端到端智驾时代，天穹卫星雷达如何赋能大模型？

过去十年，毫米波雷达一直在回答同一个问题：前方有没有目标？目标距离和速度是多少？

而在端到端智驾时代，大模型关心的问题已经变成：这个世界到底发生了什么？

当智能驾驶开始依赖海量数据学习环境规律时，传统毫米波雷达输出的目标列表已经难以满足需求。

我们需要重新思考：大模型究竟需要什么样的雷达？

传统雷达的困境：被“压缩”的感知数据

在传统分布式架构中，毫米波雷达的数据处理主要在边缘端完成。

从射频信号采集开始，雷达通常会依次完成距离、多普勒、角度估计以及目标聚类等处理流程，最终向域控制器输出目标列表（Object List）或少量目标级信息。

这种架构在传统ADAS时代具有通信负载低、系统部署简单等优势。但对于端到端智驾系统而言，挑战也随之而来。

经过多层特征压缩后，大量反映环境细节的信息已经无法被上层系统利用。

例如：

•  弱目标回波特征

•  稀疏点云信息

•  多径反射信息

•  更丰富的速度与空间分布特征

传统毫米波雷达更像一个“信息压缩器”。它把大量原始环境信息提前处理后，只把最终结果交给中央计算平台。

而大模型最需要的，恰恰是这些被过滤掉的底层细节。

天穹卫星雷达：让雷达回归感知，让AI负责理解

随着中央计算平台的算力持续提升，一种新的架构思路开始受到关注：让雷达回归感知本质，将更多计算能力迁移至中央平台。

承泰科技推出的第七代中央计算架构雷达——天穹 InsightRadar（卫星雷达），正是基于这一趋势而设计。

天穹卫星雷达实现了感知与计算的彻底解耦：前端雷达只负责高质量信号采集，通过高速数据链路将高保真原始数据直接上传，统一的感知与AI推理全部交给中央计算平台。

传统雷达架构：

模拟信号→信号处理（FFT/CFAR/DOA）→数据处理（聚类/滤波）→域控（极少滤波后的目标列表）

天穹卫星架构：

模拟信号→ADC原始数据→预处理→中央域控大模型（海量的矢量数据）

这改变了毫米波雷达在整车智能系统中的定位：雷达不再只是一个输出目标列表的传感器，而是成为智驾大模型的重要数据源。

核心驱动：为大模型构筑数据护城河

越来越多智驾企业正在形成一个共识：未来感知系统的竞争，不再只是传感器性能竞争，而是数据质量竞争。

谁能为大模型提供更多、更真实、更高保真的感知数据，谁就更有机会构建更强的智能驾驶能力。

依托中央计算架构，天穹卫星雷达带来了三大核心价值：

看得更全 实现多传感器底层协同

在面对高动态突发状况或视觉受限的复杂工况时，单一视觉感知极易受限。毫米波雷达具备极强的环境穿透力，以及对速度和距离的绝对敏感度。

过去，传统雷达只输出“目标列表”，与视觉融合时经常产生“谁听谁的”的决策冲突。天穹卫星雷达则将高保真原始数据送入中央平台，与摄像头、激光雷达在统一时空坐标系下实现“底层融合”。

大模型得以直接调用雷达原始的距离和速度特征，与视觉信息瞬间完成交叉验证，有效规避单一传感器感知失效、漏检误检问题，全方位保障极端路况下的感知稳定性。

面对十字路口突现的横穿二轮车等高动态场景，通过高保真速度特征，完成交叉验证并果断响应

理解更深 AI参与“弱目标”感知

在开放道路中，存在大量未经算法提前训练过的异形障碍物（如路面纸箱、平躺假人）或低矮静止目标（如施工锥桶）。传统雷达依赖固定的规则算法过滤数据，极易将这些弱回波信号误判为噪声并直接丢弃。

天穹卫星雷达将完整的高维感知特征交给中央。依托AI赋能的雷达感知能力，能够直接从海量数据中“看懂”这些弱小目标的空间形态、分布特点。那些曾经被传统雷达丢弃的“噪点”，变成了大模型精准识别异形路障、划定安全行驶边界的关键线索。

面对雷达反射面积极小的纸箱等异形障碍物，保留高维特征，AI精准识别

在夜间或复杂施工路段稳定识别静止锥桶等低矮障碍物

成长更快 让感知能力持续进化

传统雷达的感知能力很大程度上受限于端侧芯片算力和固化的算法架构。而天穹卫星雷达通过感知与计算解耦，将感知能力持续演进的空间交给中央平台。这意味着：

•  雷达硬件保持稳定

•  AI模型持续升级

•  感知能力不断进化

相比目标级输出，高保真雷达数据具备更高的数据复用价值。这些数据可作为训练样本回传云端，用于大模型的持续优化，并通过OTA不断部署到车辆端，由此形成完整闭环：

感知 → 数据回传 → 模型训练 → OTA升级 → 感知增强

随着量产规模扩大，系统能够持续从真实道路中学习，实现长期的感知增强闭环。

从目标输出，到数据输入

过去，毫米波雷达的价值在于发现目标。

未来，毫米波雷达的价值在于为AI提供理解世界的数据。

随着端到端架构、大模型算法和中央计算平台持续演进，感知系统的竞争正在从“传感器堆叠”走向“数据基础设施重构”。

天穹 InsightRadar（卫星雷达）所代表的中央计算架构，正在推动毫米波雷达从目标输出设备，升级为面向AI时代的核心数据源。

当雷达开始直接服务于大模型，智能驾驶对于物理世界的理解能力，也将迈向新的阶段。