准静态乘员检测的三层拆解：RASSO 多普勒呼吸放大、MVDR 跌倒后占用与 CDR 仿真训练——滑铁卢组三篇雷达论文精读

车舱里最难检的乘员是不动的那一个。ADAC 的 CPD 实测已经把这件事量化过:反向安全座椅 Isofix 安装的新生儿,三款量产车的直接检测系统(两套雷达、一套摄像头)100% 检测失败,根因是新生儿呼吸引起的胸部位移不足 2 mm,能量全部埋在静态杂波底下(本站此前拆解:ADAC CPD 新生儿检测失败分析)。滑铁卢大学 George Shaker 组(Wireless Sensors and Devices Lab / SEMI Lab)2026 年 1 月连发三篇论文,在真实的长期护理(LTC)养老院环境里,用同一颗消费级 60GHz 芯片把”准静态人体占用检测”做到了检测 AUC 0.981、跌倒后地面占用帧检出率 0.916、以及纯仿真训练占用检测 97%——三篇恰好构成同一个问题的三层:信号处理层、检测决策层、训练数据层(Trinh, Creager & Shaker, 2026;Trinh et al., 2026;Trinh, Ratto, Creager & Shaker, 2026)。

对 IMS 开发者,这三篇的价值不在”养老院”,而在它们处理的问题与 CPD 静止乘员场景同构:静止人体 + 强静态杂波 + 低信噪比 + 告警疲劳约束 + 不允许大规模真实标注。本文按 A 型深读结构逐层拆解三篇的方法与原文数字,最后给出可迁移到 60GHz 车规雷达 CPD 管线的四条落地判断。注意一个边界:三篇的实验环境是 LTC 房间,不是车舱;所有数字是原文在养老院场景的结果,直接外推到车舱需要重新验证——这也是本文第五部分要展开的内容。

本文为 A 型(论文深读型)。所有参数、公式与数字均出自三篇论文的 arXiv 全文(HTML 版,2026-01-25 提交),已在写作前完整阅读;跨领域背景引用本站 ADAC 分析文。站内关联:60GHz FMCW 雷达 CPD 技术路径、UWB vs 60GHz CPD 选型、Smart Eye×NOVELIC 融合方案。

背景:为什么”准静态”是占用检测的分水岭

三篇论文共同的问题设定来自 LTC 机构的真实运营压力:住户独处房间时的存在感知、跌倒后的地面占用确认、以及护理人员的告警疲劳——第二篇论文开篇明确写道,”频繁的误报或不确定检测会压垮照护者并造成告警疲劳”(Trinh et al., 2026)。这组约束翻译到车载 CPD 场景几乎逐条对应:静止乘员存在检测(被遗忘的儿童)、离车后的乘员遗留确认、以及误报率预算(用户与法规两侧都不能接受狼来了)。

物理上,难点在多普勒谱的零频附近。卧、坐、站的人体只剩呼吸(~0.2–0.3 Hz)与微动,多普勒能量集中在 0 m/s 附近,与墙面、家具的静态杂波混在一起;常规 MTI(动目标显示)滤波去杂波的同时,把准静态目标的能量一并削弱。三篇论文分别从三个层面应对:

图 1:三篇论文在同一个”准静态占用检测”问题栈中的位置(作者依据三篇原文整理)。

三篇用的都是 Infineon XENSIV™ BGT60TR13C(58–63.5 GHz,FMCW,1 发 3 收 SIMO)——一颗消费级芯片,论文一实测带宽约 500 MHz,距离分辨率 0.30 m,最大量程 9.6 m,帧率 10 Hz,128 chirps/帧(Trinh, Creager & Shaker, 2026, Table I)。这个硬件档位的选择本身就是一条信息:准静态盲区主要不是硬件问题。

核心机制

第一层:RASSO——在多普勒域”放大”呼吸

RASSO(Respiratory-Amplification Semi-Static Occupancy)的做法出奇地简洁:对慢时 FFT 后的多普勒维做一次可逆的单调非线性重映射,在 0 m/s 附近加密采样,类似 mel 刻度对频率轴的处理。论文给出的 warp 是一个对数型变换(D = sgn(f)·(f_e/log 2)·log(1+|f|/f_e),边缘频率参数 f_e = 0.03),正反变换都封闭可逆,逐天线保持相位,复杂度 O(R·N_D·N_RX)——每帧线性,不构成部署负担(Trinh, Creager & Shaker, 2026, Eq. 21–25)。

