微信公众号：EW Frontier
关注可了解更多的雷达、通信、人工智能相关代码。问题或建议，请公众号留言;
如果你觉得EW Frontier对你有帮助，欢迎加入我的知识星球或面包多，更多代码等你来学
知识星球：https://wx.zsxq.com/dweb2/index/group/15552518881412
面包多：https://mbd.pub/o/author-a2mYl2tsbA==/work
QQ交流群：1022600869
如有侵权请联系删除~
![]()
摘要
为了发挥车载毫米波雷达在智能车辆系统中的关键作用，波达方向（DOA）估计是一个亟待解决的关键问题.在实际的智能驾驶应用中，DOA估计要求实时性和高精度。基于深度学习的方法由于其独特的优势，受到了越来越多的关注。现有的基于数据库的方法大多需要大量的快照，但在实际应用中只能保证少量的快照。此外，它们通常将DOA估计建模为多标签分类任务。输出代表信号DOA在离散网格上的位置，分辨率将受到网格的限制。本文提出了一种新的空时网络（STNet），将DOA估计建模为一个回归任务，以达到无网格估计的效果。设计了一个空间相关性提取模块（SCEM）和一个时间相关性提取模块（TCEM），分别以接收信号和原始接收信号的协方差矩阵作为输入，将它们作为不同类型的数据处理。在这两个模块中，分别采用了跳连接密集块（SCDB）和长短时存储（LSTM）网络来处理两种不同形式的数据。通过这样的处理，我们保留了足够的信息，为回归任务获得了更多的特征，并保证了使用少量快照的估计效果。实验结果表明，STNet算法在小快拍情况下具有明显的性能增益，达到了无网格估计的效果，在目标DOA位置较近的情况下具有良好的适应性。
引言
自动驾驶技术是未来智能交通系统的重要组成部分。“目前的研究认为，这一过程需要多个传感器的参与和融合。毫米波雷达作为一种具有远程探测能力的全天候传感器，具有突出的优势，并将在其中发挥举足轻重的作用，为了实现车载雷达对目标的快速、准确检测，需要实时、超分辨的波达方向（DOA）估计算法，这也是阵列信号处理中亟待解决的问题，尤其是对于前视车载雷达[1]。例如，对于远距离目标检测、定位、成像等应用，对DOA估计的精度有很高的要求。类似地，在车载雷达系统中，车辆经常高速行驶，这也要求DOA估计的实时性。此外，在实际应用中，只有少量快照可用于相干处理。因此，寻找一种低计算复杂度的、能够利用小快拍实现超分辨波达方向估计的方法，对于许多现实场景都是至关重要的。在过去的几年中，已经提出了大量不同的DOA估计算法。基于傅立叶谱分析的传统波束形成是一种早期的DOA估计方法[2]，其角分辨率受到瑞利极限的限制[3]。因此，它不能实现超分辨率估计。随后，自20世纪80年代以来，基于子空间的方法引起了更多的关注[4]，[5]。最具代表性的方法是多重信号分类（MUSIC）[4]方法和通过旋转不变的信号参数（ESPRIT）[5]方法。它们可以突破瑞利极限实现超分辨率估计，但也有一些局限性。这些算法一般都是基于模型的方法，通常需要大量的采样快照来实现精确的估计。此外，它们的计算负担相当高，这不符合实际应用[6]。基于全角度空间稀疏表示的DOA估计也是近年来的研究热点以实现超分辨率性能。这些基于稀疏表示的方法通常可以分为三类：在网格上，离网格和无网格方法[8]。网格上方法通常使用预定义的离散网格作为字典来从接收到的信号中恢复角空间中的碰撞稀疏信号，例如l1-SVD [9]，稀疏贝叶斯学习（SBL）[10]和稀疏迭代基于协方差的估计（SPICE）[11]。上述方法均假设入射信号的波达方向位于确定的离散网格上，但实际中真实信号波达方向与其最近网格点之间总是存在差距，估计精度与网格分辨率直接相关。在此背景下，离网方法进一步考虑模型中的离网误差以缩小差距，并且通过字典的校正来实现更好的DOA估计性能。引入稀疏总体最小二乘（STLS）[12]方法来解决回归矩阵的扰动，这对DOA估计问题有重要影响。但该方法假设基失配引起的矩阵扰动是高斯的，不适合实际的DOA估计[13]。在文献[14]中，提出了一种基于一阶泰勒展开的模型来解决离网DOA估计问题，其中假设离网距离满足一致先验。在文献[15]中提出了一种使用噪声子空间拟合（NSF）的策略，将字典校正模型从一阶泰勒近似扩展到二阶泰勒近似，以实现更高的建模精度。上述离网格方法仍然需要相对精细的网格来保证较小的误差，以获得良好的估计效果，这将导致计算复杂度的增加。因此，后来提出了网格演化方法[16]，[17]，它们将预定义的离散网格作为可调参数，这提高了使用粗网格时的估计性能。随后，出现了无网格方法，这些方法直接在连续域中操作，从而可以避免网格失配问题。代表性的方法通常基于原子范数[18]，[19]，[20]，[21]，[22]，其以非常高的计算复杂度为代价实现更好的性能。这些基于稀疏表示的方案依赖于已建立的模型，并且通常需要对先验信息做出假设，这在实际应用中是难以获得的。当模型存在误差或假设的先验信息不适当时，可能导致估计结果不准确。此外，像原子范数最小化（ANM）的方法需要大量参数的迭代优化，导致计算时间延长，难以实现实时估计。机器学习也被引入到DOA估计问题中，成为一个重要的研究方向，其中支持向量分类（SVC）[23]和支持向量回归（SVR）[24]，[25]，[26]是具有代表性的。一般来说，SVC通过分类任务完成DOA估计，SVR进行回归任务，可以实现无网格估计。