《Sensors》:ConvLoRa: Convolutional Neural Network-Based Collision Demodulation for LoRa Uplinks in LEO-IoT
Tao Hong,
Linkun Xu,
Xiaodi Yu,
Jiawei Shen and
Gengxin Zhang
编辑推荐:
随着支持物联网(IoT)连接的卫星需要为大量LoRa(Long Range)终端提供服务,采用相同扩频因子(Spreading Factor, SF)的数据包之间发生碰撞会严重降低上行链路可靠性。基于ALOHA的多址接入在低轨物联网(LEO-IoT)设场景中,
随着支持物联网(IoT)连接的卫星需要为大量LoRa(Long Range)终端提供服务,采用相同扩频因子(Spreading Factor, SF)的数据包之间发生碰撞会严重降低上行链路可靠性。基于ALOHA的多址接入在低轨物联网(LEO-IoT)设场景中,海量终端接入导致频繁碰撞,限制了系统容量。传统的依赖捕获效应(capture effect)的信号分离方法通常要求碰撞信号之间存在足够大的功率差,然而由于低轨链路信道特性,这一条件往往难以满足。研究人员提出ConvLoRa,一种基于全卷积神经网络(Fully Convolutional Neural Network, FCN)的低轨物联网同扩频因子LoRa上行信号碰撞解调方法。为提升对同步偏差的鲁棒性,ConvLoRa利用前导码中的上扫频(up-chirp)作为特征匹配参考,并在训练过程中采用数据增强来模拟同步偏差。此外,研究人员采用多任务设计以最小额外网络参数代价估计有效载荷长度。实验表明,与基准方法(包括CoRa和基于SIC的接收机)相比,ConvLoRa在碰撞条件下的解调误码率(Bit Error Rate, BER)更低。在两信号碰撞、信噪比(Signal-to-Noise Ratio, SNR)= ?9 dB、SF = 8的条件下,所提方法的BER分别为CoRa的21%和基于SIC方法的28%。
随着低轨卫星物联网(LEO-IoT)技术的快速发展,其覆盖终端数量持续增长,导致上行数据包碰撞问题日益严峻。传统基于连续干扰消除(Successive Interference Cancellation, SIC)的方法难以应对低轨物联网信号功率差异小的特点,严重制约了系统容量提升。为此,发表于《Sensors》的该论文提出了一种基于深度学习的碰撞解调框架ConvLoRa,以显著增强低轨物联网环境下的符号解调精度并降低误码率。
当前研究面临的核心问题源于两方面:一是低轨卫星物联网采用ALOHA类随机接入机制,缺乏集中式调度和时频协调,当卫星覆盖范围较大时,即使单个节点活动概率较低,不同节点同时传输的可能性仍然很高;二是传统信号分离方法存在明显局限——基于捕获效应的方法通常要求碰撞信号间存在6–10 dB的功率差,而低轨链路信道特性使得这一条件难以满足;基于快速傅里叶变换(Fast Fourier Transform, FFT)峰值形状的方法则高度依赖精确的时频同步,且对功率接近的信号分离效果不佳。此外,现有方法多针对地面物联网信道条件设计,缺乏对信号检测和同步失败情况的讨论。
研究人员开展了针对低轨物联网同扩频因子LoRa上行信号碰撞解调的系统研究。研究结论表明,在低功率差异条件下,ConvLoRa显著优于传统SIC方法和CoRa等深度学习方案,同时对同步偏差具有更强的鲁棒性。该研究的重要意义在于首次将全卷积架构引入低轨卫星物联网的LoRa碰撞解调领域,通过参考啁啾匹配和数据增强策略,有效突破了传统方法对功率差和精确同步的依赖,为提升低轨物联网系统容量提供了新的技术路径。
研究所采用的关键技术方法主要包括:基于SegNet架构改进的一维全卷积网络FFT-CNN,用于时频特征提取;从哪里前导码可变前导段(Variable Preamble, VP)提取参考上扫频作为波形锚点,实现特征匹配对抗同步偏差;数据增强技术包括时序抖动和样本丢弃以模拟同步误差;多任务学习(Multi-Task Learning, MTL)框架联合符号解调与符号检测以估计有效载荷长度;以及双分支(时域/频域)特征融合与环形卷积填充策略。
