IWR1843+DCA1000毫米波雷达点云与生命体征检测实践

简介：本资源面向雷达信号处理、嵌入式感知系统及智能健康监测方向的高校学生与工程师，聚焦IWR1843毫米波雷达在FMCW-MIMO体制下的多模态应用实践，解决从原始数据采集到高阶感知（人体追踪、热力成像、手势识别、生命体征检测）的技术落地难题。压缩包共39个文件，涵盖24个MATLAB核心算法脚本（如CFAR检测、RD/RA域FFT、DOA估计、Chebyshev滤波器设计）、4份Markdown说明文档、3份PDF技术资料（含TI官方传感器基础与张粟桐雷达感知教程）、6个备份文件及1个LICENSE，总大小5.71MB，结构按“数据采集→仿真建模→点云处理→生理参数提取”逻辑组织，便于分模块学习与调试。已有135人下载学习，提供完整可运行Demo链路：包括DCA1000原始ADC数据读取、FMCW仿真平台搭建、基于点云的轨迹追踪、呼吸/心跳频谱分析等关键环节的源码与参数配置，配套注释清晰，支持快速复现实验效果并开展二次开发。 直接说结论：这套 IWR1843 加 DCA1000 的组合，是我目前玩过性价比最高的毫米波雷达原型验证平台。IWR1843 是 TI 的 77GHz 工业毫米波 SoC，集成了 3 发 4 收 RF 前端、C674x DSP 和 Cortex-R4F 内核；DCA1000 是一块实时数据采集卡，负责把雷达原始 ADC 数据通过 LVDS 接口拉出来，转成以太网数据流喂给 PC。两者一配合，你就能绕开板上有限的处理器资源，在 PC 上自由跑 FMCW-MIMO 的完整信号处理链：距离-多普勒 FFT、CFAR 检测、角度估计、点云生成、人体追踪，甚至用相位信息做生命体征检测。

这篇文章很适合三类人看：一是刚拿到 IWR1843 和 DCA1000 不知道从哪下手的学生，二是想快速验证 FMCW 雷达算法的工程师，三是对雷达感知感兴趣、想在 PC 端做数据处理开发的爱好者。我会把整套流程拆开讲，从原理、参数设计、硬件接线，到点云处理和生命体征检测算法，最后附上我实际踩过的坑。看完你至少能跑出一套属于自己的雷达点云追踪 demo。

1. 项目概述与整体架构

1.1 为什么要用 IWR1843 + DCA1000 这套组合

雷达和摄像头最大的区别在于：摄像头给的是像素密度极高的二维图像，而毫米波雷达给的是稀疏点云和精确的速度信息，且天然不受光照影响。FMCW 雷达的直接输出是原始 ADC 数据，只有做了 FFT 才能得到距离-速度信息，再通过角度估计才能得到三维点云坐标。IWR1843 内部有完整的硬件加速器和 DSP，它自己是可以直接输出点云的，但板载处理链路是固定死的，你很难在里面深挖每一层的中间结果。

DCA1000 的价值就是把 IWR1843 的 LVDS 原始样本实时搬运到 PC 端，让开发者可以完全掌控信号处理流程。换句话说，IWR1843 负责射频收发，DCA1000 负责数据搬运，PC 负责算法验证。这套架构最方便的地方是：雷达前端和算法研究彻底解耦，改算法只需要改 PC 端脚本，不用重新烧录固件，迭代速度快很多。

1.2 系统整体链路与数据流结构

整条链路从上到下分五层：

1. FMCW 信号发射：IWR1843 通过 3 根发射天线（TX1、TX2、TX3）依次发射线性调频连续波 chirp，采用 TDM-MIMO 模式。
2. 回波接收与混频：4 根接收天线（RX1-RX4）收到回波后与本振混频，输出中频 IF 信号，经 ADC 采样后得到原始数据。
3. LVDS 数据采集：DCA1000 通过 4-lane LVDS 接口从 IWR1843 的 CSI-2/LVDS 端口实时抓取原始数据，打包成以太网 UDP 数据流。
4. PC 端信号处理：主机接收数据后用 Python/Matlab 完成距离 FFT、多普勒 FFT、CFAR 和角度估计，生成点云。
5. 应用算法：基于点云做聚类和跟踪，基于距离 bin 的相位序列做生命体征检测。

