这几年只要聊到整车智能绕不开的一个话题就是“车内感知”。大家听得最多的可能是DMS驾驶员监控、OMS乘客监控靠摄像头看人有没有分神、有没有在睡觉。但真正往深了做之后你会发现有一项能力比“看清人脸”更底层、也更难做那就是“车内生命体征检测”。简单说就是让车自己感知到车内有没有活的生命体不是靠图像识别“这是一个人”而是直接探测心跳、呼吸这类生理信号。这个功能听起来不复杂真正落地才发现水很深。它牵扯到传感器选型、射频硬件、信号处理、整车网络交互、功能安全甚至在某种程度上决定了未来座舱能不能真正成为“第三生活空间”。这篇文章我不打算只讲概念我想把我们团队在预研和实车验证过程中踩过的坑、选型时的纠结、算法层面的取舍一次说清楚希望能给正在做相关项目的朋友一些参考。1. 内容整体设计与思路拆解1.1 为什么车内感知的下一站是生命体征而不是人脸识别先聊一个很实际的问题摄像头已经能拍到人了为什么还要单独上一套检测生命体征的方案因为摄像头有一个天然短板它看不到“覆盖状态下”的生命。举个例子夏天停车后排有个孩子睡着了身上盖了一条薄毯子。摄像头拍到的是一团静止的织物DMS和OMS算法大概率会判定为“无目标”或者“静态目标”。但毫米波雷达不靠光学成像它靠的是微波反射毯子盖不住呼吸导致的胸腔起伏同样也盖不住心跳引起的皮肤微动。这正是生命体征检测在安全场景里不可替代的原因。另外还有一个容易被忽略的维度隐私。座舱是一个高度私密的空间让摄像头一直盯着你很多用户心理上很难接受。欧洲那边对数据隐私的监管又紧车内视频录像面临严格的数据合规要求。生命体征检测如果走毫米波雷达方案探测的是射频回波不产生任何图像信息从根源上规避了隐私问题。这对整车出海、满足海外数据法规特别关键。所以车内生命体征检测并不是要替代DMS/OMS而是做一层“物理层感知兜底”。摄像头负责“看清楚是谁、在干什么”雷达负责“感知到有没有活的生命”。两者的信息维度不同互为补充共同构成整车对座舱状态的完整理解。1.2 方案选型时的三条路线之争我们在预研阶段其实讨论过三条技术路线不能说谁绝对好每个方案都有自己的适用边界我这里把当时的对比逻辑复盘一下。第一条路线是超宽带雷达也就是UWB。UWB在手机和数字钥匙上用得很多测距精度能做到厘米级。但真正拿到座舱生命体征场景里测试我们遇到的问题是它的发射功率和频谱占用受限比较大车内多径反射严重距离分辨率虽然高但对微动信号的感知不够灵敏。呼吸引起胸腔位移大约只有几毫米UWB的波形设计更偏向通信而非微动感知所以在体征检测上并不占优势。第二条路线是座椅压力传感器阵列。在座椅坐垫里铺薄膜压力传感器靠人体重压和呼吸引起的重心微变化来推断体征。它的优点是成本低、隐私性强缺点也很明显接触式方案要求乘员必须规范坐好一旦盘腿、侧躺、身体前倾压力分布就乱了。而且它覆盖不了坐垫以外的区域比如后排地板上蹲着一个孩子这个场景压力传感器完全无能为力。我们把座椅压力方案定位为“辅助信号源”不承担主检测职责。第三条路线就是毫米波雷达最终我们选了它。核心原因是毫米波既能通过距离维分辨出目标大致位置又能通过相位信息捕捉到亚毫米级的胸腔微动而且穿透性好、抗光照干扰、无隐私问题。它跟生命体征检测的需求天然匹配。现在60GHz频段和77GHz频段的雷达芯片都成熟了车规级供应链也基本齐了成本已经降到可以接受了。1.3 这套方案在整车智能中的角色定位生命体征检测落到整车智能里不是做一个孤立的传感器盒子而是要接进整车的电子电气架构成为座舱感知层的一部分。