Qianli выпустила 4D-радар со встроенным NPU: сенсор получил собственный мозг

Компания Qianli Technology, которую возглавляет Ин Ци, представила 4D-миллиметровый радар со встроенным NPU на 10 TOPS. Звучит как очередная железка для умных машин, но за этими цифрами скрывается куда более интересный сдвиг: радар впервые получил собственный «мозг», а вся цепочка — от антенны до облака точек — отдана моделям. Иными словами, сенсор если не полностью, то очень близко подошёл к тому, что в индустрии автономного вождения называют сквозным обучением. Более того, восприятие радара можно улучшать удалённо через OTA-обновления.

На первый взгляд возникает резонный вопрос: зачем миллиметровому радару отдельный вычислитель, если на борт уже ставят 3-нанометровые чипы с сотнями и тысячами TOPS? Однако речь идёт не о маргинальной попытке маленького стартапа, а о свежем проекте Qianli Technology, за которым стоят Ин Ци, а также StepFun, где он занимает пост председателя совета директоров, и автомобильные сценарии Geely. На фоне господствующих подходов — чисто визуального восприятия, вертикальной интеграции и полностью собственной разработки — Qianli выглядит как платформенная компания, выстраивающая цепочную синергию.

Чтобы понять суть, стоит представить типичную дорожную ситуацию: машина приближается к надземной раме путепровода, а в полосе стоит автомобиль. Классический 3D-радар получает два отражённых сигнала примерно одинаковой интенсивности и не может определить, какой из объектов выше. Итог — либо резкое торможение перед рамой, либо игнорирование реальной машины как конструкции над дорогой. Старые радары отлично измеряют дальность и скорость, но им не хватает вертикального угла. 4D-радар добавляет четвёртое измерение — высоту, и облако точек из плоского превращается в объёмное. Именно этот ключевой параметр и восполнила новинка Qianli.

Однако с ростом числа каналов и объёма информации резко возрастает нагрузка на обработку сигналов. Отбойники, тоннели, мосты, поверхность дороги и небо дают сильные отражения и порождают массу шумов. Прежние решения с фиксированными порогами и ручными правилами в такой среде страдают от четырёх типов проблем: многолучевых фантомов, помех, потери слабых целей и недостаточного разделения нескольких объектов. Характеристики сенсора в паспорте выглядят красиво, но на реальной дороге он продолжает ошибаться и терять цели. Аппаратный потенциал 4D-радара долгое время не мог раскрыться именно на этапе обработки.

Qianli предложила иной подход: алгоритмы закладываются уже на стадии проектирования антенной решётки и формы сигнала, а на ключевых этапах — детекции облака точек, измерения углов, его обогащения, сопровождения и классификации целей — используются модели, обучаемые на данных, что снижает зависимость от ручных правил и эмпирических порогов. Искусственный интеллект вмешивается с самого начала формирования сигнала и сопровождает его до финального понимания окружения. По сравнению с предыдущим 4D-радаром Qianli с расчётами на DSP плотность облака точек выросла в 10 раз, дальность обнаружения — на 40 процентов, устранение фантомов достигло 95 процентов, а пространственное угловое разрешение улучшилось в 12 раз.

Самая недооценённая часть новинки — три режима работы. В граничном режиме отражённый сигнал проходит внутри радара всю цепочку от дискретизации АЦП до сопровождения и классификации целей, а на NPU развёрнуты модели детекции, вспомогательного измерения углов и обогащения облака точек: сенсор сразу выдаёт структурированный результат восприятия. Это сокращает локальную цепочку, ускоряет отклик и снижает нагрузку на домен-контроллер, что удобно для платформ с распределённым восприятием. В спутниковом режиме радар сосредоточен на сборе и высокоскоростной передаче данных, близких к исходному сигналу, а обработку берёт на себя центральный домен-контроллер, способный большими моделями раньше сопоставить камеры и радары в едином пространстве. Третий, совместимый режим выполняет обе задачи параллельно: сырые данные уходят в систему на кристалле для слияния, а граничный процессор независимо прогоняет собственную обработку. Причина в разных временных масштабах: центральной модели нужны миллисекундная точность выравнивания и максимум деталей сигнала, тогда как торможению и предупреждению нужно готовое решение здесь и сейчас. Один контур стремится видеть как можно полнее, другой — выдать результат немедленно, и совместить их последовательно невозможно.

