無人車遇水則癱？Waymo大規模召回，叫停多城Robotaxi服務

杰西卡 發自 副駕寺
智能車參考 | 公眾號 AI4Auto

都2026年了，無人車Waymo還是搞定不了積水路面？！

最近暴雨多發，Waymo又出新事故。一輛無人車駛入了無法通行的嚴重積水路面，導致車輛陷入其中停滯不前。

而且在短短一個月內，這已是Waymo第二次因積水問題引發運營事故：

今年4月，Waymo曾被曝出駛入了一段積水車道，由于水勢比系統判斷的要急得多，車輛最終被溪流沖走。

Waymo事后承認其軟件存在缺陷，并進行了一次大規模召回，通過地理圍欄在特定時間、區域限制車輛行駛。

但就現在的情況來看，這種臨時措施治標不治本，積水問題仍是這家無人車公司的“頑疾”。

Waymo涉水翻車，已暫停多城運營

事情發生在最近，一場強降雨突襲美國亞特蘭大。

而一輛處于空載狀態的Waymo無人車，當天駛入了無法通行的嚴重積水路段，被困大約一小時后才被拖離。

Waymo官方事后解釋，此次暴風雨來得突然，在當地氣象局正式發布山洪預警之前，部分道路就已經開始積水。

也就是說，Waymo車隊目前仍依賴官方天氣警報，來決定是否避開深水區。

這個解釋，實際揭示了Waymo系統設計中的一個關鍵依賴：外部信息輸入。

更令人擔憂的是，這已是Waymo近期第二次因積水問題造成運營事故。

就在今年4月20日，美國圣安東尼奧，也有一輛Waymo無人車在極端天氣受困，好在當時車內也沒有乘客。

調查文件顯示，盡管系統已檢測到路面積水，車輛卻仍以低速繼續前行，最終被沖入溪流。

當時，這場事故很快引起了交通部門的關注。

5月中旬，Waymo向美國國家公路交通安全管理局（NHTSA）提交了自愿召回申請，涉及3791輛搭載第五代和第六代自動駕駛系統的車輛。

給出的召回理由是軟件存在缺陷，可能導致車輛在檢測到積水后，仍以低速駛入無法通行的路段。

同時，公司也承認，尚未完全開發出識別并避開積水區域的最終方案。

因此，Waymo暫時只能通過OTA推送臨時軟件更新，通過地理圍欄在特定時間和區域限制車輛行駛。

但如今看來，這種臨時措施，更像是一種“治標不治本”的權宜之計。

所以新的事故發生后，Waymo決定暫停亞特蘭大、奧斯汀、達拉斯、休斯頓等城市的運營，同時暫停舊金山、洛杉磯、鳳凰城、邁阿密四座城市的高速公路服務。

公司對外解釋稱，這是為了更新軟件，改善車輛在施工區與淹水道路周邊的表現，更新完成后會陸續恢復。

主動停掉已經開通的付費服務，在Waymo歷史上并不常見。這次停運雖然只是部分城市、部分路段，但對訂單量和用戶體驗的打擊是實實在在的。

這在一定程度上或許能說明，積水問題已經無法通過遠程補丁快速解決，必須讓所有車停下來等升級。

那么，為什么Waymo在水坑里屢次栽跟頭？從技術維度去考慮，可能有兩方面的核心原因：

其一，是感知層面存在挑戰。

水面本身具有獨特的物理特性，激光雷達發射的脈沖遇到水面時，部分被吸收，部分發生鏡面反射，導致點云數據稀疏或失真。

而攝像頭在暴雨天氣下，不僅視野受限，水面反光還會造成過曝或識別混淆。

Waymo采用的多傳感器融合算法，需要結合實時水深、水流速度、車輛通過性等多維度信息，對系統的感知能力要求極高。

其二，Waymo的系統過度依賴提前設定。

Waymo的自動駕駛系統，本質上是一套規則驅動的系統，基于海量駕駛數據進行訓練。

工程師會先寫好成千上萬條規則——比如“限速范圍內行駛”，或者“前方有障礙物則剎車”等等，然后車輛在道路上匹配這些規則。

這種方式在90%的場景下沒有問題，但剩下的10%——也就是所謂的“長尾場景”——往往是最容易發生變故的。

積水路面就屬于典型。至少目前，還沒有一條規則能涵蓋所有涉水情況：

水深多少算危險？水流速度多快算危險？路面下面是平坦還是有坑？這些變量無法用固定規則窮舉。

平時依賴預設規則和高精地圖時，在已知的高風險積水區域，無人車可以通過更新地圖數據、設置運營限制來規避風險。

但極端天氣突發時——例如亞特蘭大的事故，這種基于規則和外部信息的防御機制可能就會失效。

所以，如何讓系統具備類似人類駕駛員的“常識判斷”，是Waymo工程師當前面臨的真正挑戰。

