LiDAR-based Weather Detection: Automotive LiDAR Sensors in Adverse Weather Conditions

Technologische Verbesserungen erhöhen den Automatisierungsgrad von Fahrzeugen. Der natürliche Schritt ist dabei, den Fahrer dort zu unterstützen, wo er es am meisten wünscht: bei schlechtem Wetter. Das Wetter beeinflusst alle Sensoren, die zur Wahrnehmung der Umgebung verwendet werden, daher ist es entscheidend, diese Effekte zu berücksichtigen und abzuschwächen.

Die vorliegende Dissertation konzentriert sich auf die gerade entstehende Technologie der automobilen Light Detection and Ranging (LiDAR)-Sensoren und trägt zur Entwicklung von autonomen Fahrzeugen bei, die in der Lage sind, unter verschiedenen Wetterbedingungen zu fahren. ... mehr

Die Grundlage ist der erste LiDAR-Punktwolken-Datensatz mit dem Schwerpunkt auf schlechte Wetterbedingungen, welcher punktweise annonatatierte Wetterinformationen enthält, während er
unter kontrollierten Wetterbedingungen aufgezeichnet wurde. Dieser Datensatz wird durch eine neuartige Wetter-Augmentation erweitert, um realistische Wettereffekte erzeugen zu können.

Ein neuartiger Ansatz zur Klassifizierung des Wetterzustands
und der erste CNN-basierte Entrauschungsalgorithmus werden entwickelt. Das Ergebnis ist eine genaue Vorhersage des Wetterstatus und eine Verbesserung der Punktwolkenqualität.

Kontrollierte Umgebungen unter verschiedenen Wetterbedingungen ermöglichen die Evaluierung der oben genannten Ansätze und liefern wertvolle Informationen für das automatisierte und autonome Fahren.

Technological improvements are increasing the degree of automation of vehicles. The natural move is to support the driver where they most desire: adverse weather. Weather impacts all the sensors used to perceive the surroundings, so it is crucial to
factor in and mitigate these effects.
This dissertation focuses on the emerging technology of automotive Light Detection and Ranging (LiDAR) sensors and contributes to the development of autonomous vehicles capable of operating under different weather conditions.

The foundation is the first LiDAR point cloud dataset with an emphasis on adverse
... mehr
weather conditions, containing pointwise ground truth labels and being
recorded under well controlled weather conditions.
Different weather conditions generated in controlled environments enable the aforementioned approaches to be evaluated and provide valuable information for automated and autonomous driving.
This dataset is enriched by a novel weather augmentation system for generating realistic weather effects.

A unique approach to classifying weather conditions
and the first CNN-based de-noising algorithm have been developed, resulting respectively in an accurate prediction of weather conditions and improved point cloud quality.
Compared with conventional geometric approaches, our algorithm is capable of generalizing the underlying noise pattern, thereby allowing near-range clutter caused by fog or rain clouds to be distinguished from solid objects like pedestrians, cyclists or vehicles.

In conclusion, this thesis will make a significant contribution toward the safety of autonomous vehicles in the future through not only the efficient filtering of adverse weather conditions wherever necessary but also the accurate classification of weather conditions.