UWB雷达儿童存在检测突破：ARIA Sensing AI驱动方案深度分析

发表于 更新于 分类于 ，
深度分析2026年MWC发布的ARIA Sensing UWB雷达CPD方案，基于Hydrogen 4×4芯片和AI算法，实现穿透遮挡的儿童生命体征检测。Euro NCAP 2026强制要求的技术选型指南。

一、Euro NCAP 2026 CPD强制要求

从2026年开始，儿童存在检测（CPD）成为Euro NCAP安全评级强制项。关键要求：

检测项 技术要求 评分权重
儿童存在检测 静止儿童检测 2分
生命体征监测 呼吸/心跳检测 额外加分
遮挡穿透 毯子/衣物遮挡下检测 高优先级
误报率 <1次/天 强制要求

技术路线对比：

方案 优势 劣势 Euro NCAP推荐
摄像头 成本低 遮挡敏感、隐私问题 ⚠️ 过渡方案
60GHz毫米波雷达 穿透性强、隐私友好 成本较高 ✅ 主流方案
UWB雷达 高精度、AI增强 新技术、生态待成熟 ✅ 前沿方案
超声波 成本极低 精度低、易受干扰 ❌ 不推荐

二、ARIA Sensing方案架构

2.1 MWC 2026发布亮点

2026年2月，ARIA Sensing与Algorized在MWC Barcelona联合发布AI驱动的UWB雷达CPD系统，核心创新：

  1. Hydrogen 4×4 UWB雷达SoC：全球首款4发4收UWB雷达芯片
  2. Algorized AI算法：基于深度学习的生命体征提取
  3. 穿透遮挡检测：毯子/衣物下儿童呼吸检测
  4. 嵌入式部署：支持车规级量产

2.2 硬件架构

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
┌─────────────────────────────────────────────────┐
│          Hydrogen 4×4 UWB雷达SoC                │
├─────────────────────────────────────────────────┤
│  4×4 MIMO天线阵列                               │
│  ├─ TX1, TX2, TX3, TX4                         │
│  └─ RX1, RX2, RX3, RX4                         │
│                                                 │
│  工作频段: 6.0-8.5 GHz (UWB)                   │
│  带宽: 500 MHz - 1.5 GHz                       │
│  分辨率: ~2cm (距离)                            │
│                                                 │
│  集成DSP: 实时信号处理                          │
│  接口: SPI / I2C / UART                         │
└─────────────────────────────────────────────────┘
         │
         ▼
┌─────────────────────────────────────────────────┐
│         Algorized AI处理引擎                    │
├─────────────────────────────────────────────────┤
│  输入: 雷达点云 + 时序信号                      │
│  处理:                                          │
│  ├─ 人体检测网络（分类成人/儿童/宠物）          │
│  ├─ 呼吸信号提取（FFT+峰值检测）                │
│  └─ 心跳信号分离（带通滤波）                    │
│  输出: 存在状态 + 生命体征 + 异常告警           │
└─────────────────────────────────────────────────┘

2.3 关键技术参数

参数 规格 Euro NCAP要求
工作频率 6.0-8.5 GHz 60GHz为主流
天线配置 4T4R MIMO ≥2T2R
距离分辨率 ~2cm ≤5cm
检测范围 0.5-3m（车内） 覆盖全座舱
刷新率 10-30 Hz ≥1 Hz
功耗 <100mW（监测模式） 待机功耗要求
工作温度 -40°C to +85°C 车规级

三、核心技术解析

3.1 UWB雷达原理

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
import numpy as np
from scipy import signal

class UWBRadarProcessor:
    """
    UWB雷达信号处理基础类
    """
    def __init__(self, fc=7.0e9, bw=1.5e9, fs=20e9):
        self.fc = fc      # 中心频率 7 GHz
        self.bw = bw      # 带宽 1.5 GHz
        self.fs = fs      # 采样率 20 GHz
        self.c = 3e8      # 光速
        
    def range_resolution(self):
        """
        距离分辨率计算
        
        Returns:
            分辨率（米）
        """
        return self.c / (2 * self.bw)
    
    def max_range(self, num_samples):
        """
        最大检测距离
        
        Args:
            num_samples: 采样点数
        """
        return num_samples * self.c / (2 * self.fs)
    
    def extract_breathing(self, radar_data, distance_bins, target_range):
        """
        从雷达数据中提取呼吸信号
        
        Args:
            radar_data: 原始雷达数据 (frames x samples)
            distance_bins: 距离bin映射
            target_range: 目标距离（米）
        
