Robotaxi重要玩家Waymo：最新运营和技术方案进展

2026 年全球 L4 级无人驾驶出租车Robotaxi行业正式步入规模化商业化的关键阶段头部玩家运营车辆规模达到数千辆全球开通运营城市达到数十个多个玩家在个别城市已实现单车盈利技术落地重心正在从 “验证可行性” 迈向 “打磨经济性与安全性”。作为全球首个实现全无人商业化运营的自动驾驶企业Waymo 一直是行业技术路线与商业落地的标杆其运营扩张节奏、硬件代际迭代、算法架构演进一直备受行业关注。本文基于行业最新信息总结Waymo Robotaxi最新的商业运营进展和自动驾驶系统实现方案。01 商业化运营进展1. 运营城市与服务范围截至2026年5月Waymo One全自动无人驾驶Robotaxi服务已覆盖美国11座城市总服务面积超过1400平方英里较2025年同期扩张27%。图片来源https://electrek.co/2026/05/13/waymo-expands-coverage-1400-square-miles-11-cities/已开通商业化运营的城市包括凤凰城、旧金山湾区、洛杉矶、奥斯汀、亚特兰大、迈阿密、达拉斯、休斯顿、圣安东尼奥、奥兰多、纳什维尔。其中凤凰城为最成熟标杆市场单城服务面积达315平方英里覆盖高速路与机场接驳旧金山、洛杉矶为高密度核心城区市场奥斯汀、亚特兰大通过与Uber合作接入订单入口。2. 车队规模与车型配置截至2026年6月Waymo运营车队总规模接近4000辆当前主力车型为搭载第五代Waymo Driver系统的捷豹I-PACE纯电SUV该车型为量产车改装方案自2021年起逐步投入商业化运营。2026年5月起Waymo首款正向研发的专用Robotaxi车型Ojai基于极氪平台打造正式量产。目前Ojai开始向旧金山、洛杉矶、凤凰城的部分用户开放试乘首批投入约100辆搭载第六代Waymo Driver系统。此外Waymo与现代汽车也达成深度合作计划引入IONIQ 5车型扩充车队推进供应链的多元化布局。图片来源日经XTECH3. 运营里程与安全表现截至2026年2月Waymo累计完成近2亿英里的全自动无人驾驶道路行驶每周新增约400万英里纯无人驾驶里程是全球累计无人驾驶里程最高的Robotaxi运营商。2026年4月Waymo One累计付费无人驾驶订单突破1000万单。截至2026年5月Waymo每周完成约50万次付费无人驾驶出行订单量较2025年同期实现翻倍。值得注意的在定价层面相对于Uber、Lyft等传统网约车平台已具备一定竞争力非高峰时段价格普遍低20%-40%。安全维度方面官方数据显示Waymo系统导致的重伤事故较人类驾驶员基准降低92%触发安全气囊的碰撞减少83%整体事故率显著低于人类驾驶水平在相同运营区域Waymo车辆的安全程度是人类驾驶员的5~8倍。图片来源https://waymo.com/intl/zh-cn/safety/impact/4. 未来运营规划2026年内Waymo计划将美国本土的商业化服务拓展至华盛顿特区、底特律、拉斯维加斯、圣地亚哥、丹佛等城市同时持续扩大现有城市的服务覆盖范围。此外Waymo已在芝加哥、夏洛特开启地图测绘与数据采集工作为后续进入美国中西部、东南部市场做技术准备。在国际化布局方面Waymo已明确首个海外商业化市场为英国伦敦随后将落地日本东京目前已在两地开展道路测试与本地化适配工作。根据Waymo的规划国际化扩张将优先选择监管政策清晰、网约车需求旺盛的发达城市逐步推进交通规则、道路环境的本地化算法适配。Waymo计划在2026年底实现每周100万次付费无人驾驶出行的目标。预计2026年底第六代Ojai车型的运营规模将达到数千辆逐步成为车队主力车型。