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。