NVIDIA 在 DRIVE AGX Thor 上推出集中式雷达处理功能，为 L4 自动驾驶汽车提供 100 倍以上的传感器数据，同时将硬件成本降低 30%。
NVIDIA 刚刚透露了自动驾驶汽车处理雷达数据方式的根本性转变，数字惊人：AI 系统可用的信息增加了 100 倍，硬件成本降低了 30%，功耗降低了 20%。该公司上周在 GTC 2026 上展示了在其 DRIVE AGX Thor 平台上实时运行的技术。
NVIDIA正在解决的核心问题是什么？当前的汽车雷达在每个传感器上本地处理数据，然后将稀疏的点云输出到中央计算机。这就像为摄影师提供边缘检测轮廓而不是实际照片。当传感器内存在完整的肖像时，机器学习工程师一直在处理相当于简笔画的人物。
集中处理会发生什么变化
NVIDIA 的方法将所有信号处理从单个雷达单元转移到中央 DRIVE 平台。原始模数转换器数据直接流入系统内存，其中专用的可编程视觉加速器硬件负责处理繁重的工作。 GPU 对于 AI 工作负载保持免费。
数据差异巨大。单个远程雷达每帧产生 6 MB 的原始 ADC 数据，而处理后的点云仅产生 0.064 MB。 NVIDIA 的演示配置运行五个雷达单元（一个前置 8T8R 单元和四个角 4T4R 传感器），合计速度为 540 MB/s，而传统设置为 4.8 MB/s。
ChengTech 被描述为 DRIVE 平台上的第一个原始雷达合作伙伴，为 GTC 演示提供了生产级硬件。该系统以每秒 30 帧的速度处理所有五个雷达信号。
为什么这对 L4 开发很重要
4 级自治堆栈越来越多地围绕从原始传感器数据中学习的大型模型构建。视觉-语言-动作架构需要密集的、未经处理的信号，而不是预先过滤的输出。相机和激光雷达已经在现代平台上以这种方式工作。雷达是个奇怪的东西。
传统边缘处理雷达的占空比也低于 50%，将帧速率限制在 20 FPS 左右。内存限制迫使传感器放弃中间数据产品，例如距离 FFT 立方体和多普勒图。这些正是最近的研究论文所显示的改善感知性能的信号观点。
NVIDIA 引用了 CVPR 2022 和 ICCV 2023 的工作，证明基于原始 ADC 信号训练的神经网络优于仅限于点云的神经网络。集中处理使得这在生产规模上变得可行。
硬件经济转变
从单个雷达单元中剥离数字信号处理器和微控制器，可以创建更简单、更便宜的传感器。 NVIDIA 声称单位成本降低了 30% 以上，体积减少了约 20%。简化的 PCB 设计使雷达硬件回归其射频基础。
通过利用中央域控制器的效率而不是运行多个边缘处理器，系统范围的功耗下降了约 20%。
市场背景
NVIDIA 一直在积极建立自动驾驶合作伙伴关系。现代和起亚于 3 月 16 日扩大了与该公司的战略关系。同周宣布与 Uber 达成一项协议，目标是到 2028 年在 28 个城市部署机器人出租车。比亚迪、吉利、五十铃和日产也正在将 DRIVE 平台集成到即将推出的车辆中。
截至 3 月 24 日，NVDA 股价为 175.20 美元，该公司市值为 4.44 万亿美元。自动驾驶汽车的推动是其主导的人工智能数据中心业务之外的几个增长向量之一。 对于评估 L4 开发路径的汽车制造商来说，NVIDIA 将 DRIVE Hyperion 定位为可投入生产的参考架构。集中式雷达功能插入现有的生态系统，该生态系统已经使用相同的软件定义方法处理摄像头和激光雷达。想要探索该技术的 OEM 可以通过 NVIDIA 的合作伙伴计划与受支持的雷达供应商合作。