NLOS的博客

P显：用于全局态势感知，显示目标的距离和方位角。B显：显示目标的距离和方位角，适合精确的目标跟踪。E显：显示目标的距离和高度，适合高空目标的检测。A显：用于信号强度的分析和目标距离的精确测量。H显：显示目标的方位角和高度，适合三维空间的目标监控。不同的显示模式具有不同的技术特点和适用场景，操作员应根据具体的需求选择合适的显示模式，以确保雷达系统的有效运行和准确探测。

BackgroundMethodProposes mmFER , a novel mmWave radar based facial expression recognition systemUses a dual-locating approach to extract subtle facial muscle movements from noisy raw mmWave signals✅ Locates subjects by sensing biometric information (i.e.,

对于传统的雷达，它们通常都是预设定参数和模式来进行工作，比如发射功率、波形、扫描模式等。然而，这种方式面临着一些挑战，例如，由于参数设置的固定，可能导致在复杂环境下性能下降。为了解决这个问题，研究者们提出了一种新的雷达模型——认知雷达（Cognitive Radar）。认知雷达的核心思想是让雷达具有学习和适应环境的能力，就像人类的大脑一样。它通过观察和理解环境，学习如何更好地适应环境，以优化其性能。感知：雷达首先对环境进行感知，收集环境的相关信息。

随着量子计算技术的发展，人们开始探索其在其他领域的应用，其中之一就是机器学习。量子机器学习利用量子计算的高度并行性和优越的计算能力，有望解决传统机器学习在处理大规模复杂数据时的困难。量子机器学习的基础是量子计算，它利用量子比特（qubit）来进行计算。量子比特可以处于0和1的超位置状态，这使得量子计算能同时处理大量信息。量子机器学习的一个基本步骤是量子态的制备，它将数据编码到量子态中。例如，对于一个向量vv1v2vnvv1​v2​...vn​∣ψ⟩1Z∑i。

注1：本文系“概念解析”系列之一，致力于简洁清晰地解释、辨析复杂而专业的概念。。

雷达是20世纪的一项伟大发明，从1935年问世以来，相关技术及装备迅速发展，并广泛应用。雷达的原理并不复杂。它利用电磁波对目标进行探测，接收处理其回波，从而获得目标的各种信息，以达到一定的探测目的。然而，雷达的发展并不止于此，其中全极化雷达成像技术成为最有潜力的研究方向之一。全极化雷达成像，是指雷达电磁波的一种偏振方式，以及由此产生的多种极化状态。它对提高雷达目标识别能力，具有极其重要的影响。全极化雷达成像技术的核心是精确获取目标电磁散射信息并进行精细解译与识别处理。

它的核心思想是将空间分割为一系列连续的射线管，并在每个射线管上进行积分，从而获得对整个空间的全面理解。总的来说，射线管积分是一种强大而灵活的工具，它在科学和工程中有着广泛的应用。其次，射线管积分通常假设场量在射线管内是均匀的，这可能不适用于所有情况。随着计算资源的增加和新算法的开发，我们期待射线管积分在更多的领域得到应用。本次辨析的概念是：射线管积分。虽然这个例子很简单，但它展示了射线管积分的基本思想：将复杂的空间问题简化为一维的积分问题。这个测度的意义是，它衡量的是射线管的“视角”，而不是它的实际面积。

自从雷达（Radio Detection and Ranging）发明以来，它已经成为了我们生活中不可或缺的部分，用于气象预报、航空航天、军事等多个领域。雷达通过发送无线电波并接收其回波来探测、测距和测速。而雷达层析成像 (Radar Tomography Imaging)，则是雷达技术的一种重要扩展，用于获取目标的立体信息，它具有非线性和非平面的特性。雷达层析成像的基本原理可以归结为两个关键步骤：发射和接收无线电波，以及对收到的回波进行层析重建。

背景自动驾驶车辆对环境表示有的高精度需求基于FMCW radar 生成环境表示主要有两种方法✅基于合成孔径雷达(SAR)✅基于占用网格图(OGM)本文工作首次使用相同测量数据,对SAR和OGM环境表示进行定性比较。

