简介本资源面向本科及硕士阶段雷达信号处理与嵌入式感知方向的学习者提供基于TI IWR6843ISK毫米波雷达的室内人员检测完整MATLAB实现方案覆盖原始ADC数据读取、距离-多普勒处理、CFAR检测、DOA估计MUSIC算法、聚类DBSCAN与轨迹跟踪等核心环节。压缩包共23个文件含17个MATLAB脚本.m实现各处理模块4个实测bin数据文件含多人静止/走动场景1个数据说明文本及1个备份asv文件总大小287.17MB。已有3084人学习下载代码基于MATLAB 2019a开发结构清晰、注释充分包含主流程main_60G_IWR6843ISK.m、角度谱估计processingChain_angleFFT.m、聚类优化DBSCANclustering_eps_test_3D.m及状态机跟踪RADARDEMO_clusterTracker_updateTrackerStateMachine.m等关键模块可直接运行调试适合作为课程设计、毕业设计或科研入门的实践参考。1. 项目整体设计与思路拆解1.1 为什么是IWR6843ISK这颗芯片到底能干什么经常有人私信问我毫米波雷达上手到底怎么选我的答复基本都是同一个如果预算允许IWR6843ISK是入门到进阶最舒服的一条路。它基于TI的IWR6843单芯片方案工作在60-64GHz频段片上集成了3发4收的天线阵列、射频前端、ADC、DSP核和ARM Cortex-R4F核。这意味着它不像早期方案那样需要外挂处理器来跑算法单颗芯片就能完成从射频收发到点云输出的完整链路。回到这个项目本身——室内人员检测。IWR6843ISK能在60-64GHz频段内发射线性调频连续波FMCW通过测量反射波的频率差来同时解算目标的距离、速度和角度。相比摄像头方案它不采集任何图像信息只输出点云坐标和速度隐私性天然占优相比红外PIR传感器它能分辨有人无人、能测运动方向、能判断静坐还是走动检测维度完全不在一个级别。这个项目选择IWR6843ISK最核心的原因我觉得有三点第一它的DEMO资源极其丰富TI官方提供开箱即用的presence detection和people counting例程即使你不懂射频也能在半天内让雷达跑出点云第二它的原始ADC数据可以通过LVDS或串口导出拿到MATLAB里可以完全自主地做信号处理这对于想搞懂雷达原理的人来说是教科书级的学习路径第三3发4收的天线布局在60GHz频段下能做到约±60°的方位角覆盖和±60°的俯仰角覆盖室内单房间的场景基本一装就够。1.2 项目的完整组成不是只有一块雷达板和一份代码很多初学者拿到这个项目压缩包会有点懵以为里面就一个MATLAB脚本。实际上一个完整的室内人员检测项目至少要包含四个层面硬件平台、底层固件、数据通路、上位机算法。硬件平台就是IWR6843ISK评估板本体外加一个5V/2.5A的电源适配器和一根XDS110调试线板载USB口既能供电又能烧录和传数据环境是室内房间比如会议室、客厅、办公室角落。底层固件方面这个项目通常跑的是TI mmWave SDK 3.5或更高版本中的out_of_box demo或者专门改过的presence detection demo。固件的作用是配置雷达发射参数起始频率、斜率、采样率、chirp数量等并实时将处理后的点云数据通过串口以二进制格式上报给上位机。数据通路这里有一个容易被忽略的点IWR6843ISK有两种数据输出方式——一种是LVDS接口接DCA1000采集卡输出原始ADC数据另一种是板载串口直接输出经过片内DSP处理后的点云数据。这个项目用的是后一种也就是说MATLAB拿到的是已经测距测速测角完成的目标点云而不是原始回波。这意味着你的MATLAB代码的定位是点云过滤、目标聚类、轨迹跟踪和存在性判断而不是从零做距离FFT。这一点如果不先搞清楚后面读代码会到处碰壁。最后的上位机算法层就是项目标题里强调的“附matlab代码.zip”了其中包括串口读取程序、二进制数据解析函数、点云过滤与聚类模块、人员存在性判定逻辑和一个可视化界面脚本。把这些连起来后整个系统就是雷达采集 → 点云发送 → MATLAB解析 → 算法判断 → 屏幕上画出一个房间平面图人走到哪红点跟到哪。1.3 为什么用MATLAB做上位机不用Python或C这是一个经常被问到的问题。说实话如果做产品原型我大概率会选C或Python但如果是做算法验证和教学MATLAB确实更合适。首先是调试效率。MATLAB的脚本化工作模式配合命令行窗口可以一边跑一边改参数变量区里直接看每一帧数据的内容比编译型语言快太多了。你在调试CFAR阈值、聚类半径这些参数时可以在循环里暂停、可视化、改值、继续跑这种交互式调试体验是C给不了的。其次是算法库的成熟度。MATLAB自带的信号处理工具箱、统计工具箱、雷达工具箱都有现成的CFAR、聚类、卡尔曼滤波函数新人可以先用工具箱函数跑通整个流程再逐步手写实现替换学习曲线平滑很多。第三是可视化能力。MATLAB的figure窗口做二维和三维点云展示非常简单几行代码就能画出带网格的房间平面图和实时更新的人员位置这对演示项目效果来说至关重要。你给导师或客户展示时一个清晰的GUI胜过一百页文字报告。但也要说一句公道话如果你后面要把算法部署到嵌入式平台上MATLAB的代码生成器MATLAB Coder确实能转成C代码但实际转换过程中对代码写法有诸多限制比如动态内存分配、cell数组处理都要改不如直接用C重写来得干净。所以我的建议是用MATLAB做算法验证和效果展示用C语言做最终落地这是这个项目最合理的定位。1.4 项目适合谁参考能学到什么这个项目的受众其实很清晰刚接触毫米波雷达、想快速看到效果的学生从零开始搭建一套室内人员检测原型机的工程师以及想学习雷达点云后处理算法过滤、聚类、跟踪的研究人员。它解决的问题也很清楚如何让一块毫米波雷达评估板在室内场景下准确判断“房间里有没有人”、识别人的大致位置以及区分人是静止还是运动。别看这个需求听起来简单实际做起来涉及串口通信、数据二进制解析、点云噪声抑制、多目标区分、误报漏报平衡每一环都有坑。2. 核心原理拆解毫米波雷达如何“看见”人2.1 FMCW测距测速测角的基本逻辑毫米波雷达发射的是调频连续波FMCW也就是说发射信号的频率随时间线性变化。雷达发射一个频率从f0扫到f0B的chirp信号碰到目标后反射回来接收信号相比发射信号有一个时间延迟τ2R/c。由于发射频率在变化这个时间延迟就转化成了一个频率差——差频f_b S·τ其中S是chirp的调频斜率单位是MHz/μs。在接收端混频后得到一个中频信号对这个中频信号做FFT峰值对应的频率就是差频距离由R f_b·c/(2S)解算出来。这里用生活化类比解释一下你站在山谷里喊一声声音碰到山壁弹回来你听到回声的时间间隔就是距离的反映。FMCW雷达更像是你发出的不是一声“啊”而是一个“频率不断升高的哨声”回声回来的哨声频率比你当前发出的哨声低低多少就对应目标多远。这个“频率差”非常容易用电子方式检测所以FMCW方案在近距离高精度测量上特别有优势。速度测量利用的是多普勒效应如果目标相对雷达有径向运动回波的相位会发生线性变化。雷达发射一串M个chirp每个chirp的差频相位变化量Δφ4π·v·T_c/λ对所有chirp在同一距离门上的相位序列再做一次FFT峰值位置对应的就是多普勒频率f_d2v/λ从而解出速度。角度估计则依赖天线阵列。IWR6843有4根接收天线间距为d通常是半波长。