2026-06-18 — views
2026实体AI行人与骑行者安全——Waymo多传感器VRU检测对比Tesla FSD纯视觉夜间表现：自动驾驶安全基准
Waymo激光雷达在夜间检测行人的能力与正午相同。Tesla FSD纯视觉系统依赖车灯与神经网络。夜间VRU安全是关键战场。
实体AI基准系列第197篇——易受伤害道路使用者安全
行人、骑行者及其他易受伤害道路使用者（VRU）是自动驾驶汽车（AV）设计中风险最高的安全挑战。一辆2吨重的自动驾驶车以时速25英里撞上行人，几乎必然对VRU造成严重或致命的后果。本基准的核心架构问题因此不仅仅是性能问题——而是安全架构问题：在VRU碰撞最可能发生的场景——黑暗、降雨、遮挡——中，具主动激光雷达（LIDAR）照明的多传感器方案是否比纯视觉神经网络方案提供结构性安全优势？
Waymo的多传感器融合系统（激光雷达LIDAR＋雷达＋摄像头）与Tesla全自动辅助驾驶（FSD）的纯视觉神经网络，代表2026年商业规模下两种主流AV设计理念。本基准从五个维度系统性比较其VRU检测能力：VRU类别风险、多传感器对比纯视觉检测、夜间表现（关键战场）、骑行者预测，以及整体安全评分卡。
第一节——为何VRU安全是最高风险的AV挑战
VRU——行人、骑行者、摩托车手、儿童、轮椅使用者、电动滑板车与电动自行车骑手——在交通生态系统中处于最脆弱的位置。与车对车碰撞不同，后者的溃缩区、安全带和安全气囊将碰撞能量分散在两个受保护的乘员舱；VRU碰撞则将人体完全暴露于2吨车辆的全部动能之下，毫无自身防护结构。以时速25英里计算，行人碰撞所携带的动能约为时速10英里的4倍——这个差距决定了伤害是中度还是致命。
AV系统必须在各种复杂条件下检测VRU：
- 低环境光： 人类驾驶交通中的行人死亡事故在傍晚及夜间达到高峰（根据美国公路交通安全局（NHTSA）交通安全数据，估计75%的美国行人死亡事故发生于黑暗环境）；任何AV系统都必须在人类表现最差的条件下达到或超越人类驾驶的VRU检测能力
- 恶劣天气： 降雨和雾气会大幅降低摄像头能见度；夜间雾中穿着深色衣物的VRU是摄像头检测的高难度问题
- 远距离检测： 以时速45英里（城市快速道路速度）行驶时，安全制动需要估计50–70米的检测距离；在住宅区以时速25英里行驶时，检测距离要求较低，但反应时间仍至关重要
- 部分遮挡： 从停靠车辆后方走出的儿童，从首次检测到完全停车只有估计0.5–1.5秒的反应时间——短于多数人类驾驶反应时间；能够在尚未检测到任何VRU之前就在已知遮挡点主动减速的AV系统具有结构性安全优势
- 不可预测行为： 追球跑入街道的儿童、在斑马线中途折返的醉酒行人、突然转向的骑行者——AV系统必须预测并礼让不遵循正常交通模式的VRU行为
VRU类别及其特定检测挑战：
| VRU类别 | 检测挑战 | 速度范围 | 最危险情境 |
|---|---|---|---|
| 行人（成人） | 直立双足轮廓是最清晰的VRU检测类别；挑战在于夜间深色衣物 | 步行：1.2–1.8米/秒 | 夜间穿深色衣物在非路口横越马路 |
| 儿童 | 身材矮小降低摄像头系统的检测距离；移动速度较快且难以预测 | 步行：1.0–1.5米/秒；奔跑：3–5米/秒 | 从停靠车辆之间奔跑进入车道 |
| 骑行者 | 窄小轮廓、动态速度与方向变化、与车道互动 | 城市骑行：4–8米/秒 | 突然转向躲避障碍物；高速穿越路口 |
| 摩托车手 | 雷达反射截面窄（最难被雷达检测的VRU）；加州允许车道分割；高速 | 城市/公路：15–35米/秒 | 在车流间车道分割；突然制动 |
| 电动滑板车/电动自行车骑手 | 比行人快，通常无灯光，有时在自行车道逆行；较旧AV模型的罕见分类 | 4–8米/秒 | 夜间无灯骑行，在自行车道逆行 |
