为啥武汉无人车也“呆”了一次

杰西卡 2026-04-01 20:06:03 来源：量子位

杰西卡 发自 副驾寺

智能车参考 | 公众号 AI4Auto

武汉“萝卜”，因为“呆”被热议了。

3月31日晚，在武汉市区内，有市民发现部分“萝卜快跑”无人驾驶车在路上停摆。

好在交管部门和萝卜快跑的工作人员火速赶到，乘客安全下车，没有人员伤亡，交通路段也及时恢复了正常秩序。

不过，关于这次事件的讨论，却仍在网上持续发酵。

大家都在好奇，自动驾驶车辆为什么会突然“愣”在路上。

而且这事看着有点似曾相识——

几个月前在大洋彼岸，另一位顶尖无人车玩家Waymo，也发生过一次更大规模的停摆事件……

或许这不是巧合？但为什么会这样？

无人车为什么会“愣”在路上？

据知情人士向智能车参考透露，萝卜快跑发生“停滞”事件，其实是车辆在自检到潜在风险时，系统为保障安全给出的主动策略。

所以，要解答无人车停摆这个疑问，我们就得抛开人类驾驶的思维习惯，先从自动驾驶系统的运行逻辑说起。

对人类司机而言，驾驶是一门融合了经验、预判甚至有些许“赌一把”心理的艺术。

比如看到一个昏暗难辨的路口，人类老司机可能会减速、探头、仔细观察，然后凭借经验通过。这期间，大脑几乎是瞬间完成了风险衡量，给出的结论是事故概率似乎不高，可以通行。