我把它的角色拆成三层。最底层是信号感知层雷达持续发射毫米波接收反射回波经过射频前端处理后输出中频信号。中间是特征提取层对中频信号做距离维FFT、多普勒维FFT、相位解缠从杂乱回波里分离出呼吸和心跳引起的微动信号。最上层是决策应用层根据目标的距离、所在区域、体征信号强度判断车内是否存在生命体、处于什么状态然后通过CAN或以太网把结果发给车机、热管理系统和车联网平台。我们系统设计时特意把决策应用层跟信号处理层做了接口解耦。雷达模组只负责上报“目标ID、距离、方位角、呼吸频率、心跳频率、置信度”这些结构化数据至于要不要触发报警、要不要开窗通风由域控制器里的策略模块决定。这样做的考虑是不同车型对生命体征检测的触发条件和响应策略不一样如果把策略写死在雷达模组里后续做车型适配会非常痛苦。解耦之后雷达模组是标准件上层策略做差异化复用率高很多。2. 核心细节解析与实操要点2.1 毫米波雷达检测生命体征的基本原理可能有人会问呼吸和心跳引起的体表位移那么小毫米波雷达怎么就能测出来这里面的关键概念是“微多普勒效应”。雷达发射电磁波碰到人体后反射回来。人体静止时躯干主体反射的电磁波频率不会变化。但呼吸时胸廓会周期性扩张收缩这个运动让反射面产生了轻微的径向速度导致回波频率发生微小偏移。心跳虽然位移幅度更小但同样会在回波相位上留下周期性变化。毫米波雷达的波长只有几毫米相位变化对微小位移极其敏感这正是它能捕捉到呼吸心跳信号的根本原因。实际操作中我们不是直接看回波强度而是提取回波在复数域上的相位信息。中频信号经过ADC采样后是I/Q两路数据对目标所在距离门做相位解缠得到随时间变化的相位序列φ(t)。胸腔位移x(t)与相位变化的关系是x(t) λ × φ(t) / (4π)λ是雷达波长。60GHz雷达的波长约为5mm这意味着1度的相位变化就对应大约0.007mm的位移。呼吸引起的位移量通常在1到12mm之间心跳引起的位移大约0.1到0.5mm在相位域里都是可观测的。拿到相位序列后接下来做频谱分析。呼吸频率一般在0.1到0.5Hz也就是每分钟6到30次心跳频率在0.8到2Hz也就是每分钟48到120次。两者的频带分得很开用带通滤波器就能分离。我们在工程上先把原始相位序列做去趋势处理消除身体整体缓慢移动造成的直流漂移然后用两个数字带通滤波器分别提取呼吸分量和心跳分量再做滑动窗口FFT得到实时的呼吸频率和心跳频率。2.2 硬件平台选型60GHz还是77GHz雷达频段的选择是这个项目最开始就要定的关键参数。我们先说结论60GHz和77GHz都能做生命体征检测但侧重点不一样。77GHz雷达的传统优势是用于车载外部感知也就是自适应巡航、自动紧急制动这类功能。它的探测距离远、速度分辨率高芯片生态非常成熟大部分车规毫米波雷达方案都来自这个频段。但77GHz雷达的天线和射频设计通常考虑的是远距离目标拿到车内做近距离体征检测视角覆盖和近距离盲区管理反而不如专门设计的60GHz方案灵活。60GHz频段的好处是波长更长对微动的相位响应相对不敏感但实际上这里有个反直觉的点波长越长相同位移对应的相位变化越小理论上检测灵敏度会下降。真正让60GHz在车内场景胜出的原因有两个。第一60GHz的带宽全球范围内基本都开放了可以做到大带宽距离分辨率高能把车内多个乘客区分开。第二60GHz的氧吸收衰减更明显电磁波传播距离短天然适合车内这种几米内的超短距离场景抗干扰性好。