60GHz 雷达 CPD 儿童存在检测实现方案

核心问题

Euro NCAP 2026 强制要求： 所有新车必须配备儿童存在检测（CPD）系统，在儿童被遗留车内时发出警报。

技术挑战：

• 儿童体型小、呼吸微弱，传统传感器难以检测
• 座椅遮挡、毛毯覆盖导致视觉方案失效
• 极端温度环境（-40°C 至 +85°C）可靠性要求
• 误报率必须 < 1%（避免警报疲劳）

解决方案： 60GHz 毫米波雷达凭借穿透性强、微动检测精度高的特点，成为 CPD 主流方案。

---

技术背景

为什么选择 60GHz？

频段	波长	穿透性	分辨率	成本	CPD适用性
24GHz	12.5mm	强	低	低	❌ 分辨率不足
60GHz	5mm	中	高	中	✅ 最佳平衡
77GHz	4mm	弱	极高	高	⚠️ 过度设计
79GHz	3.8mm	弱	极高	高	⚠️ 成本过高

60GHz 优势：

1. 波长 5mm：与儿童胸腔微动（mm级）匹配，分辨率适中
2. 穿透毛毯/座椅：不受遮挡影响
3. 多普勒敏感：可检测呼吸、心跳等微弱信号
4. 成本可控：TI/Infineon 方案已量产

---

硬件架构

TI IWR6843AOP 方案

芯片特性：

• 4 发 4 收天线阵列
• 60-64GHz 工作频段
• 集成 DSP + MCU（C674x + R4F）
• 功耗 < 1.5W
• 支持 4 个级联（扩展覆盖范围）

开发板：

• IWR6843ISK-ODS（顶发射天线，适合车顶安装）
• MMWAVEICBOOST（底板，支持以太网输出）

Infineon BGT60ATR24C 方案

芯片特性：

• 2 发 4 收天线
• 60GHz 单芯片
• 低功耗模式 < 100mW
• 集成 ADC + DSP

优势：

• 成本更低（单芯片方案）
• 功耗更低（适合常电运行）
• 尺寸更小（适合嵌入式集成）

---

核心算法

呼吸检测原理

多普勒效应：
$$f_d = \frac{2v}{\lambda} = \frac{2v \cdot f_c}{c}$$

其中：

• $f_d$：多普勒频移
• $v$：目标速度（呼吸导致的胸腔运动）
• $\lambda$：波长（60GHz 时约 5mm）
• $f_c$：载波频率（60GHz）
• $c$：光速

呼吸信号特征：

• 频率：0.2-0.5 Hz（12-30 次/分钟）
• 振幅：胸腔运动 0.5-2mm
• 相位变化：$\Delta\phi = \frac{4\pi\Delta r}{\lambda}$

信号处理流程

"""
60GHz 雷达 CPD 检测算法

基于 TI IWR6843AOP 开发
支持呼吸检测 + 微动识别
"""

import numpy as np
from scipy import signal
from scipy.fft import fft, fftfreq

class RadarCPDDetector:
    """
    60GHz 雷达儿童存在检测
    
    检测流程：
    1. FMCW 信号解调 → 距离-多普勒图
    2. 静态杂波抑制 → 去除座椅/车身反射
    3. 微动特征提取 → 呼吸/心跳信号
    4. 分类判断 → 儿童/成人/无人
    """
    
    def __init__(self, config: dict):
        # 雷达参数
        self.fc = 60e9  # 载波频率 60GHz
        self.c = 3e8    # 光速
        self.wavelength = self.c / self.fc  # 波长 ~5mm
        
        # FMCW 参数
        self.bandwidth = config.get('bandwidth', 4e9)  # 带宽 4GHz
        self.chirp_duration = config.get('chirp_duration', 100e-6)  # Chirp 周期
        self.num_chirps = config.get('num_chirps', 256)  # Chirp 数量
        self.num_samples = config.get('num_samples', 256)  # 每个 Chirp 采样点
        