处理链如下:

图 2:RASSO 管线,在常规 Capon 波束成形前插入一步多普勒域重映射(据原文 Sec. II 整理)。

效果路径很直观:呼吸微动在零频附近的能量原本挤在几个多普勒 bin 里、淹没在杂波旁瓣中;warp 之后这段谱被”摊开”,Capon 波束成形输出的 RA 图上目标峰值更尖、背景方差更低——论文报告平均 SNR 从 6.88 dB 提到 9.55 dB(约 +2.7 dB),这不是硬件增益,是纯信号处理增益。

第二层:MVDR + CA-CFAR——把厂商 DBF 换掉,把”单帧检测”换掉

第二篇针对的是更苛刻的跌倒后场景:人已经倒地不动,地面与家具反射主导回波。论文对比了 Infineon SDK 自带的延迟求和数字波束成形(DBF,基于 range-angle-map.py 改造)与作者提出的 Capon/MVDR 预处理:对每个距离 bin,聚合零多普勒附近的 N_D 个多普勒 bin 构建快拍矩阵,估计样本协方差后用 Moore–Penrose 伪逆(不加对角加载)求 Capon 谱;预处理还包括指数遗忘因子 α = 0.01 的时域杂波估计与 MTI(Trinh et al., 2026, Sec. II-D)。

检测端是二维 CA-CFAR,灵敏度系数 k 在 Subject 1 子集上标定:DBF 用 k = 1.4,提出方法用 k = 2.4,标定准则是帧级误报率(FPR)上限 0.1 下最大化 Macro-F1。结果:DBF 帧级 FPR 约 1%(空房间数据 TNR 99%),提出方法 FPR 0%(TNR 100%)。更重要的是部署口径——论文明确说告警不应由单帧判定,而要求时间积分:ROI 在约 20 秒窗口内 ≥80% 的帧有检出才触发告警(Trinh et al., 2026, Sec. II-E)。这个”检出率门槛 + 时间窗”的告警逻辑,正是告警疲劳约束下的标准解法。

第三层:CDR——10 秒空场景录音,换掉整套真实标注

第三篇解决的是数据问题:训练雷达感知模型要真实数据,而真实数据意味着受控实验、反复标定与大量标注。作者的方案是物理约束数字孪生 + 校准域随机化(Calibrated Domain Randomization, CDR):

  • 仿真侧用 SBR(弹跳射线)+ PO(物理光学)电磁求解器对走廊几何做射线追踪,墙面介电参数实测,人体用 Mixamo/CMU 动捕驱动的 3D 网格提供时变 RCS;虚拟雷达按 BGT60TR13C 建模(60 GHz,882.35 MHz 带宽,256 samples/chirp,理论距离分辨率 0.17 m)(Trinh, Ratto, Creager & Shaker, 2026, Sec. III)。
  • 纯射线追踪仿真直接训练会崩:ResNet18 占用检测只有约 50%(均衡准确率,等于随机)。常规做法是启发式域随机化(噪声底均值在 [-130, -100] dB、标准差 [1, 4] dB 随机采样),拉到约 83%。
  • CDR 的改动只有一处:噪声底不再启发式采样,而是用一段 10 秒(100 帧)无标注的空场景真实录音,拟合真实 RD 图幅度的均值/方差,仿真逐帧逐 cell 做 dB 域钳位 max(S, N),N 从该高斯分布采样。真实数据只用于这一次无标注校准,训练标签全部来自仿真。

结果:占用检测 97%(均衡准确率),人数统计 72%,同时优于射线追踪基线(约 50%/33%)与常规随机域随机化(约 83%/61%)。作者用 RD 直方图对齐、静态能量占比散点与早期特征图可视化论证:CDR 把仿真推到真实杂波分布上,模型学会了看”人动的那部分 cell”而不是背景伪影。

