在雷达感知任务中，需要对目标的到来方向（DOA）进行估计，以实现目标检测、跟踪和成像等各种应用。特别是对于汽车毫米波雷达来说，要求在高速环境下实现远距离目标检测。因此，对DOA估计的实时性和超分辨能力有更高的要求。

针对这种情况，基于深度学习的DOA估计方法具有独特的优势。然而，大多数现有的基于深度学习的方法使用了格点法，导致了网格不匹配问题，限制了它们的估计准确性和超分辨能力。

为解决上述问题，中国科学信息科学的一篇新文章提出了一个新颖的深度学习框架。该网络由两部分组成。第一部分完成多标签分类任务，输出结果是粗略网格上的DOA估计值。

而第二部分是回归任务，它进一步估计了实际DOA与网格之间的偏差，基于前一部分的结果。此外，通过跳跃连接保留了原始数据的高分辨特征，增强了区分相邻源的能力。将网络的两部分估计结果结合起来，可以得到高精度的超分辨DOA估计结果。

这项研究的结果如下：

本文提出的DOA估计方案在模拟数据和实际数据上进行了测试。采用了12个元素的均匀线性阵列配置，数组元素间距等于半波长。将所提出的方法的实验结果与许多传统的DOA估计方法和其他基于深度学习的方法进行了比较。

实验过程分为三个部分。第一部分是估计由两个角度间隔固定的源组成的一系列角度对的DOA。这些样本在一定角度范围内以固定步长变化。从结果可以得出结论，所提出的方法可以实现稳定的DOA估计，误差较小。

实验的第二部分比较了各种方法的统计特性。通过一系列的蒙特卡洛模拟，测试并比较了每种方法在不同信噪比（SNR）、快照数和角度间隔下的均方根误差（RMSE）性能。实验结果表明，所提出的方法对低信噪比和少量快照具有良好的适应性，并具有对小角度间隔源的较强分辨能力。在许多情况下，所提出的方法明显优于其他基于深度学习的方法，并且在性能上优于传统方法。

实验的最后部分是在实际数据上进行的，收集了大量作为训练数据的样本。在获得训练模型之后，使用未包含在训练集中的样本进行测试。对于实际数据的DOA估计结果表明，所提出的方法可以准确估计两个非常接近的实际目标的DOA，并且明显优于其他方法。