使用圆周卷积网络进行的到达方向（DOA）估计的制作方法

使用圆周卷积网络进行的到达方向(doa)估计
技术领域：
：1.本公开的各方面适用于涉及用于实现提高至少在到达方向(doa)方面的空间不明确性的分辨率的雷达感测的各种不同类型的设备、系统和方法。
背景技术：
：：2.雷达系统通常并入到车辆传感器系统中以支持自主驱动(ad)和/或高级驾驶辅助系统(adas)的各种特征。在一些应用中，雷达系统用于确定雷达视场(fov)中的对象的到达方向(doa)。在其中多个间隔紧密的对象同时出现在雷达fov中的情形中，重要的是能够确定每个对象的doa并且区分间隔紧密的对象。给定针对车辆传感器系统的关于例如必须作出决策的速度的约束以及功耗限制(例如，针对电动车辆(ev))，以足够分辨率确定雷达系统的fov中的对象的doa以区分间隔紧密的对象是个重要的任务。技术实现要素：3.公开用于估计doa的系统和方法的实施例。在一个或多个实施例中，一种雷达系统包括天线阵列、连接到所述天线阵列的雷达收发器以及信号处理单元，所述信号处理单元连接到所述雷达收发器并且包括处理电路系统和耦合到所述处理电路系统的存储器，其中所述处理电路系统包括多个向量处理单元，每个向量处理单元被配置成：接收天线输入向量，所述天线输入向量是由天线阵列的每个天线接收的雷达返回信号振幅的表示；接收角度谱向量，所述角度谱向量指示返回信号源自对应于所述向量的每个分量的角度范围的可能性；从所述存储器检索所述向量处理单元的第一加权向量和第二加权向量；通过利用所述第一加权向量执行所述天线输入向量的圆周卷积来生成已处理天线输入向量；通过利用所述第二加权向量执行所述角度谱向量的圆周卷积来生成已处理角度谱向量；并且通过将非线性激活函数应用于所述已处理天线输入向量和所述已处理角度谱向量的总和来生成已优化角度谱向量，其中所述非线性激活函数指定输入分量值与输出分量值之间的非线性映射；其中所述处理电路系统被配置成基于由所述向量处理单元中的每一者生成的已优化角度谱向量而输出指示一个或多个雷达目标相对于所述天线阵列的估计角位置的最终角度谱向量。4.在一个或多个实施例中，所述信号处理单元包括初始向量处理单元，所述初始向量处理单元被配置成：接收所述天线输入向量；从所述存储器检索所述初始向量处理单元的加权向量；通过利用所述加权向量执行所述天线输入向量的圆周卷积来生成已处理天线输入向量；并且通过将非线性激活函数应用于所述已处理天线输入向量来生成已优化角度谱向量，其中所述非线性激活函数指定输入向量分量值与输出向量分量值之间的非线性映射。5.在一个或多个实施例中，所述信号处理单元包括变换引擎，所述变换引擎被配置成：接收雷达返回信号；生成表示所述雷达返回信号的变换后的测量向量；并且将所述变换后的测量向量作为天线输入向量提供到所述向量处理单元。6.在一个或多个实施例中，多个向量处理单元中的每个向量处理单元包括专用于执行圆周卷积的圆周卷积电路、专用于执行求和的求和电路以及专用于执行非线性激活函数的激活函数电路。7.在一个或多个实施例中，一种装置包括信号处理单元，所述信号处理单元包括处理电路系统和耦合到所述处理电路系统的存储器，其中所述处理电路系统包括多个向量处理单元，每个向量处理单元被配置成：接收天线输入向量，所述天线输入向量是由天线阵列的每个天线接收的雷达返回信号振幅的表示；接收角度谱向量，所述角度谱向量指示返回信号源自对应于所述向量的每个分量的角度范围的可能性；从所述存储器检索所述向量处理单元的第一加权向量和第二加权向量；通过利用所述第一加权向量执行所述天线输入向量的圆周卷积来生成已处理天线输入向量；通过利用所述第二加权向量执行所述角度谱向量的圆周卷积来生成已处理角度谱向量；并且通过将非线性激活函数应用于所述已处理天线输入向量和所述已处理角度谱向量的总和来生成已优化角度谱向量，其中所述非线性激活函数指定输入分量值与输出分量值之间的非线性映射；其中所述处理电路系统被配置成基于由所述向量处理单元中的每一者生成的已优化角度谱向量而输出指示一个或多个雷达目标相对于所述天线阵列的估计角位置的最终角度谱向量。8.在一个或多个实施例中，所述信号处理单元包括初始向量处理单元，所述初始向量处理单元被配置成：接收所述天线输入向量；从所述存储器检索所述初始向量处理单元的加权向量；通过利用所述加权向量执行所述天线输入向量的圆周卷积来生成已处理天线输入向量；并且通过将非线性激活函数应用于所述已处理天线输入向量来生成已优化角度谱向量，其中所述非线性激活函数指定输入向量分量值与输出向量分量值之间的非线性映射。9.在一个或多个实施例中，所述信号处理单元包括变换引擎，所述变换引擎被配置成：接收雷达返回信号；生成表示所述雷达返回信号的变换后的测量向量；并且将所述变换后的测量向量作为天线输入向量提供到所述向量处理单元。10.在一个或多个实施例中，非线性函数是基于sigmoid的平滑软阈值化函数。11.在一个或多个实施例中，多个向量处理单元中的每个向量处理单元包括专用于执行圆周卷积的圆周卷积电路、专用于执行求和的求和电路以及专用于执行非线性激活函数的激活函数电路。12.在一个或多个实施例中，多个向量处理单元被配置成用于管线化处理，其中多个向量处理单元的每个向量处理单元利用特定于所述多个向量处理单元的第一和第二加权向量执行圆周卷积。13.在一个或多个实施例中，所述向量处理单元被串行连接成使得来自串行连接的向量处理单元中的第一向量处理单元的中间估计角度谱输出向量作为所述角度谱向量提供到串行连接的向量处理单元中的下一向量处理单元。14.在一个或多个实施例中，天线输入向量对应于距离多普勒图中指示目标的存在的单元，并且其中所述天线输入向量由所述多个向量处理单元针对圆周卷积使用对于所述多个向量处理单元中的每一者是唯一的第一和第二加权向量串行地处理。15.在一个或多个实施例中，多个向量处理单元被配置成用于进行并行处理，其中所述多个向量处理单元中的单个向量处理单元针对多层过程中的每个层执行圆周卷积、求和以及非线性函数的应用，并且其中所述多层过程中的每个层将层特定的第一和第二加权向量用于所述圆周卷积。16.在一个或多个实施例中，在所述单个向量处理单元处改变用于圆周卷积的层特定的第一和第二加权向量以对应于多层过程中的每个层。17.