承接前文：室内毫米波雷达的应用思考(一)，继续来聊聊室内毫米波雷达的应用，本文仅个人观点，不作为实际参考。
一、室内毫米波雷达的难度
室内毫米波雷达看起来体积小，硬件结构简单，但实际做起来还是很有难度的，不能因为雷达的尺寸很小就轻视了它的复杂程度。工程应用的本质还是希望采用最便宜的东西做出最稳定的产品，才有利润可图。
在具体实现上：
（1）采用最巧妙的算法方案，主要是算力要低，算法性能还要很好。
（2）硬件成本要低，配合低算力处理器完成实时性和准确度之间的平衡。
（3）工程落地上需要面对很多潜在问题需要解决，比如各种干扰、盲区、误报、漏报等问题。
（4）室内环境复杂，目标也各有不同的特点，雷达处理算法的性能要好。
（5）硬件的一致性问题也比较关键。虽然看起来毫米波雷达体积很小，但是一些厂家做出来的板子，性能的一致性不是很好，有的板子信号质量好一些，有的板子信号质量差一些。另外，电源杂散也容易遇到。
（6）前些年大家都做单个功能的研发，比如人体存在检测就是单纯的人体存在检测功能，后续大家向着多功能集成的方向研发。比如人体存在检测，同时结合手势识别、人数统计、睡眠监测，以及跌倒监测等等。要把这些功能统一集成起来，其实是一个比较难的事情。
（7）某些指标和精度很难上去。
总而言之，面对如此内卷的市场，采用低成本的硬件实现高性能的功能是目前的现状，换句话讲，就是既要马儿跑，又要马儿不吃草。
近三个月以来，博主主要在做人体存在检测雷达、呼吸心率监测雷达、手势识别雷达，以及跌倒监测雷达，下面来谈谈感悟。
二、人体存在检测雷达
24G人体存在检测雷达要实现的功能是完全静止的人体目标、微动人体、大幅度运动的人体的同时感知，且完全静止的人体目标至少4米（参考小米人体存在检测雷达），微动人体和大幅度运动的人体7米，同时角度覆盖范围尽量大一些（110°）。
完全静止的人体目标实现4米，甚至6米的探测不难，目前已经实现，有的甚至能做到8米。但是要保证角度覆盖范围大，同时探测结果稳定，还是有难度的，毕竟天线的增益和波束宽度是矛盾的关系，波束宽度越宽，探测距离越受约束。
探测完全静止的人体，依靠的是探测人体的呼吸引起的身体微动实现的，所以呼吸微弱的人或者背对雷达的人，探测距离还是会受到限制，效果没有人体面向雷达那么好。如果能够探测到人体呼吸的微动，那其实可以进一步实现人体的呼吸频率检测，从而增加人体存在雷达的功能。但是如果距离太远了，心率检测很难实现，除了距离约束之外，还有呼吸引起的谐波太大，即使人体做得很近（1米），能够用24G雷达实现高精度的心率监测也是很难实现稳定的探测。
后面人体存在其实还可以结合睡眠监测和人数统计做更多东西。
信号处理难点：
（1）直流抑制：直流抑制其实不算难点，但人体存在雷达和汽车雷达不同，人体存在雷达需要保留人体呼吸和微动的信息。传统的MTI算法是不行的，难以同时保留静止人体和运动人体的同时探测。
（2）近端泄露：近端泄露会造成前几个距离门出现虚假目标。
（3）干扰：室内的空调、电风扇等运动的物体会引起雷达的误判。
（4）多径效应：如果只检测单个人体，不考虑多个人体的话可以不考虑多径。但是如果要检测多个目标，比如3个人以上的目标，就需要考虑多径，否则人数统计会出现假的目标。
（5）积累增益：一般的人体存在检测只有单发单收，信号处理最多做到速度维FFT，有的甚至仅做了距离维FFT，这时如果增益不够，则需要多帧或者多Chirp积累。
三、呼吸心率监测雷达
呼吸心率监测一直都是一个难点，尤其是实现高精度的心率监测。至少要求探测3米内静坐的人体，且保证呼吸心率都比较稳定，误差可以接受（10%以内）。
常规的相位提取+带通滤波+FFT谱估计的方案大部分人都能做，但是经过实验证明，单纯采用这样的方法难以得到稳定的呼吸心率结果。
看了很多论文，寻找到的可实现方案并不多，一个一个地尝试是必不可少的路。当前我们实现的效果如下视频所示（2min）：
未来还是有很多路要走，继续探索，打造更加优秀的产品！呼吸心率是一个比较有突破性的工作，也是一个未来可以持续研究的课题。
信号处理难点：
（1）呼吸谐波抑制：呼吸谐波抑制是心率取得稳定探测的突破点，要么抑制掉，要么避开。
（2）呼吸心率监测的目标距离限制：一般普遍距离都是3米，是否可以更远，且保持稳定精度？比如可以和跌倒雷达结合起来，判断跌倒后人的状态。
（3）人身体微动会影响呼吸心率的精度，一般都是要求人体保持完全静止不动，但是这样会限制雷达的使用场景。呼吸和人体存在集成时，一般要求人体运动时不测呼吸，呼吸时人不要动。
四、手势识别雷达
手势识别是一个比较好玩的东西，我们也尝试玩一玩。人体的手势动作有很多，可以随意定义一些手势（比如上下、左右、前后、转圈），采集一些数据，然后用神经网络训练模型，最后部署到单片机上去，实时跑起来。
手势识别的关键点在于特征提取，特征提取的关键点在于信号处理。只有信号处理过程拿到能够精确代表手势动作的数据，然后提取特征出来，送入到神经网络模型中去，训练出来的模型参数才能获得更高的精度。
有的人不清楚信号处理提取高质量特征对于最终的模型训练很重要，总是给把时间花费在选择复杂网络模型上。其实只要数据的质量够高、样本数据足够多，各种场景都覆盖到，对于网络模型的要求并不是要很复杂的架构，毕竟单片机不能支持计算。
信号处理难点：
（1）特征提取：距离、速度、水平角度、俯仰角度，用于代表手势的特征。获取这些值并不是难点，难度是获取比较精确的值。比如测角可以采用波束形成，速度可以用加权多普勒平均值。
（2）人体微动干扰：如果人体在手势识别检测的覆盖范围内，需要区分是手势运动还是人体运动，否则会引起误判。
五、跌倒监测雷达
跌倒监测和手势识别其实有相似之处，可以共用一套算法，只是输入的数据不同。其实我一直在纠结是通过做异常识别，还是做已知类识别。后续想想还是先从已知类识别开始做起，这样就能够移植手势识别的算法来用。
跌倒雷达对于输入的数据要求很高，常见的数据如4D点云，需要密度越高越好，最好是能够描绘出人体的轮廓，但是目前市场上的雷达芯片很难做到。退而求其次，能够大致描绘出人体的高度、宽度、手臂、脚也可以做跌倒监测，那这样的压力就给到了神经网络了。但是网络的复杂度又不能太高，否则处理器很吃力。
后续跌倒雷达考虑结合呼吸心率，以及手势识别做集成。比如跌倒后用手势识别发出求救信号，然后同时雷达监测人体生物体征，虽然听起来有些瞎扯淡，先做出来再说，万一还真有需求呢。
好了，本次的分享到此结束，感谢大家抽空阅读。后续继续做东西，能够有新的思考和读者探讨。
要实实在在地去做，才有深刻的感悟！由于个人能力有限，本文若有不妥之处，还请指正！
