Ein 4D-Millimeterwellen-Radar mit integriertem 10-TOPS-NPU, Unterstützung für lokale KI-Wahrnehmung, Satellitenarchitektur sowie mehrere parallele Ausgabemodi。
Um es verständlich zu sagen: Bei diesem Radar wird die gesamte Kette von der Antennenkonstruktion bis zur Punktwolkenausgabe dem Modell überlassen. Wenn man einen Begriff aus der Branche des intelligenten Fahrens lehnt, ist es in gewissem Sinne ebenfalls „End-to-End“, und die Wahrnehmungsfähigkeit lässt sich sogar per OTA kontinuierlich upgraden.
Vertraute Technik, vertrautes Vorgehen – aber zusammen wirkt das irgendwie so fremd?
3-nm-Chips mit mehreren hundert oder über tausend TOPS sind bereits im Auto angekommen – braucht ein Millimeterwellen-Radar dann überhaupt noch ein eigenes „Gehirn“?
Bei genauerem Hinsehen ist das kein Randversuch irgendeines kleinen Unternehmens, sondern derYin Qineueste Fortschritt von ihm und dem von ihm geführtenQianli Technology.
Auf dem Weg des physikalischen KI steht hinter Qianli zudem StepFun, dessen Vorsitzender Yin Qi ist, sowie das Fahrzeug-Szenario von Geely.
Abgesehen von den gängigen Routen Reinvision, vertikale Integration und Full-Stack-Eigenentwicklung ist Qianli Technology eher als kettenartige Synergie einer Plattform-Firma zu verstehen.
Umso mehr muss man sich das ansehen: Worum geht es eigentlich genau?
Was für ein Radar hat Qianli entwickelt?
Stellen wir uns ein Szenario vor: Sie fahren, über Ihnen vorne ist ein Torbogen (Gantry), und in der Fahrspur steht ein Auto. Ein klassisches Millimeterwellen-Radar empfängt zwei Echos mit ähnlicher Stärke, kann aber nicht unterscheiden, welches höher und welches niedriger ist.
Dann bremst es entweder wegen des Torbogens als Hindernis scharf oder ignoriert das stehende Auto einfach als Overhead-Struktur. Das ist der alte Makel des klassischen 3D-Millimeterwellen-Radars: Distanzmessung und Geschwindigkeitsmessung beherrscht es gut, nur die Dimension „oben-unten“ fehlt.
Genau diese Dimension ergänzt der 4D-Radar: Mit dem hinzugekommenen Elevationswinkel kann das Radar Informationen in vier Dimensionen ausgeben – Distanz, Geschwindigkeit, Azimut und Höhe –, und die Punktwolke wird von flächiger Ausbreitung zu einem räumlichen Gebilde.
Den ersten Schritt von Qianlis KI-Radar bildet genau diese entscheidende Dimension. Doch mit mehr Kanälen und Informationsmenge wächst auch die Last der Signalverarbeitung: Stark reflektierende Objekte wie Leitplanken, Tunnel, Brücken, Boden und Himmel mischen viel Clutter in die Echos.
Frühere konventionelle Ansätze, die auf festen Schwellwerten und manuellen Regeln basierten, neigen in solchen Umgebungen zu vier Problemklassen: Mehrweg-Geisterbilder, Clutter-Störungen, Verlust schwacher Ziele und unzureichende Trennung Mehrerer Ziele. Das Datenblatt des Sensors sieht großartig aus, aber auf der Straße wird weiterhin falsch gewarnt, wo Fehlalarm ist, und Ziele gehen verloren, wo sie verloren gehen.
Das Hardwarepotenzial des 4D-Radars ließ sich lange Zeit nicht freisetzen, weil es an der Verarbeitung hakte.
Qianli Technologys Lösung: Schon in der Designphase von Antennenarray und Wellenform werden Algorithmen einbezogen, und dann werden in zentralen Schritten wie Punktwolkendetektion, Winkelmessung, Punktwolkenverbesserung, Zielverfolgung und -klassifizierung datengetriebene Modelle eingesetzt, um die Abhängigkeit von manuellen Regeln und经验 Schwellwerten zu reduzieren.
Die KI dieses Radars greift ganz am Anfang der Signalerzeugung ein und durchzieht bis zum Ende des Umgebungverständnisses die gesamte Kette.
Verglichen mit dem 4D-Radar der vorherigen Generation von Qianli mit DSP-Berechnung am Gerät wurde die Punktwolkendichte um das 10-fache erhöht, die Detektionsreichweite um 40 % verbessert, die Geisterbildentfernung auf 95 % gesteigert und die räumliche Winkelauflösung um das 12-fache erhöht.
