2026-06-18 👁️ — views

自动驾驶夜间与低光源性能——纯视觉与 LiDAR 感测堆如何应对黑暗与恶劣天气

夜间与恶劣天气覆盖约 50% 的真实驾驶安全风险——Tesla 纯视觉与 Waymo LiDAR 感测堆的性能差异直接决定自动驾驶的地理扩张与商业规模。

实体 AI 基准系列第 53 篇——黑暗、降雨与眩光

运营设计域（ODD）告诉你自动驾驶车辆被允许在哪里行驶；夜间与恶劣天气则告诉你它实际上能扩展到哪里。这两项条件——黑暗与降水——并非边缘情景。美国约 25% 的车辆里程发生在晚上 9 点至早上 6 点之间（NHTSA 估计），然而约 50% 的致命交通事故却发生在这段时间。雨、雾、雪则涉及约 17% 的所有车辆事故（FHWA）。一辆无法在低光源与潮湿条件下可靠运作的自动驾驶车辆，只能服务于总体行驶需求的一小部分。

自动驾驶领域最持久的技术争论——Tesla 的纯视觉方案对比 Waymo 的 LiDAR 加摄像头加雷达感测堆——最终不是在日光良好的郊区场景中见分晓（两套系统在那里表现都不错），而是在暴露架构极限的恶劣条件下。本文梳理那些极限：每种传感器在黑暗中看到了什么、每个系统在雨中和雾中如何降级、两家公司在运营层面如何应对那些限制，以及在任何一套感测堆能以商业规模服务积雪地带之前，必须改变什么。

所有标记（估计）的数字均为基于已发布研究、公司公开披露及行业报告的估算，未在受控测试条件下独立验证。

第一节——为何低光源性能是自动驾驶规模化的门槛

人类驾驶者在夜间发生致命交通事故的可能性约为白天的 3 倍（NHTSA 估计）。自动驾驶车辆若要比人类驾驶者更安全——这是商业部署和监管许可的合理性基础——必须超越这个”夜间比白天差 3 倍”的人类基准，而不仅仅是达到它。

对商业规模的意义是直接的：一辆入夜后驶离道路或在雨中拒绝服务的机器人出租车，并非在与人类驾驶者竞争——它只是一个晴天补充品。向美国东北部密集城市、欧洲市场或亚洲市场的地理扩张，需要在雨中、眩光中以及至少城市夜间条件下运行。积雪地带性能是最远的地平线，目前两大主流感测堆均尚未达标。

第二节——传感器物理学：各技术在黑暗中看到什么

理解这场争论需要先理解物理学。不同传感器与环境光线有着根本不同的关系。

根本的分水岭在于主动与被动之别。摄像头是被动传感器——它记录环境中存在的光子。夜间，在缺乏人工光源的情况下，摄像头几乎没有东西可以记录。LiDAR 和雷达是主动传感器——它们发射自身能量（激光脉冲、无线电波）并记录回波。主动传感器在物理上基本不受环境光缺失的影响。这种不对称性是夜间主导使用场景中多传感器堆技术论点的核心。

第三节——Tesla 纯视觉方案的夜间表现

Tesla 于 2021 年从新车型中移除雷达，且从未使用过 LiDAR，理由是人眼等效传感器即可实现人类水平的驾驶。FSD 完全依赖每辆车八个摄像头——前向窄角和广角、后向及柱式摄像头——加上在 Tesla 自研 FSD 芯片上运行的神经网络推理。

神经网络补偿论点并非没有依据。全球 Tesla 车队在各种照明条件下——城市干道、高速公路匝道、停车场、乡村双车道——产生大量夜间行驶数据。根据已报告的情况，在这些数据上训练的端对端模型确实大幅改善了幽灵制动率和可变照明下的车道保持。合理的问题是：学习记录人类夜间行驶的模式匹配，能否最终达到完全无人驾驶商业运营所需的安全底线，抑或只是渐近接近它所训练的人类性能而无法超越。

