南京大学：自动驾驶雨天场景点云数据扩增工具的设计与实现

环境感知是确保自动驾驶安全性的重要基石，激光雷达是当前自动驾驶系统进行环境感知的主要传感器。在雨天这种恶劣的天气条件下，激光将受到水滴或空气中任意粒子的吸收、散射或折射，激光雷达探测到的点云数据会出现测量偏差。更加关键的是，自动驾驶模型的表现很大程度上取决于数据集样本质量，当样本空间不足或样本多样性不够丰富时，可能会导致模型泛化能力欠佳，并出现识别率和准确率较低的结果。

本文面向自动驾驶雨天场景进行激光雷达点云数据扩增，旨在提供采集成本极高的恶劣天气点云数据，增加自动驾驶场景数据集样本的多样性，从而提高无人车系统执行驾驶决策的准确程度，使得变异数据对于自动驾驶系统的测试具有现实意义。本文对项目背景和技术现状进行了全面分析后，基于朗伯比尔指数衰减定律、雨滴谱模型以及Mie散射理论推导出在不同降雨强度下激光透过率随激光传输距离的变化规律，并根据此变化函数设计相关算法提出了面向自动驾驶雨天场景的激光雷达点云数据扩增技术，接着基于Spring Boot框架设计实现了相应的点云数据扩增工具。工具主要分为文件上传模块、扩增参数配置模块、点云扩增模块、可视化模块以及变异数据集评估模块。通过该工具，用户可以上传待扩增原始点云数据、配置雨天场景降雨强度参数，从而执行定制化扩增任务，此外工具还提供三维点云可视化以及变异数据评估服务。

经过充分的系统测试，本工具实现了基本需求，测试结果与预期相符合。本文使用三维目标检测模型以及KITTI公开点云数据集进行实验评估，实验结果表明本文设计开发的自动驾驶雨天场景点云扩增工具生成的变异点云数据真实有效，且符合激光在降雨中衰减的基本特性。本文开发的点云扩增工具很大程度节省了极端天气点云的采集成本，丰富了自动驾驶场景激光雷达点云数据样本多样性，从而提高模型的鲁棒性以及泛化能力，促进自动驾驶安全性。