在太平洋西北地区部署自动驾驶出租车是一项极具挑战性的工程实践。波特兰所在的俄勒冈州年均降雨量接近 1200 毫米，秋冬季节的浓雾常常在清晨和傍晚笼罩城市道路，这种复杂的气象条件对自动驾驶感知系统提出了远超常温环境的严苛要求。Waymo 在该地区的部署不仅是商业扩张，更是一场针对极端天气感知能力的系统性验证。
感知硬件在雨雾环境下的物理瓶颈
自动驾驶车辆依赖激光雷达、摄像头和毫米波雷达三种核心传感器实现对周围环境的实时三维重建，然而这三种传感器在雨雾天气下均面临不同程度的性能衰减。激光雷达发射的激光脉冲在穿透密集雨幕时会因悬浮水滴产生散射，导致返回信号的信噪比显著下降，有效探测距离可能缩短 20% 至 40%。摄像头在雾气环境中面临的光学衰减更为直接，大气透射率的下降会直接影响图像对比度和物体边缘的可辨识度。毫米波雷达虽然受雨雾影响相对较小，但其角分辨率限制了它对细小障碍物和行人的精准识别能力。
Waymo 第六代传感器套件针对这些问题进行了系统性改进。通过采用更高功率的激光发射器和改进的接收光学设计，新一代激光雷达在雨天的有效探测距离相比前代产品提升了约 15%。摄像头模组配备了防雾涂层和自动加热系统，能够在镜头表面形成温度梯度以防止水雾凝结。毫米波雷达的通道数增加到 12 个，实现了更高的角度分辨率，使得车辆在密集雨幕中仍能保持对交叉路口复杂交通状况的有效感知。这种多传感器冗余设计的核心理念在于：当单一传感器因天气原因性能下降时，其他传感器能够提供补充信息，确保感知结果的完整性和可靠性。
天气感知的算法层面解决方案
仅仅依靠硬件改进并不足以解决极端天气下的感知难题。Waymo 研发了一套名为「天气感知感知」的算法框架，能够实时评估当前气象条件并动态调整感知管线的参数配置。该系统的输入来源包括车辆自身的传感器观测数据 —— 例如挡风玻璃上的雨滴密度图像、激光雷达回波的衰减统计、以及车轮溅水产生的声学特征 —— 这些信息被输入到一个基于深度学习的天气分类模型中，模型输出当前环境的雨量等级、雾浓度估计和能见度指标。
这一天气状态估计结果会直接影响后续感知算法的处理策略。在轻雾条件下，系统会降低物体检测的置信度阈值，同时增加雷达检测结果在融合中的权重；在浓雾条件下，感知管线会切换到以雷达为中心的模式，优先保证前方障碍物的距离信息准确，而对物体类别的识别则更多依赖历史轨迹预测而非实时视觉分类。更为关键的是，Waymo 将这种天气感知能力从单车层面扩展到了车队层面 —— 数百辆运营车辆在城区范围内持续采集的天气观测数据被汇总到云端处理中心，经过融合分析后生成高分辨率的实时气象网格图。这种被 Waymo 称为「移动气象站」的能力使得系统能够掌握城市内部不同区域的微气候差异，例如某些山谷路段的晨雾消散速度往往比开阔路段慢 15 至 20 分钟，这一信息直接影响了自动驾驶车辆的路径规划和速度决策。
高精地图在多雨城市的动态维护策略
高精地图是自动驾驶系统实现精准定位和路径规划的基础设施，然而在波特兰这类多雨城市，地图的时效性面临特殊挑战。频繁的降雨会导致路面标识的老化加速，临时施工区域增多，而冬季的冰冻和解冻循环则会改变车道线的物理状态。Waymo 采用了「持续建图」策略来解决这一问题：运营车辆在日常行驶过程中持续采集传感器数据，这些数据被上传至云端后与历史地图进行对比分析，自动检测出标识变化、车道线重绘和新出现的临时道路改动。
这种动态更新机制的实现依赖于高效的自动化变化检测流程。系统首先对新车载传感器采集的点云和图像进行特征提取，然后与对应区域的历史高精地图进行配准比对，找出差异超过阈值的区域。检测到的变化会进入人工审核队列，由地图运营团队确认后触发地图更新指令。Waymo 声称其地图更新频率在成熟运营区域已经达到了每周多次的级别，这意味着即使是短暂的施工路段也能在几天内反映到车辆可用的导航数据中。对于雨天特有的路面状态变化 —— 例如某些低洼路段在暴雨期间可能出现的短暂积水 —— 系统还会生成专门的「湿滑路面」语义层，提醒后续车辆在经过这些区域时适当降低车速并增加跟车距离。
交通行为的地方特色适配
波特兰的交通环境具有鲜明的地域特征：市民骑行比例在全美名列前茅，城市核心区的大量混行道路要求自动驾驶车辆对自行车和行人的行为模式有更精准的预判。雨天的交通行为模式与晴天存在显著差异：骑行者会更多使用机动车道而非自行车道以避开湿滑的路肩；行人在雨天横穿马路时的步伐速度会加快但观察左右来车的时间会减少；机动车驾驶员在雨天更容易出现急刹车和违规变道的行为。这些行为模式的变化要求自动驾驶系统的预测模型能够根据天气条件进行动态调整。
Waymo 在波特兰部署的预测模型针对当地骑行者群体建立了专门的运动模式库。该模型不仅识别骑行者当前的骑行状态 —— 直行、转弯、还是即将变道 —— 还会根据天气信息调整对骑行者未来轨迹的预测分布。例如在雨天，模型会增加对骑行者突然变向进入机动车道的概率估计，从而提前为车辆提供更充裕的避让空间。对于行人预测，系统会综合考虑降雨带来的行为变化：雨天行人的过街决策时间更短，这意味着自动驾驶车辆在通过人行横道时需要更早开始减速准备，即使行人尚未做出明确的动作表示。这种基于地方数据的模型调优是 Waymo 每进入一座新城市都必须完成的系统工程，其复杂程度远超单纯的技术参数调整。
工程落地的关键参数参考
对于计划在类似气候条件下部署自动驾驶系统的工程团队，以下参数值可作为初步参考：感知系统在浓雾天气下应至少保持对 50 米范围内车辆的有效检测能力；当能见度低于 200 米时，建议将车辆最高运行速度限制在 40 公里每小时以下；高精地图的更新延迟应控制在 72 小时以内以确保施工信息的时效性；雨天预测模型的轨迹预测时间窗口应从常规的 3 秒扩展至 5 秒以上。这些阈值并非一成不变的标准，而是需要根据实际运营数据持续迭代优化的参考基线。
Waymo 在波特兰的部署经验表明，极端天气自动驾驶的核心挑战并非某一项单点技术的突破，而是感知、预测、规划和地图等多个子系统在天气变化条件下的协同适应能力。当每一个模块都能根据实时气象条件进行动态参数调整，并且这种调整能够在大规模车队层面保持一致性时，自动驾驶系统才能真正实现全天候可靠运行的目标。
资料来源：The Robot Report 关于 Waymo 雾天处理技术的报道、Meteorological Technology International 关于 Waymo 本地化雾图开发的报道、Waymo 官方博客 2022 年天气研究技术文章。