恶劣天气下的激光雷达鲁棒性：选择性抖动与可学习点丢失策略 ！

文章预览

自动驾驶之星 点击下方 卡片 ，关注“ 自动驾驶之星 ” 这里有一群奋斗在自动驾驶 & 座舱量产第一线的小伙伴等你加入 现有的激光雷达语义分割方法在恶劣天气条件下往往会出现性能下降。先前的研究通过在训练过程中模拟恶劣天气或采用通用数据增强来解决这一问题。然而，这些方法缺乏对恶劣天气如何负面影响激光雷达语义分割性能的详细分析和理解。 受到这一问题的启发，作者识别了恶劣天气的关键因素，并进行了一个简单的实验来准确找出性能下降的主要原因： （1）由于雾或空气中的水滴引起的折射造成的几何扰动； （2）由于能量吸收和遮挡造成的点云数据丢失。基于这些发现，作者提出了新的策略性数据增强技术。 首先，作者引入了一种选择性抖动（Selective Jittering, SJ），它在深度（或角度）的随机范围内抖动点，以模拟几何扰 ………………………………