智能座舱射频感知技术路线对比

【论文精读】智能座舱射频感知的两条技术路线毫米波 mmECG × UWB CarOSense 对比解读论文信息论文一mmECG: Monitoring Human Cardiac Cycle in Driving Environments Leveraging Millimeter WaveIEEE INFOCOM 2022上海交通大学徐翔宇、俞嘉地等录用率 19.9%论文二CarOSense: Car Occupancy Sensing with the Ultra-Wideband Keyless InfrastructureACM IMWUT/UbiComp 2020George Mason University × Broadcom关键词智能座舱、毫米波雷达mmWave/FMCW、超宽带UWB、心率变异性HRV、占位检测、无线感知一、引言座舱感知的无感化竞赛智能座舱正在从响应指令走向主动理解——理解驾驶员的健康状态、理解每个座位上坐着谁。摄像头能做这些事但隐私争议、光照依赖和遮挡问题让行业一直在寻找替代方案座椅压力传感器则无法区分人与物。射频RF感知由此成为主流方向信号穿不透车身金属但能在舱内自由反射天然保护隐私还能在完全黑暗或被衣物遮挡时工作。在射频路线内部当前最有产业想象力的两支是毫米波雷达60GHz/77GHz 频段、GHz 级带宽距离分辨率达毫米级已被 Euro NCAP 2025 直接传感方案推向量产前台UWB 雷达6–8GHz 频段、500MHz 级带宽借数字钥匙CCC Digital Key 3.0锚点上车主打存量硬件复用。本文选取两条路线上各一篇被广泛引用的代表作——毫米波侧的 mmECG驾驶场景心脏周期监测INFOCOM 2022和 UWB 侧的 CarOSense复用数字钥匙做分座椅占位检测IMWUT 2020深度拆解方法最后做横向对比。两篇论文恰好代表了两种截然不同的算法范式物理建模驱动的信号处理流水线 vs 数据驱动的深度学习。二、产业背景为什么是现在在解读论文前先校准一下产业坐标这也是判断论文价值的前提法规牵引Euro NCAP 自 2025 年起只为直接传感direct sensing的乘员/儿童检测方案计分间接方案出局直接拉动舱内雷达装机毫米波侧TI 在 CES 2025 发布 AWRL6844 单芯片单颗顶置即可同时支持占位监测、儿童检测与入侵检测NOVELIC 等模组 2026 年起量产装车UWB 侧NXP Trimension NCJ29D6 单芯片集成安全测距 短程雷达官方场景即包含 CPD已导入宝马等车企 2026 款车型Continental 的 CoSmA 数字钥匙系统已扩展出 UWB 反射模式的舱内检测功能。有行业预测认为约 45% 的新车将配备 UWB 锚点。两篇论文都发表于这股产业化浪潮之前2020/2022但恰恰回答了浪潮中最核心的两个技术问题毫米波能否在颠簸的驾驶环境下提取亚毫米级的心脏微动UWB 的通信硬件复用感知精度到底够不够三、毫米波代表mmECGINFOCOM 20223.1 问题定义在行驶的车里听心跳驾驶员突发心脏疾病是重大道路安全隐患。ECG/PPG 需要接触皮肤方向盘电极则只能在握持时工作。非接触 RF 方案此前大多要求受试者静止——而驾驶场景里相位变化由四类运动混合而成呼吸与心跳的体表微动、驾驶操作转方向盘、换挡、车辆振动、车体多径。心跳引起的胸壁位移仅 0.2–0.5 mm比呼吸4–12 mm小一个数量级还要先穿过骨骼和组织人体本身就是个滤波器。mmECG 的目标不是粗粒度心率而是重建每个心动周期中心房、心室的精细运动阶段——这已接近医用级信息密度。3.2 方法拆解三步流水线① 信号设计与预处理。 采用 FMCW chirp收发混频得到中频IF信号对 IF 做 Range-FFT 得到距离像Range Profile再从相邻 chirp 的距离单元中提取相位变化Δϕ(d,k)arctan⁡i(d,k)r(d,k) \Delta\phi(d,k) \arctan\frac{i(d,k)}{r(d,k)}Δϕ(d,k)arctanr(d,k)i(d,k)​其中ddd为距离单元、kkk为 chirp 序号。