{
  "paper_id": "34ac6b3062abb2010c9915bdd54457bb",
  "paper_title": "Soli: Ubiquitous Gesture Sensing with Millimeter Wave Radar",
  "paper_authors": [
    "Jaime Lien",
    "Nicholas Gillian",
    "M. Emre Karagozler",
    "Patrick Amihood",
    "Carsten Schwesig",
    "Erik Olson",
    "Hakim Raja",
    "Ivan Poupyrev"
  ],
  "publication_date": "2016年7月",
  "publication_venue": "ACM Transactions on Graphics，第35卷第4期，文章142",
  "abstract": "本文提出 Soli，一种基于毫米波雷达的新型手势传感技术，面向人机交互，具有鲁棒、高分辨率、低功耗和微型化特点。论文阐述了一种从零构建、针对人机交互优化的雷达传感器方法，涵盖雷达设计原则、高时间分辨率手势追踪、硬件抽象层（HAL）、固态雷达芯片与系统架构、交互模型与手势词表，以及手势识别。实验表明，Soli 可实现鲁棒手势识别，并能以亚毫米精度追踪手势，在嵌入式硬件上运行速度超过每秒 10000 帧。\n",
  "keywords": [
    "传感器",
    "交互",
    "手势",
    "射频",
    "雷达"
  ],
  "paper_institutions": [],
  "output_language": "zh",
  "provider": "doubao",
  "model": "doubao-seed-2.1-pro",
  "prompt_template": "simple",
  "extracted_at": "2026-10-20T04:26:55.075299Z",
  "template_tag": "simple",
  "summary": "### 摘要\n\n本文针对传统雷达主要服务于飞机、舰船等远距离大型刚性目标，其硬件与算法难以满足移动和可穿戴设备在微小体积、低功耗、有限算力、超近距离以及手指级复杂形变追踪方面要求的问题；相关视觉方案受光照、遮挡、延迟和尺寸限制，电容与电场方案又难以支持自由空间高精度交互，已有射频手势工作也多局限于肢体或整手等刚性单目标。作者提出端到端设计的 60 GHz 毫米波雷达 Soli，用 150 度宽波束照亮整只手，将手建模为多个时变动态散射中心，并以 1–10 kHz 雷达重复频率获取快时间与慢时间信号，通过距离-多普勒、距离剖面、微多普勒、频谱图等变换和低维特征直接识别动作签名，而不重建手部骨骼；其核心机制是相位随径向位移变化，即 Δφ = (4π/λ)Δr，在 60 GHz 频段 1 mm 位移可产生约 0.8π 弧度相位变化，从而支持亚毫米运动感知。系统还引入雷达硬件抽象层，使同一手势软件可运行于 FMCW、相位调制扩频和脉冲雷达，并发展了集成天线封装、射频前端与基带处理的固态芯片；交互上以虚拟按钮、虚拟滑杆、虚拟转盘等“虚拟工具”和动作手势为核心，配合本体感觉、触觉反馈、交互分区和贝叶斯滤波降低疲劳与误检。论文用机械臂带动金属板并与激光测距仪对比，在 50 cm 初始距离、20–200 mm/s 的 12 种速度下验证平均位移 RMS 误差为 0.43 mm，接近由相位抖动决定的 0.3 mm 理想点目标极限；手势评估招募 5 名用户，在传感器 30 cm 范围内对虚拟按钮、虚拟滑杆、水平滑动、垂直滑动及背景类各采集 50 次并分两轮完成，第一轮训练、第二轮独立测试以避免高帧率时间序列样本相关造成虚高，共形成 2000 个手势样本、约 600 万原始帧和 60 万个变换，测试集包含 1000 个手势和 308335 个样本。实现中原始雷达采样为 2500 fps、两个虚拟通道用于提升信噪比和通道间特征，每 10 帧计算一次变换得到 250 次变换/秒，采用约 40 ms 的 10 帧滑窗、785 维特征、50 棵树且最大深度为 10 的随机森林，并结合时间与上下文先验的贝叶斯滤波；结果显示逐手势准确率从原始 86.90% 提升到滤波后 92.10%，逐样本准确率从 73.64% 提升到 78.22%，Snapdragon 400 上完整手势识别可达 2880 fps、精细位移管线达 18000 fps，证明其在低功耗嵌入式平台上实时运行的可行性。未来工作需研究杂波、信号耦合、多径、衰落、干扰和遮挡，定量刻画帧率与带宽等参数影响，发展支持更大词表和更多用户的机器学习方法，并考察人因与新交互技术；典型应用包括智能手表、手机、平板、IoT、VR/AR、机器人、无人机、游戏控制器和智能服装，但系统更适合具有明确运动成分的近距动作手势，静态手形识别较困难，且词表规模增大会降低识别可靠性。\n\n### 关键要点\n\n- Soli 是首个面向精细手势交互端到端设计的毫米波雷达系统，采用 60 GHz 频段、宽波束和高时间分辨率，而非依赖窄波束扫描或手部骨骼重建。\n- 手被表示为多个动态散射中心的叠加，每个散射中心由随时间变化的复反射率和径向距离描述，以适应非刚性手部运动。\n- 其亚毫米感知来自相位变化：位移与相位满足 Δφ = (4π/λ)Δr，60 GHz 下 1 mm 位移约产生 0.8π 弧度相位变化。\n- 60 GHz、7 GHz 带宽对应的理论距离分辨率约为 2 cm，因此 Soli 主要依靠慢时间中的速度和运动历史区分散射中心。\n- 距离-多普勒变换可在散射中心距离差超过距离分辨率、速度差超过多普勒分辨率，或二者出现在不重叠处理时间窗时将其分辨。\n- 雷达硬件抽象层以 I/Q、距离-多普勒、距离剖面、微多普勒和频谱图等通用变换隔离底层硬件，已在 FMCW、相位调制扩频和脉冲雷达上验证。\n- Soli 芯片包括 12×12 mm 的 Infineon SiGe FMCW 芯片和 9×9 mm 的 SiBeam CMOS DSSS 芯片，二者均工作在 60 GHz，并可通过 HAL 互换使用。\n- 芯片采用天线封装、2 发射与 4 接收通道、宽波束和数字波束成形，当前功耗约 300 mW，并支持自适应占空比以降低平均功耗。\n- 精度实验中，机械臂移动金属板并与激光测距仪对比，在 12 种速度下获得 0.43 mm 的平均位移 RMS 误差，验证了亚毫米追踪能力。\n- 手势数据来自 5 名用户、4 种手势和背景运动，训练与测试来自独立两轮记录，测试集包含 1000 个手势和 308335 个样本。\n- 识别管线使用 2500 fps 原始采样、250 次变换/秒、10 帧滑窗、785 维特征、50 棵树的随机森林和贝叶斯滤波，滤波后逐手势准确率为 92.10%。\n- 在 Raspberry Pi 2 和 Snapdragon 400 等嵌入式平台上，完整手势识别最高可达 2880 fps，说明该方法适合可穿戴、移动和 IoT 等资源受限场景。",
  "available_templates": [
    "deep_read",
    "simple"
  ]
}