感知+计算带来的行业变革：当4D毫米波雷达遇上GPU，感知即服务时代启幕

编者按

本文整理自承泰科技创新产品线总监邱学华在 2026 安富利智慧科技生态圈论坛开放麦环节的现场分享《感知 + 计算带来的行业变革》，我们进一步梳理了演讲中的核心观点，希望从开发者视角聊一聊：当毫米波雷达开始与中央计算、GPU 和 AI 模型结合，雷达本身正在发生什么变化？

过去十年，智能驾驶和具身智能的竞争焦点，长期集中在"传感器装了多少颗"。激光雷达线数越堆越高，摄像头视角越做越广，而毫米波雷达始终以一个"稳定但平庸"的配角身份存在——能测距、能测速，却看不清轮廓、读不懂场景。

对 SuperRadar 社区来说，我们关注的并不只是某一种雷达架构发生了变化，而是毫米波雷达的开发边界正在被重新打开。

当原始数据能够被获取、计算资源能够被调用、 AI 模型能够进入雷达处理链，开发者面对的就不再只是一颗功能已经被定义好的传感器，而是一套可以继续开发、训练和验证的感知系统。

这也是我们持续讨论 ** AI 雷达** 的原因。

一、旧范式的瓶颈：算力锁在雷达里，信息死在传输前

传统毫米波雷达的工作方式，可以概括为"端侧闭环"。每一颗雷达都自带一颗MCU或DSP，在本地完成距离维、速度维、角度维的FFT处理，再把压缩后的目标列表——往往只是几十个点——通过CAN或以太网上报给中央控制器。

这套架构在低速、简单场景下足够用，但面对城市NOA、城区Robotaxi和机器人复杂交互，三个结构性短板暴露无遗。

第一，信息在传感器内部就被压缩掉了。原始IQ数据、RD谱、RA图中蕴含着目标的微多普勒特征、横截面积分布和多径反射细节，但传统算法只提取了"距离+速度+角度"三个维度，弱目标、异形障碍、非视距物体在信号处理阶段就被丢弃。

第二，角分辨率和点云密度受限于端侧算力。要提升分辨率就要增加通道、增加运算量，而每颗雷达的功耗和成本预算只允许做最保守的处理，结果就是点云稀疏、目标轮廓模糊。

第三，算法一旦烧录就难以进化。端侧算力固定，OTA升级空间有限，传感器性能在出厂那一刻就基本定型。

行业曾试图用"堆雷达"来弥补：前向一颗远距离雷达，四角各一颗近距雷达，再叠加摄像头和激光雷达做后融合。但后融合的前提是每颗传感器先"各自看清"，一旦某颗雷达本身只输出稀疏目标，融合层再聪明也只能在残缺数据上做修补。瓶颈不在算法，而在数据从源头就不完整。

二、卫星架构：把计算从雷达里"拿出来"

破局的思路不是把雷达做得更复杂，而是把它做得更"纯粹"——让雷达前端只负责感知，把计算彻底交给中央。

这种思路已经开始进入产业实践。以承泰科技量产首发的"天穹"中央计算架构雷达为例：一颗前向雷达加四颗角雷达，前端完成射频收发和ADC采样后，自身不再做任何目标检测，所有信号处理和 AI 推理全部集中到中央控制器。

这种架构被命名为"卫星雷达"，很像卫星通信网络里的"终端只管收发、计算在枢纽"。它带来的第一个直接变化，是数据量的量级跃升。天穹卫星雷达可输入的原始高保真数据，比传统4D雷达多约100倍；配合6Gbps高带宽ADC和MIPI直连接口，分辨率提升约30倍，点云密度提升约100倍。这意味着中央计算平台第一次拿到了雷达视角下"未经损失的物理世界"。

更关键的是解耦带来的持续演进能力。雷达前端是被动器件，技术迭代慢、成本占比高；GPU/NPU是数字算力，每隔一代就能翻倍。把计算集中到中央后，雷达硬件可以长期稳定供货，而算法、模型甚至感知维度都能通过OTA持续升级——今天的雷达和明年的雷达，硬件可能一样，感知能力却判若两物。这正是软件定义汽车从口号走向落地的物理基础。

