車載激光雷達如何應對惡劣天氣條件？

車載激光雷達應對惡劣天氣條件，主要通過獲取特殊數據、進行點云操作及采用魯棒感知等多種方式。獲取具有天氣特征噪聲模式的點云，能讓其更好適應不同天氣；不同波長及類型的激光雷達在惡劣天氣下各有表現，還可通過估計退化程度及去噪來處理點云；利用傳感器融合、數據增強訓練以及魯棒感知算法，也能提升其在惡劣天氣下的性能，保障運行穩定 。

在獲取特殊數據方面，有三種獲取具有天氣特征噪聲模式的激光雷達點云的方式，分別是真實世界記錄、增強點云和模擬點云。真實世界記錄的數據集高度真實，能反映出激光雷達在各種惡劣天氣下的實際情況，然而，獲取相應的標簽卻存在一定挑戰。天氣增強的方式則是將不利天氣的影響擴展到現有的數據集中，不過評估增強方法的質量和真實程度頗具難度。模擬點云同樣能為激光雷達應對惡劣天氣提供數據支持。這些不同的數據獲取方式，從多個角度為激光雷達在惡劣天氣下的表現提供了數據基礎，使其能夠在復雜的天氣環境中，依據這些特殊數據更好地“看清”周圍環境 。

在點云操作方面，不同激光雷達模型受天氣條件影響程度各異。例如，905nm波長的激光雷達在惡劣天氣下性能相對較好。而全波形激光雷達（FWL）對于分析周圍介質有著獨特的作用。在面對損壞點云時，估計傳感器退化程度是處理的關鍵第一步。值得一提的是，一些研究在傳感器退化估計和天氣分類方面已經取得了不錯的進展。在點云去噪上，經典濾波算法和基于DL的方法各有所長，尤其是基于CNN的方法在噪聲濾波方面表現更為出色，相比經典方法更具優勢，能有效去除惡劣天氣給點云帶來的噪聲干擾，讓激光雷達獲取的信息更加準確 。

魯棒感知策略也是應對惡劣天氣的重要手段。利用傳感器融合是常用的方法，在某些情況下，后期融合比早期融合更具優勢，甚至有些方法將早期和晚期融合巧妙結合，發揮二者之長。通過數據增強訓練，讓模型提前適應特定天氣噪聲，這比單純的去噪更加有效，能使激光雷達在惡劣天氣下更穩定地工作。在魯棒感知算法方面，眾多方法致力于彌合天氣導致的領域差距，并且已經取得了有希望的成果。此外，漫反射板（車載激光雷達測試板）在惡劣天氣或光照條件下，能幫助激光雷達維持穩定的性能 。

總之，車載激光雷達應對惡劣天氣條件是一個綜合性的課題，涉及數據獲取、點云操作和魯棒感知等多個方面。通過多種方式的協同作用，車載激光雷達能夠在復雜多變的惡劣天氣中盡可能地保持穩定的性能，為自動駕駛等應用提供可靠的支持，讓汽車在惡劣天氣環境下也能安全、穩定地行駛 。