我们选型时最终用了国产的60GHz毫米波雷达模组一发两收的天线结构覆盖范围为距离1到5米水平视场角约120度垂直视场角约60度。这个视角设计是为了同时覆盖前排和后排安装位置选在内后视镜后方的挡风玻璃区域附近向下倾斜一定角度确保后排座椅也在雷达波束范围内。2.3 天线设计与安装位置踩过的坑这里想重点聊一个细节安装位置和姿态对检测效果的影响之大超过大多数人的预期。我们最初把雷达装在驾驶座头枕后方想着离驾驶员近检测效果应该最好。实际测试发现呼吸信号检测倒是没问题但驾驶员转头、伸手、身体前倾这些日常动作产生的多普勒信号幅度远大于呼吸信号导致动态干扰下的“假阳性”特别多系统频繁把正常动作误判为生命体征异常。后来我们把雷达挪到中控台下方朝后排照射问题变成了前排驾驶员被中控台遮挡雷达波束没法有效覆盖。最终我们采用“顶置中央安装位”雷达模组固定在车内后视镜后方的顶棚区域波束中心轴与水平面成约40度俯角。这个角度下前排和后排都能被波束扫到而且座椅靠背对雷达波是弱反射体穿透损耗不大后排乘员的体征信号依然能穿透座椅靠背回到雷达接收端。安装位置确定后还有个容易被忽略的问题雷达天线的极化方式。车内存在大量金属件和曲面反射体电磁波会发生极化旋转导致收发天线的极化失配回波功率下降。我们在样件阶段用胶带把雷达固定在不同位置反复开关车门、调整座椅角度发现接收信号强度波动能超过10dB。最后靠软件里的自动增益控制把问题压住了但如果你做的是固定增益设计这个坑会非常致命。2.4 信号处理链路里三个关键环节从原始ADC数据到最终输出呼吸心跳频率中间的数据处理流程是比较标准化的但里面有几个细节决定了系统能不能在实车上稳定工作。第一个环节是静态杂波抑制。车内静止的内饰件、座椅、顶棚都会产生强反射这些静态目标在距离维上表现为固定峰如果不去除目标检测时会一直锁定在内饰板上永远找不到人体信号。我们用的是平均相消法对每个距离门积累一段时间的回波做平均再用当前帧减去平均值。这样静止目标被抑制只有微动目标才在距离-慢时间维上留下明显能量。第二个环节是目标识别与距离门选择。车内空间狭小多径反射严重人体目标在多个距离门上都会留下能量痕迹。如果算法锁定错了距离门提取的相位序列就不是真实的人体微动信号。这里我们用“能量聚类微动特征确认”两步走先在距离-角度维上找能量聚集区形成候选目标再检查候选目标的相位序列是否包含稳定的周期性微动信号。只有同时满足能量显著性和微动周期性两个条件才认定这是真实生命体。第三个环节是频率估算。FFT频率分辨率跟窗口长度成反比呼吸频率间隔只有0.4Hz心率和呼吸频率又可能靠得比较近普通FFT往往不够用。我们在频谱粗估计的基础上加了一个自相关细估步骤对时域相位序列做自相关运算利用自相关峰值位置来修正频率估计值。这个方法的精度比单纯FFT高很多实测心跳频率误差能控制在±2次/分钟以内。3. 实操过程与核心环节实现3.1 整体系统架构与数据流我们搭建的整套验证系统分为三层。感知层是一块60GHz毫米波雷达模组通过LVDS接口连到一块嵌入式计算板卡上。板卡上跑了雷达信号处理算法输出结构化体征数据。决策层是一块车规级域控制器接收雷达输出的目标列表结合空调状态、车门状态、车辆档位这些整车信号统一做策略判断。执行层则是车窗、空调、中控大屏、车联网T-Box。数据流是这样的雷达模组以20Hz的帧率输出中频数据处理板卡每2秒生成一次体征检测结果包含最多3个目标的距离、方位角、呼吸频率、心跳频率和置信度。