| 轮椅使用者 | 低矮轮廓；当人行道受阻时可能在车道上移动；速度比行人慢 | 0.5–1.5米/秒 | 在非指定地点穿越；因人行道受阻而在车道上移动 |
VRU安全的法规环境正在收紧：
- NHTSA常设上报令（2021年）： 要求AV运营商和部分自动化系统运营商在24小时内（严重事故）或每年（轻微事故）向NHTSA AV碰撞数据库上报事故；该数据库可公开查询
- 加州DMV AV事故上报： 要求所有AV运营商上报涉及其AV的任何事件，不仅限于碰撞事故；加州是Waymo和Tesla AV运营的主要法规环境
- ISO 21448（SOTIF）： 预期安全功能标准（Safety Of The Intended Functionality）特别将VRU互动列为第一层级测试场景类别；SOTIF合规正成为受监管市场商业AV部署的事实要求
- 欧盟AV法规（预期2025–2026年）： 将VRU保护列为第一层级安全要求；法规草案语言特别强调VRU密集城市环境中无人驾驶运营的传感器冗余
公众审查环境放大了风险：一起AV/行人事件所受到的媒体报道比同等人类驾驶事件不成比例地多。一起高知名度的VRU事件可能触发监管审查、车队暂停和重大公众信任损失——2023年10月Cruise在旧金山因行人碰撞事件被暂停即为明证。VRU安全记录因此不仅是安全指标，更是存亡攸关的商业风险指标。
第二节——Waymo的VRU检测：多传感器融合优势
| VRU检测维度 | Waymo方法 | 详细说明 | 安全意涵 |
|---|---|---|---|
| 基于激光雷达LIDAR的VRU检测（日间与夜间） | 主动传感器：发射激光脉冲；测量飞行时间；检测精度不受环境光影响 | 激光雷达以厘米级空间分辨率检测行人形状物体（直立双足轮廓），检测距离估计100–300米（估计值）；在黑暗与完全日光下检测效果相同——激光雷达不依赖反射的环境光 | 夜间激光雷达VRU检测是Waymo的结构性安全优势：在行人死亡事故最多的时段（深夜/夜间），激光雷达保持完整检测能力，而基于摄像头的系统则面临最大性能差距 |
| 基于雷达的VRU速度测量 | 雷达测量物体的多普勒速度；在零能见度雾中仍能区分移动行人（多普勒速度符合人类步行速度约1.4米/秒）与静止物体 | 雷达能穿透遮蔽摄像头的雨雾；即使激光雷达和摄像头能见度下降时仍能提供VRU速度 | 雷达VRU检测在旧金山频繁的沿岸雾气中特别有价值；激光雷达（空间）＋雷达（速度）＋摄像头（视觉分类）＝三条独立的VRU检测路径 |
| 基于摄像头的VRU视觉分类 | 摄像头提供语义VRU信息：身体姿势（朝向或背向？）、行人意图（看手机还是与驾驶员目光接触？）、骑行者手势、儿童与成人识别、轮椅分类 | 摄像头提供激光雷达点云和雷达多普勒无法提供的行为语境：一个在斑马线看手机的行人与一个与驾驶员目光接触的行人，即使空间位置相同，行为上也截然不同 | 摄像头是VRU行为意图层；激光雷达是精确空间位置层；雷达是速度层；三传感器融合同时实现可靠检测与行为预测 |
| 遮挡处理 | Waymo的高精地图为遮挡场景提供语境：系统知道特定斑马线的停靠车辆会形成行人可能出现的部分遮挡区；在检测到任何VRU之前主动减速 | 地图感知遮挡意识使Waymo能在任何传感器检测到VRU之前主动减速——它从地图得知行人可能从特定斑马线位置的停靠车辆后方出现 | 高精地图＋激光雷达空间感知＋行为预测＝具有多重独立保障的遮挡安全系统；从停靠车辆后方奔跑出来的儿童在出现在任何传感器视野之前就已触发主动减速 |
| 骑行者与微型交通工具预测 | Waymo基于多年旧金山和凤凰城的商业数据训练了骑行者行为预测模型；根据航向、速度和道路语境估计2–5秒后的骑行者位置 | 骑行者行为比行人行为更难预测（骑行者移动更快，与交通互动更动态）；Waymo的预测已在多个城市和多年的真实城市骑行者行为上训练 | 真实商业城市骑行者的长期训练历史是一个重要优势；早期AV系统在城市骑行上举步维艰，因为骑行者在训练数据中代表性不足 |
