Apr, 2023

恶劣天气下激光雷达感知调查

PDF
TL;DR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。
autonomous vehicleslidar sensoradverse weather conditionsperception algorithmssensor fusion
发现论文，激发创造
  • 基于汽车激光雷达传感器的天气影响与分类

    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

  • 面向多雨条件下的鲁棒三维物体检测

    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

  • 基于能量的激光雷达数据中不良天气影响检测

    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

  • Lidar 光散射增强（LISA）：基于物理的 3D 物体检测的不良天气条件模拟

    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

  • 逆境天气下，基于 CNN 的激光雷达点云去噪

    本文提出了基于卷积神经网络的滤波方法，以改善在恶劣天气条件下激光雷达的场景理解表现，并且证明该方法能通过在控制天气环境下的大规模数据集上训练，显著提高性能。

    Dec, 2019

  • 利用汽车雷达和激光雷达传感器预测恶劣天气对行人检测的影响

    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

  • 无人驾驶汽车感知应力测试中的失效情况

    该论文提出了一种基于强化学习的方法来表征自主车辆 (LiDAR) 感知系统在恶劣天气条件下的故障，通过物理学数据增强技术引入干扰来探测跟踪和轨迹预测中的潜在故障。实验表明，与基线相比，我们提出的方法在较小输入干扰的情况下，发现高概率故障，同时保持了可计算性，被发现的故障可以为未来的自主驾驶感知系统的开发提供参考。

    Mar, 2022

  • 恶劣天气条件下激光雷达点云的标签高效语义分割

    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

  • 自动驾驶中基于 LiDAR 的感知遭受对抗性传感器攻击

    本文对自动驾驶汽车中基于 LiDAR 传感器的感知系统进行了首次安全研究，将 LiDAR 欺骗攻击作为威胁模型，并探索了机器学习模型欺骗攻击的可能性，提出了优化方法和算法，同时讨论了针对自动驾驶汽车感知系统、传感器和机器学习模型的防御方向。

    Jul, 2019

  • 在恶劣气候下重新思考用于鲁棒激光雷达语义分割的数据增强

    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