本文报道了一项针对6G车联网（V2X）和车载物联网（IoT）场景中正交时间序列复用（OTSM）波形峰值平均功率比（PAPR）降低技术的原创性研究。此项研究由Arun Kumar（印度锡金玛尼帕尔技术学院）、Venkatachalam Revathi（印度班加罗尔新地平线工程学院）、Mehdi Masud（沙特塔伊夫大学）、Mansor Alohali（沙特伊玛目穆罕默德·本·沙特伊斯兰大学）、Nishant Gaur（印度贾科大学）以及通讯作者Aziz Nanthaamornphong（泰国普吉岛宋卡王子大学）共同完成。论文已投稿至《IEEE Internet of Things Journal》，并处于同行评审的初始提交阶段，PDF生成于2026年6月3日。
该研究的学术背景聚焦于第六代（6G）无线网络中的车辆到一切（V2X）和车载物联网通信。新无线电V2X（NR-V2X）标准对物理层算法设定了严格的“相干时间”预算（约1-3毫秒），以确保在高达500公里/小时的相对车速下实现可靠的低延迟通信。OTSM作为一种基于沃尔什-哈达玛变换的二维波形，因其在高多普勒环境下具有媲美正交时频空间（OTFS）的鲁棒性且接收机复杂度更低，被视为6G V2X的有力候选波形。然而，与所有多载波波形一样，OTSM也存在高峰均功率比问题，这会导致车载发射机功率放大器（PA）效率下降、链路预算恶化，从而影响通信范围和能效。因此，降低PAPR成为OTSM应用于V2X的关键前提。传统PAPR降低方法（如选择性映射SLM、部分传输序列PTS）及其元启发式优化版本（如鲸鱼优化算法WOA-PTS、遗传算法GA-PTS、粒子群优化PSO-PTS）虽然能找到较优的相位旋转组合以降低PAPR，但其单帧计算时间（例如WOA-PTS约需985毫秒）远超NR-V2X的相干时间预算，因此不具备实际部署可行性。本研究的核心目标并非追求最低的PAPR值，而是设计一种能够在NR-V2X苛刻的1-3毫秒时间预算内完成每帧PAPR优化的“相干时间合规”算法，这是V2X部署的刚性门槛。
研究的详细工作流程包含几个关键步骤，环环相扣。首先，基于OTSM的沃尔什-哈达玛结构特性，研究团队在附录A中论证了：对于方形QAM（如本文使用的64-QAM）星座，在PTS的相位旋转集合选择上，二元相位集B = {±1} 在期望意义上能够达到与四元相位集B4 = {±1, ±j} 同等的PAPR降低效果。这一关键发现将搜索空间从4^V指数级缩小到2^V。研究设定子块分割数V=4，因此每个OTSM帧的二元相位向量搜索空间仅有2^4 = 16种可能性。这使得通过穷举搜索在离线状态下构建一个“最优相位向量”数据库成为可能。其次，研究采用了一种“伪随机子块分割”策略，将OTSM的时延-序列域符号矩阵随机分配到4个子块中。相比于按序或交织分割，伪随机分割为相位旋转提供了更多自由度，从而能实现更显著的PAPR降低。第三，构建离线“穷举最优PTS预言机”。研究团队生成了大量（例如10,000帧）符合车载高速移动瑞利衰落信道特征的OTSM数据帧。对于每一帧，他们都通过穷举评估全部16种二元相位向量组合的PAPR，精确地找出使PAPR最低的那个最优相位向量b*。这样就构成了一个大规模的监督学习训练数据集 {帧数据， 最优相位向量}。第四，设计并训练一个门控循环单元（GRU）神经网络作为在线“摊销推理器”。该网络的输入是OTSM帧的下采样时域信号，输出是预测的4维二元相位向量。网络在离线的“最优相位向量”数据集上进行训练，学习从时域信号特征映射到最优相位旋转模式的复杂关系。训练过程使用二元交叉熵损失函数和Adam优化器。第五，在线部署与性能评估。在推理阶段，对于一个新的OTSM帧，无需运行耗时的元启发式搜索，只需将时域信号输入训练好的GRU网络，进行一次前向传播（约需230微秒），即可瞬间预测出近似最优的相位向量，并用于构建最终的发射信号。整个研究流程还包括了严谨的评估协议：将提出的Optimal-PTS-RNN方法与SLM、传统四元PTS、GA-PTS、PSO-PTS、WOA-PTS五种基线方法在64-QAM OTSM、不同子载波数（M=64,128,256）配置下进行对比。评估指标不仅包括在互补累积分布函数CCDF = 10^-3处的PAPR值（采用蒙特卡洛模拟和bootstrap置信区间确保统计显著性），更重要的是，精确测量了每种方法在代表性硬件平台（NVIDIA T4/A100 GPU + Intel CPU）上的每帧处理墙钟时间。此外，研究还定义了一个“摊销差距”Δ_amort诊断指标，用于量化GRU网络预测结果与离线穷举搜索得到的最优PTS结果之间的PAPR性能差距，以此评估神经网络“摊销”搜索过程的保真度。