数据格式上有一条很关键：DCA1000 默认输出的是 16-bit 的有符号整数，每个 chirp 包含多个 ADC sample、多路接收通道。解析时一定要清楚 TI 的字节对齐方式，否则很容易出现"数据错位一整片"的诡异现象。我刚开始解析时也踩过这个坑，后面专门写一节来聊。

1.3 项目应用场景与扩展方向

这套系统能做的事远不止演示级点云输出。从应用角度看有三个典型方向：

• 人体追踪与边界感知：在室内环境中，通过点云聚类和卡尔曼滤波实时跟踪人体位置，适合做老人看护、智能家居、区域入侵检测。
• 生命体征监测：利用毫米波对微动的高灵敏度，通过相位解缠提取呼吸和心跳信号，适合非接触式健康监测。
• 环境建图与目标识别：结合多雷达点云配准和 SLAM 技术，可以做室内环境重建，甚至在低可见度环境下辅助无人机避障。

我自己的实验路线是先完成 raw data 到点云的链路，再做追踪，最后补生命体征，事实上这也是最节省时间的顺序。下面从雷达原理开始逐步展开。

2. FMCW-MIMO 核心原理与参数设计

2.1 FMCW 雷达怎么测距离、速度和角度

FMCW 雷达发射频率随时间线性增加的 chirp 信号。回波相对发射信号有一个时间延迟 τ = 2d/c（d 是目标距离，c 是光速），混频器将发送信号和接收信号相乘，输出的差频信号频率为：

f_IF = S_f × τ = 2S_f·d/c

其中 S_f 是调频斜率（单位 Hz/s）。所以只要对中频信号做 FFT，峰值对应的频率就直接换算成距离。

测速度依赖多普勒效应，但对 FMCW 雷达来说，距离变化引起的相位变化更常用。在连续发射多个 chirp 时，目标移动会导致相邻 chirp 之间相位变化 Δφ = 4πv·T_c/λ，其中 T_c 是 chirp 周期，λ 是波长，v 是径向速度。对同一距离 bin 上的多个 chirp 再做一次 FFT，就得到多普勒维的速度估计。

测角度用的是不同接收天线之间的相位差。MIMO 技术把多个发射天线分时发射，从而在接收端虚拟出比物理天线更多的通道。IWR1843 是 3 发 4 收，TDM 模式下可以得到 12 个虚拟通道，等效于一根 12 单元虚拟线阵，角度分辨率远高于单发 4 收。

2.2 参数计算公式与 IWR1843 实测参数选择

在做 FMCW 参数设计时，有几个公式必须烂熟于心：

• 距离分辨率：ΔR = c / (2B)，B 是 chirp 有效带宽。IWR1843 可用的最大带宽约 4GHz，实际常用 2GHz 左右，对应距离分辨率约 7.5cm。
• 最大测距距离：d_max = F_IF_max × c / (2S_f)。F_IF_max 一般取 ADC 采样率的一半，通常在 5-8MHz 级别。
• 速度分辨率：Δv = λ / (2T_frame)，T_frame 是帧周期。帧周期越长，速度分辨率越高。
• 最大测速：v_max = λ / (4T_c)，chirp 周期越短，可测速度范围越大。

我实际用的配置如下：

对应算下来：有效带宽约 2.04GHz，距离分辨率约 7.3cm，最大距离约 22m，速度分辨率约 0.15m/s。这个配置对室内人体追踪绰绰有余。需要提醒的是，最大测距受 IF 带宽限制，不要把 chirp 做得太长，否则 ADC 采样率不够，距离维会折叠。

2.3 MIMO 虚拟阵列与角度估计方法

IWR1843 物理上是 3 发 4 收，但只有正确布置天线位置，才能形成均匀的虚拟阵列。TI 官方的 EVM 板天线布局是：4 根接收天线间距 λ/2，3 根发射天线间距 2λ（相对于接收天线），这样 TDM 发射后虚拟阵列等效于 12 根间距 λ/2 的均匀线阵。虚拟孔径越长，角度分辨率越细，理论方位角分辨率约为 λ/(12×λ/2) ≈ 9.5°，实际因为加窗效应会略差一些。

