2026-06-18 — views

Physical AI 天氣與邊緣案例 — Tesla FSD 對 Waymo：雨、雪、霧與施工區表現基準

Waymo 商業營運不含雪地市場；Tesla FSD 鏡頭易受強光致盲。雷達是兩種架構在雨天與霧中的關鍵感測器。降雪是 Waymo 商業擴張的最大瓶頸。

Physical AI 基準系列第 153 篇 — Physical AI 天氣與邊緣案例：Tesla FSD 與 Waymo 如何應對雨、雪、霧、施工區及長尾異常場景

天氣與邊緣案例是自動駕駛技術中技術難度最高的維度，也是 Tesla 和 Waymo 均未能實現全國規模無人商業部署的核心原因之一。在惡劣條件下的感測器物理限制、各公司對操作設計域（ODD）的限制，以及訓練資料無法完全涵蓋的長尾異常場景，共同決定了當今 AV 技術的實際天花板。本文為 Physical AI 基準系列第 153 篇，對兩家主要 Physical AI 架構在惡劣天氣和邊緣案例維度進行全面基準測試。

所有標記「（估計）」的數字均來自公開披露、行業研究、事件報告和分析師估計，而非經過獨立驗證的原始數據。

第 1 節 — 感測器物理學：天氣如何影響鏡頭、Lidar 和雷達

感測器類型	降雨影響	降雪影響	霧影響	強光／眩光	夜間
鏡頭（可見光）	中度降級——鏡頭上的水滴降低清晰度；大雨的能見度下降類似人類視覺	嚴重降級——鏡頭上的積雪使鏡頭失能；飄雪製造視覺噪訊	中度至嚴重——霧散射光線，降低對比度和感知距離	嚴重——直射陽光可暫時使鏡頭失明；NHTSA 曾調查 Tesla FSD 陽光眩光問題	中度——依賴路燈和車頭燈；無主動照明
Lidar（雷射脈衝）	中度——雨滴散射雷射返回訊號；大雨增加誤判	嚴重——雪花產生強烈雷射回波，模擬固體物體；感測器窗口積雪遮蔽光束	嚴重——水滴散射 905nm 和 1550nm 雷射，大幅縮短有效感知距離	影響極小——Lidar 為主動照明，不受可見光眩光影響	優秀——主動照明，不依賴環境光
雷達（毫米波）	優秀——雷達穿透雨水能力強，降級極少	良好——雷達穿透雪；部分天線罩積雪可影響訊號	優秀——雷達穿透霧，降級極少	優秀——不受可見光影響	優秀——主動照明，不依賴環境光
鏡頭加雷達融合（Tesla HW4）	大雨時鏡頭降級；雷達維持偵測——融合保留安全餘裕	大雪時鏡頭嚴重降級；雷達維持但無 Lidar 備援	霧中鏡頭降級；雷達維持——融合表現遠優於純鏡頭	鏡頭易受眩光；雷達不受影響——NHTSA 已調查並部署 OTA 改善	鏡頭依賴車頭燈；雷達提供主動偵測
鏡頭加 Lidar 加雷達融合（Waymo）	鏡頭降級；Lidar 中度降級；雷達優秀——三重冗餘提供韌性	鏡頭嚴重降級；Lidar 嚴重降級；雷達良好——大雪時雙重弱點	鏡頭降級；Lidar 嚴重降級；雷達優秀——雷達是關鍵全天候感測器	鏡頭易受眩光；Lidar 和雷達均不受可見光影響——結構性優勢	鏡頭需要環境光；Lidar 和雷達均主動照明——雙主動感測優勢
核心洞察	雷達是全天候感測器；Lidar 在強降水中失效；鏡頭在眩光和黑暗中失效。Tesla 的鏡頭加雷達架構在雨天、霧中和夜間憑藉雷達保持韌性。Waymo 的三重融合有冗餘優勢，但 Lidar 在雪中的弱點是真實的運營缺口。

第 2 節 — 各公司操作設計域（ODD）限制

ODD 定義了 AV 系統可在無人監督下運作的條件。ODD 限制與感測器性能同等重要——一個感測器融合更優秀的系統仍可能因 ODD 排除重要地理市場而在商業上受限。

