Estimation DOA hors réseau via un cadre d’apprentissage profond
Dans les tâches de perception radar, il est nécessaire d’estimer la direction d’arrivée (DOA) des sources pour réaliser diverses applications telles que la détection, le suivi et l’imagerie de cibles. En particulier pour les radars automobiles à ondes millimétriques, l’exigence est de parvenir à une détection de cible longue distance à grande vitesse. Par conséquent, les exigences en matière de performances en temps réel et de capacité de super-résolution de l’estimation DOA sont plus élevées.
Pour de telles situations, les méthodes d’estimation DOA basées sur l’apprentissage profond présentent des avantages uniques. Cependant, la plupart des méthodes basées sur DL existantes utilisent l’approche sur grille, ce qui entraîne des problèmes d’inadéquation de grille et limite leur précision d’estimation et leur capacité de super-résolution.
Pour résoudre le problème ci-dessus, un nouvel article publié dans Sciences Chine Sciences de l’information propose un nouveau framework DL. Le réseau se compose de deux parties. La première partie réalise une tâche de classification multi-étiquettes et le résultat est les estimations DOA sur une grille approximative.
Bien que la deuxième partie soit une tâche de régression, elle estime en outre le décalage entre les DOA réels et la grille sur la base de la partie précédente. De plus, les caractéristiques haute résolution des données originales sont préservées grâce à la connexion sautée, améliorant ainsi la capacité de distinguer les sources adjacentes. En combinant les résultats d’estimation de deux parties du réseau, des résultats d’estimation DOA super-résolution de haute précision peuvent être obtenus.
Les résultats de cette étude sont les suivants :
- Le problème de non-concordance de grille est pris en compte dans le problème d’estimation DOA basé sur DL pour améliorer la précision de l’estimation.
- L’estimation des valeurs de décalage entre les DOA réels et la grille est modélisée comme une tâche de régression, garantissant que l’estimation est effectuée sur un domaine continu.
- Un nouveau cadre de réseau a été proposé, qui peut effectuer simultanément une estimation des DOA sur la grille et une estimation du décalage de la grille, et possède une forte capacité de résolution pour les sources adjacentes.
Le schéma d’estimation DOA proposé dans cet article a été testé sur des simulations et des données réelles. Une configuration de réseau linéaire uniforme avec 12 éléments est adoptée et la distance entre les éléments du réseau est égale à la demi-longueur d’onde. Les résultats expérimentaux de la méthode proposée ont été comparés à de nombreuses méthodes traditionnelles d’estimation de DOA et à d’autres méthodes basées sur DL.
Le processus expérimental se compose de trois parties. La première partie consiste à estimer les DOA d’une série de paires d’angles constituées de deux sources avec des intervalles d’angles fixes. Ces échantillons varient selon une taille de pas fixe dans une certaine plage d’angles. À partir des résultats, on peut conclure que la méthode proposée peut obtenir une estimation stable de la DOA avec de petites erreurs d’estimation.
La deuxième partie de l’expérience a comparé les caractéristiques statistiques de différentes méthodes. Grâce à une série de simulations de Monte Carlo, les performances de l’erreur quadratique moyenne (RMSE) de chaque méthode ont été testées et comparées sous différents rapports signal/bruit (SNR), nombre d’instantanés et intervalles d’angle. Les résultats expérimentaux montrent que la méthode proposée présente une bonne adaptabilité aux faibles SNR et aux petits instantanés, et possède une forte capacité de résolution pour les sources avec de petits intervalles angulaires. La méthode proposée est nettement supérieure aux autres méthodes basées sur DL et présente de meilleures performances que les méthodes traditionnelles dans de nombreux cas.
La dernière partie de l’expérience a été menée sur des données réelles, avec un grand nombre d’échantillons collectés comme données d’entraînement. Après avoir obtenu le modèle formé, un échantillon non inclus dans l’ensemble de formation a été utilisé pour les tests. Les résultats de l’estimation DOA pour des données réelles indiquent que la méthode proposée peut estimer avec précision les DOA de deux cibles réelles très proches et est nettement supérieure aux autres méthodes.
