Euro NCAP 2026 CPD儿童存在检测：从60GHz雷达到UWB的技术路线

引言：2026年强制要求

Euro NCAP 2026关键变化：

“Child Presence Detection (CPD) will become mandatory in 2026.”

核心要求：

• 必须使用直接检测方法确认儿童存在
• 间接检测（如压力传感器）不再得分
• 必须覆盖所有座椅位置

---

一、CPD技术分类

1.1 直接检测 vs 间接检测

方法	类型	Euro NCAP得分
摄像头	直接	✅ 可得分
雷达	直接	✅ 可得分
UWB	直接	✅ 可得分
压力传感器	间接	❌ 不得分
车门开关检测	间接	❌ 不得分

1.2 技术路线对比

技术	优势	劣势	适用场景
摄像头	成本低、功能多	受光线影响	DMS+OMS融合
60GHz雷达	穿透性强、全天候	分辨率有限	独立CPD
UWB雷达	高精度、低功耗	成本较高	高端车型
TOF深度	3D信息丰富	成本高	多功能融合

---

二、60GHz雷达方案

2.1 工作原理

生命体征检测原理：

60GHz雷达信号
    ↓
发射电磁波 → 反射 → 接收
    ↓
解析微动信号：
├── 呼吸运动（0.1-0.5Hz）
│   胸部起伏 → 相位变化
│
└── 心跳振动（0.8-2.0Hz）
    心脏跳动 → 微小位移

2.2 信号处理

import numpy as np
from scipy import signal

class RadarCPD:
    """
    60GHz雷达CPD检测
    """
    def __init__(self):
        # 雷达参数
        self.center_freq = 60e9  # 60GHz
        self.bandwidth = 7e9  # 7GHz带宽
        self.sample_rate = 1000  # 1kHz
        
        # 信号处理器
        self.bandpass_respiratory = signal.butter(
            4, [0.1, 0.5], btype='band', fs=self.sample_rate
        )
        self.bandpass_heart = signal.butter(
            4, [0.8, 2.0], btype='band', fs=self.sample_rate
        )
        
    def detect_vital_signs(self, radar_data):
        """
        检测生命体征
        """
        # 1. 解调获取相位信号
        phase_signal = self.demodulate(radar_data)
        
        # 2. 提取呼吸信号
        respiratory_signal = signal.filtfilt(
            self.bandpass_respiratory[0],
            self.bandpass_respiratory[1],
            phase_signal
        )
        
        # 3. 提取心跳信号
        heart_signal = signal.filtfilt(
            self.bandpass_heart[0],
            self.bandpass_heart[1],
            phase_signal
        )
        
        # 4. 计算呼吸频率
        respiratory_rate = self.compute_frequency(respiratory_signal)
        
        # 5. 计算心率
        heart_rate = self.compute_frequency(heart_signal)
        
        # 6. 判断是否有人
        is_presence = self.check_presence(respiratory_signal, heart_signal)
        
        return {
            'presence': is_presence,
            'respiratory_rate': respiratory_rate,
            'heart_rate': heart_rate
        }
    
    def demodulate(self, radar_data):
        """
        解调雷达信号
        """
        # 正交解调
        I = np.real(radar_data)
        Q = np.imag(radar_data)
        
        # 相位计算
        phase = np.arctan2(Q, I)
        
        # 相位展开
        phase_unwrapped = np.unwrap(phase)
        
        return phase_unwrapped
    
    def compute_frequency(self, signal_data):
        """
        计算主频率
        """
        # FFT
        fft_result = np.fft.fft(signal_data)
        freqs = np.fft.fftfreq(len(signal_data), 1/self.sample_rate)
        
        # 找主频
        positive_freqs = freqs[:len(freqs)//2]
        magnitude = np.abs(fft_result[:len(fft_result)//2])
        
        main_freq_idx = np.argmax(magnitude)
        main_freq = positive_freqs[main_freq_idx]
        
        # 转换为BPM
        bpm = main_freq * 60
        
        return bpm
    
    def check_presence(self, respiratory_signal, heart_signal):
        """
        判断是否有人
        """
        # 能量阈值
        respiratory_energy = np.sum(respiratory_signal**2)
        heart_energy = np.sum(heart_signal**2)
        
        # 判断条件
        if respiratory_energy > 0.1 and heart_energy > 0.01:
            return True
        
        return False

2.3 多目标检测

class MultiTargetCPD:
    """
    多目标CPD检测
    """
    def __init__(self, num_seats=5):
        self.num_seats = num_seats
        self.detectors = [RadarCPD() for _ in range(num_seats)]
        
    def scan_cabin(self, radar_frame):
        """
        扫描整个座舱
        """
        results = []
        
        # 对每个座椅区域进行分析
        for seat_id in range(self.num_seats):
            # 提取该座椅的雷达数据
            seat_data = self.extract_seat_region(radar_frame, seat_id)
            
            # 检测生命体征
            vital_signs = self.detectors[seat_id].detect_vital_signs(seat_data)
            
            results.append({
                'seat_id': seat_id,
                'presence': vital_signs['presence'],
                'respiratory_rate': vital_signs['respiratory_rate'],
                'heart_rate': vital_signs['heart_rate'],
                'is_child': self.classify_child(vital_signs)
            })
        
        return results
    
    def classify_child(self, vital_signs):
        """
        判断是否为儿童
        """
        # 儿童特征：
        # 1. 呼吸频率较高（20-30次/分）
        # 2. 心率较高（80-120次/分）
        # 3. 运动幅度较小
        
        rr = vital_signs['respiratory_rate']
        hr = vital_signs['heart_rate']
        
        if rr > 20 and rr < 35 and hr > 80 and hr < 130:
            return True
        
        return False
    
    def extract_seat_region(self, radar_frame, seat_id):
        """
        提取座椅区域的雷达数据
        """
        # 座椅位置映射
        seat_regions = {
            0: {'range': (0.5, 1.2), 'angle': (-30, -10)},  # 驾驶座
            1: {'range': (0.5, 1.2), 'angle': (10, 30)},    # 副驾
            2: {'range': (1.0, 1.8), 'angle': (-20, 0)},    # 后左
            3: {'range': (1.0, 1.8), 'angle': (0, 20)},     # 后右
            4: {'range': (1.2, 2.0), 'angle': (-10, 10)}    # 后中
        }
        
        region = seat_regions[seat_id]
        
