印奇把4D雷达也端到端了

溪行者行业资讯📡 量子位2026-10-28606 阅读💛 244 收藏
< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">

印奇把4D雷达也端到端了

毫米波雷达,AI算力10TOPS

一颗4D毫米波雷达内置10 TOPS NPU、支持本地AI感知、卫星架构以及两者并行的多种输出方式。

说人话,这颗雷达从天线设计到点云输出,整条链路都交给模型了。如果借用一个智驾行业的说法,它在某种意义上也「端到端」了,甚至还能靠OTA持续升级感知能力。

熟悉的技术、熟悉的打法,但放在一起,怎么感觉这么陌生?

3nm、几百上千TOPS的芯片都上车了,一个毫米波雷达,还有必要拥有独立「大脑」吗?

仔细一看,还不是什么小公司的边缘尝试,是印奇和他掌舵的千里科技最新的进展。

物理AI这条路上,千里背后还有印奇担任董事长的阶跃星辰,以及吉利汽车的整车场景。

在纯视觉、垂直整合、全栈自研这几条主流路线之外,千里科技更像是平台型公司的链式协同。

那更要看看了,到底怎么个事?

千里做了一颗什么样的雷达?

想象一个场景:你开着车,前方头顶是龙门架,车道里停着一辆车。传统毫米波雷达同时收到两个回波,强度差不多,但它分不清谁高谁低。

结果要么把龙门架当成障碍物一脚急刹,要么把停着的车当成overhead结构直接忽略。这是最传统的3D毫米波雷达的老毛病,测距、测速都在行,唯独缺了“上下”这一维。

4D雷达补的就是这一维,俯仰角加进来之后,雷达能输出距离、速度、方位角、高度四个维度的信息,点云从平面铺开变成了立体的。

千里的AI雷达第一步补上的就是这关键的维度。但通道数和信息量上去了,信号处理的负担跟着涨,护栏、隧道、桥梁、地面、天空这些强反射物,会在回波里混进大量杂波。

以前那种靠固定阈值和人工规则做判断的传统方案,在这种环境里容易出四类问题:多径鬼影、杂波干扰、弱目标丢失、多目标分离不足。传感器参数表很好看,实际路上该误报还是误报,该丢目标还是丢目标。

4D雷达的硬件潜力,很长时间卡在处理环节释放不出来。

千里科技的解法,是从天线阵列和波形的设计阶段就把算法引进来,然后在点云检测、测角、点云增强、目标跟踪与分类这些关键环节换成数据驱动模型,减少对人工规则和经验阈值的依赖。

这颗雷达的AI从信号产生的最前端就介入,一直贯穿到环境理解的末端。

与千里上一代采用DSP端侧计算的4D雷达相比,点云密度增强10倍,探测距离提升40%,鬼影消除提升至95%,空间角分辨力提升12倍。

接下来是这颗雷达最容易被低估的部分:它支持三种工作模式。边缘侧模式下,回波在雷达端走完从ADC采样到目标跟踪与分类的全链路,NPU上部署AI Detector、AI辅助测角、AI点云增强等模型,雷达直接输出结构化感知结果。优势是本地链路短、响应快,减少域控侧的计算和通信负担,适合需要成熟目标级接口或分布式感知能力的平台。

卫星架构模式下,雷达以前端采集和高速传输为核心,把更接近原始信号的数据交给ADCU或中央域控统一处理,中央平台可以用更大的模型对摄像头、毫米波雷达等多源信息做更早阶段的时空对齐与全局推理。

第三种是兼容模式,两种活同时干。

雷达最原始的RAW数据直接交给SOC做处理和融合,与此同时,雷达上的边缘侧处理器独立完成一遍处理。

为什么非要同时做两遍?因为这两件事要的时间尺度不一样。

中央模型要的是未经处理的原始回波,它想做多源前融合,需要毫秒级的对齐精度和尽可能完整的信号细节,天然慢一些,链路也长一些。但车上的执行层等不了这个节奏,刹车和预警要的是当下就能用的结论,快比全更重要。

一个要「尽量看全」,一个要「马上能给」,这两个需求串不起来,只能并行。行业过去讲双模,通常落在「安全冗余」四个字上,意思是中央那套万一出问题,雷达自己能兜住。

但兜底说的是故障时顶上,而两种时间尺度说的是正常情况下两边各有各的活,后者才是这个设计真正的分量。

这背后有一个自然而然的问题:到底哪一部分AI计算需求需要放进雷达,又有哪些需要保留中央域控参与处理?

模型,怎么改变雷达?

变化的起点,是智驾本身的要求变了。

L2向L3、L4演进,雨雾、逆光、夜间、强反射、横穿车流、静止障碍物这些场景,要求感知不只“看得见”,还要“看得清、判得准、反应快”。

而要满足这些场景,多传感器前融合成了绕不开的路径,它需要的不只是更灵敏的传感器,而是能保留更多原始信息、可由模型统一理解的数据形式。这就带来了新问题。

4D雷达点云密度从传统雷达每秒几十个点,跃升到每秒数万甚至十万个点;卫星架构下,原始数据输入量可能比传统4D雷达多约100倍,ADC带宽做到6Gbps。

主流智驾车型传感器数量突破30个,每日产生的数据量超过10TB,中央计算平台面对的就是这样一条流量暴涨的河流。

所以,即使只是为了降低智驾模型输出延迟、高效利用中央算力,也需要把数据预处理这样专业的事交给专业的人,而不是全推给后端。

雷达像以前那样只回答“探到了什么目标”已经不够了,还要回答“能用什么形式,把多少有效信息交给后端的模型”。

可能有人会争论,以往的雷达产品,不是一直都有端侧的数据处理模块吗?

