当一个自动驾驶公司宣布要进入伦敦时，我第一反应不是喝彩，而是替他们的规划团队捏了把汗。伦敦不是凤凰城，不是旧金山，更不是迪拜那种道路宽敞、标识清晰的城市。它是全球自动驾驶最硬的试金石之一：右舵驾驶、百年窄街、随时冒出来的双层巴士和自行车、说下雨就下雨的天气，还有一整套让外国工程师头疼的交通规则。Waymo这次把测试车开进伦敦，说白了就是主动选择地狱难度。这篇文章我想从技术角度聊聊，为什么伦敦被称作自动驾驶的“终极考场”，以及Waymo这套以激光雷达为核心的技术栈，到底要怎么在伦敦的混乱秩序里存活下来。
文章适合自动驾驶从业者、智能交通研究者，也适合对无人车技术感兴趣但不想看晦涩论文的朋友。我会用“工程落地”的视角，把一个L4级自动驾驶系统进入超复杂城市时会遇到的真实问题拆开讲，包括传感器选型、地图构建、行为预测、仿真测试，以及一堆你在新闻通稿里看不到的细节。
1. 从凤凰城到伦敦：Waymo为何要啃最硬的骨头
1.1 全球部署的“下一站逻辑”
Waymo的扩张路线一直很清晰：先在凤凰城这种气候稳定、道路规整、人口密度适中的地方打磨系统，再进入旧金山这种坡多、雾多、交通混乱的城区，然后逐步向更多国际城市复制。这条路线背后的逻辑不是“哪里市场大就去哪里”，而是“哪里能让系统快速进化就去哪里”。伦敦之所以被选为下一个目标，恰恰因为它的交通环境能暴露Waymo在美国积累的经验里最薄弱的部分。
我在多个自动驾驶项目里观察到一个规律：一个系统在美国城市表现好，不代表它在欧洲城市也能跑。美国的道路大多宽阔、车道线清晰、路口几何简单，右转红灯、停车标志这类规则标准化程度高。而伦敦的道路是几个世纪自然生长出来的，没有网格规划，路口形状千奇百怪，很多地方连车道线都模糊到要靠路缘石判断边界。Waymo要想在全球市场真正落地，必须跨过“英式复杂路况”这道坎。这不是一次简单的海外扩张，而是对系统泛化能力的强制检验。
1.2 伦敦的复杂程度到底意味着什么
很多人对自动驾驶的认知还停留在“用摄像头识别车辆和行人，然后沿着车道走”。真要这么简单，十年前就量产了。伦敦给系统出的难题是结构性的：道路拓扑复杂、交通参与者类型极多、规则执行存在大量“酌情处理”空间。
先说一个最直观的数字：伦敦核心区有超过一万条街道，其中相当一部分宽度不到六米，两辆普通轿车会车都要减速，更别说双层巴士和货车。这些窄街两侧还经常停满车，留出来的通行宽度可能只有三米多一点。自动驾驶车辆的感知系统必须在这种物理约束下判断“能不能过”“什么时候该让”，而不是机械地保持在车道中央——因为很多窄路根本没有车道。
行人也是大问题。伦敦行人闯红灯的比例不低，而且很多人过马路时根本不看车，低头看手机直接走进路口。美国一些城市的行人相对保守，车辆礼让规则更明确，但伦敦的行人行为更像“随机运动”，预测难度陡然上升。再加上每天大量自行车送餐员穿行，外卖骑手逆行、上人行道、闯红灯都是常态。Waymo的行为预测模型如果只用美国数据训练，在伦敦大概率会频繁出现“死锁”——车停着不敢走，因为周围每个物体都在以不可预测的方式运动。
2. 伦敦交通的“反自动驾驶”基因拆解
2.1 右舵车、窄路与停车乱象
伦敦是右舵左行，这个差异不只是换个方向盘位置那么简单。左行意味着车辆的感知传感器布局需要重新优化，尤其是左右两侧盲区覆盖。美国市场的Waymo测试车传感器布局针对左舵右行设计，左侧视野更宽，因为要应对对向车辆和左转场景。到了伦敦，所有优先级都要镜像翻转。举例来说，右舵车在狭窄街道会车时，驾驶员靠左侧车窗判断与路缘的距离，传感器也必须重点覆盖左侧近场。摄像头和激光雷达的安装角度、标定参数、甚至清洗液喷嘴位置都要重新设计。
