对于 Waymo 而言，“全天候运营”（All-Weather Operation）不仅是商业承诺，更是一场硬核的工程战役。当 Robotaxi 驶出亚利桑那州的阳光，直面旧金山的浓雾、西雅图的连绵阴雨乃至冬季的暴雪时，其赖以生存的 “眼睛”（传感器）和 “大脑”（计算系统）必须能在性能急剧退化的环境中，依然保持可靠的感知、定位与决策能力。这背后，远非简单的 “堆料” 冗余，而是一套精密设计、层层递进的失效应对体系。本文将聚焦 Waymo 第六代自动驾驶系统（Waymo Driver），拆解其在极端天气（以暴雨、大雪为代表）下的冗余架构工程实现，特别是传感器动态降级策略与多模定位无缝切换机制，并给出可落地的参数与监控清单。
一、传感器冗余：从 “物理叠加” 到 “智能降级”
Waymo 第六代系统搭载了 13 个摄像头、4 个激光雷达（LiDAR）和 6 个毫米波雷达，构成了 360 度覆盖、最远感知达 500 米的多模态传感网络 [1]。在晴好天气下，这套系统通过 AI 融合算法，能实现厘米级的障碍物检测与跟踪。然而，极端天气是各类传感器的 “物理克星”：
- 摄像头：暴雨的水珠、大雪的雪花会直接附着在镜头上，大幅降低图像信噪比；夜间结合路面反光，有效探测距离可能从数百米骤降至数十米。
- 激光雷达：密集的雨滴、雪片会对激光束产生严重的散射和吸收，导致点云稀疏、噪声剧增，有效探测距离可能衰减超过 50%。
- 毫米波雷达：其电磁波特性对雨雪的穿透能力相对较强，性能影响最小，但角分辨率较低，难以区分静止障碍物的细节。
面对这种非均匀、动态的性能退化，Waymo 的冗余设计超越了简单的 “一主一备”，进入了 ** 动态降级（Dynamic Degradation）** 阶段。系统为每类传感器实时计算一个 “健康度” 或 “置信度” 分数，该分数基于在线监测的原始数据质量（如图像清晰度、点云密度、雷达信噪比）以及输出结果的一致性。
工程实现关键参数示例：
- 摄像头置信度阈值：当计算出的置信度低于 0.7（归一化）时，系统判定其进入 “性能下降” 状态；低于 0.3 时，判定为 “严重退化”。
- 融合权重动态调整：在感知融合层，不再采用固定的权重分配。例如，暴雨模式下，摄像头权重可能从正常的 0.5 动态下调至 0.2，而毫米波雷达的权重从 0.3 上调至 0.6，激光雷达权重相应调整。
- 降级行为连锁反应：一旦关键前向视觉能力降级，系统会立即触发行为限制，如禁止自动变道、超车，并将最高车速限制在道路限速的 60% 以下。
这种策略的核心思想是：承认传感器性能的物理极限，不追求在恶劣条件下维持 “全优” 感知，而是通过量化评估，有秩序地收缩感知能力边界，确保剩余感知能力仍能支撑最基本的安全驾驶任务。
二、定位冗余：GNSS 失效后的 “软着陆”
高精度定位是自动驾驶的 “锚点”。Waymo 通常依赖 GNSS（如 GPS）、RTK（实时动态差分）、高精地图、IMU（惯性测量单元）和轮速计进行融合定位，实现车道级精度。然而，暴雨、大雪可能引起电离层扰动，城市峡谷或茂密树木也会遮挡卫星信号，导致 GNSS 信号失锁或精度严重下降。
此时，系统必须实现从 “GNSS 主导模式” 到 “多源融合降级模式” 的无缝切换。Waymo 的定位冗余架构为此设计了明确的状态机与切换逻辑：
- 失效检测：持续监控 GNSS 信号质量，包括信噪比（SNR）、可见卫星数量（<4 颗）、RTK 固定解状态。当任一指标超过预设阈值（如 SNR 持续 5 秒低于 20 dB-Hz），即触发 “GNSS 不可靠” 标志。
