毫米波雷达感知新突破：Seradar系统利用二次反射增强人体感知能力

作者及发表信息
本研究的核心作者团队包括：Danei Gong、Naiyu Zheng（香港城市大学）、Binbin Xie（德克萨斯大学阿灵顿分校）、Jie Xiong（南洋理工大学）、Shuai Wang（东南大学）以及Yuguang Fang（香港城市大学）。研究论文《Seradar: Embracing Secondary Reflections for Human Sensing with mmWave Radar》于2025年11月3日发表于ACM MobiCom ‘25（第31届国际移动计算与网络会议），会议地点为中国香港。论文为开放获取（Open Access），由上述高校联合支持。

学术背景与研究目标
毫米波（mmWave）雷达因其高分辨率在非接触式人体感知领域（如手势识别、呼吸监测）展现出巨大潜力。然而，现有技术依赖一次反射（primary reflection，即信号直接从目标反射回接收器），面临三大挑战：
1. 环境遮挡：毫米波穿透性差，易被家具等物体阻挡；
2. 方向依赖性：目标朝向变化导致信号特征差异显著，降低识别鲁棒性；
3. 多目标干扰：近距离多目标反射信号易混叠。

传统研究忽视二次反射（secondary reflection，信号经目标反射后再次被环境物体反射），认为其信号强度弱、无用。但研究团队发现，二次反射广泛存在于室内场景（如墙壁、家具反射），且携带目标运动信息。因此，Seradar提出首个系统性框架，通过挖掘二次反射提升感知可靠性，推动毫米波技术走向实际应用。

研究方法与流程
Seradar系统包含四个核心模块，具体流程如下：

1. 路径增强（Path Enhancement）

   • 挑战：二次反射信号强度仅为一次反射的1/10至1/100。
     
   • 解决方案：
     
     • 多角度波束成形（Multi-angle Beamforming）：通过数字波束成形技术（MVDR算法）增强特定方向的二次反射信号。
       
     • 相似路径合并（Similar Path Merging）：利用同一反射体（如墙面）上相邻反射点的信号相关性（相关系数>0.7），合并多径信号以提升信噪比。实验显示，合并后信号强度提升3-5倍。
       

2. 路径选择（Path Selection）

   • 特征提取：针对宏运动（如手势）提取时频谱（STFT）和多普勒频移；针对微运动（如呼吸）提取相位变化（0.2–1.5 Hz带通滤波）。
     
   • 有效路径筛选：提出信噪变异比（SVNR）指标，动态功率与噪声功率比值高于阈值（top 70%）的路径被保留。
     

3. 多用户路径关联（Multi-user Path Association）

   • 路径分组：基于互信息系数（MIC>0.6）将同步变化的反射路径归类至同一目标。
     
   • 干扰抑制：采用零陷波束成形（Null Steering）技术，通过优化问题（Lagrange乘数法）抑制非目标方向的干扰信号。实验表明，干扰场景下手势识别准确率从44.44%提升至89.25%。
     

4. 路径融合（Path Fusion）

   • 微运动感知：对齐多路径相位后加权融合（权重=SVNR×路径相关系数），呼吸监测误差从7.1 BPM降至0.5 BPM。
     
   • 宏运动感知：构建多视图Transformer模型，通过LSTM编码时序特征，自注意力机制聚合多路径信息，手势识别准确率提升至92.43%（传统方法仅74.03%）。
     

实验结果与结论
在办公室、家居及车辆等多种场景中，Seradar表现优异：
- 遮挡场景：一次反射被沙发遮挡时，二次反射仍可实现90.5%的手势识别准确率；
- 方向变化：目标侧向（90°）时，呼吸监测误差从4.7 BPM降至0.3 BPM；
- 多目标场景：车内3名乘客间距0.3米时，呼吸监测误差保持0.8 BPM以下。

科学价值与创新点
1. 理论贡献：首次系统性证明二次反射在毫米波感知中的价值，提出多路径增强、选择、关联与融合的全链条方法。
2. 技术创新：
- SVNR指标与MIC分组算法，实现无先验知识的有效路径筛选；
- 多视图Transformer模型支持动态路径数量输入，提升模型泛化性。
3. 应用前景：适用于医疗监护（如呼吸监测）、智能家居（手势控制）及车载系统（乘客状态感知）。

研究亮点
- 跨场景鲁棒性：在开放环境（反射体少）下，系统仍能通过一次反射维持基础性能；
- 硬件兼容性：基于商用TI AWR2944雷达实现，无需额外部署；
- 扩展性：框架可适配超宽带（UWB）等宽频信号感知。

局限与展望
当前系统对复杂运动（如舞蹈）的分组效果有限，未来拟结合深度学习优化路径关联算法。此外，移动目标的多路径干扰仍需进一步研究。

Seradar为毫米波感知开辟了新方向，其设计原则与开源实现（DOI:10.¹¹⁴⁵⁄_3680207.3723471）将为后续研究提供重要参考。