真正的难点在于路边停车。伦敦很多街道允许“随意停车”，而且没有美国那种整齐的停车框。路边停着的车可能斜跨人行道，可能车尾翘出半个车头，可能两辆车之间只剩一个“刚好能过”的缝隙。自动驾驶系统的路径规划模块需要实时计算“通过缝隙”的可行驶空间，而不是依赖地图里静态的“路边线”。我在实际测试中见过太多这样的案例：地图显示前方是单车道，但视觉感知发现路边停了一辆货车，系统必须临时借对向车道绕过，还要保证对向没有来车。这种“非结构化绕行”能力，恰恰是很多L4系统最薄弱的环节。
2.2 环岛、公交车专用道和行人不按套路
伦敦的环岛是全球自动驾驶工程师的噩梦。小环岛没有信号灯，所有车辆靠“让右规则”博弈；大环岛内部有复杂车道变换，导航路径可能让车辆在环岛内连续跨两条车道才能出出口。Waymo的决策模块需要理解环岛内车辆意图：旁边那辆车是继续绕行还是即将驶出？减速是让行还是因为前方拥堵？如果判断失误，轻则造成交通阻塞，重则发生碰撞。
公交车专用道是另一个坑。伦敦的公交专用道很多只在特定时段生效，其他时段允许社会车辆通行，地上写着“7:00-10:00, 16:00-19:00”之类的标识，但没有道闸。系统需要端到端识别这些文字信息，并结合实时时钟判断当前是否可进入。摄像头在阴天、逆光、雨天反光条件下很难稳定识别这种地面字符。Waymo必须把“读取文字标识”的能力提升到接近人类驾驶员水平，这在美国大部分地区是不需要的。
行人行为更是考验预测模型。伦敦市中心的行人密度高到离谱，狭窄人行道上站满了人，总有行人不经意地踏入机动车道。Waymo的感知系统跟踪每个行人的骨骼关键点和运动趋势，预测他们未来几秒的轨迹。但在拥挤场景里，行人之间互相遮挡严重，轨迹预测的置信度会快速下降。系统必须在“保守礼让”和“合理前进”之间找到平衡——太保守会被后车鸣笛形成路障，太激进又会引发安全风险。
2.3 天气、光照与路面反射
伦敦的天气对传感器是持续的慢性折磨。大雨、毛毛雨、浓雾、低角度阳光、夜晚湿漉漉的路面反射，这些条件会同时影响摄像头、激光雷达和毫米波雷达。
激光雷达在雨天的核心问题是水滴散射：激光束打到雨滴上会产生错误回波，造成点云中的“噪点”和“假目标”。Waymo的激光雷达虽然做了多回波检测，但在暴雨中探测距离仍会缩水。摄像头则更麻烦，雨滴附着在镜头保护罩上会产生局部模糊，夜间对向车灯在湿路面上形成大面积光晕，直接抹掉车道线。毫米波雷达对恶劣天气鲁棒性较好，但它在行人检测上的点云稀疏，没法单独支撑自动驾驶决策。
雨天还有一类容易被忽视的问题：路面低摩擦系数。自动驾驶规划模块通常会假设路面附着系数在干燥和湿滑之间切换，但伦敦的湿滑路面经常混合着落叶、油污和碎砖，摩擦系数的局部变化很难提前建模。车辆在环形交叉口高速入弯时，如果微滑触发ESP，整车控制就会偏离预期轨迹，安全员必须随时准备接管。这类“物理环境不确定性”很难通过增加传感器解决，更多要靠保守的规划策略来兜底。
3. 技术栈本质：Waymo靠什么应对“伦敦难题”
3.1 传感器套件：看得全还得算得快
Waymo的系统不是单靠激光雷达，而是激光雷达、摄像头、毫米波雷达的组合感知方案。公开资料显示，Waymo的第五代传感器套件包含多个近距离激光雷达、远距离激光雷达和一批高分辨率摄像头，覆盖范围达到了车辆周围所有方向。这套方案的核心思想是“冗余异构”——不同物理原理的传感器同时观察同一场景，当某个传感器失效或被遮挡时，其他传感器还能提供支撑。