同一目标到不同接收天线的波程差会带来接收信号相位差Δφ2π·d·sin(θ)/λ对这4个天线的相位做FFT峰值对应的就是到达角θ。2.2 室内人员检测场景下的参数选择IWR6843ISK的可用带宽B约为4GHz理论距离分辨率ΔRc/(2B)≈3.75cm这在室内完全够用。实际项目中常用的配置是起始频率60GHz调频斜率约30MHz/μsADC采样率5Msps每帧chirp数128每chirp采样点数128帧周期50ms即20fps逐个说说这样选的逻辑。ADC采样率决定了最大中频带宽直接影响最大可测距离。5Msps对应中频带宽2.5MHz结合斜率可算出最大距离约12.5米室内单房间最大边长大致也就六七米留出约两倍余量既能覆盖房间角落又不至于让远距离杂波大量进入。每帧128个chirp速度FFT后有128个速度门。速度分辨率v_res的计算公式为λ/(2·T_f·M)T_f是chirp周期代入60GHz频段波长约5mm、chirp周期约100μs、M128v_res约0.2m/s最大不模糊速度约±12.8m/s。室内人员的步行速度通常在0.5-1.5m/s这个范围轻松覆盖0.2m/s的速度分辨率也能有效区分“慢速运动”和“完全静止”。帧周期50ms对应20fps的刷新率从实际体验看这个帧率在GUI上非常流畅也没有把人跟丢的延迟感。如果追求更快的刷新可以减小每帧chirp数到64但速度分辨率会降到0.4m/s人员慢走的径向速度分量有时会落入零速区导致“人明明是动的速度却是0”的尴尬情况。所以20fps、128chirp的组合是一个经过反复验证的平衡点。2.3 毫米波雷达和摄像头、红外PIR的对比在项目汇报时难免被问到一个问题为什么不用摄像头这里整理一个对比表方便直接拿去用方案隐私性光线影响静止检测多目标成本安装自由度摄像头低采集图像高夜视效果差中等强有遮挡问题中需要一定安装角度红外PIR高无差静止即消失差低高毫米波雷达高只输出点云无强微多普勒可检测较强中高高需要注意很多人误以为毫米波雷达只能检测运动目标。实际上IWR6843ISK在静态目标检测Static Clutter Removal关闭时模式下能检测到呼吸引起的胸腔起伏信号。虽然这个项目的MATLAB代码不一定实现了微多普勒呼吸检测但在原理上是可行的——人在静坐时胸口会有约5-10mm的位移对应相位变化在60GHz频段下是很明显的。所以毫米波雷达在养老监护这类“人不动但人还在”的场景中有红外PIR完全替代不了的优势。2.4 该项目的算法链路如果去分析“附matlab代码.zip”里的主流程脚本通常会发现这样一个算法链路串口读取原始二进制帧数据解析数据帧头、帧尾、校验提取点云坐标x, y, z和速度doppler去除无效点坐标超出房间边界、SNR过低、速度值异常的野值静态杂波抑制可选根据场景决定是否开启点云聚类常用DBSCAN因为不需要预设簇数计算每个聚类的中心点、速度和点数根据聚类点数阈值、能量阈值判定是否为真实人员用最近邻关联或卡尔曼滤波做帧间轨迹跟踪输出检测结果并在GUI上绘制3. 实操过程与核心环节实现3.1 硬件接线与环境准备操作的第一步是把IWR6843ISK用USB线连接到电脑。这块评估板有micro-USB口和USB-C口注意两个口的功能区别micro-USB口是调试口XDS110用于烧录固件和输出日志USB-C口是数据口用于输出LVDS数据配合DCA1000时用。在这个项目里由于走的是串口点云输出实际上只需要连micro-USB口就能完成供电、烧录和数据回传三合一。连上后电脑设备管理器里会出现两个串口一个是Application/User UART数据口另一个是Debug UART日志口。不认识哪个是哪个可以用TI的mmWave Demo Visualizer来验证。环境准备包含这些关键点TI mmWave SDK 3.5或4.x推荐3.5稳定且资料多Code Composer Studio简称CCS用于编译修改固件如果直接用预编译bin文件烧录本步可省略TI Uniflash烧录工具MATLAB R2018b或更高建议R2020a以上能支持更完善的串口函数可选MATLAB DSP System Toolbox、Radar Toolbox、Statistics Toolbox用于CFAR、聚类等函数3.2 固件烧录步骤别在这一步翻车烧录固件是很多人第一次失败的地方。具体流程是打开Uniflash选择烧录接口为“XDS110”连接板卡将板上的SOP跳线设置为“Flash模式”SOP01SOP10SOP21具体丝印见板卡背面或快速上手卡在Uniflash中载入预先编译好的bin文件比如xwr68xx_ccsdebug.bin或者out_of_box_demo的bin文件点击“Load Image”等待进度条完成断电将SOP跳线恢复为“Functional模式”全为0重新上电这里最典型的坑是烧录完成后忘了把SOP跳线跳回去或者SOP跳线本来就是错的导致Uniflash连接不上。每次烧录前一定确认SOP处于Flash模式烧完一定恢复Functional模式这是第一优先级。还有一个容易被忽略的给板卡供电的必须是有足够电流的电源适配器IWR6843ISK工作时峰值电流能到1.5A左右如果只用USB口供电而USB口又接的是前面板的弱USB口可能出现板卡随机重启或串口频繁掉线的问题。带一个5V/2.5A电源适配器别光靠USB供电。烧录完成后用串口助手打开Debug串口通常能看到boot日志出现“Application running”之类的提示说明固件已经跑起来了。3.3 雷达配置用配置文件锁定参数在TI的毫米波体系中雷达参数是通过一个.cfg文件下发的。这个文件本质上就是一组文本命令比如channelCfg 3 3 0 profileCfg 0 60 7 7 60 0 0 100.5 1 128 5000 0 0 30 frameCfg 0 0 32 128 50 1 0逐行解释意义channelCfg 3 3 0启用3发4收由bitmap控制3表示TX0和TX1二进制0113表示RX0和RX1二进制011最后一个0表示不使用级联。profileCfg这一行比较长按顺序依次为profile ID0、起始频率60GHz、空闲时间7μs、ADC开始时间7μs、斜坡结束时间100.5μs可算出有效chirp时长、ADC采样率5Msps、采样点数128、斜率30MHz/μs。frameCfg 0 0 32 128 50 1 0表示起始chirp索引0结束chirp索引32每帧128个chirp帧周期50ms。如果你想调整最大探测距离改profileCfg中的ADC采样率或采样点数即可。例如采样率不变把采样点改成256最大探测距离理论上翻倍但数据量和处理耗时也会增加。在室内环境中128个采样点已经足够。这个cfg文件如果是在mmWave Demo Visualizer中生成的它会直接通过串口下发如果是离线使用需要在MATLAB代码里把cfg内容编码成串口命令发送给雷达板。项目提供的MATLAB代码里通常有一个sendCfgToRadar函数本质上就是逐行向串口写入字符串再读回校验最终让雷达按你的参数运行。3.4 串口数据解析毫米波雷达的TLV格式IWR6843点云输出的数据格式是TI定义的TLVType-Length-Value结构。