基于时序关联与展开正则化的自主驾驶感知 adverse 天气无关框架
机器人学
2025-08-05 v1
摘要
雾霾、雨雾等各种不利天气条件对自主驾驶 (autonomous driving, AD) 感知任务如语义分割、目标检测等构成重大挑战。常见的域适应策略是最小化清晰图像与不利天气条件下捕获图像之间的差异，但域适应面临两个挑战：(I) 通常依赖利用清晰图像作为参考，但在实际中难以获取；(II) 通常针对单一不利天气条件，面对多种不利天气条件混合情况时表现不佳。为此，我们提出一种无参考且不依赖特定不利天气条件的框架 (Adverse weather condition-independent, Advent)，可由各种 backbone 与 head 实现。这通过利用短时间段内的同质性，消除对清晰参考图像的依赖，并具备对任意天气条件的可扩展性。具体而言，Advent 包含三个关键组件：(I) 局部顺序机制 (Locally Sequential Mechanism, LSM) 利用相邻帧之间的时序关联性，实现天气条件无关化效果；(ii) 全局洗牌机制 (Globally Shuffled Mechanism, GSM) 提出对 LSM 处理的序列片段进行洗牌，以防止对 LSM 引发的时序模式过拟合；(iii) 展开正则化器 (Unfolded Regularizers, URs) 为两个提出的正则化器的深度展开实现，以惩罚模型复杂度，提升跨天气泛化能力。我们以语义分割任务为例评估所提出的 Advent 框架。大量实验表明，所提框架在现有 SOTA 方法上以显著优势表现。
引用
@article{arxiv.2508.01583,
title = {Adverse Weather-Independent Framework Towards Autonomous Driving Perception through Temporal Correlation and Unfolded Regularization},
author = {Wei-Bin Kou and Guangxu Zhu and Rongguang Ye and Jingreng Lei and Shuai Wang and Qingfeng Lin and Ming Tang and Yik-Chung Wu},
journal= {arXiv preprint arXiv:2508.01583},
year = {2025}
}
备注
10 pages. arXiv admin note: substantial text overlap with arXiv:2409.14737