Als Nächstes der Teil dieses Radars, der am ehesten unterschätzt wird: Er unterstützt drei Betriebsmodi. Im Edge-Modus durchläuft das Echo im Radar die gesamte Kette von der ADC-Abtastung bis zur Zielverfolgung und -klassifizierung; auf der NPU sind Modelle wie AI Detector, KI-unterstützte Winkelmessung und KI-Punktwolkenverbesserung deployt, und das Radar gibt direkt strukturierte Wahrnehmungsergebnisse aus. Der Vorteil: kurzer lokaler Pfad, schnelle Reaktion, geringere Rechen- und Kommunikationslast auf der Domain-Control-Seite – geeignet für Plattformen, die ausgereifte Zielobjekt-Schnittstellen oder verteilte Wahrnehmungsfähigkeiten benötigen.
Im Satellitenarchitektur-Modus konzentriert sich das Radar auf Frontend-Erfassung und Hochgeschwindigkeitsübertragung und übergibt daten näher am Rohsignal an die ADCU oder zentrale Domain-Steuerung zur einheitlichen Verarbeitung; die zentrale Plattform kann mit größeren Modellen Kamera-, Millimeterwellen-Radar- und andere Multi-Quellen-Informationen bereits in früheren Phasen räumlich-zeitlich ausrichten und global schließen.
Der dritte ist der Kompatibilitätsmodus: beide Aufgaben gleichzeitig.
Die RoDaten des Radars werden direkt an den SOC zur Verarbeitung und Fusion übergeben, während der Edge-Prozessor im Radar dieselbe Verarbeitung unabhängig durchführt.
Warum sollte man alles zweimal machen? Weil diese beiden Aufgaben unterschiedliche Zeitskalaten benötigen.
Das zentrale Modell will die unverarbeiteten Rohechos; es möchte Multi-Quellen-Frühhfusion betreiben und braucht Millisekunden-genue Ausrichtung und möglichst vollständige Signaldetails – naturgemäß langsamer und mit längerem Pfad. Doch die Ausführungsebene im Auto kann auf diesen Rhythmus nicht warten: Bremsen und Warnungen brauchen sofort verwertbare Ergebnisse – schnell ist wichtiger als vollständig.
Das eine will „möglichst alles sehen“, das andere „sofort liefern“ – diese beiden Anforderungen lassen sich nicht in eine Kette bringen, sie müssen parallel laufen. Wenn die Branche früher von Dual-Mode sprach, ging es meist um die vier Worte „Sicherheitsredundanz“, also: falls das zentrale System einmal ausfällt, kann das Radar selbst abfangen.
Aber „Auffangfunktion“ bedeutet, bei einem Ausfall einzuspringen, während die beiden Zeitskalen bedeuten, dass im Normalbetrieb jede Seite ihre eigenen Aufgaben hat – letzteres ist die eigentliche Bedeutung dieses Designs.
Daher ergibt sich ganz natürlich die Frage: Welche Teil des KI-Rechenbedarfs muss in den Radar integriert werden, und welcher muss in der zentralen Domänensteuerung zur Verarbeitung verbleiben?
Modelle – wie verändern sie den Radar?
Der Ausgangspunkt der Veränderung ist, dass sich die Anforderungen des intelligenten Fahrens selbst geändert haben.
Bei der Entwicklung von L2 zu L3 und L4 verlangen Szenarien wie Regen und Nebel, Gegenlicht, Nachtfahrten, starke Reflexionen, querende Verkehrsströme und stationäre Hindernisse von der Wahrnehmung nicht nur „etwas sehen“, sondern auch „klar erkennen, präzise beurteilen und schnell reagieren“.
Um diese Szenarien zu erfüllen, ist die Early-Fusion mehrerer Sensoren ein unausweichlicher Weg. Sie erfordert nicht nur empfindlichere Sensoren, sondern eine Datenform, die mehr Originalinformationen bewahrt und vom Modell einheitlich verstanden werden kann. Damit entsteht ein neues Problem.
Die Punktdichte von 4D-Radar springt von einigen Dutzend Punkten pro Sekunde bei klassischem Radar auf Zehntausende oder sogar 100,000 Punkte pro Sekunde; bei der Satellitenarchitektur kann die Menge der eingegebenen Rohdaten etwa 100-mal höher sein als bei herkömmlichen 4D-Radaren, mit einer ADC-Bandbreite von 6Gbps.
Die Zahl der Sensoren in gängigen Fahrzeugen mit intelligentem Fahren übersteigt 30, und die täglich erzeugte Datenmenge liegt über 10TB – mit genau einem solchen Fluss plötzlich anschwellenden Datenverkehrs sieht sich die zentrale Rechenplattform konfrontiert.
