2026-06-18 — views

自动驾驶车辆天气性能 — 雨、雪、雾与传感器极限：解析 Waymo 南扩策略与 Tesla 的摄像头优势

雨、雪、雾如何以不同方式降低激光雷达、摄像头与毫米波雷达的性能——以及传感器物理学如何解释所有大型自动驾驶公司的阳光地带扩张模式。

Physical AI 基准测试系列第 104 篇 — 自动驾驶车辆天气性能：雨、雪、雾如何分别降低各传感器的性能，以及物理学（而非策略）如何解释 Waymo 选择凤凰城开业的原因

恶劣天气是自动驾驶车辆最常被引用的局限之一，也是最常被误解的议题之一。当这个话题出现在公众讨论中，通常被笼统归为”恶劣天气”一类。但雨、雪、雾是三种截然不同的物理现象，对自动驾驶车辆四种主要传感器——摄像头、激光雷达、毫米波雷达和超声波——的降级方式、速率和可用备援选项各不相同。

这些传感器物理特性，叠加在每年数千个运营日之上，正是每家大型自动驾驶公司地理扩张模式的直接解释。先选凤凰城，其次是阳光地带城市，最后才是积雪严重的北方城市（如果近期有计划的话）。这不是战略偏好，而是传感器技术现状、在有效传感器范围从 200 米骤降至 10–20 米（估算值）的条件下运营的成本限制，以及在沙漠城市积累里程的车队所面临的训练数据局限共同造成的约束。

本文将自动驾驶车辆天气性能作为 Physical AI 系列的基准测试维度进行分析，涵盖各传感器类型在恶劣条件下的物理特性、Waymo 激光雷达主导架构与 Tesla 摄像头主导架构各自的优势与失效模式、由传感器限制所导致的地理扩张模式，以及任何自动驾驶公司在芝加哥、波士顿或布法罗进行商业运营前必须解决的技术问题。

第一节 — 天气如何影响各传感器类型

商业自动驾驶车辆平台所使用的四种传感器通过不同的物理机制与天气互动。理解这些机制是理解自动驾驶公司所有地理与技术决策的基础。

传感器	晴天性能	雨天性能	雪天性能	雾天性能	备注
摄像头（可见光）	优良 — 高分辨率、丰富色彩与纹理	降级 — 镜头水滴使图像模糊；其他车辆溅水降低能见度	严重降级 — 镜头积雪遮挡视线；白雪背景对比度丧失	中度降级 — 雾降低对比度与有效范围	Tesla FSD 完全依赖摄像头；镜头加热与清洁可部分缓解
激光雷达（激光，905nm 或 1550nm）	优良 — 精确 3D 点云，不受环境光影响	中度降级 — 雨滴散射激光脉冲；大雨可将有效范围从约 200m 缩至约 50–100m（估算值）	严重降级 — 雪花散射激光；湿雪最差；干雪中度影响	严重降级 — 雾滴散射激光的程度甚于雨；浓雾可将激光雷达范围缩至约 10–20m（估算值）	Waymo 以激光雷达作为主要 3D 传感器；旧金山的雾是真实的运营挑战
毫米波雷达（77GHz）	良好 — 可穿透大多数天气条件；分辨率低于激光雷达	优良 — 几乎不受雨影响；可穿透溅水	良好 — 可穿透大多数雪；可能因雪堆产生假回波	优良 — 穿透雾气；在 77GHz 波长下不受水滴散射影响	雷达是天气稳健性最高的传感器；Waymo 将雷达作为天气备援层
超声波	近距离（5m 以内）良好	良好 — 不受降水影响	良好	良好	用于低速停车与机动；不适用于高速公路行驶

为何激光雷达在雾中表现不佳，而雷达却不受影响

激光雷达和毫米波雷达之间的物理差异归结于波长。激光雷达在近红外波长（905 纳米或 1550 纳米）下工作。雾滴直径通常为 1–100 微米，相对于这些波长足够大，能有效散射激光脉冲，大幅降低返回激光雷达接收器的信号。浓雾层可将激光雷达有效范围从 200 米缩至不足 20 米（估算值），远低于高速行驶所需的制动距离。

77GHz 的毫米波雷达工作波长约为 4 毫米——远大于雾滴。在此波长下，雾滴太小，无法有效地散射雷达信号。雷达波束穿透雾气时衰减极小。这就是 Waymo 传感器融合架构将雷达作为低能见度条件下主要测距传感器的原因，当雾气置信度指标触发时，会对激光雷达回波降低权重。

第二节 — 为何凤凰城是 Waymo 的首个商业市场

Waymo 选择凤凰城作为首个商业无人驾驶市场，主要不是监管或人口决策，而是传感器物理决策。

凤凰城特征	天气相关性
年降雨量	约 8 英寸/年 — 是美国主要城市中最低的之一
每年降雨天数	约 36 天（估算值）— 不足 10% 的天数有任何可测量的降雨
降雪	大凤凰城都市区几乎从不降雪 — 海拔太低
雾	罕见 — 沙漠气候，湿度低
温度极端	夏季高温超过 115°F — 影响电池性能，但不影响传感器物理特性
自动驾驶运营结果	激光雷达和摄像头在估算约 90% 以上的运营日中近乎最优性能；天气对正常运行时间没有实质性约束
对比：旧金山	旧金山每年约有 70 个雾天（估算值）；Waymo 旧金山车队定期在雾中行驶，显示系统可在中等雾中运行，但传感器性能裕度降低
对比：芝加哥	芝加哥每年平均积雪 38 英寸、低温天数 125 天 — 这是与凤凰城截然不同的运营挑战；截至 2026 年中，尚无大型自动驾驶公司在芝加哥推出商业无人驾驶服务（估算值）

