文章主要内容和创新点主要内容本文探讨了能否利用预训练大型语言模型（LLMs）直接从原始雷达信号中推断物体材料成分的问题。研究背景指出，基于视觉的LLMs难以区分视觉相似但材料不同的物体（如玻璃杯和塑料杯），而雷达技术（如毫米波雷达）在光照不敏感、空间分辨率高等方面具有优势，但现有雷达-based方法受限于闭集类别且需特定数据训练，实用性有限。为此，本文提出了LLMaterial系统：通过物理知情的信号处理流水线，从高冗余的原始雷达信号中提取反映材料固有特性的紧凑中间参数（如相对介电常数、雷达截面积等）；再结合检索增强生成（RAG）策略，为LLM注入领域知识，使其能对提取的参数进行逐步推理，实现开放集材料识别。初步实验表明，LLMaterial能有效区分金属、陶瓷、玻璃、塑料等常见材料，验证了其在实际场景中的潜力。创新点物理知情的信号处理流水线：将高维度、高冗余的原始雷达信号提炼为反映材料固有电磁特性的紧凑参数（如相对介电常数），降低数据复杂度，为LLM推理提供可解释的输入。RAG增强的LLM推理：通过检索增强生成框架为LLM补充领域知识（如雷达截面积、介电常数与材料特性的关系），使其能构建思维链（CoT），基于物理特性的相互作用进行推理（而非直接特征到标签的映射）。开放集材料识别验证：首次验证了LLMs直接从原始雷达信号中识别材料的可行性，实验中LLMaterial在4类材料、7个物体上实
文章主要内容和创新点主要内容本文探讨了能否利用预训练大型语言模型（LLMs）直接从原始雷达信号中推断物体材料成分的问题。研究背景指出，基于视觉的LLMs难以区分视觉相似但材料不同的物体（如玻璃杯和塑料杯），而雷达技术（如毫米波雷达）在光照不敏感、空间分辨率高等方面具有优势，但现有雷达-based方法受限于闭集类别且需特定数据训练，实用性有限。为此，本文提出了LLMaterial系统：通过物理知情的信号处理流水线，从高冗余的原始雷达信号中提取反映材料固有特性的紧凑中间参数（如相对介电常数、雷达截面积等）；再结合检索增强生成（RAG）策略，为LLM注入领域知识，使其能对提取的参数进行逐步推理，实现开放集材料识别。初步实验表明，LLMaterial能有效区分金属、陶瓷、玻璃、塑料等常见材料，验证了其在实际场景中的潜力。创新点物理知情的信号处理流水线：将高维度、高冗余的原始雷达信号提炼为反映材料固有电磁特性的紧凑参数（如相对介电常数），降低数据复杂度，为LLM推理提供可解释的输入。RAG增强的LLM推理：通过检索增强生成框架为LLM补充领域知识（如雷达截面积、介电常数与材料特性的关系），使其能构建思维链（CoT），基于物理特性的相互作用进行推理（而非直接特征到标签的映射）。开放集材料识别验证：首次验证了LLMs直接从原始雷达信号中识别材料的可行性，实验中LLMaterial在4类材料、7个物体上实