实验与证据:三篇的原文数字

论文 任务 数据规模 关键结果
RASSO(2601.17721) 准静态占用(卧/坐/站) 真实 LTC 客厅,双雷达 2.5 m 挂高,384,000 帧 @10 Hz,4 名被试(1 训练 3 跨被试) CFAR 检测 AUC 0.981;Recall@FAR1% 0.920;CNN-LSTM 跨被试 98.45–99.56%
跌倒后占用(2601.17710) 倒地不动的人体地面占用 布置家具的 LTC 风格房间,2 视角 × 5 位置,7 名被试,~43,000 帧 平均帧检出率 0.823(DBF)→ 0.916(MVDR);94.3% 试验中持平或改善
CDR sim2real(2601.17871) 走动人体占用 + 人数统计 走廊,空/1 人/2 人行走,纯仿真训练 占用 97% vs 随机 DR 83% vs 纯 RT 50%;计数 72% vs 61% vs 33%

表 1:三篇论文一览(数字均出自各原文,Trinh et al., 2026)。

RASSO 的检测端对比(CA-CFAR,跨被试平均):

方法 AUC Recall@FAR=1% Recall@FAR=5%
E-RESPD Macro 0.919 0.839 0.845
E-RESPD Micro 0.828 0.520 0.573
常规 Range-Doppler 0.974 0.829 0.837
Baseline RA(无 warp) 0.920 0.643 0.780
RASSO RA 0.981 0.920 0.947

表 2:RASSO 论文 Table II 摘录(Trinh, Creager & Shaker, 2026)。

学习式检测端:SimpleCNN 逐被试准确率从基线 RA 的 89.39–93.23% 提升到 RASSO RA 的 95.36–99.42%;CNN-LSTM 从 95.61–97.72% 提升到 98.45–99.56%。跨被试 CFAR Macro-F1 提升 6–10 个点(如 Subject 2:0.811→0.924),而会话级配对 bootstrap(B=1000)给出 macro-F1 增益 2.6–3.6 个点、95% 置信区间全部大于零(p ≤ 0.001)——作者专门做了不确定性量化,这不是一张挑出来的好表。

跌倒后占用那篇,改善集中 hardest case:Subject 1 TV–P1 帧检出率 0.35→0.57,TV–P5 0.63→0.94;但最差组合(Subject 1, TV–P4)只从 0.27 到 0.40——强杂波与遮挡几何下仍然漏,论文如实保留了这个失败案例。CDR 那篇同理:计数任务只有 72%,错误集中在 1 人与 2 人在多普勒上部分重叠/遮挡的模糊场景。

与已有方案的关系

维度 本组三篇 车规 60GHz CPD 现状(本站已有拆解)
硬件 BGT60TR13C 消费级,1Tx-3Rx,~500 MHz ACAM200 等 AiP 方案,57.7–62.4 GHz,115°×108° FoV(见 Smart Eye×NOVELIC 文)
准静态手段 RASSO 多普勒重采样 + Capon 依赖呼吸微动检测,但 ADAC 实测静止新生儿仍 100% 失败
告警逻辑 时间积分(20 s 窗 / ≥80% 帧检出)+ FPR 上限标定 各家黑盒;误报率是商用口碑瓶颈
数据获取 纯仿真 + 10 秒无标注校准 真车采集 + 标注为主,Omniverse 管线在补(本站数据合成系列)
已验证场景 LTC 房间(2.5 m 挂高、家具多径) 车舱(金属多径、座椅遮挡、反向安全椅)

表 3:与车规 CPD 的位置对照(右列引用本站已有文章,链接见文内)。

需要划清的两条边界:其一,RASSO 论文的对比基线 E-RESPD(Macro/Micro)来自 Kahya 等人的 MCROOD/HOOD 工作,是养老院占用检测的既有方法,不是车规方案——表 2 说明的是”同一场景、同一硬件下信号处理增益”的量级;其二,CDR 那篇的 97% 是走动人体占用检测(靠微多普勒),静止人体在该篇框架内同样是不可见的,它解决的是数据侧而非准静态问题。三层各自补各自的洞,拼起来才接近完整栈。

对 IMS 团队的启示

1. 准静态盲区先动信号处理,再谈换硬件。 RASSO 证明在一颗 ~500 MHz 带宽的消费级 SIMO 芯片上,零频附近的多普勒重采样 + Capon 能把检测 AUC 从 0.920 拉到 0.981(+2.7 dB SNR),零硬件改动、逐帧线性复杂度。车规雷达通道数与带宽普遍高于 BGT60TR13C,没有理由先走”加传感器”路线。可执行项:在现有 60GHz CPD 管线的慢时 FFT 与波束成形之间插入近零多普勒非线性重采样,用 ADAC 同款工况(反向安全座椅 + Isofix)复测静止新生儿检出率。

