Aqara FP400: 消费级60GHz雷达的空间智能——对IMS座舱多乘员感知的启示

来源：Aqara (Lumi United Technology) · 2026年9月上市 · £79.99
产品型号：PS-S05E / PS-S05D
核心方向：60GHz mmWave · 4T4R MIMO · 多人追踪 · 分区检测 · AI空间感知

产品信息

项目 内容
产品名称 Aqara Spatial Multi-Sensor FP400
型号 PS-S05E / PS-S05D
价格 £79.99 (约$100)
上市时间 2026年9月
雷达频率 60GHz mmWave
天线配置 4T4R MIMO (4发4收)
探测范围 深度10m / 宽度8m (侧装)
视场角 120°
追踪人数 最多10人同时追踪
分区数 最多8个自定义区域
网格精度 0.5m × 0.5m
通信协议 Thread + Zigbee (双协议)
防护等级 IPX5
尺寸 64 × 64 × 29.5 mm
供电 5V/1A USB-C
平台兼容 Apple Home, Home Assistant, Alexa, SmartThings

核心价值

Aqara FP400 代表了消费级60GHz雷达的最新水平，其核心突破在于：

  1. 5倍点云密度提升：4T4R MIMO天线阵列比上一代密集5倍以上的点云数据
  2. 10人多目标追踪：从单目标存在检测进化到多目标实时追踪
  3. 0.5m网格分区：将空间划分为0.5m×0.5m网格，支持8个自定义区域
  4. AI抗干扰：区分人/宠物/扫地机器人，自适应环境学习
  5. 隐私优先：纯雷达感知，无摄像头，无图像采集

对IMS的关键启示

FP400虽然是智能家居产品，但其60GHz 4T4R雷达架构与车规级CPD雷达高度相似，其多目标追踪和分区策略可直接迁移到座舱OMS场景。

技术架构

graph TB
    A[60GHz 4T4R MIMO] --> B[点云生成<br/>5x denser than prev gen]
    B --> C[多目标分离<br/>Multi-target separation]
    C --> D[AI空间感知<br/>Human vs pet vs robot]
    D --> E[0.5m网格化<br/>8 custom zones]
    E --> F[实时追踪<br/>Up to 10 people]
    F --> G[分区自动化<br/>Per-zone occupancy]
    
    style A fill:#4a4,color:white
    style D fill:#4a4,color:white
    style F fill:#4a4,color:white

关键硬件参数

参数 FP400规格 车规级CPD雷达对比 启示
频段 60GHz 60-64GHz 相同
天线 4T4R MIMO 2T4R (TI AWRL6432) FP400更优
点云密度 5x prev gen N/A (proprietary) 参考指标
探测范围 10m深度 ~2m (座舱) FP400覆盖更远
网格精度 0.5m×0.5m ~5cm (FMCW) 车规更精细
追踪人数 10人 2-4人 (座舱) FP400算法更强
功耗 ~1W (5V/1A) <1W (车规) 相当
尺寸 64×64×29.5mm ~30×30mm FP400更大

安装方式与覆盖范围

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
# FP400三种安装方式的覆盖范围
INSTALL_CONFIGS = {
    'side_mount': {
        'depth_m': 10,
        'width_m': 8,
        'fov_deg': 120,
        'use_case': '长方形房间，侧墙安装'
    },
    'corner_mount': {
        'depth_m': 7,
        'width_m': 7,
        'fov_deg': 120,
        'use_case': '正方形房间，角落安装（推荐）'
    },
    'ceiling_mount': {
        'height_m': '3-4m推荐',
        'coverage_motion': '5m × 6m (运动检测)',
        'coverage_presence': '4m × 5m (存在检测)',
        'use_case': '天花板吊装'
    }
}