凭借大带宽带来的亚毫米级位移分辨能力心脏微动以相位变化的形式被捕获。② 运动混合模型 层次化 VMD。 这是全文的核心创新。作者建立了运动混合模型把相位变化显式表示为驾驶操作、呼吸、心跳、车辆动力学等分量的叠加然后设计层次化变分模态分解hierarchical VMD利用各运动分量独特的频率特性逐层把心跳对应的窄带分量从混合信号中分离出来。相比常见的 EMD 类序贯分解VMD 的联合求解避免了误差逐级传播的问题这一点与同期的 mmHRV 思路相通mmHRV 以 28 ms 的 IBI 中位误差验证了 VMD 路线在心跳提取上的有效性。③ 心动周期重建。 提取出心跳相位分量后利用心跳波形的形状相似性分割出单个心动周期再用**模板优化template-based optimization**估计每个周期中心房收缩、心室收缩等精细阶段最终输出类似 ECG 解读所需的心脏时序信息。3.3 实验结果25 名驾驶员、真实道路驾驶环境下心率估计平均误差 0.37 bpm心率变异性HRV估计误差 11.2 ms心动周期估计误差 6.8 ms。作为参照mmHRV 在静态多用户场景下 IBI 中位误差为 28 ms96.16% 准确率、NLOS 场景 RMSE 31.71 ms——mmECG 在更难的行驶场景下反而把 HRV 级精度推进了一个台阶层次化 VMD 对振动噪声的抑制功不可没。四、UWB 代表CarOSenseIMWUT 20204.1 问题定义数字钥匙顺手做感知UWB 因高精度测距和抗中继攻击能力正被车企大规模用于无钥匙进入系统。CarOSense 提出了一个极具商业洞察力的问题能否复用这套已有的 UWB 锚点基础设施不增加任何专用传感器直接实现分座椅的乘员占位检测难点在于车舱是小空间富多径环境座椅位置可调、物品可出现在座椅/地板/后备箱任意位置16 种占位状态 × 10 个车内位置的组合根本无法穷举训练。作者先用实验证明标准机器学习在未训练场景下精度崩盘然后给出深度学习解法。4.2 方法拆解CIR 张量化 MaskMIMO输入表征。 将各 UWB 锚点对的信道冲激响应CIR沿时间堆叠并组织成 4D 张量时间 × 链路 × CIR 抽头等维度把哪个座位上有人转化为时空模式识别问题。MaskMIMO 网络。 两个关键设计2D 卷积提取 CIR 的空间/时间联合特征——不同链路照射到座舱不同区域卷积核天然适合捕捉这种局部结构**多任务掩码multi-task mask**实现逐座位注意力——每个座位对应一个任务分支掩码机制让网络为每个座位关注最相关的链路子集避免全局特征互相稀释。4.3 实验结果数据覆盖 10 个车内位置、每位置最多 16 种占位状态、15 种测试场景未见位置留一法测试8 锚点 94.6%4 锚点 77.3%未见场景压力测试8 锚点 87.0%4 锚点 69.4%端到端CIR 处理 推理延迟Google Coral 128 ms树莓派 86 ms——轻量到可以直接跑在边缘嵌入式设备上。如何看待 8 锚点这个数字需要注意时代背景量产数字钥匙系统的典型锚点配置为 4–6 个且行业还在向更少锚点降本已有双锚点方案宣称性能接近 4–6 锚点。因此 94.6% 应视为8 锚点理想配置的上限4 锚点的 77.3% 更贴近量产现实。更重要的是IEEE 802.15.4ab 引入 UWB 雷达模式后锚点可自发自收、不再依赖双节点链路——2024 年 UWBCarGraz 数据集上的工作已用单个 UWB 雷达节点 ResNet实现 97.8% 的平均占位检测准确率。复用通信链路做多点收发正被单锚点单站雷达的新范式取代CarOSense 的链路级 CIR 思路是理解这一演进的起点而非终点。值得补充的是这条研究线的延续同一团队随后推出 CaraoKeySECON 2020 最佳论文亚军UWB 感知识别车门/车窗等车辆状态并在 SenSys 2025 发表 UMusic与 Bosch 合作基于高分辨率功率时延谱的舱内占位感知获最佳论文提名精度较前作提升约 15%UWB 座舱感知已从学术原型走向 Tier-1 联合开发。