UWB 雷达儿童检测（CPD）技术深度解析：从原理到量产方案

Euro NCAP 要求 2026 年起 CPD 成为标配。YFORE 推出 UWB 多场景雷达方案，生命检出率 >99%。本文深度解析 UWB CPD 技术原理、与摄像头/超声波方案对比、及 YFORE 量产方案。

1 CPD 法规背景

1.1 Euro NCAP CPD 要求

Euro NCAP 2026 协议明确要求新车配备儿童遗留检测（Child Presence Detection, CPD）系统：

要求项	指标
响应时间	< 13 秒
检测对象	婴儿/儿童（含被毯子覆盖）
触发条件	后排有儿童且车辆锁止
警告级别	一级：车内警报；二级：手机 App 推送
环境条件	全光照、全温度范围

1.2 技术路线选择

方案	原理	优势	劣势
摄像头	视觉识别	可识别儿童身份	毛毯遮挡失效
超声波	声波反射	成本低	风/虫易误报
重量传感器	座椅压力	简单可靠	无法区分儿童与重物
UWB 雷达	呼吸微动	穿透毛毯/座椅	需专用芯片
毫米波雷达	调频连续波	精度高	成本较高

核心结论： UWB 雷达因”穿透障碍物+检测呼吸”两大特性，成为 CPD 最优方案。

2 UWB 雷达技术原理

2.1 工作原理

UWB（Ultra-Wideband）雷达通过发射极短脉冲信号检测微运动：

发射脉冲 → 反射回波 → CIR分析 → 提取呼吸信号 → 判定生命存在

关键参数：

参数	典型值	说明
频率范围	6-8 GHz	UWB 频段
带宽	>500 MHz	超宽带定义
脉冲宽度	<1 ns	纳秒级脉冲
空间分辨率	~1 cm	高精度距离测量
功耗	<10 mW	低功耗持续监测
穿透能力	穿透毛毯/座椅/衣物	核心优势

2.2 通道脉冲响应（CIR）分析

UWB 芯片不只是一收一发，它生成丰富的 Channel Impulse Response (CIR) 数据集：

import numpy as np
from scipy.signal import find_peaks, butter, filtfilt

class UWBCPDDetector:
    """
    UWB 雷达儿童遗留检测算法
    
    原理:
    1. 发射超短脉冲，接收反射信号
    2. 静态物体反射时间恒定 → CIR 不变
    3. 活体呼吸导致胸壁微动 → CIR 对应距离bin 微变
    4. 提取呼吸频率 (婴儿 20-40 次/分) → 判定生命存在
    
    参考: RF Wireless World UWB CPD App Note, 2026
    """
    
    def __init__(self, config: dict = None):
        config = config or {}
        self.sample_rate = config.get('sample_rate', 100)  # Hz, CIR 采样率
        self.range_bins = config.get('range_bins', 128)    # 距离bin数
        self.range_resolution = config.get('range_res', 0.01)  # 1cm per bin
        
        # 呼吸参数
        self.breathing_freq_min = config.get('breath_min', 0.2)  # Hz (12次/分)
        self.breathing_freq_max = config.get('breath_max', 1.0)  # Hz (60次/分)
        self.infant_breath_min = 0.33  # 20次/分
        self.infant_breath_max = 0.67  # 40次/分
        
        # 检测阈值
        self.motion_threshold = config.get('motion_thr', 1e-4)
        self.breath_amplitude_thr = config.get('breath_amp', 1e-5)
        
    def process_cir(self, cir_data: np.ndarray) -> dict:
        """
        处理 CIR 数据，检测生命体征
        
        Args:
            cir_data: CIR 数据, shape=(N_frames, N_bins)
                     N_frames = 时间序列帧数
                     N_bins = 距离bin数
        
        Returns:
            result: 检测结果字典
        """
        n_frames, n_bins = cir_data.shape
        
        # 1. 计算每个距离bin的时间变化
        bin_variance = np.var(cir_data, axis=0)
        
        # 2. 找到有运动的距离bin
        active_bins = np.where(bin_variance > self.motion_threshold)[0]
        
        if len(active_bins) == 0:
            return {
                'life_detected': False,
                'reason': 'No motion detected',
                'breathing_rate': 0,
                'confidence': 0.0,
            }
        
