承泰科技CTO周珂：AI雷达的时代已经到来

近年来，"AI雷达"成为行业热词。围绕它是什么、为何现在出现、将如何改变毫米波雷达产业，业界正在形成越来越多的讨论。本文基于公开研究、产业实践及超级雷达社区的行业讨论，对其中的核心观点进行梳理。超级雷达社区由承泰科技发起，面向雷达产业链、科研机构与开发者开放，关注技术交流、工具共建、数据协作与标准讨论。

AI雷达 vs 传统雷达

AI雷达，简单说是AI赋能的雷达，准确说是支持AI模型部署、由模型定义功能的雷达（Model-Defined Radar, MDR）。

传统雷达的功能由工程师把人工设计的算法和硬性规则写进固件，出厂即定格；AI雷达的功能则由可训练、可迭代的AI模型实现，模型可部署、替换、持续升级，由开发者自行定义。

技术底层看，传统雷达遵循几十年不变的级联信号处理链：ADC采样、2D-FFT、CFAR检测、DOA测角、聚类、跟踪、分类。每一级处理都是对物理世界的"简化假设"（点模型、高斯噪声、多径可滤除），而真实世界从不按假设运行，逐级丢失信息、累积误差，形成能力天花板。

AI雷达走另一条路：让数据自己说话。模型直接从原始信号中学习最优表征，信息无损传递、特征自学习，追求全局最优。类比上，网络有SDN、汽车有SDV，雷达则从SDR（软件定义雷达）进一步发展为MDR（模型定义雷达）。AI的引入降低了雷达开发门槛，把雷达从少数算法专家的专业技术变成可广泛参与的通用技术。

相互成就：从4D到AI雷达

4D成像雷达与AI雷达不是一回事。4D成像雷达解决"看得清"，是硬件能力升级；AI雷达解决"看得懂、迭代得快"，是开发范式变革。两者相互成就——高清数据为模型提供养料，模型让高清数据产生价值。“4D成像雷达把路修宽，AI雷达让路上跑起车来。”

承泰科技近年来持续探索中央计算雷达、超级雷达等技术路线，本质上也是在尝试解决同一个问题：如何让雷达保留更多原始信息，并让这些数据真正进入后端AI计算体系。

软硬件解耦打破封闭生态

让更多人参与雷达开发，需要软硬件解耦，这是AI雷达的另一支柱。软件与模型开发者面向应用独立开发，硬件交给专业厂家，形成类似PC产业的分层分工——在通用硬件基础上开发面向不同场景的应用模型，雷达从封闭生态走向开放生态。过去研发一款雷达须同时具备硬件、软件、射频、算法能力，只有少数企业和科研机构玩得起；解耦后不必组建全领域团队、不必购置昂贵射频环境，更多团队和个人得以参与。

在这一过程中，承泰希望通过超级雷达开发平台、SDK以及相关开发工具，把过去相对封闭的雷达开发环境逐步开放出来，让更多AI开发者能够以更接近视觉AI的方式理解和使用雷达数据。

天时地利：AI雷达时代已到来

AI雷达直到现在才出现，是因为几股力量此刻才汇聚，可总结为"一个需求牵引，三个技术拐点"。

• 需求牵引：物理AI爆发。 具身智能、机器人发展使感知需求从"看得见"升级为"看得懂"，而跨越门槛的钥匙正是AI模型。物理AI必然遭遇雨雾烟尘、逆光闪光、透明障碍物等复杂环境感知挑战，把雷达感知推到台前。

• 数据拐点。 毫米波雷达近年探测精度与分辨率实现数量级飞跃，点云可达每帧数千至数万点，成为真正的成像雷达，单帧数据量达激光雷达级别。高清数据是AI的口粮。

• 算力拐点。 一端在雷达本体，内存与算力提升千百倍，端侧具备部署AI模型的硬件环境；另一端在系统架构，如汽车从分布式ECU走向中央计算+区域控制，整车演化为"移动数据中心"，中央计算单元提供数百乃至上千TOPS算力，雷达原始数据可经车载高速网络直传域控，多节点原始数据甚至可相干融合、联合处理，实现虚拟孔径扩展与全局优化。

• 算法拐点。 AI技术平民化与基础模型跨模态能力。模型能力增强、算力成本下降，PyTorch、ONNX等开源工具链成熟；GPT、ViT、Occupancy Network等已证明端到端学习在感知任务上的压倒性优势，迁移到雷达数据域路径清晰。