        Returns:
            breathing_signal: 呼吸信号（时序）
        """
        # 1. 距离压缩（FFT）
        range_profile = np.fft.fft(radar_data, axis=1)
        
        # 2. 找到目标距离bin
        target_bin = np.argmin(np.abs(distance_bins - target_range))
        
        # 3. 提取时序信号（相位变化）
        phase_signal = np.angle(range_profile[:, target_bin])
        
        # 4. 相位解缠绕
        phase_unwrapped = np.unwrap(phase_signal)
        
        # 5. 带通滤波（呼吸频率：0.1-0.5 Hz，即6-30次/分）
        fs_time = 10  # 假设10 Hz刷新率
        b, a = signal.butter(2, [0.1/(fs_time/2), 0.5/(fs_time/2)], 'band')
        breathing_signal = signal.filtfilt(b, a, phase_unwrapped)
        
        return breathing_signal
    
    def extract_heartbeat(self, breathing_removed_signal, fs_time=10):
        """
        从去呼吸信号中提取心跳
        
        Args:
            breathing_removed_signal: 已去除呼吸成分的信号
            fs_time: 时域采样率（Hz）
        
        Returns:
            heartbeat_signal: 心跳信号
        """
        # 心跳频率：0.8-2.0 Hz（48-120次/分）
        b, a = signal.butter(2, [0.8/(fs_time/2), 2.0/(fs_time/2)], 'band')
        heartbeat_signal = signal.filtfilt(b, a, breathing_removed_signal)
        
        return heartbeat_signal

3.2 AI人体分类网络

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
import torch
import torch.nn as nn

class CPDClassifier(nn.Module):
    """
    基于点云的儿童/成人/宠物分类网络
    """
    def __init__(self):
        super(CPDClassifier, self).__init__()
        
        # 点云特征提取（简化版PointNet）
        self.conv1 = nn.Conv1d(3, 64, 1)  # 输入：x, y, RCS
        self.conv2 = nn.Conv1d(64, 128, 1)
        self.conv3 = nn.Conv1d(128, 256, 1)
        
        self.bn1 = nn.BatchNorm1d(64)
        self.bn2 = nn.BatchNorm1d(128)
        self.bn3 = nn.BatchNorm1d(256)
        
        # 分类头
        self.fc1 = nn.Linear(256, 128)
        self.fc2 = nn.Linear(128, 4)  # 空座/成人/儿童/宠物
        
        self.dropout = nn.Dropout(0.3)
    
    def forward(self, x):
        # x: (batch, 3, num_points)
        x = torch.relu(self.bn1(self.conv1(x)))
        x = torch.relu(self.bn2(self.conv2(x)))
        x = torch.relu(self.bn3(self.conv3(x)))
        
        # 全局最大池化
        x = torch.max(x, dim=2)[0]
        
        x = torch.relu(self.fc1(x))
        x = self.dropout(x)
        x = self.fc2(x)
        
        return x

# 推理代码
def classify_occupant(radar_point_cloud, model):
    """
    分类乘员类型
    
    Args:
        radar_point_cloud: (N, 3) - [x, y, RCS]
        model: 预训练分类模型
    
    Returns:
        class_label: 'empty' | 'adult' | 'child' | 'pet'
        confidence: 置信度
    """
    # 归一化
    point_cloud = (radar_point_cloud - radar_point_cloud.mean(axis=0)) / (radar_point_cloud.std(axis=0) + 1e-6)
    
    # 转换为tensor
    x = torch.tensor(point_cloud.T, dtype=torch.float32).unsqueeze(0)  # (1, 3, N)
    
    # 推理
    model.eval()
    with torch.no_grad():
        output = model(x)
        probs = torch.softmax(output, dim=1)
        pred_class = torch.argmax(probs, dim=1).item()
        confidence = probs[0, pred_class].item()
    
    labels = ['empty', 'adult', 'child', 'pet']
    return labels[pred_class], confidence

3.3 穿透遮挡检测原理

UWB雷达的关键优势在于穿透性：

1
2
3
4
5
6
7
8
9
10
11
12
13
┌──────────────────────────────────────┐
│  毯子/衣物遮挡层                      │
│  ├─ UWB信号穿透损耗：~3-6 dB         │
│  └─ 摄像头：完全遮挡 ❌               │
└──────────────────────────────────────┘
         │ UWB信号穿透
         ▼
┌──────────────────────────────────────┐
│  儿童呼吸/心跳                        │
│  ├─ 呼吸：胸部起伏 ~2-5 mm            │
│  ├─ 心跳：胸部微动 ~0.5 mm            │
│  └─ 多普勒频移：可检测 ✓              │
└──────────────────────────────────────┘