        # 呼吸检测参数
        self.breathing_freq_min = 0.2  # 最小呼吸频率 Hz
        self.breathing_freq_max = 0.5  # 最大呼吸频率 Hz
        self.motion_threshold = config.get('motion_threshold', 0.3)  # 微动阈值 mm
        
        # 距离分辨率
        self.range_resolution = self.c / (2 * self.bandwidth)
        print(f"距离分辨率: {self.range_resolution*100:.2f} cm")
        
        # 速度分辨率
        self.velocity_resolution = self.wavelength / (2 * self.num_chirps * self.chirp_duration)
        print(f"速度分辨率: {self.velocity_resolution*1000:.3f} mm/s")
    
    def process_frame(self, adc_data: np.ndarray) -> dict:
        """
        处理一帧雷达数据
        
        Args:
            adc_data: ADC 数据，shape=(num_chirps, num_samples)
            
        Returns:
            检测结果：{'detected': bool, 'type': str, 'confidence': float}
        """
        # 1. 距离 FFT
        range_fft = fft(adc_data, axis=1)
        
        # 2. 多普勒 FFT
        range_doppler = fft(range_fft, axis=0)
        
        # 3. 静态杂波抑制（零多普勒通道置零）
        range_doppler[:, 0] = 0
        
        # 4. CFAR 检测
        detections = self._cfar_detection(np.abs(range_doppler))
        
        # 5. 微动特征提取
        if len(detections) > 0:
            breathing_signal = self._extract_breathing_signal(adc_data, detections)
            breathing_freq = self._estimate_breathing_frequency(breathing_signal)
            
            # 6. 分类判断
            if breathing_freq > 0:
                return {
                    'detected': True,
                    'type': 'child' if breathing_freq > 0.3 else 'adult',
                    'confidence': self._calculate_confidence(breathing_signal),
                    'breathing_rate': breathing_freq * 60,  # 次/分钟
                    'distance': detections[0]['range']
                }
        
        return {'detected': False, 'type': 'empty', 'confidence': 0.0}
    
    def _cfar_detection(self, range_doppler: np.ndarray) -> list:
        """
        CFAR 目标检测
        
        使用 CA-CFAR（Cell Averaging CFAR）
        """
        detections = []
        threshold_factor = 3.0  # 检测阈值因子
        
        # 滑动窗口 CFAR
        guard_cells = 2
        training_cells = 8
        
        for i in range(training_cells, range_doppler.shape[0] - training_cells):
            for j in range(training_cells, range_doppler.shape[1] - training_cells):
                # 训练窗口均值
                training_region = np.concatenate([
                    range_doppler[i-guard_cells-training_cells:i-guard_cells, j-training_cells:j+training_cells+1].flatten(),
                    range_doppler[i+guard_cells+1:i+guard_cells+training_cells+1, j-training_cells:j+training_cells+1].flatten()
                ])
                noise_level = np.mean(training_region)
                
                # 检测
                if range_doppler[i, j] > noise_level * threshold_factor:
                    detections.append({
                        'range_idx': i,
                        'doppler_idx': j,
                        'range': i * self.range_resolution,
                        'velocity': (j - range_doppler.shape[1]//2) * self.velocity_resolution
                    })
        
        return detections
    
    def _extract_breathing_signal(self, adc_data: np.ndarray, detections: list) -> np.ndarray:
        """
        提取呼吸信号（相位变化）
        """
        # 选择最强检测点
        range_idx = detections[0]['range_idx']
        
        # 提取该距离单元的相位序列
        range_bin = fft(adc_data, axis=1)[:, range_idx]
        phase_signal = np.angle(range_bin)
        
        # 相位解缠
        phase_unwrapped = np.unwrap(phase_signal)
        
        return phase_unwrapped
    
    def _estimate_breathing_frequency(self, phase_signal: np.ndarray) -> float:
        """
        估计呼吸频率
        
