Tiefere neuronale Netze auf 3D-Punktwolken-Daten werden weltweit breit eingesetzt, insbesondere in sicherheitskritischen Anwendungen. Ihre Robustheit gegenüber Störungen ist jedoch weniger untersucht. In diesem Paper stellen wir ModelNet40-C vor, die erste umfassende Benchmark für die Robustheit von 3D-Punktwolken gegenüber Störungen, bestehend aus 15 häufigen und realistischen Störungen. Unsere Evaluierung zeigt eine erhebliche Leistungsunterschied zwischen ModelNet40 und ModelNet40-C bei aktuellen State-of-the-Art (SOTA)-Modellen. Um diese Lücke zu schließen, schlagen wir eine einfache, aber wirksame Methode vor, die PointCutMix-R und TENT kombiniert, nachdem wir eine breite Palette an Augmentierungs- und Testzeit-Anpassungsstrategien evaluiert haben. Wir identifizieren eine Reihe wichtiger Erkenntnisse für zukünftige Studien zur Störungsrobustheit in der Punktwolkenklassifikation. So zeigen wir, dass Transformer-basierte Architekturen mit geeigneten Trainingsrezepten die stärkste Robustheit erreichen. Wir hoffen, dass unsere detaillierte Analyse die Entwicklung robuster Trainingsstrategien oder Architekturdesigns im Bereich der 3D-Punktwolken anregen wird. Unser Codebase und das Datenset sind unter https://github.com/jiachens/ModelNet40-C verfügbar.