在伦敦这种场景，近距离覆盖比远距离探测更关键。窄街会车时，车辆两侧半米范围内就可能有障碍物；环岛入口处，侧向来车可能从30度夹角突然插入；人行横道前的行人可能从车辆A柱盲区冲出来。Waymo在传感器布置上的思路其实和人类驾驶员类似：你开车时最关注的是近身威胁，然后才是远处路况。差别在于，机器需要同时保持对三百六十度环境的稳定感知，而没有“转头”这个动作。
3.2 高清地图与实时定位：厘米级的底气
很多人低估了高精地图在自动驾驶中的作用。Waymo在伦敦要跑通，第一步不是改代码，而是把整个运营区域的厘米级地图先做出来。这张地图里包含车道几何、路缘高度、信号灯位置、停止线、限速标志、公交站台边缘、树冠遮挡范围，甚至路边井盖的微小起伏。实时系统通过这些静态先验信息，可以大幅降低感知难度。
定位是另一个硬骨头。伦敦的高楼密集、街道狭窄，GPS反射多路径效应严重——卫星信号在建筑表面多次反弹后才到接收机，可能产生十几米的定位误差。Waymo必须融合激光雷达点云匹配、视觉特征匹配、轮速计和惯性导航，才能在窄路上把横向定位误差控制在十厘米以内。否则，车辆距离路缘的余量只剩十五厘米时，一个二十厘米的定位偏差就会导致剐蹭。
高精地图维护在伦敦也是噩梦。市政经常临时封路，路边停靠的货车会挡住地图里的车道边缘，施工围挡会让原本的车道数直接变化。系统必须像人一样，把“地图没画的东西”也当成障碍物。我见过不少自动驾驶公司在固定路线测试时表现很好，但一遇到地图外的道路变化就傻眼，根本原因是先把地图当成了“事实来源”，而不是“参考坐标系”。Waymo的做法是在线构建动态障碍物地图，把临时施工、相邻车道停车、突然冒出的路障全部实时融合到规划里，这样才能应对伦敦的高频变化。
3.3 行为预测与决策规划：把“人味儿”变成模型
L4级自动驾驶最难的不是“看见”，而是“看懂”。Waymo的行为预测系统需要为每个交通参与者生成多模态的未来轨迹假设，比如“行人可能继续直行，也可能突然右转，还有可能原地站着”。每个假设都带有概率，规划模块再选择一条与所有假设都保持安全距离的路径。
伦敦场景下的预测问题尤其复杂，因为大量交互没有明确规则。举个例子：一条窄巷里，对向驶来一辆送货车，你面前堵着一排停着的车，所有人都知道需要一方倒车让行，但谁让、怎么让，完全靠眼神和小幅移动来沟通。Waymo的车辆在遇到这种情况时，最稳妥的策略是提前减速、打双闪、停在入口处，等对方先动。但这会引发另一个问题——后车可能不满，驾驶员情绪化鸣笛并强行超车。行为预测模型必须加入“对方车辆可能做出激进绕行”的场景，提前留出横向余量。
决策规划部分也在“微调它的驾驶风格”。早期自动驾驶普遍偏保守，遇到任何不确定场景就急刹，这在低速测试路段问题不大，但在伦敦这种车流密集城市会产生严重的安全隐患——后车追尾才是最大的风险。Waymo一直在优化“舒适且安全”的减速曲线，尽量像一名经验丰富的人类司机：提前缓刹，给后车留反应时间，能滑行就不踩停，能在路口边缘小幅移动等待就不停在路中央。这个风格调校没有固定公式，必须靠大量真人乘坐反馈和仿真数据迭代。
4. 从部署到运营：落地伦敦的几个关键环节
4.1 数据采集与地图构建
我参与过欧洲路测项目，可以负责任地说：数据采集不是开几辆车绕城市转圈那么简单。Waymo在伦敦的第一阶段会先派出装有激光雷达和全景相机的测绘车队，按照特定路线覆盖主干道、次干道、小巷和广场，同时在一天中不同时段反复采集，获取交通流变化、光照变化和季节性变化的多维数据。