研究结果部分按以下方面展开:
同步偏差鲁棒性研究。研究人员提出将同步状态分为完全同步、部分同步和弱同步三个等级。与传统方法要求完全同步不同,ConvLoRa仅需符号起始索引估计正确即可工作, Slip通过数据增强可容忍高达四分之一符号周期的起始位置偏差。研究采用随机时序抖动(概率30%)和样本丢弃(概率10%)等增强手段,使网络在训练阶段暴露于多种同步偏差场景,从而提升泛化能力。
FFT-CNN架构设计与特征提取。FFT-CNN作为解调网络的核心组件,采用编码器-解码器结构处理时域和频域双分支信息。编码器通过并行处理逐步增加通道维度,经逐元素乘法融合特征;解码器逐层降维提取解调相关表示。所有卷积层采用一维环形填充,确保输入输出信号长度一致,使单一网络可适应不同扩频因子。该架构借鉴SegNet的最大池化索引上采样机制,在减少参数量的同时恢复空间结构。
解调模型结构与训练。解调模型μ包含两个FFT-CNN模块,分别处理参考啁啾h和待解调符号集R,经特征融合后由卷积模块输出。模型输出经softmax得到符号后验概率分布,取最大概率索引作为解调结果。训练数据通过Python、SciPy、PyTorch及STK卫星仿真软件生成,1000个碰撞样本按7:3分为训练集与测试集,实质包含69,530个训练符号和30,142个测试符号。采用AdamW优化器配合学习率预热策略,批次大小为256,训练300周期。通过网格搜索确定最优超参数。
符号解调流程优化。完整解调流程分为三个阶段:从VP选取最优参考啁啾、估计有效载荷长度、执行符号解调。参考啁啾选择基于对VP中八个上扫频的置信度评估;有效载荷长度通过累积检测器输出logit的最大值确定。针对FFT谱峰位于相邻仓边界附近导致的解调混淆问题,研究人员额外施加0.5个FFT仓的频率偏移进行双路解调,选择置信度更高者作为最终结果。
性能评估与对比。在SF=7/8/9多种配置下,ConvLoRa在双信号碰撞场景中表现优异:SNR=-9 dB、SF=8时,其BER仅为CoRa的21%和SIC方法的28%。在不筛选同步条件的实验中,以包接收率(Packet Reception Ratio, PRR)评估显示ConvLoRa对同步偏差容忍度最高。消融实验表明,参考啁啾的频域分支最为关键,移除该分支导致BER上升78%。硬件验证采用IZT C3040卫星信道模拟器和AD9361收发模块,引入500–800 Hz/s随机多普勒变化率,实测与仿真结果在SNR低于-11 dB时性能差距可忽略,验证了方法的实际适用性。
计算复杂度与部署分析。ConvLoRa推理复杂度由卷积运算主导,单次推理低于200 ms,吞吐量超过200符号/次(SF=8),可并行处理3–4组碰撞信号。通过ONNX格式导出并利用运行时优化,可满足低轨卫星在轨处理需求,NVIDIA GTX 1050 Ti级别的计算平台已能支持其实时运行。
总结讨论部分,研究人员指出ConvLoRa的两项主要局限:一是计算资源需求较高,对卫星硬件有一定要求;二是参考啁啾提取要求信号间时间差大于半个符号周期。未来研究方向包括:设计适应时变多普勒频移的解调程序,解决高扩频因子场景下的干扰问题;简化模型并部署于FPGA平台以加速推理;改进同步算法处理更复杂的重叠场景;以及提升架构对高动态多普勒条件的适应能力。
研究结论部分翻译如下:随着低轨卫星物联网技术的发展,低轨物联网系统覆盖的终端数量持续增加,导致上行数据包碰撞更加剧烈。传统的连续干扰消除方法难以应对低轨物联网信号低功率差异的特征。因此,研究人员提出了一种基于深度学习的分离算法以增强低轨物联网容量。通过仿真测试和实测数据验证,研究人员证明在低轨物联网典型的低功率差异条件下,所提出的方法在分离同扩频因子LoRa信号方面显著优于传统连续干扰消除方法,并对同步偏差表现出改进的鲁棒性。未来,研究人员将专注于设计能够有效处理时变多普勒频移的解调流程,解决低轨物联网场景中高扩频因子下的多普勒频偏干扰问题。同时,计划进一步简化所提模型并将其部署于基于FPGA的平台以加速推理并降低推理时延。研究人员将改进同步算法以处理更复杂的重叠场景,特别是多信号重叠以及碰撞信号之间低时延重叠的情况。此外,在未来工作中,研究人员将改进ConvLoRa架构使其能够适应高扩频因子和高动态多普勒条件下的LoRa信号解调。