五、横向对比两篇论文的技术路线分野几个值得品味的对比点粒度 vs 复用性的交换。毫米波用更短的波长换来了微动感知能力代价是需要专用雷达UWB 用现成的数字钥匙锚点换零成本部署感知粒度停留在座位级状态。二者不是替代关系而是座舱传感的不同生态位。算法范式的时代印记。mmECG 代表 2022 年前后体征监测的主流打法——每个模块都有物理依据可解释、可调参、小样本可工作CarOSense 代表深度学习路线——性能上限高但依赖数据覆盖度8 锚点降到 4 锚点留一精度从 94.6% 掉到 77.3%说明泛化高度依赖空间采样密度。共同的方法论启示两篇都把多径从敌人变成了信息源——mmECG 靠频率可分性做源分离CarOSense 靠神经网络学习多径指纹。座舱这个富多径小空间反而是 RF 感知的主场。六、趋势判断站在 2026 年回看两条路线正在收敛于单芯片集成——TI AWRL6844 把 60GHz 雷达 AI 加速集成进单芯片NXP NCJ29D6 把 UWB 测距 雷达模式集成进单芯片硬件形态的差异在缩小竞争焦点转向算法栈与数据闭环。UWB 侧还有一层标准红利802.15.4ab 的雷达模式让每个锚点都能独立充当单站雷达锚点数量 感知精度的旧权衡正在被改写。可以预见座舱 RF 感知的下一步是多模态融合雷达 摄像头 座椅传感器互补与感知基础模型预训练表征迁移到不同车型、不同任务两篇论文分别代表的信号处理先验与深度学习范式大概率会在这两个方向上合流。七、总结mmECG 证明了毫米波能在颠簸的驾驶环境中提取 0.2 mm 级的心脏微动并重建心动周期心率误差 0.37 bpmCarOSense 证明了 UWB 数字钥匙锚点可以不花一分钱增量硬件实现 94.6% 的分座椅占位检测。一文一武恰好构成智能座舱射频感知的两块基石毫米波负责精细生命体征UWB 负责零成本空间状态。对于想进入座舱感知领域的工程师这两篇是理解物理建模派与深度学习派方法论差异的最佳对照样本。参考资料X. Xu, J. Yu, C. Ma, Y. Ren, H. Liu, Y. Zhu, Y.-C. Chen, F. Tang, “mmECG: Monitoring Human Cardiac Cycle in Driving Environments Leveraging Millimeter Wave,” IEEE INFOCOM 2022, pp. 90–99. PDF: https://yichao0319.github.io/assets/publications/infocom22_xu.pdfY. Ma, Y. Zeng, V. Jain, “CarOSense: Car Occupancy Sensing with the Ultra-Wideband Keyless Infrastructure,” Proc. ACM IMWUT, vol. 4, no. 3, 2020. PDF: https://yunzezeng.com/assets/pdfs/CarOSense_ACM_IWMUT_2020.pdfF. Wang, X. Zeng, C. Wu, B. Wang, K. J. R. Liu, “mmHRV: Contactless Heart Rate Variability Monitoring Using Millimeter-Wave Radio,” IEEE IoT-J, vol. 8, no. 22, 2021.A. Kalyanaraman, Y. Zeng, S. Rakshit, V. Jain, “CaraoKey: Car States Sensing via the Ultra-Wideband Keyless Infrastructure,” IEEE SECON 2020.S. Wang, Y. Zeng, V. Jain, P. H. Pathak, “UMusic: In-car Occupancy Sensing via High-resolution UWB Power Delay Profile,” ACM SenSys 2025最佳论文提名.