Deshalb muss man, selbst wenn es nur darum geht, die Ausgabeverzögerung der Modelle für intelligentes Fahren zu senken und die zentrale Rechenleistung effizient zu nutzen, professionelle Aufgaben wie die Datenvorverarbeitung Profis überlassen statt alles an das Backend zu schieben.
Es reicht nicht mehr, dass das Radar wie früher nur beantwortet, „welches Ziel erfasst wurde“; es muss auch beantworten, „in welcher Form und mit wie viel effektiver Information es dem Backend-Modell etwas übergeben kann“.
Manche mögen einwenden: Gab es in früheren Radarprodukten nicht schon immer datenverarbeitende Module auf der Edge-Seite?
Der Unterschied liegt darin, wer die Regeln geschrieben hat. Klassische 4D-Radare treffen Entscheidungen über feste Schwellenwerte und manuelle Regeln; die Regeln wurden von Menschen geschrieben, und Menschen können nur Fälle niederschreiben, die ihnen eingefallen sind. Bei einem nie dagewesenen Corner Case gibt die Regelbibliothek keine Antwort, und das System kann nur auf die konservativste Weise reagieren – entweder falsch bremsen oder etwas übersehen. Bei jeder neuen Art von Situation muss neu definiert, neu kalibriert und neu validiert werden, was einen Zyklus von mehreren Monaten bedeutet.
Durch die KI-Verwandlung ändert sich das Wesen dieser Sache. Das Modell lernt Muster aus den Daten; bei im Training nicht vorgekommenen Kombinationen kann es dennoch auf Basis bereits gelerter Merkmale urteilen, ohne auf eine neue Regel warten zu müssen. Der Zyklus eines Long-Tail-Problems – von Erfassung, Rückfluss und Training bis zur Auslieferung – verkürzt sich von monaten- auf wochenweise oder sogar noch kürzer.
Das erste, was Qianli Technology tat, war, KI-Berechnung in das Radar-Innere zu verlagern, sodass der Sensor seine eigenen erfassten Daten auf eine tiefere Ebene verarbeitet und direkt strukturierte Ergebnisse ausgibt. Das zweite war die Entscheidung, wie das Ergebnis nach der Berechnung geliefert wird – also die zuvor genannten drei Modi: wie viel Aufgabe im Sensor bleibt und wie viele Daten an die Zentrale übergeben werden, je nach Plattform und Funktionsebene konfiguriert.
Die Unterscheidung der drei Architekturen lässt sich entlang von drei Linien betrachten: Funktionsebene, EE-Architektur sowie Kosten und Kontrolle.
Die zielbasierte Ausgabe richtet sich an gewöhnliches Fahrerassistenzsysteme und verteilte EE-Architekturen und ist kostenempfindlich; die Satellitenarchitektur startet ab L2+ und wird unter den Early-Fusion-Anforderungen von L3/L4 zu einer zwingenden Wahl, denn nur wenn Rohdaten zur Zentrale gelangen, haben mm-Wellen-Echos die Chance, mit Bildmerkmalen auf Merkmalsebene in einem einheitlichen BEV-Raum fusioniert zu werden.
Die eigentliche technische Grenze liegt bei Bandbreite und Plattformfähigkeit: Reichen die Rechenleistung des Domänencontrollers und die Hochgeschwindigkeitsschnittstellen nicht aus, verliert die Satellitenarchitektur die physische Grundlage für die Umsetzung; bleibt die Funktionsebene bei L2 stehen und besteht kein echter Bedarf an Early Fusion, rechtfertigen sich die Übertragungs- und Rechenkosten für Rohdaten in der Serienrechnung nicht.
Das Radar von Qianli bewahrt gleichzeitig alle drei Pfade, was genau dem Übergang der Fahrzeugplattformen von verteilter zu zentraler Architektur entspricht, in dem dieselbe Hardware in verschiedenen Fahrzeugmodellen und auf verschiedenen Funktionsebenen einen Platz finden muss.
Der Kompatibilitätsmodus nimmt in dieser Analyse eine Sonderstellung ein: Er besetzt zwei Linien zugleich. Plattformen, die die Zentralisierung noch nicht abgeschlossen haben, können das Edge-seitige Ergebnis direkt nutzen; Plattformen mit Domänencontroller-Rechenleistung können die RAW-Daten zur Zentrale für Early Fusion weiterleiten. In der Übergangsphase ist genau dieses „an beiden Enden anschließbar“ am wertvollsten.
