Dapalm | IMS技术前沿

SpiRadar：非接触雷达肺活量测定——从儿童哮喘到座舱呼吸监测的技术跨越 论文标题： SpiRadar: Radar-Based Non-Contact Spirometry via Sparse Polynomial Framework作者： Yonatan Eder, Yhonatan Kvich 等（Weizmann Institute + Schneider Children’s Medical Center）发布时间： 2026年7月arXiv： 2607.19798机构： 魏茨曼科学研究所、Schneider 儿童医学中心测试： 39 名儿童（6-18岁），58 次肺活量测试，留一交叉验证 核心创新SpiRadar 首次实现了无接触雷达肺活量测定，通过 mmWave FMCW 雷达测量胸壁位移，经稀疏多项式模型转换为肺活量曲线： 无需口鼻接触：消除传统肺活量计的咬嘴和鼻夹 跨被试泛化：稀疏优化实现无需个体校准 临床级精度：RMSE 0.23±0.12L，BDR 分类准确率 89.5% 儿童验证：首个在儿科群体（6-18岁）验证的非接触肺活量方案 1. 为...

汽车即诊所：TU Braunschweig 多模态健康座舱——从疲劳检测到心律失常预防 来源： TU Braunschweig Peter L. Reichertz 医学信息学研究所（PLRI）展出： Automechanika Frankfurt 2026年9月8-12日核心： 方向盘 ECG + 摄像头 rPPG + 安全带心音图 + 光电容积脉搏波——AI 融合的汽车健康诊断空间 1. 项目概述1.1 愿景TU Braunschweig 的 PLRI 研究所与汽车工程研究所合作，将汽车从交通工具转变为诊断级健康监测空间。两辆研究车辆将在 Automechanika Frankfurt 2026 公开展示。 “未来出行不仅可以更互联、更自动化，还可以更具预防性和个性化——即更以人为本。” —— Prof. Thomas Deserno, PLRI 1.2 核心能力 能力 检测目标 临床价值 心率/心律监测 心律失常 预防心脏病发作 呼吸率监测 呼吸异常 COPD/哮喘管理 长期趋势分析 健康变化 早期发现帕金森/COPD...

Wave2Body：将 mmWave 雷达人体姿态估计重新定义为 Token 翻译——论文深度解读与代码复现 论文标题： Wave2Body: Rethinking mmWave Human Pose Estimation as Radar-to-Body Token Translation作者： Chen Gong, Wei Gao, Chenren Xu（北京大学 + 匹兹堡大学）发布时间： 2026年7月arXiv： 2607.18875代码： https://github.com/Galaxywalk/Wave2Body 核心创新Wave2Body 首次将 mmWave 雷达人体姿态估计（HPE）重新定义为从雷达 Token 到人体 Token 的翻译任务，通过三阶段解耦学习实现： 自监督 mmWave Tokenizer：从雷达点云无标签学习雷达表示 组合式人体 Tokenizer：从纯姿态数据学习人体结构空间 轻量翻译器：仅学习跨模态映射，大幅减少配对数据需求 关键突破： M4Human 基准测试中跨受试者 MPJPE 降低 9.7%，训练 FLOPs 减少 ...

🎯 核心亮点 维度 内容 厂商 ZF LIFETEC 展示 InCabin 2025（底特律） 核心能力 实时乘员分类+自适应气囊部署 技术路线 摄像头+传感器数据融合 IMS关联 🔴 高（OMS量产参考架构） 🔧 系统架构 flowchart TD A[座舱摄像头] --> D[乘员分类引擎] B[座椅传感器] --> D C[安全带状态] --> D D --> E{乘员类型} E -->|成人| F[标准气囊部署] E -->|儿童| G[降低爆炸力/禁用] E -->|空座| H[禁用气囊] E -->|OOP| I[降低爆炸力] F --> J[标准预紧] G --> K[特殊预紧策略] 乘员分类决策表 乘员类型 检测特征 气囊策略 预紧策略 成人（>45kg） 压力+视觉 标准部署 标准 儿童（15-45kg） 压力+视觉 降低爆炸力...

🎯 核心事件 维度 内容 厂商 Seeing Machines 事件 向NHTSA提交先进酒精检测计划（ANPRM） 时间 2024年 核心方案 DMS行为分析+可选传感器融合 对标 Smart Eye CES 2026获奖方案 IMS关联 🔴 高 📊 Seeing Machines vs Smart Eye 维度 Seeing Machines Smart Eye 技术路线 行为分析+可选传感器 纯行为分析 传感器 DMS摄像头+可选额外传感器 仅DMS摄像头 部署方式 需硬件升级 OTA纯软件 成本 中 低 准确性 待验证 待验证 法规参与 NHTSA ANPRM提交 Euro NCAP方向 量产状态 研发中 ✅ 已量产 🔬 Seeing Machines技术方案 flowchart TD A[DMS摄像头] --> B[眼动追踪] B --> C[面部行为分析] C --> D[损伤评分] D --> E{阈值判断&a...

