WeatherKITTI 和 WeatherNCLT

WeatherKITTI和WeatherNCLT是两个新的数据集，由国防科技大学智能科学和技术学院创建。这两个数据集模拟了真实世界中的各种天气条件下的LiDAR传感器测量，提供了评估LiDAR点云在具有挑战性的天气条件下的鲁棒性的宝贵数据。数据集包含了三种常见的恶劣天气条件：雪、雾和雨，每种天气条件都有多个严重程度级别。

WeatherKITTI and WeatherNCLT are two novel datasets created by the College of Intelligence Science and Technology, National University of Defense Technology. These datasets simulate LiDAR sensor measurements under various real-world weather conditions, providing valuable data for evaluating the robustness of LiDAR point clouds in challenging harsh weather environments. The datasets cover three common harsh weather conditions: snow, fog, and rain, each with multiple severity levels.

搜集汇总

数据集介绍

构建方式

WeatherKITTI和WeatherNCLT数据集的构建基于KITTI和NCLT数据集，通过模拟雪、雾和雨三种常见恶劣天气条件下的LiDAR传感器测量数据。这些数据集通过物理模型和蒙特卡洛方法生成，模拟了真实世界中的天气影响，包括激光束的散射、吸收和反射等现象。每个天气类型包含多个严重程度，生成了大量标注的LiDAR扫描数据，为评估LPR在恶劣天气下的鲁棒性提供了丰富的数据资源。

特点

WeatherKITTI和WeatherNCLT数据集的主要特点在于其多样性和真实性。数据集涵盖了雪、雾和雨三种天气条件，每种条件又分为多个严重程度，能够全面评估LPR在不同天气下的表现。此外，数据集通过物理模型模拟了真实世界中的天气影响，确保了数据的真实性和可靠性。这些数据集不仅适用于短期的天气变化评估，还能用于长期的季节性变化研究，为LPR研究提供了宝贵的资源。

使用方法

WeatherKITTI和WeatherNCLT数据集的使用方法主要包括数据预处理、模型训练和性能评估。首先，用户可以使用ResLPRNet等预处理网络对天气损坏的LiDAR数据进行恢复，以增强LPR模型的鲁棒性。其次，数据集可以用于训练和评估现有的LPR方法，如SC、CVTNet和LPSNet等。最后，通过引入新的评估指标，如稳定性率（stability rate），用户可以量化模型在恶劣天气下的性能保持情况，从而全面评估LPR方法的鲁棒性。

背景与挑战

背景概述

WeatherKITTI和WeatherNCLT数据集是由国防科技大学智能科学与技术学院的研究团队于2025年提出的，旨在解决自动驾驶领域中基于LiDAR的地点识别（LPR）在恶劣天气条件下的鲁棒性问题。随着自动驾驶技术的快速发展，LPR作为感知系统的关键组件，其性能在恶劣天气下往往受到严重影响。现有的LPR方法主要针对良好天气条件设计，而在现实世界中，雪、雾、雨等天气条件会导致LiDAR数据失真，进而影响地点识别的准确性。为此，研究团队提出了ResLPRNet，一种基于小波变换的LiDAR数据恢复网络，并通过WeatherKITTI和WeatherNCLT数据集评估了多种LPR方法在恶劣天气下的表现。这两个数据集的推出填补了恶劣天气条件下LPR评估的空白，为相关研究提供了重要的数据支持。

当前挑战

WeatherKITTI和WeatherNCLT数据集面临的挑战主要体现在两个方面。首先，在领域问题方面，恶劣天气条件（如雪、雾、雨）会显著影响LiDAR数据的质量，导致点云数据中的噪声增加和部分数据丢失，进而影响LPR的准确性。现有的LPR方法在良好天气下表现优异，但在恶劣天气下性能大幅下降，如何提升LPR在复杂天气条件下的鲁棒性是一个亟待解决的难题。其次，在数据集构建过程中，模拟真实世界中的恶劣天气条件并生成高质量的失真LiDAR数据具有较高的技术难度。研究团队需要精确模拟不同天气条件下的LiDAR信号衰减和噪声模式，同时确保生成的数据能够反映真实驾驶场景中的复杂性。此外，如何设计有效的评估指标来衡量LPR方法在恶劣天气下的鲁棒性也是一个重要的挑战。

常用场景

经典使用场景

WeatherNCLT数据集主要用于评估在恶劣天气条件下基于LiDAR的地点识别（LPR）算法的鲁棒性。该数据集模拟了雪、雾和雨等常见恶劣天气对LiDAR点云数据的影响，提供了丰富的实验场景，帮助研究人员测试和优化LPR算法在不同天气条件下的表现。通过该数据集，研究人员可以验证算法在极端天气下的稳定性和准确性，从而推动自动驾驶系统在复杂环境中的应用。

衍生相关工作

WeatherNCLT数据集的推出催生了一系列相关研究工作，特别是在LiDAR数据恢复和地点识别领域。基于该数据集，研究人员提出了多种点云去噪和恢复算法，如ResLPRNet，该网络通过小波变换和上下文引导模块有效恢复了恶劣天气下的LiDAR数据。此外，该数据集还促进了LPR算法的改进，如CVTNet和LPSNet等模型在该数据集上的表现得到了显著提升。这些工作不仅推动了LPR技术的发展，还为自动驾驶和机器人导航系统的实际应用提供了有力支持。

数据集最近研究

最新研究方向

近年来，随着自动驾驶技术的快速发展，基于LiDAR的地点识别（LPR）在复杂天气条件下的鲁棒性成为研究热点。WeatherKITTI和WeatherNCLT数据集的提出，填补了恶劣天气下LiDAR数据恢复与地点识别评估的空白。ResLPRNet作为一种创新的LiDAR数据恢复网络，通过小波变换和上下文引导模块，显著提升了LPR在雪、雾、雨等极端天气下的性能。该网络不仅高效轻量，还能与预训练的LPR模型无缝集成，无需额外计算成本。ResLPR基准的引入，为评估现有LPR方法在恶劣天气下的鲁棒性提供了标准化平台，推动了自动驾驶感知系统在复杂环境中的应用。这一研究不仅解决了LiDAR数据在恶劣天气下的噪声和丢失问题，还为未来LPR技术的进一步发展奠定了坚实基础。

相关研究论文

• ResLPR: A LiDAR Data Restoration Network and Benchmark for Robust Place Recognition Against Weather Corruptions

  国防科技大学智能科学和技术学院，国家关键实验室设备状态感知与智能支持，中国 · 2025年