Эпоха AI-радаров наступила — об этом заявил Чжоу Кэ, CTO компании Чэнтай . Дата публикации заявления — 25 августа 2026 года.
AI-радар (Model-Defined Radar, MDR) кардинально отличается от традиционных радаров. Если в последних функции заданы жёсткими алгоритмами в прошивке, то в AI-радарах их определяют обучаемые и обновляемые AI-модели. Традиционные радары обрабатывают сигнал в несколько этапов (ADC-сэмплинг, 2D-FFT, CFAR-обнаружение, DOA-измерение угла, кластеризация, отслеживание, классификация), из‑за чего теряется информация и накапливаются ошибки. AI-радар же позволяет моделям напрямую изучать оптимальные представления из исходных сигналов — без потерь информации, с самостоятельным обучением признаков.
Важно понимать разницу между 4D-визуализирующим радаром и AI-радаром: первый улучшает аппаратные возможности («чёткое видение»), а второй меняет парадигму разработки («понимание и быстрая итерация»).
Ключевой элемент AI-радаров — развязка ПО и аппаратного обеспечения. Разработчики ПО и моделей работают независимо, а аппаратную часть предоставляют специализированные производители. Так формируется открытая экосистема, похожая на PC-индустрию. Раньше для разработки радара требовались компетенции в области аппаратного обеспечения, ПО, радиочастот и алгоритмов — это было доступно лишь немногим компаниям и исследовательским учреждениям. Теперь участвовать в разработке могут больше команд и отдельных специалистов.
Компания Чэнтай развивает платформу суперрадаров, SDK и инструменты разработки, чтобы открыть доступ к разработке радаров для большего числа AI-разработчиков. Она наладила массовое производство радаров с центральной вычислительной архитектурой, работает над унифицированной обработкой исходных данных радара, обучением моделей и адаптацией к разным платформам. Чэнтай предложила архитектуру суперрадара AI: разделение антенны, радиочастотного и вычислительного модулей, обеспечение общего открытого базиса для разработки краевых и спутниковых AI‑радаров.
Появление AI-радаров обусловлено ростом спроса на физический ИИ: развиваются интеллектуальные системы и роботы, растёт потребность в понимании обстановки в сложных условиях — в тумане, пыли, при встречном свете, с прозрачными препятствиями. Кроме того, произошли технологические изменения:
* точность и разрешение миллиметровых радаров значительно выросли: количество точек в облаке может достигать от нескольких тысяч до десятков тысяч на кадр, объём данных за один кадр сопоставим с данными лазерного радара;
* в аппаратной части происходит рост памяти и вычислительной мощности в сотни и тысячи раз, появляется аппаратная среда для развёртывания ИИ‑моделей;
* в системной архитектуре наблюдается переход от распределённых ECU к центральному вычислению и региональному контролю: автомобиль превращается в «мобильный центр обработки данных», центральный вычислительный блок обеспечивает от сотен до тысяч TOPS вычислительной мощности;
* исходные данные радара могут передаваться напрямую на контроллер через высокоскоростную сеть автомобиля, возможно слияние и совместная обработка данных с нескольких узлов — это позволяет расширить виртуальный апертурный диапазон и оптимизировать систему.
Усиливаются возможности ИИ‑моделей, снижается стоимость вычислений, развиваются открытые инструменты (PyTorch, ONNX). Модели GPT, ViT, Occupancy Network демонстрируют превосходство в задачах восприятия на основе сквозного обучения. Аналогия с развитием видео‑ИИ: как в 2012 году AlexNet на ImageNet дал толчок развитию визуального ИИ, так и радар стоит на пороге аналогичного прорыва — при условии накопления высококачественных размеченных данных и распространения инструментария.
Есть уже и примеры академических разработок:
* университет Карнеги‑Меллона с помощью 1 млн кадров исходных данных радара обучил первый «базовый модель» для миллиметрового радара (может быть доработан для задач обнаружения и сегментации);
* Google Soli встроил миллиметровый радар в телефон для дистанционного управления;
* исследователи научились бесконтактно измерять ЭКГ с помощью радара;
* на ведущих конференциях по робототехнике реализована возможность управления 4D‑радаром с помощью естественного языка.
Этапы разработки ИИ‑радара:
1. Начальный: внешняя обработка облака точек — радар через стандартный интерфейс выдаёт облако точек, разработчики обучают и развёртывают модели на внешнем процессоре.
2. Средний: развёртывание модели на борту — разработчики развёртывают модели непосредственно в вычислительном блоке радара, данные получаются через API.
3. Продвинутый: открытый доступ к исходному сигналу — разработчики получают исходный сигнал через высокоскоростной интерфейс, исследуют микродвижения, незрительное восприятие и другие передовые направления (для научных организаций и команд глубокой разработки).
