摘要

本文探讨了在恶劣天气条件下，激光雷达（LiDAR）语义分割性能下降的问题。传统的LiDAR语义分割方法在雨、雾、雪等恶劣天气中表现不佳，因为这些条件会导致数据失真和点云缺失。为了解决这一问题，研究者通过数据中心化的分析，确定了恶劣天气对LiDAR数据的主要影响因素：几何扰动和点云缺失。基于这些发现，文章提出了一种新的数据增强技术，包括选择性抖动（Selective Jittering, SJ）和可学习的点云缺失（Learnable Point Drop, LPD），这些技术能够在不依赖精确天气模拟的情况下，增强模型对恶劣天气的鲁棒性。实验结果表明，这种方法在SemanticKITTI-to-SemanticSTF基准测试中取得了显著的性能提升，超过了现有技术水平。

原理

本文提出的方法通过分析恶劣天气对LiDAR数据的影响，识别出两种主要的数据失真类型：几何扰动和点云缺失。选择性抖动（SJ）技术通过在随机深度或角度范围内添加高斯噪声来模拟几何扰动，而可学习的点云缺失（LPD）则使用深度Q学习网络（DQN）来学习在恶劣天气条件下点云缺失的模式。这两种技术通过在训练过程中引入这些失真模式，使模型能够在实际恶劣天气条件下保持高性能。

流程

1. 数据分析：首先，通过数据中心化的方法分析恶劣天气对LiDAR数据的影响，确定主要失真类型。
2. 选择性抖动（SJ）：在训练过程中，对LiDAR点云数据应用选择性抖动，模拟几何扰动。
3. 可学习的点云缺失（LPD）：使用DQN学习恶劣天气下的点云缺失模式，并在训练中应用这些模式。
4. 模型训练：将增强后的数据输入到LiDAR语义分割模型中进行训练，使模型学习如何在恶劣天气条件下进行准确分割。
5. 性能评估：在SemanticSTF数据集上评估模型的性能，验证其在恶劣天气条件下的鲁棒性。

应用

本文提出的方法不仅适用于自动驾驶领域，还可以扩展到其他依赖LiDAR进行环境感知的应用，如机器人导航、无人机操作等。随着自动驾驶和智能交通系统的快速发展，对LiDAR在恶劣天气条件下的鲁棒性要求越来越高，因此，这种方法具有广泛的应用前景和重要的实际意义。