引言：

随着自动驾驶技术突飞猛进的发展，激光雷达凭借其高精度的三维感知能力成为了必不可少的核心传感器之一。但是由于其在遇到诸如雨，雪，雾这类恶劣天气的情况下性能会大幅退化，空气中的悬浮粒子对激光束产生吸收，散射，导致激光的有效探测距离大幅度衰减，信噪比降低，会产生大量噪声点进而使目标发生偏移或者被遮挡现象，使得它的感知能力大幅下降，这就给车辆安全决策带来了极大的挑战性。这也是限制自动驾驶技术商业化的另一关键因素。因而如何让激光雷达在恶劣环境下拥有较强的感知能力也成为了目前学者以及公司所重点关注的问题之一。

1.恶劣天气对激光雷达感知的影响机制

不同的恶劣天气对激光雷达点云数据的影响方式各有不同，弄清其物理机理是开发针对性增强算法的基础，在雨天环境下，雨滴比激光波长大多了，这会令激光束出现镜面反射，折射以及散射现象，有些激光能量没法再回到接收器，这就缩减了目标的反射强度，进而缩短了有效探测距离，而且，激光脉冲击中雨滴时还会产生许多随机噪声点，这些噪声点散布在空间里，很容易被误认为是小障碍物，雾天环境里的难题更大些，雾滴的大小和激光波长相差不多，主要是引起米氏散射，使激光能量朝各个方向扩散，造成信号急剧衰减，浓雾不但会极大缩小激光雷达的探测范围，而且会形成一层“点云帷幕”，完全遮挡住后方的物体，致使感知陷入“失明”状态。降雪天气的影响也较为复杂，雪花形状各异，密度不均，对激光的反射介于雨和雾之间，雪花会导致激光发生漫反射，产生大量的背景噪声，降低了真实目标的信噪比，积雪还会改变道路和地标反射特性，使得基于高精度地图的定位算法难以实现，沙尘天气类似于雾，空气中悬浮的尘埃颗粒吸收并散射激光，降低了能见度和探测精度，这些物理过程共同造成了原始点云数据稀疏化，噪声污染以及信息失真，是后续感知算法必须解决的第一个难题^[1]。

2.数据处理驱动的感知增强算法

研究人员为了应对恶劣天气带来的点云质量衰减，提出了许多先进的数据处理算法，目的是从原始数据中去噪、修复和增强。此类算法作为提升感知能力的第一道屏障。早年间的去除噪声主要依靠统计法的滤波方法，如半径滤波以及统计滤波，即计算出每个点邻域内的所有数据分布，从中剔除异常数据点。但此类方法对于雨雪这种产生大量并且稠密的噪声来说并不适用，在去除噪声的同时误删除有效的目标点或是不能完全剔除噪声。研究人员便采用了更多的维度，比如使用激光雷达得到的强度信息，由于雨滴、雪花这些悬浮颗粒对激光的反射率通常小于固体物体目标，我们便可以根据设定动态的强度来实现有效过滤大多数天气带来的噪声。甚至于结合空间邻域和空间的强度信息综合考虑的去噪方法，例如基于密度的空间聚类算法的衍生形式，能够在去除噪声的同时，保留更多目标结构信息。随着深度学习技术的发展，基于神经网络的点云处理方法显示出巨大的潜力，卷积神经网络（CNN），图神经网络（GNN）以及针对点云专门设计的网络结构（例如PointNet系列）被用来进行点云的语义分割，可以直接从像素或体素层面将天气噪声与真实物体区分开来，从而达到端到端的去噪效果，同时点云修复与补全技术也愈发重要，利用生成对抗网络（GAN）或者自编码器等模型，可以对被天气遮挡后变得稀疏或者残缺的目标点云执行结构预测并实施补全，进而让目标恢复成较为完整的形态，从而给之后的目标识别及跟踪给予更高质量的数据资料^[2]。

