Fractional timing estimate based on a sounding sequence
先看spec里的内容，如下：
本节定义了一种基于周期性探询序列（Sounding Sequence）的高精度分数时延估计方法 ，用于解决采样时钟量化误差导致的粗同步（t_sync）精度不足问题。下面我将从信号模型 → 核心公式 → 推导过程 → 物理意义逐层拆解。
一、基础场景与信号模型
1. 周期性序列的频谱特性
蓝牙CS_SYNC使用重复的 [0,1] 序列（如 1010...），其频谱会产生两个明显的单音分量：
- 当符号率为
1 Msym/s时，序列周期为2 µs，对应频率f = 1/2µs = 500 kHz - 当符号率为
2 Msym/s时，序列周期为1 µs，对应频率f = 1/1µs = 1 MHz
这两个复正弦信号可以表示为：
S+f(t)=aej2πft,S−f(t)=ae−j2πft S_{+f}(t) = a e^{j2\pi f t}, \quad S_{-f}(t) = a e^{-j2\pi f t} S+f(t)=aej2πft,S−f(t)=ae−j2πft
a：复增益（包含幅度和相位）f：序列产生的单音频率+f/-f：对应正负频率分量，构成一对复共轭信号
2. 离散采样信号定义
设接收端采样周期为 T_s，则采样信号可表示为：
S(n,t)=s(t+nTs) S(n,t) = s(t + nT_s) S(n,t)=s(t+nTs)
n：采样序号t：粗同步时间点t_sync，即接收端初步估计的序列起始时间
二、积分周期与采样点数定义
标准定义了积分周期 M（单位为单音信号的完整周期数），对应的采样点数 L 为：
L=MfTs−1 L = \frac{M}{f T_s} - 1 L=fTsM−1
M：积分包含的正弦波周期数（决定估计精度）f：单音频率T_s：采样周期L：积分窗口内的总采样点数减1，确保积分覆盖整数个信号周期
三、核心公式1：复相关相位估计（EQ 4）
1. 公式定义
φ(t,+f)=∠(∑n=0LS(n,t)×e−j2πfnTs) \varphi(t, +f) = \angle\left( \sum_{n=0}^{L} S(n,t) \times e^{-j2\pi f n T_s} \right) φ(t,+f)=∠(n=0∑LS(n,t)×e−j2πfnTs)
φ(t,−f)=∠(∑n=0LS(n,t)×e+j2πfnTs) \varphi(t, -f) = \angle\left( \sum_{n=0}^{L} S(n,t) \times e^{+j2\pi f n T_s} \right) φ(t,−f)=∠(n=0∑LS(n,t)×e+j2πfnTs)
2. 变量含义
| 变量 | 含义 |
|---|---|
| φ(t,±f)\varphi(t, \pm f)φ(t,±f) | 对应正负频率分量的相关结果相位 |
| S(n,t)S(n,t)S(n,t) | 接收端采样信号 |
| e∓j2πfnTse^{\mp j2\pi f n T_s}e∓j2πfnTs | 本地复正弦参考信号，与接收信号做相关运算 |
| ∠(⋅)\angle(\cdot)∠(⋅) | 取复数相位角 |
3. 物理含义
这两个公式是离散复相关运算：
- 接收信号
S(n,t)与本地正负频率参考信号做滑动相关 - 相关结果的相位，反映了接收信号与本地参考信号的相位差
- 这个相位差，直接对应信号的分数时延
四、核心公式2：分数时延估计推导
1. 时延与相位的关系
信号时延 Δt 会导致单音信号产生相位旋转：
- 对于
+f分量：相位差为2πfΔt - 对于
-f分量：相位差为-2πfΔt
因此，两个分量的相位差为：
φ(t,+f)−φ(t,−f)=2πfΔt−(−2πfΔt)=4πfΔt \varphi(t, +f) - \varphi(t, -f) = 2\pi f\Delta t - (-2\pi f\Delta t) = 4\pi f\Delta t φ(t,+f)−φ(t,−f)=2πfΔt−(−2πfΔt)=4πfΔt
