MC-CoDA：基于掩码的级联注意力学习方法，用于在传感器故障情况下实现鲁棒的单一快照死亡时间（DOA）估计

《Measurement》：MC-CoDA: Mask-guided Cascade attention learning for robust single-snapshot DOA estimation under sensor failures

　　• MC-CoDA能够从单个快照中鲁棒地估计到达方向（DOA），即使在没有传感器的情况下也能进行估计。
• 传感器健康状态指导分词、注意力和全局池化过程。
• 级联的局部卷积桥接可以弥补失效阵列元素导致的孔径间隙。
• 合成和实测的雷达测试显示，在出现故障时该方法的准确性仍然稳定。

引言
到达方向（DOA）估计是阵列信号处理中的核心测量任务，它广泛应用于汽车雷达、无线通信、声纳和声学监控 [1]、[2]、[3]、[4]。在汽车FMCW雷达中，距离-多普勒处理和目标检测先于角度估计进行。与每个选定的距离-多普勒区间相关的虚拟阵列样本随后成为DOA估计器的输入 [5]、[6]。根据处理链和延迟预算的不同，这个角度阶段可能需要使用多个连贯的快照，或者仅使用来自选定区间的一个快照。最近的汽车雷达研究考虑了有限快照和单快照两种情况 [7]、[8]、[9]。本研究关注单快照设置：直接对一个选定的阵列观测结果进行高精度角度估计，且计算成本较低 [5]、[6]。
在这种设置下，时间信息受到严重限制。对于一个阵列观测值x，样本协方差R?=xxH的秩为一。因此，传统的子空间分离方法需要额外的结构或更多的观测数据 [10]、[11]。通过施加结构先验，稀疏恢复技术可以缓解秩不足的问题 [12]。迭代自适应方法（IAA）也可以从单个快照中精炼出空间谱。然而，这些方法仍然假设在推理时阵列几何形状是固定且完全可用的。它们的迭代求解器还会随着问题规模的增加而产生更多的延迟。

除了快照限制之外，本文还讨论了传感器故障这一核心挑战。制造缺陷、环境应力和累积磨损可能会使现场的单个阵列元素失效 [8]、[13]。失效的传感器会缩短有效孔径，并且还会移除与其对应的相位差测量数据。由于失效元素的数量会随样本而变化，因此瞬时阵列几何形状变得不规则且稀疏。传统的估计器针对的是完好的孔径进行优化，因此在面对这种情况时会失效。

当随机发生的传感器故障与单快照操作同时发生时，这两个问题会叠加在一起。每种故障配置都会定义不同的有效流形、孔径和可观测的空间延迟。同时，只能依靠一个阵列观测值来确定信号来源方向。这样，逆问题在时间上是不完全确定的，在空间上也是不完整的。估计器必须针对一系列退化的阵列几何形状来恢复DOA，而不仅仅针对一个名义上的孔径。

现有的方法没有以统一的方式解决这个问题。传统的压缩感知和IAA流程大多将有限的快照和孔径损失分开处理。当有效孔径在不同样本间不可预测地变化时，它们的性能也会下降 [12]。深度学习提供了一种数据驱动的替代方案。神经网络可以直接将阵列观测值映射到角度谱上，而无需显式进行协方差估计 [14]、[15]、[16]、[17]。最近基于学习的DOA模型还可以容忍校准误差、相互耦合以及某些形式的传感器损伤 [8]、[18]、[19]。迁移学习和基于模型的微调也可以使名义模型适应退化的应用环境 [20]、[21]。然而，传感器损伤通常仍被视为对均匀阵列响应的固定损坏，而不是作为测量操作符的样本依赖性变化来处理。因此，学习到的映射并没有明确考虑到哪些元素在给定观测下仍然是有信息的。这样，来自失效和正常工作传感器的空间信息可能会被混淆。目前还缺乏一种能够明确考虑样本依赖性传感器故障以及由此产生的稀疏孔径的单快照DOA估计器。