Ключевые возможности ИИ‑радара:
* использование всей электромагнитной информации исходного сигнала (микродопплер, поляризация, распределение центров рассеяния и др.);
* повышение углового разрешения за счёт обучения с суперразрешением (в несколько раз), что улучшает обнаружение малых объектов;
* переход от вывода «точечных целей» (расстояние/скорость/угол) к выводу «семантических сущностей» (например, «автомобиль, который замедляется», «ребёнок, который бежит и через 1,2 секунды выйдет на полосу», «кустарник, который движется от ветра — путь свободен»).
ИИ различает низкие препятствия и неровности дороги, распознаёт воду, лёд, камни, оценивает коэффициент сцепления, создаёт проходимые маршруты в темноте и при дожде.
Семантический SLAM: радар кодирует текстуру эхо‑сигналов (стиль ограждений, швы дороги, фасады зданий) как семантические метки, обеспечивает высокоточное позиционирование без GPS, распознаёт повторяющиеся сцены и актуализирует семантическую карту, автоматически помечает зоны строительства и временные препятствия.
Переход от недельной настройки параметров к дневной тренировке на данных повышает инженерную эффективность. Добавление функций происходит через миграционное обучение (добавление заголовка задачи), а не перепроектирование цепочки обработки сигналов. Радар адаптируется к дождю и снегу, его устойчивость повышается кратно.
Изменения от развития AI-радара:
* более богатое и высокоуровневое восприятие (использование слабых, дискретных, многократно отражённых и рассеянных сигналов для семантического вывода, Free Space, SLAM‑построения карт, Occupancy‑сеток);
* вовлечение большего числа участников: разработчики фокусируются на моделях и приложениях, аппаратная часть передаётся профильным производителям;
* одноэтапное развёртывание, применимость в разных сценариях: радар работает в любых погодных условиях, напрямую измеряет скорость, не собирает изображения (сохраняет конфиденциальность), дополняет визуальное восприятие;
* снижение затрат и сроков: масштабируемое производство универсального оборудования, повторное использование и итерация моделей, возможность OTA‑обновлений.
Требования к мультимодальному восприятию в физическом ИИ:
* способность работать в условиях дождя, тумана, дыма, пыли, при контровом и бликовом освещении, с прозрачными препятствиями;
* прямое измерение скорости для высокореактивных сценариев;
* отсутствие сбора изображений в сценариях с требованиями конфиденциальности.
Мультимодальное восприятие: разделение восприятия и вычислений — камеры и радар как единицы восприятия, центральный процессор как вычислительная единица. В автомобильном вождении обязателен миллиметровый радар; термин «спутниковый радар / центральный вычислительный радар» отражает разделение восприятия и вычислений: данные с электромагнитными сигналами (ADC‑выборки) передаются напрямую в центральный блок управления, где объединяются с оптическими сигналами.
Формы продуктов:
* «краевой радар» — автономный радар с передней частью и вычислительным блоком;
* «спутниковый радар» — только передняя часть (единица восприятия), сигналы передаются в центральный вычислительный центр для мультимодальной интеграции.
Тайвэй стремится расширить границы отраслей ИИ и радаров, работая с партнёрами. Компания выделяет три основные задачи: построение платформы разработки, управление сообществом «суперрадаров», продвижение совместных работ по тренировочным данным и оценке.
Тайвэй представила платформу «суперрадар» для разработки и развёртывания ИИ‑моделей: она обеспечивает разделение и независимую замену трёх модулей (антенный, радиочастотный, вычислительный), поддерживает большие вычислительные мощности и объём памяти, открывает SDK, документацию и примеры, поддерживает весь процесс — от чтения облака точек до развёртывания модели; в перспективе появятся вычислительные блоки от разных производителей. Архитектура платформы основана на CUDA, что упрощает обработку радарных сигналов.
Сообщество «суперрадаров» объединяет предприятия по производству чипов, производителей радаров, автопроизводителей, компании по производству роботов, вузы и независимых разработчиков. Цель сообщества — стандартизация форматов данных облаков точек и интерфейсов моделей, снижение затрат на интеграцию и перенос.
Ключевая проблема — создание качественных наборов данных и стандартизированная оценка. Тайвэй работает над решением с двух сторон:
* аппаратно — разрабатывает устройство для слияния радарных и видеоданных, использует видеомодели для помощи в разметке радарных данных;
* программно — обучает модель для автоматической разметки радарных данных, создаёт открытую платформу для разметки радарных данных.
ИИ‑радар позволит машинам понимать трёхмерный физический мир (в любых погодных условиях, с измерением скорости и пониманием семантики). Конечная цель — не более точный радар, а более «умный»: способный понимать ситуацию, прогнозировать действия, запоминать карту, адаптироваться к среде. ИИ‑радар предлагает третий путь в дискуссии о датчиках — использование интеллектуальных датчиков, а не увеличение их количества или наращивание аппаратной части.
Подписаться в Макс
