1.一种基于MIMO雷达的端到端混合手势意图识别方法，其特征在于，该方法包括：步骤1：利用具有多个发射和接收天线的MIMO毫米波雷达获取连续的多通道雷达样本手势信号数据流；步骤2：对所述数据流中的每一帧数据进行实时处理，生成一个连续的距离-角度特征图序列，并进行标注；步骤3：将所述距离-角度特征图序列输入至一个基于卷积循环神经网络、具有共享主干网络和多个并行任务分支头的多任务神经网络模型，并训练；步骤4：采用训练完成的多任务神经网络模型进行实时识别手势意图。
2.如权利要求1所述的一种基于MIMO雷达的端到端混合手势意图识别方法，其特征在于，所述步骤2的具体方法为：步骤2.1：对每个通道的信号执行一维FFT，得到距离-通道复数矩阵；步骤2.2：对于每个距离单元，首先根据每个通道的复数值构建空间协方差矩阵 ； ；其中， 是所有通道信号组成的列向量， 表示期望；步骤2.3：通过下式计算在不同角度 上的空间谱功率 ： ；其中， 是对应角度 的导向矢量，此过程对每一帧数据实时进行，生成一幅高分辨率的距离-角度特征图。
3.如权利要求1所述的一种基于MIMO雷达的端到端混合手势意图识别方法，其特征在于，所述步骤2中的标注方法为：标注内容：对于数据流中的每一帧，都提供两组标签：坐标标签：手部在该帧时刻的真实三维空间坐标；指令标签：如果该帧属于某个离散指令手势，则标签为该指令；否则，标签为“无指令或背景”。
4.如权利要求1所述的一种基于MIMO雷达的端到端混合手势意图识别方法，其特征在于，所述步骤3中的多任务神经网络模型依次包括：主干网络、坐标回归头、动作指令头、意图仲裁模块，所述主干网络依次包括2D-CNN特征提取器和循环神经网络，所述2D-CNN特征提取器为一个二维卷积神经网络，该二维卷积神经网络的输入为距离-角度特征图，输出为紧凑特征向量；所述循环神经网络为门控循环单元或长短期记忆网络，输入为紧凑特征向量；所述循环神经网络的输出分别输入坐标回归头、动作指令头、意图仲裁模块；所述坐标回归头为一个全连接层，用于输出坐标，损失函数为 ；所述动作指令头为一个全连接层连接一个Softmax函数，输出指令的概率分布，损失函数为交叉熵损失函数 ；训练多任务神经网络模型时采用带掩码的多任务损失函数： ；其中， , 是平衡任务的超参数， 是二进制掩码，仅当当前帧的真值标签为某个具体指令时， 才为1，否则为0；所述意图仲裁模块为包含数个全连接层的多层感知机，输出为一个概率分布向量 ，其中 ； 表示当前时刻用户意图为“空间指向”的置信度， 表示当前时刻用户意图为“离散指令”的置信度；训练时的监督信号为数据的标注。
5.如权利要求1所述的一种基于MIMO雷达的端到端混合手势意图识别方法，其特征在于，步骤4中实际检测时根据仲裁模块输出的概率分布来做出最终识别结果；如果 大于等于 ，系统将输出坐标头回归出的坐标；否则，采信指令头的分类结果。
