS仅在高SNR场景中优于OFDM[1]。取决于调制阶数，两者之间的差距可能非常接近，也可能相差多个数量级[1]。

均衡器的结果是故事的另一半。在低信噪比和中信噪比下，对于OTFS而言，非线性消息传递均衡器的性能优于传统的线性LMMSE均衡器，其增益大致集中在0至21 dB之间[1]。从机理上看，这与时延-多普勒信道结构相吻合：LMMSE通过对求逆进行正则化来限制噪声放大，而消息传递则在稀疏的时延-多普勒信道矩阵上迭代更新符号置信度，并利用该稀疏性，代价是更高的计算复杂度以及并非总能得到保证的收敛性——收敛性可能取决于信道稀疏度和迭代次数[1]。

检测器证据趋同：线性前端未能充分发挥性能

独立的MIMO-OTFS研究以不同方法印证了均衡器方面的发现。一种残差学习MMSE神经检测器在瑞利和莱斯衰落信道下、信道估计误差高达20%的条件下进行了测试，在瑞利信道、20%信道误差下，约9–10 dB信噪比时达到10⁻³的误码率，而迫零约为18–20 dB、MMSE约为16–17 dB；在莱斯衰落信道下，其在约6–7 dB时达到相同误码率，而ZFE为16–18 dB、MMSE为14–15 dB [2]。所报告的增益为：在误码率10⁻³下，相较迫零和MMSE提升10–13 dB，信噪比相较ML、QRM-MLD和深度学习基线低3–6 dB，推理延迟相较LSTM/Bi-LSTM检测器降低60%以上，带外发射低5–8 dB [2]。这些数据来自不同的配置——具有不完美CSI的大规模MIMO-OTFS——因此不能直接迁移到基准研究的SISO完美CSI设置，但方向是一致的：线性检测是薄弱环节，非线性或学习型校正能够恢复可观的信噪比。

同样的模式也出现在RIS辅助的OTFS中：在那里，极限学习机信道估计器在NMSE和BER方面优于普通OTFS、RIS-OTFS和OTFS-with-ELM基线，但在高SNR下仍略逊于ReEsNet和Channelformer等更重的深度学习估计器，不过其复数乘法次数远少得多，运行时间也短得多[8]。该研究还报告了符号检测对调制阶数、最大速度和子表面数量变化的鲁棒性[8]——这与锚论文中调制阶数会急剧调节OTFS优势的发现形成了一个有益的对照。

结论止步之处：仿真范围、硬件与竞争波形

锚点论文自身的框架限制了其适用范围：结果是在完美CSI下基于仿真得到的，作者通过理想化信道估计来明确隔离调制效应[1]。这意味着所报告的OTFS与OFDM之间的差距不应被解读为已部署蜂窝系统或标准化系统的性能。同样的审慎在波形基准测试中是标准做法：一项在完美信道知识和理想同步下对OFDM/FBMC/F-OFDM/GFDM/UFMC进行的统一评估，明确将其BER结果描述为受控的相对趋势，而非关于已部署性能的完整论断，并指出载波频率偏移、相位噪声、定时误差和不完美信道估计可能对不同候选方案产生不同影响，尤其是那些围绕长滤波器或非正交脉冲构建的方案[4]。该研究还发现，没有任何单一波形能在所有早期6G服务中胜出，因而倾向于一种能够根据运营需求切换波形的空中接口[4]——这直接反驳了将OTFS视为通用替代方案的观点。

硬件与非线性是第二重边界。在高功率放大器失真条件下，OTFS信道估计需要专门的补偿；一种由IBO驱动的动态门控Bi-GRU估计器报告称，相较于传统方法其BER呈对数级改善，在相同SNR下比深度学习基线提升3–4 dB，PAPR降低超过7 dB，同时MAC与FLOP数量比标准Bi-GRU减少约26% [5]。恒包络OTFS研究同样将PAPR与相位恢复视为首要设计问题，其恒包络主张仅适用于理想离散复基带样本，不包括脉冲成形与射频硬件 [9]。第三重边界是均衡器本身：消息传递能带来增益，但其收敛并非总能得到保证，且依赖于信道稀疏性与迭代次数 [1]；离线训练的学习型检测器在快速时变环境中可能无法自适应 [2]。

现场证据虽少，却并非空白。一项使用Turbo判决反馈均衡器与解码器的水声OTFS接收机报告称，在长多径衰落和严重多普勒条件下，其BER优于现有的时延-多普勒域均衡器，并且在湖泊实验中相对于单载波相干调制和OFDM降低了对多普勒补偿精度的要求[10]。这是不同的介质和不同的接收机架构，因此它验证的是总体方向，而非锚定论文的具体数值。与此同时，OTFS正被嵌入感知与安全应用之中——用于高机动ISAC的恒包络OTFS-CPM-LFM波形[9]、用于无人机ISAC的功率域OTFS加FMCW叠加并具有明确的率失真权衡[12]，以及基于OTFS的卫星密钥生成[6]——这意味着该波形的未来将不仅取决于BER，同样取决于PAPR、复杂度、感知旁瓣和安全性。锚定论文留下的开放问题是具体的：在非理想CSI下、在OFDM变体和其他均衡器下、以及在PAPR和计算成本核算下，这一差距表现如何[1]。

关于这些来源

本研究页面基于12项同行评审研究——发表于2025年至2026年，其中12项发表于2024年或之后——这些研究是从通过质量筛选的13项研究中选出的最相关研究，而这些研究又从超过5亿篇文献的数据库中检索到的93篇论文中筛选而来。

本文引用的文献