地图构建流程通常分四步：轨迹解算、点云拼接、语义标注、质量校验。轨迹解算依赖高精度惯导和激光点云匹配，伦敦的高楼峡谷会导致GPS跳变，需要专门做城市峡谷场景的联合平差。点云拼接后，标注团队要把每一处路缘、车道线、人行横道、交通标志、杆柱、信号灯框选出来。一辆车跑一百公里大概会产出几个TB的点云数据，人工标注工作量极大。这也是为什么Waymo在英国招聘本地地图运营团队的关键原因——本地人对道路规则和细节更敏感，比如“这条街每周三有集市占道”，这种动态信息很难从远程标注外包中高效获得。
4.2 仿真优先：在虚拟伦敦里“犯错”
这不是指简单的视频回放，而是把真实采集的传感器数据重新注入自动驾驶软件栈，测试新算法在旧场景中的表现。Waymo在伦敦部署前一定会用“场景重放”方法来回归验证：当预期模型更新后，把上一周在伦敦采集的雨夜场景重新跑一遍，检查车辆决策是否更优。
真正有效的做法是“传感器仿真与行为仿真双循环”。传感器仿真把真实伦敦的路面、建筑、光照建模，生成虚拟点云和虚拟图像；行为仿真则把虚拟行人、虚拟自行车、虚拟出租车司机投放到道路上，和自动驾驶车辆进行交互。我在一个模拟项目中做过类似测试，发现虚拟场景里的“乱穿马路的行人”如果只按高斯噪声随机走动，根本测不出问题；必须建立行人“先看车再冲”的决策模型，才能逼出车辆的急刹。Waymo的仿真体量是全球最大的，每天会跑数百万个虚拟场景，其中相当一部分是伦敦特有的环岛、窄路、公交车道和雨中夜间场景。伦敦的复杂性决定了这个仿真池必须比以往任何城市都大。
4.3 远程辅助与安全员策略
在真正拿掉安全员之前，Waymo在伦敦大概率会先采用“安全员在座+远程辅助在线”的组合方式。伦敦的交通复杂度和英国法规要求意味着完全无人驾驶的落地时间会比美国晚一个周期。远程辅助并不是“遥控开车”，而是当自动驾驶系统遇到无法自主决策的边缘场景时（例如前方事故导致改道、交警手势指挥、极端天气封路），远程操作员会介入，给车辆一个方向性建议，比如“可用的绕行路线”或“在哪个位置等待”，然后由车辆自己执行。
远程辅助的延迟和通信稳定性在伦敦是个隐形挑战。伦敦市中心5G覆盖不错，但隧道多、高楼遮挡多，一旦通信不稳，车辆必须能在无远程介入的情况下安全靠边停车。Waymo的冗余系统设计里专门考虑了“通信降级”模式，在这种模式下车辆会降低车速、扩大车距、减少变道，以“保守模式”继续运行而不是直接僵停。这种设计在伦敦地下隧道和桥梁区域尤其重要，我建议所有计划进入英国市场的团队都仔细审查自己的通信降级策略。
5. 常见问题与实操心得（避坑指南）
5.1 环岛通行的博弈逻辑
伦敦环岛最常出现的问题不是“能不能识别环岛”，而是“何时进入环岛”。人类驾驶员的逻辑是：环岛内车辆拥有优先权，但要观察来车速度、转向灯、车轮朝向，判断对方是继续绕行还是准备出去。Waymo的系统需要同时跟踪环岛内所有车辆，并预测它们在各出口的驶出概率。
我方在仿真和实车测试中总结出一个技巧：不要只盯着“让右规则”做简单逻辑，要结合出口位置建模。比如，对方车辆在环岛内靠近我的入口时，如果它一直打右转向灯，说明它还要绕行，此时我可以安全进入；如果它没有打转向灯但逐渐减速，大概率正准备从我前方出口驶出，我也应该进入但留出更大余量。伦敦环岛里很多司机变道不打灯，系统必须依赖“位置轨迹推断意图”，不能死等转向灯信号。
5.2 公交车专用道的时间限制识别