2. 分数时延公式
将上式变形，直接得到时延估计：
Δt=φ(tsync,+f)−φ(tsync,−f)4πf \Delta t = \frac{\varphi(t_{sync}, +f) - \varphi(t_{sync}, -f)}{4\pi f} Δt=4πfφ(tsync,+f)−φ(tsync,−f)
t_sync：粗同步得到的序列起始时间Δt：需要估计的分数时延（小于一个采样周期）
3. 最终ToA估计
接收端的实际到达时间（ToA）为：
ToA=tsync+Δt ToA = t_{sync} + \Delta t ToA=tsync+Δt
这个结果用于3.1节的RTT计算。
五、完整推导过程
步骤1：建立带时延的接收信号模型
接收端收到的单音信号（含分数时延 Δt）为：
S(n,t)=aej2πf(t+nTs+Δt) S(n,t) = a e^{j2\pi f (t + nT_s + \Delta t)} S(n,t)=aej2πf(t+nTs+Δt)
步骤2：代入正频率相关运算
将信号代入 φ(t, +f)：
∑n=0LS(n,t)e−j2πfnTs=aej2πf(t+Δt)∑n=0L1 \sum_{n=0}^{L} S(n,t) e^{-j2\pi f n T_s} = a e^{j2\pi f(t+\Delta t)} \sum_{n=0}^{L} 1 n=0∑LS(n,t)e−j2πfnTs=aej2πf(t+Δt)n=0∑L1
取相位得：
φ(t,+f)=2πf(t+Δt) \varphi(t, +f) = 2\pi f(t + \Delta t) φ(t,+f)=2πf(t+Δt)
步骤3：代入负频率相关运算
同理，代入 φ(t, -f)：
∑n=0LS(n,t)e+j2πfnTs=aej2πf(t+Δt)∑n=0Lej4πfnTs \sum_{n=0}^{L} S(n,t) e^{+j2\pi f n T_s} = a e^{j2\pi f(t+\Delta t)} \sum_{n=0}^{L} e^{j4\pi f n T_s} n=0∑LS(n,t)e+j2πfnTs=aej2πf(t+Δt)n=0∑Lej4πfnTs
由于 L 是整数个周期，求和项为常数，取相位得：
φ(t,−f)=2πf(t−Δt) \varphi(t, -f) = 2\pi f(t - \Delta t) φ(t,−f)=2πf(t−Δt)
步骤4：计算相位差
两式相减，t 项抵消：
φ(t,+f)−φ(t,−f)=4πfΔt \varphi(t, +f) - \varphi(t, -f) = 4\pi f\Delta t φ(t,+f)−φ(t,−f)=4πfΔt
步骤5：解出分数时延
Δt=φ(t,+f)−φ(t,−f)4πf \Delta t = \frac{\varphi(t, +f) - \varphi(t, -f)}{4\pi f} Δt=4πfφ(t,+f)−φ(t,−f)
六、关键优势与工程意义
- 突破采样率限制 ：分数时延
Δt可以远小于采样周期T_s，实现亚纳秒级定时精度 - 抗频偏能力：正负频率分量的相位差抵消了载波频偏的影响
- 精度与积分周期成正比 ：积分周期
M越大，相位估计越稳定，时延精度越高 - 解决粗同步误差 ：与
t_sync结合，实现"粗同步+精估计"的两级定时架构
七、总结
本节通过周期性序列的正负频率分量相位差 ，计算出小于一个采样周期的分数时延，将粗同步 t_sync 修正为高精度ToA，为蓝牙CS RTT测距提供了基础定时精度。
严格数学证明：GFSK 0/1 交替序列 等效分解为 ±f 两个复正弦
全程从 GFSK 时域定义 → 01交替波形 → 傅里叶级数分解 → 化简为双复单音，一步不跳，纯数学推导。
一、先定义基础参数
- 符号周期：(Ts)(T_s)(Ts)
- 蓝牙 CS 探测序列：连续交替比特
bn∈{0,1},bn=n mod 2 b_n \in \{0,1\},\quad b_n = n\bmod 2 bn∈{0,1},bn=nmod2