Ein Beispiel: Die stabile Erfassungsreichweite des Qianli-AI-Radars für stehende Kinder beträgt 100 bis 150 Meter, was bedeutet, dass in Szenarien wie querenden Kindern oder „Geist-Erschreckern“ der AEB ein längeres Reaktionsfenster geboten werden kann.
Die KI-Nachverarbeitung und die Mehrwegeffekt-Merkmalsmodellierung eliminieren Geisterbilder und Fehlalarme um etwa 95 %, und die 4D-Punktwolken-Verstärkung kann zusätzlich bei der Beurteilung des befahrbaren Raums helfen.
Yin Qis Physical-AI-Kreislauf
Die Grundlogik des AI-Radars von Qianli Technology ist, dass die „Modellhaltigkeit“ die zugrundeliegenden Sensoren neu formt.
Mit dem tiefen Eintauchen in die Software-Hardware-Einheit hat sich auch die gesamte Sensorentwicklung verändert: Von der Wellenleiterantenne, der RF-Frontend-Technik, dem SoC/NPU und dem Modulationsverfahren bis hin zum Modell und dem Datenkreislauf wird alles kooperativ entworfen. Oberflächlich ein Hardware-Upgrade, im Wesentlichen wandelt sich der Sensor vom „zielbasierten Berichterstatter“ zum „merkmalbasierten Kollaborateur“.
Die KI-Verwandlung des Radars ist keine Option, denn die Wahrnehmungsseite ist der Eintrittspunkt für Daten und Intelligenz – der mm-Wellen-Radar kommt auf diesem Weg nicht vorbei.
Schon früh verankerte Yin Qi „KI + physisches Endgerät“ als Grundüberzeugung: Die 3D-Kamera ist die Brücke zwischen digitaler und physischer Welt, AIoT ist „AI+IoT+Raum“, und die Organisationsform wurde bewusst als software-hardware-orientiert aufgebaut.
Doch das Dilemma von AI 1.0 bestand darin, dass zwar algorithmische Tiefe vorhanden war, aber ein Endgeräteträger fehlte, der in großem Maßstab und kontinuierlich echte Rückmeldungen erzeugt – der Kreislauf schloss sich nie wirklich. Später sagte er deshalb: „Glanz, der sich nicht schließt, ist nur vorübergehend.“
Die Kombination aus Qianli und StepUp füllt die Seite, die der Überzeugung stets fehlte. Entscheidend sind die vortrainierten, quellengleichen Eingaben des „nativ basalen Modells“: Allgemeine Korpora und echte Daten aus Wahrnehmung und Regelung im intelligenten Fahren werden zusammen eingespeist, sodass das Basismodell von Geburt an kognitive Strukturen für dreidimensionalen Raum und Zeitreihen besitzt.
Da Yin Qi beide Unternehmen zugleich führt, wird die sonst übliche Kluft zwischen Modell- und Endgeräteunternehmen geschlossen: Der Kreislauf „das Gehirn bestimmt, was das Endgerät ausgibt; das Endgerät gibt zurück, was das Modell lernt“ dreht sich unter derselben Führungskraft.
Dies ist die Erweiterung der Idee „KI + physisches Endgerät“ in die Breite – jener Weg jenseits von Pure Vision, vertikaler Integration und eigenständigem Full-Stack-Development.
Für den Begriff „KI + physisches Endgerät“ gibt es in der Branche ähnliche Formulierungen, doch die Diskussion bleibt meist auf der Ebene von „KI-Ermächtigung“ stehen: KI verändere den Aufgabenablauf und biete den Wert einer automatisierteren Informationsdarstellung.
Aus der Iteration des Modellparadigmas heraus die zugrundeliegenden Sensoren und Rechenarchitekturen zu verändern – das ist der Teil dieses Qianli-Versuchs, der sich am meisten zu beachten lohnt.
Früher dachte man: „Was sollen die Menschen, dass das Radar sieht?“ Heute rückwärts aus der Sicht des KI-Modells und der Agenten gefragt: Welche Aufgabe soll dieses System in der physischen Welt erfüllen, welche Informationsform braucht es, welche effektive Reichweite, welches Auflösungsvermögen?
Damit werden Störungen, die aus der „menschlichen Perspektive“ und der „Paradigmenträgheit“ entstehen, an der Wurzel ausgeblendet.
Die digitale KI steigt dank riesiger Parameterzahlen und fast mühelos verfügbarer Daten auf.
Derzeit wird die Obergrenze der physischen KI jedoch von der Geschwindigkeit des echten Datenkreislaufs und der Dichte hochwertiger Daten bestimmt. Schon der Versuch allein verleiht Qianli Technology daher einen schwer ersetzbaren, einzigartigen Wert.