## 作者介绍

王越，Github `yyqdbngt`，温州大学在读本科生，主要关注人工智能系统、深度学习推理优化、毫米波雷达信号处理及智能体技术，曾参与模型适配、推理框架优化与开源工程实践。当前亦在探索毫米波雷达与人工智能技术的交叉融合，关注相关成果的工程实现能力与实际应用价值。

> **社区贡献说明**
> 
> 本文为 SuperRadar 开发者贡献共建应用案例，项目源于 [CTSAI-A100 Issue #8](https://github.com/Super-Radar/CTSAI-A100/issues/8)。
> 
> 贡献者基于 CTSAI-A100 完成了室内低速目标数据采集、LFMCW 教学仿真、距离—多普勒处理、MTI 静态杂波抑制实验及真实目标运动分析，并通过 Pull Request 提交了完整工程。
> 
> 项目工程位于：
> 
> https://github.com/Super-Radar/CTSAI-A100/tree/main/community/projects/a100-indoor-cart-mti)

## 引言

毫米波雷达可在光照变化和轻度遮挡条件下获得目标距离、径向速度及角度信息，适用于走廊通行监测、实验室门口感知和低速运动目标检测。

![示意图系AI生成](https://developer.qcloudimg.com/http-save/yehe-12463078/23857f4faf271356a476b5313ea49f13.jpg)

与开阔环境相比，室内环境的固定反射面较多，目标速度较低，回波常与零多普勒附近的静态分量重叠。

**采用 MTI 可削弱稳定杂波**，但同时可能衰减极低速或短暂停留的目标，因此需要结合实测数据评估其作用范围。

本项目围绕 `CTSAI-A100` 建立一套可复现的室内实验流程，主要工作包括：

- 严格解析 A100 ADC 文本格式；
- 实现 LFMCW、距离 FFT、2D-FFT 和 MTI 处理；
- 利用点目标输出分析小推车和人员的运动趋势；
- 对仿真结果与实测结果进行对比，并给出当前数据条件下的解释边界。

## 实验场景与数据采集

### 实验条件

实验在室内房间完成，可用于模拟校园走廊、教学楼楼道或实验室门口等室内感知环境。

实验条件如下：

* 雷达设备：CTSAI-A100；
* 安装方式：倾斜安装；
* 雷达中心离地高度：约 0.95 m；
* 雷达倾角：未进行精确标定；
* 静止受控目标：约 1.00 m × 0.80 m 的塑料目标；
* 运动目标：小推车、箱体和人员；
* 采集软件：RadarTools V1.4.7.1；
* 通信参数：CAN-FD、CAN1、500K/2M；
* 处理环境：GNU Octave；
* 核心程序：兼容 MATLAB 语法的 `.m` 文件。

### 数据组成

正式数据由 10 路 ADC 文件和 7 组目标输出组成，共 31 个文件、51,666,387 字节。

每个文件的大小及 `SHA-256` 校验值均记录在：

```text
data/manifest.csv
```

| 数据类别 | 场景 | 用途 |
| :--- | :--- | :--- |
| ADC，Rx0–Rx3 | 空场、静止塑料目标 | 背景与静止目标距离谱对比 |
| ADC，Rx0 | 小推车靠近、远离 | 2D-FFT 与 MTI 分析 |
| RawTarget / TraTarget / CAN | 空场、静止目标、小推车、人员 | 距离、角度和运动趋势分析 |

未完成采集的数据、失败的 `retry2` 文件以及 0 字节视频文件没有纳入正式数据。

### ADC 数据解析

每个 ADC 文本文件的前三个字段依次表示：

1. 接收通道编号；
2. 快时间采样点数，固定为 1024；
3. chirp 数量，固定为 256。

随后是 131072 个 32 位打包数据字，并包含 1 个已经验证为零的尾部填充数据。

ADC 加载程序依次执行以下校验：

* 核对文件名与接收通道；
* 检查头字段；
* 检查数据长度；
* 检查尾部填充；
* 将每个 32 位数据字拆分为两个有符号 16 位样本；
* 重组为 `1024 × 256` 的 ADC 矩阵。