时序：(...,0,1,0,1,0,1... )(\dots,0,1,0,1,0,1\dots)(...,0,1,0,1,0,1...) - 交替序列完整波形周期：
一个周期包含 2 个符号
T0=2Ts T_0 = 2T_s T0=2Ts
基波频率：
f0=1T0=12Ts f_0 = \frac{1}{T_0} = \frac{1}{2T_s} f0=T01=2Ts1
二、GFSK 时域信号数学定义
GFSK 是连续相位频移键控 ，基带复包络：
s(t)=exp{j2πΔf∫−∞t∑nbn⋅g(τ−nTs)dτ} s(t) = \exp\left\{ j 2\pi \Delta f \int_{-\infty}^{t} \sum_{n} b_n \cdot g(\tau - nT_s) d\tau \right\} s(t)=exp{j2πΔf∫−∞tn∑bn⋅g(τ−nTs)dτ}
- (Δf)(\Delta f)(Δf)：GFSK 频偏
- (g(t))(g(t))(g(t))：高斯成形脉冲
- (bn)(b_n)(bn)：发送比特 0/1
关键特性
交替序列 (bn=0,1,0,1⋯ )(b_n=0,1,0,1\cdots)(bn=0,1,0,1⋯) 送入高斯滤波器后，积分结果是周期线性斜坡 ，最终：
GFSK 输出是恒定包络、周期为 (T0=2Ts)(T_0=2T_s)(T0=2Ts) 的周期相位调制信号 ：
s(t+T0)=s(t) s(t + T_0) = s(t) s(t+T0)=s(t)
👉 结论：0/1 交替 GFSK 信号是严格周期信号。
三、周期信号通用傅里叶级数展开
任意以 (T0)(T_0)(T0) 为周期的复周期信号，都可以展开为傅里叶级数 ：
s(t)=∑k=−∞∞Ck ej2πkf0t s(t) = \sum_{k=-\infty}^{\infty} C_k \, e^{j 2\pi k f_0 t} s(t)=k=−∞∑∞Ckej2πkf0t
其中：
Ck=1T0∫0T0s(t) e−j2πkf0tdt C_k = \frac{1}{T_0}\int_{0}^{T_0} s(t)\,e^{-j2\pi k f_0 t} dt Ck=T01∫0T0s(t)e−j2πkf0tdt
四、代入 0/1 交替 GFSK 的对称性
1. 奇偶对称性
序列 0,1 交替满足：
s(t+T02)=−s(t) s\left(t+\frac{T_0}{2}\right) = -s(t) s(t+2T0)=−s(t)
代入傅里叶级数：
∑kCkej2πkf0(t+T0/2)=−∑kCkej2πkf0t \sum_{k} C_k e^{j2\pi k f_0 (t+T_0/2)} = -\sum_{k} C_k e^{j2\pi k f_0 t} k∑Ckej2πkf0(t+T0/2)=−k∑Ckej2πkf0t
利用 (f0T0=1)(f_0 T_0=1)(f0T0=1)：
ej2πkf0⋅T02=ejπk=(−1)k e^{j2\pi k f_0 \cdot \frac{T_0}{2}} = e^{j\pi k} = (-1)^k ej2πkf0⋅2T0=ejπk=(−1)k
得约束：
(−1)kCk=−Ck (-1)^k C_k = -C_k (−1)kCk=−Ck
(−1)k+1\]Ck=0 \\big\[(-1)\^k + 1\\big\] C_k = 0 \[(−1)k+1\]Ck=0 #### 2. 筛选谐波次数 * 当 (k)(k)(k) 为**偶数** ：((−1)k+1=2≠0 ⟹ Ck=0)((-1)\^k+1=2\\ne0 \\implies C_k=0)((−1)k+1=2=0⟹Ck=0) * 当 (k)(k)(k) 为**奇数**：系数可不为 0 👉 仅**奇次谐波**存在，偶次谐波全部为 0。 *** ** * ** *** ### 五、GFSK 高斯滤波：只保留基波 (k=±1)(k=\\pm1)(k=±1) 高斯脉冲 (g(t))(g(t))(g(t)) 是低通平滑特性，会**滤除高次谐波**： * (k=±3,±5,... )(k=\\pm3,\\pm5,\\dots)(k=±3,±5,...) 