通过扩展卡尔曼滤波器在毫米波雷达中优化人体运动估计

《IEEE Sensors Letters》：Optimized Human Motion Estimation Through Extended Kalman Filter in MmWave Radar

　　本研究提出一种基于毫米波雷达的人体运动估计新方法，融合EKF、CNN和BiLSTM网络，有效解决帧失败与背景噪声问题，实验验证其准确率显著优于传统技术。

　　

摘要：

本文提出了一种利用毫米波（mmWave）雷达进行人体运动估计的新方法，该方法结合了扩展卡尔曼滤波器（EKF）、卷积神经网络（CNN）和双向长短期记忆网络（BiLSTM）。通过运用EKF提高跟踪的鲁棒性并抑制噪声，该方法解决了毫米波雷达系统中的关键问题，如帧丢失和背景噪声。CNN-BiLSTM分类器能够捕捉空间和时间特征，从而准确识别四种人体运动。实验结果表明，该系统的性能优于现有文献中的方法，具有较高的准确率。通过引入一种新的三维状态空间模型和混合EKF-CNN-BiLSTM框架，这项工作显著提升了基于毫米波雷达的运动检测技术，相比传统的信号处理和深度学习方法具有更优的性能。

引言

近年来，人体运动检测在智能家居环境中的重要性显著增加，毫米波（mmWave）雷达因其独特的优势而成为一种极具前景的技术[1]。与传统的摄像头、可穿戴设备和光探测与测距（LiDAR）等技术相比，毫米波雷达具有更高的分辨率、更低的干扰性、不受光照条件影响以及更强的隐私保护能力[2]。利用这些优势，毫米波雷达可以高效地用于检测智能家居和高端电动汽车中的室内人体活动，同时还可以作为触发机制来控制各种智能设备，如灯光和空调。