2026-06-18 — views

實體 AI 極端天氣 2026 — Waymo LIDAR 霧中表現 vs Tesla FSD 相機雪地性能：全天候自動駕駛基準測試

Waymo 以 1550nm LIDAR 應對舊金山大霧。Tesla FSD 仰賴積雪地區訓練資料。截至 2026 年中，無任何 AV 系統通過大雪或結冰路面的無人駕駛驗證。

實體 AI 基準系列第 207 篇——全天候部署挑戰

天氣是自動駕駛車輛商業化中最被低估的限制因素。每種 AV 感測器模態——LIDAR、相機、雷達——與降水、霧氣和極端溫度的關係都根本不同。2026 年商業 AV 服務的地理部署格局並非偶然：它直接反映了當今感測器堆疊在哪些地區表現足夠可靠，以便在沒有人類備援駕駛的情況下運作。商業 AV 部署在陽光地帶的主導地位（鳳凰城、奧斯汀、洛杉磯、舊金山、亞特蘭大），以及芝加哥、波士頓、底特律和明尼阿波利斯完全沒有商業無人駕駛服務，這是關於感測器物理學的技術事實，同樣也是商業或監管選擇。

本文以 Waymo 以 LIDAR 為主的感測器融合堆疊對比 Tesla 以相機為主的 FSD 系統，評估其在全譜惡劣天氣條件下的表現。分析基於物理原理（波長相關散射、毫米波雷達穿透性）、公開披露的操作設計域（ODD）邊界，以及 Tesla 600 萬輛以上車隊在積雪地區地理環境所提供的訓練資料廣度優勢。所有標記（估計值）的數字，均為公開披露和物理原理的估算值，官方資料未發布時採用。

第一節——實體 AI 部署中的天氣鴻溝

2026 年商業 AV 服務的地理部署格局並非偶然。Waymo 的運營城市——舊金山、鳳凰城、洛杉磯、奧斯汀、亞特蘭大——有一個關鍵共同特徵：它們要麼是沙漠（鳳凰城：年均降雨量估計約 8 英寸（估計值）），要麼是溫和的沿海城市（舊金山：定期有霧但溫度溫和，極少結冰），要麼是溫暖的城市（奧斯汀、洛杉磯、亞特蘭大）。顯著缺席的是：芝加哥（積雪、極寒）、波士頓（積雪、凍融循環）、底特律（積雪、冬季暴風雪）、明尼阿波利斯（極寒、大雪）和紐約市（複雜城市環境加偶發積雪）均無主要商業無人駕駛 AV 服務。

這一地理差距既是技術限制，也是商業優先選擇——但技術限制是前提。AV 公司選擇陽光地帶城市，是因為其技術在那裡更可靠，也因為德克薩斯州和亞利桑那州的監管環境更為寬鬆。積雪地區的缺席，主要不是監管失敗，而是當前感測器堆疊達到性能極限的直接反映。

三種主要 AV 感測器模態具有根本不同的天氣性能特徵：

LIDAR（光學，雷射脈衝）： 對天氣敏感。905nm 或 1550nm 波長的雷射脈衝在遇到雨霧中的水滴和降雪的雪花時會發生散射。大雨顯著降低 LIDAR 有效探測距離。密霧將 LIDAR 有效探測距離從晴天的估計 200 公尺以上，降至密集沿海霧氣中的估計 50–70 公尺（估計值）。積雪積聚在車輛外部的 LIDAR 感測器外殼上，可能造成物理遮擋。最佳表現：晴天。最差表現：密霧加大雪的組合。

相機（可見光和近紅外）： 對天氣敏感。雨中相機鏡頭上的水滴降低影像清晰度。霧中對比度降低，使物件邊界更難辨識。積雪道路會完全消除車道標線——繪製的線條和道路邊界都消失在白色積雪之下。夜晚加大雨加霧是任何以相機為基礎系統的最差情況，因為環境光線減少加劇了對比度降低。最佳表現：白天晴天。最差表現：夜間大雨加霧的組合。

雷達（毫米波，汽車標準 77 GHz）： 對天氣具有強韌性。毫米波雷達訊號以最小衰減穿透雨、霧和雪。雷達有效距離和速度精度基本不受降水影響。關鍵限制不在於天氣性能，而在於空間解析度：雷達提供距離和速度數據，但無法像 LIDAR 點雲或相機影像那樣重建物件形狀。雷達可探測到有東西存在及其移動速度，但無法判斷那是行人、垃圾桶還是停放的車輛。