同时Waymo位于凤凰城的自动驾驶车辆量产工厂正逐步提升产能向年产能数万辆的中长期目标推进。02 硬件方案Waymo始终坚持激光雷达、摄像头、毫米波雷达的多模态冗余的技术路线到目前Waymo自动驾驶系统ADS已经演进到了第6代第五代Waymo Driver主要在捷豹I-PACE搭载共配备29个摄像头、5个激光雷达、6个毫米波雷达辅以麦克风阵列实现紧急车辆警笛探测。相对于第五代系统第六代系统在传感器配置、计算平台上存在显著代际差异核心方向为性能提升成本下探更好地支撑规模化落地。据了解目前Waymo第六代自动驾驶硬件系统的目标成本控制在2万美元以下。第六代系统传感器总数较第五代减少42%在Zeekr Ojai/现代IONIQ 5进行搭载。具体配置为13颗高分辨率摄像头、4颗新一代激光雷达、6颗成像毫米波雷达。图片来源https://www.nvidia.com/en-us/on-demand/session/gtc26-s82484/注意图中摄像头仅标注了9个1. 视觉Waymo的第六代感知系统主摄像头采用了新一代1700万像素的成像传感器推测是Sony IMX735与通常的5M或者8M的相机相比这种传感器所需的摄像头数量更少能够实现更高的分辨率、更宽的动态范围同时在弱光环境下的表现也更为出色。2. 激光雷达Waymo的第六代激光雷达采用Waymo自研的定制芯片和光学元件可实现更远的探测范围、更高的感知精度、以及更低的成本。Waymo激光雷达优化了天气穿透能力可在大雨、大雪天气下正常完成三维探测同时大幅降低硬件体积更贴合整车集成设计。其点云效果如下图片来源Waymo3. 毫米波雷达Waymo的第六代毫米波雷达升级为成像雷达点云密度与角度分辨率得到了进一步提升。该雷达采用自主研发的算法和机器学习模型可在雾、暴雨等恶劣天气下更好补充光学传感器的感知短板保障目标速度与位置的稳定探测。同时通过使用灵敏度更高且价格更低的雷达芯片毫米波雷达在保持强大功能的同时也实现了更低的系统成本。Waymo的成像雷达在恶劣天气条件下的成像效果图片来源Waymo4. 计算与线控执行硬件第六代系统搭载Waymo自研的定制化AI SoC芯片配合优化的算力架构与模型轻量化设计在提升算法运行效率的同时大幅降低硬件成本。Waymo与整车厂商深度合作搭载满足L4级安全冗余要求的线控转向、线控制动、线控动力系统核心执行部件均采用双冗余设计确保单一故障下仍可完成安全靠边停车等操作。专用车型Ojai进一步取消了驾驶位相关配置优化乘客舱空间与无障碍设计配备自动滑门、后排交互屏幕、盲文标识与扶手等适配功能。03 算法方案Waymo算法体系以安全可验证持续可迭代为核心原则采用基础模型底座与模块化功能层结合的混合架构同时构建了完整的数据闭环与训练迭代体系。1. 算法架构Waymo采用Waymo Foundation Model作为算法底座兼顾端到端大模型的泛化能力与模块化架构的安全可解释性。整体采用双系统分层功能的设计。1双系统认知架构System 1快速思考系统多模态传感器融合编码器实时融合摄像头、激光雷达、毫米波雷达的时序数据毫秒级输出目标检测、语义分割、场景表征等感知结果负责实时性要求高的安全决策。System 2慢速思考系统基于视觉语言模型与世界知识的车辆逻辑模型VLM负责复杂场景推理、长尾场景决策、交通规则理解等高阶认知任务提升系统在陌生场景下的泛化与常识推理能力。图片来源https://injet.uk/demonstrably-safe-ai-for-autonomous-driving/快慢系统架构是目前自动驾驶系统的一种典型范式包括理想、Waymo、英伟达、地平线、Mobileye等多个厂家都在使用。