点云生成

点云是把 radar cube 里的候选目标点抽出来之后得到的结构。一个点不是一个像素，而是一条雷达反射证据：它告诉我们某个距离、速度、角度位置上有比较明显的回波。

从 cube 到点的直觉

Radar cube 里有很多格子，每个格子对应一个距离、速度和角度组合。大部分格子的能量只是噪声或环境背景。点云生成要做的事，是从这些格子里挑出“更像目标反射”的位置。

可以把它想成在三维能量地图里找亮点：

range-Doppler-angle cube
-> 找到高于噪声底的能量峰
-> 把 bin index 换算成物理量
-> 得到一帧 radar point cloud

这样得到的点云不是人体表面的精细扫描。它更稀疏，也更吵。但对于离开检测来说，关键不是画出完整的人，而是抓住人体反射随时间移动的模式。

仓库里的 detect_points 输出字段包括：

字段	含义
range_m	距离，单位米
velocity_mps	径向速度，单位米每秒
angle_deg	角度，单位度
power_db	反射强度，单位 dB
doppler_bin	Doppler FFT bin
angle_bin	Angle FFT bin
range_bin	Range FFT bin

物理量换算

point_cloud.py 里有三个轴换算函数：

• range_axis_m(cfg)：把 range bin 换算成距离。
• velocity_axis_mps(cfg)：把 Doppler bin 换算成速度。
• angle_axis_deg(cfg)：把 angle bin 换算成角度。

这些函数很重要，因为模型最终不应该只看抽象的 bin index。距离、速度和方向才更接近人体行为本身。

点云和序列模型

用户离开不是静态姿势，而是连续动作。单帧点云可以描述某一刻的反射分布，连续点云序列则能描述身体如何移动。CNN + BiLSTM 的思路就是先从每一帧点云里提取空间特征，再让序列模型看时间变化。

一帧点云回答“这一刻反射在哪里”。一段点云序列回答“这些反射怎么移动”。mmLock 需要的是后者，因为安全动作要在用户离开过程中触发，而不是等人完全消失后才反应。

噪声和稀疏性

雷达点云通常比较稀疏，也会包含环境反射。桌面、墙、椅子边缘都可能产生点。点检测、距离范围过滤、聚类、点数规整和时间序列建模，都是为了减少这些噪声对离开检测的影响。