感測器堆疊架構決定整體天氣強韌性。Waymo 的三重冗餘方案（LIDAR 加相機加雷達）在結構上比 Tesla 以相機為主的方案（相機為主、雷達為輔）更具天氣強韌性，因為當 LIDAR 和相機均退化時，雷達仍保持完整性能。然而，Tesla 的訓練資料廣度——估計每週數千萬英里，覆蓋包括積雪地帶州份在內的全美地理環境（估計值）——通過在惡劣條件下的學習式模式識別，部分補償了相機的物理限制。

溫度極端值增加了另一個維度。鳳凰城夏季最高氣溫可達估計 115°F 以上（估計值），對電動車電池熱管理和感測器電子設備造成壓力。明尼阿波利斯和芝加哥的冬季氣溫可低至估計零下 20°F（估計值），使電動車電池續航降低 30–40%（估計值），並影響輪胎摩擦力和感測器校準。這些溫度極端值是 AV 地理部署決策中除降水外的額外因素。

第二節——Waymo 天氣表現：LIDAR 在霧、雨和輕度惡劣天氣中的表現

Waymo 的商業無人駕駛服務在舊金山、洛杉磯、鳳凰城和奧斯汀運營——四座城市合計讓 Waymo 感測器堆疊接觸城市霧氣、適度降雨和嚴酷的沙漠雷暴，但不接觸大雪或持續結冰的道路。下表描述了 Waymo 感測器堆疊在當前商業運營所遭遇天氣條件下的行為。

天氣條件	Waymo 感測器堆疊行為	操作回應	當前部署狀態
城市霧氣（例如舊金山的霧神卡爾）	密霧中 LIDAR 探測距離降低；Waymo 的 1550nm LIDAR 波長在霧中的散射比短波長 905nm 系統少；Waymo 開發了霧濾波演算法，通過時間一致性區分霧回波訊號和物件回波；相機在中度霧氣中保持部分能見度	Waymo 在定期有霧的舊金山商業運營；特定霧氣感知堆疊調整；舊金山的運營成功表明城市霧氣在 Waymo 商業驗證的 ODD 內	商業無人駕駛服務在舊金山運營；舊金山霧氣條件在 ODD 內處理；密集沿海霧氣事件可能觸發保守駕駛行為（降速、增加跟車距離）
小到中雨	LIDAR 點雲在雨中變得更嘈雜；雨滴返回訊號顯示為假陽性物件；Waymo 軟體使用時間一致性過濾雨滴返回（雨滴不會在連續掃描的同一 3D 位置出現）；相機出現鏡頭積水退化和對比度降低；雷達保持完整性能	Waymo 在舊金山和奧斯汀的雨天繼續運營；雨天特定訊號處理演算法啟動；雨天保守降速和增加跟車距離	所有運營城市在小到中雨中繼續商業運營；大雨可能觸發服務降速或地理圍欄收縮
大雨和雷暴	大雨顯著增加 LIDAR 點雲噪聲；暴雨可能超出 Waymo 雨濾波演算法的處理能力；相機在大雨中嚴重退化；雷達保持功能但物件分類能力有限	Waymo 操作政策：降速、增加跟車距離，若條件超出 ODD 則靠邊停車；奧斯汀和鳳凰城偶發嚴酷雷暴（鳳凰城夏季季風季估計為 6 月至 9 月）	鳳凰城季風季創造 Waymo 運營城市中最嚴酷的降雨條件；Waymo 已公開表示在輕至中度季風降雨中繼續運營，但對嚴酷季風條件保有保守協議
密霧，能見度低於估計 50 公尺（估計值）	密霧是以 LIDAR 為基礎系統最具挑戰性的條件；當 LIDAR 有效距離極短（估計 50 公尺）時，高速公路行駛速度需要的制動距離超過 LIDAR 能探測的前方距離；相機同樣嚴重退化；雷達維持物件探測但無法提供複雜城市機動所需的空間解析度	Waymo 在密霧低能見度條件下將速度顯著降至低於 25 英里/小時；在極端密霧中，Waymo 車輛可能靠邊停車並請求遠端操作員協助	超出 Waymo ODD 的密霧觸發受影響區域的服務中斷；在舊金山沿海霧氣事件中比在鳳凰城或奧斯汀更常見
結冰和積雪（目前在 Waymo ODD 之外）	Waymo 目前不在結冰和積雪條件下商業運營；Waymo 的 ODD 明確排除大雪和結冰路面；Waymo 感測器堆疊在雪中面臨複合挑戰：LIDAR 外殼積聚、降雪的點雲噪聲、路面反射率標線損失	Waymo 操作邊界：積雪和結冰明確在當前 ODD 之外；這是界定系統已驗證範圍的審慎操作約束，而非正常運營條件下的安全失敗	Waymo 局限於陽光地帶城市的地理限制，直接與積雪和結冰 ODD 排除相關；進入東北部城市需要多年積雪和結冰 ODD 研究與驗證