合成孔径雷达（

动机4D毫米波雷达有诸多优势：✅ 能够测量目标的距离、方位角、仰角和速度✅ 鲁棒性强问题：尽管4D毫米波雷达研究快速发展❌ 但目前还缺乏对该主题的调研总结本文目标填补这一空白促进该领域未来研究本文内容回顾4D毫米波雷达的理论背景和发展进展✅ 信号处理流程✅ 分辨率提升方法✅ 外参标定过程✅ 点云生成方法介绍 4D毫米波雷达在环境感知和定位与映射任务中的数据集和应用算法4D毫米波雷达领域的未来发展趋势本文贡献第一篇关注自动驾驶中的4D毫米波雷达的综述。

研究内容提出了一种使用毫米波FMCW雷达检测人体咳嗽信号的信号处理方法✅ 利用FMCW雷达的相位解调技术可以提取咳嗽引起的微小振动✅ 采用身体运动伪像消除(BMAC)技术可以抑制运动伪像⇒⇒（运动伪像可以轻易掩盖小振动）✅ 即使存在大规模身体运动也可以测量咳嗽信号的振动频率实验验证进行了仿真来评估所提出方法检测咳嗽信号的概率和准确性✅ 包括分析了FMCW线性调频非线性的影响提出的技术还通过60 GHz FMCW雷达进行了验证实验贡献总结首次使用FMCW雷达实现了咳嗽信号的检测。

0.25 page目标针对雷达range-doppler images (RDI) 的OOD检测贡献提出了一种基于reconstruction的多类OOD检测器,用于毫米波雷达图像分类🚩目标是将除坐着、站立或行走的人之外的任何运动目标识别为OOD提出了呼吸检测器(RESPD)来检测人体轻微运动,如呼吸🚩以简化OOD检测难度实验在60GHz短程FMCW雷达采集的数据集上对坐着、站立、行走三个类别进行OOD检测,获得了97.45%、92.13%、96.58%的AUROC。

动机感知人体的姿态和形状对于许多应用至关重要传统摄像头: face challenges like occlusions and poor lighting⇒⇒利用RF信号构建人体网格M4^44esh system利用商用毫米波(mmWave)雷达进行多目标3D人体网格构建检测和跟踪主体: 在2D能量图上预测主体边界框解决主体之间的相互遮挡问题: 利用前几帧主体边界框的位置、速度和大小信息。

目标使用神经网络从点云中提取特征应用加权最小二乘进行运动估计提出多普勒损失定位内点Test on。

动机🚩 支持许多面部驱动的场景,包括虚拟现实(VR)模型、人机交互和情感计算应用然而，Mainstream vision-based methods 可能会面临隐私问题,并受到障碍场景和光照条件差的影响⇒⇒非侵入性的3D人脸重建系统mm3DFace,利用毫米波雷达重建连续表现面部表情的3D人脸🚩 保护隐私 + 不受光照影响step 1: 基于预处理后的毫米波信号,mm3DFace首先通过ConvNeXt模型和三重损失嵌入提取捕捉面部表情细微变化的面部几何特征step 2。

Motivation & ProblemProposed Solution提出Fusang,仅依赖商用毫米波雷达实现高分辨三维目标识别1 HRRP: 建立目标散射点在视线方向上的投影,即高分辨距离剖面(HRRP) ✅ ⇒\Rightarrow⇒ 通过在每个距离单元中对来自目标散射体的复杂时间回波进行相干求和而获得的一维向量,直接将目标轮廓与雷达信号的散射特征相关联❌ 缺点：室内多径的影响 + 目标的HRRP数据本身就容易受到不同参数和测量条件的影响2 使用SVMD和定位捕获多径环境下信号的多频信息 ⇒\

解决了 FMCW MIMO mmwave radar的低角度分辨率问题背景mmwave radar通常仅10根天线左右，角度分辨率很低解决方案：1 提出了ADC-SR (ADC数据超分辨模型)：使用来自少数接收器的信号预测额外的信号✅ 特点：与baseline相比性能相当，但参数减少50倍2 将ADC-SR与标准的RAD超分辨模型结合，获得混合超分辨率模型 (Hybrid-SR)✅ 性能可以大幅提高实验结果。

↑打开上述链接即可阅读全文本系列为《合成孔径雷达成像算法与实现》的学习笔记。本系列完整内容包括:笔记1 第一章–总述和概论笔记2 第二章–信号处理基础笔记3 第三章–线性调频信号的脉冲压缩第四章–合成孔径的概念第五章–SAR信号的性质第六章–距离多普勒算法第七章–Chirp Scaling 算法第八章–ωk算法第九章–SPECAN算法第十章–ScanSAR算法第11章–算法比较第十二章–多普勒中心估计第十三章–方位调频率估计(红色为本笔记对应章节)

