该研究提出了一种新的使用 mmWave 雷达在实时情况下检测和跟踪人体骨架的方法，使用机器学习进行骨骼关节的三维定位，可应用于交通监控、自动驾驶、病人监测和国防军事等领域，并且克服了光照和恶劣气象条件的影响。

Nov, 2019

本文提出了一种新型的人体姿态估计基准测试，使用交叉校准的毫米波雷达传感器和单眼 RGB 相机进行跨模态训练，在不涉及人类隐私的情况下，利用毫米波雷达的优势，通过 2D 关键点表示人体关节进行训练，并采用新的雷达预处理方法和姿态修正图卷积网络进行预测关键点的信心热图的优化，实现了比传统方法更好的人体姿态估计性能。

Oct, 2022

mmDiff 是一种针对嘈杂雷达数据的新型扩散式姿势估计器，解决了人体部分的漏检和环境干扰引起的信号不一致性等两个关键挑战，通过设计多个模块提供可靠的条件，显著优于现有方法，在公共数据集上实现了最先进的性能。

Mar, 2024

本文介绍了一种多模式人体检测系统，结合了便携式热成像相机和单芯片毫米波雷达。为了减轻热成像相机低对比度和雷达点云多路径噪声引起的检测特征噪声，我们提出了一种贝叶斯特征提取器和一种新颖的不确定性引导融合方法，超过各种竞争方法，无论是单模式还是多模式。我们在真实数据收集上评估了所提出的方法，并证明了我们的方法在性能上大幅优于现有技术方法。

Jul, 2023

通过介绍一种名为 mmBaT 的多任务深度学习框架，提出了一种利用毫米波雷达点云进行人体重建的方法，该方法不仅能够消除噪声点，还能提取与人体相关的点云，具有优越的重建性能和泛化能力。

Dec, 2023

本文提出了一种用于毫米波雷达稀疏连续点云的语义分割框架，该框架包括图结构和拓扑特征，全局和顺序特征提取模块，以及更适合的损失函数，实验结果表明，该模型在自定义数据集和基准数据集上表现优异。

Apr, 2023

通过使用 2D 视频生成真实雷达数据，我们设计了 G3R 软件管道，用于解决缺乏丰富雷达数据集限制深度学习模型在不同用户姿势、位置和场景下的通用手势识别的问题。通过扩展用户骨架点、模拟雷达信号的多径反射和衰减以及解决生成和真实雷达数据之间点的数量和分布差异的挑战，我们的实验结果表明，G3R 在手势识别方面优于其他状态最先进方法。

Apr, 2024

提出了一种基于毫米波雷达的新型深度学习方法，即 milliFlow，用于场景流估计，为下游的人体动作传感任务提供了中间级别的特征，并且进一步改善了人体活动识别、人体分割和人体部分跟踪。

Jun, 2023

提出了一种基于多模态机器学习的方法，利用无线通信环境中收集到的位置和视觉数据快速预测光束方向，实现了超过 75％ 的准确度和近乎 100％ 的前 3 名光束预测准确度。

Nov, 2021

本文提出了一种低复杂度高精度的端到端方法，使用来自低成本 mm 波雷达的稀疏点云序列，结合扩展物体跟踪 Kalman 滤波器和针对雷达点云的有效特征提取和快速推理的深度学习分类器，实时跟踪和识别多个主体，并在一组八个对象中准确识别三个对象，操作速度高达 15 帧 / 秒。

May, 2021