2026-06-18 👁️ — views

自動駕駛夜間與低光源性能——純視覺與 LiDAR 感測堆如何應對黑暗與惡劣天氣

夜間與惡劣天氣佔真實行駛里程約 50% 的安全風險——Tesla 純視覺與 Waymo LiDAR 感測堆的性能差異直接決定自動駕駛地理擴張與商業規模。

實體 AI 基準系列第 53 篇——黑暗、降雨與眩光

作業設計域（ODD）告訴你自動駕駛車輛被允許在哪裡行駛；夜間與惡劣天氣則告訴你它實際上能擴展到哪裡。這兩項條件——黑暗與降水——並非邊緣情境。美國約 25% 的車輛里程發生在晚上 9 點至早上 6 點之間（NHTSA 估計），然而約 50% 的致命交通事故卻發生在這段時間。雨、霧、雪則涉及約 17% 的所有車輛事故（FHWA）。一輛無法在低光源與潮濕條件下可靠運作的自動駕駛車輛，只能服務於總體行駛需求的一小部分。

自動駕駛領域最持久的技術爭論——Tesla 的純視覺方案對比 Waymo 的 LiDAR 加攝影機加雷達感測堆——最終不是在日光良好的郊區場景中見分曉（兩套系統在那裡表現都不錯），而是在暴露架構極限的惡劣條件下。本文梳理那些極限：每種感測器在黑暗中看到了什麼、每個系統在雨中和霧中如何降級、兩家公司在運營層面如何應對那些限制，以及在任何一套感測堆能以商業規模服務積雪地帶之前，必須改變什麼。

所有標記（估計）的數字均為基於已發布研究、公司公開披露及行業報告的估算，未在受控測試條件下獨立驗證。

第一節——為何低光源性能是自動駕駛規模化的關卡

人類駕駛者在夜間發生致命交通事故的可能性約為白天的 3 倍（NHTSA 估計）。自動駕駛車輛若要比人類駕駛者更安全——這是商業部署和監管許可的合理性基礎——必須超越這個「夜間比白天差 3 倍」的人類基準，而不僅僅是達到它。

對商業規模的意義是直接的：一輛入夜後駛離道路或在雨中拒絕服務的機器人計程車，並非在與人類駕駛者競爭——它只是一個晴天補充品。向美國東北部密集城市、歐洲市場或亞洲市場的地理擴張，需要在雨中、眩光中以及至少城市夜間條件下運行。積雪地帶性能是最遠的地平線，目前兩大主流感測堆均尚未達標。

第二節——感測器物理學：各技術在黑暗中看到什麼

理解這場爭論需要先理解物理學。不同感測器與環境光線有著根本不同的關係。

根本的分水嶺在於主動與被動之別。攝影機是被動感測器——它記錄環境中存在的光子。夜間，在缺乏人工光源的情況下，攝影機幾乎沒有東西可以記錄。LiDAR 和雷達是主動感測器——它們發射自身能量（雷射脈衝、無線電波）並記錄回波。主動感測器在物理上基本不受環境光缺失的影響。這種不對稱性是夜間主導使用場景中多感測器堆技術論點的核心。

第三節——Tesla 純視覺方案的夜間表現

Tesla 於 2021 年從新車型中移除雷達，且從未使用過 LiDAR，理由是人眼等效感測器即可實現人類水平的駕駛。FSD 完全依賴每輛車八個攝影機——前向窄角和廣角、後向及柱式攝影機——加上在 Tesla 自研 FSD 晶片上運行的神經網路推論。

神經網路補償論點並非沒有依據。全球 Tesla 車隊在各種照明條件下——城市幹道、高速公路匝道、停車場、鄉村雙車道——產生大量夜間行駛數據。根據已報告的情況，在這些數據上訓練的端對端模型確實大幅改善了幽靈剎車率和可變照明下的車道保持。合理的問題是：學習記錄人類夜間行駛的模式匹配，能否最終達到完全無人駕駛商業運營所需的安全底線，抑或只是漸近接近它所訓練的人類性能而無法超越。

