Waymo 自驾车反复冲进淹水路段，Robotaxi 扩大停运至四城

Waymo 已对旗下 3,791 辆 robotaxi 发起召回、在亚特兰大等四个城市暂停服务，起因是车辆软件无法识别积水路段，继 4 月圣安东尼奥冲进溪流事故后，5 月 21 日亚特兰大又发生相同问题。
（前情提要：Waymo 堵住了奔赴枪击现场的救护车，急救人员：情况越来越糟）
（背景补充：特斯拉Robotaxi德州试运营，自动驾驶出租车将挑战Waymo、Uber地位）

本文目录

Toggle

• 从圣安东尼奥到亚特兰大：同一个错误，两个月内重演
• 软件更新挡不住的边界案例：AI 训练资料的结构性缺口
• NHTSA介入与连环调查：Waymo 面对的不只是技术问题

自动驾驶技术在硅谷的实验室里，处理的是毫秒内识别行人、预测十字路口行为的复杂决策。但在德州的一场暴雨后，Waymo 的 robotaxi 在一个更朴素的问题翻车了。

从圣安东尼奥到亚特兰大：同一个错误，两个月内重演

事件的起点是 4 月 20 日。一辆 Waymo robotaxi 在德州圣安东尼奥（San Antonio）开进淹水路段，最终被冲进溪流。这起事故触发了 NHTSA（美国国家公路交通安全管理局）的关注，也让 Waymo 不得不正视旗下车队软件的结构性问题。

5 月 12 日，Waymo 对旗下 3,791 辆 robotaxi 发起召回，但这并不是传统意义上让车主把车开回厂维修的召回，而是通过 OTA（over-the-air）方式，也就是通过网络远程推送车载软件更新，车辆不需要进厂。

Waymo 同时坦承，这个更新只是过渡措施：在「淹水高风险地区、特定时段」限制车辆行驶，但「最终解决方案」尚未完成。

话音未落，5 月 21 日，亚特兰大（Atlanta）再度出事。一辆无载客的 Waymo robotaxi 开进淹水街道，卡了将近一小时，最终靠拖吊车才脱困。当日的降雨量已大到街道积水，但美国国家气象局（National Weather Service）甚至还没来得及发出洪水警报。

这意味着 Waymo 之前推送的 OTA 更新所设定的「高风险时段限制」，在这场快速发展的区域性暴雨中，完全失去作用。

事发后，Waymo 宣布暂停在亚特兰大、圣安东尼奥、达拉斯（Dallas）、休斯顿（Houston）四个城市的服务。

软件更新挡不住的边界案例：AI 训练资料的结构性缺口

要理解 Waymo 为何反复在同一问题上失守，必须回到自动驾驶的技术本质。

Robotaxi 的感知系统依赖大量标记资料训练：哪里是可行驶的路面、哪里是障碍物、哪条线是车道边界。在训练资料的分布中，城市街道 99% 的时候是「干燥、正常的路面」。积水路段，在机器学习的语言里属于 edge case（边界案例）：训练资料没有充分涵盖的罕见场景。

问题在于，当 robotaxi 的传感器（摄像头 + 激光雷达 LiDAR）扫描到一片积水时，积水的反射特性与湿润柏油路面非常相似。模型在没有被明确教导「这个场景代表危险」的情况下，不是在「判断错误」，而是根本没有被设计成会在这个场景踩刹车。

Waymo 的 OTA 更新试图用「地理围栏 + 时段限制」来规避这个问题：在已知的淹水高风险区、雨天特定时段，禁止或限制车辆出车。这个逻辑本身并无问题，但它依赖一个前提：预警系统要比现实快。亚特兰大 5 月 21 日的案例证明，暴雨的速度可以快过 NWS 的警报，更快过地理围栏的触发逻辑。

Waymo 商业运营覆盖美国 11 座城市，包括旧金山、洛杉矶、凤凰城、奥斯汀、迈阿密等。四城停运，意味着超过三分之一的运营版图进入暂停状态。这不仅是一个地区性问题，而是整个车队共享同一套软件逻辑所带来的系统性风险。

NHTSA 介入与连环调查：Waymo 面对的不只是技术问题

淹水事件并非 Waymo 目前面对的唯一监管压力。

在积水召回之外，NHTSA 与 NTSB（美国国家运输安全委员会）正联合调查另一起持续性问题：Waymo robotaxi 反复违法超越停下的校车。美国各州法规要求车辆在开启停车臂的校车旁停车等待，但 Waymo 车辆在奥斯汀多次违规，推送修正后问题仍未改善，NHTSA 在 5 月 15 日再度发出第二轮档案请求。

同一时期，今年 1 月 23 日，一辆 Waymo robotaxi 在洛杉矶圣塔莫尼卡（Santa Monica）以时速约 10 公里的低速撞上一名儿童，造成轻伤，事发地点邻近一所小学。

NHTSA 在声明中表示，针对淹水事件「必要时将采取行动」。这句话的潜台词，是监管机构保留了进一步强制介入的选项——包括要求更严格的召回条款、暂停特定城市的商业许可，乃至强制推迟新城市扩张计划。

自动驾驶的承诺从来不是「比人类司机在所有场景都更好」，而是「在统计上更安全、更可靠」。但统计上的优越，掩盖不了边界案例的失效。

每一次 robotaxi 冲进积水、拦下救护车、超越校车，都在提醒同一件事：大规模商业部署，本质上是让真实世界承担训练资料的缺口。