为了解决这一难题，本文提出了MC-CoDA（Mask-guided Cascade attention for DOA Estimation）。MC-CoDA是一种深度架构，它将传感器的可用性明确纳入DOA推理过程中。它在分词阶段编码瞬时故障配置，并通过几何健康状态注意力偏见来调节跨传感器交互，仅通过掩码加权池化合并正常工作的传感器。级联的多核一维卷积分支在全局推理之前提供了局部空间上下文。

本文的贡献有三个方面：
1. 开发了一种考虑故障的单快照DOA架构。二进制的传感器健康状态掩码从分词阶段到全局聚合都作为一个明确的控制信号。因此，退化的孔径被当作一类输入来处理，而不仅仅是被忽略的缺失通道。
2. 引入了几何健康状态注意力偏见。它将成对的传感器健康状态和传感器间的距离共同编码为一个有限的加性逻辑斯蒂偏移量。每个注意力头会根据运行时的故障模式进行软条件处理。这种机制不同于硬性无效标记屏蔽和仅基于距离的相对位置偏见。
3. 在合成数据和实测雷达响应上的实验表明，在测试条件下，MC-CoDA的表现优于传统的基线和最近的深度学习DOA估计器。它在训练范围之外的故障数量上具有良好的泛化能力，并且无需微调就能应用于双反射器记录和公共车辆安装的叠加场景。实验结果表明，其鲁棒性主要归功于健康状态编码、注意力和聚合机制。

第2节回顾了传统的阵列处理、用于DOA估计的深度学习以及传感器故障效应。第3节制定了测量模型，第4节描述了MC-CoDA架构，第5节展示了实验结果，第6节给出了结论。

**经典DOA估计**
关于使用传感器阵列进行方向测量的理论可以在 standard Refs. [10]、[11] 中找到。传统的延迟求和波束forming（DBF）使用一组导向向量扫描角度空间，并测量每个候选方向的输出功率。最小方差无失真响应（MVDR）波束形成器 [22] 通过自适应抑制来自非观测方向的功率来提高角度选择性，但这两种方法都受到瑞利理想阵列信号模型的限制。

**理想阵列信号模型**
考虑一个由N个全向传感器组成的均匀线性阵列（ULA），传感器之间的间距为d=λ/2，其中λ是工作波长。在时间t，K个远场窄带源从方向θ=[θ1,…,θK]T照射到阵列上。复数基带观测向量x(t)∈?N×1表示为x(t)=A(θ)s(t)+n(t)，其中A(θ)=[a(θ1),…,a(θK)]∈?N×K是阵列流形矩阵，s(t)∈?K×1包含复数源幅值，n(t)∈?N×1表示加性高斯白噪声。

**设计原则和整体架构**
MC-CoDA根据传感器故障情况调整其空间表示。为此，该架构在前向传播的三个连续阶段中考虑了传感器健康状态：首先，传感器对齐的分词阶段将每个元素的健康状态作为显式元数据存储；接下来，掩码引导的注意力为每个有序的传感器对选择一个有限的、特定于头的几何健康状态逻辑斯蒂偏移量；最后，掩码加权池化为失效的标记赋予零权重。

**实验与结果**
本节在合成数据（包括信噪比、角度分离度和故障严重程度）以及组件消融、非理想故障输出、掩码估计、学习到的注意力偏见和到实测阵列响应的迁移等方面评估了MC-CoDA的性能。

**结论**
本文提出了一种名为MC-CoDA的故障感知CNN-Transformer架构，用于在随机传感器故障背景下进行鲁棒的单快照DOA估计。该设计通过分词、带有几何健康状态偏见的掩码引导自注意力和掩码加权池化来处理传感器健康状态，同时级联卷积分支在全局推理之前提供局部上下文。MC-CoDA在中等到高的信噪比下能够达到亚度RMSE，并在完整阵列上实现0.98的双源命中率（4°分离度）；四个CRediT作者贡献声明为：Yan Dong负责概念化、方法学、软件开发和原始草稿的撰写；Tingkai Hu负责审阅、编辑和监督。

**利益冲突声明**
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报道的工作。

**致谢**
作者感谢Ruxin Zheng等人提供了真实世界的测量数据。本研究未从公共部门、商业部门或非营利组织的任何资助机构获得特定资助。

**作者列表**
Yan Dong | Tingkai Hu