Wie funktioniert Präsenzerkennung mit mmWave-Radar?

Präsenzerkennung mit mmWave-Radar löst ein konkretes Messproblem: Wie erkennt ein System zuverlässig, ob sich eine Person in einem Raum aufhält, selbst wenn diese Person völlig stillsteht? Klassische PIR-Sensoren versagen hier, weil sie auf Wärmebewegung angewiesen sind. Radarsensoren im 60-GHz-Band detektieren dagegen minimale mechanische Bewegungen wie Atembewegungen des Brustkorbs oder den Herzschlag, was sie für eine zuverlässige Anwesenheitserkennung in anspruchsvollen Umgebungen prädestiniert. Der Einsatz von mmWave-Radarsensoren in IoT-Geräten und Embedded-Systemen wächst entsprechend stark, bringt aber spezifische Integrationshürden mit sich, die Entwicklungsteams kennen müssen.

Table of Contents

Radarsignale als Grundlage der Präsenzerkennung

mmWave-Radarsensoren im 60-GHz-Band senden elektromagnetische Impulse aus und werten das reflektierte Signal aus. Die Laufzeit des Signals ergibt die Entfernung, die Frequenzverschiebung des Echosignals (Doppler-Effekt) ergibt die Relativgeschwindigkeit eines Objekts. Entscheidend für die Präsenzerkennung ist die Phasenverschiebung zwischen aufeinanderfolgenden Messzyklen: Selbst ein regungslos sitzender Mensch erzeugt durch Atemfrequenz und Herzschlag messbare Phasenänderungen im Bereich von Mikrometern bis zu wenigen Millimetern.

Typische FMCW-Radarsensoren (Frequency Modulated Continuous Wave) wie der TI IWR6843 oder der Acconeer A121 arbeiten mit einem Chirp-Signal, dessen Frequenz innerhalb weniger Mikrosekunden über einen definierten Bandbreitenbereich variiert. Die Bandbreite bestimmt die Entfernungsauflösung: 4 GHz Bandbreite ergeben rund 3,75 cm Auflösung. Das ist relevant für Anwendungen, in denen mehrere Personen oder Objekte räumlich getrennt werden müssen. Ein häufiger Fehler in der frühen Designphase ist, die Bandbreite zu unterschätzen und anschließend festzustellen, dass zwei Personen im selben Entfernungsgate nicht trennbar sind.

Unterschied zwischen Bewegungs- und Präsenzerkennung

Bewegungserkennung detektiert makroskopische Ortsveränderungen, Präsenzerkennung detektiert vitale Mikrobewegungen. Dieser Unterschied hat direkte Konsequenzen für die Signalverarbeitungskette und die Systemarchitektur.

Ein PIR-Sensor oder ein einfacher Doppler-Radarsensor mit Schwellwertdetektion erkennt eine sitzende, lesende Person nach wenigen Sekunden nicht mehr als anwesend. Das führt in Smart-Building-Anwendungen regelmäßig zu unerwünschtem Lichtabschalten oder falschen HVAC-Entscheidungen. Ein mmWave-Sensor mit Mikrobewegungsauswertung dagegen erkennt die Atemfrequenz (typisch 0,2 bis 0,5 Hz) und den Herzschlag (typisch 0,8 bis 2,0 Hz) als kontinuierliche Signalquelle. Der Trade-off: Die Auswertung dieser Signale erfordert erheblich mehr Rechenaufwand und eine sorgfältig konfigurierte Chirp-Sequenz mit niedrigen Sweep-Raten. Wer diesen Unterschied in der Anforderungsphase nicht explizit definiert, riskiert, einen falschen Sensortyp zu spezifizieren und Wochen später in der Integration zurückzurudern.

Ein weiterer Unterschied liegt in der Falsch-Positiv-Rate: Bewegende Objekte wie Ventilatoren oder Jalousien erzeugen ebenfalls Doppler-Signaturen. Ohne gezielte Clutter-Filterung klassifiziert der Sensor diese Objekte als Personen. Das ist kein theoretisches Problem, sondern ein häufiger Grund für Feldreklamationen in der ersten Produktgeneration.

Signalverarbeitung und Auswertung im Sensor

Die Rohdaten eines FMCW-Radarsensors sind Range-Doppler-Maps, die pro Chirp-Frame erzeugt werden. Die Verarbeitungskette umfasst typischerweise: Fast Fourier Transform (FFT) über den Chirp (Range-FFT), FFT über mehrere Chirps (Doppler-FFT), CFAR-Detektion (Constant False Alarm Rate) und anschließende Clustering-Algorithmen wie DBSCAN.

