[参考译文] IWR6843AOP：IWR6843AOP 设计帮助

您好、Nilesh

我将回答您在评估后的回复中提出的最新问题。

基于此、我计划在 R4F 内核的跟踪输出之上实现跌倒检测逻辑（例如，使用高度下降，速度和状态转换）。

是的、如果您想在 IWR6843AOP 板上完全独立地实现跌倒检测、可以首先移植以下位置存在的用于跌倒检测的现有 python 逻辑：

radar_toolbox_4_00_05\tools\visualizers\common\common\radar_toolbox_4_00_05\toolboxs\visualizers\carest\common Applications_Visualizer Demo_Classes Helper_Classes fall_detection.py

在用 C 编写的 3D 人员跟踪演示中。然后、您可以从设备发送一个额外的 UART 输出、告诉是否检测到跌倒（您可以参考其他输出是如何通过 UART TLV 发送的、如跟踪位置：x、Y、Z 等）

是否有人请确认这是在 IWR6843AOP 上实现跌倒检测的推荐方法？

是的、这将是实现 IWR6843AOP 跌倒检测的器件上解决方案的正确方法。

采用此设置实际可行地实现约~85%的跌倒检测精度？

是的、使用此电路板时、这种精度在现实中是可行的。 您可以根据所需的物理设置调整一些参数、如点高度变化的阈值、计算此变化的时间等。

要在 IWR6843AOP 上实现跌倒检测、3D 人员跟踪演示是否是最佳起点、或者您是否会推荐任何其他实验室/演示？

是的、这将是在 IWR6843AOP 上评估跌倒检测的理想起点。 您可以 在此处找到物理设置和快速入门的所有详细信息。

是否有办法重复使用或调整 IWR6843AOP 平台上 IWRL6432 提供的姿态/跌倒检测固件？

虽然 没有为 IWR6843 提供直接的姿态和跌倒估算演示、但您可以 在此处阅读 IWRL6432 姿态和跌倒估算的文档。
本演示使用 ML 模型对姿态和检测跌倒进行分类。 您可以  通过以下方式尝试复制为 IWR6843 开发该演示的相同方法：
1.记录数据
2.训练 ML 模型
3.导出经过训练的模型的.onnx
4.使用 TVM 编译器为设备内核编译.onnx。
5、从 3D 人员跟踪演示中调用模型推理。

希望这可以解决您的查询。

谢谢。此致、
Saransh Gautam