第四节——Waymo 多传感器方案的夜间表现

Waymo 以 LiDAR 为主要传感器，辅以摄像头和雷达。夜间的传感器组合形成了一种结构性优势，这是任何基于摄像头数据的神经网络训练都无法完全复制的——因为 LiDAR 的夜间性能不是学习得来的能力，而是主动激光测距的物理特性。

传感器冗余的架构意义至关重要。纯视觉系统在低光源下只有一种失效模式：摄像头看得更少。多传感器系统具有容错能力：如果摄像头镜头被雨水浸湿，LiDAR 和雷达继续提供场景表达；如果 LiDAR 回波密度在强降水中下降，摄像头和雷达继续提供目标检测。多传感器堆的降级曲线比单模态系统更平缓、更可预测，即使各个传感器的降级速度快于摄像头在有光环境下的降级速度。

第五节——恶劣天气：雨、雾与雪

降水引入了部分独立于纯黑暗的失效模式。每种天气类型对传感器堆的影响不同。

雾的场景尤具说明性。雾同时散射可见光（使摄像头降级）和激光脉冲（使 LiDAR 降级）。在浓雾中，多传感器优势大幅缩窄——雷达是唯一性能可靠的传感器，但毫米波雷达的低空间分辨率限制了其单独支持自主导航的能力。这是两种架构最终汇聚到相同约束的条件：传感器回传不足以支持安全的高速导航。

第六节——观察重点：夜间与天气作为商业扩张的关卡

Tesla 和 Waymo 目前都在保守的运营设计域（ODD）内运行，排除了最恶劣的条件。理解必须做出哪些改变才能扩展这些 ODD，揭示了需要关注的近期投资和技术信号。

Waymo 的扩张路径：

固态 LiDAR 的改进减少了使旋转 LiDAR 头易受积雪影响的活动部件失效模式。Waymo 的捷豹 I-PACE 车队（第五代）和专用极氪车辆（第六代）采用了改进的传感器封装，解决了部分热管理和降水暴露问题。传感器头加热系统——部分 Waymo 车辆已在使用——能降低但无法消除积雪风险。有意义的积雪地带部署需要固态 LiDAR 成本和降水容忍度的重大突破。

Tesla 的扩张路径：

v12 和 v13 端对端模型代表了从目标检测规则到全驾驶分布模仿学习的真正架构转变。这种方法比基于规则的前身更直接地受益于车队夜间数据规模的增长。剩余的开放问题是：纯视觉训练能否最终泛化到训练集中代表性不足的照明条件和道路环境，或者低频边缘案例（零环境光的乡村道路、钠蒸气路灯下的黑冰、眩光与潮湿路面反射同时发生）是否需要摄像头无法替代的传感器模态。Tesla 在部分内部研究背景下重新考量过雷达（估计）；这是否会转化为量产硬件变更仍未确认。

共同的监管前沿：

监管框架目前更多是隐式而非显式地区分地理围栏晴天部署与一般自动驾驶运营。随着 Waymo 和 Tesla 都在推动更广泛的商业部署，监管机构将被迫明确规定恶劣天气和夜间条件的性能底线，作为非地理围栏认证的前提条件。拥有已验证夜间和降雨运营数据的公司将在那些监管对话中占有结构性优势——Waymo 凤凰城夜间运营记录是直接相关的证据；Tesla 在恶劣条件下的脱离接管数据（未以可比较精细度公开披露）是差距所在。

资料来源：NHTSA 交通安全数据——致命事故分析报告系统（nhtsa.gov）；FHWA——道路天气管理，天气与道路安全统计（ops.fhwa.dot.gov）；Tesla Vision 纯视觉自动驾驶方案概览（tesla.com/autopilot）；Waymo 传感器方案及运营更新（waymo.com/blog/）。所有标记（估计）的数字均为基于已发布研究、公司公开运营披露及行业报告的估算，未在受控测试条件下独立验证，应视为方向性而非精确数字。

来源

• NHTSA 交通安全数据——夜间行车统计 ↗
• FHWA——天气与道路安全统计 ↗
• Tesla Vision——纯视觉自动驾驶方案 ↗
• Waymo 感测器方案概览——Waymo 博客 ↗

标签