[논문 리뷰] SDOA-Net: An Efficient Deep Learning-Based DOA Estimation Network for Imperfect Array

Peng Chen, Zhimin Chen외 3명|arXiv (Cornell University)|2022. 03. 19.

Direction-of-Arrival Estimation Techniques인용 수 5

한 줄 요약

이 논문은 원시 샘플 신호를 입력으로 사용하고 공간 스펙트럼 벡터를 출력하는 딥러닝 기반 DOA 추정 네트워크인 SDOAnet을 제안한다. 이는 다중 배열 불완전성 하에서도 강인하고 효율적인 DOA 추정을 가능하게 한다. 이 방법은 기존의 전통적 및 딥러닝 기반 방법들보다 빠른 수렴 속도와 뛰어난 성능을 달성하며, 특히 저 SNR 및 고불완전성 요소 조건에서 뛰어난 성능을 보인다. ANM 대비 10 dB SNR에서 RMSE가 39.13% 감소하였다.

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.

연구 동기 및 목표

• 배열 불완전성(위치 편향, 이득/위상 오차, 상호결합, 비선형성 등)으로 인한 DOA 추정 성능 저하 문제를 해결하기 위해.
• 다중 불완전 배열 효과를 동시에 고려한 딥러닝 기반 DOA 추정 방법을 개발하기 위해.
• 스펙트럼 벡터 출력을 통해 임의의 수의 타깃에 대해 하나의 네트워크로 DOA 추정이 가능하도록 하여 구현 복잡도를 감소시키기 위해.
• 기존 딥러닝 기반 DOA 방법들보다 학습 수렴 속도를 향상시키기 위해.
• 불완전한 하드웨어를 갖춘 실세계 시스템에 실용적이고 종단간(end-to-end) 솔루션을 제공하기 위해.

제안 방법

• SDOAnet는 배열에서 얻은 원시 샘플 신호를 컨볼루션 레이어의 입력으로 사용하여 공분산 행렬 계산이 필요 없도록 한다.
• 네트워크는 공간 스펙트럼을 나타내는 벡터를 출력하여, 소스 수에 관계없이 스펙트럼 피크 검출을 통한 DOA 추정이 가능하다.
• 학습 수렴 속도를 가속화하기 위해 저차원 네트워크 구조를 설계하였다.
• 신호의 공간 도메인에서의 희박성은 네트워크의 특징 학습 과정을 통해 암묵적으로 활용한다.
• 정확한 스펙트럼 재구성에 기여하도록 설계된 손실 함수를 사용하여 추정 해상도를 향상시킨다.
• 위치 오차, 이득/위상 불일치, 상호결합, 비선형 왜곡 등을 포함한 현실적인 배열 불완전성을 반영한 합성 데이터로 모델을 훈련시켰다.

실험 결과

연구 질문

• RQ1 원시 신호로 훈련된 딥러닝 모델이 배열 불완전성 하에서 공분산 행렬 기반 방법보다 DOA 추정 성능에서 뛰어나게 되는가?
• RQ2 직접 DOA 예측을 대신해 스펙트럼-벡터 출력을 사용할 경우, 다양한 수의 소스에 걸쳐 일반화 성능이 향상되는가?
• RQ3 실제 배열 결함이 존재하는 조건에서 기존의 전통적 및 딥러닝 기반 DOA 방법들과 비교해 SDOAnet의 수렴 속도와 추정 정확도는 어떻게 되는가?
• RQ4 여러 가지 배열 불완전성이 동시에 존재할 경우 SDOAnet의 강인성은 어느 정도 유지되는가?
• RQ5 저SNR 환경에서 최신 기술인 ANM 및 MUSIC과 비교해 제안된 방법이 더 낮은 RMSE와 높은 SNR 이득을 달성할 수 있는가?

주요 결과

• 10 dB SNR에서 SDOAnet은 RMSE 0.70°를 달성하여 ANM의 1.15° RMSE 대비 39.13% 향상된 성능을 보였다.
• 7.5 dB SNR에서 SDOAnet의 성능은 ANM가 15 dB SNR에서 달성한 성능과 동일하여 약 7.5 dB의 효과적 SNR 이득을 나타낸다.
• SDOAnet는 깊이 있는 주파수 네트워크보다 더 뛰어난 공간 스펙트럼 해상도와 매끄러운 스펙트럼 출력을 보였다.
• 고불완전성 요소(ξ > 1) 조건에서도 높은 성능 유지를 보이며 배열 불완전성에 대한 강력한 강인성을 입증하였다.
• 저차원 아키텍처와 원시 신호로부터의 직접 특징 학습 덕분에 기존 딥러닝 기반 DOA 방법들보다 학습 수렴 속도가 빠르게 이루어졌다.
• 스펙트럼-벡터 출력이 소스 수에 독립적이므로 다양한 수의 소스에 대해 잘 일반화되며, 이는 모델 복잡도 감소에 기여한다.