威利狼能騙過特斯拉純視覺嗎？實測 Autopilot 能否看穿濃霧、大雨與假牆

YouTuber 兼工程師 Mark Rober 近日進行了一系列測試，比較特斯拉 Autopilot 系統與搭載 LiDAR（光達）技術的車輛在濃霧、大雨及視覺錯覺場景下的表現，並打造了一座模仿經典卡通《樂一通》中 Wile E. Coyote（威利狼）遭 Road Runner（嗶嗶鳥）欺騙的假牆場景，以檢驗兩種技術路線的極限。

這支標題為 「Can You Fool a Self-Driving Car?」 的影片在 24 小時內獲得超過 900 萬次觀看。然而，影片中 Luminar 公司的曝光度相當高，包括員工身穿 Luminar 襯衫、車輛貼有公司標誌，甚至一度被上傳至 Luminar 官方網站。

此外，某項測試的原始片段顯示 Autopilot 在撞擊前 17 幀即已退出，因此不少網友質疑測試不公平，認為這可能損害特斯拉技術的聲譽。更有輿論指出，影片未披露與 Luminar 的潛在合作關係，涉嫌誤導觀眾。

純視覺 vs. LiDAR：自動駕駛技術的兩大陣營

目前，自動駕駛技術的發展主要圍繞兩大核心路線：一是特斯拉推崇的純視覺方案（Vision-Only Approach），另一是以 Waymo、Cruise 為代表的多感測器融合技術（Sensor Fusion Approach），其中 LiDAR 扮演關鍵角色。

特斯拉的純視覺方案

特斯拉選擇不依賴 LiDAR 或雷達，而是透過攝影機與 AI 技術實現自動駕駛。其核心理念是模仿人類駕駛方式，認為視覺系統結合深度學習即可提供足夠的環境感知能力。

技術特點

• 核心硬體： 依賴高解析度攝影機（通常為 8 顆或更多），不使用 LiDAR 或雷達。
• 核心技術： 透過神經網路（如 FSD 晶片與 Dojo 超級電腦）處理攝影機捕捉的影像，進行物體識別、車道規劃與決策。
• 數據驅動： 特斯拉利用其龐大的車隊數據，透過 OTA（空中軟體更新）持續優化演算法，以提升系統表現。

優勢

✅ 成本較低： 不使用昂貴的 LiDAR 和雷達，降低硬體成本，適合大規模量產。
✅ 類似人類駕駛： 視覺方案模仿人類眼睛，理論上能適應複雜環境與不同路況。
✅ 持續進化： 依靠大數據與 AI 訓練，系統可透過軟體更新不斷提升性能。

挑戰

⚠ 感測侷限： 在低光、惡劣天氣（大霧、大雨、強光）等環境下，攝影機可能無法提供穩定的感知能力。
⚠ 數據依賴： 需要大量高品質標註數據來訓練 AI，數據的多樣性與準確性直接影響系統表現。
⚠ 安全爭議： 缺乏感測器冗餘，若單一攝影機故障或誤判，可能影響駕駛安全。

多感測器融合技術（以 Waymo 為代表）

Waymo 等公司採用的技術路線強調多種感測器的協同運作，特別是 LiDAR（光達），可提供比純視覺更精準的 3D 環境建模能力。

技術特點

• LiDAR： 透過雷射測距建立高精度 3D 地圖，即使在黑暗或惡劣天氣下仍能精確感知環境。
• 雷達（Radar）： 可探測遠距離物體與速度，對雨霧天氣具有較高抗干擾能力。
• 攝影機（Camera）： 用於識別交通標誌、車道線、顏色等視覺資訊。
• 感測器融合： 同步整合不同感測器數據，以提升感知準確性與系統穩定性。
• 高精地圖（HD Maps）： 輔助車輛定位，增強導航與決策能力。

