本研究采用真实数据模拟雾天环境，提出一种适用于任何 LiDAR 数据集的物理真实雾模拟方法。实验结果表明，我们的方法可以明显提高雾天环境下的 3D 目标检测性能，并为通过现有真实数据集提供了强有力的检测结果。

Aug, 2021

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

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

本论文介绍了一种利用提升式激光雷达（LiDAR）传感器的能力，通过转变交通场景中的三维物体检测和分析的框架来改善在城市环境中的三维物体检测能力。利用模拟器生成三维点云数据集，通过训练和评估三维物体检测模型，准确识别和监测模拟城市交通环境中的车辆和行人。针对由模拟交通生成的大量点云数据，优化了基于点体素区域的卷积神经网络（PV-RCNN）架构，提升了其处理和理解能力。实验结果表明所提出的解决方案在准确检测交通场景中的物体方面的有效性，并强调了激光雷达对提升城市安全和推动智能交通系统的作用。

May, 2024

通过引入一种新的框架和流程，我们提出了一种改善恶劣天气下目标检测的方法，重点解决了传统方法在交通信号灯检测方面由于恶劣天气所引起的领域转移问题。我们详细分析了现有技术的局限性，我们的流程在雪天、雨天和雾天中显著提高了检测精度。结果显示与简单调整相比，平均 IoU 和 F1 分数提高了 40.8％，在域转移情况下（如在人工雪天训练，在雨天图片测试）性能提高了 22.4％。

Jun, 2024

针对严酷气象条件下车辆尾气对光达测距系统造成的负面影响，提出了一种基于数据增强和新的训练损失项的方法，通过对数据集进行扩充，并惩罚包含噪声的预测来提高物体检测的鲁棒性。

May, 2022

我们提出了一种基于模拟器的物理建模方法，用于增强在雨天中的 LiDAR 数据，以提高其在此场景下的感知性能。实验证明，通过合成数据增强的模型可以提高在 Waymo 开放数据集的雨天序列中的目标检测任务性能。

Dec, 2023

本文提出了一种新颖的雨水模拟方法 DRET，将动力学与雨天环境理论相结合，以提供一种经济高效的方法来扩展用于 3D 检测训练的现实雨水数据。此外，本文还提出了一种从晴天到雨天的知识蒸馏方法（SRKD），以增强在雨天条件下的 3D 检测能力。大规模数据集 WaymoOpenDataset 上的广泛实验表明，将我们提出的框架与最先进的 DSVT 模型和其他经典 3D 检测器相结合，可以显著改善检测准确性，同时不会损失效率。值得注意的是，我们的框架还能提高在晴天条件下的检测能力，因此无论天气是雨天还是晴天，都提供了一种强大的 3D 检测解决方案。

Feb, 2024

本文提出一种新的 LiDAR 模拟器，可有效解决困扰自动驾驶车辆的障碍物检测问题。该模拟器通过添加合成障碍物并在背景点云基础上生成注释点云，可以自动为检测器提供训练数据，使其在深度学习中表现出色，并可以实现大规模工业应用。

Nov, 2018

本文提出了一种名为 LiDARsim 的模拟器，利用真实数据生成 3D 场景，通过物理模拟和深度神经网络相结合来生成 LiDAR 点云，用于测试感知算法和评估安全场景。

Jun, 2020