2026-06-18 — views

自駕車天氣性能 — 雨、雪、霧與感測器極限：解析 Waymo 南擴策略與 Tesla 的攝影機優勢

雨、雪、霧如何以不同方式降低光達、攝影機與雷達的性能——以及感測器物理學如何解釋所有大型自駕車公司的太陽帶擴張模式。

Physical AI 基準測試系列第 104 篇 — 自駕車天氣性能：雨、雪、霧如何分別降低各感測器的性能，以及物理學（而非策略）如何解釋 Waymo 選擇鳳凰城開業的原因

惡劣天氣是自駕車最常被引用的局限之一，也是最被誤解的議題之一。當這個話題出現在公眾討論中，通常被籠統歸為「惡劣天氣」一類。但雨、雪、霧是三種截然不同的物理現象，對自駕車四種主要感測器——攝影機、光達、雷達和超音波——的降級方式、速率和可用備援選項各不相同。

這些感測器物理特性，疊加在每年數千個作業日之上，正是每家大型自駕車公司地理擴張模式的直接解釋。先選鳳凰城，其次是太陽帶城市，最後才是積雪嚴重的北方城市（如果近期有計畫的話）。這不是戰略偏好，而是感測器技術現況、在有效感測器範圍從 200 公尺驟降至 10–20 公尺（估算值）的條件下運營的成本限制，以及在沙漠城市積累里程的車隊所面臨的訓練數據局限所共同造成的約束。

本文將自駕車天氣性能作為 Physical AI 系列的基準測試維度進行分析，涵蓋各感測器類型在惡劣條件下的物理特性、Waymo 光達主導架構與 Tesla 攝影機主導架構各自的優勢與失效模式、由感測器限制所導致的地理擴張模式，以及任何自駕車公司在芝加哥、波士頓或水牛城進行商業運營前必須解決的技術問題。

第一節 — 天氣如何影響各感測器類型

商業自駕車平台所使用的四種感測器透過不同的物理機制與天氣互動。理解這些機制是理解自駕車公司所有地理與技術決策的基礎。

感測器	晴天性能	雨天性能	雪天性能	霧天性能	備註
攝影機（可見光）	優良 — 高解析度、豐富色彩與紋理	降級 — 鏡頭水滴使影像模糊；其他車輛濺水降低能見度	嚴重降級 — 鏡頭積雪遮擋視線；白雪背景對比度喪失	中度降級 — 霧降低對比度與有效範圍	Tesla FSD 完全依賴攝影機；鏡頭加熱與清潔可部分緩解
光達（雷射，905nm 或 1550nm）	優良 — 精確 3D 點雲，不受環境光影響	中度降級 — 雨滴散射雷射脈衝；大雨可將有效範圍從約 200m 縮至 ~50–100m（估算值）	嚴重降級 — 雪花散射雷射；濕雪最差；乾雪中度影響	嚴重降級 — 霧滴散射雷射的程度甚於雨；濃霧可將光達範圍縮至約 10–20m（估算值）	Waymo 以光達作為主要 3D 感測器；舊金山的霧是真實的運營挑戰
雷達（77GHz）	良好 — 可穿透大多數天氣條件；解析度低於光達	優良 — 幾乎不受雨影響；可穿透濺水	良好 — 可穿透大多數雪；可能因雪堆產生假回波	優良 — 穿透霧氣；在 77GHz 波長下不受水滴散射影響	雷達是天氣穩健性最高的感測器；Waymo 將雷達作為天氣備援層
超音波	近距離（5m 以內）良好	良好 — 不受降水影響	良好	良好	用於低速停車與機動；不適用於高速公路行駛

為何光達在霧中苦苦掙扎，而雷達卻不

光達和雷達之間的物理差異歸結於波長。光達在近紅外波長（905 奈米或 1550 奈米）下工作。霧滴的直徑通常為 1–100 微米，相對於這些波長足夠大，能有效散射雷射脈衝，大幅降低返回光達接收器的信號。濃霧層可將光達有效範圍從 200 公尺縮至不足 20 公尺（估算值），遠低於高速行駛所需的停車距離。

77GHz 的雷達工作波長約為 4 毫米——遠大於霧滴。在此波長下，霧滴太小，無法有效地散射雷達信號。雷達波束穿透霧氣時衰減極小。這就是 Waymo 感測器融合架構將雷達作為低能見度條件下主要測距感測器的原因，當霧氣置信度指標觸發時，會對光達回波降低權重。

為何雨天光達的問題與霧天不同

雨對光達的影響不同於霧。雨滴較大（0.5–5 毫米），意味著它們直接攔截和反射雷射脈衝，而非漫射散射。這產生兩個問題：雷射脈衝擊中雨滴時能量損失，降低對後方實際目標的測距範圍；雨滴本身在點雲中返回假點，感知流水線必須過濾這些假點。大雨因此降低光達範圍（估算大雨時 200m → 50–100m），並增加必須過濾的雜散點。

第二節 — 為何鳳凰城是 Waymo 的首個商業市場

Waymo 選擇鳳凰城作為首個商業無人駕駛市場，主要不是監管或人口決策，而是感測器物理決策。

鳳凰城特徵	天氣相關性
年降雨量	約 8 英寸/年 — 是美國主要城市中最低的之一
每年降雨天數	約 36 天（估算值）— 不足 10% 的天數有任何可測量的降雨
降雪	大鳳凰城都會區幾乎從不降雪 — 海拔太低
霧	罕見 — 沙漠氣候，濕度低
溫度極端	夏季高溫超過 115°F — 影響電池性能，但不影響感測器物理特性
自駕車運營結果	光達和攝影機在估算約 90% 以上的運營日中近乎最優性能；天氣對正常運行時間沒有實質性約束
對比：舊金山	舊金山每年約有 70 個霧天（估算值）；Waymo 舊金山車隊定期在霧中行駛，顯示系統可在中等霧中運行，但感測器性能裕度降低
對比：芝加哥	芝加哥每年平均積雪 38 英寸、低溫天數 125 天 — 這是與鳳凰城截然不同的運營挑戰；截至 2026 年中，尚無大型自駕車公司在芝加哥推出商業無人駕駛服務（估算值）