第四節——Waymo 多感測器方案的夜間表現

Waymo 以 LiDAR 為主要感測器，輔以攝影機和雷達。夜間的感測器組合形成了一種結構性優勢，這是任何基於攝影機數據的神經網路訓練都無法完全複製的——因為 LiDAR 的夜間性能不是學習得來的能力，而是主動雷射測距的物理特性。

感測器冗餘的架構意義至關重要。純視覺系統在低光源下只有一種失效模式：攝影機看得更少。多感測器系統具有容錯能力：如果攝影機鏡頭被雨水浸濕，LiDAR 和雷達繼續提供場景表達；如果 LiDAR 回波密度在強降水中下降，攝影機和雷達繼續提供目標偵測。多感測器堆的降級曲線比單模態系統更平緩、更可預測，即使各個感測器的降級速度快於攝影機在有光環境下的降級速度。

第五節——惡劣天氣：雨、霧與雪

降水引入了部分獨立於純黑暗的失效模式。每種天氣類型對感測器堆的影響不同。

霧的場景尤具說明性。霧同時散射可見光（使攝影機降級）和雷射脈衝（使 LiDAR 降級）。在濃霧中，多感測器優勢大幅縮窄——雷達是唯一性能可靠的感測器，但毫米波雷達的低空間解析度限制了其單獨支援自主導航的能力。這是兩種架構最終匯聚到相同約束的條件：感測器回傳不足以支援安全的高速導航。

第六節——觀察重點：夜間與天氣作為商業擴張的關卡

Tesla 和 Waymo 目前都在保守的作業設計域（ODD）內運行，排除了最惡劣的條件。理解必須做出哪些改變才能擴展這些 ODD，揭示了需要關注的近期投資和技術信號。

Waymo 的擴張路徑：

固態 LiDAR 的改進減少了使旋轉 LiDAR 頭易受積雪影響的活動部件失效模式。Waymo 的捷豹 I-PACE 車隊（第五代）和專用極氪車輛（第六代）採用了改進的感測器封裝，解決了部分熱管理和降水暴露問題。感測器頭加熱系統——部分 Waymo 車輛已在使用——能降低但無法消除積雪風險。有意義的積雪地帶部署需要固態 LiDAR 成本和降水容忍度的重大突破。

Tesla 的擴張路徑：

v12 和 v13 端對端模型代表了從目標偵測規則到全駕駛分布模仿學習的真正架構轉變。這種方法比基於規則的前身更直接地受益於車隊夜間數據規模的增長。剩餘的開放問題是：純視覺訓練能否最終泛化到訓練集中代表性不足的照明條件和道路環境，或者低頻邊緣案例（零環境光的鄉村道路、鈉蒸氣路燈下的黑冰、眩光與潮濕路面反射同時發生）是否需要攝影機無法替代的感測器模態。Tesla 在部分內部研究背景下重新考量過雷達（估計）；這是否會轉化為量產硬體變更仍未確認。

共同的監管前沿：

監管框架目前更多是隱式而非顯式地區分地理圍欄晴天部署與一般自動駕駛運營。隨著 Waymo 和 Tesla 都在推動更廣泛的商業部署，監管機構將被迫明確規定惡劣天氣和夜間條件的性能底線，作為非地理圍欄認證的前提條件。擁有已驗證夜間和降雨運營數據的公司將在那些監管對話中佔有結構性優勢——Waymo 鳳凰城夜間運營記錄是直接相關的證據；Tesla 在惡劣條件下的脫離接管數據（未以可比較精細度公開披露）是差距所在。

資料來源：NHTSA 交通安全數據——致命事故分析報告系統（nhtsa.gov）；FHWA——道路天氣管理，天氣與道路安全統計（ops.fhwa.dot.gov）；Tesla Vision 純視覺自動駕駛方案概覽（tesla.com/autopilot）；Waymo 感測器方案及運營更新（waymo.com/blog/）。所有標記（估計）的數字均為基於已發布研究、公司公開運營披露及行業報告的估算，未在受控測試條件下獨立驗證，應視為方向性而非精確數字。

來源

• NHTSA 交通安全數據——夜間行車統計 ↗
• FHWA——天氣與道路安全統計 ↗
• Tesla Vision——純視覺自動駕駛方案 ↗
• Waymo 感測器方案概覽——Waymo 部落格 ↗

標籤