在一个或多个实施例中，一种用于从雷达信号估计doa的方法涉及在包括处理电路系统和耦合到所述处理电路系统的存储器并且连接到雷达收发器的信号处理单元的向量处理单元处：接收天线输入向量，所述天线输入向量是由天线阵列的每个天线接收的雷达返回信号振幅的表示；接收角度谱向量，所述角度谱向量指示返回信号源自对应于所述向量的每个分量的角度范围的可能性；从所述存储器检索所述向量处理单元的第一加权向量和第二加权向量；在圆周卷积引擎处，通过利用所述第一加权向量执行所述天线输入向量的圆周卷积来生成已处理天线输入向量；在所述圆周卷积引擎处，通过利用所述第二加权向量执行所述角度谱向量的圆周卷积来生成已处理角度谱向量；以及在激活函数引擎处，通过将非线性激活函数应用于所述已处理天线输入向量和所述已处理角度谱向量的总和来生成已优化角度谱向量，其中所述非线性激活函数指定输入分量值与输出分量值之间的非线性映射；其中所述处理电路系统基于由所述向量处理单元中的每一者生成的已优化角度谱向量而输出指示一个或多个雷达目标相对于所述天线阵列的估计角位置的最终角度谱向量。18.在一个或多个实施例中，所述信号处理单元包括以下初始步骤：接收所述天线输入向量；从所述存储器检索所述初始向量处理单元的加权向量；通过利用所述加权向量执行所述天线输入向量的圆周卷积来生成已处理天线输入向量；以及通过将非线性激活函数应用于所述已处理天线输入向量来生成已优化角度谱向量，其中所述非线性激活函数指定输入向量分量值与输出向量分量值之间的非线性映射。19.在一个或多个实施例中，非线性函数是基于sigmoid的平滑软阈值化函数。20.在一个或多个实施例中，多个向量处理单元被配置成用于管线化处理，其中多个向量处理单元的每个向量处理单元利用特定于所述多个向量处理单元的第一和第二加权向量执行圆周卷积。21.在一个或多个实施例中，所述向量处理单元被串行连接成使得来自串行连接的向量处理单元中的第一向量处理单元的已优化角度谱向量作为所述角度谱向量提供到串行连接的向量处理单元中的下一向量处理单元。22.在一个或多个实施例中，天线输入向量对应于距离多普勒图中指示目标的存在的单元，并且其中所述天线输入向量由所述多个向量处理单元针对圆周卷积使用对于所述多个向量处理单元中的每一者是唯一的第一和第二加权向量串行地处理。23.在一个或多个实施例中，多个向量处理单元被配置成用于进行并行处理，其中所述多个向量处理单元中的单个向量处理单元针对多层过程中的每个层执行圆周卷积、求和以及非线性函数的应用，并且其中所述多层过程中的每个层将层特定的第一和第二加权向量用于所述圆周卷积。24.在一个或多个实施例中，在所述单个向量处理单元处改变用于圆周卷积的层特定的第一和第二加权向量以对应于多层过程中的每个层。25.根据以下结合附图进行的以本发明的原理为例示出的详细描述，本发明的其它方面将变得显而易见。附图说明26.图1示出集成到车辆中的雷达系统的视场(fov)。27.图2描绘雷达系统的实施例，所述雷达系统被配置成实施圆周卷积以确定对象的doa，并且可集成到如图1中所示的车辆中。28.图3描绘用于图2的雷达系统的天线阵列的例子。29.图4是可用于实施圆周卷积学习型迭代收缩阈值化(cc-lista)的示例网络结构的功能框图。30.图5描绘从cc-lista输出的角度谱向量的例子。31.图6是可用于训练cc-lista的示例网络结构的功能框图。32.图7a是fista、t-lista、cc-lista256和cc-lista32方法的精度与目标数目的图。33.图7b是fista、t-lista、cc-lista256和cc-lista32方法的召回率与目标数目的图。34.图7c是fista、t-lista、cc-lista256和cc-lista32方法的平均定位误差与目标数目的图。35.图7d是fista、t-lista、cc-lista256和cc-lista32方法的性能度量表。36.图8a是一个目标的振幅与角度分区指数的图。37.图8b是两个目标的振幅与角度分区指数的图。38.图8c是三个目标的振幅与角度分区指数的图。39.图8d是四个目标的振幅与角度分区指数的图。40.图8e是五个目标的振幅与角度分区指数的图。41.图8f是六个目标的振幅与角度分区指数的图。42.图9示出以管线化方式实施的cc-lista的例子。43.图10示出以并行方式实施的cc-lista的例子。44.图11是用于从雷达信号估计doa的方法的过程流程图。45.在整个描述中，类似的附图标号可用于标识类似的元件。具体实施方式46.在以下描述中，阐述了各种具体细节以描述具体例子以便更好地理解本公开。然而，本领域的技术人员应清楚，可在无需下文给出的全部特定细节的情况下实践一个或多个其它例子和/或这些例子的变型。在其它情况下，并未详细描述众所周知的特征，以免使本文中的例子的描述模糊不清。为了便于说明，可在不同图中使用相同附图标号来指代相同元件或相同元件的额外实例。另外，尽管可能在一些情况下在个别图中描述各方面和特征，但应了解，来自一个图或实施例的特征可与另一图或实施例的特征组合，即使所述组合并未明确示出或明确描述为组合也如此。47.如可能了解的，本文所描述的例子可经由雷达信号收发器电路系统在汽车应用中使用，所述雷达信号收发器电路系统具有经由发送天线发送啁啾序列并经由接收天线接收响应性啁啾的前端电路系统，以及具有用以准备待发送的信号并解释反射的逻辑和/或计算机处理电路系统。在一个或多个实施例中，啁啾序列可以是线性增大的频率信号(例如，线性频率调制(lfm))，并且所发送的啁啾的反射部分返回到雷达信号收发器电路系统，如在调频连续波(fmcw)雷达系统中所常见。处理电路系统可包括模/数转换器(adc)和定时电路，以将所发送的啁啾与响应性啁啾(例如，反射)混合并从混合生成数字数据流。在操作中，发送啁啾序列(例如，频率斜坡信号)，并且所发送的信号的一部分从雷达fov中的对象反射并以给定延迟回到收发器电路系统，所述给定延迟表示适用于检测对象并任选地估计对象的距离的飞行时间。在将所接收的信号与所发送的信号混合之后，延迟产生具有拍频(或差拍信号)的正弦波信号，所述正弦波信号可在距离fft辅助下经由adc进一步处理以处理此类信号中的峰值以指示对象(也称为目标)是否存在于不同距离(例如，范围)处。通过存储数个距离fft并转置所存储的数据，可计算速度fft，并且类似地存储速度fft的结果。所得数据矩阵被称为距离多普勒图，因为所述矩阵含有关于目标的距离和多普勒信息。处理距离多普勒图，并且将峰值标识为目标，其中生成目标列表作为收发器的输出。