За этим стоит закономерный вопрос: какую часть вычислений отдавать радару, а какую оставлять центральному контроллеру. Ответ диктуют требования самого автономного вождения: при переходе от L2 к L3 и L4 в дожде, тумане, при встречном солнце, ночью и в плотном потоке нужно не просто видеть, а чётко различать, точно оценивать и быстро реагировать. Плотность облака точек 4D-радара выросла с десятков точек в секунду до десятков и сотен тысяч, а в спутниковой архитектуре входной поток сырых данных примерно в сто раз больше, чем у обычного 4D-радара, при пропускной способности АЦП до 6 гигабит в секунду. Когда на машине больше тридцати сенсоров и свыше 10 терабайт данных в сутки, предобработку разумнее доверить специализированному железу, а не сваливать всё на центральный вычислитель. Радару уже мало отвечать, какой объект обнаружен, — он должен решать, в какой форме и сколько полезной информации передать модели.

Ключевое отличие от прежних решений в том, кто пишет правила. Традиционный 4D-радар опирается на фиксированные пороги и ручные эвристики, а человек способен описать лишь те ситуации, которые сам предусмотрел. Перед невиданным пограничным случаем система либо тормозит, либо пропускает препятствие, а каждая новая категория требует месяцев переопределения, калибровки и проверки. С моделями ситуация меняется: они учатся закономерностям из данных и на незнакомых комбинациях опираются на уже усвоенные признаки. Цикл от сбора длинного хвоста случаев до выпуска обновления сжимается с месяцев до недель. Первый шаг Qianli — перенести ИИ-вычисления внутрь радара, второй — решить, как доставлять результат, что и обеспечивают три режима. Целевой выход закреплён за обычными системами помощи и распределённой электроникой, где важна цена; спутниковая схема становится обязательной начиная с L2+ и особенно на L3 и L4, где только сырые данные позволяют объединить эхо радара с признаками изображения в едином пространстве. Реальная инженерная граница проходит по полосе пропускания и возможностям платформы: без запаса вычислений и высокоскоростных интерфейсов спутниковая схема теряет физическую основу, а на уровне L2 платить за передачу сырых данных невыгодно. Qianli сохраняет все три пути именно потому, что в переходный период одна и та же аппаратура должна находить место на разных моделях и уровнях функций.

Пример из практики: стабильная дальность обнаружения стоящего ребёнка у нового радара составляет от ста до ста пятидесяти метров, что даёт системе автоматического торможения больше времени на реакцию. Постобработка с моделированием многолучевых отражений устраняет около 95 процентов фантомов и ложных срабатываний, а обогащённое 4D-облако помогает оценивать проходимое пространство. Глубинная логика проекта в том, что «доля моделей» начинает перестраивать сам сенсор: антенна, радиочастотный тракт, система на кристалле, модуляция, модели и обратная связь с данными проектируются совместно. Внешне это апгрейд железа, по сути — переход радара из поставщика целей в соавтора на уровне признаков. Для Ин Ци это продолжение давнего принципа «ИИ плюс физические терминалы», а союз Qianli и StepFun замыкает цикл: базовая модель с самого начала обучается на общих корпусах вместе с реальными данными восприятия и планирования, а один руководитель стирает разрыв между модельной и аппаратной компаниями. Ценность попытки ещё и в том, что на нынешнем этапе потолок физического ИИ определяют скорость замкнутого цикла на реальных данных и их плотность.