基于LiDAR的自监督雪天移除框架：面向恶劣天气条件下的自动驾驶

激光雷达提供高分辨率的3D感知和远距离检测，使其成为自动驾驶和机器人不可或缺的技术。然而，在雪、雨、雾等恶劣天气条件下，其性能显著下降，由于杂散噪声点占主导，导致误觉。为解决此问题，已提出 various方法：基于距离的滤波器利用空间稀疏性，基于强度的滤波器利用反射率分布，而学习方法则适应复杂环境。然而，基于距离的方法难以区分有效物体点与噪声，基于强度的方法常依赖固定阈值，缺乏对变化条件的适应性，而学习方法则因标注成本高、泛化性有限和计算开销大而受限。本研究提出LIORNet，消除上述缺陷，同时融合了所有三种方法的优势。LIORNet基于U-Net++架构，采用自监督学习策略，利用伪标签指导，包括范围相关强度阈值、雪反射率、点稀疏性和感知范围约束。该设计使LIORNet能够在不需手动标注的情况下区分噪声点与环境结构，从而克服雪标签困难和单一原理方法的局限性。在WADS和CADC数据集上进行的广泛实验表明，LIORNet在准确率和运行时长上均优于最先进的滤波算法，同时保留关键环境特征。这一结果表明，LIORNet是恶劣天气下LiDAR感知的实用且稳健解决方案，具有强大的实时部署潜力。