可使用二维或三维快速傅立叶变换(2d-fft或3d-fft)生成目标列表以示出每个目标的位置和速度。48.用于车辆传感器系统的现有技术水平的成像雷达系统通常包括用于高分辨率doa估计的稀疏代码处理，所述稀疏代码处理使用处于变换后的状态的雷达信号的基本稀疏性来恢复个别信号。稀疏代码处理具有一些缺点，可包括：1)用以估计稀疏代码的迭代优化需要许多迭代来收敛并且可能不适合实时ad和adas应用；以及2)关于基本数据分布的先前假设通常不会反映现实世界数据分布，这可能使性能达不到最优。此类缺点往往会使领域专家花费数小时调谐常规算法的参数以实现可接受的性能。最近，用较大数据集训练的深度神经网络(dnn)已应用于doa估计问题。然而，成功至少部分地受到限制，因为1)纯数据驱动的模型需要大量标注的训练数据来确保在经历分布外输入时的稳健性，而为现实世界情境创建标注是种资源密集的努力；以及2)传统dnn在计算上是繁重的并且需要大量存储器，并且可能需要修剪和优化以实现在较低大小、重量和功率(swap)硬件中的实施。49.根据本发明的实施例，公开了用于使用雷达系统估计doa的系统和方法。所述系统和方法应用圆周卷积以生成高分辨率doa估计值，这使得雷达fov中的多个间隔紧密的对象能够彼此可靠地区分开。在一个或多个实施例中，雷达系统包括天线阵列、连接到天线阵列的雷达收发器以及信号处理单元，所述信号处理单元连接到雷达收发器并包括处理电路系统和耦合到所述处理电路系统的存储器。所述处理电路系统包括多个向量处理单元，每个向量处理单元被配置成：接收天线输入向量，所述天线输入向量是由天线阵列的每个天线接收的雷达返回信号振幅的表示；接收角度谱向量，所述角度谱向量指示返回信号源自对应于所述向量的每个分量的角度范围的可能性；从所述存储器检索所述向量处理单元的第一加权向量和第二加权向量；通过利用所述第一加权向量执行所述天线输入向量的圆周卷积来生成已处理天线输入向量；通过利用所述第二加权向量执行所述角度谱向量的圆周卷积来生成已处理角度谱向量；并且通过将非线性激活函数应用于所述已处理天线输入向量和所述已处理角度谱向量的总和来生成已优化角度谱向量，其中所述非线性激活函数指定输入分量值与输出分量值之间的非线性映射；并且其中所述处理电路系统被配置成基于由所述向量处理单元中的每一者生成的已优化角度谱向量而输出指示一个或多个雷达目标相对于所述天线阵列的估计角位置的最终角度谱向量。应用圆周卷积以实施doa估计可提高雷达系统的性能，尤其是并入车辆传感器系统中的雷达系统的性能，因为doa估计1)不需要关于包括对象数目的对象分布的假设，由此增加对于现实世界情境的通用性并提高稳健性，2)可实施于具有较小存储器和计算占用面积以及简单数学运算的硬件中，这有助于设计具有更简单指令集的更小硬件ip块，并且3)可利用与已知端对端数据驱动方法相比相对小的训练数据集和更少的训练资源实施。50.图1示出集成到相对于x和y轴定向的车辆104中的雷达系统102的视场(fov)100。具体地说，图1是示出fov的方位角分量(例如，在y轴中)的俯视图，而fov的仰角分量(例如，在z轴中)可由车辆的侧视图示出。图1还示出在雷达系统的fov中的两个对象106(也称为目标)和对应于所述对象中的一者的doa的角度108。如图1中所示，doa是y轴与雷达系统和对象之间的直线之间的角度。如下文所描述，雷达系统被配置成实施圆周卷积以确定对象的doa。尽管图1中未示，但雷达系统可包括能够实现多个不同fov的组件，例如，短程雷达、中程雷达和长程雷达。如本领域中已知，车辆雷达系统可适用于结合ad和adas特征，例如自动巡航控制、自动紧急制动和前侧来车预警(front-crosstrafficalert)。51.图2描绘雷达系统202的实施例，所述雷达系统被配置成实施圆周卷积以确定对象的doa，并且可集成到如图1中所示的车辆104中。雷达系统包括天线阵列210、雷达收发器212和通过接口216连接到收发器的信号处理单元214，所述接口216例如由移动行业处理器接口(mipi)联盟所指定的相机串行接口(csi)。52.天线阵列210可以是本领域中已知的天线阵列。图3描绘用于雷达系统的天线阵列310的例子，所述天线阵列310包括：发送天线的阵列318(发送天线阵列)，其包括多个发送天线320；以及接收天线的阵列322(接收天线阵列)，其包括多个接收天线324。例如，发送天线和接收天线是被配置成用于例如75-76ghz的特定波长范围的贴片天线。在图3的例子中，发送天线沿z维度配置成四个天线的线性阵列，而接收天线沿y维度配置成十二个天线的线性阵列。在一个或多个实施例中，发送天线沿z维度以例如λ/2(其中λ是用于线性频率调制的波长范围的中心波长)均匀间隔开，而接收天线沿y维度以例如λ/2的间隔均匀间隔开。发送天线和接收天线的配置可与不同mimo处理技术一起用以在仰角和方位角两者中估计doa。尽管参考图3描述了示例天线阵列，但天线阵列的其它配置是可能的，包括天线的数目、间隔(均一或稀疏)和天线的位置。在一个实施例中，存在具有稀疏间隔的四个发送天线和八个接收天线，然而，天线的其它组合也是可能的。53.返回到图2，收发器212可包括发送和接收组件，例如滤波器、混合器、功率放大器、低噪声放大器、数/模转换器(dac)和模/数转换器(adc)，所述发送和接收组件被配置成生成具有从由天线阵列210的每个接收天线接收的雷达信号的振幅导出的分量值的天线输入向量。在一个或多个实施例中，收发器是独立的集成电路(ic)装置。信号处理单元214包括距离多普勒处理引擎230、天线阵列构造引擎232、包括多个个别向量处理单元的向量处理单元236的集群234，以及存储器238。在一个或多个实施例中，距离多普勒引擎被配置成实施距离fft(例如，快速时间距离fft)和多普勒fft(例如，缓慢时间多普勒fft)，以将由天线阵列的每个天线接收的雷达返回信号振幅的输入天线向量变换成变换后的测量向量。距离多普勒引擎还可实施目标检测(例如，恒定虚警率(cfar))。天线阵列构造引擎被配置成构造向量，例如在其中检测到目标的距离多普勒图中的每个单元的mimo虚拟阵列测量向量。另外，天线阵列构造引擎可另外操作为变换引擎以通过将测量向量乘以导引向量的共轭转置(例如，厄米特转置(hermitiantranspose)，ah)而将向量投影到不同的子空间中来变换天线输入向量。