角度估计最直接的方法是在距离-多普勒峰值对应的虚拟通道向量上做 FFT，也就是 angle FFT。更高阶的做法是 Capon/MUSIC 超分辨，效果更好但计算量大。对 PC 端处理来说，angle FFT 已经足够，我后面的代码也是基于 angle FFT 实现的。

有一点需要注意：TDM-MIMO 会引入多普勒相位模糊，因为发射天线之间有时间偏移。处理时一般要在角度维补偿这个相位偏移，否则高速移动目标的角度会估计偏。我的做法是在 angle FFT 前先对每个虚拟通道乘以 exp(j2πf_d·t_offset)，f_d 是多普勒频率，t_offset 是发射时间偏移，实测下来角度偏差能明显改善。

3. 硬件平台搭建与数据采集链路

3.1 硬件清单与接线顺序

硬件部分其实不复杂，但接线顺序有讲究：

• IWR1843 的 2 根高速串口（SOP0/SOP1 配置为 UART 模式）连到 DCA1000，DCA1000 通过 USB 和电脑相连，用于配置和控制。
• IWR1843 的 LVDS 差分对通过排线连接到 DCA1000 的 LVDS 接口，这是原始数据的主通道。
• DCA1000 的以太网口用网线直连电脑，要求电脑本地网卡支持千兆。
• IWR1843 由 DCA1000 供电还是独立供电取决于你的板卡，官方 IWR1843BOOST 可以直接由 DCA1000 供电，但大功率场景建议外接 5V 电源，避免 USB 供电不足导致突发复位。

这里最常见的坑是：LVDS 排线没插到位，或者正反方向搞反，结果 mmWave Studio 显示 Connection 正常，但抓下来的数据全是乱的。我习惯每次接完线先跑一次官方的 mmWaveStudio DCA1000 测试模式，确认数据没问题再开始正式采集。

3.2 mmWaveStudio 配置流程与数据抓取

用 mmWaveStudio 抓数据有三个阶段，顺序绝对不能乱：

1. 连接初始化：先给 IWR1843 上电，通过 Device Manager 确认 COM 口，在 mmWaveStudio 里选择对应的 Serial Port，再选择 DCA1000 的网卡 IP（默认 192.168.33.30 静态 IP）。
2. 配置雷达参数：载入预先写好的 chirp 配置文件，里面包括起始频率、斜率、ADC 采样率、chirp 数等。加载后先设置 DCA1000 为 ARM 模式，再设置 LVDS 数据包格式。
3. 采集数据：在 mmWaveStudio 中先点击 DCA1000 的 Trigger Frame 按钮触发帧输出，然后启动数据保存。推荐把数据保存为 bin 文件，方便后续在 PC 端用脚本解析。

需要特别说明的是：官方 mmWaveStudio 生成的 bin 文件默认包含头信息和原始样本，但数据排列是"先完所有 chirp 的所有 ADC 采样，再切换接收天线"还是"先切换天线"取决于配置。TI 的 DCA1000 文档里有明确说明，我在实际解析时是按"chirp 数 × ADC 采样数 × 接收通道数 × 2 字节"的维度重新 reshape，再按通道顺序切出来的。

3.3 数据量估算与传输速率分析

用上面的配置简单算一下数据量：每 chirp 256 采样，每个 ADC 采样 16-bit（即 2 字节），4 个接收通道，128 个 chirp，那么一帧原始数据量是：

256 × 2 × 4 × 128 = 262144 字节 = 256 KB

如果帧周期 12.8ms，每秒约 78 帧，总数据率约 20MB/s，千兆以太网是吃得下的。但如果我把 chirp 数提高到 512，或者把 ADC 采样率提高到 20Msps、采样点数翻倍，数据率直接到 80MB/s，千兆网还算稳，但 DCA1000 的 UDP 丢包就开始抬头。实际做实验时我会在保证距离-速度分辨的前提下尽量用低数据率的配置，因为丢包意味着整个帧废掉，很影响调试效率。

这里也引出 DCA1000 的一个经典配置细节：数据包有两种模式，一种是带 24 字节头的 UDP 包，一种是不带头的数据流。带头的模式适合校验数据对齐，但每包有效载荷占比低，数据率高时不划算。我建议先开带头的模式验证，确认对齐无误后切到无头模式，最大限度降低传输带宽占用。

