對于自動駕駛汽車來說，雨天和積水一直是非常棘手的挑戰。在晴朗的天氣里，傳感器可以輕松識別車道線、行人和其他車輛，但當路面出現大面積積水甚至發生內澇時，情況就變得復雜了。

自動駕駛系統不僅需要發現前方有水（相關閱讀：激光雷達點云能分清地面和水面嗎？），更需要判斷這灘水到底有多深，是以較低的速度駛過，還是應該立刻停下并繞行。這種對積水深度的探測，目前在技術層面依然屬于一個正在不斷探索的課題。

傳感器眼中的積水長什么樣？

目前自動駕駛汽車主要依靠激光雷達、攝像頭和毫米波雷達來觀察世界。激光雷達通過發射激光束并接收反射信號來建模，但當激光遇到積水時，大部分光線會發生鏡面反射，斜著射向遠方而無法回到接收器，或者被水體直接吸收。這就導致在激光雷達的視角里，積水區域會變成一片“信息黑洞”，系統很難直接獲取水底路面的深度數據。

攝像頭則更接近人類的視覺。它能看到路面的反光、水花的濺起以及周圍物體在水中的倒影。雖然攝像頭無法像尺子一樣直接量出深度，但它能通過捕捉這些視覺特征來間接推斷。

舉個例子，如果攝像頭發現前方的路緣石已經消失在水面下，或者路邊的交通標志桿只露出了一半，算法就能意識到水位已經超出了安全范圍。不過，這種推斷非常依賴環境參照物，如果是在一片開闊且沒有參照物的地帶，攝像頭也會感到無所適從。

相比之下，毫米波雷達對雨霧的穿透力較強，但它的物理特性決定了它對水面這種平整的介質缺乏足夠的區分度。它更多是用來探測水面上方的障礙物，而不是水面本身的深度。

因此，單純依靠某一種傳感器去“測量”積水深度是非常困難的，行業內普遍的做法是將多種傳感器的數據進行融合，并結合地圖信息進行綜合研判。

既然看不透，深度是怎么算出來的？

既然傳感器很難直接看穿水面，有些技術方案中便開始嘗試通過側面打聽的方式來解決問題。一種常見的方法是利用幾何推理。早期自動駕駛汽車配有高精地圖，系統知道這段路面在干燥狀態下的海拔高度和坡度。當傳感器發現水面時，通過計算水面邊緣與周圍已知高度物體（如路肩、隔離帶）的接觸點，再對比地圖上的原始高度，就能估算出大概的水深。

計算機視覺中的語義分割技術也起到了關鍵作用。現在的自動駕駛系統會通過深度學習模型，實時識別出圖像中屬于“積水”的像素區域。在一些先進的方案中，系統還會分析前車的行駛軌跡。如果前方車輛經過積水時，車輪被淹沒了一半，或者濺起的水花高度異常，后方的自動駕駛系統就會捕獲這些動態特征，并迅速通過視覺分析給出深度的參考值。

為了提高判斷的準確性，現在的算法已經不再局限于單純的幾何測量。像特斯拉在推廣其全自動駕駛能力時，就利用了海量的真實駕駛數據來訓練神經網絡，使其能夠識別出不同深度積水的細微視覺差異。根據特斯拉官方在技術分享會上的描述，他們的系統可以識別由于水深不同而引起的路面紋理變化和反射率差異。這種方式雖然不需要復雜的物理公式，但需要極其龐大的素材庫來支撐算法的自我進化。

面對積水，現在的自動駕駛能做到哪一步？

在實際應用中，汽車廠家對積水的處理態度通常是非常謹慎的。即便技術上能做到初步探測，但出于安全考慮，大多數系統在遇到深度不明的積水時，首選策略依然是避讓。

不過，針對一些特定車型，硬件層面的主動防御已經開始與感知算法相結合。以特斯拉Cybertruck為例，該車在2024年更新的說明書中就已詳細描述了“涉水模式”。在這個模式下，車輛不僅會調高空氣懸架，還會對電池包進行加壓，防止水分滲入。雖然這更多屬于硬件保護，但它也依賴于系統對外部水環境的初步感知。

除了乘用車，在特定的運營場景下，自動駕駛的積水探測已經有了實戰案例。比如百度Apollo在武漢和北京運營的無人駕駛出租車，在遇到短時強降雨產生的積水路段時，系統會結合激光雷達的“回波缺失”特征和視覺上的水流波動進行聯合判定。

其第五代無人車就已經可以識別超過10厘米深度的明顯積水，并根據預設的安全閾值自動做出減速或改道繞行的決策。這種能力在城市內澇頻發的季節，對于維持無人化運營的連續性至關重要。

最后的話

積水探測技術仍面臨很多極端情況的考驗。比如渾濁的泥水會完全遮蔽水底情況，夜間微弱的光線會讓攝像頭失去判斷力，而湍流不息的水面則會讓視覺算法產生誤差。未來的突破方向可能會更多地轉向多車協同感知，即通過先導車輛將探測到的實時路況數據通過網絡分享給后車。這樣一來，哪怕后續車輛的傳感器被積水干擾，也能提前獲知前方的安全水深限制。自動駕駛對積水的探測，正在從嘗試看清向聰明預測跨越。

-- END --

       原文標題 : 自動駕駛汽車如何探測路面的積水深度？