研究的主要结果系统而有力地支持了其核心论点。第一，在PAPR性能方面，对于V=4的二元PTS，元启发式方法（GA-PTS, PSO-PTS, WOA-PTS）在相等的函数评估预算下（每帧3000次PAPR计算），均收敛到了与离线穷举搜索相同的“二元PTS最优值”。在M=64子载波下，该最优值在CCDF=10^-3处的PAPR约为9.90 dB。而提出的Optimal-PTS-RNN方法，由于GRU网络的预测并非完美，其PAPR约为10.60 dB，存在Δ_amort ≈ 0.70 dB的差距。值得注意的是，SLM和四元PTS方法取得了更低的PAPR（分别为9.64 dB和9.31 dB），这表明二元相位集本身在理论上就存在一个性能上限（约比最优方法差0.3-0.6 dB）。第二，在至关重要的时延性能方面，测量结果呈现鲜明对比：WOA-PTS单帧处理耗时约957.55毫秒，SLM约13.16毫秒，传统四元穷举PTS约61.16毫秒，二元穷举搜索约5.05毫秒。所有这些方法都远超NR-V2X的1毫秒相干时间预算。唯独Optimal-PTS-RNN方法，凭借其单次神经网络前向传播，耗时仅约237微秒（0.237毫秒），不仅满足1毫秒预算，还留有约4倍余量。第三，通过“时延-PAPR帕累托前沿”分析，研究进一步证明：即使将WOA-PTS的每帧评估预算大幅削减至25次，其处理时间（10.4毫秒）仍超出1毫秒预算一个数量级。这意味着，在给定平台上，没有任何一个经过测试的元启发式PTS配置能够进入“V2X可部署区域”。而Optimal-PTS-RNN是唯一落在该区域的方法，尽管其PAPR并非最低。第四，研究量化了该技术带来的V2X系统级增益。相比于无PTS旋转的原始OTSM信号，Optimal-PTS-RNN在M=64时可将所需功率放大器输入回退（IBO）降低约1.49 dB。基于Rapp P=2 PA模型和典型传播模型估算，这对应着约15%的功率放大器效率提升、13%的每比特发射能量减少以及约10%的小区边缘覆盖半径扩展。这些增益是那些PAPR更低但时延超标的方法所无法在实际V2X系统中兑现的。第五，对“摊销差距”Δ_amort的诊断分析揭示了当前GRU网络输入表示（下采样的128个IQ时域样本对）存在信息瓶颈。网络预测相位向量与最优向量的汉明一致率仅约62%，略高于50%的随机猜测基线，这解释了Δ_amort存在的原因。该诊断框架的设计初衷正是为了定量暴露这种代理模型的保真度限制，为后续改进指明方向。
研究的结论明确而有力：提出并验证了首个符合NR-V2X相干时间预算的OTSM波形PAPR降低框架——Optimal-PTS-RNN。该框架通过结合OTSM结构分析（二元相位集）、离线穷举构建精确预言机、以及GRU神经网络摊销推理，成功地将每帧优化时间从数百毫秒降至亚毫秒级别，实现了“V2X可部署性”这一核心突破。研究结论强调，对于V2X系统设计而言，算法的绝对PAPR性能不再是唯一甚至首要指标；能否在信道相干时间内完成计算，成为决定算法能否实际部署的“资格门”。在本评估的所有六种方法中，只有Optimal-PTS-RNN通过了这道门。
此项研究的科学价值在于其开创性的方法论视角：将“相干时间合规性”确立为V2X物理层优化算法的核心设计约束和评估标准，而不仅仅是传统意义上的性能指标（如PAPR-dB）。应用价值则直接体现在为6G高速车联网中低复杂度、高多普勒鲁棒性波形（OTSM）的实用化扫清了一个关键障碍（PAPR实时处理），有望提升未来V2X终端的能效、覆盖范围和通信可靠性。
本研究的亮点突出体现在以下几个方面：第一，问题定义新颖：首次明确提出并系统论证了“相干时间合规性”作为V2X PAPR降低算法部署前提的核心观点，改变了该领域传统的评估范式。第二，方法创新性强：创造性地将“穷举搜索构建精确预言机”与“神经网络摊销推理”相结合，为求解小型离散组合优化问题提供了一个可验证、高效率的通用框架。第三，评估全面且具说服力：不仅进行了传统的PAPR性能对比，更引入了精确的每帧墙钟时间测量，并与NR-V2X预算直接对照，结论坚实。第四，自我批判与透明性：通过定义和报告“摊销差距”Δ_amort，公开并量化了当前神经网络代理模型的局限性，为未来研究指明了改进方向，体现了严谨的科学态度。研究还承诺公开所有代码、训练权重和仿真种子，增强了可复现性。
其他有价值的内容包括：论文详细回顾了PAPR降低技术从传统方法、元启发式辅助到深度学习辅助的三个发展阶段，并清晰地定位了本工作对这三个阶段的继承与超越。同时，研究也坦诚指出了当前工作的局限性，如GRU输入表示的信息瓶颈、仿真信道模型对更复杂3GPP V2X信道模型的简化、以及尚未探索更高子块数V=8的扩展等，并以此为基础规划了四项明确的未来扩展方向，包括改进神经网络输入架构、在标准3GPP V2X信道模型下重新评估、扩展至更大子块数以探索PAPR-时延前沿、以及向MIMO-OTSM扩展等。这些都为后续研究提供了清晰的路线图。