Dapalm | IMS技术前沿

mmWave雷达+深度学习CPD儿童检测全景：2026量产方案、芯片选型与Euro NCAP 5分策略

信息来源

项目	内容
核心来源	CES 2026 In-Cabin Monitoring全景调研 + 多厂商产品分析
涉及厂商	TI、Novelic、Saykal、Seeing Machines、Aptiv、LG Innotek
法规驱动	Euro NCAP 2026 CPD最高5分奖励
技术路线	60GHz mmWave雷达 + 深度学习点云分类
量产状态	2026年多款产品进入量产

核心创新

1. 2026年CPD量产元年：多家厂商从概念走向量产
2. 60GHz mmWave主导：穿透毯子/座椅、隐私安全、成本<$5
3. 雷达+摄像头融合：Novelic方案实现冗余安全
4. Euro NCAP 5分策略：CPD成为2026年关键得分项

技术方案对比

CPD传感器对比

传感器类型	原理	优势	局限	成本
60GHz mmWave	反射回波点云	穿透毯子/座椅、隐私、全天候	分辨率有限	$3-5
77GHz mmWave	反射回波点云	更高分辨率	成本高、法规限制	$8-12
UWB超宽带	脉冲反射	精确测距、低功耗	需多基站	$2-4
摄像头	视觉识别	语义丰富	隐私、暗光、遮挡	$5-10
PIR红外	红外感应	低成本	无法检测静止儿童	$1-2
座椅重量	压力传感	简单	无法区分生物/物体	$2-3

2026年量产方案

厂商	产品	技术	量产状态	Euro NCAP
TI	AWRL6432	60GHz mmWave	✅ 量产	5分
Novelic	ACAM	60GHz mmWave+摄像头融合	✅ 2026量产	5分
Saykal	In-Cabin Radar	mmWave CPD+生命体征	✅ 量产	5分
LG Innotek	Under-Display+UWB	隐藏摄像头+UWB	🔄 2026Q4	5分
Aptiv	Vision CMS	摄像头+合成数据	✅ 量产	3-4分

方法详解

mmWave雷达CPD检测管道

import torch
import torch.nn as nn
import numpy as np
from dataclasses import dataclass

@dataclass
class RadarConfig:
    """mmWave雷达配置"""
    freq: float = 60e9        # 60 GHz
    bandwidth: float = 4e9    # 4 GHz
    num_tx: int = 2            # 发射天线
    num_rx: int = 4            # 接收天线
    frame_rate: float = 10     # 10 fps
    range_res: float = 0.0375  # 距离分辨率 3.75cm
    angle_res: float = 15      # 角度分辨率

class PointCloudEncoder(nn.Module):
    """
    mmWave点云编码器
    
    输入：原始点云 (N, 5) [x, y, z, doppler, intensity]
    输出：特征向量
    """
    
    def __init__(self, n_points: int = 200):
        super().__init__()
        self.n_points = n_points
        
        # PointNet式编码
        self.mlp1 = nn.Sequential(
            nn.Linear(5, 32),
            nn.ReLU(),
            nn.Linear(32, 64),
            nn.ReLU(),
        )
        self.mlp2 = nn.Sequential(
            nn.Linear(64, 128),
            nn.ReLU(),
            nn.Linear(128, 256),
        )
    
    def forward(self, points):
        """points: (B, N, 5)"""
        B, N, _ = points.shape
        
        # 逐点MLP
        x = self.mlp1(points)  # (B, N, 64)
        
        # 最大池化（全局特征）
        global_feat = x.max(dim=1)[0]  # (B, 64)
        
        # 进一步编码
        global_feat = self.mlp2(global_feat)  # (B, 256)
        
        return global_feat

class CPDDetector(nn.Module):
    """
    CPD检测器：分类 [无人, 成人, 儿童, 儿童座椅, 宠物]
    
    架构：
    1. 点云编码
    2. 时序融合（多帧）
    3. 分类+回归（位置+尺寸）
    """
    
    def __init__(self, n_classes: int = 5, n_frames: int = 3):
        super().__init__()
        self.encoder = PointCloudEncoder()
        self.n_frames = n_frames
        
        # 时序融合
        self.temporal = nn.LSTM(
            input_size=256,
            hidden_size=128,
            num_layers=2,
            batch_first=True,
        )
        
        # 分类头
        self.classifier = nn.Sequential(
            nn.Linear(128, 64),
            nn.ReLU(),
            nn.Dropout(0.1),
            nn.Linear(64, n_classes)
        )
        
        # 位置回归头（3D位置）
        self.regressor = nn.Sequential(
            nn.Linear(128, 64),
            nn.ReLU(),
            nn.Linear(64, 3)  # [x, y, z] 相对雷达
        )
        
        # 微动检测（呼吸/心跳）
        self.vital_sign = nn.Sequential(
            nn.Linear(128, 32),
            nn.ReLU(),
            nn.Linear(32, 1),
            nn.Sigmoid()
        )
    
    def forward(self, point_cloud_sequence):
        """
        Args:
            point_cloud_sequence: (B, T, N, 5) T帧时序点云
        
        Returns:
            classification, position, vital
        """
        B, T, N, F = point_cloud_sequence.shape
        
