3次元点群データにおける深層ニューラルネットワークは、実世界のさまざまな分野で広く利用されており、特に安全に重大な影響を及ぼす応用分野において重要性が高まっている。しかし、ノイズや劣化に対するロバスト性については、まだ十分に研究が進んでいない。本論文では、3次元点群データにおける劣化に対するロバスト性を評価するための包括的ベンチマーク「ModelNet40-C」を提案する。これは、15種類の一般的で現実的な劣化を含むデータセットであり、これまでにない包括的な評価基準を提供する。我々の評価結果から、最先端（SOTA）モデルにおいてModelNet40とModelNet40-C間で性能差が顕著に存在することが明らかになった。このギャップを縮小するため、広範な増強手法およびテスト時適応戦略を検証した上で、PointCutMix-RとTENTを組み合わせるシンプルだが効果的な手法を提案する。さらに、点群認識における劣化ロバスト性に関する今後の研究に向けた重要な知見をいくつか明らかにした。例えば、適切な訓練手法を用いたTransformerベースのアーキテクチャが、最も高いロバスト性を達成することが判明した。本研究の詳細な分析が、3次元点群領域におけるロバストな訓練戦略やアーキテクチャ設計の開発を促進することを期待している。本研究のコードベースおよびデータセットは、https://github.com/jiachens/ModelNet40-C にて公開されている。