On-Chip vs. Host-seitige Verarbeitung

Viele kommerzielle mmWave-Module (z.B. TI IWR-Serie) integrieren einen DSP und einen ARM-Cortex-R4-Kern direkt im Chip und können einfache Präsenzerkennungsalgorithmen vollständig on-chip ausführen. Der Vorteil: minimale Latenz, kein externer Host-Prozessor notwendig, Stromverbrauch im Bereich von 100 bis 400 mW im aktiven Betrieb. Der Nachteil: Der verfügbare Speicher auf dem Chip (typisch 1 bis 4 MB) begrenzt die Komplexität der Algorithmen erheblich. Komplexere Modelle, etwa neuronale Netze zur Personenzählung oder Sturzerkennung, müssen auf einem externen Host-Prozessor laufen, was die Systemkomplexität und den Leistungsverbrauch erhöht.

Kalibrierung und statische Clutter-Unterdrückung

Statische Reflexionen von Wänden, Möbeln und dem Sensor-Gehäuse selbst überlagern das Nutzsignal. Ohne eine initiale Kalibrierungsroutine, die diese statischen Anteile subtrahiert, ist die Präsenzerkennung in realen Raumumgebungen unzuverlässig. Die Kalibrierung muss bei leerem Raum erfolgen und sollte bei signifikanten Umgebungsänderungen wiederholt werden. Ein häufig unterschätztes Problem: Metallische Gegenstände, die nach der Kalibrierung in den Erfassungsbereich gebracht werden, erzeugen starke Phantomziele.

Integration in Embedded-Systeme und IoT-Geräte

Die Integration eines mmWave-Radarsensors in ein Embedded-System stellt spezifische Anforderungen an PCB-Design, Stromversorgung und Software-Architektur. Für Teams, die parallel an Schaltungsentwurf und Simulation arbeiten, ist es wichtig, diese Anforderungen früh in den Designprozess einzubinden.

Auf der Hardware-Seite benötigen 60-GHz-Module saubere Versorgungsspannungen mit niedrigem Rauschen (typisch unter 10 mV Ripple auf der RF-Versorgung). Jegliches Schaltnetzteilrauschen im relevanten Frequenzbereich koppelt direkt in die Empfangspfade ein und verschlechtert die Empfindlichkeit. Die Antennen sind in den meisten kommerziellen Modulen bereits auf dem Substrat integriert, was die PCB-Komplexität reduziert, aber strikte Anforderungen an die Freiraumzone vor dem Modul stellt: Mindestens 5 mm Abstand zu leitfähigen Strukturen sind in der Regel notwendig, um die Antennencharakteristik nicht zu verzerren.

Auf der Software-Seite kommunizieren die meisten mmWave-Module über UART oder SPI mit dem Host-Prozessor. TI stellt für die IWR-Serie ein Binary Communication Protocol bereit, das konfigurierbare Chirp-Profile und Erkennungsparameter ermöglicht. Die Konfiguration über Textbefehle ist in der Entwicklungsphase praktisch, in der Produktion aber fehleranfällig, wenn keine Versionskontrolle der Konfigurationsdateien implementiert ist. Teams, die Embedded-Software-Entwicklung für IoT-Geräte planen, sollten die Sensor-Konfiguration von Beginn an als versionierten Bestandteil der Firmware behandeln.

Der Stromverbrauch im Dauerbetrieb liegt je nach Konfiguration zwischen 200 und 600 mW, was für batteriebetriebene Geräte ohne Duty-Cycling nicht praktikabel ist. Duty-Cycling mit Zyklen von 100 ms aktiv und 900 ms Sleep reduziert den Durchschnittsverbrauch auf 20 bis 60 mW, verringert aber die Reaktionsgeschwindigkeit auf Präsenzänderungen auf etwa 1 Sekunde.

Typische Einsatzbereiche und Branchenanwendungen

Die Stärken der mmWave-Präsenzerkennung kommen in Szenarien zum Tragen, in denen Zuverlässigkeit und Privatsphäre gleichzeitig gefordert sind, da Radarsensoren keine Bilddaten erzeugen.

Im Smart-Building-Bereich steuern mmWave-Sensoren Beleuchtung, Klimatisierung und Zugangssysteme auf Basis echter Belegungsdaten statt auf Basis von Bewegungsschätzungen. Ein Bürogebäude mit 200 Arbeitsplätzen, das HVAC-Entscheidungen auf Belegungsdaten statt auf Zeitplänen basiert, kann den Energieverbrauch der Klimatisierung messbar senken, ohne dass hier eine spezifische Zahl behauptet wird, da die tatsächliche Einsparung stark von der Gebäudekonfiguration abhängt.

