【论文精读】智能座舱射频感知的两条技术路线：毫米波 mmECG × UWB CarOSense 对比解读

论文信息

• 论文一：mmECG: Monitoring Human Cardiac Cycle in Driving Environments Leveraging Millimeter Wave（IEEE INFOCOM 2022，上海交通大学徐翔宇、俞嘉地等，录用率 19.9%）
• 论文二：CarOSense: Car Occupancy Sensing with the Ultra-Wideband Keyless Infrastructure（ACM IMWUT/UbiComp 2020，George Mason University × Broadcom）
• 关键词：智能座舱、毫米波雷达（mmWave/FMCW）、超宽带（UWB）、心率变异性（HRV）、占位检测、无线感知

一、引言：座舱感知的"无感化"竞赛
智能座舱正在从"响应指令"走向"主动理解"——理解驾驶员的健康状态、理解每个座位上坐着谁。摄像头能做这些事，但隐私争议、光照依赖和遮挡问题让行业一直在寻找替代方案；座椅压力传感器则无法区分人与物。

射频（RF）感知由此成为主流方向：信号穿不透车身金属但能在舱内自由反射，天然保护隐私，还能在完全黑暗或被衣物遮挡时工作。在射频路线内部，当前最有产业想象力的两支是：

毫米波雷达：60GHz/77GHz 频段、GHz 级带宽，距离分辨率达毫米级，已被 Euro NCAP 2025 直接传感方案推向量产前台；

UWB 雷达：6–8GHz 频段、500MHz 级带宽，借数字钥匙（CCC Digital Key 3.0）锚点"上车"，主打存量硬件复用。

本文选取两条路线上各一篇被广泛引用的代表作——毫米波侧的 mmECG（驾驶场景心脏周期监测，INFOCOM 2022）和 UWB 侧的 CarOSense（复用数字钥匙做分座椅占位检测，IMWUT 2020），深度拆解方法，最后做横向对比。两篇论文恰好代表了两种截然不同的算法范式：物理建模驱动的信号处理流水线 vs 数据驱动的深度学习。

二、产业背景：为什么是现在
在解读论文前，先校准一下产业坐标（这也是判断论文价值的前提）：

法规牵引：Euro NCAP 自 2025 年起只为直接传感（direct sensing）的乘员/儿童检测方案计分，间接方案出局，直接拉动舱内雷达装机；

毫米波侧：TI 在 CES 2025 发布 AWRL6844 单芯片，单颗顶置即可同时支持占位监测、儿童检测与入侵检测；NOVELIC 等模组 2026 年起量产装车；

UWB 侧：NXP Trimension NCJ29D6 单芯片集成"安全测距 + 短程雷达"，官方场景即包含 CPD，已导入宝马等车企 2026 款车型；Continental 的 CoSmA 数字钥匙系统已扩展出 UWB 反射模式的舱内检测功能。有行业预测认为约 45% 的新车将配备 UWB 锚点。

两篇论文都发表于这股产业化浪潮之前（2020/2022），但恰恰回答了浪潮中最核心的两个技术问题：毫米波能否在颠簸的驾驶环境下提取亚毫米级的心脏微动？UWB 的"通信硬件复用"感知精度到底够不够？

三、毫米波代表：mmECG（INFOCOM 2022）

3.1 问题定义：在行驶的车里"听"心跳
驾驶员突发心脏疾病是重大道路安全隐患。ECG/PPG 需要接触皮肤，方向盘电极则只能在握持时工作。非接触 RF 方案此前大多要求受试者静止——而驾驶场景里，相位变化由四类运动混合而成：呼吸与心跳的体表微动、驾驶操作（转方向盘、换挡）、车辆振动、车体多径。心跳引起的胸壁位移仅 0.2–0.5 mm，比呼吸（4–12 mm）小一个数量级，还要先穿过骨骼和组织（人体本身就是个滤波器）。mmECG 的目标不是粗粒度心率，而是重建每个心动周期中心房、心室的精细运动阶段——这已接近医用级信息密度。