# 对IMS的启示：
# 座舱安装更类似"ceiling_mount"——顶装向下覆盖
# 但座舱范围更小（~2m），所以0.5m网格在座舱内显得粗糙
# 车规级需要5cm网格（FMCW带宽4GHz）

多目标追踪算法分析

1. 点云生成与处理

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
import numpy as np

class FP400PointCloudProcessor:
    """
    FP400 4T4R MIMO 点云处理分析
    
    4T4R MIMO 产生 4×4=16 个虚拟通道
    比上一代（假设2T2R=4通道）密集4倍以上
    
    对IMS的启示：
    - 16通道虚拟阵列可做更好的空间分辨
    - 多目标分离能力直接受益于通道数
    """
    
    def __init__(self, num_tx: int = 4, num_rx: int = 4):
        self.num_virtual_channels = num_tx * num_rx  # 16
        self.grid_size = 0.5  # 0.5m grid
        
    def generate_point_cloud(self, adc_cube: np.ndarray) -> np.ndarray:
        """
        ADC数据 → 点云
        
        4T4R MIMO 处理流程：
        1. 各TX分时发射（TDM-MIMO）
        2. 各RX同时接收
        3. Range-FFT → 距离信息
        4. Angle-FFT → 角度信息（方位+俯仰）
        5. 点云生成：每个检测目标一个3D点
        
        Args:
            adc_cube: (num_rx, num_chirps_per_tx, num_adc_samples, num_tx)
            
        Returns:
            points: (N, 4) [x, y, z, intensity] 点云
        """
        # 1. 对每个TX的chirp做Range-FFT
        range_fft = np.fft.fft(adc_cube, axis=2)
        range_power = np.abs(range_fft) ** 2
        
        # 2. 跨TX做Angle-FFT（虚拟阵列）
        # TDM-MIMO: 不同TX的chirp在时间上分开
        # 组合后形成16元素虚拟阵列
        angle_fft = np.fft.fft(
            range_power.reshape(-1, self.num_virtual_channels, 
                               range_power.shape[2]),
            axis=1
        )
        angle_power = np.abs(angle_fft) ** 2
        
        # 3. CFAR检测
        from scipy.ndimage import maximum_filter
        local_max = maximum_filter(angle_power, size=5)
        detections = (angle_power == local_max) & (angle_power > np.mean(angle_power) * 3)
        
        # 4. 提取3D坐标
        points = []
        for det in np.argwhere(detections):
            range_bin = det[2]
            angle_bin = det[1]
            
            # Range → 距离（米）
            distance = range_bin * 0.05  # 5cm分辨率（假设4GHz带宽）
            
            # Angle → 方位角
            azimuth = np.arcsin((angle_bin / self.num_virtual_channels - 0.5) * 2)
            
            # 转笛卡尔坐标
            x = distance * np.cos(azimuth)
            y = distance * np.sin(azimuth)
            z = 0  # 俯仰角需要更多处理
            
            intensity = angle_power[det[0], det[1], det[2]]
            points.append([x, y, z, intensity])
        
        return np.array(points)
    
    def grid_mapping(self, points: np.ndarray) -> np.ndarray:
        """
        点云 → 0.5m网格
        
        FP400将空间划分为0.5m×0.5m网格
        每个网格记录是否有人存在
        
        对IMS的启示：
        - 座舱需要更细的网格（5-10cm）
        - 但分区思路可直接借鉴
        """
        # 计算网格坐标
        grid_x = np.floor(points[:, 0] / self.grid_size).astype(int)
        grid_y = np.floor(points[:, 1] / self.grid_size).astype(int)
        
        # 每个网格的点数和总强度
        from collections import defaultdict
        grid_data = defaultdict(lambda: {'count': 0, 'intensity': 0})
        
        for i in range(len(points)):
            key = (grid_x[i], grid_y[i])
            grid_data[key]['count'] += 1
            grid_data[key]['intensity'] += points[i, 3]
        
        # 生成网格图
        max_x = max(k[0] for k in grid_data) + 1
        max_y = max(k[1] for k in grid_data) + 1
        grid_map = np.zeros((max_x, max_y))
        
        for (gx, gy), data in grid_data.items():
            grid_map[gx, gy] = data['intensity'] / data['count']
        
        return grid_map

2. 多目标追踪

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
class MultiTargetTracker:
    """
    FP400 多目标追踪器
    
