[論文レビュー] SDOA-Net: An Efficient Deep Learning-Based DOA Estimation Network for Imperfect Array

Peng Chen, Zhimin Chen+3 more|arXiv (Cornell University)|Mar 19, 2022

Direction-of-Arrival Estimation Techniques被引用数 5

ひとこと要約

本稿では、生サンプリング信号を入力とし、空間スペクトルベクトルを出力する深層学習ベースのDOA推定ネットワーク、SDOAnetを提案する。これにより、複数のアレイ不具合下でもロバストで効率的なDOA推定が可能となる。本手法は、従来の手法および深層学習ベースの手法と比較して、収束が早く、特に低SNRおよび高不具合要因の状況下で優れた性能を示し、10 dB SNRにおいてANMと比較してRMSEを39.13%低減する。

ABSTRACT

The estimation of direction of arrival (DOA) is a crucial issue in conventional radar, wireless communication, and integrated sensing and communication (ISAC) systems. However, low-cost systems often suffer from imperfect factors, such as antenna position perturbations, mutual coupling effect, inconsistent gains/phases, and non-linear amplifier effect, which can significantly degrade the performance of DOA estimation. This paper proposes a DOA estimation method named super-resolution DOA network (SDOA-Net) based on deep learning (DL) to characterize the realistic array more accurately. Unlike existing DL-based DOA methods, SDOA-Net uses sampled received signals instead of covariance matrices as input to extract data features. Furthermore, SDOA-Net produces a vector that is independent of the DOA of the targets but can be used to estimate their spatial spectrum. Consequently, the same training network can be applied to any number of targets, reducing the complexity of implementation. The proposed SDOA-Net with a low-dimension network structure also converges faster than existing DL-based methods. The simulation results demonstrate that SDOA-Net outperforms existing DOA estimation methods for imperfect arrays. The SDOA-Net code is available online at https://github.com/chenpengseu/SDOA-Net.git.

研究の動機と目的

• 位置のずれ、ゲイン/位相エラー、相互結合、非線形性などのアレイ不具合が引き起こすDOA推定性能の低下を是正すること。
• 複数のアレイ不具合要因を同時に耐性できる深層学習ベースのDOA推定手法を開発すること。
• スペクトルベクトル出力により、任意の数のターゲットのDOA推定が可能な1つのネットワークで実現可能なため、実装の複雑さを低減すること。
• 従来のDLベースのDOA手法と比較して、トレーニングの収束速度を向上させること。
• 不具合のあるハードウェアを有する実世界のシステムにおける、実用的でエンドツーエンドのDOA推定ソリューションを提供すること。

提案手法

• SDOAnetは、アレイからの生サンプリング信号を畳み込み層の入力として用い、共分散行列の計算を回避する。
• ネットワークは空間スペクトルを表すベクトルを出力し、信号源の数に関係なく、スペクトルピーク検出によりDOA推定が可能となる。
• トレーニングの収束を加速するため、低次元のネットワーク構造が設計されている。
• ネットワークの特徴学習プロセスを通じて、信号の空間ドメインにおけるスパarsityを暗黙的に活用する。
• 正確なスペクトル再構成を促進する損失関数を採用することで、推定の分解能が向上する。
• 位置エラー、ゲイン/位相不一致、相互結合、非線形歪みを含む、現実的なアレイ不具合を反映した合成データでモデルをトレーニングする。

実験結果

リサーチクエスチョン

• RQ1 生信号でトレーニングされた深層学習モデルは、アレイ不具合下でも共分散行列ベースの手法を上回るDOA推定性能を達成できるか？
• RQ2 直接DOA予測を行うのではなく、スペクトルベクトル出力を用いることで、信号源数の異なる状況において一般化性能が向上するか？
• RQ3 現実的なアレイ劣化要因下で、従来の手法および深層学習ベースのDOA手法と比較して、SDOAnetの収束速度および推定精度はどのように評価できるか？
• RQ4 複数のアレイ不具合が同時に存在する状況下でも、SDOAnetはどれほどロバスト性を維持できるか？
• RQ5 低SNR環境下で、ANM や MUSIC などの最先端手法と比較して、本手法はより優れたRMSEおよびSNRゲインを達成できるか？

主な発見

• 10 dB SNRにおいて、SDOAnetはRMSE 0.70°を達成し、ANM（RMSE 1.15°）と比較して39.13%の改善を示した。
• SDOAnetは7.5 dB SNRでの性能が、ANMが15 dB SNRで達成する性能と同等であり、有効なSNRゲイン（約7.5 dB）を示している。
• SDOAnetは、ノイジエアなスペクトル出力を生成する深周波数ネットワークと比較して、優れた空間スペクトル分解能と滑らかさを示している。
• 高不具合要因（ξ > 1）下でも高い性能を維持しており、アレイ不具合に対して強いロバスト性を示している。
• 低次元のアーキテクチャと生信号からの直接的特徴学習により、従来のDLベースDOA手法と比較して、SDOAnetのトレーニング収束は著しく高速である。
• スペクトルベクトル出力が信号源数に依存しないため、信号源数の変動にわたって良好な一般化性能を示しており、モデルの複雑さが低減されている。