通过这些校验，可以避免数据长度错误、通道混淆或解包顺序错误对后续频谱处理造成影响。

## 信号处理方法

```text
CTSAI-A100 数据采集
        ↓
数据清单与完整性校验
        ↓
ADC 解包 / 目标文件解析
        ↓
距离维 FFT
        ↓
慢时间多普勒 FFT
        ↓
MTI 静态杂波抑制
        ↓
教学仿真与实测结果对比
```

主要程序包括：

* ADC 加载：`src/load_a100_adc.m`
* 距离—多普勒处理：`src/compute_range_doppler.m`
* MTI 处理：`src/apply_mti.m`
* 目标文件解析：`src/read_radartools_targets.m`
* 统一运行入口：`run_all.m

### LFMCW 与2D FFT

设调频带宽为 B，chirp 时宽为 T_c，则调频斜率为

_S=B / T_c._

目标距离为 R、径向速度为 v 时，往返时延为 τ = 2R/c，多普勒频率为 f_D = 2v/λ。发射信号与延迟回波去斜后得到差频信号。

对每个 `chirp` 的快时间数据加 `Hann` 窗并执行 `FFT`，得到距离维频谱；

随后沿 `chirp` 方向执行慢时间 `FFT`，得到距离—多普勒矩阵。

仿真参数完全由程序设置，因此可将频点换算为距离和速度。

实测 ADC 未包含完整可核验的调频斜率、采样率、`chirp` 时序、发射相位编码和通道标定参数，故仅使用距离 `bin` 和 `cycles/chirp` 表示坐标。

![LFMCW 发射信号时频图](https://developer.qcloudimg.com/http-save/yehe-12463078/e852d778fc2a017ca8950c0d9b696197.png)

### MTI 处理

一阶 MTI 在慢时间方向执行相邻 `chirp` 差分：

_y[n]=x[n]−x[n−1]._

对于 P 阶级联差分，其传递函数为 H(z) = (1 − z⁻¹)ᴾ。零多普勒处形成陷波，阶数增加可加深静态分量抑制，但低速目标的幅度损失也随之增加。为保证前后结果可比较，MTI 前后的二维图均采用处理前峰值作为统一的 0 dB 参考。

### 目标输出分析

`RawTarget` 和 `TraTarget` 文件中包含帧标记、时间戳及目标记录。

解析程序仅保留字段完整且距离、速度、角度可解析的记录。

运动分析分别构建靠近和远离候选，根据时间连续性、距离跳变、距离斜率与径向速度符号的一致性选择有效分段。

所得曲线表示逐帧检测包络，不等同于具有稳定身份的目标跟踪轨迹。

## 实践方案

教学仿真采用 77 GHz 载频、1 GHz 带宽、60 μs chirp、70 μs 重复周期、1024 个快时间采样和 256 个 `chirp`。

场景设置一个距离 6 m、速度 −0.35 m/s 的靠近目标，以及三个静止散射体。

参数实验采用单变量原则，分别改变带宽、`chirp` 时宽、脉冲重复频率（PRF）、目标速度、目标数量和 MTI 阶数。

实测分析包括三类对比：

- 空场与静止目标的距离谱对比；
- 小推车靠近、远离数据的 MTI 前后对比；
- 新空场、约 3 m 静止人员及人员远离数据的目标输出对比。

静止人员分析区域固定为 2.5～3.1 m、−20°～5°，两组数据使用相同阈值和区域范围。

## 实践结果

### 仿真结果与参数影响

仿真得到：

| 指标       | 结果         |
| :------- | :--------- |
| 理论距离分辨率  | 0.1499 m   |
| 移动目标距离误差 | 0.0042 m   |
| 移动目标速度误差 | 0.0241 m/s |
| 静态分量抑制度  | 76.5 dB    |

距离—多普勒图显示，一阶 MTI 后零速度位置的三个静止散射峰下降，同时移动目标仍位于预期距离和速度单元。

![仿真距离—多普勒图及 MTI 前后对比](https://developer.qcloudimg.com/http-save/yehe-12463078/6c620144078089db26882fcfb03602d1.png)

