Weather-KITTI, Boreas, Weather-Apollo

本文提出了一个迭代任务驱动框架ITDNet，用于在恶劣天气条件下进行鲁棒的激光雷达定位。Weather-KITTI、Boreas和Weather-Apollo是三个用于测试该框架性能的激光雷达数据集。这些数据集包含了在雨、雪、雾等恶劣天气条件下采集的点云数据，旨在解决激光雷达定位在恶劣天气条件下的准确性问题。

This paper proposes an iterative task-driven framework, ITDNet, for robust LiDAR localization under adverse weather conditions. Weather-KITTI, Boreas, and Weather-Apollo are three LiDAR datasets utilized to evaluate the performance of the proposed framework. These datasets encompass point cloud data acquired under diverse adverse weather conditions including rain, snow, and fog, and are designed to address the accuracy challenges of LiDAR localization in harsh weather environments.

搜集汇总

数据集介绍

构建方式

Weather-KITTI、Boreas和Weather-Apollo数据集的构建采用了多模态数据采集策略，结合了激光雷达、视觉和惯性测量单元（IMU）的同步数据。Weather-KITTI基于SemanticKITTI数据集，通过模拟不同天气条件（如雪、雾、雨）生成退化点云数据。Boreas数据集则通过实际驾驶采集，覆盖了多种真实天气条件下的点云数据，包括晴天、阴天、雨雪等。Weather-Apollo基于ApolloSouthBay数据集，利用仿真工具生成了多种天气条件下的点云数据。这些数据集均通过高精度GPS/IMU系统提供全局位姿真值，确保了数据的时间同步性和空间对齐性。

特点

该系列数据集的核心特点在于其多样化的天气条件和场景覆盖。Weather-KITTI和Weather-Apollo通过合成方法模拟了不同强度的天气退化效应，而Boreas则提供了真实世界的复杂天气数据。数据集中的点云数据均经过严格的时空对齐，并包含丰富的语义标注。此外，数据采集平台配备了高分辨率激光雷达（如Velodyne HDL-64E和128线激光雷达），能够捕捉细粒度的几何结构信息。这些特性使得数据集特别适用于研究激光雷达在恶劣天气条件下的感知鲁棒性。

使用方法

该数据集主要用于评估激光雷达定位与建图算法在恶劣天气条件下的性能。研究人员可通过以下流程使用数据集：首先加载点云序列和对应的位姿真值；然后利用点云投影算法将3D点云转换为2D距离图像；接着将数据输入到如ITDNet等算法框架中，进行点云恢复或地点识别任务；最后通过Recall@N、特征相似度分数（FSS）等指标量化算法性能。数据集支持端到端训练和评估，并提供了标准的数据划分方案（如Weather-KITTI的Seq 00-10划分），便于不同研究之间的公平比较。

背景与挑战

背景概述

Weather-KITTI、Boreas和Weather-Apollo数据集是为解决恶劣天气条件下激光雷达（LiDAR）定位与识别问题而构建的专用基准。这些数据集由哈尔滨工业大学（深圳）团队于2021至2025年间主导开发，核心目标是解决自动驾驶系统中因雨雪雾等天气导致的点云退化问题。通过模拟和真实场景数据结合的方式，它们填补了传统LiDAR数据集在极端天气场景下的空白，为迭代式任务驱动框架ITDNet等先进算法提供了验证平台，显著推动了恶劣环境下感知算法的研究进程。

当前挑战

该系列数据集面临双重挑战：在领域问题层面，需解决天气噪声导致的点云结构破坏和特征可判别性下降问题，传统方法难以在降雪场景保持超过20%的识别准确率；在构建层面，真实天气数据采集存在传感器标定漂移（如Boreas数据集中GPS误差达±0.1m）、跨模态对齐（Weather-Apollo需同步64线LiDAR与视觉数据）以及合成数据真实性验证（Weather-KITTI的雨雾模拟需通过蒙特卡洛光线追踪验证）等难题。

常用场景

经典使用场景

Weather-KITTI、Boreas和Weather-Apollo数据集在自动驾驶领域中被广泛用于恶劣天气条件下的激光雷达点云识别与恢复研究。这些数据集通过模拟和真实场景中的雨雪雾等复杂气象环境，为算法提供了丰富的退化点云样本，使得研究者能够深入探索激光雷达在极端天气中的感知性能退化机制。数据集通过同步采集干净与退化数据对，为基于深度学习的点云恢复与位置识别任务建立了基准测试平台。

衍生相关工作

围绕这些数据集已衍生出多项标志性研究，包括提出双重域混合器的TripleMixer点云去噪网络、集成频率变换的ITDNet框架等。基于数据集基准测试，研究者相继开发了基于小波金字塔的特征提取方法WPN、语义感知生成器SAG等创新模块。这些工作共同推动了《IEEE Robotics and Automation Letters》等期刊对激光雷达抗干扰研究的专题讨论，形成了完整的技术演进路线。

数据集最近研究

最新研究方向

在自动驾驶领域，恶劣天气条件下的激光雷达定位与场景识别一直是研究难点。Weather-KITTI、Boreas和Weather-Apollo数据集为这一挑战提供了重要的基准测试平台。最新研究聚焦于开发能够抵抗雨雪雾等天气干扰的鲁棒性算法，其中迭代式任务驱动框架（ITDNet）通过整合激光雷达数据恢复（LDR）和位置识别（LPR）模块，实现了端到端的联合优化。该框架利用频率-空间域特征融合和语义引导恢复技术，显著提升了点云结构一致性和场景识别准确率。这类研究不仅推动了自动驾驶在复杂环境中的可靠性，也为多传感器融合、实时数据处理等前沿方向提供了新思路。随着数据集的不断完善，基于深度学习的点云去噪、跨模态特征对齐等热点问题将持续成为该领域的研究重点。

相关研究论文

• An Iterative Task-Driven Framework for Resilient LiDAR Place Recognition in Adverse Weather

  哈尔滨工业大学（深圳） · 2025年