第三節 — Tesla 的天氣主張：僅靠視覺在惡劣條件下運行

Tesla 在天氣性能辯論中的立場與 Waymo 從根本上不同。Tesla 的 FSD 系統完全依賴攝影機，沒有光達，且最近幾代硬體沒有雷達。這在惡劣天氣中既帶來特定優勢，也帶來特定弱點。

Tesla FSD 天氣主張	技術現實
「在雨中正常工作」	適用於中等降雨 — 具備鏡頭加熱的相機影像處理可應對輕至中度雨；大雨或積水時性能下降
「在雪中正常工作」	輕雪部分成立 — 道路嚴重積雪時車道標線消失（FSD 高度依賴車道標線）；攝影機積雪是重大挑戰
「無 HD 地圖依賴意味著天氣中無地圖偏移」	真實優勢 — Waymo 的 HD 地圖若道路因施工或除雪而改變可能過時；Tesla 僅從實時攝影機畫面導航，能適應實際條件
「影子模式在所有天氣中 = 天氣訓練數據」	真實優勢 — Tesla 消費者車隊每天在雨雪中行駛，產生 Waymo 有限的無人駕駛車隊無法以可比規模積累的惡劣天氣訓練數據
關鍵弱點	攝影機系統在大雪中（白雪背景）失去車道標線可見度；大雨中有效範圍縮短；最近幾代 FSD 缺少雷達，意味著沒有天氣穩健性備援感測器
關鍵優勢	無光達意味著無光達特有的霧雨散射問題；攝影機加神經網路處理具有不同（不一定更差）的故障模式

訓練數據不對稱是 Tesla 最重要的天氣優勢。Tesla 的消費者車隊估算有數百萬輛（估算值），其中大多數在日常使用中在雨、雪、霧中行駛。每輛啟用 FSD 的 Tesla 在惡劣天氣中行駛的每一英里，都會以感測器情境（攝影機影像）標記正確駕駛行為（人類駕駛員所做的事情）來生成訓練數據。

第四節 — 按地理區域的天氣性能基準

地區	年降水量	積雪	霧	自駕車天氣挑戰	首家自駕車運營商（估算值）	Waymo 時程（估算值）
亞利桑那州鳳凰城	8 英寸/年	無	罕見	極低	Waymo — 2020 年無人駕駛	已上線
德克薩斯州奧斯汀	34 英寸/年	罕見	偶爾	低	Waymo — 2025 年、Tesla	已上線
加州洛杉磯	15 英寸/年	無	偶爾沿海霧	低	Waymo — 2024 年	已上線
加州舊金山	24 英寸/年	無	頻繁霧（約 70 天，估算值）	中等	Waymo — 2023 年	已上線
喬治亞州亞特蘭大	50 英寸/年	偶爾（2–4 英寸/年）	偶爾	中等	Waymo — 預計 2026–2027（估算值）	籌備中
佛羅里達州邁阿密	62 英寸/年	無	偶爾	中等（大雨）	無商業無人駕駛（估算值）	中期（估算值）
華盛頓州西雅圖	38 英寸/年	偶爾	頻繁霧	中高	無商業無人駕駛（估算值）	長期（估算值）
伊利諾伊州芝加哥	積雪 38 英寸/年	38 英寸/年	偶爾	高	無商業無人駕駛（估算值）	長期（估算值）
麻薩諸塞州波士頓	積雪 44 英寸/年	44 英寸/年	偶爾	極高	無商業無人駕駛（估算值）	長期（估算值）
紐約州水牛城	積雪 94 英寸/年	94 英寸/年	頻繁	極端	無商業無人駕駛（估算值）	非常長期（估算值）

第五節 — 北方城市部署需要解決的問題

技術挑戰	當前狀態（估算值）	潛在解決方案
路面積雪 — 車道標線喪失	商業品質下未解決 — 重度積雪下攝影機和光達均喪失車道標線	HD 地圖加 GNSS 航位推測（即使標線不可見也知道道路在哪裡）；光達可探測路緣和護欄；需要大量投資
感測器積雪	加熱元件可緩解中度積雪；光達罩有氣動清潔系統	現有方案適用於中度積雪；極端積雪仍有問題
霧中光達範圍縮短	功能性降級 — 有效範圍從約 200m 降至濃霧中約 10–20m（估算值）	霧中雷達作為主要測距感測器；在低置信度條件下降低光達權重的融合演算法
路面結冰 — 牽引力喪失	車輛動力學挑戰，不僅僅是感知問題；ABS/牽引力控制應對大多數情況	來自雷達回波和車輛動力學感測器的摩擦力估算；結冰條件下自動降速
除雪車和道路處理	除雪車造成意外障礙；路鹽改變路面外觀	來自雪城市的訓練數據；Waymo 北方城市數據有限（估算值）
Tesla 優勢	消費者 Tesla 車隊每天在芝加哥、波士頓、水牛城行駛 → 影子模式自動生成北方城市訓練數據	Tesla 透過現有消費者車隊自動積累此數據；Waymo 必須在部署前向北方城市派遣製圖車輛

注意： 本文所有性能估算、範圍降級數據、車隊規模、城市天氣統計數據和運營時程均為基於公開資訊、已發表研究和截至 2026 年中的行業分析的方向性估算。標有「（估算值）」的數字不應被視為已確認的數據。本文不構成投資建議。