4. 点云生成与人体追踪实现

4.1 从原始数据到距离-多普勒热图

拿到原始数据后，第一步是做距离 FFT。这一步本质上是对每个 chirp、每个接收通道做窗口 FFT，再取幅度。做完以后，数据维度是（chirp × 距离bin × 通道）。然后对每个距离 bin，在 chirp 维再做一次 FFT，得到距离-多普勒热图。

以下是我的 Python 伪代码：

import numpy as np def raw_to_range_doppler(raw, num_chirps, num_adc, num_rx): # raw shape: (num_chirps * num_adc * num_rx) num_frames = raw.shape[0] // (num_chirps * num_adc * num_rx) raw = raw[:num_frames * num_chirps * num_adc * num_rx] raw = raw.reshape(num_frames, num_chirps, num_adc, num_rx) window = np.hanning(num_adc) range_fft = np.fft.fft(raw * window[None, None, :, None], axis=2) # 距离维 FFT，结果 shape: (frames, chirps, range_bins, rx) doppler_window = np.hanning(num_chirps) doppler_fft = np.fft.fftshift( np.fft.fft(range_fft * doppler_window[None, :, None, None], axis=1), axes=1 ) return doppler_fft

这段代码有两件事很容易被忽略：一是 FFT 前加窗，作用是降低频谱泄漏，不加窗会导致邻近目标互相掩盖；二是 FFT 后做 fftshift，把负速度放到左边，方便可视化。

4.2 CFAR 检测与目标点提取

距离-多普勒热图只是二维能量分布，目标检测需要在这里找峰值。最常用的是 CFAR（Constant False Alarm Rate）检测，它能根据背景噪声自适应调节阈值，避免固定阈值在强噪声环境里要么误报要么漏报。

CFAR 的实现思路是在每个待检测单元周围设置一个保护窗和参考窗，用参考窗内平均噪声乘一个比例系数作为阈值。经典的有 CA-CFAR（取平均）和 OS-CFAR（取排序后的某个分位数）。雷达点云场景我更推荐 OS-CFAR，因为在多目标环境下，CA-CFAR 容易出现一个强目标把周围目标一起“盖掉”的情况；OS-CFAR 对强干扰更鲁棒。

对检测到的每个峰值点，保存它的距离 bin、多普勒 bin、能量值，然后做抛物插值提高测距测速精度。这一步细节不少，但我建议初期先用最朴素的取峰值索引的方式，把链路跑通，再加插值优化。

4.3 角度估计与三维点云坐标生成

得到每个目标的距离和速度后，还需要水平角度才能还原出三维空间坐标。角度估计需要一个关键输入：目标所在距离 bin 上，12 个虚拟通道的复数值。对这个复数向量做 FFT，峰值位置对应方位角。

生成点云时有一个坐标映射需要特别注意：雷达坐标系通常规定 x 正方向为正前方，y 正方向为右侧。距离直接映射到径向距离 d，水平角度 θ，则：

x = d × cos(θ)， y = d × sin(θ)

如果是单雷达平面扫描，z 轴可以先忽略。但如果要做三维追踪，需要用俯仰角进行第二维角度估计，IWR1843 要想获得俯仰角，需要另外设计天线阵列布局。

最终生成的点云结构可以定义成这样：

point_cloud = { 'x': np.array([...]), 'y': np.array([...]), 'doppler': np.array([...]), 'snr': np.array([...]) }

4.4 人体追踪：聚类、关联与卡尔曼滤波

雷达点云和激光雷达点云不一样，它非常稀疏，人体上可能只有十几个点，而且目标反射点会跳动。直接对单个点做追踪会非常不稳定，所以要先聚类再追踪。

我用的聚类算法是 DBSCAN。它在雷达稀疏点云上的表现比 KMeans 好得多，因为 KMeans 必须提前指定类别数，而雷达场景里人随时可能进出视野，类别数是动态变化的。DBSCAN 的两个参数——邻域半径 eps 和最小点数量 min_samples——需要根据实际场景调：室内人体追踪我一般用 eps=0.5m，min_samples=3。聚类后取每个簇的质心作为目标点。