近年来，深度学习（DL）方法[27]在DOA估计中的应用已成为一个研究热点，并显示出具有不同于以往方法的独特优点。作为一种数据驱动的算法，它不需要依赖于预先建立的模型，避免了模型带来的误差和局限性。同时，网络训练完成后，在执行估计任务时只需要简单的计算，更适合实际场景。最后，DL方法对数据缺陷具有较好的适应性，在低信噪比或阵列缺陷的情况下，表现出较好的稳定性.在[28]中，提出了一种深度神经网络来估计信号DOA，假设所需的分辨率为1 μ s。每个输出值被定义为表示信号以相应角度入射的概率，然而，结果表明，精确的DOA估计的成功率是相当低的近DOA场景。类似地，由多任务自动编码器（AE）和多个并行分类器组成的DNN框架在[29]中用于不同阵列缺陷下的DOA估计。作者在[30]中提出了一种深度卷积神经网络（CNN），用于利用稀疏先验在低SNR下进行DOA估计。但由于采用了一维卷积滤波器，实验结果没有显示出显著的性能增益[31]。在[31]中引入了另一种CNN结构，并改善了低SNR下的DOA估计性能。然而，由于训练时使用的是理想协方差矩阵，当快拍数减少时，其性能将受到严重影响。同时，在快拍数较少的情况下，也很难胜任DOA估计。在[32]中，提出了一种具有多个CNN的DeepMUSIC框架，每个CNN用于学习相应角度子区域的MUSIC频谱。虽然该框架与MUSIC算法相比具有更低的计算复杂度，但结果表明，其估计精度在很大程度上受到MUSIC算法的限制，难以实现显著的提高。现有的典型的基于DL的方法将DOA估计建模为多标签分类任务[6]，[28]，[31]。网络输出通常是目标到达角落在一系列预定离散角度上的概率。因此，它本质上仍然是一种基于网格的方法，并且会存在网格失配问题[33]。在最新的研究中，也提出了一些解决这一问题的方法。文献[33]提出了一种基于无网格DL的DOA估计方法--协方差重构网络（CRN），该方法利用无噪声阵列协方差矩阵的Toeplitz结构，通过神经网络学习接收信号协方差矩阵与无噪声协方差矩阵元素之间的映射关系。但是，后续处理相对复杂，需要进行Toeplitz矩阵重构，利用Root-MUSIC算法或Vandermonde分解定理得到DOA估计结果。此外，以往的DOA估计方法基本上都是以接收信号的协方差矩阵作为输入，无法保留不同快拍之间的所有有用信息，难以达到最优估计效果。此外，许多现有方法在训练和测试阶段仍然使用大量快照，这不利于实现实时DOA估计考虑到智能车辆系统需要通过毫米波雷达快速、准确地分辨远处物体，从而实现目标检测、跟踪和成像，如图1所示，迫切需要一种能够在小快拍下实现无网格高精度DOA估计的方法。因此，本文提出了一种新的回归框架，以寻求小快拍下的无网格DOA估计。为了挖掘更多有用的信息用于DOA估计，该网络采用两种不同形式的数据作为输入，即协方差矩阵的元素和原始采样接收信号。分别将其发送到两个所提出的网络模块，以获得空间和时间相关特征。该算法通过全连通（FC）层提取协方差矩阵的空间相关性，并加入跳连通以提高近距离源的分辨率。在通过修改的LSTM层处理原始接收信号之后提取时间相关性，并且保留信号的每个快照之间的相关性。然后对提取的两部分特征进行拼接融合。为了避免网格偏移，整个网络执行一个回归任务，然后最终的输出结果就是经过几个FC层的DOA估计。大量的实验结果表明，本文算法能在使用10个快照的情况下获得较好的估计效果，同时具有较好的实时性。本文的主要贡献如下：(1)我们将DOA估计建模为一种新的回归任务，而不是多标签分类问题。网络的输出直接反映信号的入射角，并将其作为连续变量，实现了无网格估计。(2)空时网络（STNet）框架的目的是结合联合收割机的空间和时间特性的不同来源的冲击阵列，产生了更好的估计结果相比，现有的国家的最先进的方法在小快照。(3)提出了一种空间相关提取模块（SCEM），以估计的协方差矩阵作为输入，突出了信号入射角和不同阵元位置引起的空间波程差异。通过保留初始协方差矩阵中的高分辨率特征，使用具有跳跃连接的密集层来提高小角度间隔目标的分辨率。文章插图
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
结论
提出了一个新的深度学习网络框架，用于小快拍情况下的超分辨率波达方向估计。以原始采样信号和接收信号的估计协方差矩阵为输入，设计了SCEM和TCEM模块分别对这两部分的数据进行处理。提出了SCDB结构来提高网络对小间隔目标的分辨力，并采用LSTM结构进行时间相关性提取。然后，将两个模块提取的特征经过一系列的FC层处理，STNet将DOA估计建模为回归问题，达到无网格估计的效果。因此，获得不同的特征并将其组合用于DOA估计。该方法一方面可以为小快拍的DOA估计提供更多的信息，另一方面可以通过提供更多的信息来提高回归任务的精度.实验结果表明，与以往的DL方法相比，STNet实现了无网格的估计效果，且估计精度不受网格分辨率的限制。在小快照的情况下，它显示了更有利的估计效果。同时，它保留了基于DL的方法的优点，比传统方法具有更强的适应性，在信号到达角非常接近和信噪比很低的情况下仍然保持良好的估计性能。
完
相关学习资料见面包多链接https://mbd.pub/o/author-a2mYl2tsbA==/work。欢迎加入我的知识星球：https://wx.zsxq.com/dweb2/index/group/15552518881412，永久获取更多相关资料、代码。
