千里科技AI 4D毫米波雷达：三种模式适配智驾场景

一款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。这颗雷达从天线设计到点云输出的整条链路都交由模型驱动，借用智驾行业的说法，它在某种意义上实现了「端到端」运行，还能通过空中下载持续升级感知能力。

这类探索并非小公司的边缘尝试，而是印奇掌舵的千里科技的最新进展。在纯视觉、垂直整合、全栈自研等主流路线之外，千里科技更像是平台型公司的链式协同，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支撑。

要理解这颗雷达的价值，得从传统毫米波雷达的老毛病说起。日常驾驶中，传统雷达常无法区分高度差异：比如车辆行驶在龙门架下方，车道里停着一辆车，两个回波信号强度相近，雷达却分不清谁高谁低，要么把龙门架当成障碍物触发不必要的急刹，要么把停着的车误判为高空结构直接忽略——这正是传统3D雷达的短板：测距测速出色，唯独缺失「上下」这一维度。

4D雷达的核心突破就是补上了这一维度，通过加入俯仰角，雷达可输出距离、速度、方位角、高度四个维度的信息，让平面点云变成了立体结构。但升级也带来了挑战：通道数和信息量的提升加重了信号处理负担，护栏、隧道、桥梁、地面、天空等强反射物会在回波中混入大量杂波。

传统方案依赖固定阈值和人工规则，在这类场景下会暴露出四大问题：多径鬼影、杂波干扰、弱目标丢失、多目标分离不足。尽管传感器参数看似亮眼，实际道路上仍会频繁出现误报和目标丢失的情况，4D雷达的硬件潜力长期受限于处理环节的瓶颈。

千里科技的解法是从天线阵列和波形设计阶段就引入算法，再在点云检测、测角、点云增强、目标跟踪与分类等关键环节替换为数据驱动模型，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，这款新产品的点云密度提升了10倍，探测距离增加40%，鬼影消除率提升至95%，空间角分辨力提升12倍。

这颗雷达最容易被低估的部分是它支持三种工作模式。边缘侧模式下，回波在雷达端完成从模数转换采样到目标跟踪与分类的全链路处理，NPU上部署AI检测器、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。其优势在于本地链路短、响应快，能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，将更接近原始信号的数据交给自动驾驶域控单元或中央域控统一处理，中央平台可利用更大的模型，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，同时运行两种处理流程：雷达最原始的RAW数据直接交给系统级芯片做处理和融合，与此同时，雷达上的边缘侧处理器独立完成一遍相同的处理。

之所以要同时运行两套流程，是因为两者的时间尺度完全不同。中央模型需要未经过处理的原始回波来做多源前融合，要求毫秒级的对齐精度和尽可能完整的信号细节，因此天然更慢、链路更长。但车辆的执行层等不了这个节奏，刹车和预警需要即时可用的结论，速度比全面性更重要。「尽量看全」和「马上给出」的需求无法串联，只能并行。行业过去所说的双模通常指向「安全冗余」，即中央系统万一故障时雷达能兜底，但这款设计的真正价值并非故障时的备份，而是正常情况下两边同时运作的状态。

这背后的变化源于智驾本身的需求升级。从L2向L3、L4演进的过程中，雨雾、逆光、夜间、强反射、横穿车流、静止障碍物等场景，要求感知不仅要「看得见」，还要「看得清、判得准、反应快」。要满足这些场景，多传感器前融合成了绕不开的路径，这不仅需要更灵敏的传感器，还需要能保留更多原始信息、可被模型统一理解的数据形式，这也带来了新的问题。

4D雷达的点云密度从传统雷达的每秒几十个点跃升至每秒数万甚至数十万个点；卫星架构下，原始数据输入量可能比传统4D雷达多约100倍，模数转换带宽达到6Gbps。主流智驾车型的传感器数量突破30个，每日产生的数据量超过10TB，中央计算平台正面临数据流量暴涨的压力。因此，即使只是为了降低智驾模型的输出延迟、高效利用中央算力，也需要把数据预处理这类专业工作交给专业环节，而非全部推给后端。

