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

通过使用CycleGAN合成多个天气条件下的数据集，我们在自主赛车中将最先进的四个探测器的性能平均提高了42.7和4.4 mAP百分点，并进行了五种目标探测器的比较分析，以确定在挑战性条件下自主赛车中使用最佳探测器和训练数据。

Jan, 2022

提出一种名为DISC的在线领域增量学习方法，可在不需要重新训练或昂贵的内存银行的情况下，逐步学习新任务(即天气条件)，通过分类每个域的一阶和二阶统计量变化，将统计矢量插入到相应任务的模型中，目标检测结果显示出其在不同恶劣天气条件下的一个具有挑战性的域增量自动驾驶场景下的有效性。

Apr, 2022

本文探讨了自动驾驶中如何应对由光学传感器收集的噪声数据对自主决策产生的影响，并提出了一种用生成对抗网络产生虚拟雨天图像并训练降雨去噪模型的方法，但该方法还需进一步改进。

May, 2023

生成的合成道路数据集含有传感器阻塞，通过深度神经网络进行多任务网络评估和性能退化分析，为自动驾驶提供安全解决方案和深度学习算法的限制和未来发展方向。

Dec, 2023

针对夜间行驶场景中受雨水降解影响、图像质量和能见度下降的问题，我们开发了一个夜间行驶场景下的图像去雨框架，通过可见光和红外图像的跨视图融合，去除雨痕、丰富场景表征并恢复有用信息，实验证明了我们提出的跨视图合作学习方法在低光强雨水环境下具有较好效果，并弥补了现有去雨算法在特定低光条件下的利用缺口。

Feb, 2024

无人机在自主飞行过程中识别和适应环境变化的能力对于其安全可靠性至关重要。本研究描述了一个包含335k图像的数据集，用于研究七种不同降水情况下环境扰动对视觉测距系统性能的影响。通过训练适用于资源受限和延迟敏感系统的深度神经网络模型，实现对这些降水条件的高效且准确的分类。这些模型中轻量级的MobileNetV3 small模型，在1.28 MB的内存占用和93 FPS的帧率下，准确率可达90%，适用于部署在资源受限和延迟敏感的系统中。这种模型可以作为自主飞行控制器中的扰动估计组件的输入，并实现毫秒级的分类延迟。此外，能够实时准确地获取环境条件的无人机数据，有助于发展更精细化和及时的局部天气预测。

Jul, 2024

本研究解决了高自治车辆在恶劣天气和光照条件下的感知算法性能下降问题。我们提出A-BDD数据集，包含超过60,000个合成增强图像，并引入了新策略，利用图像质量的特征指标识别有用的数据，从而显著提高自动驾驶系统在不利环境中的有效性。

Aug, 2024

本研究解决了自动驾驶车辆在恶劣天气条件下感知性能不足的问题，提出在语义分割训练过程中应用图像增强技术，以提升模型对多种天气条件的适应能力。研究发现，虽然在恶劣天气夜间条件下，应用增强技术显著提高了分割效果，但与天气数据训练的模型相比，增强数据训练的模型在晴朗天气外的情况下表现较低，表明领域适应方法仍有提升空间。

Aug, 2024

本研究解决了恶劣天气和低光条件对自动驾驶感知系统造成的图像质量下降问题，现有方法效果有限且多聚焦于单一条件。我们提出的全天气网络采用新颖的层级架构和可扩展的照明感知注意力机制，提升了图像质量，使得自动驾驶的语义分割性能提高了最高5.3%。此外，该模型在未知领域的推广能力表现出色，提升了最高3.9%的mIoU。

Sep, 2024