radioelectronicsИзвестия высших учебных заведений России. РадиоэлектроникаJournal of the Russian Universities. Radioelectronics1993-89852658-4794Saint Petersburg Electrotechnical University10.32603/1993-8985-2026-29-4-62-71radioelectronics-1205Research ArticleРАДИОЛОКАЦИЯ И РАДИОНАВИГАЦИЯRADAR AND NAVIGATIONОценка угловых координат объектов в автомобильных MIMO-радарах в условиях многолучевого распространения методами глубокого обученияDeep Learning-Based Direction-of-Arrival Estimation in Automotive MIMO Radars under Multipath PropagationЛазькоE. В.LazkoE. V.

Лазько Екатерина Васильевна – студентка 4-го курса физического факультета по направлению "Информационные технологии в системах космической связи"

пр. Гагарина, д. 23, Нижний Новгород, 603022

Ekaterina V. Lazko, 4th year student of the Faculty of Physics in Information

23, Gagarin Ave., Nizhny Novgorod 603022

Lisickanet3@gmail.comПопковС. А.PopkovS. A.

Попков Сергей Алексеевич – кандидат физико-математических наук (2014), ведущий инженер-программист

ул. Дмитровское ш., д. 110, Москва, 127411

Sergey A. Popkov, Cand. Sci. (Phys.-Math.) (2014), Lead Software Engineer

110, Dmitrovskoe Highway, Moscow127411

popkov-fzf@yandex.ruhttps://orcid.org/0009-0001-4048-1959ШишановС. В.ShishanovS. V.

Шишанов Сергей Валерьевич – кандидат технических наук (2018), доцент кафедры информационных радиосистем

ул. Минина, д. 24, Нижний Новгород, 603155

Sergey V. Shishanov, Cand. Sci. (Eng.) (2018), Associate Professor of the Department of Information radio systems

24, Minina St., Nizhny Novgorod 603155

tribott@mail.ruНациональный исследовательский Нижегородский государственный университет им. Н. И. ЛобачевскогоРоссияNational Research Lobachevsky State University of Nizhny NovgorodRussian FederationПАО «НПО "Алмаз" (им. акад. А. А. Расплетина)»РоссияPJSC «NPO "Almaz" n. a. Academician A. A. Raspletin»Russian FederationНижегородский государственный технический университет им. Р. Е. АлексееваРоссияNizhny Novgorod State Technical University n. a. R. E. AlekseevRussian Federation2026081020262946271Copyright © Лазько E.В., Попков С.А., Шишанов С.В., 20262026Лазько E.В., Попков С.А., Шишанов С.В.Lazko E.V., Popkov S.A., Shishanov S.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://re.eltech.ru/jour/article/view/1205

Введение. В современных системах помощи водителю важную роль играют радары миллиметрового диапазона (mmWave). Однако в условиях городской застройки эффективность традиционных методов оценки направления прихода сигнала (DOA) снижается из-за эффектов многолучевого распространения, порождающих ложные цели. В статье рассматривается метод распознавания сигналов, вызванных однократным отражением и многолучевым распространением, и оценки их направления прихода.Цель работы. Разработка и экспериментальное исследование комплексного подхода к оценке угловых координат объектов в MIMO-радарах при наличии многолучевого распространения.Материалы и методы. Реализован двухэтапный конвейер обработки сигналов. На первом этапе выполняется предварительная классификация типа радиолокационного сценария (прямая видимость, многолучевое распространение, множественная цель) с использованием сверточной нейронной сети. На втором этапе осуществляется оценка направления прихода сигнала с помощью стандартного метода MUSIC и метода MUSIC с реконструкцией корреляционной матрицы сигнала. Обучение и проверка выполнялись на гибридном наборе данных, состоящем из данных, сформированных с помощью модели распространения сигнала, и реальных измерений с MIMO-радара TI AWR1843.Результаты. Предложенный подход позволяет с высокой точностью разрешать сценарии распространения сигнала и оценивать угловые координаты. Исследования проводились на открытом датасете. Показано, что результат классификации согласуется с математической моделью распространения сигнала.Заключение. Результаты подтверждают эффективность применения предложенного подхода для обнаружения многолучевого распространения, что позволяет повысить надежность оценки сцены MIMO-радаром.

Introduction. Today, millimeter-wave radars are a key component of driver-assistance systems. However, in urban scenarios, the performance of conventional methods for estimating the direction of arrival of signals (DOA) is degraded by multipath effects, which can lead to ghost targets. This article describes an algorithm for classifying signals caused by single reflection and multipath propagation and estimating their DOA.Aim. To develop and investigate experimentally a method for estimating the angular coordinates of objects in MIMO radars in the presence of multipath propagation.Materials and methods. A two-stage signal processing algorithm was proposed. In the first stage, a convolutional neural network classifies the signal scenario as one of the following types: direct path, multipath, or multiple target. In the second stage, the direction of arrival is estimated by the standard MUSIC method and a modified MUSIC method based on reconstruction of the signal correlation matrix. Training and validation were performed on a hybrid dataset consisting of data generated using a signal propagation model and actual measurements obtained by a TI AWR1843 MIMO radar.Results. The proposed algorithm can be used to classify signal propagation scenarios with high accuracy and to estimate the angular coordinates of objects. The proposed method was tested on an open dataset. The results show that the classification results are consistent with the mathematical model of signal propagation.Conclusion. The proposed approach is effective for multipath detection. The proposed algorithm allows the robustness of MIMO radar scene estimation to be improved.

