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，系统的能力会自然增长。
同时，系统在训练过程中，看到了无数包含紧急车辆的驾驶场景，以及人类驾驶员在这些场景下的反应，应对方式也更加“类人”。
但纯视觉系统在感知层面存在物理限制，摄像头在暴雨、大雾、强逆光等条件下性能会下降。
更重要的是，神经网络是“黑箱”——工程师可能很难完全理解系统做出某个具体决策的原因，也很难保证它在所有边缘情况下都能安全运行。
所以特斯拉的选择是通过OTA更新，让系统能够不断从新的驾驶数据中学习。
两种路线，各有优劣。有意思的是，两种路线也都在悄悄向对方靠拢。
Waymo在第六代Driver的宣传语中，提到了“轻量级、强大的机器学习模型”，这意味着他们正在引入更多基于学习的方法，开始降低对高精地图的依赖，而不是死守规则。
特斯拉则开始更注重安全冗余，FSD V14版本中增加了更多交叉验证机制，不再完全依赖单一神经网络。
这听起来有点像Waymo的多传感器融合思路——虽然传感器仍然是纯视觉。
最终的自动驾驶方案，或许不会是纯粹的某一条路线，而是两者的结合：用地图提供先验信息，用神经网络处理实时判断，用规则保证基本安全。
到那时，成本更占优势的一方，或许会更早拿下主动权。
One More Thing
最近特斯拉更受关注的新闻，还属公司披露的FSD监督版最新进展——面向中国在内的10个国家和地区开放使用。
而特斯拉中国发布的多个智驾测试相关的招聘岗位，似乎也进一步验证了这一消息的真实性。
不过FSD来了中国，也只敢叫“辅助驾驶”……
特斯拉驾驶技术的巅峰，或许很快就能在国内和各家车企赛场上相见了。
不过小鹏副总裁说，车企里或许只有小鹏欢迎FSD入华，“背后的道理，大家或许都懂。”
你怎么看？
本文来自微信公众号 “智能车参考”（ID：AI4Auto），作者：杰西卡，36氪经授权发布。