区别在规则是谁写的。传统4D雷达靠固定阈值和人工规则做判断,规则是人写的,人只能写下自己想到过的情况。对一个从没见过的corner case,规则库给不出答案,系统只能按最保守的方式处理,要么误刹,要么漏掉。每遇到一类新情况,就得重新定义、重新标定、重新验证,一轮下来几个月。

AI化之后,这件事的性质变了。模型从数据里学规律,遇到训练中没出现过的组合,仍然能依据已学到的特征做出判断,不需要等一条新规则被写出来。一个长尾问题从采集、回流、进训练到发版,周期从按月计压缩到按周计甚至更短。

千里科技做的第一件事,是把AI计算放进雷达内部,让传感器先把自己采集的数据处理到更深一层,直接输出结构化结果。第二件事是决定算完之后怎么交付,也就是前面那三种模式,任务留多少在传感器里、数据交多少给中央,按平台和功能等级来配。

三种架构的分野,可以沿功能等级、EE架构、成本与控制权这三条线来看。

目标级输出锚定常规辅助驾驶和分布式EE架构,成本敏感;卫星架构从L2+起步,在L3/L4的前融合需求下变成刚性选择,因为只有把原始数据送到中央,毫米波回波才有机会和图像特征在统一BEV空间里做特征级融合。

真正的工程边界在带宽和平台能力:域控算力和高速接口不够,卫星架构就失去落地的物理基础;功能等级停在L2、对前融合没有真实需求,为原始数据付传输和算力成本,在量产账本上不成立。

千里这颗雷达同时保留三条路径,对应的正是整车平台从分布式向中央集中过渡期间,同一套硬件要在不同车型、不同功能等级上找到位置。

兼容模式在这套分析里比较特殊,它同时占住两条线:还没完成中央化的平台,边缘侧那份结果可以直接用;已经有域控算力的平台,RAW数据又能进中央做前融合。过渡期里最值钱的恰恰是这个「两头都能接」。

举个例子,千里AI雷达对静止儿童的稳定探测距离是100至150米,意味着儿童横穿与鬼探头场景,可以为AEB提供更长反应窗口。

AI后处理与多径特征建模则把鬼影和误报消除了约95%,4D点云增强还能辅助判断可通行空间。

印奇的物理AI闭环

千里科技的AI雷达,最底层的逻辑是「含模量」开始重塑底层传感器。

深入软硬一体,整个传感器的研发也发生了变化:从波导天线、射频前端、SoC/NPU、调制方式,到模型和数据闭环,全部协同设计。表面是硬件升级,实质是传感器从「目标级汇报者」转向「特征级协作者」。

雷达AI化不是可选项,感知端是数据与智能的入口,毫米波雷达在这条路径上绕不过去。

早年间印奇就把「AI+物理终端」作为底层信条:3D相机是打通数字与物理世界的桥梁,AIoT是「AI+IoT+空间」,组织形态被有意做成偏软硬结合。

但AI 1.0的困境在于,有算法纵深,却缺少规模化、持续产生真实反馈的终端载体,闭环没真正合拢。所以他后来说,「不能闭环的辉煌都是暂时的」。

千里与阶跃的组合补上了信条一直缺的那一侧。要害在于「原生基座模型」的预训练同源输入:通用语料和真实智驾感知、规控数据一起喂进去,基座模型诞生时就带有三维空间和时间序列的认知结构。

印奇同时执掌两家,模型公司和终端公司之间常见的鸿沟被填平,「大脑定义终端输出什么、终端反馈模型学习什么」的循环,在同一个掌舵人手下转了起来。

这,是AI+物理终端理念在广度上的延伸,也是在纯视觉、垂直整合、全栈自研之外的那条路。

AI+物理终端这个说法,行业内也有类似表述,但讨论大多停留在「AI赋能」这一层,认为AI改变的是任务流程,提供的价值是更自动化的信息呈现。

从模型范式迭代出发,去改变底层传感器和计算架构,这是千里这次尝试里最值得看的部分。

过去是「人希望雷达看到什么」,现在是从AI模型和Agent的角度倒推:这个系统在物理世界里要完成什么任务,需要什么样的信息形式,多远的有效距离,多高的分辨能力。

这就从根源上屏蔽了「人类视角」和「范式惯性」带来的干扰。

数字AI靠巨量参数和几乎唾手可得的数据往上走。

但现阶段,物理AI的天花板,由真实数据闭环的速度和高质量数据的密度决定。所以仅是这样的尝试本身,千里科技就有难以替代的独特价值。

版权所有,未经授权不得以任何形式转载及使用,违者必究。
千里科技
贾浩楠
  • 乔布斯的皮克斯,狂赞中国物理AI数据终端2026-10-27
  • 灵巧操作头号玩家:Sharpa把指尖「触觉」进化到全面「体感」2026-10-09
  • 手握英伟达宁德时代相同剧本,具身智能的第一个「基建商」出现了2026-07-16
  • 百年德国「战车」征服欧陆,驾驶位上是中国AI司机2026-07-14

相关阅读

文章评论(12)

曹浩18 天前

支持作者,持续关注中。

回复
林拾贝18 天前

赞同,实践出真知。

回复
白向阳18 天前

整理得太全面了,省了我不少时间。

回复
杨丽华18 天前

实话,说的不明不白

回复
林观澜18 天前

这个观点很中肯,深有同感。

回复
月沐雨18 天前

内容翔实,正好需要,先收藏再看。

回复
石佳琪18 天前

作者写得真不错,学到了不少。

回复
蓝问津18 天前

思路清晰,干货满满。

回复
逐光而行18 天前

这个比较实用,已转发给同事。

回复
杨丽华18 天前

支持作者,持续关注中。

回复
墨向阳18 天前

路过

回复
竹听风18 天前

思路清晰,干货满满。

回复