| 安全记录（VRU） | Waymo的NHTSA SGO和加州DMV事故报告显示部分低速事件；Waymo发布的安全报告称截至2026年中期，商业无人驾驶运营中零VRU生命威胁伤亡（依公开报告） | 完整事件数据库可通过NHTSA SGO和加州DMV公开记录查询；媒体报道的事件包括车辆碰撞骑行者自行车（骑行者未受伤），以及车辆异常停车导致人类驾驶员轻微追尾 | Waymo在商业无人驾驶运营中的VRU安全记录相较人类驾驶基准表现强劲；然而，其车队规模较小（估计2,500辆以上，估计每周150,000次以上乘车），相对Tesla（估计600万辆以上）——统计比较需要费率标准化，而非绝对数量比较 |
第三节——Tesla FSD的纯视觉VRU检测
| VRU检测维度 | Tesla方法 | 详细说明 | 安全意涵 |
|---|---|---|---|
| 纯视觉VRU检测 | Tesla FSD完全依赖摄像头进行VRU检测（搭载Tesla Vision的新款Model 3/Y无激光雷达、无雷达）；FSD神经网络必须仅凭摄像头输入在所有光线和天气条件下检测所有VRU类别 | 低光条件下基于摄像头的VRU检测比基于激光雷达的更困难：摄像头需要环境光或主动光源在VRU和背景之间创造对比；夜间仅由车辆车灯照明的穿着深色衣物行人，比同一场景在日光下更难检测 | 夜间VRU检测是纯视觉AV的主要结构性限制：估计75%的美国行人死亡事故发生于黑暗条件（NHTSA数据）；纯视觉AV系统必须单靠神经网络和车灯工程在夜间达到等同激光雷达的VRU检测性能 |
| 端到端VRU学习 | Tesla的端到端FSD神经网络已在估计60亿英里以上的人类驾驶监督数据上训练，包括跨越多样地理、光线条件和天气的数百万VRU互动场景 | 规模优势：Tesla训练数据包含的VRU场景多样性比Waymo更多，因为其车队规模远大，且涵盖所有道路类型和时段的消费者驾驶 | 训练数据规模是VRU场景多样性优势；质量限制：VRU场景中人类驾驶行为并非始终是安全金标准——训练数据同时包含人类VRU检测错误和正确响应 |
| 主动车灯辅助夜间VRU检测 | Tesla使用车辆车灯照亮前方道路供摄像头检测；FSD摄像头采用高灵敏度图像传感器针对低光性能设计；每一代神经网络更新后夜间FSD性能均有显著提升 | 车灯照明的摄像头检测对正前方车灯照射锥内的VRU效果良好；来自周边（侧街、车道）的VRU及复杂环境光场景仍存在挑战 | Tesla夜间摄像头性能显著优于标准汽车摄像头；但主动激光雷达照明以高空间分辨率同时照亮所有方向，而车灯主要照亮前方锥形区域 |
| 骑行者预测 | FSD已在美国消费者车队中数十亿英里的人类驾驶对骑行者响应数据上训练；骑行者预测是FSD在消费者部署中展示显著进步的领域 | 消费者FSD用户对骑行者处理的评价褒贬不一；Tesla未公布系统性骑行者互动性能数据 | 消费者车队部署意味着FSD每周遇到的骑行者场景远多于Waymo；这种骑行者场景的规模优势有利于通过持续重新训练改进预测模型 |
| 已知的FSD VRU限制（已报告） | NHTSA调查包括对FSD在紧急车辆附近（VRU密集环境）和公路施工区（工人是VRU）行为的调查；2023年FSD v11.x召回涉及斑马线行人行为 | 每次NHTSA召回/调查代表一个FSD行为被认定不足的VRU场景；OTA更新解决了已报告问题；但纯视觉VRU边缘案例导致召回的模式，相对于Waymo的多传感器冗余，是一个结构性架构差异 | 纯视觉VRU检测需要持续改进神经网络以解决激光雷达可通过独立主动感测处理的边缘案例 |