需求在牵引，数据、算力、算法三个条件同时具备，AI雷达顺势而生。

AI雷达正迎来"ImageNet"时刻

类比视频AI：2012年AlexNet在ImageNet一鸣惊人，开启视觉AI十年突破。但爆发的前提是两个——高质量标注数据积累（ImageNet本身）与工具链普及（千万开发者可参与）。

雷达正站在类似门槛。学术界早有尝试：卡内基梅隆用100万帧原始雷达数据预训练出首个毫米波雷达"基础模型"，可微调复用于检测、分割等任务；谷歌Soli把毫米波雷达装进手机实现隔空操控；近年还有学者用雷达无接触测出心电信号；顶级机器人会议工作已能让自然语言直接指挥4D雷达。这些说明雷达与AI结合的天花板远高于想象。

但需强调：学术演示到产业爆发之间，隔着数据、工具和生态。视觉AI爆发不是模型某天突然变聪明，而是千万开发者手里有了数据、工具和平台。在承泰科技看来，雷达行业当前缺少的正是这样的基础设施，而这也是承泰科技希望长期投入并联合产业各方共同补上的环节。

更开放的雷达开发模式

AI雷达开发将分三个阶段：

• 初级·点云外置处理： 雷达经标准接口输出点云，开发者在外置处理器上训练部署模型，门槛最低。

• 中级·模型上机部署： 开发者直接在雷达内置计算单元部署模型，数据经API获取，集成度更高、成本更低、实时性更好。

• 高级·原始信号开放： 开发者经高速接口获取原始信号，探索微动特征、非视距感知等前沿方向，面向科研机构与深度研发团队。

生态越成熟，走向深水区的开发者越多，如同视觉领域大多数调用成熟模型、少数研究底层架构，两者相互支撑。

AI雷达的核心能力

1. 信息利用。 传统雷达只用人工特征（距离、速度、角度、RCS）；AI雷达利用原始信号全部电磁信息，包括微多普勒、极化、散射中心分布等工程无法触及的维度，数量级提升。

2. 角分辨率。 传统受物理孔径（瑞利极限）限制；AI可通过超分辨学习突破，提升数倍，直接价值是小目标检测——大目标旁也能看清小目标。

3. 输出能力升维。 传统输出"点目标"（距离/速度/角度）；AI输出"语义实体"——不是"这里有反射点"，而是"一辆正在减速的轿车""一个奔跑的儿童，预计1.2秒后进入车道"，甚至判断"这是被风吹动的灌木丛，可通行"。

4. Free Space可通行区域。 传统告诉你"前面有东西"，AI告诉你"哪里可以走"——区分低矮障碍与路面起伏避免误刹，识别积水结冰沙石并估计附着系数，在黑暗或暴雨中绘制可通行走廊，端到端原生输出。

5. 语义SLAM。 雷达开始具备"记忆"，把回波纹理（护栏样式、路面接缝、建筑立面）编码为语义路标，在GPS拒止环境高精度定位；回到同一场景能"认出"并调取历史语义地图融合，自动标记施工区、临时障碍，让语义地图实时演化。

6. 工程效率。 传统调参以周计，AI数据驱动训练以天计；新增功能从重新设计信号处理链变为新增任务头做迁移学习，即插即用。恶劣天气下传统性能下降、虚警增加，数据驱动让雷达对雨雪自适应，鲁棒性成倍提升。

物理AI时代：AI雷达蓄势待发

充分发展后，AI雷达将带来四方面改变：

• 感知更丰富高阶。 弱信号、离散信号、多次反射、杂散信号过去被过滤丢弃，如今大算力大内存使其可被保留累积利用，支持语义输出、Free Space、SLAM定位建图、Occupancy占用网格建图。

• 更多人参与。 做雷达不再硬件软件射频算法样样自己来，解耦后开发者专注模型与应用，硬件交专业厂家——就像PC产业没人为了写软件去造电脑，开发从独门手艺变通用技能。

• 一键部署、多场景适用。 雷达全天候工作、直接测速、不采集图像天然保护隐私，是视觉感知不可或缺的补充，在具身智能、工业智能中需求将爆发。

• 成本与周期下降。 通用硬件规模化量产摊薄成本；模型可复用迭代，产品从"一次性工程"变"持续演进"，售出后还能OTA升级——一次硬件部署，长期能力增长。

物理AI需要多模态融合感知

需求侧：雨雾烟尘、逆光闪光、透明障碍需毫米波全天候能力；高响应场景需直接测速；隐私场景需不采集图像。更重要的是，物理AI多与人类协同，安全需求要求增加感知多样性——不只摄像头，还要雷达等，如同人类不只靠眼睛，还有耳朵鼻子。

