Оценка угловых координат объектов в автомобильных MIMO-радарах в условиях многолучевого распространения методами глубокого обучения

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.

1. Automotive 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.2016.2628914

2. MIMO 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.2004.1399141

3. Biallawons 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.2018.8557221

4. Longman 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/RadarConf2147009.2021.9455253

5. Advancing 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/IEEECONF67917.2025.11443901

6. Lee 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.2022.105743

7. Skolnik M. I. Radar Handbook. 2nd ed. New York: McGraw-Hill, 1990. 1328 p.

8. 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.2020.3033616

9. 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. P. 1–14.

10. 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.1986.1168872

11. Changgan 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.2014.6976509

12. Wang 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.2017.7916026

13. Deep 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/RadarConf2458775.2024.10548988

14. Direction-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/ell2.70373

15. RAMP-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.2020.3036047

16. AWR1843BOOST 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)