Sim2Real Deep Transfer for Per-Device CFO Calibration

📄 arXiv: 2601.10264v1 📥 PDF

作者: Jingze Zheng, Zhiguo Shi, Shibo He, Chaojie Gu

分类: eess.SP, cs.LG

发布日期: 2026-01-15

备注: Accepted by Globecom 2025

💡 一句话要点

提出Sim2Real迁移学习框架，用于异构SDR设备CFO校准

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: Sim2Real 迁移学习 载波频率偏移 软件无线电 OFDM 硬件损伤 设备校准

📋 核心要点

  1. 现有基于DNN的CFO估计方法在异构SDR平台上面临挑战，缺乏设备级别的自适应能力，难以实际部署。
  2. 论文提出Sim2Real迁移学习框架，利用仿真数据预训练DNN，再用少量真实数据微调，实现设备特定CFO校准。
  3. 实验结果表明，该方法在多种SDR设备上显著降低了误码率，与传统方法相比，BER降低了30倍。

📝 摘要（中文）

正交频分复用(OFDM)系统中，由于未校准的硬件损伤，异构软件无线电(SDR)平台上的载波频率偏移(CFO)估计性能显著下降。现有的基于深度神经网络(DNN)的方法缺乏设备级别的适配，限制了它们的实际部署。本文提出了一种用于设备CFO校准的Sim2Real迁移学习框架，该框架结合了仿真驱动的预训练和轻量级的接收器适配。一个骨干DNN在合成的OFDM信号上进行预训练，这些信号包含了参数化的硬件失真(例如，相位噪声、IQ不平衡)，从而实现了通用的特征学习，而无需昂贵的跨设备数据收集。随后，仅使用每个目标设备1000个真实帧来微调回归层，在保留硬件无关知识的同时，适应设备特定的损伤。在三种SDR系列(USRP B210、USRP N210、HackRF One)上的实验表明，在室内多径条件下，与传统的基于CP的方法相比，误码率(BER)降低了30倍。该框架弥合了仿真到现实的差距，实现了鲁棒的CFO估计，从而能够在异构无线系统中进行经济高效的部署。

🔬 方法详解

问题定义：论文旨在解决异构软件无线电(SDR)平台中，由于硬件损伤导致的载波频率偏移(CFO)估计性能下降问题。现有基于深度学习的方法通常缺乏设备级别的适配能力，难以在实际异构环境中有效部署。这些方法需要大量的真实数据进行训练，而收集跨设备的数据成本高昂。

核心思路：论文的核心思路是利用Sim2Real迁移学习，即先在仿真环境中预训练一个通用的CFO估计模型，然后使用少量真实数据对该模型进行微调，使其适应特定设备的硬件特性。这种方法可以有效利用仿真数据，减少对大量真实数据的依赖，并提高模型在异构设备上的泛化能力。

技术框架：该框架包含两个主要阶段：仿真预训练和真实数据微调。在仿真预训练阶段，生成包含各种硬件损伤（如相位噪声、IQ不平衡）的合成OFDM信号，用于训练一个骨干DNN。在真实数据微调阶段，使用每个目标设备的少量真实数据（1000帧）来微调DNN的回归层，从而使模型适应设备特定的CFO。整个框架旨在保留硬件无关的通用知识，同时适应设备特定的损伤。

关键创新：该论文的关键创新在于将Sim2Real迁移学习应用于CFO校准问题，并提出了一种轻量级的微调策略。通过仿真预训练，模型可以学习到通用的CFO估计特征，而仅需少量真实数据即可实现设备级别的适配。这种方法显著降低了数据收集成本，并提高了模型在异构设备上的泛化能力。

关键设计：在仿真预训练阶段，需要仔细设计仿真参数，以尽可能覆盖真实环境中的各种硬件损伤。在微调阶段，只微调DNN的回归层，以保留预训练阶段学习到的通用特征。损失函数通常采用均方误差(MSE)，用于衡量估计的CFO与真实CFO之间的差异。网络结构的选择需要根据具体应用场景进行调整，但通常采用卷积神经网络(CNN)或循环神经网络(RNN)等结构。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，该Sim2Real迁移学习框架在三种不同的SDR设备（USRP B210, USRP N210, HackRF One）上均取得了显著的性能提升。在室内多径信道条件下，与传统的基于循环前缀(CP)的CFO估计方法相比，该方法能够将误码率(BER)降低30倍，验证了其在异构无线环境中的有效性。

🎯 应用场景

该研究成果可广泛应用于无线通信系统，尤其是在异构设备共存的场景中，如物联网(IoT)、无线传感器网络(WSN)和软件定义无线电(SDR)等。通过自动校准CFO，可以提高通信系统的可靠性和性能，降低维护成本，并促进无线技术的普及。

📄 摘要（原文）

Carrier Frequency Offset (CFO) estimation in Orthogonal Frequency Division Multiplexing (OFDM) systems faces significant performance degradation across heterogeneous software-defined radio (SDR) platforms due to uncalibrated hardware impairments. Existing deep neural network (DNN)-based approaches lack device-level adaptation, limiting their practical deployment. This paper proposes a Sim2Real transfer learning framework for per-device CFO calibration, combining simulation-driven pretraining with lightweight receiver adaptation. A backbone DNN is pre-trained on synthetic OFDM signals incorporating parametric hardware distortions (e.g., phase noise, IQ imbalance), enabling generalized feature learning without costly cross-device data collection. Subsequently, only the regression layers are fine-tuned using $1,000$ real frames per target device, preserving hardware-agnostic knowledge while adapting to device-specific impairments. Experiments across three SDR families (USRP B210, USRP N210, HackRF One) achieve $30\times$ BER reduction compared to conventional CP-based methods under indoor multipath conditions. The framework bridges the simulation-to-reality gap for robust CFO estimation, enabling cost-effective deployment in heterogeneous wireless systems.