Un radar millimétrique 4D doté d'un NPU intégré de 10 TOPS, prenant en charge la perception IA locale, l'architecture satellite, ainsi que plusieurs modes de sortie fonctionnant en parallèle。
En termes simples, ce radar confie tout le flux, depuis la conception des antennes jusqu'à la sortie du nuage de points, au modèle. Si l'on emprunte une expression du secteur de la conduite intelligente, il est en un sens aussi « de bout en bout », et peut même continuer à améliorer ses capacités de perception via des mises à jour OTA.
Technologies familières, méthodes familières, mais une fois mises ensemble, pourquoi cela semble-t-il si étranger ?
Alors que des puces de 3 nm développant plusieurs centaines voire milliers de TOPS équipent déjà les voitures, un radar millimétrique a-t-il encore besoin de posséder son propre « cerveau » indépendant ?
En y regardant de plus près, ce n'est pas l'essai marginal d'une petite entreprise, maisYin Qiet les derniers progrès deQianli Technologyqu'il dirige.
Sur la voie de l'IA physique, derrière Qianli se trouvent également StepFun, dont Yin Qi est président du conseil d'administration, ainsi que les scénarios de véhicules complets de Geely.
En dehors des voies principales que sont la vision pure, l'intégration verticale et le développement full-stack interne, Qianli Technology ressemble davantage à une collaboration en chaîne d'une société de plateforme.
Autant y regarder de plus près : qu'en est-il exactement ?
Quel type de radar Qianli a-t-elle conçu ?
Imaginez un scénario : vous conduisez, au-dessus de vous se trouve un portique, et un véhicule est arrêté dans votre voie. Le radar millimétrique traditionnel reçoit simultanément deux échos d'intensité similaire, mais il ne peut distinguer lequel est en hauteur.
Résultat : soit il freine brusquement en prenant le portique pour un obstacle, soit il ignore complètement le véhicule arrêté en le prenant pour une structure en surplomb. C'est le vieux défaut du radar millimétrique 3D le plus classique : il maîtrise la mesure de distance et de vitesse, mais il lui manque simplement la dimension « haut-bas ».
C'est précisément cette dimension que comble le radar 4D : avec l'ajout de l'angle d'élévation, le radar peut fournir des informations sur quatre dimensions — distance, vitesse, azimut et altitude — et le nuage de points passe d'une surface plane à un volume en trois dimensions.
La première étape du radar IA de Qianli consiste justement à combler cette dimension cruciale. Mais avec l'augmentation du nombre de canaux et du volume d'informations, la charge du traitement du signal grimpe : les garde-corps, tunnels, ponts, sol et ciel, ces éléments fortement réfléchissants, introduisent une grande quantité de clutter dans les échos.
Les solutions traditionnelles reposant sur des seuils fixes et des règles manuelles rencontrent facilement quatre types de problèmes dans cet environnement : images fantômes par trajets multiples, interférences de clutter, perte de cibles faibles et séparation insuffisante des cibles multiples. La fiche technique du capteur est belle, mais sur la route, les fausses alertes et les cibles perdues restent au rendez-vous.
Pendant longtemps, le potentiel matériel du radar 4D est resté bloqué au stade du traitement, sans pouvoir être exploité.
La solution de Qianli Technology consiste à introduire les algorithmes dès la phase de conception des réseaux d'antennes et des formes d'onde, puis à remplacer les étapes clés — détection du nuage de points, mesure d'angle, amélioration du nuage de points, suivi et classification des cibles — par des modèles pilotés par les données, réduisant la dépendance aux règles manuelles et aux seuils empiriques.
L'IA de ce radar intervient dès le tout début de la génération du signal et se poursuit jusqu'au bout de la chaîne, jusqu'à la compréhension de l'environnement.
Par rapport au radar 4D de la génération précédente de Qianli, qui reposait sur un calcul DSP embarqué, la densité du nuage de points est multipliée par 10, la portée de détection augmentée de 40 %, l'élimination des images fantômes portée à 95 %, et la résolution angulaire spatiale multipliée par 12.