目标点随时间变化后，需要做数据关联（assignment）。最简单的方法是最近邻匹配，进阶用匈牙利算法。鉴于人体追踪场景目标数量少，最近邻在大多数情况下就够了。关联上之后，用卡尔曼滤波对目标状态进行平滑和预测。我用的是常速度模型（CV model），状态向量是 [x, y, vx, vy]，测量值直接是质心坐标。

卡尔曼滤波有两个好处：一是平滑，输出轨迹不会像质心那样乱跳；二是可以处理短暂遮挡，目标被桌椅挡了两三帧也能通过预测继续维持轨迹，等重新出现时再修正。

5. 生命体征检测实现

5.1 毫米波检测呼吸和心跳的原理

生命体征检测听起来玄乎，原理其实非常直接。人体静止时，胸壁会随着呼吸和心跳发生微小的起伏位移，呼吸引起的位移大约 1-3mm，心跳引起的位移只有 0.1-0.5mm。IWR1843 工作在 77GHz，波长约 3.9mm，而 FMCW 雷达对距离维的相位极其敏感，目标距离的微小变化会直接反映在距离 FFT 峰值相位的变化上。

相位与位移的关系式是：

Δφ = 4πΔd / λ

代入 λ=3.9mm、Δd=1mm，可得 Δφ≈3.22 rad，也就是大约 185 度。这个相位变化非常明显，用低频 ADC 采样后完全能捕捉到。呼吸频率一般在 0.1-0.5Hz，心跳在 1-2Hz，两者频率差距足够大，用数字滤波器就能分开。

5.2 相位提取与信号处理链路

实现生命体征检测需要在同一位置连续采集一段时间，比如 30 秒到 1 分钟。具体步骤如下：

1. 先做距离 FFT，找到人体所在的距离 bin。这个 bin 可以通过点云追踪的结果回指，也可以直接取距离-多普勒热图上的静态目标峰值。
2. 提取该距离 bin 在所有 chirp 上的复数值，取相位序列。
3. 对相位做解缠（unwrap），消除 2π 跳变。
4. 用带通滤波器分离呼吸和心跳。
5. 用滑动窗口 FFT 或自相关方法估计实时频率。

这里最关键的一步是相位解缠。因为相位是周期函数，一旦目标移动超过 λ/4，相位会回卷，如果不做 unwrap，后面全是错的。Python 里直接调用 numpy.unwrap 就行，但要保证输入相位序列没有太多噪声跳变，否则 unwrap 也会失败。我的经验是先对复杂信号做滑动平均去噪，再提取相位，稳定很多。

5.3 呼吸和心跳信号分离与频率估计

分离信号用带通滤波器。呼吸带通 0.1-0.5Hz，心跳带通 1-2Hz。我习惯用 scipy.signal 的 butterworth 滤波器，注意要用零相位滤波（filtfilt）或者至少用 sosfilt，否则相位延迟会影响频率估计精度。

频率估计算法我实测下来 FFT 加抛物线插值最稳。取一段时间窗，比如 30 秒，对滤波后的信号做 FFT，找到频谱峰值位置，再用峰值点和邻近两个点的能量做抛物线插值，频率精度可以到 0.01Hz 级别。心跳的幅度比较弱，有时会被呼吸信号的谐波干扰，这时可以加一个 2.5Hz 以上的低通，或者做自适应噪声对消。

以下是核心代码片段：

import numpy as np from scipy.signal import butter, sosfiltfilt def extract_phase(raw_iq, range_bin): # raw_iq shape: (num_chirps, num_adc), 目标是 range_bin 处的序列 complex_signal = raw_iq[:, range_bin] phase = np.unwrap(np.angle(complex_signal)) # 去线性趋势 phase = phase - np.polyval(np.polyfit(np.arange(len(phase)), phase, 1), np.arange(len(phase))) return phase def bandpass_filter(data, low, high, fs): sos = butter(4, [low, high], btype='bandpass', fs=fs, output='sos') return sosfiltfilt(sos, data)

5.4 生命体征检测的精度优化心得

做完基础功能后，我试着优化精度，几个角度很值得写出来。

第一是目标 bin 的选择不能只看能量最大。人体胸壁反射最强的点可能在胸腔边缘，相位变化反而没那么规则。更好的方式是取多个相邻距离 bin 的相位加权平均，权重用能量值。这样做的本质是空间分集，能显著抑制单 bin 随机噪声，心跳波形会干净很多。