    追踪最多10人同时移动
    
    核心算法：基于点云的聚类+追踪
    1. DBSCAN聚类：将点云分为不同目标
    2. 卡尔曼滤波：跨帧追踪每个目标
    3. 身份维护：区分不同的人
    
    对IMS的启示：
    - 座舱需要追踪2-4人（前排2+后排2）
    - 但座舱环境更拥挤，目标更近
    - 需要更高精度（区分驾驶员vs副驾）
    """
    
    def __init__(self, max_targets: int = 10,
                 cluster_eps: float = 0.3,  # 30cm聚类半径
                 min_points: int = 3):
        from sklearn.cluster import DBSCAN
        self.dbscan = DBSCAN(eps=cluster_eps, min_samples=min_points)
        self.tracks = []  # 活跃追踪列表
        self.next_id = 0
        
    def update(self, points: np.ndarray) -> list:
        """
        更新追踪状态
        
        Args:
            points: (N, 4) 点云 [x, y, z, intensity]
            
        Returns:
            tracks: list of {id, position, velocity}
        """
        if len(points) < self.dbscan.min_samples:
            # 点太少，衰减现有追踪
            self._decay_tracks()
            return self.tracks
        
        # 1. DBSCAN聚类
        labels = self.dbscan.fit_predict(points[:, :2])  # 只用x,y
        
        # 2. 每个聚类计算质心
        clusters = []
        for label in set(labels) - {-1}:  # -1是噪声
            mask = labels == label
            cluster_points = points[mask]
            centroid = np.mean(cluster_points[:, :3], axis=0)
            intensity = np.mean(cluster_points[:, 3])
            clusters.append({
                'position': centroid,
                'intensity': intensity,
                'point_count': np.sum(mask)
            })
        
        # 3. 匹配到现有追踪（最近邻）
        matched_tracks = []
        used_clusters = set()
        
        for track in self.tracks:
            best_dist = float('inf')
            best_idx = -1
            for i, cluster in enumerate(clusters):
                if i in used_clusters:
                    continue
                dist = np.linalg.norm(track['position'] - cluster['position'])
                if dist < best_dist and dist < 1.0:  # 1m门限
                    best_dist = dist
                    best_idx = i
            
            if best_idx >= 0:
                # 匹配成功：更新卡尔曼滤波
                cluster = clusters[best_idx]
                track['velocity'] = cluster['position'] - track['position']
                track['position'] = cluster['position']
                track['last_seen'] = 0
                matched_tracks.append(track)
                used_clusters.add(best_idx)
        
        # 4. 新建追踪（未匹配的聚类）
        for i, cluster in enumerate(clusters):
            if i not in used_clusters and len(matched_tracks) < 10:
                matched_tracks.append({
                    'id': self.next_id,
                    'position': cluster['position'],
                    'velocity': np.zeros(3),
                    'last_seen': 0
                })
                self.next_id += 1
        
        self.tracks = matched_tracks
        self._decay_tracks()
        
        return self.tracks
    
    def _decay_tracks(self):
        """衰减长时间未见的追踪"""
        self.tracks = [t for t in self.tracks if t['last_seen'] < 5]
        for t in self.tracks:
            t['last_seen'] += 1

3. AI抗干扰策略

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
class AIAntiInterference:
    """
    FP400 AI抗干扰系统
    
    区分来源：
    1. 人（多普勒特征：呼吸+心跳+肢体运动）
    2. 宠物（体型小，运动模式不同）
    3. 扫地机器人（匀速直线运动+旋转）
    4. 反射表面（静态强反射）
    5. 风扇/空调（周期性运动）
    
    对IMS的启示：
    - 座舱内干扰源：座椅调节电机、空调出风口、手机震动
    - 需要区分"人存在"vs"物体移动"
    """
    
    def classify_target(self, track_history: list) -> str:
        """
        根据追踪历史分类目标
        
        Args:
            track_history: list of {position, velocity, intensity}
                          最近30帧（3秒@10Hz）
        
