2026-06-18 — views

Physical AI 天气与边缘案例 — Tesla FSD 对 Waymo：雨、雪、雾与施工区表现基准

Waymo 商业运营不含雪地市场；Tesla FSD 镜头易受强光致盲。雷达是两种架构在雨天与雾中的关键传感器。降雪是 Waymo 商业扩张的最大瓶颈。

Physical AI 基准系列第 153 篇 — Physical AI 天气与边缘案例：Tesla FSD 与 Waymo 如何应对雨、雪、雾、施工区及长尾异常场景

天气与边缘案例是自动驾驶技术中技术难度最高的维度，也是 Tesla 和 Waymo 均未能实现全国规模无人商业部署的核心原因之一。在恶劣条件下的传感器物理限制、各公司对操作设计域（ODD）的限制，以及训练数据无法完全涵盖的长尾异常场景，共同决定了当今 AV 技术的实际天花板。本文为 Physical AI 基准系列第 153 篇，对两家主要 Physical AI 架构在恶劣天气和边缘案例维度进行全面基准测试。

所有标记”（估计）“的数字均来自公开披露、行业研究、事件报告和分析师估计，而非经过独立验证的原始数据。

第 1 节 — 传感器物理学：天气如何影响摄像头、激光雷达和毫米波雷达

传感器类型	降雨影响	降雪影响	雾影响	强光/眩光	夜间
摄像头（可见光）	中度降级——镜头上的水滴降低清晰度；大雨的能见度下降类似人类视觉	严重降级——镜头上的积雪使摄像头失能；飘雪产生视觉噪声	中度至严重——雾散射光线，降低对比度和感知距离	严重——直射阳光可暂时使摄像头失明；NHTSA 曾调查 Tesla FSD 阳光眩光问题	中度——依赖路灯和车头灯；无主动照明
激光雷达（激光脉冲）	中度——雨滴散射激光返回信号；大雨增加误判	严重——雪花产生强烈激光回波，模拟固体物体；传感器窗口积雪遮蔽光束	严重——水滴散射 905nm 和 1550nm 激光，大幅缩短有效感知距离	影响极小——激光雷达为主动照明，不受可见光眩光影响	优秀——主动照明，不依赖环境光
毫米波雷达	优秀——雷达穿透雨水能力强，降级极少	良好——雷达穿透雪；部分天线罩积雪可影响信号	优秀——雷达穿透雾，降级极少	优秀——不受可见光影响	优秀——主动照明，不依赖环境光
摄像头加雷达融合（Tesla HW4）	大雨时摄像头降级；雷达维持探测——融合保留安全余量	大雪时摄像头严重降级；雷达维持但无激光雷达备援	雾中摄像头降级；雷达维持——融合表现远优于纯摄像头	摄像头易受眩光；雷达不受影响——NHTSA 已调查并部署 OTA 改善	摄像头依赖车头灯；雷达提供主动探测
摄像头加激光雷达加雷达融合（Waymo）	摄像头降级；激光雷达中度降级；雷达优秀——三重冗余提供韧性	摄像头严重降级；激光雷达严重降级；雷达良好——大雪时双重弱点	摄像头降级；激光雷达严重降级；雷达优秀——雷达是关键全天候传感器	摄像头易受眩光；激光雷达和雷达均不受可见光影响——结构性优势	摄像头需要环境光；激光雷达和雷达均主动照明——双主动传感优势
核心洞察	雷达是全天候传感器；激光雷达在强降水中失效；摄像头在眩光和黑暗中失效。Tesla 的摄像头加雷达架构在雨天、雾中和夜间凭借雷达保持韧性。Waymo 的三重融合有冗余优势，但激光雷达在雪中的弱点是真实的运营缺口。

第 2 节 — 各公司操作设计域（ODD）限制

ODD 定义了 AV 系统可在无人监督下运作的条件。ODD 限制与传感器性能同等重要——一个传感器融合更优秀的系统仍可能因 ODD 排除重要地理市场而在商业上受限。