然后，将对应于检测到目标的距离多普勒图中的每个单元的天线输入向量传递到向量处理单元集群以进行doa估计。例如，在一个或多个实施例中，对应于距离多普勒图中检测到目标的每个单元的天线输入向量作为变换后的测量向量从变换引擎传递到向量处理单元集群，所述变换后的测量向量通过例如将向量乘以导引向量的共轭转置(例如，厄米特转置，ah)而将所述向量投影到不同的子空间中来变换而成。如下文更详细地描述，向量处理单元集群中的向量处理单元包括圆周卷积引擎240、向量求和引擎242和激活引擎244。然而，在更详细地描述向量处理单元之前，将解释雷达系统的操作原理。54.关于操作原理的解释，首先提供关于典型的稀疏代码处理框架的一些数学背景信息，随后是关于如何达到所公开的doa估计的最终实施方案的推导，这涉及使用展开的圆周卷积。55.雷达信号模型可通过以下公式来制定：56.y＝ax+n，ꢀꢀꢀ(1)57.其中是解调后的所接收雷达信号，并且m是天线数目，是每个角度分区处的稀疏反射系数，n是角度分区的数目，n是观测到的噪声，并且a是导引矩阵，所述导引矩阵定义为：58.并且，59.其中i∈{0,1,···,n-1}。60.其中，d是天线之间的间隔，m是天线的数目，并且n是角度分区的数目(例如，可检测目标的最大数目)。在第i天线处解调之后的所接收信号通过以下公式给出：[0061][0062]对于i∈{0,1,···,m-1}，其中ck是第k目标的反射系数，φk是第k目标的相移，s是目标数目，并且是表示第k目标角度θk的归一化频率。[0063]doa估计是个欠定问题，因为m＜＜n，因此可利用x的稀疏性获得如下正确的解：[0064][0065]其中平衡了重建误差与x的稀疏性之间的权衡。然而，方程式(3)是非凸的，并且归因于l0范数，求解所述方程式是非确定性多项式时间(np)复杂度。因此，l1范数通常用于如下逼近l0范数：[0066][0067]类似于l0范数，l1范数可将解实施成稀疏的，同时使优化问题凸优化。[0068]通过使用l1范数松弛非凸性，例如迭代收缩阈值化算法(ista)的凸优化可应用于解决方程式(4)所示的问题。ista是一种迭代算法，它在每次迭代时交替地优化数据一致性(即，第一项)和解的稀疏性(即，第二项)。每次迭代时的更新如下给定：[0069]xl+1＝proxλ||·||1(xl-μah(axl-y)，[0070]＝proxλ||·||1((i-μaha)xl+μahy)，ꢀꢀꢀ(5)[0071]其中，l是迭代的指数，μ是步长，i是单位矩阵，ah是a的共轭转置(例如，厄米特转置)，λ是正则化系数，并且proxλ∥·∥1(·)是l1范数的邻近算子，软阈值化，其定义如下：[0072][0073]在上文提供的背景下，转而关注所公开的用于估计doa的技术。[0074]深度去折叠(也称为深度展开)是一种通过将算法的一次迭代转移到神经网络的一个层而将常规迭代算法去折叠为神经网络的技术。vishalmonga等人描述了此类去折叠的例子：算法展开：信号和图像处理的可解释高效深度学习(algorithmunrolling:interpretable,efficientdeeplearningforsignalandimageprocessing)，ieee信号处理杂志，38(2):18-44，2021年。学习型ista(lista)是ista的去折叠版本，有效地接近ista。karolgregor等人描述了lista的一个例子：稀疏编码的学习快速逼近(learningfastapproximationsofsparsecoding)，icml2010会刊，第27届国际机器学习会议，第399-406页，2010年。通过如下重新表述方程式(5)来将lista构造为l层神经网络：[0075][0076]其中l(层)的范围从0到l-1，其中l是层数目，并且设置1，其中l是层数目，并且设置和以及作为学习参数。这类似于多层感知器，其中邻近算子用作激活。与ista相比，lista可通过在训练期间从数据中学习最优参数而以更少的迭代实现更稳健的性能。另外，与模型不可知和端到端数据驱动的神经网络相比，通过基于基本物理模型制定神经网络，需要更少的学习参数，这允许更容易、更快的训练和更好的通用化。[0077]由于学习参数的大小(具有ln2大小的wt，其中l是层数目，并且n2是矩阵的大小，其中n是角度分区的数目)仍然很大，因此上文所描述的模型可能仍具有缺点。在此上下文内，如rongfu等人所述，已提出使用托普利兹lista(toeplitzlista，t-lista)：用于多维谐波检索的结构化lista(structuredlistaformultidimensionalharmonicretrieval)，ieee信号处理汇刊，69:3459-3472，2021年。根据t-lista，利用aha是托普利兹矩阵的事实，用卷积替换方程式(7)中第一项的矩阵乘法。因为aha是托普利兹矩阵，所以方程式(5)中的矩阵(i-μaha)也变为托普利兹矩阵。因此，托普利兹约束可应用于wt。应注意，托普利兹矩阵和向量的乘法可通过两个向量的卷积来构造。由此，t-lista可表达为：[0078][0079]其中是替代的学习参数。这导致参数的数目从降到然而，矩阵we仍然保留在t-lista中，这是另一个高需求的计算开销。[0080]给定上述估计doa的方法，在空间不变性假设下，可用圆周卷积替换lista中的矩阵乘法。也就是说，空间不变性由每个天线对/角度分区处的所接收信号之间的相移是恒定的这一事实产生。通过考虑角度域中的问题，空间不变性假设适用于doa估计。在空间不变性假设下，aha被证明是用来减少学习参数数目和减少所需的计算操作数目的循环矩阵。特别地，如果在方程(1)的两边均乘以项而忽略噪声，则方程可表示为：[0081][0082]此处，是一个循环矩阵，其列(或等同地，其行)由向量的循环移位版本构成。因此，方程式(9)可重写为：[0083][0084]其中其中是的第一列，并且表示圆周卷积。考虑到是y的零填充傅立叶变换，方程式(10)表明天线输入向量，例如，变换后的测量向量可表示为阵列响应和每个角度分区x处的目标振幅的圆周卷积。[0085]因此，本文中的实施例修改了先前的lista方法，以利用圆周卷积代替矩阵乘法运算。此类实施例在本文中称为圆周卷积lista(“cc-lista”)。