3.2 方法拆解：三步流水线
① 信号设计与预处理。 采用 FMCW chirp，收发混频得到中频（IF）信号，对 IF 做 Range-FFT 得到距离像（Range Profile），再从相邻 chirp 的距离单元中提取相位变化：
Δϕ(d,k)=arctan⁡i(d,k)r(d,k) \Delta\phi(d,k) = \arctan\frac{i(d,k)}{r(d,k)}Δϕ(d,k)=arctanr(d,k)i(d,k)​
其中ddd为距离单元、kkk为 chirp 序号。凭借大带宽带来的亚毫米级位移分辨能力，心脏微动以相位变化的形式被捕获。

② 运动混合模型 + 层次化 VMD。 这是全文的核心创新。作者建立了运动混合模型，把相位变化显式表示为驾驶操作、呼吸、心跳、车辆动力学等分量的叠加，然后设计层次化变分模态分解（hierarchical VMD）：利用各运动分量独特的频率特性，逐层把心跳对应的窄带分量从混合信号中分离出来。相比常见的 EMD 类序贯分解，VMD 的联合求解避免了误差逐级传播的问题（这一点与同期的 mmHRV 思路相通，mmHRV 以 28 ms 的 IBI 中位误差验证了 VMD 路线在心跳提取上的有效性）。

③ 心动周期重建。 提取出心跳相位分量后，利用心跳波形的形状相似性分割出单个心动周期，再用**模板优化（template-based optimization）**估计每个周期中心房收缩、心室收缩等精细阶段，最终输出类似 ECG 解读所需的心脏时序信息。

3.3 实验结果
25 名驾驶员、真实道路驾驶环境下：心率估计平均误差 0.37 bpm，心率变异性（HRV）估计误差 11.2 ms，心动周期估计误差 6.8 ms。作为参照，mmHRV 在静态多用户场景下 IBI 中位误差为 28 ms（96.16% 准确率）、NLOS 场景 RMSE 31.71 ms——mmECG 在更难的行驶场景下反而把 HRV 级精度推进了一个台阶，层次化 VMD 对振动噪声的抑制功不可没。

四、UWB 代表：CarOSense（IMWUT 2020）
4.1 问题定义：数字钥匙"顺手"做感知
UWB 因高精度测距和抗中继攻击能力，正被车企大规模用于无钥匙进入系统。CarOSense 提出了一个极具商业洞察力的问题：能否复用这套已有的 UWB 锚点基础设施，不增加任何专用传感器，直接实现分座椅的乘员占位检测？

难点在于：车舱是小空间富多径环境，座椅位置可调、物品可出现在座椅/地板/后备箱任意位置，16 种占位状态 × 10 个车内位置的组合根本无法穷举训练。作者先用实验证明标准机器学习在未训练场景下精度崩盘，然后给出深度学习解法。

4.2 方法拆解：CIR 张量化 + MaskMIMO
输入表征。 将各 UWB 锚点对的信道冲激响应（CIR）沿时间堆叠并组织成 4D 张量（时间 × 链路 × CIR 抽头等维度），把"哪个座位上有人"转化为时空模式识别问题。

MaskMIMO 网络。 两个关键设计：
2D 卷积提取 CIR 的空间/时间联合特征——不同链路照射到座舱不同区域，卷积核天然适合捕捉这种局部结构；
**多任务掩码（multi-task mask）**实现逐座位注意力——每个座位对应一个任务分支，掩码机制让网络为每个座位"关注"最相关的链路子集，避免全局特征互相稀释。

4.3 实验结果
数据覆盖 10 个车内位置、每位置最多 16 种占位状态、15 种测试场景；
未见位置留一法测试：8 锚点 94.6%，4 锚点 77.3%；
未见场景压力测试：8 锚点 87.0%，4 锚点 69.4%；
端到端（CIR 处理 + 推理）延迟：Google Coral 128 ms，树莓派 86 ms——轻量到可以直接跑在边缘嵌入式设备上。

如何看待 8 锚点这个数字？需要注意时代背景：量产数字钥匙系统的典型锚点配置为 4–6 个，且行业还在向更少锚点降本（已有双锚点方案宣称性能接近 4–6 锚点）。因此 94.6% 应视为"8 锚点理想配置"的上限，4 锚点的 77.3% 更贴近量产现实。更重要的是，IEEE 802.15.4ab 引入 UWB 雷达模式后，锚点可自发自收、不再依赖双节点链路——2024 年 UWBCarGraz 数据集上的工作已用单个 UWB 雷达节点 + ResNet实现 97.8% 的平均占位检测准确率。"复用通信链路做多点收发"正被"单锚点单站雷达"的新范式取代，CarOSense 的链路级 CIR 思路是理解这一演进的起点而非终点。
值得补充的是这条研究线的延续：同一团队随后推出 CaraoKey（SECON 2020 最佳论文亚军，UWB 感知识别车门/车窗等车辆状态），并在 SenSys 2025 发表 UMusic（与 Bosch 合作，基于高分辨率功率时延谱的舱内占位感知，获最佳论文提名，精度较前作提升约 15%），UWB 座舱感知已从学术原型走向 Tier-1 联合开发。