        # 3. 对活动bin提取呼吸信号
        breathing_signals = []
        for bin_idx in active_bins:
            signal = cir_data[:, bin_idx]
            
            # 带通滤波提取呼吸频率 (0.2-1.0 Hz)
            filtered = self._bandpass_filter(signal)
            breathing_signals.append(filtered)
        
        # 4. 合并呼吸信号
        combined_breath = np.mean(breathing_signals, axis=0)
        
        # 5. FFT 分析呼吸频率
        freqs = np.fft.rfftfreq(len(combined_breath), 1.0/self.sample_rate)
        fft_mag = np.abs(np.fft.rfft(combined_breath))
        
        # 只看呼吸频率范围
        breath_mask = (freqs >= self.breathing_freq_min) & \
                      (freqs <= self.breathing_freq_max)
        breath_freqs = freqs[breath_mask]
        breath_mag = fft_mag[breath_mask]
        
        if len(breath_freqs) == 0:
            return {
                'life_detected': False,
                'reason': 'No breathing frequency found',
                'breathing_rate': 0,
                'confidence': 0.0,
            }
        
        # 6. 找到主呼吸频率
        peak_idx = np.argmax(breath_mag)
        breath_freq = breath_freqs[peak_idx]
        breath_rate_bpm = breath_freq * 60  # 转 次/分
        breath_amplitude = breath_mag[peak_idx]
        
        # 7. 判定是否为婴儿/儿童呼吸
        is_infant_breath = (self.infant_breath_min <= breath_freq <= self.infant_breath_max)
        is_child_breath = (self.breathing_freq_min <= breath_freq <= self.breathing_freq_max)
        
        confidence = min(breath_amplitude / self.breath_amplitude_thr, 1.0)
        
        life_detected = (is_child_breath or is_infant_breath) and \
                        confidence > 0.5 and \
                        breath_amplitude > self.breath_amplitude_thr
        
        return {
            'life_detected': life_detected,
            'breathing_rate': breath_rate_bpm,
            'is_infant': is_infant_breath,
            'confidence': confidence,
            'active_range': active_bins.tolist(),
            'breath_freq': breath_freq,
        }
    
    def _bandpass_filter(self, signal: np.ndarray) -> np.ndarray:
        """带通滤波: 0.2-1.0 Hz"""
        nyq = self.sample_rate / 2
        low = self.breathing_freq_min / nyq
        high = self.breathing_freq_max / nyq
        b, a = butter(4, [low, high], btype='band')
        return filtfilt(b, a, signal)


# 测试代码
if __name__ == "__main__":
    np.random.seed(42)
    
    detector = UWBCPDDetector({
        'sample_rate': 100,
        'range_bins': 128,
        'motion_thr': 1e-5,
        'breath_amp': 1e-4,
    })
    
    # 模拟有儿童的 CIR 数据
    n_frames = 1000  # 10秒@100Hz
    n_bins = 128
    
    # 静态背景
    cir_empty = np.random.normal(0, 1e-6, (n_frames, n_bins))
    
    # 模拟儿童呼吸 (0.4 Hz = 24次/分) 在 bin 45 处
    cir_child = cir_empty.copy()
    t = np.arange(n_frames) / 100.0
    breath_signal = 5e-4 * np.sin(2 * np.pi * 0.4 * t)
    cir_child[:, 45] += breath_signal
    cir_child[:, 46] += breath_signal * 0.7  # 相邻bin也有
    
    # 测试1: 空座
    result_empty = detector.process_cir(cir_empty)
    print("=== 空座测试 ===")
    print(f"生命检出: {result_empty['life_detected']}")
    print(f"原因: {result_empty.get('reason', 'N/A')}")
    
    # 测试2: 有儿童
    result_child = detector.process_cir(cir_child)
    print("\n=== 儿童检测测试 ===")
    print(f"生命检出: {result_child['life_detected']}")
    print(f"呼吸频率: {result_child['breathing_rate']:.1f} 次/分")
    print(f"婴儿呼吸: {result_child.get('is_infant', False)}")
    print(f"置信度: {result_child['confidence']:.2%}")
    print(f"活动距离bin: {result_child.get('active_range', [])}")