2. 告警 = 时间积分 + FPR 预算,而不是检测阈值。 第二篇的可迁移物不是 MVDR 本身,而是它的标定流程:先定帧级 FPR 上限,再在该约束下标检测灵敏度(k 值),最后用”20 s 窗口内 ≥80% 帧检出”做告警判定。这套口径与 FIA 信任调研里”干预不愉快是 LKA 关断第一因”的消费端证据同向(本站:FIA ADAS 信任调研)——误报预算应该是 CPD 的一级需求项,写进传感器指标书而不是留给标定工程师现场凑。

3. 仿真训练的性价比拐点:一次无标注校准。 CDR 说明纯射线追踪数据直接训练会崩(50%),启发式域随机化只能到 83%,但加一段 10 秒空场景录音校准噪声底就能到 97%。对座舱数据合成线的直接启示:Omniverse/世界模型管线的投入重点可能不在生成真实感本身,而在仿真与目标环境噪声统计的对齐机制——这段校准数据获取成本几乎为零。同时记住 72% 的人数统计准确率:多人细粒度仍是仿真短板,涉及 OOP 多乘员场景时仿真只能当预训练,不能当证据。

4. 跨场景迁移的两个未解项,正是车舱的真正难点。 三篇的局限(作者自述)高度一致:单被试占用(LTC)、多人互动场景未验证、跨设施/跨房间布局需要域自适应。映射到车舱:多人乘员(一家四口)与安装几何(2.5 m 挂墙 vs 车顶模组/尾箱)都不在原文验证范围内;加上车舱特有的金属多径与反向安全椅背板遮挡,数字只能当”可行性上限”读。我认为 RASSO 类信号处理在车舱的首个量产落地会是离车遗留确认(第二层的时间积分逻辑 + 准静态检出),而不是行车中的实时 CPD——因为前者的时延预算宽松(20 秒窗口完全可接受)、误报代价低(重新检查提示),是低风险导入点。

路线判断

三篇合起来给出的判断:准静态占用检测的瓶颈排序是 信号处理 > 数据 > 硬件。信号层一个线性复杂度的重采样就能 +2.7 dB;数据层一次 10 秒无标注校准能把仿真训练从不可用(50%)拉到可用(97%);而硬件(消费级 1Tx-3Rx)从头到尾没换。对被 ADAC 结果按住头部的雷达 CPD 供应商,这组结果说明”静止新生儿检不出”这个锅,硬件只背一部分,更大的部分在算法栈的零频处理与告警逻辑设计上——而这两层恰恰是最便宜、最快能改的。

开放问题同样明确:多人准静态(成人抱着新生儿)、跨安装几何域自适应、以及准静态占用与生命体征提取的统一管线(RASSO 作者的 future work 方向)——这三项在养老院文献里都还没答案,车舱侧更没有。谁先在车规硬件上把”静止新生儿 + 反向座椅”工况的检出率从 0 拉起来,谁就接住了 Euro NCAP CPD 项的分。

参考

  1. Trinh, H., Creager, E., & Shaker, G. Doppler-Domain Respiratory Amplification for Semi-Static Human Occupancy Detection Using Low-Resolution SIMO FMCW Radar. arXiv:2601.17721, 2026-01-25. https://arxiv.org/abs/2601.17721
  2. Trinh, H., Thai, P., Creager, E., & Shaker, G. Reliable Quasi-Static Post-Fall Floor-Occupancy Detection Using Low-Cost Millimetre-Wave Radar. arXiv:2601.17710, 2026-01-25. https://arxiv.org/abs/2601.17710
  3. Trinh, H., Ratto, S. V., Creager, E., & Shaker, G. A Physics-Informed Digital Twin Framework for Calibrated Sim-to-Real FMCW Radar Occupancy Estimation. arXiv:2601.17871, 2026-01-25. https://arxiv.org/abs/2601.17871
  4. 本站:《ADAC CPD 实测暴露关键缺陷:新生儿检测失败率 100% 的根因分析与 IMS 对策》,2026-08-24. /blog-posts/2026-08-24-adac-cpd-test-newborn-detection-failure-analysis-ims.md
  5. 本站:《60GHz FMCW 雷达车内感知——CPD 与生命体征检测的技术路径》,2026-07-01. /blog-posts/2026-07-01-60ghz-fmcw-radar-cpd-vital-signs-zh.md