- 模式切换：系统立即平滑地降低 GNSS 在融合滤波器中的权重，同时提升 IMU 惯性导航和轮速里程计的权重。结合预先加载的高精地图，通过点云匹配或视觉特征匹配进行位置校正，以抑制惯性导航的漂移（其漂移率可达 0.1%-0.5% 行驶距离）。
- 精度降级声明：切换后，定位模块会向外输出一个 “估计定位精度” 值。例如，从 GNSS 模式下的厘米级（<10cm）降级为 “亚米级”（0.5-1 米）或 “车道级”（1-3 米）。
关键工程指标：
- 切换延迟：从检测到 GNSS 失效到完成定位模式切换并输出稳定结果，全过程必须控制在150 毫秒以内，以确保规划控制模块不会因定位信息中断而产生急刹或摇摆。
- 漂移抑制：在无 GNSS 辅助的纯惯性 / 里程计模式下，需通过高频的地图匹配（如每 0.1 秒一次）将位置漂移控制在每 10 秒不超过 1 米。
三、安全停车：最小风险状态（MRM）的路径规划参数
当传感器降级与定位精度下降叠加，或出现计算单元故障等单点失效时，系统的最终防线是进入最小风险状态（Minimal Risk Condition, MRM），即执行安全停车。这并非简单的 “一脚刹停”，而是在复杂交通环境下寻找安全停车点的路径规划问题。
Waymo 的安全停车路径规划考虑了以下核心参数：
- 路径曲率限制：为确保车辆可控，规划路径的最大曲率通常限制在0.1 m⁻¹以内，避免在湿滑路面上进行急转弯操作。
- 停车点选择偏好：优先选择路肩、紧急停车带、宽阔的自行车道或停车场入口。算法会实时评估候选停车点的宽度（需大于车身宽度 + 0.5 米安全边际）、与车流距离（最好大于 1.5 米）以及地面平整度。
- 障碍物避让：即使在 MRM 模式下，路径规划仍需动态避让突然出现的行人、自行车等动态障碍物，这要求降级后的感知系统仍需保留最基本的动态物体检测能力。
- 停车过程：车辆会开启双闪，以平缓减速度（如 - 2 m/s²）驶向目标点，停稳后挂入 P 挡，并上传故障状态与位置信息至远程监控中心。
四、监控清单与可落地实践
基于上述分析，我们可以提炼出一份面向极端天气冗余系统的工程监控清单：
- 传感器层：实时监控各传感器置信度分数、数据丢包率、时序同步误差（应 < 1 毫秒）。
- 融合层：监控融合后目标列表的稳定性（ID 跳变率）、感知边界框的抖动方差。
- 定位层：监控 GNSS 信号质量指数、定位模式状态、估计定位精度值及其变化率。
- 决策层：监控当前生效的驾驶策略（如 “保守跟车”、“禁止变道”）、MRM 触发标志及各安全边界参数（如当前最大允许车速）。
- 系统健康：监控各冗余计算单元的心跳、主备切换历史、电源回路电压状态。
总结
Waymo 在极端天气下的冗余架构，其精髓不在于追求 “永不失效”，而在于为已知的失效模式设计了层次化、量化的降级预案，并为未知的耦合失效留出了最后的安全边际 —— 最小风险状态。从传感器动态降权，到定位模式无缝切换，再到安全停车的参数化规划，每一步都体现了从 “功能安全” 到 “预期功能安全（SOTIF）” 的工程思维演进。对于整个自动驾驶行业而言，穿越极端天气的 “黑暗森林”，正是检验其冗余设计是否真正 “可靠” 的终极试金石。
参考资料
- Waymo 最新无人车上路：13 摄像头 4 激光雷达 6 雷达，感知覆盖 500 米。量子位. 2024.
- L4 级别自动驾驶硬件架构设计. CSDN 博客. 2025. （文中提及了极端天气下的冗余与降级策略）
注：本文基于公开技术资料分析，旨在探讨工程实现思路，具体参数为行业典型值示例，非 Waymo 官方数据。