深度学习提升MIMO-FMCW雷达方位角分辨率：非均匀虚拟阵列与神经网络方法

本文主要探讨了利用神经网络改进多输入多输出（MIMO）频移键控（FMCW）雷达的方位角分辨率的方法。在MIMO-FMCW雷达系统中，其性能受到两个关键因素的影响：范围分辨率取决于雷达信号的带宽，而方位角分辨率则由虚拟天线阵列的长度及其元素数量决定。传统的MIMO雷达为了提高方位角分辨率，可能会导致旁瓣效应，这可能导致角度估计的不准确性。 作者Hyungju Kim、Sungjin You、ByungJang Jeong和Woojin Byun来自韩国电子通信研究院（ETRI）的无线电与卫星研究部门，他们提出了一种创新策略。该方法避免了传统均匀间距放置虚拟天线带来的可能的频率混叠问题，通过采用非均匀间隔来扩展虚拟天线阵列，从而在保持或提升方位角分辨率的同时降低旁瓣效应。为了进一步优化，他们引入了深度学习技术，利用神经网络模型对雷达信号进行处理，以减少误差并提高角度估测的精度。 深度学习在这个过程中起到了至关重要的作用，它能够自动学习和提取信号中的特征，使得算法能更有效地处理复杂的数据，从而增强方位角的精确度。实验部分，研究者通过模拟信号和基于实际测量数据的仿真信号验证了这个方法的有效性。关键词包括MIMO-FMCW雷达、汽车雷达、方位角分辨率以及深度学习，表明这项研究旨在推动汽车雷达技术的进步，提升其在自动驾驶等领域的定位能力。 总结来说，本文不仅展示了神经网络在解决MIMO-FMCW雷达方位角分辨率挑战中的应用潜力，还展示了深度学习如何通过智能特征提取和处理，改善了雷达系统的性能，对于现代自动驾驶系统中的感知能力提升具有重要意义。通过深入理解并实施此类技术，未来的汽车雷达系统有望实现更高的精度和可靠性。