无人车遇水则瘫？Waymo大规模召回，叫停多城Robotaxi服务

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 无人车遇水则瘫？Waymo大规模召回，叫停多城Robotaxi服务 杰西卡 2026-05-25 16:48:14 来源： 量子位 特斯拉学会“躲交警”了 杰西卡 发自 副驾寺 智能车参考 | 公众号 AI4Auto 都2026年了， 无人车Waymo 还是搞定不了 积水路面 ？！ 最近暴雨多发，Waymo又出新事故。一辆无人车驶入了无法通行的严重积水路面，导致车辆陷入其中停滞不前。 而且在短短一个月内，这已是Waymo第二次因积水问题引发运营事故： 今年4月，Waymo曾被曝出驶入了一段积水车道，由于水势比系统判断的要急得多，车辆最终被溪流冲走。 Waymo事后承认其软件存在缺陷，并进行了一次 大规模召回 ，通过地理围栏在特定时间、区域限制车辆行驶。 但就现在的情况来看，这种临时措施 治标不治本 ，积水问题仍是这家无人车公司的“顽疾”。 Waymo涉水翻车，已暂停多城运营 事情发生在最近，一场强降雨突袭美国亚特兰大。 而一辆处于空载状态的 Waymo无人车 ，当天驶入了无法通行的严重积水路段，被困大约一小时后才被拖离。 Waymo官方事后解释，此次暴风雨来得突然，在当地气象局 正式发布山洪预警之前 ，部分道路就已经开始积水。 也就是说，Waymo车队目前仍依赖 官方天气警报 ，来决定是否避开深水区。 这个解释，实际揭示了Waymo系统设计中的一个关键依赖： 外部信息输入 。 更令人担忧的是，这已是Waymo近期第二次因积水问题造成运营事故。 就在今年4月20日，美国圣安东尼奥，也有一辆Waymo无人车在极端天气受困，好在当时车内也没有乘客。 调查文件显示，尽管系统已检测到路面积水，车辆却仍以低速继续前行，最终被冲入溪流。 当时，这场事故很快引起了交通部门的关注。 5月中旬，Waymo向美国国家公路交通安全管理局（NHTSA）提交了 自愿召回申请 ，涉及 3791辆 搭载第五代和第六代自动驾驶系统的车辆。 给出的召回理由是 软件存在缺陷 ，可能导致车辆在检测到积水后，仍以低速驶入无法通行的路段。 同时，公司也承认， 尚未完全开发出识别并避开积水区域的最终方案 。 因此，Waymo暂时只能通过OTA推送临时软件更新， 通过地理围栏在特定时间和区域限制车辆行驶 。 但如今看来，这种临时措施，更像是一种“治标不治本”的权宜之计。 所以新的事故发生后，Waymo决定 暂停亚特兰大、奥斯汀、达拉斯、休斯顿等城市的运营 ，同时暂停旧金山、洛杉矶、凤凰城、迈阿密四座城市的 高速公路服务 。 公司对外解释称，这是为了更新软件，改善车辆在施工区与淹水道路周边的表现，更新完成后会陆续恢复。 主动停掉已经开通的付费服务，在Waymo历史上并不常见。这次停运虽然只是部分城市、部分路段，但对 订单量和用户体验 的打击是实实在在的。 这在一定程度上或许能说明，积水问题已经无法通过远程补丁快速解决，必须让所有车停下来等升级。 那么，为什么Waymo在水坑里屡次栽跟头？从技术维度去考虑，可能有两方面的核心原因： 其一，是 感知层面 存在挑战。 水面本身具有独特的物理特性，激光雷达发射的脉冲遇到水面时，部分被吸收，部分发生镜面反射，导致点云数据稀疏或失真。 而摄像头在暴雨天气下，不仅视野受限，水面反光还会造成过曝或识别混淆。 