域控制器收到结果后按设定好的策略表判断当前是否触发报警。这里有个设计细节值得说一下20Hz的帧率不是拍脑袋定的。心跳频率最高也就2Hz根据奈奎斯特定理采样率必须至少4Hz才能不混叠。但我们希望呼吸波形和心跳波形的重建质量都足够好同时还要给多周期累积留余量所以把处理节拍定在2秒一次每轮处理用40帧数据。帧率再高会增加功耗和算力开销帧率太低则频率分辨率不够20Hz是个性价比比较高的折中点。3.2 雷达参数配置与中频信号调试雷达模组的中频信号链路参数是我们实车测试中反复调了很久的部分。核心参数有三个调频斜率、ADC采样率、每帧的chirp数量。调频斜率决定距离分辨率。60GHz雷达如果配置4GHz带宽理论上距离分辨率大约3.75cm足以把前排和后排乘员区分开。但带宽越大ADC采样率要求越高数据量也越大。我们实际用了2GHz带宽距离分辨率约7.5cm够用数据处理压力小了不少。ADC采样率影响最大探测距离。车内场景最大距离不超过3米真实需求比这宽松很多。但要注意的是采样率过低会丢失高频噪声信息而心跳信号的能量集中在较低频段所以采样率不需要特别高。我们配置为5MHz配合每帧64个chirp每个chirp采样256个点单帧数据量约为256KB处理板卡的实时性完全能扛住。还有一个参数容易被忽略chirp周期。物理上chirp周期决定了最大不模糊多普勒速度。如果两个chirp之间的时间间隔太长快速运动的目标比如乘客挥手会产生速度模糊折叠到低速区跟呼吸信号撞在一起。我们把chirp周期压在80微秒左右对应的最大不模糊速度约为1.9m/s人体正常微动的速度范围完全没问题。3.3 车内多目标场景下的呼吸心跳分离处理实车环境跟实验室最大的区别在于车里永远不只有一个目标。前排驾驶员在呼吸后排乘客也在呼吸如果还有宠物窝在脚边雷达回波里会混叠多组微动信号。我们用的策略是“距离维粗分角度维细分”。雷达一发两收两天线间的相位差可以得到目标的到达角。距离和角度结合起来把车内空间划分成若干个小单元比如左前、右前、左后、右后四个区域。每个区域独立跑一套微动特征提取互不干扰。实际效果是驾驶员正常驾驶时呼吸特征稳定后排儿童如果睡熟了呼吸幅度会变浅特征提取的幅度谱峰值会下降但周期性仍在。两者分别出现在不同距离门和角度区域算法能正确区分。如果两个乘员坐在同一排距离和角度都很接近怎么办这个问题我们真实遇到过一家三口出行妈妈抱着孩子坐后排两套呼吸特征重叠在一起。用最近邻聚类根本分不开。最后的解法是把同一目标区域内的多普勒谱拆成多个频带能量峰值从中分离出两组呼吸频率再根据频率范围猜测哪组是成人、哪组是儿童。这个方法准确率不是100%但在“车内是否存在生命体”这个二分类任务上影响不大。毕竟我们核心诉求是判断有没有人而不是精确识别每个人是谁。3.4 从体征数据到整车策略响应的联调雷达检测出体征异常后策略层怎么响应这个设计对体验影响特别大。我们定义了三档状态。第一档是正常状态车内有乘员体征正常系统只做记录不上报。第二档是关注状态比如后排检测到儿童体征但车辆已经熄火且门窗紧闭这时候系统会先通过车机弹窗提示同时启动座舱通风。第三档是告警状态体征信号消失或者呼吸频率低于每分钟6次说明可能有窒息风险系统会立即触发声光报警解锁车门同时通过T-Box拨打车联网平台的紧急呼叫电话。第三档的触发条件要特别小心。