Waymo扩城背后：自动驾驶AI如何适配城市与天气差异

Waymo把自动驾驶服务版图再往外推了一步：新增明尼阿波利斯（Minneapolis）、新奥尔良（New Orleans）和坦帕（Tampa）三座城市。表面看是“多开三个点”，真正的含金量在于——这是一次对不同气候、道路形态、交通习惯的综合压力测试：明尼阿波利斯的严寒与冰雪、新奥尔良的狭窄街巷与复杂路权、坦帕的强降雨与旅游车流。

我一直觉得，大多数人把自动驾驶的难点理解成“算法够不够聪明”。但从量产与运营角度看，难点更像一句大白话：**同一套AI，能不能在不同城市“像本地司机一样”开得稳、开得让人舒服。**这恰好呼应我们系列主题《自动驾驶 AI：Tesla 与中国车企的发展路径对比》：一端是端到端的模型泛化能力，另一端是多传感器、多供应商协同下的工程化落地。

这篇文章就借Waymo扩城，拆解一个更通用的问题：**自动驾驶AI要做“本地化”，到底在做什么？**以及这对中国车企的软件迭代与用户体验意味着什么。

扩城不是“复制粘贴”：自动驾驶本地化到底难在哪

自动驾驶进入新城市，核心不是地图导入或车队调度，而是在“长尾场景”上重新对齐安全边界与体验边界。同样是红绿灯，在不同城市可能意味着不同的默认行为；同样是行人过街，在不同街区的“博弈强度”也不一样。

1）天气：雪、雨、低温对感知与控制是双重打击

明尼阿波利斯的冬季考验不只是“看不清”。更棘手的是：

• 传感器退化叠加：镜头起雾、污渍遮挡、低温影响硬件状态；激光雷达在降雪/飞雪中回波更“脏”；毫米波雷达虽然抗雨雪，但在复杂城市环境里分辨率有限。
• 路面摩擦系数变化：冰雪路面让制动距离显著增长，控制策略必须更保守、更平滑，否则用户体验会直线下降（“一脚一顿”会让乘客晕车）。
• 车道线消失：积雪覆盖后车道线不可用，车辆必须依赖路缘、路肩、前车轨迹、道路几何先验等“替代线索”。

自动驾驶的本地化，本质上是把“天气导致的信息不确定性”显式纳入决策：看不清的时候要敢于慢，但慢也要慢得合理。这也是用户体验的一部分——乘客能接受谨慎，但不接受莫名其妙。

2）道路形态：窄街、非标准路口、停车占道

新奥尔良这类老城街区常见三件套：窄、弯、多遮挡。再叠加临停车辆、装卸、路侧施工，自动驾驶就会频繁遇到“非典型通行”场景：

• 对向车道借道通行到底算不算违规？
• 路口没有明确标线，谁先走？
• 视线被大车/建筑遮挡，是否要“探头”前进？

这些问题没有标准答案，答案常常取决于当地驾驶文化与执法尺度。因此本地化除了算法，还包括运营策略：在哪些区域先开、什么时段开、要不要设置更保守的速度上限与让行策略。

3）交通参与者：人类行为差异比道路更难预测

不同城市的行人、自行车、外卖骑手、旅游巴士的“交互风格”差异很大。自动驾驶AI若只追求“交通规则正确”，会出现体验问题：

• 过度让行导致后车鸣笛、道路拥堵；
• 过度强势又让乘客紧张，甚至引发投诉。

一句话：自动驾驶要学的不止是交通法，还有社会学。

Waymo扩城给行业的信号：从“模型能力”走向“运营能力”

Waymo选择在气候与道路差异明显的城市扩张，释放了一个清晰信号：自动驾驶竞争已经从“能不能开”转向“能不能规模化运营”。规模化运营靠三件事：

1）软件优先：把车辆当作持续迭代的平台

Robotaxi本质是“软件服务”，不是一次性交付的硬件产品。进入新城市后，数据分布会变，模型会被新长尾场景“教育”。企业要做的是建立闭环：

1. 采集：把新城市的关键场景优先覆盖（雨天夜间、狭窄街区、学校周边）。
2. 训练：针对误检/漏检、交互失败、乘坐不适进行模型更新。
3. 回归：上线前做大规模仿真与回放测试，确保不破坏旧城市表现。
4. 发布：分批放量，监控指标。