        # 1. 每帧编码
        frames_feat = []
        for t in range(T):
            feat = self.encoder(point_cloud_sequence[:, t])  # (B, 256)
            frames_feat.append(feat)
        
        sequence = torch.stack(frames_feat, dim=1)  # (B, T, 256)
        
        # 2. 时序融合
        lstm_out, _ = self.temporal(sequence)  # (B, T, 128)
        final_feat = lstm_out[:, -1]  # 最后一帧 (B, 128)
        
        # 3. 多头输出
        cls = self.classifier(final_feat)
        pos = self.regressor(final_feat)
        vital = self.vital_sign(final_feat)
        
        return cls, pos, vital


class CPDSystem:
    """完整CPD系统"""
    
    def __init__(self):
        self.model = CPDDetector()
        self.config = RadarConfig()
        self.detection_history = []
        self.alarm_threshold = 3  # 连续3帧确认
    
    def process_frame(self, point_cloud):
        """处理一帧"""
        # 时序堆叠
        self.detection_history.append(point_cloud)
        if len(self.detection_history) > self.n_frames:
            self.detection_history.pop(0)
        
        if len(self.detection_history) < self.n_frames:
            return None
        
        # 推理
        sequence = torch.stack(self.detection_history, dim=1)
        cls, pos, vital = self.model(sequence)
        
        # 结果解析
        pred = cls.argmax(dim=-1)
        labels = ['无人', '成人', '儿童', '儿童座椅', '宠物']
        
        result = {
            'label': labels[pred.item()],
            'confidence': cls.max(dim=-1)[0].item(),
            'position': pos[0].tolist(),
            'vital_sign': vital[0].item(),
            'is_child': pred.item() == 2,
        }
        
        # 告警逻辑
        if result['is_child'] and result['confidence'] > 0.7:
            result['alarm'] = 'CHILD_DETECTED'
        elif result['vital_sign'] > 0.5 and result['label'] == '无人':
            result['alarm'] = 'VITAL_BUT_INVISIBLE'  # 可能有遮挡儿童
        
        return result


# 测试
if __name__ == "__main__":
    system = CPDSystem()
    system.n_frames = 3
    
    print("=== mmWave雷达CPD儿童检测 ===")
    
    # 模拟3帧点云
    for i in range(3):
        points = torch.randn(1, 200, 5)
        points[:, :, :3] *= 2  # 坐标范围
        points[:, :, 3] = np.random.rand() * 0.5  # 微多普勒
        points[:, :, 4] = np.random.rand() * 10  # 强度
        
        result = system.process_frame(points)
    
    if result:
        print(f"检测结果: {result['label']}")
        print(f"置信度: {result['confidence']:.2f}")
        print(f"位置: {result['position']}")
        print(f"生命体征: {result['vital_sign']:.2f}")
        print(f"告警: {result.get('alarm', '无')}")
    
    params = sum(p.numel() for p in system.model.parameters())
    print(f"\n模型参数: {params:,}")
    print(f"模型大小: {params * 4 / 1024:.1f} KB (FP32)")

Euro NCAP CPD 5分策略

Euro NCAP 2026 CPD评分

场景	要求	得分
后座有儿童	检测到儿童存在	1.5分
儿童被毯子覆盖	穿透遮挡检测	1.5分
儿童在座椅上	区分儿童座椅vs儿童	1.0分
无人但有生命体征	微动检测	1.0分
全天候（夜间/高温）	无视觉依赖	0.5分
总计		5.0分（满分）

厂商得分能力

厂商	后座检测	毯子穿透	儿童座椅区分	生命体征	全天候	总分
TI AWRL6432	✅	✅	⚠️	✅	✅	4.5
Novelic ACAM	✅	✅	✅	✅	✅	5.0
Saykal	✅	✅	⚠️	✅	✅	4.5
Aptiv摄像头	✅	❌	✅	❌	⚠️	2.5

IMS开发启示

1. CPD方案选型

需求	推荐方案	成本
Euro NCAP满分	Novelic ACAM雷达+摄像头融合	$8-10
成本优先	TI AWRL6432单雷达	$3-5
已有摄像头	增加UWB补盲	$2-4
高端方案	mmWave+UWB+摄像头三融合	$12-15

2. 芯片选型

芯片	频率	天线	功耗	成本	评估
TI AWRL6432	60GHz	2Tx4Rx	200mW	$3	⭐⭐⭐⭐⭐
TI IWR6843AOP	60GHz	4Tx4Rx	500mW	$8	⭐⭐⭐⭐
Infineon BGT60	60GHz	2Tx3Rx	150mW	$4	⭐⭐⭐⭐
Novelic ACAM	60GHz	定制	300mW	$5	⭐⭐⭐⭐⭐

3. 与DMS管道集成

组件	来源	角色
DMS摄像头	现有	驾驶员监测
mmWave雷达	本方案	CPD+生命体征
融合层	Novelic方案	雷达+摄像头冗余
低光照增强	#16	暗光视觉
LLM干预	#15	检测后响应

总结

1. 2026 CPD量产元年：TI、Novelic、Saykal多款产品量产
2. 60GHz mmWave主导：穿透毯子、隐私安全、$3-5低成本
3. Novelic雷达+摄像头融合获满分：唯一5分方案
4. Euro NCAP 5分策略：后座+穿透+区分+生命体征+全天候
5. 与DMS无缝集成：雷达补盲摄像头，形成完整座舱感知