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：729981694

如有侵权请联系删除~

摘要

到达方向（DoA）估计是汽车毫米波雷达系统中的一项关键任务，能够实现目标定位和基本安全功能。传统的DoA方法在低信噪比和有限快拍条件下难以实现。为了应对这些挑战，我们引入了MSEDOA，这是一种新颖的深度学习方法，它使用神经网络处理原始IQ信号，该神经网络具有多尺度特征提取、信道注意机制和挤压激励残差网络。仿真结果证明，提出的模型与传统的DoA估计方法相比，具有更好的估计性能。

引言

随着先进驾驶辅助系统（ADAS）和自动驾驶技术的不断发展，汽车雷达系统变得越来越重要。波达方向（DOA）估计是雷达目标定位的一个基本方面，直接影响到防撞、车道偏离预警、紧急制动等关键功能的安全性[1]。传统的DOA估计方法依赖于将傅立叶变换扩展到空间域的波束形成技术。然而，这些方法都受到瑞利极限的限制，阻碍了角超分辨[2]。为了克服这些局限性，研究人员开发了各种基于子空间的波达角（DOA）估计技术，其中以多信号分类（MUSIC）[3]和旋转不变性信号参数估计技术（ESPRIT）[4]最为突出。虽然这些方法超过了瑞利极限，但它们严重依赖于预先建立的模型，并且难以在低信噪比（SNR）和有限快照条件下提供稳定和准确的估计。这阻碍了它们在汽车毫米波雷达系统中的实际应用。

近年来，数据驱动的深度学习技术作为DOA估计的鲁棒解决方案获得了显着的吸引力[5]。这些方法利用监督学习在广泛的数据集上自动发现和提取相关特征，在不同的应用场景中展示了增强的鲁棒性和适应性。目前用于DOA估计的深度学习方法可以大致分为两类：基于回归的方法和多标签分类策略[6]。然而，基于回归的方法在实际应用中固有地受到限制，由于它们依赖于目标数量的先验知识，并且它们不能适应动态多目标场景。相比之下，多标签分类方法，同时预测多个目标的DOA，提供上级的灵活性和鲁棒性，使它们更适合复杂的环境，如汽车雷达系统。尽管多标记分类方法在DOA估计中具有固有的灵活性，但它们在有限快拍条件下表现出较差的收敛性，导致估计结果不稳定。此外，依赖于接收信号的协方差矩阵作为输入的深度学习技术给汽车雷达系统带来了巨大的计算负担，这一挑战在实时应用中尤为突出[7]，[8]。

为了解决DOA估计中的难题，提出了一种新的端到端方法，将原始的同相和正交（IQ）信号直接输入到深度神经网络中。我们的方法通过多尺度特征提取和通道注意机制增强了SE-ResNet架构，专门设计用于提高低SNR和有限快照条件下的准确性。实验证明提出的方法在10个快拍点的约束下，仍能在复杂的环境中获得精确的DOA估计，明显优于传统的DOA估计方法。

文章插图

结论

我们提出了MSEDOA，这是一种基于深度学习的DoA估计方法，专为汽车毫米波雷达系统设计。MSEDOA利用具有多尺度特征提取和信道注意力的挤压和激励残差网络，在具有挑战性的条件下提供稳健和精确的DoA估计。实验结果表明，MSEDOA优于传统的技术，在复杂的环境中提供可靠的估计。未来的工作将探索整合分类和回归策略，用于未知源计数的超分辨率DoA估计，并评估其在汽车雷达中实时部署的可行性。

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。