雷达不再只需要回答「探测到了什么目标」，还要回答「应以何种形式、向后端模型交付多少有效信息」。有人可能会问，以往的雷达产品不是早就有端侧数据处理模块吗？区别在于规则的制定者：传统4D雷达依靠固定阈值和人工规则判断，规则由人编写，只能覆盖人类想到过的情况，对于从未见过的极端场景，规则库无法给出答案，系统只能按最保守的方式处理，要么误刹要么漏目标。每遇到一类新情况，都需要重新定义、标定、验证，一轮下来耗时数月。

AI化之后，情况发生了本质变化：模型从数据中学习规律，遇到训练中未出现过的组合时，仍能依据已学到的特征做出判断，无需等待新规则被编写。长尾问题的解决周期从按月计算压缩到按周甚至更短。

千里科技做了两件核心事：一是将AI计算内置到雷达内部，让传感器先把采集到的数据处理到更深层次，直接输出结构化结果；二是决定计算完成后的交付方式，也就是前述三种模式，根据平台和功能等级分配任务在传感器和中央计算机之间的占比。

三种架构的差异可沿功能等级、电气架构、成本与控制权三条线划分。目标级输出面向常规辅助驾驶和分布式电气架构，以成本敏感为核心；卫星架构从L2+起步，在L3/L4的前融合需求下成为刚性选择，因为只有将原始数据送到中央，毫米波回波才有机会在统一鸟瞰视图空间中与图像特征做特征级融合。

真正的工程边界在于带宽和平台能力：若域控算力和高速接口不足，卫星架构就失去了落地的物理基础；若功能等级停留在L2、无真实前融合需求，为原始数据支付传输和算力成本在量产账目中就不成立。

兼容模式的价值在过渡阶段尤为突出：对于尚未完成中央化的平台，边缘侧的结果可直接使用；对于已有域控算力的平台，原始数据又能进入中央做前融合。从分布式向中央集中的过渡期里，这种「两头都能接」的特性最具价值。比如，千里AI雷达对静止儿童的稳定探测距离达100至150米，可为儿童横穿、鬼探头等场景的自动紧急制动提供更长反应窗口；AI后处理与多径特征建模可消除约95%的鬼影和误报，4D点云增强还能辅助判断可通行空间。

千里AI雷达最底层的逻辑是「含模量」正在重塑底层传感器。软硬一体的深度融合让整个传感器的研发模式发生了变化：从波导天线、射频前端、系统级芯片/NPU、调制方式到模型和数据闭环，所有环节都协同设计。表面是硬件升级，本质是传感器从「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无法绕开。

早年印奇就将「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软硬结合的模式。但AI 1.0的困境在于，虽有算法深度，却缺少能规模化持续产生真实反馈的终端载体，闭环未能真正形成。因此他后来表示，「无法形成闭环的辉煌都是暂时的」。

千里与阶跃的组合补上了这一信条中缺失的环节。关键在于「原生基座模型」的预训练输入同源：将通用语料、真实智驾感知与控制数据一同输入，基座模型诞生时就带有三维空间和时间序列的认知结构。印奇同时执掌模型公司和终端公司，填平了两者间常见的鸿沟，形成「大脑定义终端输出什么、终端反馈模型学习什么」的循环，这是「AI+物理终端」理念在广度上的延伸，也是纯视觉、全栈自研之外的另一条路径。

行业内对「AI+物理终端」的讨论大多停留在「AI赋能」层面，认为AI只是改变了任务流程，提供更自动化的信息呈现价值。而从模型范式迭代出发，改变底层传感器和计算架构，是千里这次尝试中最值得关注的部分。过去是「人类希望雷达看到什么」，现在则从AI模型和智能体的角度反向推导：这个系统在物理世界需要完成什么任务，需要什么样的信息形式、有效距离和分辨能力，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向上发展，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。仅就这一尝试本身，千里科技就拥有难以替代的独特价值。