優勢

✅ 更高的安全性： 多感測器提供冗餘，即使某個感測器失效，其他感測器仍能補足資訊，降低風險。
✅ 環境適應力強： LiDAR 和雷達在低光、惡劣天氣下仍能運作，不易受環境變化影響，確保穩定性。
✅ 高精度環境建模： LiDAR 提供 3D 點雲數據，使自駕車能更準確地辨識行人、車輛與障礙物，提高決策精度。

挑戰

⚠ 成本高昂： LiDAR、雷達等硬體價格昂貴，推高整車成本，不利於大規模普及。
⚠ 技術複雜度高： 多感測器數據須同步校正與融合，演算法開發難度較高。
⚠ 部署限制： 目前主要應用於無人計程車、物流運輸等特定場景。

這兩種方案在技術實現方式、成本考量與應用場景上各有優劣。特斯拉的純視覺方案成本較低，適合量產車輛的普及應用，但在惡劣天氣條件下的表現以及感測冗餘性方面面臨挑戰。Waymo 等公司的多感測器融合技術在安全性與環境適應性方面表現更佳，主要應用於無人計程車與物流車，但硬體成本較高。

測試 1：突然衝出的孩童

本次測試模擬住宅區、學校或商業區可能發生的突發狀況，讓孩童模型從停放車輛後方突然衝出，以考驗車輛自動緊急煞車（AEB）的反應能力。測試車輛以 40 mph（約 64 km/h）行駛，系統須在短時間內識別孩童並及時煞停，以避免碰撞。

搭載 LiDAR 的 Lexus SUV

• 以 40 mph（約 64 km/h）行駛時，成功在孩童模型前安全煞停。
• 透過 LiDAR 準確偵測障礙物並即時反應。

特斯拉 Autopilot

• 純視覺系統雖能識別孩童，但煞車反應較慢，無法完全避免碰撞。
• 切換至 Autopilot 模式後，表現有所改善，能即時煞停。

測試結果： 搭載 LiDAR 的車輛能迅速偵測孩童模型並及時煞停，而特斯拉的純視覺系統雖然最終識別孩童，但反應較慢，導致輕微碰撞。切換至 Autopilot 模式後，特斯拉的表現有所改善，能即時停下，但穩定性仍不及 LiDAR 車輛。

測試 2：濃霧環境下的偵測能力

測試透過人工製造濃霧，模擬低能見度環境（如山區大霧、霧霾或高濕度天候），評估車輛是否能持續辨識前方障礙物並適時反應。在濃霧條件下，攝影機視野可能受阻，導致 AI 無法準確解析影像。

搭載 LiDAR 的 Lexus SUV

• 不受濃霧影響，仍可偵測孩童模型並啟動煞車。
• 成功在安全距離內停下，未發生碰撞。

特斯拉 Autopilot

• 受濃霧影響，孩童模型在攝影機畫面中消失。
• 無煞車反應，直接撞上孩童模型。

測試結果： LiDAR 依然能準確偵測孩童模型並及時煞停，不受霧氣影響，而特斯拉的純視覺系統則因濃霧干擾，孩童模型在畫面中消失，導致車輛未產生任何煞車反應，直接撞上障礙物。

測試 3：大雨中的感知能力

測試透過高壓噴水裝置模擬暴雨環境，考驗車輛在極端天候下的感測能力。水流從車輛四周強力噴灑，以重現高速公路暴雨導致視線受阻的情境，並檢驗感測系統在雨水影響下是否能維持穩定的環境辨識能力。

搭載 LiDAR 的 Lexus SUV

• 在雨水干擾下仍能偵測孩童模型，但反應稍有延遲。
• 在最後一刻啟動煞車，避免撞擊。

特斯拉 Autopilot

• 開始下雨後，孩童模型在攝影機畫面中消失。
• 無煞車反應，直接撞擊孩童模型。

測試結果： 搭載 LiDAR 的車輛雖在大雨中偵測能力略有延遲，但仍能成功辨識孩童模型並即時煞停。特斯拉的純視覺系統則因雨水干擾攝影機視線，孩童模型在影像中消失，導致車輛無法識別障礙物，最終直接撞上孩童模型。