Waymo 舊金山部署的關鍵發現是：商業可接受密度水準的城市霧氣，在 Waymo 以 1550nm LIDAR 為基礎系統的驗證操作域內。感測器融合優勢——LIDAR 加相機加雷達——提供了冗餘性，使系統能在霧氣條件下繼續運營，而這些條件對純相機系統的可靠性會造成顯著降低。

第三節——Tesla FSD 天氣表現：相機訓練廣度 vs 物理限制

Tesla 以相機為主的惡劣天氣方案，依賴一種與 Waymo 感測器融合根本不同的策略：不是維持跨模態的感測器冗餘，而是在最廣泛的真實世界天氣條件分佈上訓練神經網路。Tesla 估計擁有 600 萬輛以上的車隊，每週在包括明尼蘇達州、密歇根州、科羅拉多州和新英格蘭在內的全美地理環境中產生估計數千萬英里（估計值），Tesla 已積累了比任何競爭對手更多的積雪和結冰駕駛訓練資料。

天氣條件	Tesla FSD 行為	訓練資料優勢	當前部署狀態
霧和薄霧	Tesla 相機像任何光學系統一樣受霧影響；然而，Tesla 的神經網路在估計 60 億英里以上多樣化天氣資料（估計值）的霧氣條件下訓練，已學習到霧氣特定視覺模式，包括低對比度邊緣偵測和從視覺線索估算霧深	Tesla 的訓練資料廣度包含來自太平洋沿岸路線（加州、俄勒岡州、華盛頓州）、五大湖霧氣事件和大西洋沿岸條件的霧中駕駛；這種霧氣條件訓練的多樣性，使 Tesla FSD 比任何霧氣地理部署有限的 LIDAR 系統接受過更多的霧訓練	FSD 部署在包括高霧氣地區的全美各州；有監督 FSD 在全美霧氣條件下運營；奧斯汀無人駕駛服務在輕霧條件下運營
雨（小到大雨）	雨中相機鏡頭積水；Tesla FSD 使用多角度相機視角和時間一致性過濾雨噪聲；大雨顯著降低相機有效距離；Tesla 的神經網路在佛羅里達州、德克薩斯州、墨西哥灣各州和太平洋西北區的大雨條件下訓練	Tesla 在佛羅里達州、德克薩斯州和太平洋西北區的車隊提供了 Waymo 無法比擬規模的大雨訓練資料；Tesla FSD 神經網路可能在所有 AV 系統中接受過最多大雨駕駛里程訓練（估計值）	Tesla FSD 有監督在全美中雨中運營；大雨觸發保守行為，包括降速、增加跟車距離，以及在極端條件下的手動接管提示
輕雪和融雪	輕雪在相機影像中產生類似雨的雪花噪聲；神經網路通過時間一致性區分雪花和物件（雪花在運動，物件靜止或可預測移動）；輕雪中車道標線部分可見；即使沒有可見的塗漆線，也可通過高程變化和紋理推斷道路邊界	Tesla 車隊在明尼蘇達州、密歇根州、科羅拉多州和新英格蘭運營；Tesla FSD 從這些市場積累了大量輕雪訓練里程；輕雪駕駛在 Tesla FSD 的訓練分佈內	FSD 有監督被車主用於輕雪條件；Tesla Autopilot 高速公路模式在輕雪中降速運行
大雪和積雪覆蓋道路	大雪是以相機為基礎系統最困難的條件：相機能見度可降至估計 20 公尺以下（估計值）；車道標線在積雪下完全消失；道路邊界消失；相機無法可靠探測積雪覆蓋的道路邊緣；雷達探測其他車輛但無法定位道路邊界	Tesla 未聲稱 FSD 在大雪中的能力；白雪漫天條件下相機的物理限制，無法通過訓練資料廣度完全補償；這是基本感測器物理限制，不僅僅是訓練差距	FSD 在大雪中不可靠運行；積雪地帶的 Tesla 車主報告 FSD 在大雪條件下脫離；Tesla 在大雪中建議人工監督；Tesla 未進行大雪無人駕駛驗證
結冰和黑冰	黑冰對相機不可見（看起來像普通濕路面），對 LIDAR 也不可見（反射率類似濕瀝青）；只有路面溫度感測器、GPS 關聯天氣資料和對結冰形成條件的先驗知識才能預測黑冰；雷達無法探測路面結冰	目前無任何 AV 系統能僅依靠車載感測器可靠探測黑冰；Tesla 的方案使用基於溫度加降水加位置資料的關聯警報，警告潛在的結冰條件；黑冰探測差距在所有 AV 系統中普遍存在	無任何 AV 系統——Waymo、Tesla 或任何競爭對手——通過黑冰無人駕駛驗證；這是當前實體 AI 感測器能力的普遍限制