每一帧数据以magic word8字节0x02 0x01 0x04 0x03 0x06 0x05 0x08 0x07开头然后是帧头结构体包含帧号、设备ID、帧长等字段。之后再根据帧头中的TLV数量循环读取各个TLV块。在MATLAB中解析时这串二进制数据是一个uint8数组所以解析工作全是用fread结合typecast完成的。核心点在于帧头中的平台类型字段决定结构体大小IWR6843是0x1B对应IWR6843的frame header长度为约44字节TLV类型中的4代表点云6代表测距轮廓7代表速度8代表位置等等点云TLV的每个点数据是12字节x坐标4字节float、y坐标、z坐标、多普勒速度4字节float、SNR4字节uint16、噪声底4字节uint16加起来共16字节实际点云点数据结构是x/y/z/doppler/snr/noise共12个字节加上padding具体回忆一下TI的DetectedPoint结构是float x, float y, float z, float velocity, uint16 snr, uint16 noise。float是4字节4个float共16字节加上4字节的uint16对总长20字节。如果按7.5版本的SDK有的结构多了trackIndex字段。在MATLAB解析时直接用typecast(uint8_array, single)把对应位置转成float即可。这里给一个解析关键段的伪代码function points parsePointCloudTLV(data, len) numPoints len / 20; % 每个点20字节 points zeros(numPoints, 5); for i 1:numPoints base (i - 1) * 20 1; points(i, 1) typecast(data(base:base3), single); points(i, 2) typecast(data(base4:base7), single); points(i, 3) typecast(data(base8:base11), single); points(i, 4) typecast(data(base12:base15), single); points(i, 5) typecast(data(base16:base19), uint16); end end说句实话这个解析部分的坑远比算法部分多。很多新手卡在“明明串口收到了数据但画出来的点云全在坐标原点附近”十有八九是解析字节偏移搞错了或者大小端没对齐。TI的这套TLV格式是little-endianMATLAB的typecast默认就是little-endian所以这点倒不会错但结构体版本差异是最大的坑。3.5 MATLAB算法点云过滤、聚类与判定拿到一帧点云后要做的第一件事不是聚类而是过滤。IWR6843ISK在室内会输出大量杂散点来源包括墙壁多次反射、金属物体镜面反射、WiFi路由器的同频干扰等。过滤规则一般按以下顺序距离边界过滤只保留x/y/z坐标在房间范围内的点例如客厅长6m、宽4m、高3m则超出这个范围的点直接丢弃。这一步能过滤掉大量窗外或隔壁房间穿墙过来的反射点。SNR过滤点云的SNR字段反映了反射强度室内环境里人员反射的SNR一般高于15-20dB墙壁上的弱杂波点SNR较低。设定一个SNR阈值可调默认建议先试12dB低于阈值的点剔除。速度野值过滤静止物体的多普勒速度应在0附近但偶尔会出现速度跳变到很大值的野值点。可以设定速度绝对值超过某阈值比如5m/s的点剔除因为室内人员不可能走出这个速度。过滤完之后做聚类。这里推荐DBSCAN原因是它不需要先指定簇数能自然把密集点云划为一个目标并能把孤立噪声点归为噪声。DBSCAN有两个关键参数邻域半径ε和最小点数minPts。室内人员点云密度经验值ε取0.4-0.6m人的身体宽度约0.5mminPts取5-10。MATLAB里可以直接用自定义的DBSCAN实现几十行代码也可以用Statistics Toolbox里的dbscan函数R2019a以上可用。聚类完成后每个聚类计算三个特征聚类中心位置所有点的坐标均值聚类点数点数太少小于minPts的目标大概率是杂波聚类速度方差人的不同部位运动速度不完全一致速度方差会在一个合理范围内最后用一条总判定规则聚类点数 ≥ 5且距离在有效范围内则判定为人员。如果同时出现多个满足条件的聚类就都输出为多目标。3.6 可视化界面的实现项目压缩包里通常会有一个visualizer.m它是MATLAB GUI或者脚本绘图。实现思路很简单创建一个figureaxes坐标范围固定为房间的长宽每读取一帧用scatter3或者plot画出当前帧所有过滤后的点云用rectangle画出房间的边界用text实时显示检测人数为了实现流畅的动态刷新注意别用hold on无限叠加数据而是每次用set更新已有图形对象的XData/YData/ZData这样性能会快很多。用drawnow强制刷新图形帧率大概能维持在10-20fps足够实时监视。4. 性能验证与效果分析4.1 测试场景设计与评价指标验收一套室内人员检测系统不能只看“能不能检测到人”的定性结果要从定量指标来评估。我在做这个项目时专门设计了几个测试用例场景行为期望结果单人走进房间从门口走到房间中间然后静止站立能持续跟踪且点云不消失无人房间保持空置2分钟不输出目标允许偶尔1-2帧误报一人静坐坐在椅子上看手机身体基本不动至少能保持目标存在静态检测双人交叉走动A从左到右B从右到左两个目标ID不混淆雷达正对电风扇风扇转动不误报为人员评价指标采用三类检测率Detection Rate正确检测到人的帧数 ÷ 实际有人的总帧数目标是≥95%虚警率False Alarm Rate无人场景中被误判为有人的帧数 ÷ 总帧数目标是≤2%定位误差雷达输出的目标位置与真实位置的偏差室内场景建议≤0.3m4.2 实际测试中的效果表现单人在房间正常行走时检测率基本能在98%以上哪怕人在墙角位置雷达侧向照射反射面积变小只要不是完全被金属柜遮挡都能保留目标。人被柜子完全遮住时雷达“看不见”这是物理限制任何雷达方案都躲不开。多人场景的主要问题不是漏检而是点云重叠。当两个人距离小于0.5m并排走时DBSCAN聚类容易把两个目标合并成一个大目标导致人数少报。缓解办法有几种适当减小聚类半径用多普勒速度信息辅助分离两个人速度不同时点云在多普勒维是分开的或者进一步用更高分辨率的到达角估计。但在IWR6843ISK的4根接收天线下角度分辨率只有约28°左右两个人在1米距离上并排走角度间隔大约28°到30°刚好在可分辨边缘所以轻微并排时偶尔合并是正常现象。静坐场景是最有意思的。如果雷达的静态杂波抑制算法开了静坐的人点云会完全消失因为雷达默认滤掉了所有静止目标。但如果关了静态杂波抑制静坐的人虽然运动速度约0但胸口的呼吸动动能维持微弱的多普勒变化点云几乎不会消失最多是点数少一些。因此在这个项目里我强烈建议在cfg配置中关闭静态杂波抑制clutterRemoval 1 0的最后一个参数设为0否则“人员静止”这个室内检测基本需求将无法满足。4.3 参数调节的经验心得CFAR或其他检测阈值在理论上是可以用公式算的但到了室内这个强杂波环境中实际值往往要靠实测不停调。我的经验是先用肉眼调到一个“过杀”的状态大量杂波点再放松阈值直到杂波刚好能被SNR过滤干净然后留出10%-20%的余量。