基于深度学习框架的离网DOA估计

需要高分辨率的远距离目标探测场景

在雷达感知任务中，有必要估计源的到达方向（DOA），以实现各种应用，如目标检测、跟踪和成像。特别是对于汽车毫米波雷达来说，其要求是实现高速的远距离目标检测。因此，对DOA估计的实时性和超分辨率能力提出了更高的要求。

对于这种情况，基于深度学习的DOA估计方法具有独特的优势。然而，大多数现有的基于DL的方法都使用网格上的方法，这导致了网格失配问题，并限制了它们的估计精度和超分辨率能力。

为了解决上述问题，发表在《科学中国信息科学》杂志上的一篇新文章提出了一个新的DL框架。网络由两部分组成。第一部分完成了多标签分类任务，输出结果是粗糙网格上的DOA估计值。

用于超分辨率DOA估计的拟议网络的架构

虽然第二部分是回归任务，但它基于前一部分进一步估计实际DOA和网格之间的偏移。此外，通过跳过连接保留原始数据的高分辨率特征，增强了区分相邻来源的能力。结合网络两部分的估计结果，可以获得高精度的超分辨率DOA估计结果。

本研究的结果如下：

• 在基于DL的DOA估计问题中考虑网格失配问题，以提高估计精度。
• 实际DOA和网格之间的偏移值估计被建模为回归任务，确保估计是在连续域上进行的。
• 提出了一种新型网络框架，可以同时进行并网DOAs估计和网格偏移估计，对相邻源具有较强的分辨能力。

使用 T = 1 个快照，在 2 dB SNR 下角度 θ60， θ60 ∈ [−3°， 17°] 且角度间隔为 1000° 的 DOA 估计性能

本文提出的DOA估计方案已经在仿真和真实数据上进行了测试。采用具有12个晶片的均匀线性阵列配置，阵列晶间距离等于半波长。将所提方法的实验结果与许多传统的DOA估计方法和其他基于DL的方法进行了比较。

实验过程由三部分组成。第一部分是估计由两个具有固定角度间隔的源组成的一系列角度对的 DOA。这些样品在一定角度范围内的固定步长中变化。从结果可以得出结论，所提方法可以实现稳定的DOA估计，估计误差很小。

通过使用 T = 1000 个快照估计两个源的 DOA 中的 RMSE 与 SNR

实验的第二部分比较了各种方法的统计特征。通过一系列蒙特卡罗仿真，在不同信噪比（SNR）、快照数量和角度间隔下，对每种方法的均方根误差（RMSE）性能进行了测试和比较。实验结果表明，所提方法对低信噪比和小快照具有良好的适应性，对小角度区间震源具有较强的分辨能力。所提出的方法明显优于其他基于深度学习的方法，并且在许多 情况下具有优于传统方法的性能。

实验设备和测试结果

实验的最后一部分是在真实数据上进行的，收集了大量样本作为训练数据。获得训练好的模型后，使用未包含在训练集中的样本进行测试。对真实数据的DOA估计结果表明，所提方法能够准确估计两个非常接近的真实目标的DOA，并且明显优于其他方法。