MIMO-радарфизическая и виртуальная антенная решеткамноголучевое распространениеоценка направления приходакорреляционная матрицаMIMO radarphysical and virtual antenna arraymultipath propagationdirection of arrivalcorrelation matrixReferencesAutomotive radars: A review of signal processing techniques / S. M. Patole, M. Torlak, D. Wang, M. Ali // IEEE Signal Processing Magazine. 2017. Vol. 34, iss. 2. P. 22–35. doi: 10.1109/MSP.2016.2628914Patole S. M., Torlak M., Wang D., Ali M. Automotive Radars: a Review of Signal Processing Techniques. IEEE Signal Processing Magazine. 2017, vol. 34, iss. 2, pp. 22–35. doi: 10.1109/MSP.2016.2628914MIMO radar theory and experimental results / F. C. Robey, S. Coutts, D. Weikle, J. C. McHarg, K. Cuomo // Conf. Record of the Thirty-Eighth Asilomar Conference on Signals, Systems and Computers, Pacific Grove, USA, 07–10 Nov. 2004. IEEE, 2004. P. 300–304. doi: 10.1109/ACSSC.2004.1399141Robey F. C., Coutts S., Weikle D., McHarg J. C., Cuomo K. MIMO Radar Theory and Experimental Results. Conf. Record of the Thirty-Eighth Asilomar Conference on Signals, Systems and Computers, Pacific Grove, USA, 07–10 Nov. 2004. IEEE, 2004, pp. 300–304. doi: 10.1109/ACSSC.2004.1399141Biallawons O., Ender J. H. G. Multipath Detection by using Space-Space Adaptive Processing (SSAP) with MIMO Radar // Intern. Conf. on Radar, Brisbane, Australia, 27–31 Aug. 2018. IEEE, 2018. P. 1–4. doi: 10.1109/RADAR.2018.8557221Biallawons O., Ender J. H. G. Multipath Detection by using Space-Space Adaptive Processing (SSAP) with MIMO Radar. Intern. Conf. on Radar, Brisbane, Australia, 27–31 Aug. 2018. IEEE, 2018, pp. 1–4. doi: 10.1109/RADAR.2018.8557221Longman O., Villeval Sh., Bilik I. Multipath Ghost Targets Mitigation in Automotive Environments. IEEE Radar Conf. (RadarConf21), Atlanta, USA, 07–14 May 2021. IEEE, 2021. P. 1–5. doi: 10.1109/RadarConf2147009.2021.9455253Longman O., Villeval Sh., Bilik I. Multipath Ghost Targets Mitigation in Automotive Environments. IEEE Radar Conf. (RadarConf21), Atlanta, USA, 07–14 May 2021. IEEE, 2021, pp. 1–5. doi: 10.1109/RadarConf2147009.2021.9455253Advancing Subspace Representation Learning for DOA Estimation using Sparse Arrays / R. Yang, Y. Hu, Sh. Sun, Y. D. Zhang // Proc. of the 59th Asilomar Conf. on Signals, Systems, and Computers, Pacific Grove, California, USA, 26–29 Oct. 2025. IEEE, 2025. P. 1–15. doi: 10.1109/IEEECONF67917.2025.11443901Yang R., Hu Y., Sun Sh., Zhang Y. D. Advancing Subspace Representation Learning for DOA Estimation using Sparse Arrays. Proc. of the 59th Asilomar Conf. on Signals, Systems, and Computers, Pacific Grove, California, USA, 26–29 Oct. 2025. IEEE, 2025, pp. 1–15. doi: 10.1109/IEEECONF67917.2025.11443901Lee Ch. Y., Hasegawa H., Gao Sh. Complex-Valued Neural Networks: A Comprehensive Survey // IEEE/CAA J. of Automatica Sinica. 2022.Vol. 9, iss. 8. P. 1406–1426. doi: 10.1109/JAS.2022.105743Lee Ch. Y., Hasegawa H., Gao Sh. Complex-Valued Neural Networks: A Comprehensive Survey. IEEE/CAA J. of Automatica Sinica. 2022, vol. 9, iss. 8, pp. 1406–1426. doi: 10.1109/JAS.2022.105743Skolnik M. I. Radar Handbook. 2nd ed. New York: McGraw-Hill, 1990. 1328 p.Skolnik M. I. Radar Handbook. 2nd ed. New York, McGraw-Hill, 1990, 1328 p.Waldschmidt C., Hasch J., Menzel W. Automotive Radar – From First Efforts to Future Systems // IEEE J. of Microwaves. 2021. Vol. 1, iss. 1. P. 135–148. doi:10.1109/JMW.2020.3033616Waldschmidt C., Hasch J., Menzel W. Automotive Radar – From First Efforts to Future Systems. IEEE J. of Microwaves. 