穿透能力对比：

遮挡物 UWB雷达 60GHz雷达 摄像头
无遮挡 ✅ 100% ✅ 100% ✅ 100%
薄毯 ✅ 95% ✅ 85% ❌ 0%
厚毯 ✅ 80% ⚠️ 60% ❌ 0%
婴儿座椅遮挡 ✅ 90% ⚠️ 70% ❌ 10%

四、CEVA RivieraWaves UWB平台对比

4.1 技术方案对比

特性 ARIA Sensing CEVA RivieraWaves 行业平均
天线配置 4T4R 2T2R / 4T4R 2T2R
AI集成 Algorized内置 可扩展 需外部
量产状态 MWC 2026发布 已量产 多方案
成本 中等 较低 中等

4.2 部署架构

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
┌──────────────────────────────────────────────────┐
│                  车顶安装方案                     │
├──────────────────────────────────────────────────┤
│                                                  │
│   [UWB天线阵列] ──► [SoC] ──► [MCU/CPU]         │
│       │              │            │              │
│       │              │            ▼              │
│       │              │      [告警输出]           │
│       │              │            │              │
│       │              └──► [CAN/LIN] ──► 车身域控  │
│       │                           │              │
│       ▼                           ▼              │
│   覆盖全座舱                    云端通知          │
│                                                  │
└──────────────────────────────────────────────────┘

五、IMS开发启示

5.1 技术选型建议

方案一：60GHz雷达（主流推荐）

  • 成熟方案：TI IWR6843AOP, Infineon BGT60
  • 供应链稳定
  • Euro NCAP已有测试案例

方案二：UWB雷达（前沿方案）

  • 精度更高
  • AI增强能力
  • 生态待成熟

方案三：融合方案（高端车型）

  • 摄像头 + 雷达融合
  • 最高可靠性
  • 成本最高

5.2 集成检查清单

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
# CPD系统集成检查
class CPDIntegrationChecklist:
    def __init__(self):
        self.checklist = {
            '硬件': [
                ('雷达传感器安装位置', '车顶/座椅上方'),
                ('天线覆盖范围', '全座舱覆盖'),
                ('供电方案', '常电 + 省电模式'),
                ('唤醒机制', '车门锁止触发'),
            ],
            '软件': [
                ('检测算法', '呼吸/心跳/人体分类'),
                ('告警策略', '多级告警'),
                ('误报处理', '历史数据滤波'),
                ('OTA升级', '算法更新支持'),
            ],
            'Euro NCAP': [
                ('检测场景覆盖', '6个官方场景'),
                ('检测时延', '≤60秒'),
                ('误报率', '<1次/天'),
                ('文档准备', 'Dossier声明'),
            ],
            '车规': [
                ('工作温度', '-40°C to +85°C'),
                ('EMC测试', '通过'),
                ('功能安全', 'ASIL-B'),
                ('耐久性', '10年/15万公里'),
            ],
        }
    
    def check(self):
        for category, items in self.checklist.items():
            print(f"\n{category}:")
            for item, req in items:
                print(f"  [ ] {item}: {req}")

5.3 测试场景覆盖

根据Euro NCAP CPD Protocol v1.2：

场景编号 描述 检测要求 时限
CPD-01 后排座椅，婴儿座椅 检测+告警 ≤90s
CPD-02 后排座椅，无座椅 检测+告警 ≤60s
CPD-03 遮挡场景（毯子） 检测+告警 ≤90s
CPD-04 儿童+宠物 分类检测 ≤60s
CPD-05 极端温度（-18°C） 正常检测 ≤90s
CPD-06 极端温度（+50°C） 正常检测 ≤90s

六、总结

ARIA Sensing UWB雷达CPD方案代表了2026年前沿技术方向：

核心优势：

  1. 4×4 MIMO高精度检测
  2. AI驱动的智能分类
  3. 穿透遮挡能力
  4. 车规级设计

IMS开发建议：

  • 2026年量产项目：优先60GHz成熟方案
  • 2027年及以后：可考虑UWB方案
  • 高端车型：融合方案提升可靠性

参考来源：

  • ARIA Sensing官方发布（MWC 2026）
  • CEVA RivieraWaves UWB Radar Platform
  • Euro NCAP CPD Protocol v1.2
  • IEEE UWB Radar for Child Presence Detection

相关文章：