通过使用先进的天气监测网络来过滤喷雾，这篇研究提出了一个框架来提高基于 LiDAR 的 3D 物体检测器对泥水喷溅的抗扰动能力，并且进一步探索了雷达目标的应用来过滤误检。实际数据测试表明，该方法改善了多个热门的 3D 物体检测器对泥水喷溅的稳健性。
Oct, 2023
该论文提出了一种标签效率的方法，通过使用少量已标记示例来学习从非常少量标记的点云中分割恶劣天气的点，并利用半监督学习方法生成伪标签，从而显著增加训练数据量，同时还在训练过程中整合了好的天气数据，从而在良好和恶劣天气条件下均能取得高性能。在真实和合成数据集上的结果显示，我们的方法在检测雪、雾和水雾方面表现良好。此外，我们在使用的标记数据只有一小部分的情况下，实现了与完全监督方法相竞争的性能。
Jun, 2024
本文提出了一种利用基于能量的框架进行异常点检测的新方法，可以准确识别复杂气象条件下 LiDAR 数据中的噪声，有效提高自动驾驶车辆的可靠性。在广泛的实验中，该方法在异常气象检测方面的表现优于当前最先进的方法，具有更高的鲁棒性，并且可以用于同时进行异常点检测和语义分割。为了推进气象复杂条件下 LiDAR 感知的研究领域，我们还发布了 SemanticSpray 数据集。
May, 2023
通过物理学模拟，提出一种蒙特卡罗混合方法用于模拟恶劣天气下的 LiDAR 点云数据，从而扩展所有天气条件下目标检测器的可靠性，并表明相对于现有模型，在现实世界的雨天场景中，模型的性能有了显著改进。
Jul, 2021
在这篇论文中，我们讨论了在恶劣天气条件下使用 LiDAR 传感器的环境感知问题，包括处理原始点云，去噪，多传感器融合等方面，发现和解决了当前研究中存在的缺陷和问题，并提出了未来值得研究的方向。
Apr, 2023
本文阐述了在恶劣天气条件下，特别是大雨和浓雾下，汽车激光雷达传感器的性能表现和探测方法。通过数据分析，提出了一种新的只基于激光雷达探测雨雾的方法，并取得了显著的效果。研究表明，这些探测技术可以提高自动驾驶在恶劣天气条件下的安全性。
Jun, 2019
提出了一种多回波去噪的方法，基于一种新的自监督深度学习方法和特征相似性正则化方法来提高自监督逆向散射雷达图像去噪任务性能，从而实现在恶劣天气条件下获得更可靠的点云，保证自动驾驶车辆的安全性。
本研究通过处理由激光雷达传感器生成的连续数据样本，研究了增强激光雷达目标检测鲁棒性的各种策略，利用时间信息改进模型，对不利天气下的激光雷达点云进行了实验评估，发现通过引入序列帧之间的时间偏移进行数据增广的新方法，比基准模型（基于柱的目标检测）和无增广的方法提高了目标检测准确性。
Jan, 2024
通过对逆境天气影响因素的详细分析，本文提出了新的数据增强技术来改善 LiDAR 语义分割模型的性能，在对抗恶劣天气条件下取得了显著的改进。
Jul, 2024
通过在受控环境中收集实证数据并引入天气过滤器模型，本文研究了道路交通中行人检测在恶劣天气条件下的性能，并发现天气对行人检测性能的影响可以预测和补偿。
May, 2024