五、横向对比：两篇论文的技术路线分野

几个值得品味的对比点：
粒度 vs 复用性的交换。毫米波用更短的波长换来了微动感知能力，代价是需要专用雷达；UWB 用现成的数字钥匙锚点换零成本部署，感知粒度停留在"座位级状态"。二者不是替代关系，而是座舱传感的不同生态位。

算法范式的时代印记。mmECG 代表 2022 年前后体征监测的主流打法——每个模块都有物理依据，可解释、可调参、小样本可工作；CarOSense 代表深度学习路线——性能上限高，但依赖数据覆盖度（8 锚点降到 4 锚点，留一精度从 94.6% 掉到 77.3%，说明泛化高度依赖空间采样密度）。

共同的方法论启示：两篇都把"多径"从敌人变成了信息源——mmECG 靠频率可分性做源分离，CarOSense 靠神经网络学习多径指纹。座舱这个富多径小空间，反而是 RF 感知的主场。

六、趋势判断
站在 2026 年回看：两条路线正在收敛于单芯片集成——TI AWRL6844 把 60GHz 雷达 + AI 加速集成进单芯片，NXP NCJ29D6 把 UWB 测距 + 雷达模式集成进单芯片，硬件形态的差异在缩小，竞争焦点转向算法栈与数据闭环。UWB 侧还有一层标准红利：802.15.4ab 的雷达模式让每个锚点都能独立充当单站雷达，"锚点数量 = 感知精度"的旧权衡正在被改写。可以预见，座舱 RF 感知的下一步是多模态融合（雷达 + 摄像头 + 座椅传感器互补）与感知基础模型（预训练表征迁移到不同车型、不同任务），两篇论文分别代表的信号处理先验与深度学习范式，大概率会在这两个方向上合流。

七、总结
mmECG 证明了毫米波能在颠簸的驾驶环境中提取 0.2 mm 级的心脏微动并重建心动周期（心率误差 0.37 bpm）；CarOSense 证明了 UWB 数字钥匙锚点可以不花一分钱增量硬件实现 94.6% 的分座椅占位检测。一文一武，恰好构成智能座舱射频感知的两块基石：毫米波负责"精细生命体征"，UWB 负责"零成本空间状态"。对于想进入座舱感知领域的工程师，这两篇是理解"物理建模派"与"深度学习派"方法论差异的最佳对照样本。

参考资料
X. Xu, J. Yu, C. Ma, Y. Ren, H. Liu, Y. Zhu, Y.-C. Chen, F. Tang, “mmECG: Monitoring Human Cardiac Cycle in Driving Environments Leveraging Millimeter Wave,” IEEE INFOCOM 2022, pp. 90–99. PDF: https://yichao0319.github.io/assets/publications/infocom22_xu.pdf
Y. Ma, Y. Zeng, V. Jain, “CarOSense: Car Occupancy Sensing with the Ultra-Wideband Keyless Infrastructure,” Proc. ACM IMWUT, vol. 4, no. 3, 2020. PDF: https://yunzezeng.com/assets/pdfs/CarOSense_ACM_IWMUT_2020.pdf
F. Wang, X. Zeng, C. Wu, B. Wang, K. J. R. Liu, “mmHRV: Contactless Heart Rate Variability Monitoring Using Millimeter-Wave Radio,” IEEE IoT-J, vol. 8, no. 22, 2021.
A. Kalyanaraman, Y. Zeng, S. Rakshit, V. Jain, “CaraoKey: Car States Sensing via the Ultra-Wideband Keyless Infrastructure,” IEEE SECON 2020.
S. Wang, Y. Zeng, V. Jain, P. H. Pathak, “UMusic: In-car Occupancy Sensing via High-resolution UWB Power Delay Profile,” ACM SenSys 2025（最佳论文提名）.