深度學習框架實現的離網死角定位技術
由科學中國新聞出版社發表的論文介紹了一種新的深度學習框架，用於估計雷達目標的來源方向（DOA）。這種方法透過兩個部分的結合，實現了高精度的超解析度 DOA 估計，並在模擬和實際資料上進行了測試。
背景
雷達感知任務中，需要估計目標的來源方向來實現各種應用，如目標檢測、跟蹤和成像。尤其是對於汽車毫米波雷達來說需要在高速環境下實現長距離目標檢測。因此對於 DOA 估計的實時性和超解析度能力有著更高的要求。深度學習（DL）基於 DOA 估計方法具有獨特的優勢。然而大部分現有的基於 DL 的方法使用網格算法，這導致了網格匹配問題，約束了其估計準確度和超解析度能力。
方法
為理解決上述問題，該論文提出了一種新的 DL 框架。該網路由兩個部分組成。第一部分完成多標籤分類任務，輸出結果是在粗糙網格上的 DOA 估計。而第二部分是一個迴歸任務，進一步估計真實 DOA 與網格之間的偏移。此外透過跳躍存取，原始資料的高解析度特徵得以保留，增強了區分相鄰來源的能力。透過結合網路的兩個部分的估計結果，可以獲得高精度的超解析度 DOA 估計結果。
實驗結果
該論文的研究結果如下：
- 該方法考慮了基於 DL 的 DOA 估計中的網格匹配問題，提高了估計準確度。
- 真實 DOA 與網格之間的偏移估計被建模為一個迴歸任務，確保估計在連續域上進行。
- 提出了一種新的網路框架，可以同時進行網格上的 DOA 估計和網格偏移估計，對於相鄰來源具有較強的超解析度能力。
該方法在模擬和實際資料上進行了測試。採用 12 個元素的均勻線性陣列配置，陣列元素間距等於半波長。實驗結果將該方法與許多傳統的 DOA 估計方法和其他基於 DL 的方法進行了比較。實驗過程包括三個部分。
第一部分是對一系列由兩個具有固定角度間隔的源組成的角度對的 DOA 進行估計。這些樣本在一定的角度範圍內以一定的步長變化。結果表明，該方法可以實現穩定的 DOA 估計，並具有小的估計誤差。
第二部分的實驗比較了各種方法的統計特性。透過一系列的蒙特卡羅模擬，測試並比較了每種方法在不同的訊雜比（SNR）、快照數量和角度間隔下的均方根誤差（RMSE）效能。實驗結果顯示，該方法對於低訊雜比和小快照具有良好的適應能力，並且對於角度間隔小的源具有較強的超解析度能力。該方法在許多情況下顯著優於其他基於 DL 的方法，在某些情況下也優於傳統方法。
最後一部分的實驗使用大量收集的實際資料作為訓練資料。在獲得訓練模型後，使用未包含在訓練集中的樣本進行測試。實際資料的 DOA 估計結果表明，該方法可以準確估計兩個非常接近的目標的 DOA，並且明顯優於其他方法。
綜上所述，該論文提出的離網死角定位技術基於深度學習框架，透過對 DOA 估計問題進行網格匹配考慮，提高了估計的準確性和超解析度能力。該方法在模擬和實際資料上經受了全面的測試，並顯示出優於其他方法的效能。這種技術的應用對於汽車毫米波雷達等領域具有重要意義。
Technology-深度學習,框架,離網死角,定位