Voici ensuite l'aspect le plus sous-estimé de ce radar : il prend en charge trois modes de fonctionnement. En mode embarqué (edge), l'écho parcourt l'ensemble de la chaîne, de l'échantillonnage ADC au suivi et à la classification des cibles, directement côté radar ; l'NPU héberge des modèles tels que l'AI Detector, la mesure d'angle assistée par IA et l'amélioration du nuage de points par IA, et le radar produit directement des résultats de perception structurés. L'avantage est une chaîne locale courte et une réponse rapide, ce qui réduit la charge de calcul et de communication côté domaine controller — adapté aux plateformes nécessitant des interfaces de niveau cible matures ou des capacités de perception distribuée.
En mode architecture satellite, le radar se concentre sur l'acquisition en amont et la transmission à haut débit, et confie des données plus proches du signal brut à l'ADCU ou au domaine central pour un traitement unifié ; la plateforme centrale peut alors utiliser des modèles plus vastes pour un alignement spatio-temporel plus en amont et un raisonnement global sur des sources multiples, caméra et radar millimétrique notamment.
Le troisième est le mode de compatibilité : il fait les deux travaux en même temps.
Les données RAW les plus brutes du radar sont envoyées directement au SOC pour traitement et fusion, tandis que le processeur embarqué du radar effectue lui-même un traitement complet en parallèle.
Pourquoi faire tout deux fois ? Parce que ces deux tâches opèrent sur des échelles de temps différentes.
Le modèle central veut des échos bruts non traités : pour une pré-fusion multi-sources, il a besoin d'une précision d'alignement à la milliseconde et d'un maximum de détails du signal ; il est donc naturellement plus lent, avec une chaîne plus longue. Mais la couche d'exécution du véhicule ne peut pas attendre ce rythme : le freinage et l'alerte exigent une conclusion immédiatement exploitable, la rapidité prime sur l'exhaustivité.
L'une veut « tout voir au maximum », l'autre veut « donner tout de suite » : ces deux besoins ne peuvent pas être mis en série, ils ne peuvent que fonctionner en parallèle. Par le passé, quand le secteur parlait de double mode, cela se résumait généralement en deux mots : « redondance de sécurité », c'est-à-dire que si le système central venait à défaillir, le radar pourrait prendre le relais tout seul.
Mais le rôle de « filet de sécurité » désigne une prise en charge en cas de panne, tandis que les deux échelles de temps décrivent la situation normale où chaque partie a ses propres tâches ; c'est cette dernière qui constitue le véritable poids de cette conception.
Derrière cela se pose une question naturelle : quels besoins de calcul IA doivent être placés dans le radar, et lesquels doivent continuer à être traités par le contrôleur de domaine central ?
Le modèle, comment change-t-il le radar ?
Le point de départ du changement, ce sont les exigences de la conduite autonome elle-même qui ont évolué.
L'évolution du niveau L2 vers les niveaux L3 et L4 — pluie et brouillard, contre-jour, nuit, forts reflets, traversée de flux de véhicules, obstacles statiques — exige de la perception non seulement de « voir », mais aussi de « voir clairement, juger avec précision et réagir vite ».
Pour répondre à ces scénarios, la fusion amont multi-capteurs est devenue un passage incontournable ; elle nécessite non seulement des capteurs plus sensibles, mais aussi des formes de données qui préservent davantage d'informations brutes et peuvent être comprises de manière unifiée par les modèles. Cela soulève un nouveau problème.
La densité des nuages de points des radars 4D est passée de quelques dizaines de points par seconde pour les radars traditionnels à des dizaines de milliers, voire 100,000 points par seconde ; dans l'architecture satellite, le volume de données brutes en entrée peut être environ 100 fois supérieur à celui d'un radar 4D traditionnel, avec une bande passante ADC portée à 6 Gbps.