🎯 核心问题 Euro NCAP要求 单摄像头 摄像头+雷达 摄像头+雷达+压力垫 疲劳检测 ✅ ✅ ✅ 分心检测 ✅ ✅ ✅ CPD儿童检测 ❌ ✅ ✅ OOP姿态检测 ⚠️ ⚠️ ✅ 安全带误用 ✅ ✅ ✅ 酒驾检测 ✅ ✅ ✅ 乘员分类 ❌ ⚠️ ✅ 🔧 融合架构 graph TB A[DMS摄像头<br/>OV2311] --> D[融合引擎<br/>卡尔曼滤波] B[60GHz雷达<br/>AWRL6432] --> D C[压力垫<br/>32x32 FSR] --> D D --> E[统一状态估计] E --> F[功能模块] F --> G[疲劳/分心] F --> H[CPD/OOP] F --> I[安全带/酒驾] F --> J[乘员分类] 📊 传感器分工 传感器 负责功能 优势 劣势 摄像头 眼动/面部/...

🎯 核心目标 维度 内容 源框架 PyTorch 目标平台 Qualcomm QCS8255 (Hexagon NPU, 26 TOPS) 量化精度 INT8 工具链 PyTorch → ONNX → SNPE DLC → INT8 应用 DMS模型部署 IMS关联 🔴 高（量产部署必需） 🔧 量化流程 flowchart TD A[PyTorch模型.pt] --> B[导出ONNX] B --> C[snpe-onnx-to-dlc] C --> D[FP32 DLC] D --> E[snpe-dlc-quant<br/>INT8量化] E --> F[INT8 DLC] F --> G[QCS8255部署] G --> H[性能测试] 完整代码12345678910111213141516171819202122232425262728293031323334353637383940414243444546474849...

🎯 核心价值 维度 内容 平台 NVIDIA Omniverse + Cosmos + Isaac Sim 核心能力 物理级合成数据生成 数据格式 OpenUSD 应用场景 座舱DMS/OMS训练数据生成 优势 物理准确、自动标注、无限场景 IMS关联 🔴 高（数据是AI最大瓶颈） 📊 数据采集痛点 痛点 传统采集 合成数据 成本 $50-200/场景 $0.1/场景 速度 10场景/天 10000场景/天 标注 人工标注$5/张 自动标注 多样性 受限于采集条件 无限变化 边界场景 难以采集 轻松模拟 隐私 需要授权 无隐私问题 🔧 技术架构管道流程 flowchart TD A[Omniverse场景构建] --> B[座舱3D模型导入<br/>OpenUSD] B --> C[Metahuman角色生成] C --> D[行为脚本编写] D --> E[Isaac Si...

🎯 核心问题 维度 内容 问题 后备箱盖运动模拟车内儿童活动，导致CPD误报 影响 Euro NCAP CPD检测误报率超标（要求<5%） 方案 轻量级纯时域检测器 论文 ResearchGate: In-Vehicle Child Presence Detection Using 60GHz Radar 发布时间 2025年9月 IMS关联 🔴 高（CPD是Euro NCAP 2026强制要求） 📊 问题背景CPD检测原理60GHz毫米波雷达通过检测微小运动（呼吸、心跳）来判断车内是否有人： flowchart TD A[60GHz雷达发射] --> B[车内反射] B --> C[回波接收] C --> D[相位提取] D --> E[微多普勒分析] E --> F&#123;检测到生命体征?&#125; F -->|是| G[CPD警报] F -->|否| H[车内无人] 误报来源 误报来源 频率 原因 ...

🎯 核心亮点 维度 内容 论文标题 Cognitive Distraction Detection Using Gaze and Pupil with an Interpretable Approach 会议 IEEE IV 2025（第36届IEEE智能车辆研讨会） 作者 Kimimasa Tamura, Simon Stent, John Gideon, Kohei Shintani, Guy Rosman 机构 Toyota Research Institute 被试人数 52人驾驶模拟器实验 核心创新 可解释性 + 跨任务泛化 + CatBoost优于Transformer IMS关联 🔴 高（认知分心是Euro NCAP 2026重点） 📊 研究背景认知分心检测的挑战 挑战 描述 本文解决方案 特征微妙 认知分心不像疲劳那样有明显视觉特征 使用眼动熵等高级特征 个体差异 不同人的眼动模式差异大 52人大规模实验 可解释性 深度学习黑箱难以落地 CatBoost + SHAP分析 跨任务泛化 n-back...