三、GPU直连：让 AI 大模型读懂射频回波

集中算力不只是"算力变大了"，更重要的是数据通路变短了。天穹雷达通过MIPI高速接口与NVIDIA GPU直连，6Gbps带宽实现原始数据无损、低延时传输，绕过了传统中间件的层层封装。这使得 AI 模型第一次可以直接接入原始IQ数据、RD谱和RA图，而不是隔着一层人工设计的特征提取器去"猜"世界。

从行业研究和包括承泰在内的产业实践来看， AI 与雷达的结合正在形成几条值得关注的技术路线：

扩散模型做"无中生有"

以雷达距离图像为输入，用预训练扩散模型补全稀疏区域、抑制噪声，生成稠密逼真的3D点云，把纸箱、塑料布这类低反射率异形障碍物的完整轮廓还原出来。

Mamba模型做端到端极速感知

直接输入原始ADC采样点序列，捕捉时空依赖，输出BEV占用网格，在极高检测精度下把延迟压到实时可用，适配自动驾驶毫秒级决策。

CNN架构做图像化超分

把RA图当作特殊图像，用U-Net等成熟CNN做超分辨率重建与智能去噪，强化远距离微弱目标识别。

当原始物理信号直达GPU，一些过去被认为"雷达做不到"的能力开始成立。

其一是微多普勒精准分类：行人肢体摆动和车辆轮胎滚动在回波频谱上有本质差异， AI 模型可以据此区分二轮车、机动车和行人，即便在雨雾沙尘中也保持稳定。

其二是NLOS非视距感知：利用环境多径反射信号重构被遮挡目标，车辆可以"看见"转角和障碍物后方的物体。这些能力不是靠堆天线堆出来的，而是靠"保留原始数据+集中算力+ AI 模型"三者共同释放的。

对于开发者来说，这种变化还有一个更直接的意义：毫米波雷达的开发入口正在继续向下打开。

过去很多雷达开发从目标列表或点云开始，而当ADC、RD、RA等更底层数据逐渐开放之后，信号处理、点云增强、目标检测、占用感知乃至端到端模型，都可以成为新的开发方向。

雷达不再只是一个被调用的"黑盒"，而开始变成一个可以持续被开发的感知平台。

维度	传统4D毫米波雷达	卫星架构 AI 雷达
数据形态	端侧处理后输出稀疏目标列表	原始IQ/RD/RA无损直连GPU
分辨率与点云	角分辨率有限，点云稀疏	约30倍分辨率提升、约100倍点云密度
算力位置	每颗雷达自带MCU，算力受限	中央GPU/NPU集中算力池，可达47TOPS以上
感知维度	距离、速度、方位、俯仰（4D）	4D + 环境语义理解（5D）
演进方式	算法烧录，升级空间小	软件定义，OTA持续迭代
融合深度	各传感器后融合	多雷达、多模态前融合

四、从4D到5D：感知价值的真正跃升

行业习惯把新雷达称为"4D雷达"——比传统雷达多了俯仰角。但真正值得关注的增量不是第五个物理坐标，而是 AI 大模型带来的"环境语义理解"这一维。

在 SuperRadar 社区对 AI 雷达的理解中，这也是 AI 带给毫米波雷达更值得关注的变化：前四个维度回答"目标在哪里、动得有多快"，新的认知维度进一步尝试回答"这是什么场景、目标想做什么"。

这里所说的"5D"，并不是增加一个新的物理坐标，而是强调雷达正在从测量进一步走向理解。

这也正是我们一直讨论的 AI 雷达：它不是简单地在雷达后面增加一个 AI 算法，而是让 AI 模型真正进入雷达的数据处理链，进一步由模型定义和扩展雷达的能力。

这一维的加入，让雷达输出从"测量结果"变成了"认知结果"。结构化空间建模把离散点云转成连续三维环境模型，识别可行驶区域；毫秒级目标分类区分汽车、行人和非机动车；动态轨迹预测提前预判横穿意图。