描述cc-lista的方程式可通过利用如下的圆周卷积导出：[0086][0087]其中和是学习参数，统称为加权向量，其中l(层)范围从0到l-1，并且wc是循环矩阵。推导的事实依据是，循环矩阵的乘积也是循环矩阵。根据数学推导，加权向量和的大小应为n。然而，已发现内核大小k可小于n。在一个或多个实施例中，为了满足频域中的圆周卷积的性质，内核以零填充以使两个阵列大小相同。然而，如果在空间域中实施圆周卷积，则内核的零填充是不必要的。[0088]通过辨识空间不变性约束，与lista和t-lista相比，cc-lista的实施需要少得多数目的学习参数(例如，加权向量中的参数更少)。也就是说，用圆周卷积替换lista中的矩阵乘法允许减少学习参数的数目。例如，每层所需的学习参数的数目是2k+1，其中k是cc-lista的内核大小(例如，每个加权向量和为k个学习参数，而λl为1个)，而lista和t-lista需要n2+mn+1个(为n2个，为mn个，而λ为1个)和2n+mn个(为2n–1个，为mn个，而λ为1个)学习参数。因此，cc-lista在计算上比对应的lista和t-lista实施方案更高效。例如，cc-lista的一次迭代的复数乘法-累加(mac)运算的数目是2kn+n(例如，具有加权向量和的圆周卷积为kn，并且软阈值化为n)，而用于lista和t-lista的复数mac运算是n2+mn+n(具有的矩阵乘法或具有的卷积为n2，具有的矩阵乘法为mn，并且软阈值化为n)，例如，当2kn+n《n2+mn+n(k《(m+n)/2)时。下文参考图7a-7d提供包括mac运算在内的性能特性的额外比较。[0089]图4是可用于实施cc-lista的称作圆周卷积神经网络的示例网络结构450的功能框图。在图4的例子中，用于估计doa的过程被实施为l层cc-lista，其中每个层436实施至少一个圆周卷积和非线性激活函数。如下文所描述，图4的圆周卷积神经网络可经由图2的雷达系统202中的信号处理单元214的向量处理单元236的集群234和存储器238来实施。[0090]参考图4并从左移到右，在第一层(例如，层1)处，接收天线输入向量。在一个或多个实施例中，天线输入向量被接收为变换后的测量向量所述变换后的测量向量在信号处理单元(图2的214)通过使对应向量乘以导引向量的共轭转置而将天线阵列的每个天线接收的雷达返回信号振幅变换到不同子空间中而生成。通过利用从存储器中检索的加权向量(即，层特定的天线频谱加权向量)执行天线输入向量的圆周卷积440来生成已处理天线输入向量。接下来，通过将非线性激活函数444(λ0)(例如，软阈值化函数，例如基于sigmoid的平滑软阈值化函数)应用于已处理天线输入向量来生成已优化角度谱向量(x1)。在一个或多个实施例中，非线性激活函数指定输入分量值与输出分量值之间的非线性映射。[0091]在第二层(例如，层2)处，接收天线输入向量和已优化角度谱向量(x1)。通过利用第一加权向量(即，层特定的天线频谱加权向量)执行天线输入向量的圆周卷积440来生成已处理天线输入向量，并且通过利用第二加权(即，层特定的角度谱加权向量)执行已优化角度谱向量(x1)的圆周卷积440来生成已处理角度谱向量。接下来，通过将非线性激活函数444(λ1)(例如，软阈值化函数)应用于已处理天线输入向量和已处理角度谱向量的总和(442)来生成另一已优化角度谱向量(x2)。在一个或多个实施例中，非线性激活函数指定输入分量值与输出分量值之间的非线性映射。在一个或多个实施例中，向量处理单元检索数据，所述数据描述所述向量处理单元的适当非线性激活函数，例如，用于层1的λ1、用于层2的λ2和用于层l的λl-1。在一个非限制性例子中，向量处理单元检索明确地描述函数的输入值到输出值的映射的数据点。在另一非限制性例子中，向量处理单元检索足以重建所述函数的参数值，其非限制性例子包括所述函数的最小值、所述函数的最大值、标识对应于所述函数的阈值的输入值的宽度参数和指示所述输入值的偏移参数。[0092]针对圆周卷积神经网络中的每个层重复所述过程。例如，层的数目可在10-30的范围内，并且在一个实施例中，层的数目为30(l＝30)，但其它的层数目也是可能的。在第l层(例如，层l)处，接收天线输入向量和已优化角度谱向量(xl-1)。通过利用第一加权向量(即，层特定的天线频谱加权向量)执行天线输入向量的圆周卷积440来生成已处理天线输入向量，并且通过利用第二加权向量(即，层特定的角度谱加权向量)执行已优化角度谱向量(xl-1)的圆周卷积440来生成已处理角度谱向量。接下来，通过将非线性激活函数444(λl-1)(例如，软阈值化函数)应用于已处理天线输入向量和已处理角度谱向量的总和(442)来生成另一已优化角度谱向量(xl)。在一个或多个实施例中，非线性激活函数指定输入分量值与输出分量值之间的非线性映射。[0093]因为在所述过程中，层l是最末层，所以已优化角度谱向量(xl)被视为最终角度谱向量。也就是说，第l角度谱向量(xl)可用于生成一个或多个雷达目标相对于雷达系统的天线阵列的最终doa估计值。所述角度谱向量指示返回信号源自对应于角度谱向量的每个分量的角度范围的可能性。图5描绘从被配置成实施cc-lista的网络结构450输出的角度谱向量(x)552的例子。在图5的例子中，角度谱向量包括对应于256个角度分区554的256个值，例如，n＝256)，并且角度谱向量中的每个值是指示目标的存在或不存在的系数，例如，每个值是表示反射系数的量值和相位的估计值的复数值。[0094]在一个或多个实施例中，图4的圆周卷积神经网络450在图2的信号处理单元214的向量处理单元236的集群234中实施。例如，每个层处的圆周卷积440由每个向量处理单元236的圆周卷积引擎240执行，每个层处的向量求和442由每个向量处理单元的向量求和引擎242执行，并且非线性函数444由每个向量处理单元的激活引擎244执行。在一个或多个实施例中，向量处理单元实施于包括特定地配置成执行对应圆周卷积、求和以及激活操作的硬件电路的专用集成电路(asic)中。例如，每个向量处理单元包括专用于执行圆周卷积的单元特定的圆周卷积电路、专用于执行求和的单元特定的求和电路以及专用于执行非线性激活函数的单元特定的激活函数电路。在一个或多个实施例中，信号处理单元214在硬件中实施为独立ic装置，例如，其中对应于距离多普勒处理引擎230的电路、对应于天线阵列构造引擎232的电路、对应于向量处理单元236的集群的电路以及对应于存储器238制造于同一半导体基板上的电路。