Waymo采用的多传感器融合算法，需要结合实时水深、水流速度、车辆通过性等多维度信息，对系统的感知能力要求极高。 其二，Waymo的系统过度依赖 提前设定 。 Waymo的自动驾驶系统，本质上是一套 规则驱动 的系统，基于海量驾驶数据进行训练。 工程师会先写好成千上万条规则——比如“限速范围内行驶”，或者“前方有障碍物则刹车”等等，然后车辆在道路上匹配这些规则。 这种方式在90%的场景下没有问题，但剩下的10%——也就是所谓的 “长尾场景” ——往往是最容易发生变故的。 积水路面就属于典型。至少目前，还没有一条规则能涵盖所有涉水情况： 水深多少算危险？水流速度多快算危险？路面下面是平坦还是有坑？这些变量无法用固定规则穷举。 平时依赖预设规则和高精地图时，在已知的高风险积水区域，无人车可以通过更新地图数据、设置运营限制来规避风险。 但极端天气突发时——例如亚特兰大的事故，这种基于规则和外部信息的防御机制可能就会失效。 所以，如何让系统具备类似人类驾驶员的 “常识判断” ，是Waymo工程师当前面临的真正挑战。 与此同时的另一边，同样在推进Robotaxi运营的特斯拉，倒是被发现悄悄学聪明了。 “老司机”特斯拉学会识别警车减速 对于模仿人类驾驶中微妙的、不成文的规则， 特斯拉FSD 是越学越“上道”了。 最近有车主发现，当FSD发现高速公路中央隔离带上有 警车 时，就会主动调整驾驶行为： 这辆车原本以 77英里/小时 的速度超速行驶（限速70英里/小时）。 但在发现警车后，系统果断 主动减速、变换车道 ，并无缝融入周围较慢的车流，成功避免了引起警官的注意。 emm，这驾驶手法…… 看着怎么那么像人类“老司机”呢。 这种 应对紧急车辆 的功能，特斯拉曾在过去的软件更新中多次提及。 2025年10月，特斯拉在FSD版本更新中明确：加入了对应急车辆（例如警车、消防车、救护车）靠边停车或让行的处理能力。 不久前推送的 FSD V14.3.3版本 中，特斯拉又增加了对急救车、校车等特种车辆的 专项识别模块 。 根据部分测试车主反馈，当系统检测到这类车辆时，会提前 300米左右 启动避让策略—— 以城市道路50公里/小时的速度计算，300米大约需要20秒，这给车辆留出了充足的变道、减速或靠边的时间。 两相对比，其实就又回到了 Waymo 和 特斯拉 代表的两种技术路线之争，本质上也是两种工程哲学的分歧。 Waymo代表的是“顶层设计”思路，这种思路认为自动驾驶是一个可以分解、可以设计、可以验证的系统工程，直接瞄准L4/L5级全无人驾驶。 工程师会定义系统的各个模块，包括感知、定位、预测、规划、控制。每个模块有明确的功能定义和性能指标，通过精心设计和严格测试，最终集成为一个可靠的系统。 这种路线依赖 高精地图和多传感器 ，简单来说就是提前把路扫一遍，靠多种传感器保证不遗漏，然后用海量规则把车框起来。 其优势在于 可控性 ，系统行为是可预测、可解释的。在地图覆盖的区域，车辆定位极准，安全性有保障。 当发生事故时，工程师可以追溯问题到具体模块，进行针对性的修复。 但“顶层设计”的代价是 复杂性 。现实世界的驾驶场景几乎是无限的，当系统遇到未经设计的场景时，可能会表现僵硬甚至失效。 特斯拉则是走 渐进式路线 ，从L2起步，通过海量用户车辆收集数据，利用端到端神经网络不断迭代，最终实现L4/L5级自动驾驶。 其核心是依靠摄像头捕捉周围环境，通过 神经网络 处理这些视觉信息，最终做出驾驶决策。 这种方法的优势在于适应性和扩展性。系统不依赖预先定义的规则，因此能够处理未曾见过的场景。随着数据不断积累，系