如果没有成熟的工程体系，扩城会变成“每开一城，掉一层皮”。

2）把“不确定性”当作产品指标管理

自动驾驶体验不是只有“有没有事故”。更现实的体验指标包括：急刹频次、急加速频次、横向加速度峰值、无谓等待时长、接管/远程协助次数等。

我赞同一个更产品化的表述：

自动驾驶的体验上限，取决于系统如何管理不确定性，而不是系统在理想条件下能开多快。

在雨雪、窄街这类高不确定场景，系统需要用策略把风险“摊平”：更早减速、更顺滑的控制、更清晰的意图表达（例如更早打灯、更稳定的车身姿态）。

3）局部最优：先在“可控区域”做出商业闭环

扩城通常不是“一键全城开通”，而是先选ODD（运行设计域）友好的区域：路况相对清晰、需求密集、监管沟通顺畅、救援与维护可达。商业化的现实路径往往是：先把单位运营成本打下来，再扩大ODD。

放到中国市场：本地化AI与“座舱体验”会一起卷

Waymo的扩张对中国车企有个很直接的启示：自动驾驶AI的本地化能力，会越来越多地体现在**汽车软件与用户体验（UX）**上，而不只是“能不能自动变道”。

1）从“能用”到“好用”：体验要可解释、可预期

中国用户对智能化的容忍度其实很务实：可以谨慎，但必须让人看得懂。

可落地的UX做法包括：

• 意图可视化：在HUD/仪表上明确显示“准备让行/准备借道/因路面湿滑降速”。
• 语音解释要短：别播报论文，20字内说清原因即可。
• 个性化驾驶风格：提供“稳健/标准/高效”模式，但要和风险边界绑定（雨雪自动收敛到稳健）。

这些体验细节，本质是在降低用户对AI决策的不确定感。

2）多传感器、多供应商路线：优势在“冗余”，难点在“统一大脑”

在我们的系列对比里，中国车企常见路线是多传感器（摄像头+毫米波+激光雷达）与多供应商协同。它的优势是：面对雨雪与遮挡时，冗余更强；对城市本地化的边界也更容易“工程化调参”。

但代价是：

• 感知、预测、规划在多模块间协作，容易出现“各模块都对，但合起来不顺”。
• 供应商版本、车端算力、车型平台不同，导致体验一致性难。

解决办法不是无限加传感器，而是建立更严格的统一指标与统一数据闭环：同一套舒适性指标、同一套失败场景定义、同一套灰度发布机制。

3）端到端路线的挑战：泛化能力要经得起“城市脾气”

端到端模型擅长从海量数据中学到“隐性规则”，对扩城理论上更友好。但真实世界的难点在于：城市之间差异并不只是视觉差异，还有规则差异与交互差异。

当模型从一个城市学到的“强势并线有效”迁移到另一个更保守的城市，体验可能立刻变差。端到端要做得好，必须配合：

• 更强的场景覆盖与数据多样性；
• 更可靠的安全约束（别把“学到的习惯”当成“必然正确”）；
• 更明确的ODD边界与降级策略。

车企想把“本地化AI”做成增长点，抓这四个落地点

如果你负责自动驾驶、智能座舱或整车软件，我建议把“本地化”落到可执行的四件事上：

1. 建立城市画像：把城市按天气、道路密度、弱势交通参与者占比、施工频率等维度分层，而不是按行政区划。
2. 把长尾场景产品化：为雨夜、学校路段、窄路会车等场景设定明确的体验目标（例如急刹频次阈值）。
3. 仿真优先、路测验证：新城市先用仿真筛掉80%的回归风险，再用路测补齐真实交互。
4. 把“解释能力”当功能交付：用户不需要知道你用的是Transformer还是BEV，他们只想知道“你为什么这么开”。

这次扩城之后，自动驾驶的胜负手会更像“软件公司”

Waymo进入明尼阿波利斯、新奥尔良、坦帕，最值得关注的不是覆盖了多少人口，而是它在用三种截然不同的城市，验证同一个命题：自动驾驶AI能否低成本地适配环境差异，并维持稳定的安全与体验。

放到中国市场，这个命题会更激进：城市更密、场景更杂、用户更挑剔。谁能把本地化做成“可复制的工程能力”，并把它体现在座舱体验与日常可用性上，谁就更接近规模化的商业闭环。

你更看好哪条路径在“多城市扩张”上跑得更快——端到端的泛化，还是多传感器+强工程化的本地适配？