        Returns:
            'human' / 'pet' / 'robot' / 'reflection' / 'fan'
        """
        if len(track_history) < 10:
            return 'unknown'
        
        positions = np.array([t['position'] for t in track_history])
        velocities = np.array([t['velocity'] for t in track_history])
        intensities = np.array([t['intensity'] for t in track_history])
        
        # 1. 运动模式分析
        # 人：有微动（呼吸）+ 偶尔大幅运动
        # 宠物：频繁小幅快速运动
        # 机器人：匀速直线+周期转向
        speed = np.linalg.norm(velocities[:, :2], axis=1)
        mean_speed = np.mean(speed)
        speed_variance = np.var(speed)
        
        # 2. 微多普勒分析
        # 人的呼吸频率 0.2-0.5 Hz
        # 人的心跳频率 1.0-1.5 Hz
        # 风扇转速 5-20 Hz
        if len(intensities) >= 30:
            from scipy.fft import fft
            spectrum = np.abs(fft(intensities - np.mean(intensities)))
            freqs = np.fft.fftfreq(len(intensities), d=0.1)  # 10Hz采样
            
            # 检查呼吸频率范围
            breathing_power = np.sum(spectrum[(np.abs(freqs) > 0.2) & (np.abs(freqs) < 0.5)])
            total_power = np.sum(spectrum) + 1e-8
            breathing_ratio = breathing_power / total_power
            
            # 检查高频成分（风扇）
            high_freq_power = np.sum(spectrum[np.abs(freqs) > 5])
            high_freq_ratio = high_freq_power / total_power
        else:
            breathing_ratio = 0
            high_freq_ratio = 0
        
        # 3. 分类决策
        if breathing_ratio > 0.15 and speed_variance < 0.5:
            return 'human'  # 有呼吸 + 运动不大
        elif mean_speed > 0.5 and speed_variance < 0.1:
            return 'robot'  # 匀速 = 机器人
        elif high_freq_ratio > 0.3:
            return 'fan'    # 高频 = 风扇
        elif mean_speed > 1.0 and speed_variance > 1.0:
            return 'pet'    # 快速不规则 = 宠物
        elif mean_speed < 0.01 and intensities.std() < 0.1:
            return 'reflection'  # 静态强反射
        else:
            return 'human'  # 默认为人

IMS座舱应用分析

1. 座舱多乘员追踪

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
class CabinOccupantTracker:
    """
    将FP400的多目标追踪技术迁移到座舱
    
    座舱场景特点：
    - 范围小：2m × 1.5m × 1.2m
    - 目标固定：2-5人（前排2+后排2-3）
    - 位置固定：每个座椅一个目标
    - 干扰多：座椅调节、安全带、手机
    
    核心改进：
    - 网格精度从0.5m提升到5cm
    - 追踪人数从10人减少到5人
    - 增加座椅位置先验
    """
    
    SEAT_POSITIONS = {
        'driver': {'x': 0.3, 'y': -0.4, 'z': 0.5},
        'passenger': {'x': 0.3, 'y': 0.4, 'z': 0.5},
        'rear_left': {'x': -0.5, 'y': -0.4, 'z': 0.5},
        'rear_center': {'x': -0.5, 'y': 0, 'z': 0.5},
        'rear_right': {'x': -0.5, 'y': 0.4, 'z': 0.5},
    }
    
    def __init__(self):
        self.tracker = MultiTargetTracker(max_targets=5, cluster_eps=0.15)
        self.grid_size = 0.05  # 5cm网格
        
    def assign_to_seats(self, tracks: list) -> dict:
        """
        将追踪目标分配到座椅位置
        