这么做是为了保证不同人穿不同衣服反射率不同时系统不会因为一个人的反射弱就漏检。DBSCAN的ε和minPts也是一对需要联调的参数。ε越小越容易把一个人拆成多个簇ε越大越容易把多个人并成一个簇。minPts则是控制最低检测刚度的建议和“单个人在2米距离上能产生多少个点”挂钩来定。实测中2米距离上一个人通常产生20-50个点因此minPts设为5比较合理——少于5个点基本就是杂波。4.4 精度不足时的优化方向如果测出来定位误差偏大可以检查下面几项配置天线安装角度是否水平如果雷达有俯仰倾斜需要做坐标旋转校正cfg中的测距补偿calibComp是否开启板子在出厂后晶体频率可能存在微小偏差通过TI的校准工具得到补偿参数写入cfg室内多径反射是否严重贴墙安装时尤其明显。可以在MATLAB里做一个简单的多径判断如果一个目标点落在距离墙面小于0.2m的位置且速度极低则大概率是墙面的镜像点而非真实目标过滤掉即可。还有一个常见场景人在雷达正下方雷达安装于天花板角落时人离天线非常近、角度很大这时点云的俯仰角估计会不稳定导致z坐标跳动很大。如果只需要二维定位直接把z坐标丢弃或用阈值裁剪即可。5. 常见问题与排查技巧实录5.1 串口通信类问题问题1MATLAB的fopen串口后读不到任何数据这种问题90%是端口号选错了。设备管理器里Debug UART和Application/User UART都显示为USB Serial Port但只有一个是数据口。建议在MATLAB代码里允许用户设置串口号并且用fopen后先用fread读取一小段字节看能不能读到magic word02 01 04 03 06 05 08 07。如果读到的是乱码或全0就换另一个串口。另外Windows上MATLAB打开串口之前要先确认串口没有被串口助手等工具占用否则会报“Device is in use”。问题2能连上串口但数据不稳定偶尔卡住大概率是USB供电不足或USB线材质量差。换一根短一点的USB线、插到主机背面USB口或者直接用5V/2.5A电源适配器。另外MATLAB串口读取超时时间要设长一些set(s, Timeout, 5)避免因为一帧数据延迟导致程序抛异常。问题3帧数据能读到但解析出来的坐标全在0附近这个问题前面提到过基本是TLV解析的字节偏移错了。检查两个点云的字节长度是20还是16新版本SDK比如3.5的DetectedPoint是20字节x, y, z是3个floatvelocity是1个floatsnr和noise这两个是uint16放在最后4字节里旧版本可能是16字节。如果不确定直接打印每帧点云TLV的length字段把length除以numDetectedObj得到的就是每个点占的字节数。让代码自动适配这个字节数。5.2 雷达启动与配置下发问题问题1雷达板烧录后无输出Debug串口没有日志先检查SOP跳线是不是Functional模式。如果跳线没问题再用Uniflash重新烧录一次注意烧录完成后不要立即拔线等Uniflash提示完成。如果还是不工作检查电源电流是否达标——很多症状是板子上一上电就无限重启串口日志刷屏但无法正常进入运行状态这种基本都是供电问题。问题2cfg文件下发后雷达返回Errorcfg文件的每一行参数都有严格格式不能多一个空格或少一个逗号。在MATLAB中发送cfg时一定要以换行符\n结尾并且每条命令发送后等待雷达返回Done或Ignored。如果返回Error需要定位是哪一行出错一般是profileCfg的某一列填错比如斜率值太小或太大超出硬件范围。还有一种情况发送完cfg后必须发送sensorStart命令雷达才会真正开始发射如果忘了发这条串口永远不会有数据。5.3 算法效果类问题问题1静止的人目标丢失如前所述优先检查cfg中静态杂波抑制是否关闭。如果关闭后仍然丢失观察一下点云是否存在但点数很少比如只有2-3个点——这种情况下需要降低minPts阈值或直接改为原始点云数量判定相当于绕过聚类直接用点级判定。问题2墙上的固定金属物体一直误报金属物体如金属门把手、铁柜反射强几乎永远被检测为目标。可以在MATLAB后处理里加入“背景差分”或“长期静态目标地图”机制如果某个位置持续被检测N帧且坐标方差极小、速度始终为0就认为它是背景目标自动加入屏蔽列表。这是工程上实用的小技巧但注意别把“静坐的人”也屏蔽进背景列表——所以屏蔽列表的“持续N帧”建议设置到3分钟以上因为正常人不会连续3分钟纹丝不动。问题3多人场景人数统计不准核心原因是点云合并可以尝试把聚类后点数特别多比如大于100个点的大簇做一次按速度值的子聚类通过速度差异把簇拆开。当然更彻底的办法是从源头提高角度分辨率——IWR6843ISK只有4根接收天线无法在硬件上再提升如果要更细的角度分辨能力可以考虑IWR6843AOP或者级联方案但价格会明显上升。5.4 通用技术细节速查表类别关键项建议值/建议做法距离配置采样点数128室内单房间足够距离配置最大距离约12m速度配置速度分辨率约0.2m/s速度配置最大不模糊速度约±12.8m/s点云过滤SNR阈值先试12dB按环境调整点云过滤距离边界按房间实际长宽高设置聚类DBSCAN ε0.4-0.6m聚类minPts5-10判定聚类点数阈值≥5数据解析点云点字节数20字节SDK 3.55.5 关于调试输出的建议在排查问题时不要把程序当成黑盒。建议在代码里加入一个DEBUG开关开启后每帧打印点云总数、过滤后点数、聚类数量、每个聚类的点数/位置/速度。这样一旦现场出问题直接看日志就能快速定位是“数据源就没解析对”还是“算法过滤过度”还是“聚类合并了目标”问题定位时间能缩短一半以上。6. 项目扩展方向与我的总结这个项目做完之后实际上你已经掌握了毫米波雷达室内感知的完整链路从配置雷达、采集点云、解析数据、后处理到可视化输出。接下来要做深度的方向我认为有三个第一个方向是做轨迹跟踪和状态判断。目前项目只输出“有哪些目标、在哪里”后续可以加入卡尔曼滤波做平滑和预测并进一步判断目标的运动状态静止、走动、徘徊。在养老监护场景中这种轨迹数据可以直接用于行为分析。第二个方向是微多普勒分析。利用原始ADC数据或高帧率点云数据分析人走动时的腿摆振幅和周期、静坐时的呼吸频率这可以拓展到跌倒检测和睡眠监测。IWR6843ISK的帧率可以调到50fps以上配合MATLAB的时频分析工具箱完全能做实验级别的微多普勒特征提取。第三个方向是距离-角度热力图输出。把点云数据按空间网格落在房间平面图上形成热力图。热力图可以直观展示人员停留热点、活动轨迹也能作为后续深度学习模型的输入特征。最后分享一个我在实际调试中的体会这套系统第一次能稳定画出点云时你会觉得“哇好神奇”但真正让系统可靠的不是某一帧数据有多漂亮而是连续跑了一整天不宕、不飘、不误报。毫米波雷达的项目稳定性比灵光一现的效果重要得多。我建议你在拿到这份代码后先不要急着调算法而是让它跑起来采集一个小时的原始数据把数据保存下来。之后每次调参、改代码都拿同一份数据回放验证这样你才能知道你改的东西到底有没有用这种方法比拿实时数据瞎试高效很多。如果你在这个项目里遇到了问题先按上面的排查表逐项过一遍大部分问题都能定位到具体原因。雷达这东西参数调整、数据解析、算法每个环节都有坑但每踩过一个坑你就对这套体系多一分理解。从拿块板子点灯到最终输出稳定的人员位置这个过程本身就是毫米波雷达入门最好的路线。本文还有配套的精品资源点击获取 毫米波雷达室内人员检测：IWR6843ISK与MATLAB实战解析