2.3 为什么 UWB 能穿透毛毯

物理特性	UWB 雷达	摄像头	超声波
波长	~3cm (10GHz)	~500nm (可见光)	~1cm (40kHz)
穿透毛毯	✅ 毛毯对电波近乎透明	❌ 完全遮挡	⚠️ 部分穿透
穿透座椅	✅ 可穿透	❌ 完全遮挡	❌ 被吸收
暗光环境	✅ 无影响	❌ 需IR补光	✅ 无影响
隐私	✅ 无图像	❌ 视频数据	✅ 无图像

物理原理： 电磁波波长越长，绕射能力越强。UWB 的厘米级波长可以绕过毛毯纤维间的缝隙，而光波的微米级波长被完全阻挡。

3 YFORE UWB 多场景量产方案

3.1 系统架构

YFORE Technology 在 2026 年 8 月发布了 UWB 雷达感知产品组合：

graph TD
    A[YFORE UWB 雷达感知平台] --> B[车内安全]
    A --> C[车辆接入]
    A --> D[自动泊车]
    
    B --> B1[CPD 儿童遗留检测]
    B --> B2[乘员检测 ODS]
    B --> B3[ODMS 智能后视镜融合]
    
    C --> C1[踢脚感应尾门]
    C --> C2[UWB 数字钥匙]
    
    D --> D1[泊车辅助]
    D --> D2[障碍物检测]
    D --> D3[地面杂波滤除]
    
    B1 --> E1[生命检出率 >99%]
    B1 --> E2[信号泄漏 <20cm]
    B1 --> E3[Euro NCAP <13s]
    
    C1 --> F1[触发率 >98%]
    D1 --> F2[无传感器开孔外观]

3.2 核心性能指标

功能模块	关键指标	Euro NCAP 要求
CPD 儿童检测	生命检出率 >99%	需可靠检测
CPD 响应时间	<13s	<13s
信号泄漏	窗外泄漏 <20cm	防误触发
ODS 乘员检测	多目标空间坐标	支持 eCall
ODMS 驾驶员监控	雷达+视觉融合	消除盲区
尾门踢脚	触发率 >98%	用户体验
泊车辅助	无开孔外观	设计美观

3.3 CPD + ODS + ODMS 三合一

YFORE 的核心创新是 一套 UWB 硬件实现三个功能：

功能	需要的 UWB 能力	算法
CPD	微呼吸检测	CIR 方差 + FFT
ODS	多目标定位	MIMO 角度估计
ODMS	驾驶员状态	雷达+视觉融合

IMS 启示： UWB 硬件复用是降低 BOM 成本的关键。一套传感器覆盖多个法规需求。

4 UWB vs 毫米波雷达对比

维度	UWB 雷达	60GHz 毫米波 (TI IWR6843)
频率	6-8 GHz	60-64 GHz
带宽	>500 MHz	~4 GHz
分辨率	~1 cm	~3.75 cm
穿透力	✅ 强（穿毛毯/座椅）	⚠️ 中等
生命体征	✅ 呼吸检测	✅ 呼吸+心率
天线尺寸	中等	小（波长短）
成本	$3-5	$8-15
量产就绪	✅ YFORE 已量产	✅ TI 参考设计
Euro NCAP	✅ 满足	✅ 满足

结论： UWB 在穿透力和成本上更有优势；毫米波在分辨率和心率检测上更强。两者可互补使用。

5 硬件配置建议

5.1 UWB CPD 部署方案

组件	型号/规格	数量	安装位置
UWB 雷达芯片	NXP SR150 / Qorvo DW3000	2	后排顶部
天线	PCB 天线阵列	2	顶灯区域
处理器	MCU (Cortex-M4)	1	车身控制器
通信	CAN-FD	1	车辆网络
云端通知	TCU 远程通信	1	已有模块
手机App	OEM App	-	用户手机

5.2 安装位置优化

位置	优势	劣势	推荐
后排顶灯	俯视后排，无遮挡	需布线	✅ 首选
后视镜	已有电子	距后排远	⚠️ 备选
后排座椅下方	近距离	被金属遮挡	❌ 不推荐
B柱内侧	侧向覆盖	盲区	⚠️ 补充