第二是呼吸信号可能溢出到心跳频段。深呼吸时呼吸波形不是纯正弦，谐波能量会漏到 1Hz 附近，和心跳混在一起。我的对策是先估计呼吸基频，在滤波时把呼吸谐波所在的窄带一并陷波掉，再估计心跳频率。

第三是采样时间不能太短。要测到 0.1Hz 的呼吸，理论上至少需要 10 秒的数据，但想得到稳定的频率估计，实际需要 30 秒以上。滑动窗口太大会让实时性变差，窗口太小频率抖动严重。我在做实时 demo 时用的窗口是 20 秒，步进 1 秒，基本上 15 秒后开始出稳定读数。

6. 常见问题与调试经验实录

6.1 数据采集阶段的高频故障与对策

我整理了一张很实用的速查表，遇到问题可以直接对号入座：

特别要强调的是：不要一边让 mmWaveStudio 抓数据一边同时跑 PC 端大带宽任务。DCA1000 的数据是实时流式传输，PC 端一旦 CPU 被占满，UDP 包处理不及时，帧就到了。为了排查丢包，我在接收端加了一个帧序号统计，如果相邻帧序号跳跃，基本可以确定丢包发生。

6.2 点云追踪中的常见问题

点云追踪最大的问题是虚警和漏检。虚警主要来自墙壁、金属桌角的多径杂波，尤其多径会把真实目标的能量复制出很多虚假点。我常用的对策有两个：一是用多普勒速度信息做筛选，静态杂波速度接近零，直接过滤掉；二是利用雷达信噪比特征剔除低能量点，虚警点通常能量低、位置随机。

漏检问题则往往出在 CFAR 阈值太严或者目标速度多普勒盲区。TDM 模式在目标速度接近最大测速一半时会出现多普勒模糊，导致回波落进不同的速度 bin，能量被分散。这个问题较难根除，我的做法是在 CFAR 检测后对相邻距离 bin 做多帧联合确认，避免单帧漏检导致追踪中断。

6.3 生命体征检测的实际功耗与持续运行建议

生命体征检测和追踪不同，它需要系统长时间连续运行。IWR1843 在 77GHz 频段全功率发射的发热不能小看，长时间高占空比运行建议做两件事：一是降低 chirp 发射功率到满足检测距离即可，二是给板子加主动散热。我在温室度实验中测得，不加散热连续运行 1 小时，板载温度上升接近 40 度，中间偶发数据错乱，加散热片后稳定很多。

另外，PC 端实时处理 80fps 的数据时，Python 的 GIL 会成为瓶颈。我的方案是把数据接收放到单独线程，处理放另一个线程，用双端队列缓冲，配合 numpy 的批量操作，实测可以稳定处理 60fps 以上。如果还不够，建议用 Cython 或 C++ 重写 FFT 循环。

7. 实操总结与经验沉淀

整套系统跑通之后，我再回头审视整个项目，最深的体会有两点。

第一点是：尽量先别折腾板载 DSP 输出点云，直接用 DCA1000 把原始数据回传到 PC 端。很多初学者一上来就想在 IWR1843 内部跑完所有算法，结果陷入嵌入式调试的深坑，其实损失了 FMCW 雷达最有价值的东西——算法可控性。DCA1000 + PC 端 Python 能让你把信号处理每一层结果都显示出来，这对理解和调试 FMCW-MIMO 核心原理来说帮助巨大。

第二点是：参数设计不要照抄配置，要理解每个参数后面绑定的物理量。测距范围、距离分辨率、最大测速、速度分辨率、角度分辨率，这五个指标不可能同时拉满，你必须根据场景做取舍。室内人体追踪我优先保证距离分辨率和帧率，室外车辆追踪则要把最大测速拉到 50m/s 以上。把这些权衡想清楚，后面的算法调试会顺畅很多。

最后分享一个小技巧：在 PC 端处理数据时，我把解析函数和信号处理函数分开写成两个模块，解析模块输出统一的数组格式，信号处理模块只管处理，这样换数据集或者换采集参数时不用动算法代码。尤其是不同人抓的数据 bin 格式可能不一样，统一入口能省掉大量重复调试时间。这套设计思路，无论是后面做多雷达数据融合还是上板端部署，都能平滑迁移。

本文还有配套的精品资源，点击获取