[0095]应了解，尽管图4的第一层436被描绘为仅接收天线输入向量作为输入，但在一个或多个实施例中，第一层436和后续层436可由可用于接收两个输入的基本上相同的向量处理单元(例如，向量处理单元236)实施。在一个或多个实施例中，实施第一层的向量处理单元可被配置成仅接收一个输入向量。在一个或多个实施例中，实施第一层436的向量处理单元可被提供零值向量作为第二输入。[0096]执行实验以表征根据本文中的实施例的并入有cc-lista的雷达信号处理装置的性能特性，并且下文描述这些实验的定性和定量结果以示出根据本文中的实施例的方法和装置的特征。例如，在软件中模拟各种技术(例如，补零fft、fista、t-lista和cc-lista)，并且使用模拟进行实验。使用如上文所描述的雷达信号模型以合成方式生成训练数据、验证数据和测试数据。在一个示例实验中，天线的数目m为32，并且角度分区的数目n为256并且针对训练生成16,384个样本。为了模拟一个训练数据，从集合{1,2,…,6}随机选择目标的数目，接着从[0,1)(例如，0≤fk《1)随机确定归一化频率(即，角位置)。对于反射系数(x)，由于其为复数，因此其量值和相位分别选自[0.8,1]和[0,2π)(例如，0≤x《2π)。以相同方式模拟验证数据，并且生成256个样本。验证数据用于监测训练和用于模型选择。对于测试集，生成总共1,536个样本，但目标的数目均等地分布(例如，256×6)，这与训练和验证数据集不同。[0097]由于目标是根据doa估计发现目标，因此最终解决方案中的相位信息不是必要的。因此，损失函数利用基准真值||x||和恢复的信号的量值进行计算。结构相似性(ssim)损失用作损失函数，其通过下式给出：[0098][0099]ssim损失通常在图像重建中重建边缘时比其它损失函数(例如均方误差或平均绝对误差)表现得更好。因此，稀疏信号的结构可通过ssim损失更好地捕捉。[0100]图6是可用于训练cc-lista的示例圆周卷积神经网络650的功能框图。如图6中所示，训练集包括变换后的测量向量和对应的角度谱向量(x)作为基准真值。根据损失函数668确定损失，并且将损失返回到层636以训练层特定的加权向量和[0101]在特定例子中，评估具有内核大小k＝256(cc-lista256)和k＝32(cc-lista32)的两个30层(l＝30)的cc-lista网络。加权向量和的复数学习参数使用遵循格洛洛准则(glorotcriterion)的瑞利初始化(rayleighinitialization)进行初始化。通过最小化具有0.0001的学习速率的ssim损失来执行训练。批量大小为256，并且历元的数目为5000。通过添加高斯噪声(gaussiannoise)来干扰训练数据，使得信噪比变为30db以反映噪声并实现更好的通用化。为了避免在反向传播期间通过软阈值化使梯度为零，将基于sigmoid的平滑软阈值化操作用作非线性激活函数予以替代，这可由下式给出：[0102][0103]将快速ista(fista)和t-lista选择为比较cc-lista的性能的基线方法。fista是ista的变体，它提高了ista从到的收敛速率。对于结合fista的实验，将迭代次数设置为1,000，其中λ＝1。30层t-lista网络和30层cc-lista均在基于软件的实验中实施。然而，为了训练t-lista，归因于其大量学习参数，在500个历元下使用1,048,576个训练数据样本。其它训练设置与cc-lista的训练设置相同。[0104]在使用真实目标和估计目标的模拟中评估了doa估计的性能。首先，基于其成对距离，将估计目标与真实目标相关联。然而，将估计目标与其最接近的真实目标相关联可能成问题，因为真实目标可能与多个估计目标配对。因此，这被表述为线性指派问题以避免此类情况。在将成对距离设置为成本矩阵后，找到最优对。[0105]在数据关联之后，基于其定位误差确定估计目标是正确肯定还是错误肯定。如果到配对的真实目标的距离低于某个阈值，则将估计目标分类为正确检测，否则将估计目标分类为错误检测。此处，选择了两个角度分区的阈值，其中256个角度分区在归一化频率[0,1)中统一定义。[0106]对于定量评估，考虑精度、召回率和平均定位误差μe，定义如下：[0107][0108][0109][0110]其中tp是正确肯定数目，fp是错误肯定数目，fn是错误否定数目，并且ei是第i对的定位误差。应注意，仅利用正确肯定计算出定位误差。另外，在具有amdryzen55600x的计算机器上测量cpu时间。尽管根据本文中的实施例的装置可实施为asic，但模拟此类装置的操作所需的cpu时间的测量可用以估计本文中的实施例的计算效率。针对测试数据的fista、t-lista、cc-lista256和cc-lista32方法的基于软件的模拟的精度、召回率、定位误差和处理时间如图7a-7d所示。图7a是fista、t-lista、cc-lista256和cc-lista32方法的精度与目标数目的图，图7b是fista、t-lista、cc-lista256和cc-lista32方法的召回率与目标数目的图，而图7c是fista、t-lista、cc-lista256和cc-lista32方法的平均定位误差与目标数目的图。如图所示，cc-lista256和cc-lista32方法的性能与fista和t-lista方法相同或更好。图7d是fista、t-lista、cc-lista256和cc-lista32方法的性能度量表。值得注意的是，相对于fista和t-lista方法，cc-lista256和cc-lista32方法在cpu时间、mac数目和学习参数数目方面示出显著的改进。[0111]图8a-8f描绘相对于补零fft、fista、t-lista和cc-lista256方法同时在雷达fov中的不同数目的目标的振幅与角度分区指数的图。具体地说，图8a是一个目标的振幅与角度分区指数的图，图8b是两个目标的振幅与角度分区指数的图，图8c是三个目标的振幅与角度分区指数的图，图8d是四个目标的振幅与角度分区指数的图，图8e是五个目标的振幅与角度分区指数的图，并且图8f是六个目标的振幅与角度分区指数的图。