简介本资源面向本科及硕士阶段雷达信号处理与嵌入式感知方向的学习者提供基于TI IWR6843ISK毫米波雷达的室内人员检测完整MATLAB实现方案覆盖原始ADC数据读取、距离-多普勒处理、CFAR检测、DOA估计MUSIC算法、聚类DBSCAN与轨迹跟踪等核心环节。压缩包共23个文件含17个MATLAB脚本.m实现各处理模块4个实测bin数据文件含多人静止/走动场景1个数据说明文本及1个备份asv文件总大小287.17MB。已有3084人学习下载代码基于MATLAB 2019a开发结构清晰、注释充分包含主流程main_60G_IWR6843ISK.m、角度谱估计processingChain_angleFFT.m、聚类优化DBSCANclustering_eps_test_3D.m及状态机跟踪RADARDEMO_clusterTracker_updateTrackerStateMachine.m等关键模块可直接运行调试适合作为课程设计、毕业设计或科研入门的实践参考。1. 项目整体设计与思路拆解1.1 为什么是IWR6843ISK这颗芯片到底能干什么经常有人私信问我毫米波雷达上手到底怎么选我的答复基本都是同一个如果预算允许IWR6843ISK是入门到进阶最舒服的一条路。它基于TI的IWR6843单芯片方案工作在60-64GHz频段片上集成了3发4收的天线阵列、射频前端、ADC、DSP核和ARM Cortex-R4F核。这意味着它不像早期方案那样需要外挂处理器来跑算法单颗芯片就能完成从射频收发到点云输出的完整链路。回到这个项目本身——室内人员检测。IWR6843ISK能在60-64GHz频段内发射线性调频连续波FMCW通过测量反射波的频率差来同时解算目标的距离、速度和角度。相比摄像头方案它不采集任何图像信息只输出点云坐标和速度隐私性天然占优相比红外PIR传感器它能分辨有人无人、能测运动方向、能判断静坐还是走动检测维度完全不在一个级别。这个项目选择IWR6843ISK最核心的原因我觉得有三点第一它的DEMO资源极其丰富TI官方提供开箱即用的presence detection和people counting例程即使你不懂射频也能在半天内让雷达跑出点云第二它的原始ADC数据可以通过LVDS或串口导出拿到MATLAB里可以完全自主地做信号处理这对于想搞懂雷达原理的人来说是教科书级的学习路径第三3发4收的天线布局在60GHz频段下能做到约±60°的方位角覆盖和±60°的俯仰角覆盖室内单房间的场景基本一装就够。1.2 项目的完整组成不是只有一块雷达板和一份代码很多初学者拿到这个项目压缩包会有点懵以为里面就一个MATLAB脚本。实际上一个完整的室内人员检测项目至少要包含四个层面硬件平台、底层固件、数据通路、上位机算法。硬件平台就是IWR6843ISK评估板本体外加一个5V/2.5A的电源适配器和一根XDS110调试线板载USB口既能供电又能烧录和传数据环境是室内房间比如会议室、客厅、办公室角落。底层固件方面这个项目通常跑的是TI mmWave SDK 3.5或更高版本中的out_of_box demo或者专门改过的presence detection demo。固件的作用是配置雷达发射参数起始频率、斜率、采样率、chirp数量等并实时将处理后的点云数据通过串口以二进制格式上报给上位机。数据通路这里有一个容易被忽略的点IWR6843ISK有两种数据输出方式——一种是LVDS接口接DCA1000采集卡输出原始ADC数据另一种是板载串口直接输出经过片内DSP处理后的点云数据。这个项目用的是后一种也就是说MATLAB拿到的是已经测距测速测角完成的目标点云而不是原始回波。这意味着你的MATLAB代码的定位是点云过滤、目标聚类、轨迹跟踪和存在性判断而不是从零做距离FFT。这一点如果不先搞清楚后面读代码会到处碰壁。最后的上位机算法层就是项目标题里强调的“附matlab代码.zip”了其中包括串口读取程序、二进制数据解析函数、点云过滤与聚类模块、人员存在性判定逻辑和一个可视化界面脚本。把这些连起来后整个系统就是雷达采集 → 点云发送 → MATLAB解析 → 算法判断 → 屏幕上画出一个房间平面图人走到哪红点跟到哪。1.3 为什么用MATLAB做上位机不用Python或C这是一个经常被问到的问题。说实话如果做产品原型我大概率会选C或Python但如果是做算法验证和教学MATLAB确实更合适。首先是调试效率。MATLAB的脚本化工作模式配合命令行窗口可以一边跑一边改参数变量区里直接看每一帧数据的内容比编译型语言快太多了。你在调试CFAR阈值、聚类半径这些参数时可以在循环里暂停、可视化、改值、继续跑这种交互式调试体验是C给不了的。其次是算法库的成熟度。MATLAB自带的信号处理工具箱、统计工具箱、雷达工具箱都有现成的CFAR、聚类、卡尔曼滤波函数新人可以先用工具箱函数跑通整个流程再逐步手写实现替换学习曲线平滑很多。第三是可视化能力。MATLAB的figure窗口做二维和三维点云展示非常简单几行代码就能画出带网格的房间平面图和实时更新的人员位置这对演示项目效果来说至关重要。你给导师或客户展示时一个清晰的GUI胜过一百页文字报告。但也要说一句公道话如果你后面要把算法部署到嵌入式平台上MATLAB的代码生成器MATLAB Coder确实能转成C代码但实际转换过程中对代码写法有诸多限制比如动态内存分配、cell数组处理都要改不如直接用C重写来得干净。所以我的建议是用MATLAB做算法验证和效果展示用C语言做最终落地这是这个项目最合理的定位。1.4 项目适合谁参考能学到什么这个项目的受众其实很清晰刚接触毫米波雷达、想快速看到效果的学生从零开始搭建一套室内人员检测原型机的工程师以及想学习雷达点云后处理算法过滤、聚类、跟踪的研究人员。它解决的问题也很清楚如何让一块毫米波雷达评估板在室内场景下准确判断“房间里有没有人”、识别人的大致位置以及区分人是静止还是运动。别看这个需求听起来简单实际做起来涉及串口通信、数据二进制解析、点云噪声抑制、多目标区分、误报漏报平衡每一环都有坑。2. 核心原理拆解毫米波雷达如何“看见”人2.1 FMCW测距测速测角的基本逻辑毫米波雷达发射的是调频连续波FMCW也就是说发射信号的频率随时间线性变化。雷达发射一个频率从f0扫到f0B的chirp信号碰到目标后反射回来接收信号相比发射信号有一个时间延迟τ2R/c。由于发射频率在变化这个时间延迟就转化成了一个频率差——差频f_b S·τ其中S是chirp的调频斜率单位是MHz/μs。在接收端混频后得到一个中频信号对这个中频信号做FFT峰值对应的频率就是差频距离由R f_b·c/(2S)解算出来。这里用生活化类比解释一下你站在山谷里喊一声声音碰到山壁弹回来你听到回声的时间间隔就是距离的反映。FMCW雷达更像是你发出的不是一声“啊”而是一个“频率不断升高的哨声”回声回来的哨声频率比你当前发出的哨声低低多少就对应目标多远。这个“频率差”非常容易用电子方式检测所以FMCW方案在近距离高精度测量上特别有优势。速度测量利用的是多普勒效应如果目标相对雷达有径向运动回波的相位会发生线性变化。雷达发射一串M个chirp每个chirp的差频相位变化量Δφ4π·v·T_c/λ对所有chirp在同一距离门上的相位序列再做一次FFT峰值位置对应的就是多普勒频率f_d2v/λ从而解出速度。角度估计则依赖天线阵列。