无线感知实践｜毫米波雷达实时 HAR

最后更新：2026年8月

Demo 展示了毫米波点云、目标轨迹、实时动作状态和跌倒检测结果。左侧摄像头画面仅用于对照，HAR 的核心输入来自毫米波雷达。

这个 Demo 的目标，是把毫米波 HAR 从离线数据处理变成一套可以连续运行和直观展示的实时系统。整体链路可以概括为：

毫米波雷达 → 串口数据解析 → 点云过滤 → 目标跟踪
           → 动作状态估计 → 时间平滑 → GUI 实时显示

雷达返回的点云首先经过过滤和目标跟踪，再根据目标所在区域提取对应点云。系统结合目标的移动速度、实际位移、点云高度与形状等特征，实时判断 STAND、WALK、SITTING 和 LYING 四种状态，并对跌倒过程进行单独检测。

界面则负责同步显示二维轨迹、三维点云、人员存在状态、动作类别、帧率和延迟。数据处理放在后台线程中，绘图按照固定帧率刷新，避免雷达解析和界面渲染互相阻塞。

真正把系统跑起来后，我发现实时 HAR 的难点并不只是“分对动作”。

人在停止移动后，有效点云可能因为多普勒效应迅速减少。如果直接逐帧判断，系统很容易把短暂的点云消失误认为目标离开。因此，我加入了状态保持机制：点云暂时不足时保留上一状态，并结合轨迹判断人是否真的离开。

另一个常见问题是轨迹抖动。瞬时速度看起来很高，并不代表人真的在行走。系统需要同时检查速度和一段时间内的实际位移，再通过历史窗口进行状态平滑，才能避免动作标签在几个类别之间反复跳动。

这些问题在离线分析时并不明显，但放到实时界面里会被立刻放大。相比某一帧是否判断正确，连续输出是否稳定、延迟是否足够低、异常后能否恢复，往往更加影响实际体验。

无线感知很有吸引力的一点，是它不依赖可见光，也不需要记录清晰的人脸和环境画面，在隐私敏感的场景中具有独特优势。但毫米波点云稀疏、易受姿态和环境影响，要让系统真正稳定工作，仍然需要在信号处理、目标跟踪、状态判断和界面反馈之间不断权衡。

这次 Demo 让我感受最深的是：从算法结果到实时系统，中间隔着的远不只是一层 GUI。真正有价值的系统，需要在噪声、延迟和不确定性中持续给出可信的结果。

目前 Demo 主要完成了单人场景下的基础动作识别和跌倒检测。下一步希望继续尝试更多动作类别、多人的点云分离与独立识别，并进一步提高跨环境运行时的稳定性。

让雷达“看见”动作只是起点，让它稳定、实时地理解动作才是真正的挑战。