摘要
现有的LiDAR语义分割方法在恶劣天气条件下往往面临性能下降的问题。以往的研究通过模拟恶劣天气或在训练过程中采用通用的数据增强策略来缓解该问题。然而，这些方法缺乏对恶劣天气如何负面影响LiDAR语义分割性能的深入分析与机制理解。针对这一问题，我们识别出恶劣天气中的关键影响因素，并设计了一项简化实验，以定位导致性能退化的根本原因：（1）由空气中的雾气或水滴引起的折射所导致的几何畸变；（2）由于能量吸收和遮挡造成的点云丢失（point drop）。基于上述发现，我们提出了一种新型的数据增强策略。首先，我们引入了选择性抖动（Selective Jittering, SJ），通过在深度（或角度）方向上对点云进行随机扰动，以模拟几何畸变效应；其次，我们设计了可学习点云丢失（Learnable Point Drop, LPD），利用深度Q学习网络（Deep Q-Learning Network）自动学习易受破坏的点云擦除模式，从而近似恶劣天气下点云丢失的现象。无需精确的天气模拟，这些方法通过数据驱动的方式，使模型暴露于我们分析识别出的脆弱场景中，显著提升了模型的鲁棒性。实验结果验证了所提数据增强方法在提升恶劣天气下性能方面的有效性。在SemanticKITTI到SemanticSTF的基准测试中，我们的方法取得了39.5 mIoU的优异表现，相比基线模型提升了8.1个百分点，刷新了当前最优性能记录。相关代码将开源发布于：\url{https://github.com/engineerJPark/LiDARWeather}。