        使用 FFT 频谱分析
        """
        # 去除线性趋势
        phase_detrend = signal.detrend(phase_signal)
        
        # FFT
        freq = fftfreq(len(phase_detrend), self.chirp_duration * self.num_chirps)
        spectrum = np.abs(fft(phase_detrend))
        
        # 只取正频率
        pos_freq = freq[:len(freq)//2]
        pos_spectrum = spectrum[:len(spectrum)//2]
        
        # 在呼吸频率范围内寻找峰值
        breathing_mask = (pos_freq >= self.breathing_freq_min) & (pos_freq <= self.breathing_freq_max)
        if np.sum(breathing_mask) > 0:
            breathing_spectrum = pos_spectrum * breathing_mask
            peak_idx = np.argmax(breathing_spectrum)
            return pos_freq[peak_idx]
        
        return 0.0
    
    def _calculate_confidence(self, phase_signal: np.ndarray) -> float:
        """
        计算检测置信度
        
        基于信号强度和周期性
        """
        # 信号强度（相位变化幅度）
        amplitude = np.max(phase_signal) - np.min(phase_signal)
        
        # 转换为 mm（相位 → 距离）
        displacement_mm = (amplitude * self.wavelength) / (4 * np.pi) * 1000
        
        # 周期性（自相关峰值）
        autocorr = np.correlate(phase_signal, phase_signal, mode='full')
        autocorr_peak = np.max(autocorr[len(autocorr)//2:])
        periodicity = autocorr_peak / np.sum(phase_signal**2)
        
        # 综合置信度
        confidence = min(1.0, displacement_mm / 2.0 * 0.6 + periodicity * 0.4)
        
        return confidence


# 实际测试代码
if __name__ == "__main__":
    # 配置雷达参数
    config = {
        'bandwidth': 4e9,
        'chirp_duration': 100e-6,
        'num_chirps': 256,
        'num_samples': 256,
        'motion_threshold': 0.3
    }
    
    # 创建检测器
    detector = RadarCPDDetector(config)
    
    # 模拟数据测试（实际使用时替换为真实 ADC 数据）
    np.random.seed(42)
    
    # 模拟呼吸信号（0.3 Hz，振幅 1mm）
    t = np.linspace(0, 10, 256)  # 10 秒
    breathing = 1e-3 * np.sin(2 * np.pi * 0.3 * t)  # 1mm 振幅
    
    # 模拟 ADC 数据（简化模型）
    phase_shift = (4 * np.pi * breathing) / detector.wavelength
    adc_data = np.exp(1j * phase_shift[:, np.newaxis] * np.ones(256))
    
    # 添加噪声
    adc_data += 0.1 * (np.random.randn(256, 256) + 1j * np.random.randn(256, 256))
    
    # 检测
    result = detector.process_frame(adc_data)
    print(f"\n检测结果:")
    print(f"  是否检测到: {result['detected']}")
    print(f"  类型: {result['type']}")
    print(f"  置信度: {result['confidence']:.2f}")
    print(f"  呼吸频率: {result.get('breathing_rate', 0):.1f} 次/分钟")

---

系统架构

软件流程

flowchart TD
    A[雷达 ADC 数据] --> B[距离 FFT]
    B --> C[多普勒 FFT]
    C --> D[静态杂波抑制]
    D --> E[CFAR 目标检测]
    
    E --> F{检测到目标?}
    F -->|否| G[返回: 无儿童]
    F -->|是| H[提取相位信号]
    
    H --> I[相位解缠]
    I --> J[频率估计]
    J --> K{呼吸频率范围?}
    
    K -->|0.2-0.5 Hz| L[计算置信度]
    K -->|其他| M[过滤噪声]
    
    L --> N{置信度 > 阈值?}
    N -->|是| O[返回: 检测到儿童]
    N -->|否| P[返回: 不确定]
    
