四根天线、一块SDR神经网络把测向误差压进2度以内用几百块钱的软件无线电硬件加上一个深度神经网络就能在多径和低信噪比环境下实时分辨来波方向——这就是发表在 IEEE Access 上的 DeepAoANet实测数据集同步公开。一、老问题新痛点MUSIC 为什么在实战中掉链子基于射频信号的测向与定位是雷达、通信、无人系统里绕不开的基础能力。但真正把算法搬到室外、搬进室内问题就来了多径传播。一个信号经墙面、地面反射后接收端会同时看到直达径和若干条延迟副本它们在角度上彼此靠近、在能量上此消彼长。以 MUSIC 为代表的子空间类算法在这种场景下的表现并不理想一方面协方差矩阵估计需要足够多的快拍数快拍不足时噪声子空间泄露谱峰位置漂移另一方面弱信号体制下比如远距离 LoRa 终端MUSIC 的角度分辨率明显下降甚至给出虚假谱峰。传统思路是加阵元、加快拍、加计算量代价跟着水涨船高。英国阿斯顿大学的研究团队换了个思路既然数字采样前端能轻松拿到多通道基带数据能不能让神经网络直接从单快拍协方差矩阵里读出角度这就是 DeepAoANet 的出发点。二、方法设计从信号到角度一条流水线跑通整个系统架在一台四通道相干软件无线电KerberosSDR上配四元均匀线阵ULA信号源采用 LoRa 发射机。硬件成本不到一台手机的价格但四通道相干采样保证了信道状态信息CSI的可提取性。处理流程可以概括为三步第一步构造协方差张量。接收端每次截取一段 IQ 基带样本将其切分为 8 个子窗在每个子窗内估计一次 4×4 阵列协方差矩阵实部虚部拆开后堆叠成 4×4×8 的张量。这个张量就是网络的输入——注意一次采集、单快拍张量直接进网络不再依赖长时间的快拍积累。第二步多任务神经网络。研究团队设计了一个一拖三的多任务结构共享主干之后分出三个输出头——一个信号数分类头判断当前是 0、1 还是 2 个入射信号两个角度回归头分别输出单信号和双信号场景下的到达角AoA角度范围覆盖 -74°~74°。损失函数由分类损失和回归损失加权组成端到端联合训练。除了这个全连接版本DeepAoANet-FC团队还提供了一个卷积版本DeepAoANet-CNN把协方差张量当作图像处理参数量更省部署更轻。第三步物理驱动数据增强。实测数据永远不够用。团队的方法很讨巧对已录取的基带样本按指定角度差施加确定性相位旋转等效搬移来波方向再叠加不同强度的噪声一份实测数据膨胀出多个角度、多个噪声水平的训练样本——不改变物理信道结构却把数据集规模放大了一个量级。三、实验三种环境实测四个方法同台数据采集覆盖了多种视距LOS与非视距NLOS场景包括走廊环境与开阔 LOS 链路发射角度从 -70° 到 70° 每 10° 一档逐点录取全部数据与标注角度已公开发布。对比基准选得很克制也很能说明问题MUSIC经典子空间算法需要谱搜索SVR传统机器学习回归基线DeepAoANet-FC / CNN本文方法。结果一目了然在误差累积分布CDF上两个 DeepAoANet 版本全面领先 MUSIC 和 SVR。几个关键数字值得单独拎出来信号数判定准确率超过 99%。网络不仅能报角度还能先说清楚现在有几个信号进来了——这在实际系统里往往比角度本身更难因为虚警和漏警直接决定后端定位逻辑是否被触发。平均绝对角度误差小于 2°达到亚度级回归精度。且在 -74°~74° 的宽视场内误差分布平稳不出现边缘角度退化的情况。负信噪比下依然坚挺。得益于噪声增强训练模型在低于原始数据集信噪比SNR 低于 -4 dB的条件下仍保持稳定输出而 MUSIC 在这个区间已经大面积失效。实时性有保障。推理引擎已部署在多个平台上实测运行配合可视化界面实时输出极化功率谱单次推理耗时在毫秒量级——对于四元阵的小规模网络来说计算开销完全不是瓶颈。四、几点值得琢磨的启示抛开论文指标这项工作对做雷达通信的读者还有几处可以借鉴其一协方差张量是个好的输入表征。它天然对信号幅度不敏感归一化后保留了阵元间的相位结构还通过多窗切片引入了时间维度的统计信息比直接使用原始基带样本稳定得多。其二分类回归联合建模解决了先判数、再测角的耦合问题。传统流程里信号数估计和角度估计是两个独立模块误差会级联传递多任务网络让两者共享特征、互相约束。其三相位旋转式数据增强几乎零成本。只要阵列流形已知对基带样本施加确定性的相位旋转就能合成任意角度的训练样本这一招在阵列信号的数据增广里值得复用。需要说明的是原始模型基于 LoRa 信号训练换用其他波形如雷达脉冲、通信帧信号时作者建议用本地信号微调后再上线——这也是数据驱动方法的常规操作。低成本低门槛的 SDR 硬件、单快拍即可出角度的网络、负信噪比下的鲁棒输出——当测向这件事的成本被压到几百块钱你会拿它来做什么欢迎在评论区聊聊你的应用场景。