第三节 — Tesla 的天气主张：仅靠视觉在恶劣条件下运行

Tesla 在天气性能辩论中的立场与 Waymo 从根本上不同。Tesla 的 FSD 系统完全依赖摄像头，没有激光雷达，且最近几代硬件没有毫米波雷达。这在恶劣天气中既带来特定优势，也带来特定弱点。

Tesla FSD 天气主张	技术现实
”在雨中正常工作”	适用于中等降雨 — 具备镜头加热的摄像头图像处理可应对轻至中度雨；大雨或积水时性能下降
”在雪中正常工作”	轻雪部分成立 — 道路严重积雪时车道标线消失（FSD 高度依赖车道标线）；摄像头积雪是重大挑战
”无 HD 地图依赖意味着天气中无地图偏移”	真实优势 — Waymo 的 HD 地图若道路因施工或除雪而改变可能过时；Tesla 仅从实时摄像头画面导航，能适应实际条件
”影子模式在所有天气中 = 天气训练数据”	真实优势 — Tesla 消费者车队每天在雨雪中行驶，产生 Waymo 有限的无人驾驶车队无法以可比规模积累的恶劣天气训练数据
关键弱点	摄像头系统在大雪中（白雪背景）失去车道标线可见度；大雨中有效范围缩短；最近几代 FSD 缺少毫米波雷达，意味着没有天气稳健性备援传感器
关键优势	无激光雷达意味着无激光雷达特有的雾雨散射问题；摄像头加神经网络处理具有不同（不一定更差）的故障模式

训练数据不对称是 Tesla 最重要的天气优势。Tesla 消费者车队估算有数百万辆（估算值），其中大多数在日常使用中在雨、雪、雾中行驶。每辆启用 FSD 的 Tesla 在恶劣天气中行驶的每一英里，都以传感器情境（摄像头图像）标记正确驾驶行为（人类驾驶员的操作）来生成训练数据。

第四节 — 按地理区域的天气性能基准

地区	年降水量	积雪	雾	自动驾驶天气挑战	首家自动驾驶运营商（估算值）	Waymo 时程（估算值）
亚利桑那州凤凰城	8 英寸/年	无	罕见	极低	Waymo — 2020 年无人驾驶	已上线
德克萨斯州奥斯汀	34 英寸/年	罕见	偶尔	低	Waymo — 2025 年、Tesla	已上线
加州洛杉矶	15 英寸/年	无	偶尔沿海雾	低	Waymo — 2024 年	已上线
加州旧金山	24 英寸/年	无	频繁雾（约 70 天，估算值）	中等	Waymo — 2023 年	已上线
乔治亚州亚特兰大	50 英寸/年	偶尔（2–4 英寸/年）	偶尔	中等	Waymo — 预计 2026–2027（估算值）	筹备中
佛罗里达州迈阿密	62 英寸/年	无	偶尔	中等（大雨）	无商业无人驾驶（估算值）	中期（估算值）
华盛顿州西雅图	38 英寸/年	偶尔	频繁雾	中高	无商业无人驾驶（估算值）	长期（估算值）
伊利诺伊州芝加哥	积雪 38 英寸/年	38 英寸/年	偶尔	高	无商业无人驾驶（估算值）	长期（估算值）
马萨诸塞州波士顿	积雪 44 英寸/年	44 英寸/年	偶尔	极高	无商业无人驾驶（估算值）	长期（估算值）
纽约州布法罗	积雪 94 英寸/年	94 英寸/年	频繁	极端	无商业无人驾驶（估算值）	非常长期（估算值）

第五节 — 北方城市部署需要解决的问题

技术挑战	当前状态（估算值）	潜在解决方案
路面积雪 — 车道标线丧失	商业品质下未解决 — 重度积雪下摄像头和激光雷达均丧失车道标线	HD 地图加 GNSS 航位推测（即使标线不可见也知道道路位置）；激光雷达可探测路缘和护栏；需要大量投资
传感器积雪	加热元件可缓解中度积雪；激光雷达罩有气动清洁系统	现有方案适用于中度积雪；极端积雪仍有问题
雾中激光雷达范围缩短	功能性降级 — 有效范围从约 200m 降至浓雾中约 10–20m（估算值）	雾中雷达作为主要测距传感器；在低置信度条件下降低激光雷达权重的融合算法
路面结冰 — 牵引力丧失	车辆动力学挑战，不仅仅是感知问题；ABS/牵引力控制应对大多数情况	来自雷达回波和车辆动力学传感器的摩擦力估算；结冰条件下自动降速
除雪车和道路处理	除雪车造成意外障碍；路盐改变路面外观	来自雪城市的训练数据；Waymo 北方城市数据有限（估算值）
Tesla 优势	消费者 Tesla 车队每天在芝加哥、波士顿、布法罗行驶 → 影子模式自动生成北方城市训练数据	Tesla 通过现有消费者车队自动积累此数据；Waymo 必须在部署前向北方城市派遣制图车辆

注意： 本文所有性能估算、范围降级数据、车队规模、城市天气统计数据和运营时程均为基于公开信息、已发表研究和截至 2026 年中的行业分析的方向性估算。标有”（估算值）“的数字不应被视为已确认的数据。本文不构成投资建议。