Le nombre de capteurs des modèles de conduite intelligente grand public dépasse 30, générant chaque jour plus de 10 TB de données : la plateforme de calcul central fait face à un fleuve au débit en pleine explosion.
Ainsi, même dans le seul but de réduire la latence de sortie des modèles de conduite intelligente et d'exploiter efficacement la puissance de calcul centrale, il faut confier le prétraitement des données — une tâche spécialisée — à des spécialistes, plutôt que de tout refouler vers le backend.
Il ne suffit plus que le radar réponde, comme avant, à la question « quelles cibles ont été détectées » ; il doit aussi répondre à « sous quelle forme, et avec quelle quantité d'informations utiles, les transmettre au modèle du backend ».
Certains pourraient objecter que les radars d'antan n'avaient-ils pas toujours un module de traitement des données embarqué ?
La différence réside dans celui qui écrit les règles. Le radar 4D traditionnel juge au moyen de seuils fixes et de règles manuelles ; les règles sont écrites par des humains, et les humains ne peuvent noter que les situations auxquelles ils ont pensé. Face à un corner case jamais vu, la base de règles ne fournit aucune réponse, et le système ne peut que réagir de la manière la plus conservatrice : freiner à tort ou laisser passer. Chaque nouvelle catégorie de situation impose de redéfinir, recalibrer et revalider, ce qui prend plusieurs mois par cycle.
Avec l'IA, la nature de ce problème change. Le modèle apprend les régularités à partir des données et, face à des combinaisons jamais apparues à l'entraînement, il peut néanmoins porter un jugement en s'appuyant sur les caractéristiques déjà apprises, sans attendre qu'une nouvelle règle soit écrite. Le cycle d'un problème de longue traîne — collecte, retour des données, entraînement, publication — passe d'un compte en mois à un compte en semaines, voire moins.
La première chose que Qianli Technology a faite est d'intégrer le calcul IA à l'intérieur du radar, afin que le capteur traite lui-même les données collectées à un niveau plus profond et produise directement des résultats structurés. La seconde est de décider comment livrer après le calcul, c'est-à-dire les trois modes évoqués plus haut : combien de tâches conserver dans le capteur, combien de données transmettre au calcul central, configurés selon la plateforme et le niveau fonctionnel.
La distinction entre les trois architectures peut s'apprécier selon trois axes : le niveau fonctionnel, l'architecture EE, le coût et le contrôle.
La sortie au niveau cible s'adosse à l'aide à la conduite classique et aux architectures EE distribuées, sensibles aux coûts ; l'architecture satellite démarre au niveau L2+ et devient un choix incontournable face aux besoins de fusion amont des niveaux L3/L4, car seuls les envoi des données brutes vers le calcul central permet aux échos radar millimétriques d'être fusionnés au niveau des caractéristiques avec les caractéristiques d'image dans un espace BEV unifié.
La véritable frontière d'ingénierie se situe dans la bande passante et les capacités de la plateforme : sans puissance de calcul du domaine contrôleur ni interfaces haut débit, l'architecture satellite perd sa base physique de déploiement ; si le niveau fonctionnel reste à L2 sans besoin réel de fusion amont, payer le coût de transmission et de calcul des données brutes ne se justifie pas dans le cahier des charges de la production de masse.
Le radar de Qianli conserve simultanément les trois voies, correspondant précisément à la période de transition des plateformes véhicules du distributed vers le centralisé, où une même gamme de matériel doit trouver sa place sur différents modèles et différents niveaux fonctionnels.
Le mode de compatibilité est particulier dans cette analyse : il occupe deux lignes à la fois — les plateformes n'ayant pas achevé leur centralisation peuvent utiliser directement le résultat côté edge, tandis que les plateformes disposant déjà d'une puissance de calcul du domaine peuvent recevoir les données RAW en central pour la fusion amont. En période de transition, c'est précisément ce « branchable des deux côtés » qui vaut le plus.