Tesla 天氣分析最重要的發現是兩種限制類型的區別：訓練差距（可以通過讓系統接觸更多樣化的真實世界資料來縮小）和物理限制（單獨增加訓練資料無法完全克服）。Tesla 以相機為主的系統在大雪和密霧中面臨真正的物理限制，再多的訓練資料也無法完全克服——因為相機無法探測它無法看到的東西。部分 Tesla 車輛重新安裝的雷達（2023–2024 年的「Tesla Radar」）是對這一物理限制的承認。

第四節——感測器模態天氣性能矩陣

下表提供了三種主要 AV 感測器模態在全譜惡劣天氣條件下的結構化比較。星級評分是基於物理原理和公開可用性能研究的定性評估；它們不是官方基準測試。

感測器類型	晴天	小雨	大雨	輕霧	密霧	輕雪	大雪	結冰
LIDAR（旋轉式，1550nm）	★★★★★ 出色的距離和解析度	★★★★ 點雲噪聲可通過濾波管理	★★★ 顯著噪聲；需要濾波	★★★★ 良好；1550nm 在霧中比 905nm 散射更少	★★ 探測距離降低，估計 50–70 公尺（估計值）	★★★ 外殼積聚風險；降雪噪聲	★★ 噪聲加外殼積聚；退化	★★★ 黑冰不可見；路面積雪降低反射率標線
相機（可見光，8 個以上相機）	★★★★★ 出色的視覺識別	★★★ 鏡頭積水加對比度降低	★★ 顯著對比度損失；有效距離降低	★★★ 輕霧中適度對比度損失	★★ 密霧中顯著能見度損失	★★★ 雪花噪聲可通過時間一致性管理	★ 車道標線消失；道路邊界不可見	★★ 黑冰視覺上不可見
雷達（77 GHz 汽車）	★★★★ 良好的物件偵測；有限形狀解析度	★★★★★ 出色；雷達不受雨影響	★★★★★ 出色；雷達不受大雨影響	★★★★★ 出色；雷達不受霧影響	★★★★★ 出色；雷達不受密霧影響	★★★★★ 出色；雷達不受雪影響	★★★★★ 其他車輛偵測出色；道路邊界無法直接測量	★★★★★ 其他車輛偵測維持；路面結冰無法直接偵測
感測器融合（LIDAR 加相機加雷達——Waymo）	★★★★★ 所有感測器啟動時最佳	★★★★ 雨影響 LIDAR 和相機；雷達補償	★★★★ 大雨使 LIDAR 和相機退化；雷達維持車輛偵測	★★★★ 霧使 LIDAR 和相機退化；雷達補償	★★★ 密霧：LIDAR 探測距離估計 50–70 公尺（估計值）；雷達部分補償	★★★ 雪使 LIDAR 和相機退化；雷達補償車輛偵測	★★ 大雪：LIDAR 外殼風險加點雲噪聲；雷達補償車輛但非道路邊界	★★ 黑冰和路面：所有感測器受限
相機加雷達（Tesla FSD）	★★★★★ 出色的相機；雷達為輔	★★★★ 相機退化；雷達補償車輛偵測	★★★ 大雨嚴重使相機退化；雷達補償車輛	★★★ 中度霧：相機加雷達；無 LIDAR 補充深度	★★ 密霧：相機嚴重退化；雷達僅用於車輛偵測	★★★ 輕雪可通過訓練資料模式識別管理	★ 大雪：相機無法看到車道標線或道路邊緣；雷達僅偵測車輛	★ 黑冰：相機無法偵測；雷達無法偵測；僅 GPS 天氣關聯

雷達欄揭示了核心洞見：雷達是各種惡劣天氣條件類別中最具天氣強韌性的感測器模態。Waymo 在三重冗餘堆疊中包含雷達，以及 Tesla 在新型車輛中重新安裝雷達，都證實兩家領先 AV 開發商都認識到雷達在惡劣天氣場景中不可替代的作用。

