《Electronics》：A Driving-Primitive-Based Framework for Modeling the Evolution of Unprotected Left-Turn Interactions Using UAV Trajectory Data
编辑推荐：
波达方向（DOA）估计是阵列信号处理的核心研究课题，二维（2-D）DOA估计能够同时获取入射信号的方位角与俯仰角，具有重要实用价值。传统子空间与稀疏重构算法在不完美阵列流形、低信噪比（SNR）及快拍数不足时，计算量大且精度下降。为同时提升估计鲁棒性与推理速度，
波达方向（DOA）估计是阵列信号处理的核心研究课题，二维（2-D）DOA估计能够同时获取入射信号的方位角与俯仰角，具有重要实用价值。传统子空间与稀疏重构算法在不完美阵列流形、低信噪比（SNR）及快拍数不足时，计算量大且精度下降。为同时提升估计鲁棒性与推理速度，研究人员提出一种基于均匀矩形阵列的双分支卷积神经网络（CNN）用于2-D DOA估计。该网络以阵列接收数据的样本协方差矩阵为输入，采用包含残差块与通道注意力模块的共享特征编码器提取公共空间特征，随后由两个独立参数的预测头分别估计俯仰角和方位角。由于每个分支输出61维向量且可能存在两个源同时入射，角度估计被建模为使用Sigmoid输出与加权二元交叉熵的多标签分类问题。覆盖不同SNR、快拍数、角度间隔及离网场景的仿真实验表明，该网络相比多重信号分类（MUSIC）、基于旋转不变技术的信号参数估计（ESPRIT）及普通CNN方法，均方根误差更小，推理延迟在毫秒级。该框架为复杂电磁场景提供了高效、高精度的实时2-D DOA估计方案。
**论文解读：基于双分支卷积神经网络的二维波达方向估计方法**
**研究背景**
波达方向（DOA）估计是阵列信号处理中的基础任务，广泛应用于雷达、声纳、无线定位、自适应波束形成及无人平台感知等领域。二维（2-D）DOA估计能够同时恢复每个入射源的俯仰角和方位角，具有重要的工程价值。然而，二维DOA估计面临搜索维度高、角度间耦合以及多源配对等核心问题。传统方法主要分为两类：子空间类算法（如MUSIC和ESPRIT）和稀疏重构类算法。子空间算法依赖精确的阵列标定和足够快拍数，在高计算复杂度下（如二维谱峰搜索）仍可能因互耦、增益相位误差、低信噪比（SNR）或有限快拍而性能严重下降；稀疏重构算法则需构建二维字典，其规模随方位和俯仰网格数乘积增长，迭代求解计算量大，且网格失配问题在二维场景中被放大。这些局限性促使研究人员探索基于数据驱动的DOA估计方法，通过深度学习从阵列观测或样本协方差矩阵中直接学习角度映射。现有研究多聚焦于一维DOA估计或学习中间空间谱，专门针对多源二维估计的研究相对有限，且存在两个关键设计问题：第一，俯仰角和方位角由同一接收场产生，共享协方差特征，但决策边界和误差特性不同，完全联合预测头可能引入优化干扰，而两个完全独立的网络则重复提取特征；第二，分别估计边际角度后，源间关联性无法保证，需要显式配对机制。为此，研究人员提出了一种基于均匀矩形阵列（URA）的双分支CNN架构，旨在平衡共享与特定表示，并解决配对需求。
**关键技术与方法**
研究人员采用以下主要技术方法：（1）共享特征编码器，由初始卷积层和三个残差块（输出通道数分别为64、128、256）组成，每个残差块后接通道注意力模块（CAM），以提取公共空间特征；（2）双角度预测头，两个独立参数的分支分别进行俯仰角和方位角的多标签分类，每个分支输出61个logits（对应1°网格），使用独立Sigmoid激活和加权二元交叉熵损失；（3）基于协方差拟合的配对准则，在推理阶段，从边际角度候选集中通过最小化协方差拟合残差来确定俯仰角-方位角配对，避免依赖角度排序或置信度顺序；（4）混合损失函数，结合二元交叉熵损失和对比损失（Contrastive Loss），以增强同一源角度对的一致性。训练数据通过Matlab R2021b仿真生成，采用均匀矩形阵列（6×6阵元，半波长间距），方位角范围[0°, 60°]，俯仰角范围[30°, 90°]，网格分辨率为1°，快拍数默认200，SNR范围-10 dB至10 dB。
**研究结果**
（1）**不同SNR下的估计精度**：在SNR从-10 dB到10 dB的范围内，所提网络在俯仰、方位及综合二维均方根误差（RMSE）上均优于MUSIC、ESPRIT、传统CNN及张量分解方法（Tensor-CPD-NLS）。例如，SNR=0 dB时，所提方法综合RMSE为1.999°，相较于MUSIC（13.971°）、ESPRIT（11.457°）、传统CNN（2.486°）和Tensor-CPD-NLS（2.837°），分别降低85.69%、82.55%、19.59%和29.54%。SNR=10 dB时，综合RMSE为0.965°，相对降低分别为85.93%、83.64%、36.18%和44.22%。
（2）**不同快拍数下的估计精度**：在SNR=10 dB、快拍数[50, 100, 150, 200]下，所提网络在低快拍场景下仍保持高精度。快拍数L=50时，综合RMSE为3.500°，相比MUSIC（17.625°）、ESPRIT（7.845°）、传统CNN（5.016°）和Tensor-CPD-NLS（4.374°），分别降低80.14%、55.38%、30.22%和19.98%。L=200时，综合RMSE为1.391°，相对降低88.54%、77.55%、41.68%和30.10%。
（3）**预测头设计的消融实验**：对比双头模型与单头变体（共享相同编码器），双头模型在俯仰角和方位角估计上均显著降低RMSE，表明独立预测头能有效缓解两个角度估计任务间的优化干扰。
（4）**运行时间对比**：所提网络推理延迟为毫秒级（具体值见表2），远低于MUSIC和ESPRIT算法，因其用前向传播替代了特征分解和谱峰搜索。
**总结与结论**
论文提出了一个双分支CNN框架，用于基于URA的二维DOA估计。共享编码器复用公共空间信息，独立俯仰角与方位角预测头提供任务特定决策参数。角度估计被建模为多标签占用预测，使用Sigmoid激活和加权二元交叉熵，边际角度候选通过URA协方差拟合准则关联，不依赖假设的源顺序。该方法在多种SNR、快拍数和角度配置下，估计精度和推理速度均优于传统算法和普通CNN基线。
**研究结论部分翻译**：
本文提出了一种基于URA样本协方差矩阵的双分支CNN用于二维DOA估计。共享编码器复用公共空间信息，而独立的俯仰角和方位角预测头提供任务特定决策参数。与每个分支61维输出一致，角度估计被建模为使用Sigmoid激活和加权二元交叉熵的多标签占用预测。无序的边际角度候选通过URA协方差拟合准则关联，而非假设的源顺序。该公式与所述网络输出维度内部一致，并提供了可复现的多源关联流程。当前方法仍存在明显局限：其输出局限于1°训练网格，离网输入存在量化误差，且不执行连续离网估计；当前推理假定已知源数K=2，并使用基于相互独立源推导的协方差拟合配对模型。未来工作应研究分类-回归或无网格输出以实现连续角度估计，将配对模型扩展到未知源数和相关/相干源，并评估对阵列扰动及更复杂阵列几何的泛化能力。