2分层功能架构功能层沿用经典的自动驾驶分层架构定位与高精地图、环境感知、运动预测、行为规划、车辆控制。各层之间通过统一的高维特征向量与结构化表示交互既支持全链路端到端的联合训练优化又可实现单模块的独立验证、安全审计与故障隔离。图片来源https://www.techrxiv.org/doi/pdf/10.36227/techrxiv.174742706.68651162/v1?onloadtrue2. 核心模块算法1感知模块采用基于Transformer的多模态融合感知方案生成鸟瞰图BEV统一空间表征结合占用网络Occupancy Networks与神经辐射场技术实现对100类道路参与者与场景元素的精准检测与属性识别。针对弱光、恶劣天气、遮挡等挑战场景通过领域自适应技术与多模态互补机制保障感知稳定性可有效识别阴影中、被遮挡的弱势道路使用者。2预测模块核心采用Waymo自研的MotionLM模型将多智能体轨迹预测转化为语言建模任务将连续轨迹离散化为运动token序列通过自回归生成实现场景级多智能体联合轨迹预测天然保证智能体之间的行为交互一致性。同时结合扩散模型与时序图网络支持最长11秒的多模态轨迹预测在Waymo Open Motion Dataset官方榜单上保持领先水平。图片来源https://waymo.com/intl/zh-cn/research/motionlm/3规划与控制模块规划采用模仿学习搜索优化的混合方案常规通勤场景由数据驱动的模仿学习生成类人化、高舒适度的驾驶行为复杂交互场景结合启发式搜索算法保证决策的安全性与交通规则合规性极端长尾场景通过强化学习持续优化决策策略。控制层采用经典PID与模型预测控制MPC结合的方案神经网络辅助优化极端工况下的控制精度兼顾行驶平稳性与乘坐舒适性。3. 数据闭环与仿真体系Waymo构建了实车数据回流大规模仿真的双轮迭代体系实车运营产生的海量道路数据经自动标注、场景挖掘与难例筛选后回流训练集同时通过高精度物理仿真系统生成数十亿英里的仿真里程覆盖海量长尾、极端与危险场景大幅降低实车测试成本与安全风险。两者共同形成数据闭环持续迭代算法的场景覆盖能力。图片来源https://injet.uk/demonstrably-safe-ai-for-autonomous-driving/4. 大模型蒸馏训练管线Waymo采用云端大模型训练车载小模型蒸馏的技术路线在云端训练超大规模基础模型再分别蒸馏出三个车载端轻量化模型Driver模型车载实时推理的主模型Simulator模型生成高真实感的仿真驾驶场景Critic模型自动化评估驾驶行为的合理性与安全性图片来源https://injet.uk/demonstrably-safe-ai-for-autonomous-driving/三者相互配合形成强化学习训练闭环即仿真器生成训练场景Critic提供评估反馈信号Driver模型持续迭代优化在满足车载算力约束的同时持续提升算法的能力上限。04 结语根据Waymo最新进展信息可以看到1硬件层面车辆由后装改制迈向前装定制坚持多传感器融合感知路线实现性能升级与成本下探。2算法层面没有走向纯端到端的黑盒路线而是以模块化安全骨架为基础叠加双系统认知架构兼顾常规场景的运行效率与长尾场景的泛化能力。3商业层面以成熟市场为标杆逐步复制扩张通过专用正向车型的量产落地持续摊薄自动驾驶系统的单车成本向大规模商业化运营稳步推进。扩展阅读8个Thor-X、17个1700万像素相机面向个人的L4自动驾驶汽车Tensor Robocar解析雪岭 · Robotaxi最新发展现状、主要玩家和技术趋势1.5万字110图片个人观点未必准确欢迎讨论。我是雪岭研究感知、控制和人工智能的技术、产品和应用欢迎交流。