第五節——全天候部署基準評分卡

天氣維度	Waymo（LIDAR 加相機加雷達）	Tesla FSD（相機加雷達）	Aurora（LIDAR 加相機加雷達，貨運）	2028 年展望
城市霧氣	良好：舊金山商業服務在定期霧氣中運營；1550nm LIDAR 抗霧；舊金山運營成功驗證 ODD 內的霧氣能力	中等：相機訓練廣度補償物理限制；雷達備份；未在高霧氣商業服務中部署為無人駕駛	良好：高速公路 AV 在輕霧中可管理；密霧觸發降速；Aurora 的 I-45 德克薩斯走廊不是主要霧氣市場	Waymo 的 1550nm LIDAR 霧氣優勢隨固態 LIDAR 改進而增長；Tesla 訓練廣度持續擴展
雨（小到中雨）	良好：所有運營城市在雨中運營；感測器融合加雷達提供天氣強韌性	良好：相機加雷達；在來自佛羅里達、德克薩斯和太平洋西北區車隊的多樣化雨天條件下訓練；有監督 FSD 在全美中雨中運營	良好：感測器融合；高速公路 AV 在雨中可通過降速和增加跟車距離管理	Waymo（LIDAR 加雷達）和 Tesla（相機加雷達）都能充分應對中雨；大雨仍是兩者的挑戰
大雨和雷暴	中等：LIDAR 在暴雨中退化；雷達補償；保守降速；奧斯汀和鳳凰城季風季有管理	中等：相機在暴雨中嚴重退化；雷達補償車輛偵測；保守降速	中等：類似 Waymo 的方法；保守降速；Aurora 避免在嚴酷雷暴中運營	天氣強韌的感測器融合在極端降雨中仍是 Waymo 和 Aurora 相對 Tesla 相機為主方案的結構性競爭優勢
積雪（輕雪）	未商業部署於積雪中；LIDAR 在有外殼保護的情況下能應對輕雪；在當前 ODD 之外	中等：FSD 部署於積雪地帶州份；在大量輕雪資料上訓練；有監督 FSD 被車主用於輕雪	未部署於當前德克薩斯走廊的積雪條件	Waymo 進入東北部市場需要積雪 ODD 擴展；Tesla 在輕雪部署中擁有最多運營經驗
大雪和結冰	未部署：在 Waymo 的 ODD 之外；商業大雪服務需要多年研究和驗證	非無人駕駛：FSD 在大雪中脫離；僅限車主監督；基本相機物理限制	未部署：Aurora 當前商業走廊（德克薩斯州）避免積雪；大雪在當前 ODD 之外	無論感測器模態如何，大雪和結冰仍是所有系統最困難的 AV 挑戰；截至 2026 年中，無主要 AV 公司通過大雪無人駕駛驗證
整體結論	全天候部署基準揭示了實體 AI 2026 年部署現實中的根本不對稱：所有主要 AV 系統都將大雪和結冰作為無人駕駛操作條件排除在外。Waymo 的感測器融合（LIDAR 加相機加雷達）在霧氣和中雨中提供了比 Tesla 以相機為主方案更好的惡劣天氣強韌性——但兩個系統在大雪和結冰方面共享相同的未解決限制。陽光地帶優先的部署格局不只是商業或監管選擇——它直接反映了當今 AV 技術在哪些地區表現足夠可靠以支持商業無人駕駛服務。估計 47% 居住在受積雪影響氣候（中西部、東北部、山地西部）中的美國人口（估計值），目前在所有商業無人駕駛 AV 服務的操作設計域之外。這是截至 2026 年中，機器人計程車服務總可尋址市場（TAM）上最大的單一約束。

實現全天候 AV 部署的道路，有兩條並行研究路線：（1）改善感測器強韌性——更好天氣密封的固態 LIDAR、雷達角解析度提升、相機計算去霧——以及（2）通過在北方氣候系統性測試，將 ODD 驗證擴展至積雪和結冰道路條件。截至 2026 年中，這兩條路線都沒有明確的完成日期。首先解決大雪無人駕駛問題的公司，將解鎖目前被排除在 AV 可尋址市場之外的美國人口最密集、經濟最重要的都會區的市場准入。

資料來源：Waymo 安全及 ODD 文件（waymo.com/safety）；LIDAR 天氣性能研究，IEEE 智慧交通系統期刊（ieeexplore.ieee.org）；Tesla FSD 惡劣天氣文件（tesla.com/support/autopilot）；NHTSA 自動駕駛天氣性能標準（nhtsa.gov/vehicle-safety/automated-vehicles）。所有標記（估計值）的數字均為基於物理原理、公開披露和第三方研究的估算值；未經獨立核實，可能與公司官方資料有所不同。