基于深度学习框架的DOA估计方法 | 黄岩, 张彦君, 陶俊等

图像处理 • 来源：SCIS • 2023年5月6日下午2:59 • 技术文章

研究意义

在雷达感知任务中，信号到达方向(DOA)估计是非常重要的，涉及到实现诸如目标检测、跟踪和成像等各类应用。尤其对于汽车毫米波雷达，多数情况下需要在高速行驶的状态下实现远距离目标检测，这对DOA估计的实时性和超分辨率能力提出了更高的要求。对于此类情况，基于深度学习的DOA估计方法具有独特的优势。然而，大多数现有的深度学习DOA估计都是基于网格的方法，将导致网格失配问题，并限制了估计精度和超分辨能力。

本文工作

为了解决上述问题，本文提出了一种新的深度学习框架，整个网络由两部分组成。第一部分执行多标签分类任务，输出结果是在粗糙网格上的DOA估计；第二部分执行回归任务，它在前一部分输出结果基础上进一步对实际DOA和网格之间的偏移进行了估计。此外，在第二部分的输入中既继承了前一部分的估计结果，又保留了原始数据的高分辨率特征，从而增强区分相邻目标的能力。结合网络两部分的输出，可以获得高精度的超分辨率DOA估计结果。

本论文的贡献如下:

(1) 在基于深度学习的DOA估计方法中考虑了网格失配问题，以提高估计精度。

(2) 所提出的方法中，真实DOA和网格之间偏移值的估计被建模为回归任务，确保对偏差值的估计在连续域上。

(3) 提出了一种新的网络框架，它可以同时进行网格DOA估计和网格偏移估计，并且对相邻源具有很强的分辨能力。

实验结果本文提出的DOA估计方案已在仿真和实际数据上进行了测试。实验过程中采用具有12个元件的均匀线性阵列配置，并且阵列元件间距离等于半波长。将该方法的实验结果与传统DOA估计方法和其他基于深度学习的方法进行比较。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。样本在一定的角度范围内以固定的步长变化。从实验结果可以看出，该方法可以在估计误差较小的情况下实现稳定的DOA估计。

实验的第二部分比较了各种方法的统计特性。通过一系列蒙特卡洛实验，测试并比较了各种方法在不同信噪比(SNR)、快照数量和角度间隔下的均方根误差(RMSE)性能。实验结果表明，该方法对低信噪比和小快拍具有良好的适应性，对小角度间隔的目标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，并在多种情况下比传统方法具有更好的性能。