In der Medizintechnik ermöglicht die kontaktlose Vitaldatenerfassung (Atemfrequenz, Herzrate) die Patientenüberwachung ohne Elektroden oder Klemmsensoren. Das ist besonders relevant für Langzeitmonitoring in Pflegeheimen oder für Schlafapnoe-Screening. Regulatorisch fällt ein solches Gerät je nach Nutzungsanspruch unter die EU-MDR-Klasse IIa oder IIb, was die Zertifizierungskosten auf 80.000 bis 200.000 Euro und Timelines von 12 bis 24 Monaten treiben kann. Diese Anforderung muss bereits in der Konzeptphase in die Produktstrategie einfließen.

In der industriellen Automatisierung erkennen mmWave-Sensoren Personen in Sicherheitszonen von Maschinen, auch bei Staub, Dampf oder schlechter Beleuchtung, wo optische Systeme versagen. Hier ist die Robustheit gegenüber Umgebungsbedingungen der entscheidende Auswahlparameter, nicht die Erkennungsgenauigkeit unter Laborbedingungen.

Häufige Herausforderungen bei der Entwicklung

Die größten Entwicklungsrisiken bei mmWave-Präsenzerkennung entstehen nicht durch die Sensortechnologie selbst, sondern durch unterschätzte Systemeffekte.

Multipath-Reflexionen in kleinen oder unregelmäßig geformten Räumen erzeugen Geisterziele, die Erkennungsalgorithmen als Personen klassifizieren. Das Verhalten eines Sensors in einem 3 × 3 m Büro unterscheidet sich grundlegend von seinem Verhalten in einem 10 × 20 m Großraumbüro. Wer die Algorithmusparameter nur in einer Umgebung validiert, riskiert Feldausfälle in anderen Installationsszenarien.

Regulatorisch unterliegen 60-GHz-Geräte in der EU der Funkanlagen-Richtlinie (RED) und benötigen eine CE-Kennzeichnung. Die Konformitätsbewertung für den Frequenzbereich 57 bis 71 GHz erfordert typischerweise 6 bis 12 Wochen bei einem akkreditierten Prüflabor und kostet je nach Umfang 5.000 bis 20.000 Euro. Wird dieser Aufwand nicht in die Projektplanung eingerechnet, verschiebt sich der Markteinführungstermin regelmäßig um ein Quartal.

Ein weiteres häufig ignoriertes Problem ist die Temperaturdrift. Die Phasencharakteristik von mmWave-Transceivern verändert sich mit der Betriebstemperatur. Ohne temperaturkompensierte Kalibrierung verschlechtert sich die Erkennungsgenauigkeit bei Temperaturen außerhalb des Laborbereichs (typisch unter 0 °C oder über 50 °C) messbar. Das ist besonders relevant für Outdoor-Installationen oder industrielle Umgebungen.

Wie Oxeltech bei der mmWave-Radar-Integration unterstützt

Wir begleiten Entwicklungsprojekte mit mmWave-Radarsensoren von der Konzeptphase bis zur Serienreife. Das umfasst die gesamte technische Tiefe, die für eine zuverlässige Präsenzerkennung in realen Umgebungen notwendig ist:

Sensorauswahl und Systemarchitektur: Wir bewerten Sensoroptionen (TI IWR-Serie, Acconeer, Infineon BGT60) anhand der konkreten Anforderungen an Reichweite, Auflösung, Stromverbrauch und Kostenziel bei Zielvolumen.
PCB-Design und RF-Layout: Wir legen Antennenfreizonen, Versorgungsfilterung und Abschirmkonzepte aus und simulieren das Verhalten vor der ersten Bestückung, um kostspielige Redesign-Zyklen zu vermeiden.
Firmware und Signalverarbeitungsalgorithmen: Wir implementieren und konfigurieren Erkennungsalgorithmen auf dem Sensor-DSP oder dem Host-Prozessor, inklusive Clutter-Filterung, Kalibrierungsroutinen und Duty-Cycling-Strategien für batteriebetriebene Geräte.
Zertifizierungsvorbereitung: Wir unterstützen bei der Vorbereitung der technischen Dokumentation für CE (RED) und begleiten den Prozess bis zur erfolgreichen Markteinführung.

Wenn ein mmWave-Präsenzsensor Teil des nächsten Produkts ist und das Team konkrete Fragen zu Architektur, Integration oder Zertifizierung hat, nehmt direkt Kontakt mit uns auf. Wir analysieren die Anforderungen und zeigen, welcher Entwicklungsansatz für das spezifische Projekt sinnvoll ist.