承泰科技CTO周珂：AI雷达正从概念走向产业落地，Model-Defined Radar成新一代开发范式

事件概述

承泰科技CTO周珂发文指出，AI雷达的时代已经到来。所谓AI雷达，即支持AI模型部署、由模型定义功能的雷达（Model-Defined Radar, MDR）。传统雷达依靠工程师将人工算法写入固件、出厂即定格；AI雷达则由可训练、可迭代的AI模型定义功能，支持持续升级。周珂认为，AI雷达不仅是技术升级，更代表毫米波雷达从封闭走向开放的开发范式变革。

核心信息

传统雷达与AI雷达的本质差异

传统雷达遵循级联信号处理链（ADC采样、2D-FFT、CFAR检测、DOA测角、聚类、跟踪、分类），每一级都基于对物理世界的简化假设，逐级丢失信息并累积误差。AI雷达则直接从原始信号中学习最优表征，追求全局最优。类比网络领域的SDN、汽车领域的SDV，雷达正从SDR（软件定义雷达）演进为MDR（模型定义雷达）。

4D成像雷达与AI雷达的关系

两者并非同一概念：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。4D高清数据为AI模型提供训练基础，AI模型则让高清数据产生实际价值。

AI雷达兴起的三大技术拐点

• 数据拐点：毫米波雷达探测精度与分辨率数量级提升，点云达每帧数千至数万点，数据量接近激光雷达。
• 算力拐点：雷达本体内存与算力提升千百倍，可端侧部署模型；同时汽车从分布式ECU走向中央计算+区域控制架构，中央计算单元提供数百乃至上千TOPS算力，支持多节点原始数据融合处理。
• 算法拐点：AI技术平民化、开源工具链成熟，GPT、ViT、Occupancy Network等证明端到端学习在感知任务上的优势，向雷达数据域迁移路径清晰。

从学术探索到产业爆发

学术界已有先行案例：卡内基梅隆用100万帧原始雷达数据预训练出毫米波雷达基础模型；谷歌Soli将毫米波雷达用于手机隔空操控；有学者用雷达无接触测出心电信号。但周珂强调，学术演示到产业爆发之间还隔着数据、工具和生态基础设施。

AI雷达的核心能力

1. 信息利用：从仅使用人工特征扩展到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。
2. 角分辨率：通过超分辨学习突破物理孔径限制，提升数倍，有利于小目标检测。
3. 输出升维：从输出“点目标”升级为输出“语义实体”，如识别“一辆正在减速的轿车”或“预计1.2秒后进入车道的奔跑儿童”。
4. Free Space可通行区域：区分低矮障碍与路面起伏、识别积水结冰，在恶劣天气下绘制可通行走廊。
5. 语义SLAM：将回波纹理编码为语义路标，在GPS拒止环境实现高精度定位和语义地图实时演化。
6. 工程效率：从人工调参（以周计）转为数据驱动训练（以天计），新增功能通过迁移学习即可实现。

软硬件解耦与开放生态

AI雷达的落地依赖软硬件解耦：软件与模型开发者面向应用独立开发，硬件由专业厂家提供，形成类似PC产业的分层分工。过去研发雷达需同时具备硬件、软件、射频、算法能力，解耦后更多团队与个人可参与雷达开发。

开发模式的三阶段演进

• 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。
• 中级：模型上机部署，直接在雷达内置计算单元部署模型，集成度更高、成本更低。
• 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。

值得关注

在产品形态上，周珂区分了“边缘雷达”（前端+计算单元独立处理）与“卫星雷达”（仅保留前端感知单元，信号交中央计算统一处理）两种路径。承泰科技已实现中央计算架构雷达的规模化量产交付，并提出AI超级雷达架构，将天线、射频和计算模块解耦，支撑两类AI雷达开发。同时，承泰科技正在推进三项基础设施建设：超级雷达开发平台、开发者社区（超级雷达社区）、AI训练数据集。在数据集方面，公司正开发雷视融合一体机，以视频模型辅助雷达标注，并计划搭建雷达标注数据开源平台。周珂判断，毫米波感知的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。