高次谐波被高斯滤波衰减至近似 0 * 仅剩最低阶奇次谐波：(k=+1, k=−1)(\\boldsymbol{k=+1,\\;k=-1})(k=+1,k=−1) 因此傅里叶级数**截断近似** 为： s(t)≈C+1ej2πf0t + C−1e−j2πf0t s(t) \\approx C_{+1} e\^{j2\\pi f_0 t} \\;+\\; C_{-1} e\^{-j2\\pi f_0 t} s(t)≈C+1ej2πf0t+C−1e−j2πf0t 令： a=C+1,C−1=a∗ a = C_{+1},\\quad C_{-1}=a\^\* a=C+1,C−1=a∗ （实波形频谱共轭对称） 记作： S+f(t)=a ej2πf0tS−f(t)=a∗ e−j2πf0t \\boxed{ \\begin{aligned} S_{+f}(t) \&= a\\,e\^{j2\\pi f_0 t} \\\\ S_{-f}(t) \&= a\^\*\\,e\^{-j2\\pi f_0 t} \\end{aligned} } S+f(t)S−f(t)=aej2πf0t=a∗e−j2πf0t 工程上统一简写为： S+f(t)=aej2πft,S−f(t)=ae−j2πft S_{+f}(t)=a e\^{j2\\pi f t},\\quad S_{-f}(t)=a e\^{-j2\\pi f t} S+f(t)=aej2πft,S−f(t)=ae−j2πft *** ** * ** *** ### 六、最终数学结论 1. 0/1 交替比特 → GFSK 调制后是**严格周期信号**； 2. 由奇偶对称性，仅含**奇次谐波**； 3. 高斯低通滤波抑制高次谐波，**只保留 (k=±1)(k=\\pm1)(k=±1) 基波**； 4. 周期信号傅里叶级数截断后，**严格等效为正负频率两个复正弦叠加**。 s(t)=aej2πft+a∗e−j2πft \\boldsymbol{ s(t) = a e\^{j2\\pi f t} + a\^\* e\^{-j2\\pi f t} } s(t)=aej2πft+a∗e−j2πft 这就从数学上**严格证明** 了： GFSK 的 0/1 交替探测序列，可以等效表示为两个复单音信号。 *** ** * ** *** ### 补充：为什么能用它做分数时延估计 复正弦带时延 (τ)(\\tau)(τ)： ej2πf(t+τ)=ej2πft⋅ej2πfτ e\^{j2\\pi f(t+\\tau)} = e\^{j2\\pi f t}\\cdot e\^{j2\\pi f \\tau} ej2πf(t+τ)=ej2πft⋅ej2πfτ 时延完全映射为**固定相位偏移** ； 再用 (±f)(\\pm f)(±f) 两路相位做差，就能抵消载波频偏，解出**亚采样分数时延**，就是你蓝牙标准那套公式的理论根基。 ## 复信号求和的意义 公式四是： φ(t,+f)=∠(∑n=0LS(n,t)×e−j2πfnTs) \\varphi(t, +f) = \\angle\\left( \\sum_{n=0}\^{L} S(n,t) \\times e\^{-j2\\pi f n T_s} \\right) φ(t,+f)=∠(n=0∑LS(n,t)×e−j2πfnTs) 它的顺序是：**先做复数值求和，再对结果取相位**。 ### 一、为什么必须求和？（核心物理原因） 这个求和，本质上是**相干积分**，有两个关键作用： 1. **增强信号，压制噪声** 2. **利用周期性信号的同相叠加，让相关峰更尖锐** 我们一步步用数学推导来证明。 *** ** * ** *** ### 二、推导：求和的真实效果 #### 1. 