| 安全记录（VRU，消费者FSD） | Tesla依常设上报令向NHTSA提交AV碰撞报告；Tesla报告显示消费者FSD碰撞事故多数涉及追尾和变道失误，而非VRU碰撞；VRU特定费率未在公开报告中单独列出 | NHTSA SGO碰撞数据库可公开查询；VRU特定分析需要按碰撞类型筛选；Tesla消费者车队以绝对数量产生更多碰撞（行驶里程远更多），但相关指标是每百万FSD启用英里碰撞次数——未单独披露 | Tesla未公布每百万英里FSD启用VRU碰撞率；没有这个费率，无法对Waymo无人驾驶VRU记录进行方法论上有效的直接比较 |
第四节——夜间安全：关键VRU战场
夜间是基于激光雷达和纯视觉VRU检测之间架构差异具有最大安全意涵的场景。NHTSA行人死亡数据显示，约四分之三的美国行人死亡事故发生于黑暗条件——使夜间表现成为VRU安全最重要的单一维度，而不仅仅是众多维度之一。
| 夜间VRU维度 | Waymo激光雷达系统 | Tesla纯视觉系统 | 为何重要 |
|---|---|---|---|
| 基本检测机制 | 激光雷达发射自有905nm激光脉冲；检测不受环境光影响；夜间穿着全黑衣物的行人以与日光下相同的距离和分辨率被检测到 | 摄像头需要反射光（环境路灯或车辆车灯）；低环境光环境需要高灵敏度图像传感器和神经网络适应传感器噪声 | 激光雷达夜间检测在物理上与日间检测相同——无性能下降；基于摄像头的检测在夜间面临激光雷达不存在的物理性能上限 |
| 夜间检测距离（估计） | 激光雷达在夜间条件下检测行人大小物体估计可达100–200米（估计值）；雷达以更低空间分辨率检测移动VRU距离更远 | 夜间基于摄像头的检测距离受车灯照射距离限制：近光灯估计50–100米，远光灯估计150–200米（估计值）；车灯照射锥外的VRU可能直到更近才被检测到 | 时速35英里的制动距离约需35米；时速45英里约需55米；车灯照射距离（尤其近光灯）在较高城市速度下对突然出现的VRU可能不足 |
| 夜间部分遮挡 | 激光雷达360度覆盖同时检测来自任何方向的VRU反射；从侧面踏下路缘的行人在所有光线条件和任何接近角度下均被检测到 | 摄像头车灯主要照亮前方锥形区域；从侧面或后方接近的行人不在车灯光束中，可能直到进入前方弧形区域才对前向摄像头可见 | Waymo激光雷达提供360度夜间VRU检测；Tesla车灯照明摄像头主要覆盖前方弧形——结构性检测几何差异 |
| 行人死亡率语境 | NHTSA数据：人类驾驶行人死亡事故在深夜/夜间达到高峰；黑暗条件（无路灯或车灯不足）是最危险的行人碰撞环境；任何AV系统必须在这种最高风险光线条件下超越人类驾驶性能 | 任何AV VRU安全主张都必须具体说明夜间表现——行人死亡事故最多的时段，正是激光雷达相对纯视觉系统具有最大结构性性能优势的时段 | 这是最重要的VRU安全维度：基于激光雷达和纯视觉夜间检测之间的差距，与最高风险和较低风险行人碰撞时段之间的差距完全吻合 |
| 天气性能下降 | 降雨和雾气在极端密度下会降低激光雷达性能；然而雷达能可靠穿透两种条件；激光雷达＋雷达＋摄像头组合即使在恶劣天气下也能提供冗余VRU检测 | 降雨和雾气直接降低摄像头能见度；大雨可能在安全制动所需距离上遮蔽前方摄像头的行人；针对恶劣天气训练的神经网络能提高性能，但无法克服降水造成的物理遮光 | 传感器冗余意味着即使主要传感器（激光雷达、摄像头）因天气受损，Waymo仍有备用VRU检测（雷达速度）；纯视觉系统没有独立的后备传感器 |
夜间安全分析汇聚到一个结构性结论：激光雷达的光源独立VRU检测在行人死亡事故最多且基于摄像头检测面临最大性能惩罚的确切时段（深夜至午夜）内，以零性能下降运作。这不是边际差异——而是在VRU安全最高后果运作条件下的安全架构差异。
第五节——VRU安全基准评分卡
| VRU安全维度 | Waymo | Tesla FSD | 优势 | 2028年展望 |
|---|---|---|---|---|
