Deathflower的博客

本文探讨了在降雪条件下，基于LiDAR的3D目标检测问题，这一任务对于自动驾驶应用至关重要，因为自动驾驶系统需要在各种天气条件下，准确地定位和分类周围的交通参与者。然而，在恶劣天气下采集和标注用于训练的数据集非常困难。为了解决这个问题，我们提出了一种基于物理的模拟方法，可以将降雪效果应用到晴天的LiDAR点云数据中。我们的方法通过为每条LiDAR线在2D空间中采样雪粒，使用几何关系来模拟雪粒对每条激光束测量的影响。此外，考虑到降雪会导致地面潮湿，我们还模拟了潮湿地面对点云的影响。

这篇论文针对恶劣天气条件下 LiDAR 语义分割性能下降的问题进行了研究。现有方法通常采用通用数据增强或仿真技术来处理这一问题，但这两种方法分别存在忽略 LiDAR 天气腐蚀问题和无法准确模拟所有天气情况的缺点。几何扰动和点云丢失。通过实验验证，这两种失真与分割性能的下降密切相关。基于这些发现，本文提出了针对这两种失真的数据增强方法，以在训练过程中增强模型对不同失真类型的鲁棒性。通过 LPD 的增强训练，LiDAR 分割模型在点云部分丢失的情况下，仍能准确预测。

这篇论文讨论了激光雷达（Lidar）在自主导航系统（如自动驾驶汽车）中的重要性，尤其是在3D感知流程中的应用。论文指出，Lidar物体检测器在恶劣天气条件（如雨、雪和雾）下的表现较差，因为信噪比（SNR）和信号与背景比（SBR）会受到影响。由于在各种恶劣天气下收集和标记训练数据的成本高昂且耗时，传统的训练方法往往无法解决这一问题。为了解决这一问题，论文提出了一种基于物理的模拟方法，用于在恶劣天气条件下生成Lidar点云数据。