接收信号模型（带时延和噪声） 设接收信号为： S(n,t)=Aej2πf(t+nTs+Δt)+w(n) S(n,t) = A e\^{j2\\pi f(t + nT_s + \\Delta t)} + w(n) S(n,t)=Aej2πf(t+nTs+Δt)+w(n) * Aej2πf(t+nTs+Δt)A e\^{j2\\pi f(t + nT_s + \\Delta t)}Aej2πf(t+nTs+Δt)：我们关心的周期性单音信号 * w(n)w(n)w(n)：零均值高斯白噪声 * Δt\\Delta tΔt：分数时延 #### 2. 代入求和项（正频率相关） ∑n=0LS(n,t)e−j2πfnTs=∑n=0L\[Aej2πf(t+nTs+Δt)+w(n)\]e−j2πfnTs \\sum_{n=0}\^{L} S(n,t) e\^{-j2\\pi f n T_s} = \\sum_{n=0}\^{L} \\left\[ A e\^{j2\\pi f(t + nT_s + \\Delta t)} + w(n) \\right\] e\^{-j2\\pi f n T_s} n=0∑LS(n,t)e−j2πfnTs=n=0∑L\[Aej2πf(t+nTs+Δt)+w(n)\]e−j2πfnTs 展开后分成两项： =Aej2πf(t+Δt)∑n=0L1+∑n=0Lw(n)e−j2πfnTs = A e\^{j2\\pi f(t + \\Delta t)} \\sum_{n=0}\^{L} 1 + \\sum_{n=0}\^{L} w(n) e\^{-j2\\pi f n T_s} =Aej2πf(t+Δt)n=0∑L1+n=0∑Lw(n)e−j2πfnTs ##### 信号项的变化 * 求和部分 ∑n=0L1=L+1\\sum_{n=0}\^{L} 1 = L+1∑n=0L1=L+1，是个**正实数常数**。 * 信号项变成： (L+1)⋅Aej2πf(t+Δt) (L+1) \\cdot A e\^{j2\\pi f(t + \\Delta t)} (L+1)⋅Aej2πf(t+Δt) 相位**完全没有变化** ，只是幅度放大了 L+1L+1L+1 倍。 ##### 噪声项的变化 噪声是零均值、不相关的，所以： E\[∑n=0Lw(n)e−j2πfnTs\]=0 \\mathbb{E}\\left\[ \\sum_{n=0}\^{L} w(n) e\^{-j2\\pi f n T_s} \\right\] = 0 E\[n=0∑Lw(n)e−j2πfnTs\]=0 噪声项是随机游走，不会相干叠加，只会在零附近波动。 *** ** * ** *** ### 三、取相位后的结果 对求和结果取相位： φ(t,+f)=∠((L+1)Aej2πf(t+Δt)+噪声余项) \\varphi(t, +f) = \\angle\\left( (L+1)A e\^{j2\\pi f(t + \\Delta t)} + \\text{噪声余项} \\right) φ(t,+f)=∠((L+1)Aej2πf(t+Δt)+噪声余项) 当 LLL 足够大时，信号项幅度远大于噪声项，结果为： φ(t,+f)≈2πf(t+Δt) \\varphi(t, +f) \\approx 2\\pi f(t + \\Delta t) φ(t,+f)≈2πf(t+Δt) **结论：求和并没有改变相位，反而通过放大信号、压制噪声，让相位估计更稳定。** *** ** * ** *** ### 四、如果不求和，会发生什么？ 如果你不取L个样本的和，只取单个样本： φ(t,+f)=∠(S(0,t)e0) \\varphi(t, +f) = \\angle\\left( S(0,t) e\^{0} \\right) φ(t,+f)=∠(S(0,t)e0) 这个相位会被噪声严重污染，根本无法用于时延估计。 而求和之后，噪声被平均掉，相位估计的信噪比提升了 L+1\\sqrt{L+1}L+1 倍。 *** ** * ** *** ### 五、总结 1. 公式四的求和是**相干积分**，目的是放大信号、压制噪声。 2. 因为信号是周期性的，求和时信号同相叠加，幅度放大，但相位保持不变。 3. 噪声是随机的，求和时相互抵消，均值趋近于0。 4. 最终取相位，得到的依然是和时延直接相关的相位值，而不是L个相位的和。