条件	Waymo 商业 ODD	Tesla FSD 监督 ODD	Tesla Robotaxi Austin ODD（估计）	备注
轻至中度降雨	降速运作（估计）	正常运作	正常运作（估计）	两者均可在轻中度降雨下运作
大雨	有限制运作；大雨可能触发安全停止（估计）	可运作但脱离率上升（估计）	有限制（估计）	大雨降低两家公司的系统能力
降雪（任何程度）	不运作——Waymo 商业上不在雪地运作；所有 4 个商业市场（旧金山、凤凰城、洛杉矶、奥斯汀）均为低降雪地区；明确的 ODD 限制	监督 FSD：驾驶员可在雪中使用（驾驶员承担责任）；介入率较高（估计）	不在 Austin ODD 范围内（奥斯汀极少下雪）	Waymo 的明确雪地排除是根本性的地理扩张壁垒
轻至中度雾	正常运作	正常运作	正常运作（估计）	两者均可在轻中度雾中运作
浓雾	降速；近零能见度浓雾可能触发安全停止（估计）	驾驶员介入率在浓雾中上升	有限制（估计）	浓雾对两种架构均构成挑战
夜间	全面运作——激光雷达主动照明和雷达均不依赖环境光	全面运作——摄像头配合车头灯加雷达	全面运作（估计）	Waymo 双主动照明传感器具结构性夜间优势
阳光眩光	全面运作——激光雷达和雷达不受可见光眩光影响	NHTSA 已调查；OTA 更新改善；残留摄像头眩光风险持续	残留眩光挑战（估计）	Waymo 在眩光方面具结构性优势
施工区	需预先更新地图；未映射施工触发安全停止和远程协助请求（估计）	驾驶员须持续监视；施工区脱离率明显较高	持续挑战（估计）	两家公司在训练数据或地图中没有的新型施工布局均难以应对
未标记或褪色道路标线	具挑战性——HD 地图提供车道背景但褪色标线降低车道探测信心	非常具挑战性——FSD 高度依赖可见车道标线；褪色标线是已记录的失效模式	持续挑战（估计）	基于摄像头的车道探测在道路标线降级时存在结构性弱点
临时交通管制（旗手）	安全停止加远程协助；AV 无法可靠解读旗手手势（估计）	已记录的 FSD 失效模式；有旗手时需驾驶员接管	持续挑战（估计）	交通管制中的人类手势解读在所有公司中均是未解决的 AV 问题

第 3 节 — Tesla FSD 已记录的边缘案例挑战

边缘案例	FSD 行为	状态	备注
阳光眩光（直射摄像头致盲）	FSD 在直射阳光眩光事件中暂时失去视觉输入；NHTSA 2024 年调查	OTA 更新已部署；极端眩光条件下残留风险	纯摄像头视觉输入在摄像头被阳光致盲时无备援传感器
幽灵刹车	FSD 对非真实危险物体进行意外急刹；NHTSA 2023 年调查	OTA 更新大幅改善频率；偶有报告持续出现	幽灵刹车导致真实世界追尾事故；NHTSA 列为严重安全问题
施工区（新型布局）	FSD 在不符合训练数据模式的施工设置中错误识别车道边界；需驾驶员介入	持续改善中；施工区脱离率仍偏高（估计）	新型施工布局根据定义无法预训练——代表根本性的长尾挑战
紧急车辆（静止）	FSD 最初未能识别静止紧急车辆；NHTSA 2021 年调查	OTA 更新改善；NHTSA 持续监测	处于异常位置的紧急车辆（静止、倾斜、复杂灯光模式）仍具挑战性
环岛	FSD 在多车道环岛导航方面表现不佳；驾驶员常接管	持续改善；v14 及以上版本进步中	环岛有因司法管辖区而异的优先通行规则；多车道导航需要复杂的间隙接受决策
低速城市复杂性	FSD 在高速公路速度下表现良好；在复杂城市低速场景中表现较弱	随 v12 和 v13 端到端神经网络大幅改善	端到端模型相较于旧有规则型系统明显改善了低速复杂场景
穿越交通的左转	历来具挑战性；驾驶员在复杂无保护左转时频繁脱离	v13 和 v14 改善中；脱离率仍高于直线行驶（估计）	无保护左转需要在时间压力下做出间隙接受决策
骑行者与滑板车	对不常见双轮车辆的分类挑战；城市自行车道中存在预测错误	持续改善；神经网络方法对新型物体的处理优于旧有规则型系统	较不常见的车辆类型在训练数据中比例较低，导致训练分布中的边缘案例

