在雷达感知任务中，需要估计源的到达方向(DOA)以实现目标检测、跟踪和成像等各种应用。尤其是汽车毫米波雷达，要求是实现远距离、高速的目标检测。因此，对DOA估计的实时性和超分辨能力提出了更高的要求。
针对这种情况，基于深度学习的DOA估计方法具有独特的优势。然而，大多数现有的基于深度学习的方法使用网格方法，这会导致网格失配问题并限制其估计精度和超分辨率能力。
为了解决上述问题，《科学中国信息科学》发表的一篇新文章提出了一种新颖的深度学习框架。该网络由两部分组成。第一部分完成多标签分类任务，输出结果是粗网格上的DOA估计。
第二部分是回归任务，它在前一部分的基础上进一步估计真实DOA与网格之间的偏移。此外，通过跳跃连接保留了原始数据的高分辨率特征，增强了区分相邻源的能力。结合两部分网络的估计结果，可以获得高精度的超分辨率DOA估计结果。
本研究结果如下：
基于深度学习的DOA估计问题中考虑了网格失配问题，以提高估计精度。
真实DOA和网格之间的偏移值的估计被建模为回归任务，确保估计是在连续域上进行的。
提出了一种新颖的网络框架，可以同时进行并网DOA估计和网格偏移估计，并且对相邻源具有很强的分辨能力。
使用T=1000个快照，在17dBSNR下，角度间隔为3°的DOA估计性能，角度θ1,θ2∈[−60°,60°]。图片来源：中国科学出版社
本文提出的DOA估计方案已经在仿真和真实数据上进行了测试。采用12阵元均匀线阵结构，阵元间距等于半波长。该方法的实验结果与许多传统的DOA估计方法和其他基于深度学习的方法进行了比较。
实验过程由三部分组成。第一部分是估计由两个具有固定角度间隔的源组成的一系列角度对的DOA。这些样本在一定的角度范围内以固定的步长变化。从结果可以看出，该方法能够实现稳定的DOA估计，且估计误差较小。
实验的第二部分比较了各种方法的统计特性。通过一系列蒙特卡洛模拟，测试并比较了不同信噪比(SNR)、快照数量和角度间隔下每种方法的均方根误差(RMSE)性能。实验结果表明，该方法对低信噪比和小快照具有良好的适应性，对小角度间隔的信源具有较强的分辨能力。所提出的方法明显优于其他基于深度学习的方法，并且在许多情况下比传统方法具有更好的性能。
实验的最后一部分是在真实数据上进行的，收集了大量样本作为训练数据。获得训练后的模型后，使用训练集中未包含的样本进行测试。真实数据的DOA估计结果表明，该方法能够准确估计两个非常接近的真实目标的DOA，并且明显优于其他方法。