参数实验进一步显示：

1. 当目标速度由 −0.15 m/s 增加至 −0.70 m/s 时，一阶 MTI 后目标的相对幅度由约 −29.4 dB 提升至约 −16.0 dB。
2. 这说明速度更低的目标更加靠近 MTI 的零频陷波区域，因此受到的衰减更明显。
3. 带宽由 0.5 GHz 增至 1.5 GHz 时，理论距离分辨率由约 0.300 m 改善至 0.100 m。
4. 固定 `chirp` 数量时，提高 `PRF` 可扩大无模糊速度范围，但速度 bin 间隔相应增大。
5. 目标速度由 −0.15 m/s 增至 −0.70 m/s 时，一阶 MTI 后的相对幅度由约 −29.4 dB 增至 −16.0 dB，说明更慢的目标受到更强的零频陷波影响。

![小推车靠近场景的实测 ADC 与 MTI 结果](https://developer.qcloudimg.com/http-save/yehe-12463078/7d68a04601caf713cc69eebf598e8893.png)

6. 提高 MTI 阶数可进一步抑制静态分量，但移动目标幅度也继续降低。

![小推车远离场景的实测 ADC 与 MTI 结果](https://developer.qcloudimg.com/http-save/yehe-12463078/c7fce398de1c5f5607a7af6facba96e9.png)

### 实测 ADC 结果

10 路 ADC 数据均通过头字段、长度、填充和矩阵尺寸校验。

![实测 ADC 距离谱](https://developer.qcloudimg.com/http-save/yehe-12463078/65a8108301bfabcc71e18641189f15c5.png)

一阶 MTI 处理后，小推车场景的零多普勒邻域抑制度为：

| 场景    | 接收通道 | 零多普勒邻域抑制度 |
| :---- | :--: | :-------: |
| 小推车靠近 |  Rx0 |  49.3 dB  |
| 小推车远离 |  Rx0 |  51.4 dB  |

静止目标及空场各通道的对应数值为 51.8～53.6 dB。

该结果表明，相邻 `chirp` 差分削弱了慢时间近零频的稳定分量，但上述数值表示 `bin` 域幅度变化，不等同于目标信噪比或检测率提升。

![实测静止目标与空场的 MTI 对比](https://developer.qcloudimg.com/http-save/yehe-12463078/86ee516055a5843e5bb9665793f14928.png)

### 人员与小推车结果

新空场共 268 帧，预设区域内未检出目标；

静止人员数据共 266 帧，其中 163 帧在预设区域内出现目标，帧检出比例为 **61.3%**

静止人员目标的统计结果为：

| 指标  |   中位数   |
| :-- | :-----: |
| 距离  |  2.79 m |
| 角度  |  −7.1°  |
| 信噪比 | 29.5 dB |

人工标记距离约为 3 m，两者差异可能来自人工测距基准、人体有效反射中心、安装倾斜及室内多径。

![新空场与约 3 m 静止人员对比](https://developer.qcloudimg.com/http-save/yehe-12463078/3a78188ccbbcf632135631a2548bcc09.png)

运动包络分析得到：

- 小推车靠近过程由 2.62 m 变化至 1.57 m，距离斜率为 −0.0750 m/s；
- 小推车远离过程由 1.20 m 变化至 2.89 m，距离斜率为 0.1772 m/s；
- 人员短距离远离过程由 3.24 m 变化至 4.01 m，距离斜率为 0.0700 m/s。

三组数据自动判断的运动方向均与采集记录一致。

![小推车与人员运动检测包络](https://developer.qcloudimg.com/http-save/yehe-12463078/3a1ad62d98b2f2cff6b0a88393cb9fc7.png)

## 小结

仿真结果与实测结果存在差异。

教学模型仅包含有限数量的理想点散射体和复白噪声，所有波形参数均已知；

真实室内环境则同时包含：

* 连续墙面和地面反射；
* 门框与家具散射；
* 多径传播；
* 接收机噪声；
* 不同接收通道的增益差异；
* 非理想目标散射中心；
* 未标定的雷达安装姿态；
* 实际发射编码及波形配置。

因此，仿真中的深零频陷波不能直接视为硬件可达到的抑制性能，实测 ADC 中的固定非零频带也不能在缺少 DDMA 编码信息时解释为准确物理速度。

本项目已完成 A100 ADC 严格读取、距离维和多普勒维处理、MTI 前后对比、六组参数实验以及真实目标运动方向分析，形成了从数据校验到结果输出的完整工程流程。