如图8a-8f中所示，就解析目标来说，cc-lista256比其它方法表现好得多，其中旁瓣和错误否定更少。[0112]上述cc-lista可经由向量处理单元以不同方式实施。例如，cc-lista可以管线化方式或以并行方式实施。图9示出利用串行连接的向量处理单元936以管线化方式实施的cc-lista的例子。在图9的例子中，距离多普勒图中对应于有效目标检测的每个单元被依序传送到向量处理单元936的集群934中，例如，每个单元被传送为天线输入向量，例如表示由天线阵列的每个天线接收的雷达信号振幅的变换后的测量向量集群中的每个向量处理单元936实施多层圆周卷积神经网络的一个层，其中圆周卷积神经网络的层对应于参考图4所描述的层。例如，从左到右，层1由第一向量处理单元实施，层2由第二向量处理单元实施，层3由第三向量处理单元实施，并且层l由第四向量处理单元实施。每个向量处理单元被加载有从信号处理单元914的存储器(未示出)检索的对应的层特定的加权向量(和)，并且对应于每个距离多普勒单元的天线频谱向量按次序通过神经网络的各层(例如，从第一层到l-1层，其中l是层的数目)进行依次处理。另外，在一个或多个实施例中，层特定的向量处理单元从存储器中检索数据，所述数据描述了所述向量处理单元的适当非线性激活函数，例如，用于层1的λ1、用于层2的λ2和用于层l的λl-1。如果存在比cc-lista中的层更多的向量处理单元，则每个层可在专用向量处理单元中实施。然而，如果存在比cc-lista中的层更少的向量处理单元，则可实施调度方案以高效地管理在圆周卷积引擎处的层特定的加权向量的加载。[0113]图10示出以并行方式实施的cc-lista的例子。此处，距离多普勒图中对应于有效目标检测的每个单元被并行传送到向量处理单元1036的集群1034中，例如，每个单元被传送为天线输入向量，例如表示由天线阵列的每个天线接收的雷达信号振幅的变换后的测量向量集群中的每个向量处理单元1036实施cc-lista的所有l个层，其中对于每个层特定的迭代，将层特定的加权向量(和)从存储器(未示出)加载到圆周卷积引擎中。也就是说，在逐层的基础上，以顺序方式向单个向量处理单元加载每个层特定的加权向量(和)和层特定的激活函数(例如，用于层1的λ1、用于层2的λ2和用于层l的λl-1)，以处理对应于一个距离多普勒单元的角度谱向量所述过程可在一组向量处理单元上重复，以并行处理多个不同的单元。[0114]尽管描述了管线化和并行处理的两个具体例子，但其它方法也是可能的。另外，在一些实施例中，混合管线化/并行方法是可能的。此外，有可能在一些情况下，管线化方法比并行方法进行得更好，而在其它情况下，并行方法比管线化方法进行更好。[0115]图11是用于在信号处理单元的向量处理单元处从雷达信号估计doa的方法的过程流程图，所述信号处理单元包括处理电路系统和耦合到所述处理电路系统的存储器，并且连接到雷达收发器。在框1102处，接收天线输入向量，所述天线输入向量是由天线阵列的每个天线接收的雷达返回信号振幅的表示。在框1104处，过程涉及接收角度谱向量，所述角度谱向量指示返回信号源自对应于所述向量的每个分量的角度范围的可能性。在框1106处，过程涉及从存储器检索用于所述向量处理单元的第一加权向量和第二加权向量。在框1108处，过程涉及在圆周卷积引擎处通过利用第一加权向量执行所述天线输入向量的圆周卷积来生成已处理天线输入向量。在框1110处，过程涉及在圆周卷积引擎处通过利用第二加权向量执行角度谱向量的圆周卷积来生成已处理角度谱向量。在框1112处，过程涉及在激活函数引擎处，通过将非线性激活函数应用于已处理天线输入向量和已处理角度谱向量的总和来生成已优化角度谱向量，其中非线性激活函数指定输入分量值与输出分量值之间的非线性映射；其中处理电路系统基于由每个向量处理单元生成的已优化角度谱向量而输出指示一个或多个雷达目标相对于天线阵列的估计角位置的最终角度谱向量。[0116]本公开的各方面适用于涉及用于实现提高至少在到达方向(doa)方面的空间不明确性的分辨率的雷达感测的各种不同类型的设备、系统和方法。当在用于自动巡航控制(acc)、前方交通穿行警示(fcta)和自动紧急制动(aeb)的汽车应用的背景下使用时，本公开的某些方面已被证明是有益的。在一些实施例中，成像雷达使用多个不同视场来满足与不同前视型汽车应用相关联的要求。虽然出于论述的目的可使用此类方面和应用来描述本文中论述的例子，但应了解，与本公开相关联的其它方面和实施例不一定受限于此。[0117]本发明的实施例可完全实施于硬件或含有硬件元件和软件元件的实施方案中。在一个或多个实施例中，向量处理单元在硬件中实施为asic，其中特定硬件电路(包括逻辑和存储器)被配置成实施每个向量处理单元的圆周卷积引擎、向量求和引擎和激活引擎。在使用软件的实施例中，所述软件可包括但不限于固件、常驻软件、微码等。[0118]还应注意，本文描述的方法的至少一些操作可使用存储在计算机可用存储介质(例如，存储器电路)上的软件指令来实施，以供数字基带处理器执行。例如，计算机程序产品的实施例包括用于存储计算机可读程序的计算机可用存储介质。[0119]所述计算机可用或计算机可读存储介质可以是电子、磁性、光学、电磁、红外线或半导体系统(或设备或装置)。非暂时性计算机可用和计算机可读存储介质的例子包括半导体或固态存储器、磁带、可移除计算机磁盘、随机存取存储器(ram)、只读存储器(rom)、硬磁盘和光盘。光盘的当前例子包括具有只读存储器的光盘(cd-rom)、带读取/写入的光盘(cd-r/w)以及数字视频光盘(dvd)。[0120]尽管以特定次序示出和描述本文中的方法的操作，但可变更每个方法的操作次序，使得某些操作可按逆序执行，或使得某些操作可与其它操作至少部分地同时执行。在另一实施例中，不同操作的指令或子操作可以间断和/或交替方式实施。[0121]虽然已描述和示出本发明的具体实施例，但本发明不限于如此描述和示出的部件的具体形式或布置。本发明的范围将由本文所附的权利要求书和其等同物限定。当前第1页12当前第1页12
技术特征：
