2025 年底至 2026 年初，Waymo 旗下自动驾驶车辆在德克萨斯州多次出现未能正确为校车停车的事件，引发 NHTSA 调查并最终导致大规模软件召回。这一事件揭示了自动驾驶系统在识别特殊车辆（校车）及执行高优先级安全决策时面临的工程化挑战。本文将从计算机视觉模型训练、安全决策架构两个维度，剖析此类专用检测任务的技术实现要点。
校车停车检测的特殊性
校车停车信号是道路交通安全中最具强制性的指令之一。当校车亮起红色警示灯并伸出停车臂时，后方及对向所有车辆必须完全停止，直至信号取消。这一规则在法律层面与普通红绿灯等同，但在技术层面对自动驾驶感知系统提出了更高要求。
首先，校车具有独特的外观多样性。美国校车采用统一的黄色车身和黑色条纹标识，但车型年份、制造商、车体尺寸存在显著差异。更关键的是，停车信号系统包含两个独立且必须同时识别要素：红色闪烁灯和伸缩式停车臂。仅仅检测到红色灯光并不足以触发停车决策 —— 系统必须同时确认停车臂是否处于展开状态。这意味着感知层需要具备多标签检测能力，而非简单的目标分类任务。
其次，校车停车通常发生在复杂城市场景中。学校区域人流密集、儿童行为不可预测，道路两侧可能存在停靠车辆、临时上下车人群、路侧设施等干扰因素。Waymo 第五代自动驾驶系统的软件缺陷表现为：车辆检测到校车后能够减速或短暂停车，但随后继续绕过校车行驶。这表明问题不仅在于目标检测的准确率，更在于决策逻辑的状态机设计 —— 系统未能正确维持 “安全停车” 状态，直至确认校车信号取消。
计算机视觉模型的训练策略
针对校车检测这一特定任务，主流自动驾驶厂商通常采用分层感知架构。在底层，使用大规模目标检测网络（如基于 Transformer 的 DETR 系列或 EfficientDet）实现对道路上各类车辆的通用检测；在上层，通过专用轻量级分类头判断目标车辆是否为校车，并进一步识别其信号状态。
这种分离式设计的优势在于模型解耦 —— 通用检测模型负责识别所有车辆目标，保证基础感知能力不因专用任务而退化；专用分类模型则可使用更小的参数规模和数据量聚焦校车特征。然而，这种架构也带来了跨模型状态关联的工程难题。当通用检测模型将某目标标记为 “车辆” 时，专用分类模型需要快速完成校车判别；若分类结果为肯定，决策模块还需进一步验证信号状态。整个 pipeline 的端到端延迟必须控制在毫秒级，否则在高速行驶场景下可能导致响应不足。
训练数据的质量直接决定了模型性能。Waymo 公开的感知数据集涵盖了大量校车样本，但真实运营中暴露的问题是：训练数据中的校车停车场景多为理想条件（空旷道路、良好光照），而实际部署中遇到的往往是边缘情况 —— 例如校车停在建筑阴影中、停车臂部分被遮挡、或在傍晚逆光条件下红色灯光与夕阳区分困难。为此，需要针对这些困难场景进行数据增强和专项采集。行业实践表明，校车检测模型的有效提升依赖至少数万帧带标注的停车状态样本，且正负样本比例需精心设计以避免类别不平衡。
安全决策逻辑的状态机设计
目标检测只是第一道门槛。Waymo 事件的核心问题在于决策逻辑未能正确处理 “检测到校车停车信号后应持续保持停车状态” 这一时序行为。这涉及自动驾驶系统安全架构中的状态机设计。
一个可靠的安全决策状态机应包含以下状态：正常行驶、检测到校车红色信号、进入停车准备、确认停车完成、保持停车等待、检测信号取消、恢复行驶。关键的设计要点在于状态转换的触发条件和保持条件。传统基于规则的系统可能在检测到信号时立即触发停车，但当传感器因抖动或短暂遮挡丢失目标时，容易错误退出停车状态。改进方案通常采用 “置信度滤波” 机制 —— 只有当连续多帧（如 5 至 10 帧）检测结果均确认信号状态时，才允许状态转换；同时，退出停车状态需要更高的确认阈值，例如连续 15 帧未检测到任何停车信号。
此外，安全决策模块需要融合来自不同传感器的信息进行冗余校验。摄像头提供的视觉特征是主要判断依据，但毫米波雷达和激光雷达可以辅助验证目标的存在性和空间位置。当视觉检测因光照或遮挡出现不确定性时，雷达回波若能确认前方静态障碍物的存在，系统应倾向于保持更保守的停车决策。这种多传感器融合的置信度加权策略能够在很大程度上规避单一传感器的误判风险。
工程化落地的关键参数
基于行业实践和公开披露的安全报告，校车检测系统的工程化部署可参考以下参数阈值：目标检测召回率应不低于 99.5%（即每 200 次校车停车场景中至少正确识别 199 次），误报率控制在 0.1% 以下以避免不必要的紧急制动；信号状态识别准确率需达到 99.9% 以上，因为误判停车臂状态可能导致严重法律违规；端到端感知决策延迟应控制在 150 毫秒以内，确保在 60 公里每小时行驶速度下有足够的安全响应距离。
在测试验证层面，仿真测试里程应覆盖至少 100 万公里的校车相关场景，其中包含不低于 10% 的困难案例（低光照、部分遮挡、逆光等）；实车路测需在多个学区进行累计不少于 5000 小时的停车行为验证。召回后的软件更新需通过监管机构认可的安全案例论证，包括功能安全分析（ISO 26262）和预期功能安全评估（SOTIF）。
Waymo 校车检测事件为整个自动驾驶行业敲响警钟：通用目标检测能力的提升并不能自动转化为特殊场景的安全保障。专用任务的感知模型需要针对性训练数据，安全决策逻辑需要精心设计的状态机和多传感器冗余，而部署前的验证则需要覆盖足够规模的边缘案例。只有将计算机视觉算法的精度与安全架构的严谨性相结合，自动驾驶系统才能在复杂的真实道路环境中赢得公众信任。
资料来源：本文主要参考 Reuters 关于 Waymo 校车检测调查的报道、CBS News 关于软件召回的报道，以及 NPR 关于 NHTSA 介入调查的报道。