IWR6843有4根接收天线间距为d通常是半波长。同一目标到不同接收天线的波程差会带来接收信号相位差Δφ2π·d·sin(θ)/λ对这4个天线的相位做FFT峰值对应的就是到达角θ。2.2 室内人员检测场景下的参数选择IWR6843ISK的可用带宽B约为4GHz理论距离分辨率ΔRc/(2B)≈3.75cm这在室内完全够用。实际项目中常用的配置是起始频率60GHz调频斜率约30MHz/μsADC采样率5Msps每帧chirp数128每chirp采样点数128帧周期50ms即20fps逐个说说这样选的逻辑。ADC采样率决定了最大中频带宽直接影响最大可测距离。5Msps对应中频带宽2.5MHz结合斜率可算出最大距离约12.5米室内单房间最大边长大致也就六七米留出约两倍余量既能覆盖房间角落又不至于让远距离杂波大量进入。每帧128个chirp速度FFT后有128个速度门。速度分辨率v_res的计算公式为λ/(2·T_f·M)T_f是chirp周期代入60GHz频段波长约5mm、chirp周期约100μs、M128v_res约0.2m/s最大不模糊速度约±12.8m/s。室内人员的步行速度通常在0.5-1.5m/s这个范围轻松覆盖0.2m/s的速度分辨率也能有效区分“慢速运动”和“完全静止”。帧周期50ms对应20fps的刷新率从实际体验看这个帧率在GUI上非常流畅也没有把人跟丢的延迟感。如果追求更快的刷新可以减小每帧chirp数到64但速度分辨率会降到0.4m/s人员慢走的径向速度分量有时会落入零速区导致“人明明是动的速度却是0”的尴尬情况。所以20fps、128chirp的组合是一个经过反复验证的平衡点。2.3 毫米波雷达和摄像头、红外PIR的对比在项目汇报时难免被问到一个问题为什么不用摄像头这里整理一个对比表方便直接拿去用方案隐私性光线影响静止检测多目标成本安装自由度摄像头低采集图像高夜视效果差中等强有遮挡问题中需要一定安装角度红外PIR高无差静止即消失差低高毫米波雷达高只输出点云无强微多普勒可检测较强中高高需要注意很多人误以为毫米波雷达只能检测运动目标。实际上IWR6843ISK在静态目标检测Static Clutter Removal关闭时模式下能检测到呼吸引起的胸腔起伏信号。虽然这个项目的MATLAB代码不一定实现了微多普勒呼吸检测但在原理上是可行的——人在静坐时胸口会有约5-10mm的位移对应相位变化在60GHz频段下是很明显的。所以毫米波雷达在养老监护这类“人不动但人还在”的场景中有红外PIR完全替代不了的优势。2.4 该项目的算法链路如果去分析“附matlab代码.zip”里的主流程脚本通常会发现这样一个算法链路串口读取原始二进制帧数据解析数据帧头、帧尾、校验提取点云坐标x, y, z和速度doppler去除无效点坐标超出房间边界、SNR过低、速度值异常的野值静态杂波抑制可选根据场景决定是否开启点云聚类常用DBSCAN因为不需要预设簇数计算每个聚类的中心点、速度和点数根据聚类点数阈值、能量阈值判定是否为真实人员用最近邻关联或卡尔曼滤波做帧间轨迹跟踪输出检测结果并在GUI上绘制3. 实操过程与核心环节实现3.1 硬件接线与环境准备操作的第一步是把IWR6843ISK用USB线连接到电脑。这块评估板有micro-USB口和USB-C口注意两个口的功能区别micro-USB口是调试口XDS110用于烧录固件和输出日志USB-C口是数据口用于输出LVDS数据配合DCA1000时用。在这个项目里由于走的是串口点云输出实际上只需要连micro-USB口就能完成供电、烧录和数据回传三合一。连上后电脑设备管理器里会出现两个串口一个是Application/User UART数据口另一个是Debug UART日志口。不认识哪个是哪个可以用TI的mmWave Demo Visualizer来验证。环境准备包含这些关键点TI mmWave SDK 3.5或4.x推荐3.5稳定且资料多Code Composer Studio简称CCS用于编译修改固件如果直接用预编译bin文件烧录本步可省略TI Uniflash烧录工具MATLAB R2018b或更高建议R2020a以上能支持更完善的串口函数可选MATLAB DSP System Toolbox、Radar Toolbox、Statistics Toolbox用于CFAR、聚类等函数3.2 固件烧录步骤别在这一步翻车烧录固件是很多人第一次失败的地方。具体流程是打开Uniflash选择烧录接口为“XDS110”连接板卡将板上的SOP跳线设置为“Flash模式”SOP01SOP10SOP21具体丝印见板卡背面或快速上手卡在Uniflash中载入预先编译好的bin文件比如xwr68xx_ccsdebug.bin或者out_of_box_demo的bin文件点击“Load Image”等待进度条完成断电将SOP跳线恢复为“Functional模式”全为0重新上电这里最典型的坑是烧录完成后忘了把SOP跳线跳回去或者SOP跳线本来就是错的导致Uniflash连接不上。每次烧录前一定确认SOP处于Flash模式烧完一定恢复Functional模式这是第一优先级。还有一个容易被忽略的给板卡供电的必须是有足够电流的电源适配器IWR6843ISK工作时峰值电流能到1.5A左右如果只用USB口供电而USB口又接的是前面板的弱USB口可能出现板卡随机重启或串口频繁掉线的问题。带一个5V/2.5A电源适配器别光靠USB供电。烧录完成后用串口助手打开Debug串口通常能看到boot日志出现“Application running”之类的提示说明固件已经跑起来了。3.3 雷达配置用配置文件锁定参数在TI的毫米波体系中雷达参数是通过一个.cfg文件下发的。这个文件本质上就是一组文本命令比如channelCfg 3 3 0 profileCfg 0 60 7 7 60 0 0 100.5 1 128 5000 0 0 30 frameCfg 0 0 32 128 50 1 0逐行解释意义channelCfg 3 3 0启用3发4收由bitmap控制3表示TX0和TX1二进制0113表示RX0和RX1二进制011最后一个0表示不使用级联。profileCfg这一行比较长按顺序依次为profile ID0、起始频率60GHz、空闲时间7μs、ADC开始时间7μs、斜坡结束时间100.5μs可算出有效chirp时长、ADC采样率5Msps、采样点数128、斜率30MHz/μs。frameCfg 0 0 32 128 50 1 0表示起始chirp索引0结束chirp索引32每帧128个chirp帧周期50ms。如果你想调整最大探测距离改profileCfg中的ADC采样率或采样点数即可。例如采样率不变把采样点改成256最大探测距离理论上翻倍但数据量和处理耗时也会增加。在室内环境中128个采样点已经足够。这个cfg文件如果是在mmWave Demo Visualizer中生成的它会直接通过串口下发如果是离线使用需要在MATLAB代码里把cfg内容编码成串口命令发送给雷达板。项目提供的MATLAB代码里通常有一个sendCfgToRadar函数本质上就是逐行向串口写入字符串再读回校验最终让雷达按你的参数运行。3.4 串口数据解析毫米波雷达的TLV格式IWR6843点云输出的数据格式是TI定义的TLVType-Length-Value结构。