Par exemple, le radar IA de Qianli offre une distance de détection stable d'un enfant immobile de 100 à 150 mètres, ce qui signifie que pour les scénarios de traversée d'enfant et de « ghost pedestrian », il peut offrir à l'AEB une fenêtre de réaction plus longue.
Le post-traitement IA et la modélisation des caractéristiques multi-trajets éliminent environ 95 % des fantômes et fausses alertes, et l'amélioration du nuage de points 4D aide en outre à juger de l'espace praticable.
La boucle d'IA physique de Yin Qi
Pour le radar IA de Qianli Technology, la logique la plus profonde est que « la teneur en modèles » commence à remodeler les capteurs sous-jacents.
En s'enfonçant dans l'intégration matériel-logiciel, toute la R&D du capteur a changé : des antennes à guide d'ondes, à la frontale RF, au SoC/NPU, en passant par les schémas de modulation, jusqu'aux modèles et à la boucle de données, tout est conçu de manière coordonnée. En surface, c'est une mise à niveau matérielle ; en substance, le capteur passe de « rapporteur au niveau cible » à « collaborateur au niveau des caractéristiques ».
L'IA-isation du radar n'est pas une option : le côté perception est la porte d'entrée des données et de l'intelligence, et le radar millimétrique est incontournable sur ce chemin.
Dès ses débuts, Yin Qi a fait de « l'IA + terminaux physiques » un credo de fond : la caméra 3D est le pont reliant le monde numérique et le monde physique, l'AIoT est « IA + IoT + espace », et la structure organisationnelle a été volontairement orientée vers l'association matériel-logiciel.
Mais le dilemme de l'IA 1.0 résidait dans le fait qu'il y avait une profondeur algorithmique, mais pas de terminal à grande échelle générant continuellement des retours réels ; la boucle ne s'est jamais véritablement refermée. C'est pourquoi il a dit plus tard : « la gloire qui ne boucle pas n'est que passagère ».
La combinaison de Qianli et de StepFun comble le côté qui manquait toujours au credo. L'essentiel réside dans les entrées homologues de pré-entraînement du « modèle de base natif » : corpus général et données réelles de perception et de contrôle de la conduite intelligente sont ingérés ensemble, de sorte que le modèle de base naît avec une structure cognitive en trois dimensions et en séries temporelles.
Yin Qi dirigeant simultanément les deux entreprises, le fossé habituel entre société de modèles et société de terminaux est comblé, et le cycle « le cerveau définit ce que le terminal produit, le terminal nourrit ce que le modèle apprend » tourne sous une même gouverne.
C'est l'extension en amplitude du concept d'IA + terminaux physiques, et c'est aussi la voie alternative à la vision pure, à l'intégration verticale et au full-stack autonome.
L'expression « IA + terminaux physiques » connaît des formulations similaires dans le secteur, mais les discussions restent pour la plupart au niveau de « l'IA comme facilitateur », estimant que l'IA modifie les flux de tâches et apporte une valeur de présentation de l'information plus automatisée.
Partir de l'itération du paradigme des modèles pour transformer les capteurs sous-jacents et l'architecture de calcul, voilà ce qui mérite le plus d'attention dans cette tentative de Qianli.
Avant, on demandait « ce que l'on voulait que le radar voie » ; désormais, on raisonne à rebours depuis la perspective des modèles d'IA et des agents : quelles tâches ce système doit-il accomplir dans le monde physique, sous quelle forme d'information, à quelle distance utile, avec quelle capacité de résolution.
Cela élimine à la racine les interférences dues à la « perspective humaine » et à « l'inertie paradigmatique ».
L'IA numérique progresse grâce à des paramètres massifs et à des données quasi disponibles à volonté.
Mais à ce stade, le plafond de l'IA physique est déterminé par la vitesse de la boucle de données réelles et par la densité des données de haute qualité. C'est pourquoi cette seule tentative confère déjà à Qianli Technology une valeur unique difficile à remplacer.