| 夜间VRU检测 | 高：激光雷达提供光源独立的VRU检测；夜间与日间无性能差距 | 中：基于摄像头的检测受车灯距离和环境光限制；神经网络工程显著缓解但无法匹敌激光雷达物理特性 | Waymo——最高风险光线条件下的结构性激光雷达优势 | 激光雷达成本下降和摄像头神经网络持续改进；差距缩小但激光雷达保留物理夜间检测优势至2028年 |
| 多传感器VRU冗余 | 高：激光雷达（空间）＋雷达（速度）＋摄像头（视觉分类）＝三条独立检测路径；任何单一传感器故障均由其他两条路径补偿 | 低：纯视觉意味着单一传感器故障模式（镜头污染、眩光伪影、神经网络边缘案例）对VRU检测没有独立后备 | Waymo——三条独立传感器路径对比一条 | 没有雷达/激光雷达的Tesla在架构上无法实现传感器冗余；这是根本性而非渐进性差异 |
| 骑行者行为预测 | 高：多年旧金山和凤凰城商业无人驾驶城市骑行者数据；预测在真实商业骑行场景上训练 | 高：数十亿英里人类驾驶数据，包含庞大的骑行者场景多样性；场景广度的规模优势 | 大致相当——各有优势：Waymo＝无人驾驶语境质量；Tesla＝规模/多样性 | 双方均随更多数据改进；比较需要目前尚未提供的每场景公开性能指标 |
| 儿童与微型交通工具检测 | 强：激光雷达无论高度或大小均检测所有实体物件；儿童可在与成人相同的距离被检测到；电动滑板车的小雷达截面由激光雷达补偿 | 依赖训练数据：依赖在儿童/微型交通工具场景上训练的神经网络；儿童较矮的身高是基于摄像头检测在较远距离的已知挑战 | Waymo——激光雷达尺寸无关的检测对较矮VRU是结构性优势 | 神经网络改进帮助Tesla；激光雷达尺寸无关性至2028年仍是根本架构优势 |
| 遮挡安全 | 强：高精地图在检测到任何VRU之前提供主动斑马线减速；激光雷达提供遮挡物周围的空间语境 | 标准：FSD从视觉场景语境推断遮挡风险；在已知遮挡位置无基于地图的主动减速 | Waymo——高精地图＋激光雷达在已知遮挡点启用主动安全边际 | Tesla端到端模型可从训练中学习遮挡风险推断；基于地图的主动减速仍是Waymo特有的结构性能力 |
| 法规事件透明度 | 高：NHTSA SGO＋加州DMV事故报告可公开查询；Waymo发布具有具体安全指标的年度安全报告 | 中：已提交NHTSA SGO报告；VRU特定碰撞率未单独公布；FSD启用碰撞率未披露 | Waymo——更透明的VRU安全报告使外部验证成为可能 | 双方公司均面临VRU特定数据的日益严格法规要求；强制VRU费率披露可能于2028年前实施 |
总体结论： 夜间VRU检测是多传感器对比纯视觉架构差异具有最明确和最重要安全意涵的领域。激光雷达的光源独立VRU检测是在人类驾驶行人死亡事故最多的确切条件下发挥作用的主动安全机制。Tesla的纯视觉方案要求神经网络在夜间解决一个从根本上更难的感知问题——尽管FSD在每个版本都有显著改进，但纯视觉夜间检测在不进行根本性传感器架构变更的情况下，无法匹敌激光雷达的物理级夜间检测能力。
对于大规模商业无人驾驶运营，VRU安全法规环境正朝着多传感器冗余要求方向演进。欧盟AV法规草案和美国NHTSA的AV安全框架均强调完全无人驾驶（非监督型）AV服务的传感器冗余。Tesla的纯视觉架构在VRU安全要求针对无人驾驶部署收紧时——而非针对在不同法规层级下运作的监督型消费者FSD——可能面临日益增加的法规阻力。在当前法规和安全架构格局下，结构性传感器优势属于Waymo；Tesla的神经网络改进轨迹能否在2028年前缩小差距，是本基准下一代的关键问题。
资料来源：NHTSA常设上报令AV碰撞数据库（nhtsa.gov）；加州DMV AV事故报告（dmv.ca.gov）；Waymo安全报告（waymo.com/safety）；NHTSA行人安全数据（nhtsa.gov/road-safety/pedestrian-safety）。所有标记为（估计）的数据均为基于公开披露、法规申报和第三方报告的估计值；尚未经独立验证。