3.多传感器融合的鲁棒感知方法研究

尽管从算法上可以改善激光雷达在恶劣天气下的问题，但是单一的传感器的物理限制是无法被打破的，所以只有采用多传感器的深度融合才能够实现全天候鲁棒感知。车载的感知系统还有摄像头、毫米波雷达这些。这三种传感器，在原理和性能上有着很大的互补性，摄像头可以提供大量的颜色、纹理等信息，但是在低光照或者恶劣天气的情况下也同样失效，毫米波雷达工作在电磁波频段，在雨、雪、雾这些天气的影响下要小得多，可以稳定的检测到目标的距离以及速度，但是它的工作分辨率又相对较低，并不能够准确的绘制出物体的形状。激光雷达处于二者之间，能提供精准的三维空间信息，不过受天气影响较大，多传感器融合策略的关键思想是取长补短，在不同环境条件下动态调整对各个传感器信息的信任权重，融合可分前融合（原始数据层融合）、特征层融合和决策层融合，前融合把不同传感器的原始数据对齐到统一的时空坐标系里再处理，这样能最大限度地保留原始信息，不过计算复杂度较高，实现起来困难，特征层融合是当前主流方案，也就是各自从传感器数据中提取特征（比如目标候选框，点云簇，图像特征等等），然后把这些异构特征关联起来，融合起来，从而得到更准确，更可靠的检测结果。像毫米波雷达可以给激光雷达提供一个可靠的目标存在性先验，激光雷达就可以更精准地在充斥着大量噪音的点云中搜寻聚类目标。反过来，激光雷达准确的位置信息也可以帮助摄像头图来确定目标的边界。深度学习也在多传感器融合当中起着非常重要的作用，利用深度学习可以设计出复杂的神经网络来自动学习不同传感器特征之间的关系，做到端到端融合感知。

4.未来发展趋势与挑战

往后看，车载激光雷达恶劣环境感知能力增强的趋势，是在硬件更新迭代的同时，也要软件算法一起发展。在硬件上，1550nm这样的更长波长的激光雷达正逐渐被采用，这得益于该波段激光对水汽更好的穿透力，所以在雨雾天里能更高效地探测出远处的物体。功率更强、更灵敏度更高、全固体扫描技术等激光雷达，从物理学角度来讲能更好地抵御干扰。软件方面，依靠时间序列信息的四维（三维空间加一维时间）点云操作很重要。分析连续几帧点云时，可凭借真正目标的运动连续性与天气噪声的瞬时随机变化之区别，从而更好做到动态去噪和目标追踪。同样基于大模型、自监督学习的方法能够利用海量无标注的驾驶数据学习恶劣天气下的点云退化过程并反向生成增强模型，摆脱对昂贵稀疏的恶劣天气数据集的依赖。车路协同（V2X）技术可以从另一个维度为车提供超视距的环境信息，在极端天气下，本地传感器失效的情况下也可以通过路侧或者云端获得环境信息，作为一种安全冗余。但如何实现多传感器融合的实时同步与高精度标定、算法的实时性与计算量、如何对极端边缘场景进行测试等也是未来需要持续攻克的问题^[3]。

结束语：

加强车载激光雷达在恶劣环境下的感知能力，是自动驾驶技术从局限场景走向全天候全场景的必要条件，单凭某条技术路线很难破解天气方面的难题，需要采取以硬件升级为基础，搭配算法优化并且系统设置冗余措施相结合的办法。挖掘大量点云数据里隐藏的有效信息，并把它们同摄像头，毫米波雷达这类不同类型的传感器信息做到紧密融合，如此就极大地改善了对周边环境的辨识程度。往后，在新型激光雷达设备成熟，人工智能技术不断革新且车路协同生态逐步完善的情境之下，自动驾驶汽车实现恶劣天气条件下安全又高效地行驶似乎就变得有希望了，从而会带来出行方式的根本性改变。

参考文献：

[1]李凡,王建立,张伟.恶劣天气对自动驾驶激光雷达感知性能影响综述[J].汽车工程,2021,43(11):1613-1628.

[2]赵祥模,张茹,丁汉.面向自动驾驶的激光雷达点云数据处理与环境感知技术研究综述[J].机械工程学报,2020,56(14):98-116.

[3]牛纪强,马泳,廖寅,等.基于深度学习的激光雷达点云雨雾去除方法研究[J].激光与光电子学进展,2022,59(1):245-253.