量子科技中心_量科网

室内人员分类技术可在远程养老监护等场景中实现隐私保护式监测，通过非摄像头或可穿戴设备的存在感知信息实现警报分级。雷达凭借穿透遮挡物和黑暗环境下的运动感知能力成为理想选择。现代深度学习流程是解析雷达回波的标准方法，但其参数量庞大且在低信噪比（SNR）下表现敏感，这促使混合量子神经网络（HQNN）等精简方案应运而生。研究团队在匹配训练协议下，采用基于物理建模的60GHz数字孪生和真实雷达数据，将双量子比特HQNN与卷积神经网络（CNN）进行对比测试。在理想条件下，HQNN以最高170倍的参数精简量（0.066M）实现了高准确率（合成数据99.7%；真实数据97.0%）。参数化量子电路（PQC）的消融实验证明其高效性源于结构优势——移除PQC会导致真实数据性能骤降（控制头准确率降至68.5%和31.5%）。加噪评估揭示了领域依赖性敏感特征：HQNN在合成数据中更早开始恢复，而CNN在真实测量数据中呈现更陡峭的恢复曲线和更高峰值。标签比例消融实验表明，CNN在真实距离-多普勒图（RDM）上更具样本效率（50%标签时平衡准确率0.89-0.99 vs HQNN 0.75），但在合成数据上差距显著缩小，至50%标签时基本消失。该工作证实HQNN的核心价值在于参数效率及塑造其独特敏感特征的紧凑归纳偏置，为隐私保护雷达 occupancy 感知领域的混合量子模型建立了严谨基准。