條件	Waymo 商業 ODD	Tesla FSD 監督 ODD	Tesla Robotaxi Austin ODD（估計）	備注
輕至中度降雨	降速運作（估計）	正常運作	正常運作（估計）	兩者均可在輕中度降雨下運作
大雨	有限制運作；大雨可能觸發安全停止（估計）	可運作但脫離率上升（估計）	有限制（估計）	大雨降低兩家公司的系統能力
降雪（任何程度）	不運作——Waymo 商業上不在雪地運作；所有 4 個商業市場（舊金山、鳳凰城、洛杉磯、奧斯汀）均為低降雪地區；明確的 ODD 限制	監督 FSD：駕駛人可在雪中使用（駕駛人承擔責任）；介入率較高（估計）	不在 Austin ODD 範圍內（奧斯汀極少下雪）	Waymo 的明確雪地排除是根本性的地理擴張壁壘
輕至中度霧	正常運作	正常運作	正常運作（估計）	兩者均可在輕中度霧中運作
濃霧	降速；近零能見度濃霧可能觸發安全停止（估計）	駕駛人介入率在濃霧中上升	有限制（估計）	濃霧對兩種架構均構成挑戰
夜間	全面運作——Lidar 主動照明和雷達均不依賴環境光	全面運作——鏡頭配合車頭燈加雷達	全面運作（估計）	Waymo 雙主動照明感測器具結構性夜間優勢
陽光眩光	全面運作——Lidar 和雷達不受可見光眩光影響	NHTSA 已調查；OTA 更新改善；殘留鏡頭眩光風險持續	殘留眩光挑戰（估計）	Waymo 在眩光方面具結構性優勢
施工區	需預先更新地圖；未映射施工觸發安全停止和遠端協助請求（估計）	駕駛人須持續監視；施工區脫離率明顯較高	持續挑戰（估計）	兩家公司在訓練資料或地圖中沒有的新型施工佈局均難以應對
未標記或褪色道路標線	具挑戰性——HD 地圖提供車道背景但褪色標線降低車道偵測信心	非常具挑戰性——FSD 高度依賴可見車道標線；褪色標線是已記錄的失效模式	持續挑戰（估計）	基於鏡頭的車道偵測在道路標線降級時存在結構性弱點
臨時交通管制（旗手）	安全停止加遠端協助；AV 無法可靠解讀旗手手勢（估計）	已記錄的 FSD 失效模式；有旗手時需駕駛人接管	持續挑戰（估計）	交通管制中的人類手勢解讀在所有公司中均是未解決的 AV 問題

第 3 節 — Tesla FSD 已記錄的邊緣案例挑戰

邊緣案例	FSD 行為	狀態	備注
陽光眩光（直射鏡頭致盲）	FSD 在直射陽光眩光事件中暫時失去視覺輸入；NHTSA 2024 年調查	OTA 更新已部署；極端眩光條件下殘留風險	純鏡頭視覺輸入在鏡頭被陽光致盲時無備援感測器
幽靈煞車	FSD 對非真實危險物體進行意外急煞；NHTSA 2023 年調查	OTA 更新大幅改善頻率；偶有報告持續出現	幽靈煞車導致真實世界追尾事故；NHTSA 列為嚴重安全問題
施工區（新型佈局）	FSD 在不符合訓練資料模式的施工設置中錯誤識別車道邊界；需駕駛人介入	持續改善中；施工區脫離率仍偏高（估計）	新型施工佈局根據定義無法預訓練——代表根本性的長尾挑戰
緊急車輛（靜止）	FSD 最初未能識別靜止緊急車輛；NHTSA 2021 年調查	OTA 更新改善；NHTSA 持續監測	處於異常位置的緊急車輛（靜止、傾斜、複雜燈光模式）仍具挑戰性
圓環	FSD 在多車道圓環導航方面表現不佳；駕駛人常接管	持續改善；v14 及以上版本進步中	圓環有因司法管轄區而異的優先通行規則；多車道導航需要複雜的間隙接受決策
低速城市複雜性	FSD 在高速公路速度下表現良好；在複雜城市低速場景中表現較弱	隨 v12 和 v13 端對端神經網路大幅改善	端對端模型相較於舊有規則型系統明顯改善了低速複雜場景
穿越交通的左轉	歷來具挑戰性；駕駛人在複雜無保護左轉時頻繁脫離	v13 和 v14 改善中；脫離率仍高於直線行駛（估計）	無保護左轉需要在時間壓力下做出間隙接受決策
騎行者與滑板車	對不常見雙輪車輛的分類挑戰；城市自行車道中存在預測錯誤	持續改善；神經網路方法對新型物體的處理優於舊有規則型系統	較不常見的車輛類型在訓練資料中比例較低，導致訓練分佈中的邊緣案例