融合感知：物理AI拥有超强中央算力。摄像头、雷达前端是感知单元，计算单元是中央处理器，感知与计算分离。汽车智驾中毫米波雷达必配，新名词"卫星雷达/中央计算雷达"即实现感知计算分离——前端将电磁信号ADC采样数据直传中央域控，与光学信号做多模态融合。承泰科技已实现中央计算架构雷达的规模化量产交付，并持续推进原始雷达数据在中央计算平台上的统一处理、模型训练和多平台适配。在此基础上，承泰进一步提出AI超级雷达架构，将天线、射频和计算模块进行解耦，使边缘AI雷达与卫星AI雷达能够共享更开放的开发基础。第一性原理：人类大脑统一处理多感官，物理AI中央处理器也应统一处理多传感器。

产品形态：若AI雷达独立处理并出结果，含前端+计算单元，即"边缘雷达"；若做多模态融合，只保留前端感知单元，信号交中央计算统一处理，即"卫星雷达"。无论哪种，只要部署AI模型做信号处理，就是AI雷达。

推动AI雷达的初心

推动AI雷达，既有理性也有情怀。理性上，雷达结合AI能做过去做不了的事，物理AI大发展必然产生大量雷达感知需求，供需相互促进；但供给端跟不上——雷达研发过去是小众行业，传统模式难度大、周期长、投入高，行业需要生力军，而开放生态恰恰能动员它。情怀上，对这门技术有感情。推动AI雷达是情怀，更是行业领军者的责任：承泰希望做长期主义者，与生态伙伴一起扩大AI与雷达行业边界。

从企业实践走向行业共建：建设AI雷达生态基座

基于近十年的毫米波雷达研发、量产于中央计算架构实践，承泰科技把推动AI雷达从概念走昂可开发、可验证、可应用，归纳为三项基本工作：建设开发开发平台、运营超级雷达社区、推动训练数据与评测协作。三折分别解决“用什么开发”“与谁交流”“用什么训练与验证”的问题。超级雷达社区是承泰发起的开发连接平台，承泰则作为技术与工程资源的首批投入者和共建者之一。

• 超级雷达开发平台。 承泰科技推出面向AI模型开发与部署的超级雷达架构和开发平台，实现天线、射频、计算三模块分离、独立替换组合，支持大算力大内存以满足模型上机部署，开放SDK、文档与示例，支持从点云读取到模型部署全流程；并进一步将前端拆分为天线模块与射频模块，三分离架构可支撑边缘与卫星两类AI雷达开发。平台基于CUDA工具链，让雷达信号处理像图像一样便捷，输出标准数据快速接入AI模型；未来将推出多厂家多算力规格计算单元。

• 开发者社区。 社区围绕AI雷达、4D成像雷达、中央计算、机器人感知等共同议题，连接芯片企业、雷达厂商、整车及机器人企业、高校和独立开发者。运营AI雷达开发者社区，聚合行业内外力量共建生态，推动点云数据格式与模型接口标准化，降低集成迁移成本。社区的公信力将来自持续产出有价值的技术内容，以及越来越多外部专家和生态伙伴的共同参与。

• AI训练数据集。 这是当前最要害的一环。有综述判断，毫米波感知下一个瓶颈不在模型架构，而在高质量数据集与标准化评测。承泰科技正在从软硬件两端推进：硬件上开发雷视融合一体机，用视频模型辅助雷达标注——以视觉长板补雷达数据短板；软件上训练雷达数据标注模型实现自动化标注，并搭建雷达标注数据开源平台，带动各方参与，提供统一标准数据集。

结语

视觉AI用十年让机器"看懂"平面世界；AI雷达将让机器"看懂"立体的物理世界——全天候、可测速、懂语义。其终极形态不是更精确的雷达，而是更聪明的雷达：不再是一台测量仪器，而是一个感知智能体——理解场景、预测行为、记忆地图、适应环境，让电磁波拥有语义、毫米波拥有智慧。当行业争论"激光雷达还是纯视觉"时，AI雷达开辟第三条道路：不是用更多传感器，而是用更智能的传感器；不是堆叠硬件，而是释放数据的全部潜能。道阻且长，行则将至。

雷峰网 雷峰网