四根天线、一块SDR神经网络把测向误差压进2度以内用几百块钱的软件无线电硬件加上一个深度神经网络就能在多径和低信噪比环境下实时分辨来波方向——这就是发表在 IEEE Access 上的 DeepAoANet实测数据集同步公开。一、老问题新痛点MUSIC 为什么在实战中掉链子基于射频信号的测向与定位是雷达、通信、无人系统里绕不开的基础能力。但真正把算法搬到室外、搬进室内问题就来了多径传播。一个信号经墙面、地面反射后接收端会同时看到直达径和若干条延迟副本它们在角度上彼此靠近、在能量上此消彼长。以 MUSIC 为代表的子空间类算法在这种场景下的表现并不理想一方面协方差矩阵估计需要足够多的快拍数快拍不足时噪声子空间泄露谱峰位置漂移另一方面弱信号体制下比如远距离 LoRa 终端MUSIC 的角度分辨率明显下降甚至给出虚假谱峰。传统思路是加阵元、加快拍、加计算量代价跟着水涨船高。英国阿斯顿大学的研究团队换了个思路既然数字采样前端能轻松拿到多通道基带数据能不能让神经网络直接从单快拍协方差矩阵里读出角度这就是 DeepAoANet 的出发点。二、方法设计从信号到角度一条流水线跑通整个系统架在一台四通道相干软件无线电KerberosSDR上配四元均匀线阵ULA信号源采用 LoRa 发射机。硬件成本不到一台手机的价格但四通道相干采样保证了信道状态信息CSI的可提取性。处理流程可以概括为三步第一步构造协方差张量。接收端每次截取一段 IQ 基带样本将其切分为 8 个子窗在每个子窗内估计一次 4×4 阵列协方差矩阵实部虚部拆开后堆叠成 4×4×8 的张量。这个张量就是网络的输入——注意一次采集、单快拍张量直接进网络不再依赖长时间的快拍积累。第二步多任务神经网络。研究团队设计了一个一拖三的多任务结构共享主干之后分出三个输出头——一个信号数分类头判断当前是 0、1 还是 2 个入射信号两个角度回归头分别输出单信号和双信号场景下的到达角AoA角度范围覆盖 -74°~74°。损失函数由分类损失和回归损失加权组成端到端联合训练。除了这个全连接版本DeepAoANet-FC团队还提供了一个卷积版本DeepAoANet-CNN把协方差张量当作图像处理参数量更省部署更轻。第三步物理驱动数据增强。实测数据永远不够用。团队的方法很讨巧对已录取的基带样本按指定角度差施加确定性相位旋转等效搬移来波方向再叠加不同强度的噪声一份实测数据膨胀出多个角度、多个噪声水平的训练样本——不改变物理信道结构却把数据集规模放大了一个量级。三、实验三种环境实测四个方法同台数据采集覆盖了多种视距LOS与非视距NLOS场景包括走廊环境与开阔 LOS 链路发射角度从 -70° 到 70° 每 10° 一档逐点录取全部数据与标注角度已公开发布。对比基准选得很克制也很能说明问题MUSIC经典子空间算法需要谱搜索SVR传统机器学习回归基线DeepAoANet-FC / CNN本文方法。结果一目了然在误差累积分布CDF上两个 DeepAoANet 版本全面领先 MUSIC 和 SVR。几个关键数字值得单独拎出来信号数判定准确率超过 99%。网络不仅能报角度还能先说清楚现在有几个信号进来了——这在实际系统里往往比角度本身更难因为虚警和漏警直接决定后端定位逻辑是否被触发。平均绝对角度误差小于 2°达到亚度级回归精度。且在 -74°~74° 的宽视场内误差分布平稳不出现边缘角度退化的情况。负信噪比下依然坚挺。得益于噪声增强训练模型在低于原始数据集信噪比SNR 低于 -4 dB的条件下仍保持稳定输出而 MUSIC 在这个区间已经大面积失效。实时性有保障。推理引擎已部署在多个平台上实测运行配合可视化界面实时输出极化功率谱单次推理耗时在毫秒量级——对于四元阵的小规模网络来说计算开销完全不是瓶颈。四、几点值得琢磨的启示抛开论文指标这项工作对做雷达通信的读者还有几处可以借鉴其一协方差张量是个好的输入表征。它天然对信号幅度不敏感归一化后保留了阵元间的相位结构还通过多窗切片引入了时间维度的统计信息比直接使用原始基带样本稳定得多。其二分类回归联合建模解决了先判数、再测角的耦合问题。传统流程里信号数估计和角度估计是两个独立模块误差会级联传递多任务网络让两者共享特征、互相约束。其三相位旋转式数据增强几乎零成本。只要阵列流形已知对基带样本施加确定性的相位旋转就能合成任意角度的训练样本这一招在阵列信号的数据增广里值得复用。需要说明的是原始模型基于 LoRa 信号训练换用其他波形如雷达脉冲、通信帧信号时作者建议用本地信号微调后再上线——这也是数据驱动方法的常规操作。低成本低门槛的 SDR 硬件、单快拍即可出角度的网络、负信噪比下的鲁棒输出——当测向这件事的成本被压到几百块钱你会拿它来做什么欢迎在评论区聊聊你的应用场景。