但“AI司机”的大脑不同。它的核心逻辑不是“大概率没事”，而是“必须确定没事”。

因此，为了保障这套逻辑能运行无误，安全方面就要设置多重预防，也就是我们常说的“安全冗余”。

而在自动驾驶系统中，这套安全冗余设计体现在感知-决策-执行三个层面。

首先是感知层。

当前主流的L4无人车玩家（除了坚持“纯视觉”的特斯拉），大多都为产品安装了激光雷达、毫米波雷达、高清摄像头等多种传感器，为的是对周围环境进行更精准全面的感知。

这些传感器各司其职，把各自探测到的数据汇总到一起，由系统做融合判断，接下来就轮到决策层发力。

在决策层中，自动驾驶车辆的安全冗余和飞机类似，关键系统通常都会配有主、备两套计算大脑，确保一个“死机”的情况下，另一个能瞬间接管。

绝大多数时候，由传感器提供的数据会保持一致，决策层根据数据发出相应指令，让车辆实现自动驾驶。

但有时遇到极端或长尾场景，传感器偶尔也会出现分歧，对同一障碍物判断不一。

此时，系统不会盲目相信任何一个传感器，而是会进入“验证模式”——多确认几帧数据，或者等待更清晰的场景出现。

这个过程需要时间，如果在某些极端场景下，比如光线突变、恶劣天气，系统确认信息的时间可能还会被拉长。

这就需要最后的执行层去处理。

遇到系统经过综合判断，仍无法以足够高的置信度做出安全决策时，执行层就会按照底层代码的终极安全指令，启动“最小风险策略”。

这一切冗余设计的终极目标，都是为了确保在任何单一部件甚至组合出现问题时，系统仍保有最后、也是最根本的能力：把车安全、平稳地停下来，避免可能的事故发生。

就好比家用车的发动机，故障灯亮起后，车辆会自动限速或熄火保护——这是行业通用的安全底线逻辑。

而这种异常情况下做出的“停滞”选择，其实有一个更贴切的称呼，叫做“降级措施”。

“降级措施”本身并非自动驾驶独有，实则已经在其他领域的关键安全系统上沿用了数十年。

最典型的例子是飞机的自动驾驶仪。

在民航客机飞行途中，如果传感器数据出现异常，飞机自动驾驶仪会自动切换到“降级模式”，或者会直接交还给飞行员手动操控。

这个设计的理念在于，在万米高空中，“不确定”意味着风险，而风险不能靠硬闯来解决。

这是对安全最负责任的处理方式，也是航空领域沿用数十年的冗余思路。

对应到坚持同一逻辑的自动驾驶行业中，这种“保守”其实也是自动驾驶区别于人类司机的核心价值。

人类可能因为赶时间等因素，选择相对更冒进的驾驶行为；而机器则会严格依据概率和规则，选择最安全的动作——即使这个动作，现在看起来可能有点“呆”。

无人驾驶行业，是否需要“必要的停顿”？

当然，有人会问：既然是安全设计，为什么不能做得更“丝滑”一点？为什么不能像老司机一样，一边判断一边通过？

这个问题的答案，还要从自动驾驶的发展阶段去挖掘。

就拿国内顶尖Robotaxi玩家萝卜快跑来说。据其最新披露的数据显示：

截至今年2月，萝卜快跑累计提供全球出行服务次数超2000万，足迹已覆盖全球26个城市。

其自动驾驶总里程累计超3亿公里，相当于从地球到太阳跑一个来回；其中有超1.9亿公里是全无人驾驶里程。

这是一个什么概念呢？

就全球Robotaxi格局来看，萝卜快跑是全球极少数能在大规模、全天候、全无人场景下稳定运行的自动驾驶玩家之一。

其技术路线、安全体系以及运营能力，已经在千万级订单的实战中得到了验证。

可即便实力强如“萝卜”，在运营过程中，“过于谨慎”的时刻仍会出现，这甚至是必然的——

比如对某些边缘场景判断不足，选择原地等待；比如对某些复杂路口“犹豫”过久，导致短暂停滞。

因为系统需要在特殊场景中不断积累经验、拓宽场景。这就像人类学车时，教练会反复强调“宁停三分，不抢一秒”。

新手司机往往会在该停的地方停，不该停的地方也停，但随着经验积累，他会越来越清楚什么时候该停、什么时候该走。

自动驾驶车辆也是一样。

每一次“停滞”，后台都会记录下当时的场景数据、传感器信息、决策日志，工程师和模型会分析为什么会触发“最小风险策略”，然后优化算法。

下一次遇到类似场景时，系统决策就会更精准、更丝滑。随着数据积累和模型迭代，这种“过于谨慎”会越来越少。

这种靠千万次真实出行打磨出来的积累，就是自动驾驶的进化方式。

而这种安全与进化逻辑的顶层设计，在全球顶尖的自动驾驶公司中，实际早已形成共识。

这里举个另一顶尖无人车玩家，美国谷歌旗下Waymo的例子。

2025年12月，美国旧金山因变电站火灾而大规模停电，交通信号灯大面积失效。由于无法识别失效信号灯，Waymo车辆在多处路口开启双闪，陷入“停滞”。

Waymo后来解释，这是因为公司系统预设将失效信号灯视为“四向停车”（Four-way stop）场景，但因停电规模超预期，车辆确认路口安全状态耗时过长，触发了“最小风险策略”（原地停车并双闪）。

而且据Waymo透露，这是美国加州DMV（可以理解为加州车管所）对L4级全无人驾驶的强制安全要求，并非企业自主选择。

换句话说，在关键的安全底线上，行业的技术路径是收敛的、趋同的：

在系统遇到“感知不确定”或“外部环境异常”的情况下，“停下来”是法律和技术共同规定的最后一道防线。

当然，不得不承认，这种“停滞”确实会给交通带来短暂影响。尤其是在城市主干道上，一辆车突然“愣”住，确实会让后方车辆措手不及，也会让围观的路人产生疑问。

但视野拉长，我们会发现，人类历史上任何一场足够深刻的技术变革，一路都伴随着与公众认知、社会规则的漫长磨合。

就像电力系统发展了数百年，到现在依然偶有停电故障。但这并没有阻止它成为现代社会的基础设施。

而自动驾驶还处于早期阶段，像停摆这样的偶发且未有人员受伤的情况，客观来看，其实也属于合理、可理解的范畴。

当下，我们正见证自动驾驶从“新手司机”向“老司机”蜕变的最后阶段。

与此同时，外界判断无人驾驶公司实力几何、技术成熟与否，需要一把新的、更理性的标尺。

在技术走向完全成熟的漫长道路上，追求“永远不出事”是一个理想化的终点，但将它作为衡量当下实力的唯一标准，则可能脱离现实，也无视了技术创新过程中的客观规律。

所以在复杂的现实路况中，我们还要看“状况”真的发生后，一家公司是如何兜底、响应，以及如何从中学到东西，完成迭代的。

而在这期间，所有真实场景暴露出的问题，经过处理、优化，最终都会成为自动驾驶车辆集体升级的“疫苗”。