        使用最近邻匹配：每个目标分配到最近的座椅
        """
        seat_occupancy = {seat: None for seat in self.SEAT_POSITIONS}
        
        for track in tracks:
            pos = track['position']
            best_seat = None
            best_dist = float('inf')
            
            for seat_name, seat_pos in self.SEAT_POSITIONS.items():
                if seat_occupancy[seat_name] is not None:
                    continue  # 座椅已占用
                
                dist = np.sqrt(
                    (pos[0] - seat_pos['x'])**2 +
                    (pos[1] - seat_pos['y'])**2
                )
                
                if dist < best_dist and dist < 0.5:  # 50cm门限
                    best_dist = dist
                    best_seat = seat_name
            
            if best_seat:
                seat_occupancy[best_seat] = {
                    'track_id': track['id'],
                    'position': pos,
                    'confidence': track.get('intensity', 0)
                }
        
        return seat_occupancy

2. 分区策略对比

特性 FP400智能家居 IMS座舱 差异分析
分区数 8个 5个（5座椅） 座舱更少但更精细
网格精度 0.5m 5cm 车规要求10倍精度
追踪人数 10人 5人 座舱人数固定
环境复杂度 中（家具/宠物） 高（金属/安全带/电机） 座舱更复杂
安装方式 侧装/角装/顶装 顶装（车顶灯位置） 相似
抗干扰 宠物/机器人/风扇 手机/电机/空调/安全带 不同干扰源

3. FP400 vs 车规雷达深度对比

维度 Aqara FP400 TI AWRL6432 Calterah CR320 对IMS的启示
频率 60GHz 60-64GHz 60-64GHz 一致
天线 4T4R MIMO 2T4R 2T4R FP400更强
带宽 未公开(~1-2GHz) 4GHz 4GHz 车规更宽
距离分辨率 ~0.5m (推测) 3.75cm 3.75cm 车规精细13x
功耗 ~1W <0.5W <0.5W FP400更高
价格 ~$100 ~$15 ~$20 消费品更贵
多目标算法 10人追踪 2-4人 2-4人 FP400算法先进
AI抗干扰 ✓ 完整 ✗ 基础 ✗ 基础 FP400领先
协议 Thread/Zigbee 汽车以太网 汽车以太网 不同
认证 消费级 AEC-Q100 AEC-Q100 车规要求严

4. 可借鉴的技术方向

graph TD
    subgraph "FP400 → IMS 可借鉴"
        A1[4T4R MIMO] --> B1[更多虚拟通道<br/>更好的角度分辨]
        A2[AI抗干扰] --> B2[座舱干扰过滤<br/>电机/空调/手机]
        A3[0.5m分区] --> B3[5cm分区<br/>座椅级定位]
        A4[10人追踪] --> B4[5人+座椅分配<br/>OMS乘员分类]
        A5[自适应学习] --> B5[座舱环境学习<br/>个性化校准]
    end

5. 具体借鉴建议

优先级 借鉴方向 FP400实现 IMS落地 难度
🔴 P0 AI抗干扰 人/宠物/机器人分类 人/物体/电机分类 中
🔴 P0 多目标分离 DBSCAN+追踪 座椅分配 低
🟡 P1 自适应学习 环境学习减少误报 座舱环境个性化 中
🟡 P1 缺席确认 可调确认时间 CPD告警延迟优化 低
🟢 P2 4T4R MIMO 16虚拟通道 角度分辨率提升 高（硬件）
🟢 P2 网格化检测 0.5m网格 5cm网格 中（算法）

测试代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
"""
FP400风格的多目标追踪测试
"""

import numpy as np

def test_point_cloud_generation():
    """测试点云生成"""
    # 模拟4T4R MIMO ADC数据
    adc = np.random.randn(4, 64, 256, 4) * 0.1 + 1j * np.random.randn(4, 64, 256, 4) * 0.1
    # 添加模拟目标
    adc[:, 32, 100, :] += 10  # 距离bin=100, chirp=32处有目标
    
    processor = FP400PointCloudProcessor(num_tx=4, num_rx=4)
    points = processor.generate_point_cloud(adc)
    
    assert points.shape[1] == 4, "点云格式错误"
    print(f"✓ 生成 {len(points)} 个点")


def test_multi_target_tracking():
    """测试多目标追踪"""
    tracker = MultiTargetTracker(max_targets=5, cluster_eps=0.3)
    