第 4 节 — Waymo 边缘案例处理

边缘案例	Waymo 行为	状态	备注
施工区（预先映射）	表现良好——HD 地图包含已知施工布局；车辆在映射区域内高信心导航	已知施工区表现强劲	映射团队更新施工区；每个区域周转时间估计 1 至 7 天
施工区（未映射）	车辆安全减速停止；联系远程操作员；可重新规划路线或等待指导	已知运营缺口——新型施工需远程协助；无法自行解决	对 HD 地图及时性的依赖在地图更新间期的突发道路变化中造成脆弱性
紧急车辆	Waymo 已发布性能数据，显示对紧急车辆（启动警示灯和警报器）的让行可靠性	强劲——针对紧急车辆反应的专项训练；激光雷达和雷达在任何光线条件下均可探测	Waymo 紧急车辆让行的记录是其更有公开证据的安全能力之一
行人行为（异常）	横穿马路、异常穿越、拥挤人行道——Waymo 在旧金山城市行人行为上训练丰富	在已训练市场表现强劲；新地理市场中表现可能有所不同	旧金山密集多样的城市行人环境是全球最佳的 AV 行人边缘案例训练场
骑行者	强劲——城市骑行在 Waymo 训练市场中普遍；HD 地图记录自行车道位置	在有骑行基础设施的映射市场中表现强劲	自行车道 HD 地图背景增强传感器骑行者探测；摄像头加激光雷达提供比纯摄像头更好的骑行者分类
夜间和低光线	强劲——激光雷达主动照明和雷达均不依赖环境光；摄像头品质不那么关键	结构性优势——两个不依赖环境光的主动照明传感器	Waymo 双主动照明架构提供真实的结构性夜间优势
大雨	性能下降——激光雷达点云在大雨中大幅降级；可能触发安全停止	已知缺口；选择在低降雨量市场运作以部分缓解	地理 ODD 选择部分缓解大雨弱点，但限制了可服务市场
降雪	商业上不在雪地运作——所有四个当前商业市场的明确 ODD 限制	持续能力缺口；无法在不解决激光雷达雪地问题的情况下向降雪密集市场商业扩张	向雪地市场（芝加哥、波士顿、纽约、丹佛）扩张需要解决激光雷达雪地问题或接受监督运作限制

第 5 节 — 天气与边缘案例基准计分板

条件	Tesla FSD 优势	Waymo 优势	边缘胜负	备注
轻至中度降雨	摄像头加雷达表现良好	摄像头加激光雷达加雷达表现良好	平手	两者在轻中度降雨中均可运作；雷达是两种架构的韧性关键
降雪	摄像头加雷达——雷达在雪中稳健；摄像头降级但驾驶员监督	商业上不在雪地运作	Tesla（可在监督下尝试；Waymo 完全被排除）	Tesla 在驾驶员监督下可在雪地市场运作；Waymo 完全被排除于商业雪地运作之外
雾	摄像头降级；雷达维持；整体能力下降	摄像头降级；激光雷达在浓雾中降级；雷达维持	平手（雷达拯救两者）	两种架构在浓雾中均受限；雷达是两者的关键全天候传感器
阳光眩光	基于摄像头；NHTSA 调查；OTA 改善但残留摄像头眩光风险	激光雷达和雷达不受可见光眩光影响；无结构性眩光问题	Waymo	Waymo 通过非摄像头主动传感器在阳光眩光方面具有真实的结构性优势
夜间	摄像头（需要环境光）加雷达（主动）	摄像头加激光雷达（主动照明）加雷达（主动）	Waymo（双主动照明）	Waymo 两个主动照明传感器提供结构性夜间优势
施工区	脱离率较高；通常需要驾驶员介入	预先映射区域表现良好；未映射区域停止；远程操作员协助	平手（不同限制）	Tesla 依赖驾驶员；Waymo 依赖地图及时性和远程操作员
复杂城市行人	端到端神经网络在复杂行人场景中持续改善	在拥有丰富行人训练数据的已训练城市市场中表现强劲	略偏 Waymo（更多无人驾驶城市里程训练）	Waymo 在复杂行人环境中积累了更多无人驾驶城市里程
地理扩张	可在监督 FSD 下在雪地和冰地市场运作；更广泛地理 ODD	商业无人驾驶运作限制在低降雪地区	Tesla（监督下更广泛地理 ODD）	Tesla 的摄像头加雷达允许在所有天气下进行监督 FSD；Waymo 在雪地中无法商业无人驾驶运作
总体裁决	Tesla 的摄像头加雷达架构凭借雷达在雨天、雾中和夜间具有天气韧性；在直射阳光眩光方面存在结构性弱点，并依赖驾驶员监督雪地市场。Waymo 的三重融合在眩光和夜间方面更优；因激光雷达而在强降水中受到结构性限制，且在商业上被排除于雪地市场之外。悖论：Waymo 的多传感器冗余在其运营域内更好地处理更多条件，但 Tesla 的摄像头加雷达在监督下覆盖更广泛的地理条件（包括雪地市场）。对于全国规模的商业无人驾驶部署，两种架构今天都无法完全解决天气问题——但解决降雪问题是 Waymo 更大的商业扩张瓶颈。

注意： 所有标记”（估计）“的数字均来自截至 2026 年中的公开披露、行业研究、分析师估计、NHTSA 调查报告和报道数据。本文不构成安全认证或监管评估。