印奇把4D雷达也端到端了
内容提要
千里科技推出AI化4D毫米波雷达，内置10TOPS NPU，从天线设计到点云输出全链路采用数据驱动模型，点云密度提升10倍、探测距离提升40%、鬼影消除达95%。该雷达支持边缘侧、卫星架构和兼容三种模式，兼顾本地快速响应与中央前融合需求，适应L2至L4不同平台。其核心逻辑是以“含模量”重塑传感器，使其从目标级汇报者转向特征级协作者，并依托印奇旗下阶跃星辰与吉利场景形成数据闭环。
延伸解读
从规则到模型：4D雷达处理瓶颈的破解思路
文章指出，4D雷达硬件早已能输出距离、速度、方位角、高度四维信息，但通道数增加后，护栏、隧道等强反射物带来的杂波让传统固定阈值和人工规则难以应对，导致鬼影、弱目标丢失等问题。千里的做法是在天线阵列和波形设计阶段就引入算法，并在点云检测、测角、增强、跟踪分类等环节换用数据驱动模型。这提示读者：雷达性能差距可能不在射频前端，而在处理环节的范式选择。
三种工作模式背后的工程权衡
文章详细区分了边缘侧、卫星架构和兼容模式：边缘侧在雷达端完成全链路并输出结构化结果，适合分布式EE架构和成熟目标级接口；卫星架构把更原始的数据交给中央域控，为多源前融合保留信号细节；兼容模式则同时输出两套结果。文章强调，兼容模式的价值不只是故障冗余，而是应对中央模型需要毫秒级对齐、执行层需要即时结论这两种不同时间尺度。读者可据此判断：模式选择取决于域控算力、高速接口带宽和功能等级，而非单纯追求原始数据上传。
数据闭环速度成为物理AI的竞争变量
文章将千里的路径与印奇旗下阶跃星辰、吉利整车场景联系起来，认为原生基座模型与真实智驾数据同源输入，使模型公司和大终端公司之间的反馈循环得以合拢。文章还提到，长尾问题从采集、回流、训练到发版的周期可从按月计压缩到按周计甚至更短。这提供了一个观察角度：传感器AI化的长期效果，不仅看单颗雷达的参数提升，更取决于真实数据闭环的速度和高质量数据密度，这也是文章判断物理AI天花板的核心依据。
Q&A
千里科技的AI 4D毫米波雷达有哪些核心性能提升？
与上一代采用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。
这颗雷达支持哪几种工作模式？分别适合什么场景？
支持三种模式：边缘侧模式在雷达端完成全链路处理，直接输出结构化感知结果，适合需要目标级接口或分布式感知的平台；卫星架构模式将原始数据交给中央域控统一处理，适合L3/L4前融合需求；兼容模式同时进行边缘侧处理和原始数据输出，兼顾快速响应与前融合。
为什么要在毫米波雷达内部集成NPU和AI模型？
随着智驾向L3/L4演进，多传感器前融合需要保留更多原始信息，4D雷达点云密度和数据量激增，中央计算平台负担加重。在雷达内部集成NPU和AI模型，可以将数据预处理在传感器端完成，减少中央算力和通信负担，同时提升感知性能，并支持OTA升级。
传统4D毫米波雷达在复杂场景下有哪些问题？千里如何解决？
传统4D雷达依赖固定阈值和人工规则，在护栏、隧道等强反射环境下易出现多径鬼影、杂波干扰、弱目标丢失、多目标分离不足等问题。千里从天线阵列和波形设计阶段引入算法，在点云检测、测角、点云增强、目标跟踪与分类等环节采用数据驱动模型，减少对人工规则的依赖。
千里AI雷达的“含模量”理念是什么？它如何改变传感器角色？
“含模量”指在传感器中融入AI模型的程度。千里AI雷达从天线设计到点云输出全链路采用数据驱动模型，使传感器从“目标级汇报者”转向“特征级协作者”，不仅报告目标，还能以合适形式向中央模型提供更多有效信息。
千里科技在印奇的布局中扮演什么角色？与阶跃星辰、吉利汽车如何协同？
千里科技是印奇“AI+物理终端”理念的落地平台，与阶跃星辰（AI模型公司）和吉利汽车（整车场景）形成数据闭环。阶跃星辰提供原生基座模型，吉利提供真实驾驶场景数据，千里科技研发AI化传感器，三者协同实现“大脑定义终端输出、终端反馈模型学习”的循环。
兼容模式为什么需要同时进行边缘侧处理和原始数据输出？
因为中央前融合需要原始回波进行多源时空对齐，要求毫秒级精度和完整信号细节，处理链路较长；而车辆执行层（如刹车、预警）需要快速响应，不能等待中央处理。两种时间尺度不同，只能并行处理，兼顾“看全”和“马上能给”。
