基于毫米波雷达的手势识别原理主要参考了TI的Gesture UserGuide。该技术在汽车、家电等领域的应用日益广泛，性能要求包括识别六种基本手势：左划、右划、向上、向下、顺时针、逆时针。

FMCW雷达的核心原理在于发射一串连续频率变化的信号（Chirp），形成一个“Frame”。通过接收不同频率变化的回波信号，再进行2D-FFT处理，可以构建包含距离和多普勒信息的二维网格。网格中的峰值对应着距离下存在的目标位置，进而通过角度FFT处理，确定目标到达的角度。

在手势识别流程中，首先对每个接收通道的信号进行2D-FFT操作，生成包含距离和多普勒信息的矩阵。接着，通过非相干累加对多个通道的数据进行融合，形成Range-Doppler热图。在热图中提取多个特征，形成时间序列，再利用机器学习算法进行分类，输出对应的手势类别。

在实现手势识别时，主要面临三个技术难点：一是准确确认目标位置，包括目标的角度和位置；二是要求雷达具备高分辨率，确保热图上每个目标为点状，减少干扰；三是从热图中提取特定特征，这些特征可以反映手的运动状态，如平均多普勒、平均距离、多普勒扩展等；四是利用机器学习方法对提取的特征进行识别和分类。

在特征提取部分，主要包括加权多普勒、瞬间能量、距离加权、水平角度、俯仰角度以及多普勒-方位角相关性等。这些特征分别用于检测手的速度、存在、位置、方向，最终帮助识别手势类型。特征分类则通过训练人工神经网络模型实现，实现手势的精确识别。

具体到手势识别的细节，当手进行左划或右划时，水平角度（Azimuth Angle）和多普勒-方位角相关性（Doppler-Azimuth Correlation）会有显著变化；当手向上划或向下划时，俯仰角度（Elevation Angle）的改变趋势相反；而顺时针或逆时针手势的区分则通过观察Doppler-Azimuth Correlation的正负相关性。