測試 4：迎面強光干擾

本次測試模擬日出、日落時的強烈逆光環境，或夜間迎面來車的強光干擾，評估車輛感測系統在極端光線變化下的穩定性。測試過程中，強光直射車輛攝影機，重現駕駛員在低角度陽光或強光燈照射下的視線受阻情境。

搭載 LiDAR 的 Lexus SUV

• 不受強光影響，順利辨識孩童模型並停車。
• 能見度與正常光線條件下無明顯差異。

特斯拉 Autopilot

• 成功辨識孩童並適時煞車。
• 在此測試中表現良好，與 LiDAR 車輛不相上下。

測試結果： LiDAR 不受光線影響，仍能順利辨識孩童模型並煞停，而特斯拉的攝影機系統雖受一定影響，但仍成功偵測孩童並適時煞停。在此測試中，純視覺技術與 LiDAR 表現接近，顯示視覺 AI 在強光環境下仍具備一定的可靠性。

測試 5：假牆 vs. Autopilot

此測試模擬經典卡通《樂一通》中 Wile E. Coyote（威利狼）遭 Road Runner（嗶嗶鳥）欺騙的場景，評估自動駕駛系統是否會受到視覺假象影響。測試團隊在道路上設置一面畫有道路與天空圖案的假牆，觀察車輛感測系統是否能正確辨識該牆為障礙物並及時煞停。

搭載 LiDAR 的 Lexus SUV

• LiDAR 偵測到牆面，順利煞停。
• 未受假影像影響。

特斯拉 Autopilot

• 無法判斷假牆為障礙物，直接撞上。
• 無任何煞車反應。

測試結果： 搭載 LiDAR 的車輛順利辨識假牆為障礙物並提前煞停，而特斯拉的純視覺系統未能判斷該牆為實體障礙物，直接撞上，且未產生任何煞車反應，顯示純視覺技術在特殊視覺欺騙環境下的侷限性。

自動駕駛技術挑戰與未來方向

從 Mark Rober 的測試結果來看，在惡劣天氣（如濃霧、大雨）及特殊視覺欺騙場景（如假牆）中，表現明顯不如搭載 LiDAR 的多感測器融合系統。不過需要注意的是，本次測試使用的是特斯拉的基本 Autopilot 系統，主要依賴傳統的規則驅動與簡單神經網路結合的技術。

然而，特斯拉目前已開始推動基於端到端神經網路的全自動駕駛（FSD）技術，透過更先進的 AI 模型，直接從攝影機的原始影像數據生成駕駛決策，逐步取代傳統的分模組化設計，如獨立的感知、規劃與控制模組。

這種方法依賴特斯拉車隊累積的數十億英里數據，並透過 Dojo 超級電腦進行訓練，採用類似 Transformer 的模型架構。其優勢在於提高靈活性，但仍面臨可解釋性不足及極端場景表現尚待驗證的挑戰。目前技術仍處於過渡階段，部分功能仍採用模組化設計。

端到端 FSD 技術利用特斯拉龐大的真實世界行駛數據進行訓練，理論上能更有效應對複雜場景，例如惡劣天氣或視覺欺騙環境。然而，在本次濃霧、大雨與假牆等極端場景測試中，純視覺方案是否能在更先進的 FSD 系統支持下顯著提升表現，仍需進一步驗證。

本次測試是否由 Luminar 直接出資尚未獲得明確證實，但現有線索顯示，該影片可能屬於隱性廣告，特別是考慮到 Luminar 過去五年股價下跌 96%，可能具有商業動機。然而，對於台灣車主而言，目前僅能使用基本的 Autopilot 功能，在面對濃霧、大雨等極端環境時，仍需特別留意。

延伸閱讀

特斯拉 FSD 技術專利揭密：多網路系統打造全視角自駕能力

特斯拉如何讓 FSD 更精準、更高效？專利揭密 AI 子網路與策略性任務分配

特斯拉 FSD 低能見度表現遭調查！惡劣天氣下通常比人類駕駛更可靠？