與此同時的另一邊，同樣在推進Robotaxi運營的特斯拉，倒是被發現悄悄學聰明了。

“老司機”特斯拉學會識別警車減速

對于模仿人類駕駛中微妙的、不成文的規則，特斯拉FSD是越學越“上道”了。

最近有車主發現，當FSD發現高速公路中央隔離帶上有警車時，就會主動調整駕駛行為：

這輛車原本以77英里/小時的速度超速行駛（限速70英里/小時）。

但在發現警車后，系統果斷主動減速、變換車道，并無縫融入周圍較慢的車流，成功避免了引起警官的注意。

emm，這駕駛手法……

看著怎么那么像人類“老司機”呢。

這種應對緊急車輛的功能，特斯拉曾在過去的軟件更新中多次提及。

2025年10月，特斯拉在FSD版本更新中明確：加入了對應急車輛（例如警車、消防車、救護車）靠邊停車或讓行的處理能力。

不久前推送的FSD V14.3.3版本中，特斯拉又增加了對急救車、校車等特種車輛的專項識別模塊。

根據部分測試車主反饋，當系統檢測到這類車輛時，會提前300米左右啟動避讓策略——

以城市道路50公里/小時的速度計算，300米大約需要20秒，這給車輛留出了充足的變道、減速或靠邊的時間。

兩相對比，其實就又回到了Waymo和特斯拉代表的兩種技術路線之爭，本質上也是兩種工程哲學的分歧。

Waymo代表的是“頂層設計”思路，這種思路認為自動駕駛是一個可以分解、可以設計、可以驗證的系統工程，直接瞄準L4/L5級全無人駕駛。

工程師會定義系統的各個模塊，包括感知、定位、預測、規劃、控制。每個模塊有明確的功能定義和性能指標，通過精心設計和嚴格測試，最終集成為一個可靠的系統。

這種路線依賴高精地圖和多傳感器，簡單來說就是提前把路掃一遍，靠多種傳感器保證不遺漏，然后用海量規則把車框起來。

其優勢在于可控性，系統行為是可預測、可解釋的。在地圖覆蓋的區域，車輛定位極準，安全性有保障。

當發生事故時，工程師可以追溯問題到具體模塊，進行針對性的修復。

但“頂層設計”的代價是復雜性。現實世界的駕駛場景幾乎是無限的，當系統遇到未經設計的場景時，可能會表現僵硬甚至失效。

特斯拉則是走漸進式路線，從L2起步，通過海量用戶車輛收集數據，利用端到端神經網絡不斷迭代，最終實現L4/L5級自動駕駛。

其核心是依靠攝像頭捕捉周圍環境，通過神經網絡處理這些視覺信息，最終做出駕駛決策。

這種方法的優勢在于適應性和擴展性。系統不依賴預先定義的規則，因此能夠處理未曾見過的場景。隨著數據不斷積累，系統的能力會自然增長。

同時，系統在訓練過程中，看到了無數包含緊急車輛的駕駛場景，以及人類駕駛員在這些場景下的反應，應對方式也更加“類人”。

但純視覺系統在感知層面存在物理限制，攝像頭在暴雨、大霧、強逆光等條件下性能會下降。

更重要的是，神經網絡是“黑箱”——工程師可能很難完全理解系統做出某個具體決策的原因，也很難保證它在所有邊緣情況下都能安全運行。

所以特斯拉的選擇是通過OTA更新，讓系統能夠不斷從新的駕駛數據中學習。

兩種路線，各有優劣。有意思的是，兩種路線也都在悄悄向對方靠攏。

Waymo在第六代Driver的宣傳語中，提到了“輕量級、強大的機器學習模型”，這意味著他們正在引入更多基于學習的方法，開始降低對高精地圖的依賴，而不是死守規則。

特斯拉則開始更注重安全冗余，FSD V14版本中增加了更多交叉驗證機制，不再完全依賴單一神經網絡。

這聽起來有點像Waymo的多傳感器融合思路——雖然傳感器仍然是純視覺。

最終的自動駕駛方案，或許不會是純粹的某一條路線，而是兩者的結合：用地圖提供先驗信息，用神經網絡處理實時判斷，用規則保證基本安全。

到那時，成本更占優勢的一方，或許會更早拿下主動權。

One More Thing

最近特斯拉更受關注的新聞，還屬公司披露的FSD監督版最新進展——面向中國在內的10個國家和地區開放使用。

而特斯拉中國發布的多個智駕測試相關的招聘崗位，似乎也進一步驗證了這一消息的真實性。

不過FSD來了中國，也只敢叫“輔助駕駛”……

特斯拉駕駛技術的巔峰，或許很快就能在國內和各家車企賽場上相見了。

不過小鵬副總裁說，車企里或許只有小鵬歡迎FSD入華，“背后的道理，大家或許都懂。”

你怎么看？