        # 提取数据
        range_mask = (radar_frame['range'] >= region['range'][0]) & \
                     (radar_frame['range'] <= region['range'][1])
        angle_mask = (radar_frame['angle'] >= region['angle'][0]) & \
                     (radar_frame['angle'] <= region['angle'][1])
        
        seat_data = radar_frame[range_mask & angle_mask]
        
        return seat_data

---

三、UWB雷达方案

3.1 NOVELDA UWB传感器

技术特点：

特性	参数
频率范围	6-8GHz
分辨率	2cm
功耗	<50mW
检测距离	0.5-3m

3.2 技术优势

UWB雷达优势
    ↓
┌─────────────────────────────────┐
│ 高分辨率                         │
│ ├── 2cm空间分辨率                │
│ ├── 精确位置检测                 │
│ └── 多目标区分                   │
└─────────────────────────────────┘
    ↓
┌─────────────────────────────────┐
│ 穿透性强                         │
│ ├── 穿透座椅                     │
│ ├── 穿透毛毯                     │
│ └── 覆盖脚窝区域                 │
└─────────────────────────────────┘
    ↓
┌─────────────────────────────────┐
│ 低功耗                           │
│ ├── 工作电流<10mA                │
│ ├── 支持常开监控                 │
│ └── 不影响电池寿命               │
└─────────────────────────────────┘

3.3 Infineon BGT60TR13C

集成方案：

class InfineonCPD:
    """
    Infineon 60GHz雷达CPD方案
    """
    def __init__(self):
        self.radar = BGT60TR13C()
        self.ml_model = load_model('cpd_classifier.tflite')
        
    def detect(self, frame):
        """
        检测儿童存在
        """
        # 1. 获取雷达数据
        radar_data = self.radar.acquire()
        
        # 2. 提取特征
        features = self.extract_features(radar_data)
        
        # 3. ML分类
        prediction = self.ml_model.predict(features)
        
        # 4. 后处理
        if prediction['class'] == 'child':
            self.trigger_alert()
        
        return prediction

---

四、Euro NCAP测试协议

4.1 测试场景

场景	测试内容	通过标准
正常坐姿	儿童正常坐在座椅上	100%检出
被遮挡	毛毯/衣物覆盖	100%检出
脚窝位置	儿童藏在脚窝	95%检出
空座	无乘客	<5%误报
物品误检	水瓶/背包等	<5%误报

4.2 报警策略

class CPDAlertSystem:
    """
    CPD报警系统
    """
    def __init__(self):
        self.alert_levels = {
            'level_1': {
                'delay': 0,  # 立即
                'action': 'horn_honk',
                'duration': 5
            },
            'level_2': {
                'delay': 60,  # 1分钟后
                'action': 'send_notification',
                'recipients': ['owner', 'emergency']
            },
            'level_3': {
                'delay': 300,  # 5分钟后
                'action': 'call_emergency',
                'service': '112'
            }
        }
    
    def trigger_alert(self, child_detected):
        """
        触发报警
        """
        if not child_detected:
            return
        
        # Level 1: 车辆喇叭
        self.execute_alert(self.alert_levels['level_1'])
        
        # 启动定时器
        threading.Timer(
            self.alert_levels['level_2']['delay'],
            lambda: self.execute_alert(self.alert_levels['level_2'])
        ).start()
        
        threading.Timer(
            self.alert_levels['level_3']['delay'],
            lambda: self.execute_alert(self.alert_levels['level_3'])
        ).start()

---

五、方案选择建议

5.1 成本分析

方案	硬件成本	开发成本	总成本
摄像头	$15	$50k	低
60GHz雷达	$25	$30k	中
UWB雷达	$35	$20k	中高
多传感器融合	$50+	$80k	高

5.2 技术路线

短期方案（已有摄像头）：

使用现有OMS摄像头
├── 成本最低
├── 开发快
└── 受光线限制

中期方案：

60GHz雷达
├── 全天候工作
├── 覆盖脚窝
└── 技术成熟

高端方案：

摄像头+雷达融合
├── 最高可靠性
├── 多功能
└── 成本较高

---

六、总结

6.1 关键结论

结论	说明
直接检测必须	间接检测不再得分
雷达穿透性	覆盖脚窝等遮挡区域
儿童分类	基于生命体征特征
分级报警	鸣笛→通知→紧急呼叫

6.2 实施建议

1. 评估现有系统：摄像头可复用？
2. 选择技术路线：根据成本和时间
3. 数据收集：真实儿童测试数据
4. 验证测试：按Euro NCAP协议

---

参考文献

1. Euro NCAP. “CPD Test and Assessment Protocol v1.3.” 2025.
2. Infineon. “In-Cabin Monitoring System.” 2025.
3. NOVELDA. “UWB Child Presence Sensor.” 2025.
4. ABI Research. “60GHz Automotive Radar Shipments.” 2023.

---

本文是IMS Euro NCAP系列文章之一，上一篇：Euro NCAP DSM测试协议解读