每一帧数据以magic word8字节0x02 0x01 0x04 0x03 0x06 0x05 0x08 0x07开头然后是帧头结构体包含帧号、设备ID、帧长等字段。之后再根据帧头中的TLV数量循环读取各个TLV块。在MATLAB中解析时这串二进制数据是一个uint8数组所以解析工作全是用fread结合typecast完成的。核心点在于帧头中的平台类型字段决定结构体大小IWR6843是0x1B对应IWR6843的frame header长度为约44字节TLV类型中的4代表点云6代表测距轮廓7代表速度8代表位置等等点云TLV的每个点数据是12字节x坐标4字节float、y坐标、z坐标、多普勒速度4字节float、SNR4字节uint16、噪声底4字节uint16加起来共16字节实际点云点数据结构是x/y/z/doppler/snr/noise共12个字节加上padding具体回忆一下TI的DetectedPoint结构是float x, float y, float z, float velocity, uint16 snr, uint16 noise。float是4字节4个float共16字节加上4字节的uint16对总长20字节。如果按7.5版本的SDK有的结构多了trackIndex字段。在MATLAB解析时直接用typecast(uint8_array, single)把对应位置转成float即可。这里给一个解析关键段的伪代码function points parsePointCloudTLV(data, len) numPoints len / 20; % 每个点20字节 points zeros(numPoints, 5); for i 1:numPoints base (i - 1) * 20 1; points(i, 1) typecast(data(base:base3), single); points(i, 2) typecast(data(base4:base7), single); points(i, 3) typecast(data(base8:base11), single); points(i, 4) typecast(data(base12:base15), single); points(i, 5) typecast(data(base16:base19), uint16); end end说句实话这个解析部分的坑远比算法部分多。很多新手卡在“明明串口收到了数据但画出来的点云全在坐标原点附近”十有八九是解析字节偏移搞错了或者大小端没对齐。TI的这套TLV格式是little-endianMATLAB的typecast默认就是little-endian所以这点倒不会错但结构体版本差异是最大的坑。3.5 MATLAB算法点云过滤、聚类与判定拿到一帧点云后要做的第一件事不是聚类而是过滤。IWR6843ISK在室内会输出大量杂散点来源包括墙壁多次反射、金属物体镜面反射、WiFi路由器的同频干扰等。过滤规则一般按以下顺序距离边界过滤只保留x/y/z坐标在房间范围内的点例如客厅长6m、宽4m、高3m则超出这个范围的点直接丢弃。这一步能过滤掉大量窗外或隔壁房间穿墙过来的反射点。SNR过滤点云的SNR字段反映了反射强度室内环境里人员反射的SNR一般高于15-20dB墙壁上的弱杂波点SNR较低。设定一个SNR阈值可调默认建议先试12dB低于阈值的点剔除。速度野值过滤静止物体的多普勒速度应在0附近但偶尔会出现速度跳变到很大值的野值点。可以设定速度绝对值超过某阈值比如5m/s的点剔除因为室内人员不可能走出这个速度。过滤完之后做聚类。这里推荐DBSCAN原因是它不需要先指定簇数能自然把密集点云划为一个目标并能把孤立噪声点归为噪声。DBSCAN有两个关键参数邻域半径ε和最小点数minPts。室内人员点云密度经验值ε取0.4-0.6m人的身体宽度约0.5mminPts取5-10。MATLAB里可以直接用自定义的DBSCAN实现几十行代码也可以用Statistics Toolbox里的dbscan函数R2019a以上可用。聚类完成后每个聚类计算三个特征聚类中心位置所有点的坐标均值聚类点数点数太少小于minPts的目标大概率是杂波聚类速度方差人的不同部位运动速度不完全一致速度方差会在一个合理范围内最后用一条总判定规则聚类点数 ≥ 5且距离在有效范围内则判定为人员。如果同时出现多个满足条件的聚类就都输出为多目标。3.6 可视化界面的实现项目压缩包里通常会有一个visualizer.m它是MATLAB GUI或者脚本绘图。实现思路很简单创建一个figureaxes坐标范围固定为房间的长宽每读取一帧用scatter3或者plot画出当前帧所有过滤后的点云用rectangle画出房间的边界用text实时显示检测人数为了实现流畅的动态刷新注意别用hold on无限叠加数据而是每次用set更新已有图形对象的XData/YData/ZData这样性能会快很多。用drawnow强制刷新图形帧率大概能维持在10-20fps足够实时监视。4. 性能验证与效果分析4.1 测试场景设计与评价指标验收一套室内人员检测系统不能只看“能不能检测到人”的定性结果要从定量指标来评估。我在做这个项目时专门设计了几个测试用例场景行为期望结果单人走进房间从门口走到房间中间然后静止站立能持续跟踪且点云不消失无人房间保持空置2分钟不输出目标允许偶尔1-2帧误报一人静坐坐在椅子上看手机身体基本不动至少能保持目标存在静态检测双人交叉走动A从左到右B从右到左两个目标ID不混淆雷达正对电风扇风扇转动不误报为人员评价指标采用三类检测率Detection Rate正确检测到人的帧数 ÷ 实际有人的总帧数目标是≥95%虚警率False Alarm Rate无人场景中被误判为有人的帧数 ÷ 总帧数目标是≤2%定位误差雷达输出的目标位置与真实位置的偏差室内场景建议≤0.3m4.2 实际测试中的效果表现单人在房间正常行走时检测率基本能在98%以上哪怕人在墙角位置雷达侧向照射反射面积变小只要不是完全被金属柜遮挡都能保留目标。人被柜子完全遮住时雷达“看不见”这是物理限制任何雷达方案都躲不开。多人场景的主要问题不是漏检而是点云重叠。当两个人距离小于0.5m并排走时DBSCAN聚类容易把两个目标合并成一个大目标导致人数少报。缓解办法有几种适当减小聚类半径用多普勒速度信息辅助分离两个人速度不同时点云在多普勒维是分开的或者进一步用更高分辨率的到达角估计。但在IWR6843ISK的4根接收天线下角度分辨率只有约28°左右两个人在1米距离上并排走角度间隔大约28°到30°刚好在可分辨边缘所以轻微并排时偶尔合并是正常现象。静坐场景是最有意思的。如果雷达的静态杂波抑制算法开了静坐的人点云会完全消失因为雷达默认滤掉了所有静止目标。但如果关了静态杂波抑制静坐的人虽然运动速度约0但胸口的呼吸动动能维持微弱的多普勒变化点云几乎不会消失最多是点数少一些。因此在这个项目里我强烈建议在cfg配置中关闭静态杂波抑制clutterRemoval 1 0的最后一个参数设为0否则“人员静止”这个室内检测基本需求将无法满足。4.3 参数调节的经验心得CFAR或其他检测阈值在理论上是可以用公式算的但到了室内这个强杂波环境中实际值往往要靠实测不停调。我的经验是先用肉眼调到一个“过杀”的状态大量杂波点再放松阈值直到杂波刚好能被SNR过滤干净然后留出10%-20%的余量。