Waymo新增三城背后：自动驾驶AI如何适配冬雪与窄街

Waymo 选择在明尼阿波利斯（Minneapolis）、新奥尔良（New Orleans）和坦帕（Tampa）推进新一轮城市扩张，这事儿看上去像“业务版图扩大”，实际上更像一次自动驾驶系统的现实压力测试：极端冬季路面、狭窄街巷、复杂交通参与者密度，都会把感知、预测、规划、控制以及车端软件工程能力推到前台。

我一直觉得，自动驾驶从来不是“把模型做大就行”。真正决定它能不能从一个城市复制到另一个城市的，是AI 对环境差异的适配能力——包括数据策略、仿真能力、长尾场景处理、地图与定位的工程体系、以及持续迭代的软件发布机制。

这篇文章放在我们系列《自动驾驶 AI：Tesla 与中国车企的发展路径对比》的语境里，会更清晰：Waymo 的扩城，几乎就是“多传感器 + 强工程体系 + 地域化运营”的典型案例；而 Tesla 的端到端路线，以及中国车企常见的“多传感器、多供应商协同”的路线，都能从 Waymo 的选择里看到得失。

扩城不是开分店：Waymo在测试自动驾驶AI的“可迁移性”

核心结论：城市扩张考验的是自动驾驶 AI 的可迁移性，而不是单城表现。

单城跑得好，不代表到了新城市还能好。原因很简单：道路结构、交通习惯、法规与执法尺度、天气与光照、甚至路面材料与车道线清晰度，都在改变数据分布。对自动驾驶而言，这就是典型的 domain shift（领域迁移）。

Waymo 选择的三座城市，组合非常“有针对性”：

• 明尼阿波利斯：冬季降雪、结冰、盐渍路面、车道线被覆盖，属于感知与定位的硬仗。
• 新奥尔良：历史城区与狭窄街道、路侧临停、行人/骑行混行更常见，属于交互与规划的硬仗。
• 坦帕：热带风暴季、强对流降雨、反光积水与能见度骤降，属于恶劣天气感知与风险控制的硬仗。

这三类挑战指向同一件事：你的系统能不能在“你没见过的样子”里，依然做出安全、可解释、可持续运营的决策。

从商业化角度看，扩城还意味着另一层考验：

自动驾驶的规模化，不是算法规模化，而是“数据—仿真—验证—发布—运营”闭环的规模化。

冬雪、窄街、暴雨：环境差异如何“折磨”自动驾驶系统

核心结论：环境差异会同时击穿感知、定位和行为预测，最终在规划层面放大成风险。

冬季路况：看不清、站不稳、算不准

雪天并不只是“摄像头看不清”这么简单。更麻烦的是：

• 车道线消失：传统视觉车道线检测失效，必须依赖多源线索（路缘、路侧形态、先验地图、轨迹历史）。
• 雷达/激光雷达的异常回波：雪花、雾凇可能引入噪声点；必须在时序上做更强的滤波和目标一致性判断。
• 轮胎-地面摩擦系数变化：控制策略要更保守，规划要给出更大的安全裕度，速度曲线要更平滑。

冬季挑战最终会落到一句话：**系统必须“承认不确定性”，并把不确定性显式传递给决策层。**做不到这一点，就会出现“看不准但还敢冲”的危险行为。

狭窄街道：空间不够，互动更难

窄街最难的不是“能不能通过”，而是你如何与人类司机达成默契。

• 会车空间小，必须判断对向车辆是否会让行、何时让行。
• 路侧临停多，绕行会侵入对向车道，需要更好的风险评估。
• 行人、自行车、摩托车穿行更频繁，预测模型需要更强的意图识别与不确定性建模。

这类场景里，规划算法的“礼貌”与“果断”要同时存在：太礼貌会造成拥堵与被插队；太果断容易引发冲突。

暴雨与积水：传感器退化 + 场景突变

暴雨最典型的问题是传感器退化与场景突变叠加：

• 摄像头受雨滴、眩光、雾化影响；
• 雷达在强降雨下目标特性变化；
• 路面积水造成反射，视觉分割容易把“水面当路面”或“路面当障碍”；
• 人类驾驶行为也会改变：更突然的减速、更频繁的并线、更保守的过弯。

因此暴雨场景里，安全策略往往要更像“系统级策略”而不是“单点模型提升”：比如更低速、更大跟车距离、更强的最小风险状态（Minimal Risk Condition）触发机制。

Waymo路线的启示：多传感器+重地图，靠工程闭环跑通扩城

核心结论：Waymo更像“工程体系驱动的AI”，它赢在可靠性与运营可控性。

Waymo 的典型路径是：高规格传感器（常见理解是多传感器融合，往往包含激光雷达/雷达/摄像头）、配合高精地图与严格的运营域（ODD）管理。它的优势在扩城时会变得特别明显：