提出SAR卫星非沿迹成像新模式：成像沿场景走向，不沿卫星航迹，对非沿迹场景观测效能高例如：SAR卫星观测弯曲海岸线时，沿迹成像模式需要8条成像带，非沿迹仅需1条成像带。

多维度SAR成像存在的问题：缺乏实测数据的情况下，如何设计高效的训练策略？SAR作为复值问题，如何高效处理复数传播？如何提升网络泛化性能，以适配成像几何模型和系统参数的变化？即 模型设计、算法优化 两个方面。

本系列为《合成孔径雷达成像算法与实现》的学习笔记。笔记原文链接：https://mp.weixin.qq.com/s/xnKQLuiydZVKrmF4o1AAng本系列完整内容包括:笔记1 第一章–总述和概论笔记2 第二章–信号处理基础第三章–线性调频信号的脉冲压缩第四章–合成孔径的概念第五章–SAR信号的性质第六章–距离多普勒算法第七章–Chirp Scaling 算法第八章–ωk\omega kωk算法第九章–SPECAN算法第十章–ScanSAR算法第11章–算法比较第十二章–多普勒中心估计第十三章–

笔记原文链接：https://mp.weixin.qq.com/s/y6ONgpQlPuw2Seoit_JaOg本文目录本文主要内容上学期的主要内容：4个概念本学期的主要内容非线性：阵列信号处理 (Array Processing)✅ 兴起于1980-1990s🚩 如：MUSIC算法非正交：稀疏性 (Sparisty)✅ 兴起于2006-2012s (2012年之后：Deep learning)🚩 如：LASSO算法非平稳: 时频分析 (Time-Frequency Analysis)✅ 兴起于1995

presentThisexploits⇒⇒但允许不规则的轨迹(Conventional SAR 需要 canonical acquisition surfaces包括and⇒⇒易于 deploy and calibrateMethods⇒⇒✅ inexperienced users 也可以进行扫描。

在Security monitoring field 作用很大real-time全天候全天时挑战：已成为 abottleneck本文贡献： WRDIWRDI: a意义for.

使用深度学习，基于sparse raw mmwave radar intensity data包括 2 back-to-back GAN:1st GAN: 由radar data生成 2D depth images2nd GAN: 由2D depth images 生成3D点云优点：1 利用CNN提取局部结构特征2 利用了点云的高效和能够表达细节几何特征的能力？（意思是输出的点云有这些优点？）

Motivation:光学传感器则反之本文：HawkEye基于mmWave signal 的structure和nature设计实现了a data synthesizer：合成训练数据集。

本文总结、介绍了各种MIMO radar waveform：包括分析和对比它们的properties, application limitations, simulation results 等。

信号处理琐碎知识点 ———— OFDM 正交频分复用From:MIMO技术各通道发射信号之间相互正交正交方式包括不同通道发射不同频率信号(频分正交)、不同通道发射不同相位编码信号(码分正交)、不同通道在不同时间发射信号(时分正交)问题：如何频分？如何正交？

Kun Qian, Zhaoyuan He, Xinyu ZhangUCSDProceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies (ACM IMWUT)内容在优快云、知乎和微信公众号同步更新Extremely low resolution❌ due to its small form factor❌ only generates intensity maps with strong ref

本文为毫米波雷达点云的公开讲座笔记(英文版)，讲座信息如下：内容在优快云、知乎和微信公众号同步更新MM wave radar is a key sensor (in the multi-sensor fusion system) of assisted and driverless vehicles, which can be divided into, includingVision Sensors in Autonomous Driving (As shown below) Among them, b

问题描述整理一个毫米波雷达人体姿态估计的数据集时，需要使用Python处理一个Excel中每个sheet的数据，但是遇到了下面的问题：Excel中的合并单元格无法正常读取如何遍历读取每一个sheet解决方案问题1：读取合并的单元格若直接读取，试过网上的很多方法，都存在问题。最终选择先使用openpyxl拆分所有合并的单元格，之后再进行读取。代码如下：import openpyxlimport pandas as pddef split_excel(file_path,exc

毫米波目标检测论文 | Radar Transformer: An Object Classification Network Based on 4D MMW Imaging RadarJie Bai, Lianqing Zheng , Sen Li , Bin Tan, Sihan Chen and Libo Huang同济大学Sensors原始论文地址: https://www.mdpi.com/1424-8220/21/11/3854本文为毫米波目标检测论文 Radar Transf.