体征信号消失有两种可能一种是乘员真的发生了危险另一种是乘员下车了。我们把“车门状态锁车信号雷达检测结果”三个信号做逻辑与运算车辆锁止、车门关闭、车内雷达仍然检测到生命体才判定为异常。三个条件缺一个都不触发告警这个设计是为了最大限度降低误报率。响应延迟我们做了指标拆解从雷达检测到异常体征到域控制器发出告警指令要求小于5秒。实测下来算法处理约2秒策略判断约0.5秒CAN报文传输约0.2秒蜂鸣器响应约0.1秒整体在3秒左右留有一定余量。4. 常见问题与排查技巧实录4.1 雷达误检“幽灵目标”排查记录我们第一次实车测试遇到的最诡异问题是明明车内没人系统却报出有生命体征。排查过程是这样的先看雷达原始数据发现确实存在一个稳定目标距离约0.8米方位角指向副驾座椅方向信号特征跟呼吸极其相似。换了另一个模组问题依旧。后来把车辆完全断电、断开蓄电池后重新测试故障消失了。最后定位到的原因是空调鼓风机。车辆下电后鼓风机惯性转动还会持续几秒钟这个转动的叶片产生微多普勒信号正好落在0.3Hz附近跟呼吸频带重合。芯片层面感知到的是一个周期性的微动目标于是误判为生命体。这个问题我们在软件里加了一个“下电延迟确认”逻辑收到整车下电信号后雷达进入60秒的冷却期冷却期内不做生命体征判定。同时加了一个目标长期静止后的幅值衰减检测空调叶片转速逐渐下降频谱峰值也会随时间缓慢降低跟人体呼吸的稳定幅度特征有明显区别。通过这两个手段误检问题彻底解决。4.2 金属装饰件引起的“多径幽灵”另一个类似的问题出在副驾座椅的金属装饰条上。车辆行驶中颠簸金属件对雷达波的反射路径不断变化会产生类似微动的起伏信号幅度不大但周期性很强一样会触发误判。这个案例我们靠算法解决不了因为多径信号在频谱上确实形成了规律性的峰值。最后是跟结构设计团队打了次合把装饰条的材料从金属改成了弱反射的塑料件多径问题从物理层面消失了。那次以后我养成一个习惯雷达选型阶段就让结构团队提供内饰件材质清单凡是不规则金属件尽量避开雷达波束主轴方向。这个操作看起来是结构问题其实是系统工程问题做整车智能的一定要早介入晚一步就要为结构改动付出巨大代价。4.3 感知结果“时有时无”的干扰排查系统偶发性丢目标比持续误报更讨厌因为它极难复现。我们花了将近三周才定位到根因。症状是雷达能稳定检测到驾驶员体征但每过几分钟会出现一次持续1到2秒的信号丢失然后又自行恢复。起初怀疑是算法资源竞争排查后排除。后来把雷达样机从安装位拆下来换到实验台上无论怎么测都没有丢信号的问题。最后是电源工程师介入才找到原因雷达模组的供电线路跟车窗电机的供电共用了同一路电源车窗电机启动瞬间产生大幅电压跌落雷达模组内部电源轨瞬间欠压射频前端的工作点发生偏移导致接收增益骤降目标信号被淹没在噪声里。解决方法是给雷达模组加了一级DC-DC隔离供电同时增加了大容量储能电容。改完后再测试车窗反复升降雷达信号全程纹丝不动。这个经历充分说明整车智能系统的稳定性不只是算法问题供电质量对射频前端的性能影响极其致命任何车载传感器项目都值得提前排查供电噪声。4.4 实车验证必查清单速查表下面这份清单是我们项目内部使用的每次进入新车型验证前都会逐项过一遍建议你直接复制到自己的测试计划里。