对自动驾驶而言，这意味着毫米波雷达不再只是视觉和激光雷达在恶劣天气下的"备份"，而是一个能独立完成风险判断的全天候感知单元。

L3/L4要规模落地，冗余不能只靠同一类传感器堆数量，必须有不同物理原理的传感器在数据层深度融合——只有中央计算架构雷达的原始数据能进入智驾核心数据层，这种冗余才真正成立。

产业侧的反馈也印证了这一点。以承泰科技的实践为例，其成为NVIDIA DRIVE平台Raw Radar合作伙伴，雷达处理方案亮相GTC 2026；配套的AIBOX基于Jetson Orin系列，提供20至275TOPS可选算力，原生支持CUDA、TensorRT与DeepStream。

这标志着"雷达原始数据→ GPU → AI 模型"这条链路，已经从样机走向量产和主流计算生态。

五、感知即服务：从卖硬件到卖感知能力

当感知能力可以被软件定义、被OTA升级、被集中调度，一个更深层的变化正在发生：感知不再是一次性交付的硬件参数，而是一种可以持续调用、持续生长的服务。这就是"感知即服务"（Sensing as a Service）的内核。

从社区和开发者的角度来看，我们更关注的并不是一种新的收费模式，而是感知能力的组织方式正在发生变化。

过去，开发者拿到的更多是一颗功能相对固定的雷达；未来，数据接口、计算能力、模型、工具链和数据集，都可能成为感知系统的一部分，开发者可以围绕具体场景继续定义最终能力。

它包含三层含义。第一层是能力随时间增值。

今天装车的卫星雷达，硬件不变，但通过OTA推送新的 AI 模型，半年后可能学会识别新的交通参与者、新的施工场景、新的异常状态。硬件采购从"买终点"变成"买起点"。

第二层是数据闭环反哺模型。

承泰针对毫米波雷达点云设计了自动化标注算法，标注精度超过92%，可替代90%以上人工标注，标注效率提升约10倍。量产车队每天回传的真实场景数据，经自动标注后进入训练集，模型越跑越准——这和云端大模型"数据飞轮"是同一个逻辑，只不过飞轮长在传感器上。

第三层是跨场景复用。

同一套"RF前端+MIPI+GPU+ AI 模型"的技术底座，不必为每个行业重做一遍。

应用场景的清单已经说明这种外溢：车载智驾是第一个战场，但同一颗 AI 超级雷达可以走进工业测高与物位监测、周界安防与闯入告警、智能家居的存在感知与呼吸心跳监测、具身智能的机器人避障与交互，以及低空经济的无人机避障与廊道路径感知。硬件是"灵活的感知矩阵"，软件定义"建模成像与 AI 理解"，算力平台承担"模型终端"——对开发者来说，拿到的不再只是一颗雷达，而是一个可以围绕数据、模型和场景继续开发的感知平台。

这也是 SuperRadar 希望持续推动的方向：让毫米波雷达从一个相对封闭的传感器，逐步变成更多开发者能够参与、验证和共建的感知平台。

六、结语：感知的边界，就是计算的边界

毫米波雷达用了几十年时间证明自己"全天候、可量产、天然测速"的价值，又用同样长的时间被"角分辨率低、点云稀疏"的标签困住。解开这个结的，不是天线阵列的局部改良，而是一次架构级的重新分工：让最靠近物理世界的部分只做感知，让最擅长学习的部分做计算。

卫星架构把原始数据无损送上GPU， AI 大模型把稀疏回波读成稠密场景，感知价值由此从"测量"跃迁至"理解"，再进一步封装为可持续演进的服务。

当感知与计算解耦又重新协同，行业真正要面对的问题已经不是"雷达能不能看清"，而是"看清之后，感知能力可以以多低的成本、多快的速度，交付给多少个场景"。

对于 SuperRadar 社区来说，我们更关注的是这场变化之后，开发者能够获得什么。

更多底层数据、更开放的接口、更丰富的模型、更完整的数据集，以及更多可以被验证的真实场景。

AI 雷达最终不会只由某一家厂商定义。

当越来越多开发者开始基于雷达数据训练模型、验证算法、构建应用，毫米波雷达才真正从一种成熟的传感器技术，变成一个持续生长的开发生态。

这也是 SuperRadar 社区希望和开发者一起推动的事情。