第 4 節 — Waymo 邊緣案例處理

邊緣案例	Waymo 行為	狀態	備注
施工區（預先映射）	表現良好——HD 地圖包含已知施工佈局；車輛在映射區域內高信心導航	已知施工區表現強勁	映射團隊更新施工區；每個區域周轉時間估計 1 至 7 天
施工區（未映射）	車輛安全減速停止；聯繫遠端操作員；可重新規劃路線或等待指導	已知運營缺口——新型施工需遠端協助；無法自行解決	對 HD 地圖及時性的依賴在地圖更新間期的突發道路變化中造成脆弱性
緊急車輛	Waymo 已發布性能資料，顯示對緊急車輛（啟動警示燈和警報器）的讓行可靠性	強勁——針對緊急車輛反應的專項訓練；Lidar 和雷達在任何光線條件下均可偵測	Waymo 緊急車輛讓行的記錄是其更有公開證據的安全能力之一
行人行為（異常）	橫穿馬路、異常穿越、擁擠人行道——Waymo 在舊金山城市行人行為上訓練豐富	在已訓練市場表現強勁；新地理市場中表現可能有所不同	舊金山密集多樣的城市行人環境是全球最佳的 AV 行人邊緣案例訓練場
騎行者	強勁——城市騎行在 Waymo 訓練市場中普遍；HD 地圖記錄自行車道位置	在有騎行基礎設施的映射市場中表現強勁	自行車道 HD 地圖背景增強感測器騎行者偵測；鏡頭加 Lidar 提供比純鏡頭更好的騎行者分類
夜間和低光線	強勁——Lidar 主動照明和雷達均不依賴環境光；鏡頭品質不那麼關鍵	結構性優勢——兩個不依賴環境光的主動照明感測器	Waymo 雙主動照明架構提供真實的結構性夜間優勢
大雨	性能下降——Lidar 點雲在大雨中大幅降級；可能觸發安全停止	已知缺口；選擇在低降雨量市場（舊金山、鳳凰城、洛杉磯、奧斯汀）運作以部分緩解	地理 ODD 選擇部分緩解大雨弱點，但限制了可服務市場
降雪	商業上不在雪地運作——所有四個當前商業市場的明確 ODD 限制	持續能力缺口；無法在不解決 Lidar 雪地問題的情況下向降雪密集市場商業擴張	向雪地市場（芝加哥、波士頓、紐約、丹佛）擴張需要解決 Lidar 雪地問題或接受監督運作限制

第 5 節 — 天氣與邊緣案例基準計分板

條件	Tesla FSD 優勢	Waymo 優勢	邊緣勝負	備注
輕至中度降雨	鏡頭加雷達表現良好	鏡頭加 Lidar 加雷達表現良好	平手	兩者在輕中度降雨中均可運作；雷達是兩種架構的韌性關鍵
降雪	鏡頭加雷達——雷達在雪中穩健；鏡頭降級但駕駛人監督	商業上不在雪地運作	Tesla（可在監督下嘗試；Waymo 完全被排除）	Tesla 在駕駛人監督下可在雪地市場運作；Waymo 完全被排除於商業雪地運作之外
霧	鏡頭降級；雷達維持；整體能力下降	鏡頭降級；Lidar 在濃霧中降級；雷達維持	平手（雷達拯救兩者）	兩種架構在濃霧中均受限；雷達是兩者的關鍵全天候感測器
陽光眩光	基於鏡頭；NHTSA 調查；OTA 改善但殘留鏡頭眩光風險	Lidar 和雷達不受可見光眩光影響；無結構性眩光問題	Waymo	Waymo 通過非鏡頭主動感測器在陽光眩光方面具有真實的結構性優勢
夜間	鏡頭（需要環境光）加雷達（主動）	鏡頭加 Lidar（主動照明）加雷達（主動）	Waymo（雙主動照明）	Waymo 兩個主動照明感測器提供結構性夜間優勢
施工區	脫離率較高；通常需要駕駛人介入	預先映射區域表現良好；未映射區域停止；遠端操作員協助	平手（不同限制）	Tesla 依賴駕駛人；Waymo 依賴地圖及時性和遠端操作員
複雜城市行人	端對端神經網路在複雜行人場景中持續改善	在擁有豐富行人訓練資料的已訓練城市市場中表現強勁	略偏 Waymo（更多無人駕駛城市里程訓練）	Waymo 在複雜行人環境中積累了更多無人駕駛城市里程
地理擴張	可在監督 FSD 下在雪地和冰地市場運作；更廣泛地理 ODD	商業無人駕駛運作限制在低降雪地區	Tesla（監督下更廣泛地理 ODD）	Tesla 的鏡頭加雷達允許在所有天氣下進行監督 FSD；Waymo 在雪地中無法商業無人駕駛運作
總體裁決	Tesla 的鏡頭加雷達架構憑藉雷達在雨天、霧中和夜間具有天氣韌性；在直射陽光眩光方面存在結構性弱點，並依賴駕駛人監督雪地市場。Waymo 的三重融合在眩光和夜間方面更優；因 Lidar 而在強降水中受到結構性限制，且在商業上被排除於雪地市場之外。悖論：Waymo 的多感測器冗餘在其運營域內更好地處理更多條件，但 Tesla 的鏡頭加雷達在監督下覆蓋更廣泛的地理條件（包括雪地市場）。對於全國規模的商業無人駕駛部署，兩種架構今天都無法完全解決天氣問題——但解決降雪問題是 Waymo 更大的商業擴張瓶頸。

注意： 所有標記「（估計）」的數字均來自截至 2026 年中的公開披露、行業研究、分析師估計、NHTSA 調查報告和報道數據。本文不構成安全認證或監管評估。