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 ！

主要观点总结

文章介绍了作者通过数据增强的方法提高激光雷达语义分割模型在恶劣天气条件下的鲁棒性。作者分析了恶劣天气引起的激光雷达数据失真，并提出了两种数据增强技术：选择性抖动和可学习点丢失。这些技术在不依赖精确天气模拟的情况下，通过模拟恶劣天气引起的点云数据扭曲模式，增强了模型的鲁棒性。实验结果显示，所提出的方法在SemanticKITTI到SemanticSTF基准上取得了显著的性能提升，超过了先前最先进技术的5.4%，几乎将Baseline提高了三倍。作者的方法在多个数据集和架构上都能实现性能提升，展示了其泛化能力和鲁棒性。

关键观点总结

关键观点1: 恶劣天气对激光雷达数据的影响

恶劣天气条件如雾、雨、雪等会导致激光雷达数据失真，表现为点丢失、遮挡、几何扰动和强度失真等模式。

关键观点2: 数据增强技术

作者提出了两种数据增强技术：选择性抖动和可学习点丢失，以模拟恶劣天气引起的点云数据扭曲模式。

关键观点3: 实验结果

实验结果显示，所提出的方法在多个基准数据集上取得了显著的性能提升，超过了先前最先进技术的5.4%，几乎将Baseline提高了三倍。

关键观点4: 泛化能力和鲁棒性

作者的方法在多个数据集和架构上都能实现性能提升，展示了其泛化能力和鲁棒性。

关键观点5: 实际应用

作者的方法有望提高激光雷达语义分割的稳定性和可靠性，对于自动驾驶等安全关键应用具有重要意义。