    M --> G

硬件部署方案

flowchart LR
    subgraph 车顶模块
        A[IWR6843AOP]
        B[天线阵列]
        C[电源管理]
    end
    
    subgraph 座舱控制器
        D[信号处理]
        E[CPD 算法]
        F[决策融合]
    end
    
    subgraph 输出
        G[仪表盘警报]
        H[手机推送]
        I[云端通知]
    end
    
    A --> D
    B --> A
    C --> A
    D --> E
    E --> F
    F --> G
    F --> H
    F --> I

---

Euro NCAP 2026 CPD 要求

测试场景

场景编号	描述	检测时限	警报等级
CPD-01	6 月以下婴儿遗留后座	≤ 90 秒	一级（车内）
CPD-02	1-3 岁儿童遗留后座	≤ 60 秒	一级（车内）
CPD-03	儿童被毛毯覆盖	≤ 90 秒	一级（车内）
CPD-04	儿童在安全座椅内	≤ 90 秒	一级（车内）
CPD-05	多儿童遗留	≤ 90 秒	一级 + 二级（车外）
CPD-06	极端温度环境	≤ 60 秒	二级（车外推送）

警报等级

一级警报（车内）：

• 仪表盘声光警报
• 鸣笛 3 次
• 持续时间 ≤ 30 秒

二级警报（车外）：

• 手机 APP 推送
• 短信通知
• 云端记录（可追溯）

---

TI vs Infineon 方案对比

指标	TI IWR6843AOP	Infineon BGT60ATR24C
天线配置	4T4R	2T4R
距离分辨率	3.75 cm	5 cm
速度分辨率	0.1 m/s	0.15 m/s
功耗	1.5W	0.8W
集成度	DSP+MCU	ADC+DSP
开发板价格	$299	$199
生产成本	~$15	~$10
检测距离	5m	3m
软件支持	MMWAVE SDK	Sens2Go
车规认证	AEC-Q100	AEC-Q100

---

IMS 开发启示

算法优化方向

1. 多传感器融合

   • 雷达 + 摄像头融合提高可靠性
   • 座椅压力传感器辅助判断
   • 温度传感器联动（高温环境优先级提升）

2. 误报抑制

   • 学习车辆静止振动特征
   • 过滤宠物/物品微动
   • 时间阈值动态调整

3. 实时性优化

   • DSP 端部署推理
   • 降低 Chirp 数量（牺牲精度换速度）
   • 多核并行处理

部署建议

# 实际部署配置示例
deployment_config = {
    # 硬件配置
    'radar': {
        'chip': 'IWR6843AOP',
        'position': 'roof_center',  # 车顶中央
        'height': 1.8,  # 安装高度 m
        'tilt_angle': 30,  # 俯仰角 度
    },
    
    # 算法参数
    'algorithm': {
        'frame_rate': 10,  # 帧率 Hz
        'detection_threshold': 0.7,  # 置信度阈值
        'breathing_range': (0.2, 0.5),  # 呼吸频率 Hz
        'timeout': 90,  # 检测超时 秒
    },
    
    # 警报配置
    'alert': {
        'level1': {
            'horn_count': 3,
            'horn_duration': 1,  # 秒
            'display_duration': 30,  # 秒
        },
        'level2': {
            'push_notification': True,
            'sms_alert': True,
            'cloud_logging': True,
        }
    }
}

---

参考资源

1. TI 官方文档

   • IWR6843AOP Technical Reference Manual
   • MMWAVE SDK User Guide
   • CPD Demo Application Note

2. Infineon 文档

   • BGT60ATR24C Datasheet
   • Radar Sensing Application Note

3. Euro NCAP

   • CPD Test Protocol v1.0
   • Assessment Protocol 2026

---

总结： 60GHz 雷达是 CPD 儿童检测的最佳技术选择，TI 和 Infineon 均提供成熟方案。关键在于呼吸信号提取算法和误报抑制策略。IMS 开发应优先验证雷达定位算法，再融合摄像头提升可靠性。