    # 模拟3个人的点云
    np.random.seed(42)
    t1 = np.random.randn(20, 4) * 0.1 + [1.0, 0.5, 0.5, 5]  # 人1
    t2 = np.random.randn(15, 4) * 0.1 + [2.0, -0.5, 0.5, 5]  # 人2
    t3 = np.random.randn(10, 4) * 0.1 + [0.5, 1.5, 0.5, 5]   # 人3
    points = np.vstack([t1, t2, t3])
    
    tracks = tracker.update(points)
    assert len(tracks) == 3, f"Expected 3 tracks, got {len(tracks)}"
    print(f"✓ 追踪到 {len(tracks)} 个目标")


def test_seat_assignment():
    """测试座椅分配"""
    tracker = CabinOccupantTracker()
    
    # 模拟驾驶员和副驾
    tracks = [
        {'id': 0, 'position': np.array([0.35, -0.42, 0.5]), 'intensity': 5},
        {'id': 1, 'position': np.array([0.28, 0.38, 0.5]), 'intensity': 5},
    ]
    
    result = tracker.assign_to_seats(tracks)
    assert result['driver'] is not None, "驾驶员未检测到"
    assert result['passenger'] is not None, "副驾未检测到"
    print(f"✓ 座椅分配: driver={result['driver']['track_id']}, "
          f"passenger={result['passenger']['track_id']}")


def test_ai_anti_interference():
    """测试AI抗干扰"""
    classifier = AIAntiInterference()
    
    # 模拟人的追踪历史（有微动+呼吸）
    np.random.seed(42)
    history = []
    for i in range(30):
        history.append({
            'position': np.array([1.0 + np.sin(i*0.1)*0.01, 0.5, 0.5]),
            'velocity': np.array([np.cos(i*0.1)*0.001, 0, 0]),
            'intensity': 5 + np.sin(i*0.3) * 0.5  # 呼吸模式
        })
    
    result = classifier.classify_target(history)
    assert result == 'human', f"Expected 'human', got '{result}'"
    print(f"✓ 分类结果: {result}")


if __name__ == "__main__":
    print("=" * 60)
    print("FP400 多目标追踪测试套件")
    print("=" * 60)
    test_point_cloud_generation()
    test_multi_target_tracking()
    test_seat_assignment()
    test_ai_anti_interference()
    print("=" * 60)
    print("所有测试通过 ✓")
    print("=" * 60)

技术路线图

timeline
    title 消费级60GHz雷达对IMS的技术启示
    2026-Q3 : FP400上市<br/>4T4R MIMO + 10人追踪
    2026-Q4 : 车规4T4R方案评估<br/>AI抗干扰算法移植
    2027-Q1 : 座舱5人追踪验证<br/>座椅分配算法
    2027-Q2 : AI抗干扰落地<br/>电机/空调/手机过滤
    2027-Q3 : 自适应学习<br/>座舱环境个性化

总结

Aqara FP400 作为消费级60GHz雷达的最新代表，对IMS座舱感知有多方面启示：

  1. 4T4R MIMO优于2T4R：16虚拟通道 vs 8虚拟通道，角度分辨率和目标分离能力翻倍
  2. AI抗干扰是关键差异化：不是只做CFAR检测，而是做目标分类（人/物体/干扰源）
  3. 分区策略可借鉴：从0.5m网格到5cm网格，分区思路不变但精度提升10倍
  4. 多目标追踪算法成熟：DBSCAN+卡尔曼滤波+身份维护，已在消费级验证
  5. 自适应学习方向：FP400能学习环境减少误报，座舱也应学习个性化环境

对IMS的落地建议：

  • 短期：借鉴FP400的AI抗干扰策略，开发座舱干扰源分类器
  • 中期：评估4T4R MIMO在车规雷达上的可行性
  • 长期：将FP400的自适应学习引入座舱，实现个性化校准
https://dapalm.com/2026/09/19/2026-09-19-15-aqara-fp400-60ghz-consumer-radar-cabin-ims/
作者
Mars
发布于
2026年9月19日
许可协议