CPD儿童遗留检测的真正护城河正在从单传感器识别转向雷达相机融合与动态验证资产

前言

过去聊 CPD（Child Presence Detection，儿童遗留检测），很多团队第一反应还是“选哪种传感器”：

• 纯视觉
• 压力传感器
• UWB / mmWave 雷达
• 多模态融合

但从 2025-2026 的公开材料往回看，我越来越确定一件事：

CPD 的真正护城河，已经不再是某个单传感器能不能 detect，而是系统能不能把 雷达的微动能力 和 相机的语义能力 变成稳定动作，并且具备可回归的动态验证资产。

这不是“加一个雷达更稳”这么简单，而是整个 IMS/OMS 架构正在因此改写。

一、为什么单传感器路线越来越不够用

1.1 纯视觉的天花板很清楚

相机在车内监控里最大优势是语义强，能看懂：

• 座位上是谁
• 姿态大概怎样
• 是否是儿童座椅
• 是否存在明显遮挡前后的形态差异

但 CPD 最难的恰恰是这些 corner case：

• 被毯子盖住
• 被前排座椅遮挡
• 夜间低光
• 只剩微弱呼吸/心跳/轻微摆动
• 静止时间很长但仍有人体存在

这些情况对纯视觉极不友好。模型可能“看不见”，更糟糕的是它还未必知道自己看不见。

1.2 纯雷达也不是终局

雷达的优势同样明确：

• 不依赖光照
• 对遮挡更鲁棒
• 可检测微动与生命体征相关信号
• 对 sleeping infant / blanket occlusion 特别关键

但雷达的问题是语义太弱：

• 能知道有 motion / presence
• 不一定知道“是什么”
• 容易受 clutter、反射、多路径影响
• 很难单独完成高层语义解释

这意味着雷达单打独斗也不够，它更像是把“有没有活体/有没有微动”这件事补强，而不是替代相机的场景理解。

二、行业信号已经很清楚：CPD 正在走向雷达+相机融合

2025-2026 多个公开信号在同一个方向收敛：

2.1 Tobii / D3 / HTEC / TI 的单相机 + 雷达融合

公开方案里已经明确提出：

• 基于 TI TDA4VEN 做车规级推理
• 结合单相机与 60GHz mmWave 雷达
• 用于 full interior sensing
• 重点覆盖 child left behind、遮挡、黑暗、广角相机盲区 等 corner cases

这个信号很重要，因为它说明融合已经不只是实验室论文，而是在往 cost-efficient量产架构 靠。

2.2 CES 2026 上 Novelic 等方案把“遮挡下可靠检测”摆到台面上

CES 2026 的公开总结也反复强调：

• radar + camera fusion 已成为 CPD / occupant detection 的主路线之一
• 重点卖点不是平均精度，而是 blanket / seat occlusion 下仍能 detect
• 价值主张开始从“模型更聪明”转成“在最难场景下仍然不失明”

这其实已经在重新定义 CPD 的 KPI。

三、真正的变化：CPD 正从检测器升级为动作系统

3.1 真正难点不是 detect，而是何时触发动作

如果系统只输出一个 child_present = true/false，工程上马上会遇到一堆问题：

• 是初次怀疑还是持续确认？
• 雷达看到微动但相机看不到，怎么办？
• 车门刚关闭、座椅还在晃动时，要不要立即告警？
• 停车后多久进入 escalation？
• 高温场景是否要加速升级？

这些都说明：

CPD 的核心已经不是识别层，而是 state machine + scheduler + arbitration + validation。

3.2 多模态冲突会成为日常输入，而不是异常情况

真实车里最常见的不是“所有模态一致”，而是：

• 雷达有微动，相机无语义确认
• 相机看到 child seat，但雷达无持续生命体征
• 车内有物品晃动、反射、热流、布料扰动
• 初期安装/放置阶段状态来回跳变

因此架构上不能只做 sensor fusion，而要正式定义：

• conflict_state
• dominant hypothesis
• persistence window
• hold-safe-state
• recheck policy
• escalation timing

这和昨天 adaptive restraint / impairment / cognitive distraction 的结论其实是一致的：量产难点已经往动作层迁移。