2021, vol. 1, iss. 1, pp. 135–148. doi:10.1109/JMW.2020.3033616Simonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition // 3rd Intern. Conf. on Learning Representations (ICLR 2015), San Diego, California, USA, 7–9 May 2015. IEEE, 2015. P. 1–14.Simonyan K., Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition. 3rd Intern. Conf. on Learning Representations (ICLR 2015), San Diego, California, USA, 7–9 May 2015. IEEE, 2015, pp. 1–14.Spielman D., Paulraj A., Kailath T. Performance analysis of the MUSIC algorithm // IEEE Intern. Conf. on Acoustics, Speech, and Signal Processing, Tokyo, Japan, 07–11 Apr. 1986. IEEE, 1986. P. 1909–1912. doi: 10.1109/ICASSP.1986.1168872Spielman D., Paulraj A., Kailath T. Performance Analysis of the MUSIC Algorithm. IEEE Intern. Conf. on Acoustics, Speech, and Signal Processing, Tokyo, Japan, 07–11 April 1986. IEEE, 1986, pp. 1909–1912. doi: 10.1109/ICASSP.1986.1168872Changgan Sh., Yumin L. An improved forward/backward spatial smoothing Root-MUSIC algorithm based on signal decorrelation // IEEE Workshop on Advanced Research and Technology in Industry Applications, Ottawa, ON, 29–30 Sept. 2014. IEEE, 2014. P. 1252–1255. doi: 10.1109/WARTIA.2014.6976509Changgan Sh., Yumin L. An Improved forward/Backward Spatial Smoothing Root-MUSIC Algorithm Based on Signal Decorrelation. IEEE Workshop on Advanced Research and Technology in Industry Applications, Ottawa, ON, 29–30 Sept. 2014. IEEE, 2014, pp. 1252–1255. doi: 10.1109/WARTIA.2014.6976509Wang Y., Si W., Wang K. A real-valued MUSIC algorithm with forward/backward technique // Intern. Applied Computational Electromagnetics Society Symp., Firenze, Italy, 26–30 March 2017. IEEE, 2017. P. 1–3. doi: 10.23919/ROPACES.2017.7916026Wang Y., Si W., Wang K. A Real-Valued MUSIC Algorithm with Forward/Backward Technique. Intern. Applied Computational Electromagnetics Society Symp., Firenze, Italy, 26–30 March 2017. IEEE, 2017, pp. 1–3. doi: 10.23919/ROPACES.2017.7916026Deep Learning-based Covariance Matrix Reconstruction for DOA Estimation / A. M. Alam, C. O. Ayna, S. Biswas, J. T. Rogers, J. E. Ball, A. C. Gurbuz // IEEE Radar Conf., Denver, CO, USA, 06–10 May 2024. IEEE, 2024. P. 1–6. doi: 10.1109/RadarConf2458775.2024.10548988Alam A. M., Ayna C. O., Biswas S., Rogers J. T., Ball J. E., Gurbuz A. C. Deep Learning-Based Covariance Matrix Reconstruction for DOA Estimation. IEEE Radar Conf., Denver, CO, USA, 06–10 May 2024. IEEE, 2024, pp. 1–6. doi: 10.1109/RadarConf2458775.2024.10548988Direction-of-Arrival Estimation Using Deep Learning With Covariance Matrix Reconstruction Under Limited Snapshots / Y. Zhao, J. Liu, X. Fan, H. Cao // IET Electronic Let. 2025. Vol. 61, iss. 1. Art. № e70373. doi: 10.1049/ell2.70373Zhao Y., Liu J., Fan X., Cao H. Direction-of-Arrival Estimation Using Deep Learning With Covariance Matrix Reconstruction Under Limited Snapshots. IET Electronic Let. 2025, vol. 61, iss. 1, art. no. e70373. doi: 10.1049/ell2.70373RAMP-CNN: A Novel Neural Network for Enhanced Automotive Radar Object Recognition / X. Gao, G. Xing, S.Roy, H. Liu // IEEE Sensor J. 2021. Vol. 21, iss. 4. P. 5119–5132. doi: 10.1109/JSEN.2020.3036047Gao X., Xing G., Roy S., Liu H. RAMP-CNN: A Novel Neural Network for Enhanced Automotive Radar Object Recognition. IEEE Sensor J. 2021, vol. 21, iss. 4, pp. 5119–5132. doi: 10.1109/JSEN.2020.3036047AWR1843BOOST and IWR1843BOOST Single-Chip mmWave Sensing Solution User’s Guide (Rev. B). URL: https://www.ti.com/tool/AWR1843BOOST#techdocs (дата обращения: 10.02.2026)AWR1843BOOST and IWR1843BOOST Single-Chip mmWave Sensing Solution User’s Guide (Rev. B). Available at: https://www.ti.com/tool/AWR1843BOOST#tech-docs (accessed: 10.02.2026)

The authors declare that there are no conflicts of interest present.