检查项检查方法常见问题供电稳定性示波器监测雷达供电电压反复开关车窗、空调、大灯电压跌落导致增益波动、信号丢失金属件多径检查波束主轴方向内是否有金属装饰件周期性多径信号被误判为生命体征空调管道遮挡观察波束路径是否被风道、线束遮挡盲区导致乘员区域无信号覆盖织物穿透损耗用不同厚度座椅套测试信号衰减加厚座椅套导致呼吸信号幅度过低电磁兼容干扰车内各控制器全部开启观察雷达底噪底盘CAN高频噪声耦合进接收链路下电延迟逻辑模拟锁车后风机惯性转动场景冷却期内误报生命体征每次新车型项目启动时拿着这张表过一遍能帮你在预研阶段就规避掉70%以上的“上车就翻车”问题。剩下的30%只能靠反复实车跑路试慢慢磨。5. 工程化落地中的几个关键提醒5.1 性能指标要定义到可验收的程度很多项目在需求阶段就埋了雷只写了“车内存在生命体时触发报警”但这个指标根本没法验收。什么叫“存在生命体”婴儿和成年人的呼吸幅度差一个数量级深睡状态和清醒状态的心率差30%以上座椅加热开启时人体热信号会干扰这些边界情况如果不定义清楚开发团队和测试团队会一直扯皮。我们后来把需求细化成可量化指标静态场景下副驾和后排在覆盖区域内的检测准确率不低于98%漏报率低于1%误报率低于0.5%车辆行驶场景下允许降低检测灵敏度准确率不低于95%从系统上电到首次给出可靠体征结果的初始化时间不超过30秒。只有变成这样具体的数字每个团队才能对齐目标测试才能有据可依。5.2 车规级可靠性要求的真实分量雷达模组从样品到量产中间隔着一条巨大的鸿沟那就是车规。我们选用的雷达芯片和模组供应商都通过了AEC-Q100和AEC-Q104认证但模组上车之后的可靠性还要过一遍整车级的验证。高低温循环测试时模组在高低温冲击下射频性能会发生漂移发射功率和接收灵敏度都会变化。我们测试中发现-40度环境下雷达发射功率比常温低了约1.5dB虽然不影响“有没有人”这个定性判断但会压缩检测距离余量。另外还有振动耐久测试。车辆在颠簸路面上行驶雷达模组内部的晶振如果抗振性能不行会引起本振频率偏移直接影响中频信号的稳定性。我们的对策是选用贴片晶振并在模组结构上增加减震垫片。这些细节看似不起眼却是决定产品能不能真正量产的生死线。5.3 法规标准与评价体系的影响做车内生命体征检测绕不开一个背景国内外安全评价体系都把儿童遗忘提醒放进了评分标准。Euro NCAP在2023年已经将儿童存在检测CPD纳入安全评分体系国内的C-NCAP也在逐步推进类似评价标准。整车厂做这个功能一部分动力来自法规和评价体系的驱动。对技术方案的影响在于评价体系通常要求检测对象是儿童而儿童跟成人相比身体体积小、呼吸幅度浅、心率快对雷达灵敏度要求更高。我们在天线设计时特别加强了对后排儿童座椅区域的波束覆盖同时在算法里专门训练了针对小目标弱体征的检测模型。这就是“站得高看得远”不能只盯着单一场景做要把评价体系里所有可能被考核的工况提前纳入设计范围。写在最后的一点体会这套方案从预研到现在已经过了大半年时间最大的感受是车内生命体征检测在整车智能里既不是最热门的方向也不是技术难度最大的方向但它是一个非常典型的“定义大于实现”的功能。很多问题不是算法算不出来而是最初需求定义、安装位置、供电设计、材料选型这些“非算法”环节没想清楚导致后面的算法怎么优化都救不回来。如果你正准备启动类似项目我的建议是先把检测场景列清楚把可验收指标定义好把雷达安装位置和供电链路提前确认掉最后再投入资源去做算法模型。顺序反了的话大概率会走我们走过的弯路。后续这个技术还有很多扩展空间比如结合舱内摄像头做多模态融合用雷达判定乘员状态后联动座椅按摩和空调风量甚至通过长期体征数据推断乘员的疲劳和健康风险。只要车还在进化感知层的边界就不会停在这里。
