Weather Influence and Classification with Automotive Lidar Sensors

Weather Influence and Classification with Automotive Lidar Sensors

在论文《A quantitative analysis of point clouds from automotive lidars exposed to artificial rain and fog》中，得到雨雪天气的点云特性及其接近。

雨时的点云检测概率分布

雪时的点云检测概率分布
两个天气下的点云特性基本一样

结论

对雨雪天气的影响进行了更深的分析，并根据扫描得到的点云提出了一个新的方法对天气状态进行分类。为了减少点云的组成对特定场景的依赖性，引入了一个天气分类感兴趣的区域。

引言

研究背景：为了发展稳定的感知以及传感器融合，了解不同传感器类型的潜在退化并减轻其影响至关重要。需要研究恶劣天气条件下的传感器影响。
论文的安排。

相关研究

关于恶劣天气条件（如雾、雨、尘或雪）对激光雷达传感器的影响，已有大量文献 4-16
本文主要的贡献：1、细化分析雨雾的影响；2、提出仅使用激光雷达进行天气检测的方法
即使过滤了干扰点，性能仍会下降，并限制自动驾驶车辆的运行
因此，天气分类信息被用来分别调整不同类型传感器的融合算法的置信值

方法

先设置一个ROI区域 不考虑所有点云，因为完整点云分布依赖于场景变化，用一个矩阵来描述点云信息。

每行i=（1，…，n）包含一个点，该点的属性数j=（1…，m）
具体的属性如下：e是回波数量，i是强度，最后一个是回波脉冲宽度。

对任意的回波数属于M

计算每一个属性的均值和方差

点的空间分布由x、y和z协方差矩阵的特征值表示，类似于-文献14

通过这个特征向量区分不同天气

实验结果

我们的评估表明，多回波传感器是有益的，因为它返回的反射也较弱，例如雾和雨，同时与单回波传感器相比，保持合理的目标检测性能。
随着雾的浓度提高，真是物体的点云密度显著下降。


利用上述的特征进行KNN以及SVM的分类，特征相近的为一类。