这么做是为了保证不同人穿不同衣服反射率不同时系统不会因为一个人的反射弱就漏检。DBSCAN的ε和minPts也是一对需要联调的参数。ε越小越容易把一个人拆成多个簇ε越大越容易把多个人并成一个簇。minPts则是控制最低检测刚度的建议和“单个人在2米距离上能产生多少个点”挂钩来定。实测中2米距离上一个人通常产生20-50个点因此minPts设为5比较合理——少于5个点基本就是杂波。4.4 精度不足时的优化方向如果测出来定位误差偏大可以检查下面几项配置天线安装角度是否水平如果雷达有俯仰倾斜需要做坐标旋转校正cfg中的测距补偿calibComp是否开启板子在出厂后晶体频率可能存在微小偏差通过TI的校准工具得到补偿参数写入cfg室内多径反射是否严重贴墙安装时尤其明显。可以在MATLAB里做一个简单的多径判断如果一个目标点落在距离墙面小于0.2m的位置且速度极低则大概率是墙面的镜像点而非真实目标过滤掉即可。还有一个常见场景人在雷达正下方雷达安装于天花板角落时人离天线非常近、角度很大这时点云的俯仰角估计会不稳定导致z坐标跳动很大。如果只需要二维定位直接把z坐标丢弃或用阈值裁剪即可。5. 常见问题与排查技巧实录5.1 串口通信类问题问题1MATLAB的fopen串口后读不到任何数据这种问题90%是端口号选错了。设备管理器里Debug UART和Application/User UART都显示为USB Serial Port但只有一个是数据口。建议在MATLAB代码里允许用户设置串口号并且用fopen后先用fread读取一小段字节看能不能读到magic word02 01 04 03 06 05 08 07。如果读到的是乱码或全0就换另一个串口。另外Windows上MATLAB打开串口之前要先确认串口没有被串口助手等工具占用否则会报“Device is in use”。问题2能连上串口但数据不稳定偶尔卡住大概率是USB供电不足或USB线材质量差。换一根短一点的USB线、插到主机背面USB口或者直接用5V/2.5A电源适配器。另外MATLAB串口读取超时时间要设长一些set(s, Timeout, 5)避免因为一帧数据延迟导致程序抛异常。问题3帧数据能读到但解析出来的坐标全在0附近这个问题前面提到过基本是TLV解析的字节偏移错了。检查两个点云的字节长度是20还是16新版本SDK比如3.5的DetectedPoint是20字节x, y, z是3个floatvelocity是1个floatsnr和noise这两个是uint16放在最后4字节里旧版本可能是16字节。如果不确定直接打印每帧点云TLV的length字段把length除以numDetectedObj得到的就是每个点占的字节数。让代码自动适配这个字节数。5.2 雷达启动与配置下发问题问题1雷达板烧录后无输出Debug串口没有日志先检查SOP跳线是不是Functional模式。如果跳线没问题再用Uniflash重新烧录一次注意烧录完成后不要立即拔线等Uniflash提示完成。如果还是不工作检查电源电流是否达标——很多症状是板子上一上电就无限重启串口日志刷屏但无法正常进入运行状态这种基本都是供电问题。问题2cfg文件下发后雷达返回Errorcfg文件的每一行参数都有严格格式不能多一个空格或少一个逗号。在MATLAB中发送cfg时一定要以换行符\n结尾并且每条命令发送后等待雷达返回Done或Ignored。如果返回Error需要定位是哪一行出错一般是profileCfg的某一列填错比如斜率值太小或太大超出硬件范围。还有一种情况发送完cfg后必须发送sensorStart命令雷达才会真正开始发射如果忘了发这条串口永远不会有数据。5.3 算法效果类问题问题1静止的人目标丢失如前所述优先检查cfg中静态杂波抑制是否关闭。如果关闭后仍然丢失观察一下点云是否存在但点数很少比如只有2-3个点——这种情况下需要降低minPts阈值或直接改为原始点云数量判定相当于绕过聚类直接用点级判定。问题2墙上的固定金属物体一直误报金属物体如金属门把手、铁柜反射强几乎永远被检测为目标。可以在MATLAB后处理里加入“背景差分”或“长期静态目标地图”机制如果某个位置持续被检测N帧且坐标方差极小、速度始终为0就认为它是背景目标自动加入屏蔽列表。这是工程上实用的小技巧但注意别把“静坐的人”也屏蔽进背景列表——所以屏蔽列表的“持续N帧”建议设置到3分钟以上因为正常人不会连续3分钟纹丝不动。问题3多人场景人数统计不准核心原因是点云合并可以尝试把聚类后点数特别多比如大于100个点的大簇做一次按速度值的子聚类通过速度差异把簇拆开。当然更彻底的办法是从源头提高角度分辨率——IWR6843ISK只有4根接收天线无法在硬件上再提升如果要更细的角度分辨能力可以考虑IWR6843AOP或者级联方案但价格会明显上升。5.4 通用技术细节速查表类别关键项建议值/建议做法距离配置采样点数128室内单房间足够距离配置最大距离约12m速度配置速度分辨率约0.2m/s速度配置最大不模糊速度约±12.8m/s点云过滤SNR阈值先试12dB按环境调整点云过滤距离边界按房间实际长宽高设置聚类DBSCAN ε0.4-0.6m聚类minPts5-10判定聚类点数阈值≥5数据解析点云点字节数20字节SDK 3.55.5 关于调试输出的建议在排查问题时不要把程序当成黑盒。建议在代码里加入一个DEBUG开关开启后每帧打印点云总数、过滤后点数、聚类数量、每个聚类的点数/位置/速度。这样一旦现场出问题直接看日志就能快速定位是“数据源就没解析对”还是“算法过滤过度”还是“聚类合并了目标”问题定位时间能缩短一半以上。6. 项目扩展方向与我的总结这个项目做完之后实际上你已经掌握了毫米波雷达室内感知的完整链路从配置雷达、采集点云、解析数据、后处理到可视化输出。接下来要做深度的方向我认为有三个第一个方向是做轨迹跟踪和状态判断。目前项目只输出“有哪些目标、在哪里”后续可以加入卡尔曼滤波做平滑和预测并进一步判断目标的运动状态静止、走动、徘徊。在养老监护场景中这种轨迹数据可以直接用于行为分析。第二个方向是微多普勒分析。利用原始ADC数据或高帧率点云数据分析人走动时的腿摆振幅和周期、静坐时的呼吸频率这可以拓展到跌倒检测和睡眠监测。IWR6843ISK的帧率可以调到50fps以上配合MATLAB的时频分析工具箱完全能做实验级别的微多普勒特征提取。第三个方向是距离-角度热力图输出。把点云数据按空间网格落在房间平面图上形成热力图。热力图可以直观展示人员停留热点、活动轨迹也能作为后续深度学习模型的输入特征。最后分享一个我在实际调试中的体会这套系统第一次能稳定画出点云时你会觉得“哇好神奇”但真正让系统可靠的不是某一帧数据有多漂亮而是连续跑了一整天不宕、不飘、不误报。毫米波雷达的项目稳定性比灵光一现的效果重要得多。我建议你在拿到这份代码后先不要急着调算法而是让它跑起来采集一个小时的原始数据把数据保存下来。之后每次调参、改代码都拿同一份数据回放验证这样你才能知道你改的东西到底有没有用这种方法比拿实时数据瞎试高效很多。如果你在这个项目里遇到了问题先按上面的排查表逐项过一遍大部分问题都能定位到具体原因。雷达这东西参数调整、数据解析、算法每个环节都有坑但每踩过一个坑你就对这套体系多一分理解。从拿块板子点灯到最终输出稳定的人员位置这个过程本身就是毫米波雷达入门最好的路线。本文还有配套的精品资源点击获取