CES 2026 人工智能（Artificial Intelligence）類 Best of Innovation

在 CES 2026 上，來自 Deep Fusion AI 的 RAPA（Real-time Attention-based Pillar Architecture for 4D Radar Perception） 榮獲 Artificial Intelligence 類別 Best of Innovation。
該系統是一套完全基于 4D 成像雷達的實時 360° 感知軟件架構，目標直指一個長期被認為“難以單獨成立”的技術命題：僅依靠雷達，實現接近 LiDAR 級別的自動駕駛環境感知能力。

背景：4D 雷達的潛力與現實落差

近年來，4D 成像雷達 被視為自動駕駛感知體系中的關鍵增量技術：

• 具備 距離、方位、俯仰 + 多普勒速度 的四維信息

• 全天候工作能力強，對雨、霧、雪、灰塵不敏感

• 成本顯著低于高線數 LiDAR，更易規模化部署

然而，在算法層面，4D 雷達長期存在兩個核心難題：

1. 數據高度稀疏、噪聲強

2. 傳統深度學習模型難以有效建模雷達信號特性

這導致雷達在多數系統中更多充當“輔助傳感器”，而非主感知來源。

RAPA，正是為打破這一技術天花板而設計。

RAPA 的核心定位：雷達原生（Radar-native）的感知架構

與“將雷達數據強行套用 LiDAR / Camera 網絡結構”的思路不同，RAPA 的設計原則是：

從雷達信號本身出發，構建原生適配 4D 雷達的數據表達與深度學習架構。

其關鍵特征包括：

• 軟件定義（software-defined）感知系統

• 100% 依賴多顆 4D 成像雷達

• 360° 全向覆蓋

• 無需攝像頭或 LiDAR 融合

這使 RAPA 成為一種真正意義上的 Radar-only Perception Solution。

注意力機制 + Pillar 表達：解決稀疏與噪聲問題

Radar Pillar Architecture：為雷達定制的空間建模方式

RAPA 采用了專門面向雷達點云的 Pillar（柱狀）表示方式，在空間上對雷達回波進行結構化編碼，使其更適合深度網絡處理。

與 LiDAR 點云相比，雷達點云具有：

• 點數更少

• 分布更不均勻

• 噪聲與虛警更多

Pillar 架構在此基礎上，引入了 針對雷達信號統計特性的優化過濾機制，顯著提升有效信息密度。

Attention-based Deep Learning：讓模型“學會忽略噪聲”

RAPA 的核心算法是一套 基于注意力機制（Attention）的深度學習模型，其訓練完全基于 Deep Fusion AI 的 自有 4D 雷達數據集。

注意力機制在這里承擔的角色是：

• 動態區分 高價值回波 vs. 噪聲回波

• 在稀疏數據中聚焦于 關鍵目標區域

• 提升在復雜場景下的魯棒性

這種設計，使模型不再被動接受雷達的“原始不完美數據”，而是 主動學習雷達信號的物理與統計特性。

多普勒速度：雷達感知的“殺手級維度”

RAPA 充分利用了雷達區別于其他傳感器的獨特優勢——多普勒速度信息。

通過速度維度，RAPA 能夠：

• 精準區分靜態目標與動態目標

• 在目標檢測與跟蹤階段顯著降低誤檢

• 在擁擠或弱紋理場景中保持穩定感知

在公開基準測試（public benchmarks）中，RAPA 在目標檢測與跟蹤任務上的整體準確率，相比同類方案提升超過 40%，這一提升主要來自對多普勒信息的深度建模與利用。

實時性與工程落地：為邊緣平臺而生

在性能之外，RAPA 的另一個關鍵價值在于 工程可落地性：

• 可在邊緣嵌入式平臺上高效運行

• 滿足自動駕駛與機器人對 實時性（real-time） 的嚴格要求

• 不依賴高功耗 GPU 或昂貴傳感器組合

這使其在成本、功耗與系統復雜度上具備明顯優勢。

應用場景：不止于自動駕駛汽車

雖然 RAPA 的核心應用場景是自動駕駛汽車（AV），但其雷達原生架構也天然適用于更多平臺：

• 自動駕駛車輛（AV）

• 成本敏感型 L2+/L3/L4 系統

• 無人水面艇（USV）

• 低能見度、復雜反射環境

• 機器人與移動平臺

• 室外全天候運行需求

在這些場景中，雷達往往比視覺更可靠，而 RAPA 則為其提供了“單獨成立”的算法基礎。

技術意義：雷達從“備胎”走向“主感知”

從行業角度看，RAPA 的意義不只是一次算法性能提升，而在于它驗證了一個重要方向：

通過為雷達量身定制的數據表示與注意力模型，雷達可以成為主感知傳感器，而非 LiDAR 的低配替代。

在自動駕駛產業面臨 成本壓力、規模化部署與冗余安全 多重挑戰的當下，這一方向具有極強的現實價值。

總結：一次雷達感知范式的躍遷

RAPA 之所以能夠獲得 CES 2026 人工智能類 Best of Innovation，本質原因在于它完成了三件難度極高的事情：

1. 正視雷達數據的缺陷，而非回避

2. 在模型結構上真正“為雷達而設計”

3. 在實時性、精度與成本之間取得工程級平衡

如果說過去的雷達感知更多是“補充視覺與 LiDAR 的保險層”，那么 RAPA 展示的，是雷達作為 獨立、可規模化主感知方案 的現實可能性。

在自動駕駛、無人系統與機器人持續擴展的未來，這種 雷達原生 + 注意力驅動 的感知架構，極有可能成為下一階段的重要技術分支。