Wi-Fi 7/8多AP协作通信的Transformer神经解码技术
1. 项目概述：多AP协作通信的神经解码革命
在Wi-Fi 7（802.11be）和即将到来的Wi-Fi 8（802.11bn）时代，多接入点（AP）协作通信正成为提升网络覆盖和干扰鲁棒性的关键技术。传统OFDM接收机采用的三段式处理流程——导频信道估计、频域均衡和软解调——面临着根本性局限：LS估计器对噪声敏感，LMMSE需要精确的二阶统计量，而独立处理各AP信号更无法利用空间相关性。
我们提出的交叉注意力Transformer架构从根本上重构了这一流程。如图1所示，系统通过三个创新模块实现颠覆性改进：
- 共享编码器层：采用4层Transformer结构处理每个AP的时频网格，d_model=64的隐空间捕获子载波间和符号间的长程依赖
- 令牌级交叉注意力：对每个时频位置独立计算AP间的动态权重，实现基于内容感知的信号融合
- 比特度量解码优化：直接输出对数似然比(LLR)供LDPC解码，通过最大化BMD率实现端到端训练
关键技术突破：模型在3GPP UMi信道下，仅用0.15M参数就实现NR=3时9.5dB的性能提升，且计算复杂度随AP数量线性增长。
2. 核心架构设计解析
2.1 时频网格的神经表示
每个AP的接收信号Y(r)∈C^(Nc×Ns)被转换为三维令牌：
u(r)_f,t = [Re(Y(r)_f,t), Im(Y(r)_f,t), σ²_r] ∈ R³通过可学习嵌入矩阵We∈R^(d_model×3)投影到64维空间，并叠加正弦位置编码：
z(r)_0,f,t = We·u(r)_f,t + π_f,t这种表示方式将复数域信号处理转化为神经网络友好的实数运算，同时保留相位信息。位置编码采用2D扩展的ViT方案：
π_f,t = [sin(f/10000^(2i/d_model)), cos(f/10000^(2i/d_model)), sin(t/10000^(2i/d_model)), cos(t/10000^(2i/d_model))] for i in range(d_model/4)2.2 分层特征提取机制
共享编码器由4个相同层堆叠而成，每层包含：
- 多头自注意力（8头，头维度dk=8）：学习时频网格内的非局部交互
Attention(Q,K,V) = softmax(QK^T/√dk)V - 前馈网络（FFN_dim=128）：引入非线性变换
FFN(x) = GeLU(xW1 + b1)W2 + b2 - 层归一化与残差连接：稳定训练过程
特别设计的1×1补丁处理保持时频分辨率，与标准Transformer的序列压平操作形成对比，这对OFDM的二维结构建模至关重要。
2.3 跨AP的动态权重融合
对于NR个AP在位置(f,t)的编码输出{z(r)_f,t}，选择AP1作为查询锚点，计算交叉注意力：
q_f,t = z(1)_f,t WQ # 查询向量 K_f,t = [z(r)_f,t WK] # 所有AP的键矩阵 V_f,t = [z(r)_f,t WV] # 所有AP的值矩阵 a_f,t = softmax(q_f,t K_f,t^T/√dk) V_f,t最终融合特征通过残差连接：
z_fused_f,t = LN(z(1)_f,t + a_f,t)这种设计带来三重优势：
- 计算复杂度从O(NR^2)降至O(NR)
- 天然支持可变数量的AP输入
- 通过注意力权重可视化各AP贡献度（见图2）
3. 实现细节与训练策略
3.1 数据生成管道
采用Sionna库构建动态场景：
def generate_sample(): UE_pos = uniform(0,25,2) # 25m×25m区域 AP_pos = [uniform(0,25,2) for _ in range(NR)] channel = UMi(UE_pos, AP_pos, fc=2.4GHz) X = LDPC_encode(QAM_mod(bits)) Y = [IFFT(FFT(X) * H_r) + N_r for H_r in channel] return Y, bits关键参数：
- 带宽：20MHz (Nc=48子载波)
- 符号数：Ns=36
- 调制：64-QAM (m=6bit/符号)
- 移动速度：0-3m/s
3.2 比特度量解码优化
损失函数直接最大化BMD率：
L(θ) = -E[∑ log(1 + exp(-s_i L_i))] / (n ln2)其中s_i=2c_i-1∈{-1,+1}。这等价于最小化二元交叉熵，但提供更好的梯度特性。
训练采用Adam优化器，学习率3e-4，batch size 16。关键技巧包括：
- 渐进式NR训练：从NR=1开始，逐步增加AP数量
- 动态噪声注入：σ²_r在[0.01,1.0]区间随机采样
- 导频掩码增强：随机隐藏部分导频提升鲁棒性
4. 性能对比与工程启示
4.1 基准测试结果
表1对比不同方法在NR=3时的性能（2列导频）：
| 方法 | BER=1e-6所需Eb/N0 | 参数规模 | 延迟(ms) |
|---|---|---|---|
| LS+MRC | 13.0 dB | - | 496 |
| LMMSE+MRC | 11.5 dB | - | 1012 |
| CNN[12] | 10.0 dB | 8.26M | 715 |
| 完美CSI参考 | 4.5 dB | - | - |
| 本文方法 | 3.5 dB | 0.15M | 1050 |
关键发现：
- 在NR=3时超越完美CSI参考1dB，证明隐式利用AP间相关性
- 仅1列导频时性能下降<0.5dB，显著优于CNN的2dB损失
- 计算延迟随NR线性增长，NR=10时为2.12秒
4.2 实际部署考量
硬件适配建议：
- 边缘设备部署：利用TFLite量化至8bit，模型仅150KB
- 并行化策略：各AP编码可分布式执行，仅融合层需集中处理
- 内存优化：使用FlashAttention加速自注意力计算
与标准兼容性：
- 可无缝替代传统接收链
- 输出标准LLR接口兼容现有LDPC解码器
- 支持动态导频模式适配802.11bn
5. 扩展应用与未来方向
5.1 多用户场景延伸
当前架构可通过以下改进支持多用户检测：
- 用户特定位置编码
- 交叉注意力层增加用户维度
- 联合训练干扰消除模块
5.2 非理想因素鲁棒性
实测中发现模型对以下场景表现稳健：
- 定时偏差<5%循环前缀长度
- 载波频偏<1kHz
- 前端I/Q不平衡
5.3 神经信道估计联合优化
探索两阶段训练策略：
- 冻结编码器，训练轻量级CSI估计头
- 联合微调实现估计-解码协同优化
这种混合方案可在维持解码性能的同时，提供传统网络优化所需的CSI反馈。