6 测试场景定义

场景	描述	前置条件	预期结果
CPD-01	婴儿在后排安全座椅	体重 3-10kg, 被毛毯覆盖	<13s 检出, 触发警报
CPD-02	幼儿在后排	体重 10-20kg, 正常坐姿	<13s 检出
CPD-03	空后排	无乘客	不误报
CPD-04	成人后排	成人乘客	检出生命，不触发CPD
CPD-05	宠物遗留	猫/狗在后排	检出生命（可选区分）
CPD-06	极端温度	-20°C 至 60°C	正常检测
CPD-07	全黑暗环境	0 lux	正常检测
CPD-08	毛毯/衣物覆盖	5cm 厚毛毯	正常检出呼吸
CPD-09	车窗微开	窗户开 5cm	不影响检测
CPD-10	车辆震动	路边停车，车辆震动	不误报

7 对 IMS 开发的启示

7.1 技术路线建议

优先级	任务	周期	价值
P0	UWB CPD 算法集成	3 月	满足 Euro NCAP 2026
P0	CIR 数据采集系统	1 月	算法训练基础
P1	UWB+毫米波融合	6 月	提升检测可靠性
P1	宠物/儿童区分算法	6 月	减少误报
P2	ODS 乘员定位	9 月	eCall 支持
P2	ODMS 雷达+视觉融合	9 月	驾驶员监控增强

7.2 算法开发清单

# UWB CPD 算法验证清单
class CPDValidationSuite:
    """CPD 算法验证测试套件"""
    
    tests = [
        # 基础功能测试
        {"id": "CPD-BASIC-01", "desc": "婴儿呼吸检测", "target": "检出率>99%"},
        {"id": "CPD-BASIC-02", "desc": "毛毯覆盖检测", "target": "穿透5cm毛毯"},
        {"id": "CPD-BASIC-03", "desc": "空座不误报", "target": "误报率<0.1%"},
        
        # 环境鲁棒性
        {"id": "CPD-ENV-01", "desc": "极端温度", "target": "-20°C~60°C正常"},
        {"id": "CPD-ENV-02", "desc": "全黑暗", "target": "0 lux正常"},
        {"id": "CPD-ENV-03", "desc": "高湿环境", "target": "95%RH正常"},
        
        # 性能指标
        {"id": "CPD-PERF-01", "desc": "响应时间", "target": "<13s"},
        {"id": "CPD-PERF-02", "desc": "CPU占用", "target": "<10% MCU"},
        {"id": "CPD-PERF-03", "desc": "功耗", "target": "<10mW"},
        
        # 误报测试
        {"id": "CPD-FP-01", "desc": "震动干扰", "target": "不误报"},
        {"id": "CPD-FP-02", "desc": "物品遗留", "target": "不误报"},
        {"id": "CPD-FP-03", "desc": "电磁干扰", "target": "不误报"},
    ]

7.3 与 Euro NCAP 对齐

Euro NCAP CPD 要求	UWB 方案	状态
后排儿童检测	UWB 呼吸检测	✅ 满足
<13s 响应	CIR 实时处理	✅ 满足
毛毯覆盖	电波穿透	✅ 满足
暗光环境	不依赖光照	✅ 满足
隐私保护	无图像数据	✅ 满足
一级警告	车内声光	✅ 支持
二级警告	TCU→App 推送	✅ 支持

8 总结

UWB 雷达是 CPD 的最优技术路线，核心优势在于”穿透障碍物+检测呼吸微动”。YFORE 的量产方案验证了 UWB 可同时覆盖 CPD/ODS/ODMS 三大功能，大幅降低 BOM 成本。

对 IMS 开发，建议优先集成 UWB CPD 算法（CIR 方差分析+FFT呼吸提取），配合现有 DMS 摄像头系统，形成”雷达+视觉”双模态座舱感知方案。

---

参考来源：

• RF Wireless World: UWB Radar CPD App Note
• YFORE PR: Multi-Scenario UWB Radar
• RF Wireless World: UWB Tutorial