印奇团队发布AI驱动4D毫米波雷达，内置10TOPSNPU实现端到端感知

在智能驾驶感知硬件持续迭代的背景下，千里科技近日发布了一款具备全链路AI能力的4D毫米波雷达。这款产品由印奇担任董事长的阶跃星辰与吉利汽车共同支持，标志着毫米波雷达从传统信号处理向“按模型定义硬件”的范式转变正式落地。

传统3D毫米波雷达仅能提供距离、速度与方位角信息，面对高架桥下静止车辆与龙门架共存的场景时，常因无法区分高度维度而误判目标。4D雷达通过增加俯仰角测量，补足了“上下”这一关键维度，使点云从二维平面扩展为三维空间结构。但通道数与数据量的提升也带来了信号处理复杂度的激增——护栏、桥梁、地面等强反射物易引发多径鬼影、杂波干扰与弱目标丢失等问题，传统依赖人工阈值与固定规则的方案难以应对。

千里科技的解法是将AI深度嵌入感知链路前端：从天线阵列与波形设计阶段即引入算法约束，后续在点云检测、测角、增强、跟踪与分类等环节全面采用数据驱动模型，大幅减少对经验性规则的依赖。其最新AI毫米波雷达内置10TOPS算力NPU，在公开信息中属车载毫米波雷达领域首次集成该级别边缘算力。

与上一代采用DSP处理的4D雷达相比，新产品的点云密度增强10倍，探测距离提升40%，鬼影消除率提高至95%，空间角分辨力提升12倍。更关键的是，它实现了真正意义上的“端到端”——从射频信号采集开始，经ADC采样、AI Detector、AI辅助测角、点云增强，直至目标分类与占用空间估算，整条链路均由模型完成，无需依赖中央域控进行后处理。

该雷达支持三种工作模式，共用同一套硬件底座与特征接口：

第一种为边缘侧模式，雷达在本地完成全部感知流程，直接输出结构化结果。此模式链路短、响应快，可显著降低域控侧通信带宽与算力负载，适用于需成熟目标级接口或分布式部署的车型平台。

第二种为卫星架构模式，雷达聚焦于射频采集与基础前处理，将更接近原始信号的数据（如RAW回波或中间特征）高速上传至ADCU或中央域控，由大模型统一进行多源前融合与全局推理。

第三种为兼容模式，即上述两种路径并行运行：一边向中央平台输送原始数据用于深层融合，另一边独立完成本地感知任务。这种设计并非冗余，而是适配不同时间尺度的需求——中央模型需要未加工的原始信号做时空对齐，而本地系统需快速响应紧急避障等低延迟场景。

行业长期存在“外采适配”惯性：车企先采购标准硬件，再让算法向上适配。但随着智驾模型覆盖链路延长，系统对数据质量、维度与时延的要求急剧升高，标准件的通用性反而成为瓶颈。算法迭代以周计，硬件迭代以年计，二者节奏错位导致模型能力难以充分释放。

千里科技此次将开发顺序倒置：先明确模型所需输入特征，再反向定义硬件参数。用其内部术语表述，这是将“含模量”从算法层推进至传感器层——模型实际参与判断的比重被前置到感知源头。

值得注意的是，该雷达并非简单叠加AI后处理模块。传统雷达虽也有本地处理器，但其计算逻辑仍基于固定规则；而千里方案的核心在于让学习型算法深度介入信号生成与解析全过程。模型从海量实车数据中习得环境规律，面对训练集未覆盖的组合（如雨雾中多重反射叠加），仍能依据特征相似性作出合理推断，而非机械执行保守策略。

在视觉受限场景（如夜间、浓雾、强逆光）下，毫米波雷达本就具备不可替代性；AI化进一步强化了其在复杂特征提取上的能力。例如，对静止车辆的识别准确率显著提升，避免因将其误判为道路结构而忽略潜在碰撞风险。

该产品背后是印奇主导的“物理AI”技术路线：阶跃星辰提供大模型能力，千里科技负责传感器硬件定义与工程落地，吉利汽车则提供整车验证场景与量产通道。三者构成链式协同生态，区别于纯视觉、垂直整合或全栈自研等主流路径，更偏向平台型公司的系统级整合。

从产业影响看，AI原生感知硬件的出现，为行业提供了突破硬件能力天花板的新解法。过去，传感器性能上限由芯片制程与模拟电路决定；如今，通过算法-硬件联合优化，可在相同物理条件下榨取更高信息密度。这不仅适用于毫米波雷达，也为超声波、激光雷达等其他感知模态提供了可复用的方法论。

目前，该雷达已进入工程验证阶段，预计2027年内随吉利部分新车型量产装车。其开放的接口协议与多模工作能力，也使其具备向商用车、Robotaxi及低速无人设备延伸的潜力。

智驾硬件的演进正从“功能堆砌”转向“认知对齐”。当传感器本身开始理解环境，而非仅记录物理信号，整个系统的鲁棒性与泛化能力将迈入新阶段。千里科技的这一步，或许只是物理AI落地的起点。