1. ODD边界清晰：能做就做，不能做就不做，运营更可控。
2. 仿真与回放体系成熟：把新城的长尾场景快速注入训练与验证。
3. 软件发布更偏“航空级”：节奏可能不如消费电子快，但对安全验证更友好。

但代价也很现实：

• 地图采集与维护成本高；
• 传感器成本与车规集成复杂；
• 从一个城市复制到另一个城市，仍需要可观的“落地工程量”。

对中国车企来说，这条路线的现实映射是：多供应商、多传感器的系统集成能力是否足够强。很多问题并不在“有没有激光雷达”，而在“融合、标定、冗余、故障诊断、软件架构”是不是能长期稳定迭代。

对照Tesla与中国车企：同样是AI，应用方式决定体验与扩展速度

核心结论：端到端与多传感器协同不是“谁更先进”，而是谁更适合你的产品节奏与市场边界。

把 Waymo 的扩城放到我们系列主线里，会发现三种“AI落地哲学”差异明显。

Tesla：端到端更像“快速进化”，但对数据分布更敏感

端到端路线的优势是：

• 软件迭代速度快，体验变化明显；
• 理论上对地图依赖更低；
• 通过大规模车队数据，能更快覆盖常见场景。

但当进入“冬雪 + 车道线缺失 + 长尾交互”的组合拳时，端到端模型会遇到典型难点：训练数据覆盖不足时，模型行为的不确定性更难被工程手段兜住。这也是为什么 Tesla 一方面强调数据闭环，另一方面也在增强对不确定性的处理与安全约束。

中国车企：多传感器、多供应商，成败在“系统协同与体验一致性”

中国市场的特点是：车型多、城市道路差异大、用户对智能座舱和辅助驾驶体验敏感、发布节奏快。

我见过不少团队在“硬件堆料”上很强，但用户体验却不稳定：

• 同一套功能在不同城市表现差；
• 版本更新后某些场景退化；
• 不同供应商模块之间出现“边界打架”，导致动作犹豫。

Waymo 扩城带来的提醒很直接：真正的壁垒是“统一的软件平台 + 数据闭环 + 安全验证流程”，而不是某一个模型或某一个传感器。

给产品与研发团队的落地清单：如何让AI在不同城市“像本地人一样开车”

核心结论：城市适配要按“数据→仿真→灰度→运营监控”四步走，缺一步就会反复翻车。

下面这份清单，适合做城市扩展或跨区域交付时的项目骨架：

1. ODD画像先行：把天气分布、道路类型占比、施工频率、行人密度、非机动车比例做成量化指标。
2. 关键场景库（Top 100）：每个城市至少沉淀 100 个“高频 + 高风险”场景，包含触发条件与可量化通过标准。
3. 仿真要做“分布对齐”：不是堆场景数量，而是让仿真分布接近真实城市分布（雨天比例、夜间比例、狭窄道路比例）。
4. 不确定性可视化：把感知/预测的不确定性指标输出到决策层，并在日志里可追踪。
5. 灰度发布与回滚机制：新城上线必须支持按区域、按时间段、按天气条件的灰度；回滚要做到“小时级”。
6. 用户体验指标化：不仅看接管率，也要看
   • 乘坐舒适性（加速度/加加速度阈值）
   • 交互效率（礼让次数、路口等待时间）
   • 误触发（不必要的急刹/急停）

我更赞成把“体验指标”纳入安全体系。因为很多安全事故的前奏，其实是长期的体验不稳定。

常见问题：为什么“进新城市”比“升级一个版本”难得多？

因为新城市带来的是数据分布变化，而版本升级只是你在原分布上的优化。

• 版本升级：大多是修补已知问题、优化已覆盖场景，验证集相对稳定。
• 城市扩张：相当于换了一套题库，原来的“高分策略”可能不适用。

那是不是地图依赖越少越好？

不是。地图是“先验”，能提高稳定性；但过度依赖会带来维护成本与更新延迟风险。更合理的方向是：地图做约束与冗余，模型做泛化与补全。这也是很多中国车企正在走的折中路径。

结尾：Waymo的三座城市，给“AI在车里怎么用”划了重点

Waymo 进入明尼阿波利斯、新奥尔良、坦帕，表面是三座城市，实质是三类“难题集合”：冬雪、窄街、暴雨。它让我们更清楚地看到，自动驾驶 AI 的竞争焦点正在从“单点能力”转向环境适配与软件工程闭环。

对关注 Tesla 路线与中国车企路线对比的人来说，这条新闻的含义很具体：端到端模型可以跑得很快，但要跑得稳，需要更强的安全约束与验证体系；多传感器协同可以更稳，但要扩得快，必须把平台化、数据闭环与供应链协同做到位。

如果你正在规划 2026 年的车型与城市落地节奏，我建议先问团队一个现实问题：**当车道线被雪盖住、路边临停挤满、暴雨突然砸下来时，你的系统会如何“保守但不僵硬”地做决定？**答案会决定你能进几座城，而不只是能发几个版本。