UWBCarGraz

UWBCarGraz数据集是由格拉茨理工大学开发的一个公开数据集，专注于使用超宽带雷达进行车辆占用检测。该数据集包含34名成年参与者的三种不同活动水平（呼吸、说话、移动）的通道脉冲响应数据，以及空车数据。数据收集使用了一种最大长度序列相关信道探测器，频率范围为3.8-10.2 GHz。此外，还记录了参与者的呼吸周期数据，以支持呼吸运动估计。数据集的创建旨在解决未来车辆在锁定时检测车内是否有人，特别是防止儿童被困的问题。The UWBCarGraz dataset is a public dataset developed by Graz University of Technology, focusing on vehicle occupancy detection using ultra-wideband (UWB) radar. This dataset contains channel impulse response (CIR) data of 34 adult participants under three different activity levels (breathing, speaking, moving), as well as empty vehicle data. The data was collected using a maximum-length sequence correlation channel sounder, with a frequency range of 3.8–10.2 GHz. In addition, the respiratory cycle data of the participants was recorded to support respiratory motion estimation. The dataset was created to address the problem of detecting whether there are people inside a vehicle when it is locked, especially to prevent children from being trapped inside.

搜集汇总

数据集介绍

构建方式

在汽车乘客检测领域，超宽带雷达技术因其高分辨率与穿透能力而备受关注。UWBCarGraz数据集的构建依托于格拉茨理工大学开展的测量活动，采用最大长度序列相关信道探测仪，在3.8至10.2 GHz频段内采集信道冲激响应。实验招募了34名成年参与者，分别在紧凑型轿车与小型货车的乘客舱内进行测量，通过布置于A柱与B柱附近的天线阵列，记录了呼吸、交谈与移动三种活动状态下的数据。每个活动持续约两分钟，随后将数据分割为10秒长度的非重叠样本，同时采集了空车状态下的数据作为对照，确保了数据集的多样性与代表性。

特点

该数据集的核心特点在于其全面覆盖了不同活动水平的乘客状态，包括细微的呼吸运动、非周期性的交谈动作以及大幅度的肢体活动，为模型训练提供了丰富的动态变化信息。数据集中包含了两种不同车型的测量结果，并记录了参与者的身高、体重与年龄等生物特征，增强了数据的泛化能力。此外，数据集还提供了两种带宽版本（500 MHz与5 GHz）的信道冲激响应，并辅以呼吸带记录的胸部扩张数据，使其不仅能用于占位检测，还可支持呼吸运动估计等衍生研究。

使用方法

为促进汽车占位检测算法的开发与比较，UWBCarGraz数据集支持数据驱动的模型训练流程。研究者可首先将信道冲激响应数据预处理为实数与虚数部分堆叠的矩阵形式，随后利用数据增强技术模拟低信噪比环境，通过添加高斯噪声来提升模型的鲁棒性。数据集中已划分训练集、验证集与测试集，建议采用一维或二维卷积残差网络架构进行特征学习，并可通过调整网络深度与宽度平衡计算复杂度与检测性能。该数据集完全公开，便于不同算法在统一基准下进行公平评估与性能优化。

背景与挑战

背景概述

随着民用雷达技术在辅助生活与人体活动识别领域的广泛应用，超宽带雷达因其高分辨率与穿透能力，在车载环境感知中展现出巨大潜力。为应对未来汽车需在锁车时精准检测乘员以避免儿童被困的安全需求，格拉茨科技大学的研究团队于2023年公开了UWBCarGraz数据集。该数据集聚焦于利用超宽带雷达信号实现车内乘员检测，核心研究问题在于通过信道脉冲响应数据识别不同活动水平的乘员存在性，包括呼吸、交谈与移动三种状态。其创建不仅填补了该领域公开数据资源的空白，更为数据驱动算法的公平比较与优化提供了重要基准，推动了车载感知系统向更可靠、高效的方向发展。

当前挑战

在乘员检测领域，主要挑战在于低信噪比环境下从复杂雷达信号中区分细微人体活动与静态杂波，传统模型驱动方法因信号模型简化与先验假设不准确，难以适应呼吸、交谈等多变生理运动模式。构建UWBCarGraz数据集过程中，研究团队面临多重困难：需在真实车载环境中采集高动态范围的信道脉冲响应，同时校准设备以降低测量误差；数据涵盖34名成年参与者的多样生理特征与三种活动类型，但缺乏婴幼儿样本，限制了模型对弱小目标的泛化能力；此外，为模拟实际低信噪比场景，必须通过数据增强技术平衡类别不均与信号强度差异，确保算法在资源受限的车载计算平台上实现高效部署。

常用场景

经典使用场景

在汽车安全与智能座舱领域，超宽带雷达技术因其非接触式感知能力而备受关注。UWBCarGraz数据集作为首个公开的超宽带雷达车内乘员检测数据集，其经典使用场景聚焦于训练和评估基于深度学习的乘员存在检测算法。该数据集通过采集不同活动水平（呼吸、交谈、移动）下的信道脉冲响应，为研究人员提供了丰富的信号样本，使得数据驱动的方法能够在低信噪比条件下实现高精度的乘员检测，从而推动车内感知技术的算法创新与性能优化。

实际应用

在实际应用层面，UWBCarGraz数据集直接服务于智能汽车的安全与舒适性系统。基于该数据集训练的检测算法可集成于车载计算单元，实现实时乘员存在监测，满足欧洲新车安全评鉴协会等机构对防止儿童滞留车内的法规要求。此外，该技术可扩展至生命体征监测、座舱行为分析等场景，为自动驾驶系统中的乘员状态感知提供可靠的数据支撑，最终提升车辆的安全性与智能化水平。

衍生相关工作

UWBCarGraz数据集的公开衍生了一系列经典研究工作，主要集中在算法优化与跨场景应用。例如，基于ResNet架构的检测模型在低信噪比下显著优于传统的变分消息传递方法，激发了后续对轻量化神经网络结构的探索。同时，该数据集为多模态感知、异常行为识别等研究提供了基础，促进了超宽带雷达在车内环境感知领域的标准化比较与协同创新，成为后续学术研究与工程实践的重要参考基准。