四、为什么“动态验证资产”会成为 CPD 真正护城河

4.1 CPD 最难场景本质上都是过程，不是截图

很多失效不是一张图能定义的，而是一个过程：

• 儿童被放入座椅
• 毛毯逐渐遮挡
• 车门关闭后 cabin motion 逐渐衰减
• 乘员离车但残余扰动仍存在
• 停车后温度上升触发升级逻辑

这些问题如果只用静态图集验证，最后系统上线后一定会暴露“动作时机不稳”。

4.2 synthetic data 的价值正在从训练补充变成验证底座

公开材料已开始强调 synthetic data 对车内多模态验证的作用，不只是补数据量，而是用来生成：

• 遮挡组合
• 体型/座椅/位置多样性
• 低光/暗光
• 罕见但关键的动态过程
• 雷达/IR/RGB 的跨模态对齐 ground truth

对 CPD 来说，这尤其关键，因为真正最危险的场景本来就难采、难标、难重复。

4.3 没有动态回归资产，就没有真正的量产稳定性

我越来越相信，下一阶段 CPD 团队之间真正的差距不是 detector AUC，而是：

• 能不能稳定重放 放入儿童 → 遮挡 → 静止 → 升级告警 全流程
• 能不能回归 雷达/相机冲突 下的动作正确性
• 能不能验证 高温覆盖、snooze、repeat、timeout 等调度逻辑

这部分资产一旦建成，就是非常强的系统壁垒。

五、对 IMS 开发的直接启示

5.1 CPD 输出不该只是 presence flag

更合理的正式输出应该至少包括：

• occupant_presence_state
• life_signal_evidence
• visual_semantic_evidence
• confidence / conflict_state
• recommended_action
• escalation_policy
• trace_id

5.2 架构上要把 fusion 和 action decision 分开

建议把 CPD 分成两层：

1. sensor evidence layer：整理相机/雷达/IR/压力等证据
2. policy & scheduler layer：决定告警、重复、升级、温度加速、远程通知等动作

这样做的好处是：

• 感知升级不至于重写整套动作逻辑
• 容易做冲突解释与审计
• 更适合后续接入统一干预层

5.3 回归测试要覆盖四类动态场景

优先级最高的 regression suites 我会建议先做这四类：

• installation / placement：儿童或儿童座椅进入车内的过程
• occlusion / micro-motion：遮挡下的微动检测
• departure / residual disturbance：成人离车、车门关闭后的残余扰动
• escalation / override：高温、重复提醒、超时升级、通知链路

5.4 芯片平台选型要开始围绕“融合+验证”而不是单模型 TOPS

像 TI TDA4VEN 这类平台被拿来做单相机+雷达融合，不只是算力问题，更因为它适合：

• 多传感器接入
• 低延迟感知
• 车规部署
• 在边缘端完成持续推理和策略触发

未来平台竞争可能不是谁 TOPS 更高，而是谁更适合把 fusion + scheduler + traceability 一起落地。

六、下一轮 TrendRadar 关键词怎么进化

基于这轮研究，后续关键词不该只搜 CPD radar，而应该演化成：

• child presence detection dynamic validation
• cabin radar micro-motion false positive suppression
• CPD escalation scheduler temperature override
• camera radar fusion occupant conflict arbitration
• TI TDA4 / Qualcomm / Renesas in-cabin radar fusion deployment
• synthetic data CPD occlusion regression

总结

CPD 正在发生一个很关键的转向：

• 从 单传感器 detect 转向 多模态 evidence fusion
• 从 一次识别 转向 持续状态与升级调度
• 从 感知精度竞争 转向 动态验证资产竞争

对 IMS 团队来说，真正要提前布局的不是“再找一个更强模型”，而是：

• 雷达+相机融合证据层
• conflict-aware 状态机
• escalation scheduler
• synthetic 驱动的动态回归资产
• action-level validation

谁先把这五件事做实，谁更有可能在 Euro NCAP 2026 之后真正把 CPD 做成平台能力，而不是 demo 功能。

---

参考来源

• Edge AI and Vision Alliance, D3 Embedded, HTEC, Texas Instruments and Tobii Pioneer the Integration of Single-camera and Radar Interior Sensor Fusion for In-cabin Sensing, 2025
• Anyverse, DMS Sensor Fusion + Synthetic Data to Ensure In-Cabin Safety, 2025
• Anyverse, In-Cabin Monitoring at CES 2026: From Driver Monitoring to Agentic Cabin Intelligence, 2026