1.一种雷达系统，其特征在于，包括：天线阵列；雷达收发器，其连接到所述天线阵列；和信号处理单元，其连接到所述雷达收发器并且包括处理电路系统和耦合到所述处理电路系统的存储器，其中所述处理电路系统包括多个向量处理单元，每个向量处理单元被配置成：接收天线输入向量，所述天线输入向量是由所述天线阵列的每个天线接收的雷达返回信号振幅的表示；接收角度谱向量，所述角度谱向量指示返回信号源自对应于所述向量的每个分量的角度范围的可能性；从所述存储器检索所述向量处理单元的第一加权向量和第二加权向量；通过利用所述第一加权向量执行所述天线输入向量的圆周卷积来生成已处理天线输入向量；通过利用所述第二加权向量执行所述角度谱向量的圆周卷积来生成已处理角度谱向量；并且通过将非线性激活函数应用于所述已处理天线输入向量和所述已处理角度谱向量的总和来生成已优化角度谱向量，其中所述非线性激活函数指定输入分量值与输出分量值之间的非线性映射；其中所述处理电路系统被配置成基于由所述向量处理单元中的每一者生成的已优化角度谱向量而输出指示一个或多个雷达目标相对于所述天线阵列的估计角位置的最终角度谱向量。2.根据权利要求1所述的雷达系统，其特征在于，所述信号处理单元包括初始向量处理单元，所述初始向量处理单元被配置成：接收所述天线输入向量；从所述存储器检索所述初始向量处理单元的加权向量；通过利用所述加权向量执行所述天线输入向量的圆周卷积来生成已处理天线输入向量；并且通过将非线性激活函数应用于所述已处理天线输入向量来生成已优化角度谱向量，其中所述非线性激活函数指定输入向量分量值与输出向量分量值之间的非线性映射。3.一种装置，其特征在于，包括：信号处理单元，其包括处理电路系统和耦合到所述处理电路系统的存储器，其中所述处理电路系统包括多个向量处理单元，每个向量处理单元被配置成：接收天线输入向量，所述天线输入向量是由天线阵列的每个天线接收的雷达返回信号振幅的表示；接收角度谱向量，所述角度谱向量指示返回信号源自对应于所述向量的每个分量的角度范围的可能性；从所述存储器检索所述向量处理单元的第一加权向量和第二加权向量；通过利用所述第一加权向量执行所述天线输入向量的圆周卷积来生成已处理天线输入向量；
通过利用所述第二加权向量执行所述角度谱向量的圆周卷积来生成已处理角度谱向量；并且通过将非线性激活函数应用于所述已处理天线输入向量和所述已处理角度谱向量的总和来生成已优化角度谱向量，其中所述非线性激活函数指定输入分量值与输出分量值之间的非线性映射；其中所述处理电路系统被配置成基于由所述向量处理单元中的每一者生成的已优化角度谱向量而输出指示一个或多个雷达目标相对于所述天线阵列的估计角位置的最终角度谱向量。4.根据权利要求3所述的装置，其特征在于，所述信号处理单元包括初始向量处理单元，所述初始向量处理单元被配置成：接收所述天线输入向量；从所述存储器检索所述初始向量处理单元的加权向量；通过利用所述加权向量执行所述天线输入向量的圆周卷积来生成已处理天线输入向量；并且通过将非线性激活函数应用于所述已处理天线输入向量来生成已优化角度谱向量，其中所述非线性激活函数指定输入向量分量值与输出向量分量值之间的非线性映射。5.根据权利要求3所述的装置，其特征在于，所述多个向量处理单元被配置成用于管线化处理，其中所述多个向量处理单元中的每个向量处理单元利用特定于所述多个向量处理单元的第一和第二加权向量执行所述圆周卷积。6.根据权利要求3所述的装置，其特征在于，所述多个向量处理单元被配置成用于进行并行处理，其中所述多个向量处理单元中的单个向量处理单元针对多层过程中的每个层执行所述圆周卷积、所述求和以及非线性函数的应用，并且其中所述多层过程中的每个层将层特定的第一和第二加权向量用于所述圆周卷积。7.一种用于从雷达信号估计到达方向(doa)的方法，其特征在于，所述方法包括：在包括处理电路系统和耦合到所述处理电路系统的存储器并且连接到雷达收发器的信号处理单元的向量处理单元处：接收天线输入向量，所述天线输入向量是由天线阵列的每个天线接收的雷达返回信号振幅的表示；接收角度谱向量，所述角度谱向量指示返回信号源自对应于所述向量的每个分量的角度范围的可能性；从所述存储器检索所述向量处理单元的第一加权向量和第二加权向量；在圆周卷积引擎处，通过利用所述第一加权向量执行所述天线输入向量的圆周卷积来生成已处理天线输入向量；在所述圆周卷积引擎处，通过利用所述第二加权向量执行所述角度谱向量的圆周卷积来生成已处理角度谱向量；以及在激活函数引擎处，通过将非线性激活函数应用于所述已处理天线输入向量和所述已处理角度谱向量的总和来生成已优化角度谱向量，其中所述非线性激活函数指定输入分量值与输出分量值之间的非线性映射；其中所述处理电路系统基于由所述向量处理单元中的每一者生成的已优化角度谱向
量而输出指示一个或多个雷达目标相对于所述天线阵列的估计角位置的最终角度谱向量。8.根据权利要求7所述的方法，其特征在于，所述信号处理单元包括以下初始步骤：接收所述天线输入向量；从所述存储器检索所述初始向量处理单元的加权向量；通过利用所述加权向量执行所述天线输入向量的圆周卷积来生成已处理天线输入向量；以及通过将非线性激活函数应用于所述已处理天线输入向量来生成已优化角度谱向量，其中所述非线性激活函数指定输入向量分量值与输出向量分量值之间的非线性映射。9.根据权利要求7所述的方法，其特征在于，所述多个向量处理单元被配置成用于管线化处理，其中所述多个向量处理单元中的每个向量处理单元利用特定于所述多个向量处理单元的第一和第二加权向量执行所述圆周卷积。10.根据权利要求7所述的方法，其特征在于，所述向量处理单元被配置成用于进行并行处理，其中所述向量处理单元中的单个向量处理单元针对多层过程中的每个层执行所述圆周卷积、求和以及非线性函数的应用，并且其中所述多层过程中的每个层将层特定的第一和第二加权向量用于所述圆周卷积。

技术总结
本公开涉及使用圆周卷积网络进行的到达方向(DOA)估计。公开用于估计到达方向的系统和方法的实施例。一种装置包括信号处理单元，信号处理单元包括处理电路系统和耦合到处理电路系统的存储器，其中处理电路系统包括多个向量处理单元，每个向量处理单元被配置成：接收天线输入向量；接收角度谱向量；从存储器检索第一和第二加权向量；通过利用第一加权向量执行天线输入向量的圆周卷积来生成已处理天线输入向量；通过利用第二加权向量执行角度谱向量的圆周卷积来生成已处理角度谱向量；并且通过将非线性激活函数应用于已处理天线输入向量和已处理角度谱向量的总和来生成已优化角度谱向量，已优化角度谱向量指示一个或多个雷达目标的角位置。雷达目标的角位置。雷达目标的角位置。


技术研发人员：尹智焕 S
受保护的技术使用者：恩智浦有限公司
技术研发日：2023.03.22
技术公布日：2023/9/26