考虑降水的传感器生态建模以实现性能驱动的自动驾驶导航

为何在恶劣天气中提高自动驾驶安全至关重要

目前大多数自动驾驶系统在晴朗、干燥的条件下表现最佳。然而真实道路常常遭遇暴雨、积雪或冰雹。在这些时刻，帮助车辆“看见”周围环境的传感器可能会受损，增加漏检危险或误报的风险。本文提出了一种新方法，使自动驾驶车辆在天气恶化时仍能保持可靠：车辆学习预测即将到来的雨雪，并在实时调整对不同传感器的信任权重。

无人车如何感知世界

自动驾驶车辆通常依赖三种主要传感技术。激光扫描器（LiDAR）以三维方式绘制环境，雷达通过无线电波测距并估算速度，摄像头捕捉丰富的视觉细节。三者协同构建行人、骑行者、车辆和障碍物的环境图像。然而当天空降下雨雪时，每种工具都有弱点：雨滴和雪花会散射激光束，镜头上的水珠会使相机图像模糊，强降水会为雷达回波带来杂波。许多现有系统仍用固定、不随环境变化的规则来融合这些传感器，仿佛每天都是晴天。这会导致车辆过度依赖暂时部分“失明”的传感器。

让车辆提前关注天气

作者提出的框架更接近谨慎人类司机的做法：查看前方天气并提前准备。他们利用天气雷达数据——类似于许多天气应用所用的数据——来预测未来半小时内沿车辆行驶路径的降雨或降雪量。一个机器学习模型将这些雷达影像转为围绕车辆的细网格短期降水预报。根据这些预测，系统创建了一个简单的降水严重程度刻度，规范化为“无雨”到“非常大雨”之间。该严重程度分数成为车辆在行驶过程中可以持续使用的紧凑天气信号。

教会车辆信任哪些传感器

知道暴雨将至只是部分问题。该框架还学习雨、雪和冰雹如何在实践中削弱每种传感器的性能。研究者使用超过4.5 TB的数据，覆盖320小时在不同风暴中的驾驶，测量激光扫描强度如何减弱、相机图像如何失去对比度、以及雷达回波如何变得更嘈杂。一个深度学习模型将这些模式转化为每一时刻每条传感器流的可靠性分数。一个概率决策模块再将这些分数转为权重，决定每个传感器在最终场景构建中应有的影响力。关键在于，这些权重会持续更新、在时间上平滑以避免突变，并始终合成完整的感知图景。

从更聪明的融合到更安全的行为

为验证他们的想法，作者将自适应系统与一个在任何天气下都将三种传感器同等对待的强基线进行比较。两者使用相同的检测网络和相同的计算硬件，从而隔离出新策略的影响。在城市街道、郊区和高速公路，以及小雨、大雨、湿雪和冰雹等条件下，自适应框架的错误显著减少。总体检测精度提高了超过30个百分点，误报率下降近28%，场景感知所需时间从约51毫秒降至43毫秒。行人和骑行者等弱势道路使用者获得的改进尤为明显，且在大雨中系统表现比固定权重方案更稳定。

这对日常出行意味着什么

对非专业读者来说，核心思想很直接：与其假设电子“眼睛”始终同等可靠，自动驾驶汽车可以学会预测何时某些传感器会因雨雪受损并即时调整。通过提前观测天气、估算各传感器的抗扰性并相应地融合它们的信号，该系统赋予自动车辆更具弹性的环境感知。虽然在极端风暴中仍面临挑战且依赖良好的天气雷达覆盖，但这一方法使完全自动驾驶更接近应对现实道路中混乱、潮湿和不可预测条件的目标。

引用: Kalra, S., Beniwal, R., Beniwal, N.S. et al. Precipitation-aware sensor ecosystem modelling for performance-driven autonomous vehicle navigation. Sci Rep 16, 14224 (2026). https://doi.org/10.1038/s41598-026-44435-2

关键词: 自动驾驶汽车, 传感器融合, 恶劣天气, 降水临近预报, LiDAR 雷达 摄像头