伦敦的公交专用道标识复杂，有些是路面大字，有些是立牌，有些只有地面小块限时标志。摄像头要在实际车速下读出这些信息，对分辨率和算法都是考验。我的建议是融合多个方案：高精地图里预先标注所有公交专用道的时段规则，车辆经过时用视觉识别实时校验，并配合本地时钟和日历（法定节假日公交专用道限制通常暂停）。
还有一个实操细节：即使GPS定位显示车辆在公交专用道外侧，也要警惕局部偏移导致车轮压线。伦敦的公交专用道摄像头执法非常严格，但自动驾驶车辆不需要担心罚款——真正需要担心的是与公交车抢道引发的碰撞风险。公交车体积大、制动距离长，驾驶员视野受限，自动驾驶车辆应尽量避免与其并行，更不要在自己处于公交道右侧时强行向右变道。
5.3 窄路会车与路边停车的处理
窄路会车问题我之前提过，这里补充一个实车测试常见的坑：激光雷达对“黑色高反射车辆表面”的探测距离会缩短，尤其是黑色SUV在雨天时的点云稀疏，系统可能会误判距离。如果你负责感知团队，记得在校准阶段加入不同颜色车漆的回波强度测试。我们团队曾经在模拟测试里反复出现“雨天追尾黑色车辆”的案例，后来发现不是规划问题，而是感知对低反射物体的测距置信度估计过高。
对于路侧停车，规划的“安全通道”策略非常重要。车辆在绕过路边障碍物时，尽量留出至少50厘米的安全余量，并控制车速在10公里/小时以下。如果对向有来车，不要强行通过，而是提前在合适位置停车等待。人类司机常做的“慢慢挤过去”在自动驾驶里风险很大，因为车辆的横向控制误差和感知误差叠加后，可能正好“擦上后视镜”。宁可多等半分钟，也不要制造一起剐蹭事故。
5.4 恶劣天气下的传感器维护
伦敦的雨让传感器表面很容易脏污，摄像头和激光雷达窗口上积累的水渍、泥点会直接导致感知性能下降。Waymo的传感器套件自带清洗喷嘴，但清洗液消耗量在雨天非常大。运营团队需要制定一套“恶劣天气传感器健康检查”流程：白天每小时检查一次感知置信度指标，夜间自动触发激光雷达回波质量诊断。一旦发现点云强度持续偏低，就要命令车辆返回运维站清洁。
还有一个不起眼但致命的细节：雨水会在地面积聚成水洼，车辆高速碾压时溅起的水花会瞬间遮挡摄像头和激光雷达。伦敦很多窄路的两侧都有积水坑，自动驾驶车辆经过时既要避免压到深度不明的水坑（可能有坑洞），还要防止溅水影响自身传感器。应对方法是提前降速、选择较高路面的路径，同时通过深度学习预测水花溅射方向并临时调整感知注意力。
写在最后：这不止是一场技术测试
我和不少同行聊过Waymo进军伦敦这件事。有人的第一反应是“他们疯了”，也有人觉得“如果Waymo都搞不定，其他家更别想了”。但我个人更愿意把这次部署看作一次宝贵的极限压力测试：伦敦会把你在美国开车时没遇到过的所有“边缘案例”集中砸到系统脸上，而且是同时发生。
如果你也在做自动驾驶相关项目，或者是智能交通领域的学生，我的建议是盯紧Waymo在伦敦的进展，但不要只看公关宣传。多关注他们在遇挫后调整了哪些行为预测参数、改了多少个环岛场景、如何应对连续降雨天的测试计划。这些细节比任何发布会都有含金量。
最后分享一个我在类似项目里学到的小技巧：不要试图让自动驾驶系统在伦敦表现得“像一个本地老司机”，那几乎是不可行的。更好的目标是让系统做到“路权清晰、决策可解释、行为可预测”。当你的车在一个复杂环岛里安静地等待时机，后车可能会觉得你有点保守，但至少它知道你想干什么。在伦敦这种地方，最高级的智能不是炫技，而是懂得在混乱中保持稳定。
排查全攻略：从线材到软件渲染的定位方法)