实验结果可用于说明室内静态杂波及 MTI 对低速目标的影响，但不构成商业化检测性能评估。

### 工程复现

项目下载地址为 [Super-Radar/CTSAI-A100](https://github.com/Super-Radar/CTSAI-A100)。

进入 `community/projects/a100-indoor-cart-mti/` 后可执行：

```
octave-cli --no-gui --quiet --eval "addpath('tests'); run_tests"  
octave-cli --no-gui --quiet --eval "run_all"
```

`run_all.m` 依次完成数据清单校验、教学仿真、参数实验、实测 ADC 和目标输出分析。结果写入 `figures/` 和 `results/`。

当前`indoor-cart-mti` 1.0.0 版本包含项目 README、运行入口、信号处理代码、测试程序、正式示例数据、18 张结果图、6 份结果 CSV、数据说明及技术文章。

### 局限性

当前存在以下限制：

- 雷达倾角和通道幅相未标定；
- 实测 ADC 缺少完整波形与 DDMA 参数，不能直接生成具有准确物理单位的距离—速度图；
- 小推车远离场景的 TraTarget 仅包含 1 帧有效跟踪记录；
- 运动包络不提供目标身份连续性；
- 静止人员实验仅在单一距离区域内完成，尚未开展复杂多目标、不同安装高度和不同走廊结构下的系统测试。
- MTI 对低速目标的衰减还表明，处理阶数需要根据目标速度范围选择。

### 后续工作

本文完成了基于 CTSAI-A100 室内低速目标数据采集和信号处理实验。

标准 LFMCW 仿真验证了距离 FFT、2D-FFT 和 MTI 的处理关系；

![仿真发射信号、目标回波与差频信号](https://developer.qcloudimg.com/http-save/yehe-12463078/804df0cce8d03594f4c801d49a13e7e4.png)

实测 ADC 结果表明，一阶 MTI 能够削弱零多普勒邻域的稳定分量；

点目标数据反映了静止人员检出情况及小推车、人员的总体运动方向。

仿真与实测对比进一步说明，硬件参数、室内多径和目标散射特性会影响结果解释。

后续工作可在获得完整波形配置和时间同步信息后进行 ADC 物理标定，并补充不同距离、多目标和横向运动场景；

算法方面可进一步加入恒虚警率检测、点云聚类、身份跟踪及带人工真值的检测率评估。

也欢迎大家一起共建，有任何问题欢迎给我`Issue`，或者来社区一起交流探讨。

## 参与共建

在 SuperRadar 社区，贡献不一定需要从完整项目开始。一次实验、一组数据、一段代码、一篇文章，甚至一个有效的问题反馈，都可以成为社区公共技术资产的一部分。
项目已发布至 CTSAI-A100 仓库：
`community/projects/a100-indoor-cart-mti/`

欢迎大家复现、讨论和继续完善。

期待下一个 SuperRadar 共建案例，来自你的贡献。

最后，也感谢王越对 SuperRadar 社区的贡献，我们坚信，一个人可以走很快，但是一群人能让毫米波雷达社区走的更远，再次致敬开发者！




王越，Github yyqdbngt，温州大学在读本科生，主要关注人工智能系统、深度学习推理优化、毫米波雷达信号处理及智能体技术，曾参与模型适配、推理框架优化与开源工程实践。当前亦在探索毫米波雷达与人工智能技术的交叉融合，关注相关成果的工程实现能力与实际应用价值。

SuperRadar 共建案例｜温州大学王越基于 A100 毫米波开发套件的室内低速目标检测与 MTI 杂波抑制实验研究

技术社区

人工智能

硬件

开发工具

本文基于CTSAI-A100毫米波雷达，构建室内低速目标MTI信号处理完整流程，涵盖ADC解析、LFMCW仿真、距离-多普勒分析及静态杂波抑制。实测显示一阶MTI对零多普勒邻域抑制度达49.3-53.6dB，并完成小推车与人员运动趋势分析，提供可复现工程代码与实验数据。

深度学习

系统测试

代码解释

智能体

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

SuperRadar 共建案例｜温州大学王越基于 A100 毫米波开发套件的室内低速目标检测与 MTI 杂波抑制实验研究-腾讯云开发者社区-腾讯云

SuperRadar 共建案例｜温州大学王越基于 A100 毫米波开发套件的室内低速目标检测与 MTI 杂波抑制实验研究

SuperRadar 共建案例｜温州大学王越基于 A100 毫米波开发套件的室内低速目标检测与 MTI 杂波抑制实验研究

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