这两天，随着台风巴威逐步逼近，我国东南沿海地区将迎来持续性强降水和狂风天气，部分地区能见度显著降低，路面湿滑且存在积涝风险。气象部门提醒公众，台风影响期间应尽量减少不必要的外出，注意人身安全。
其实在雨雾天气中，自动驾驶的系统稳定性也会有所降低，以激光雷达为例，其一直被视为整车的眼睛，它通过发射激光脉冲并接收回波来构建周围环境的三维点云。然而，这双眼睛并非在任何时候都能看清前方，每当遇到大雨、浓雾或强降雪等恶劣天气时，激光雷达的表现就会大打折扣，原本能够精确识别的障碍物，在点云图中会变得模糊不清，甚至出现虚假的信号。为什么自动驾驶激光雷达在雨雾天气下表现不佳？
雨雾天气给激光雷达带来什么影响？
激光雷达发射的是905纳米或1550纳米的近红外波段的光脉冲，当这些光束遇到雨滴、雾滴或雪花时，光子的路径就会发生改变。这些水滴的大小一般在几微米到几百微米之间，正好落在了激光波长的散射区间内。
激光脉冲在行进过程中，只要遇到直径与波长相近的水汽颗粒，光子的传播方向就会发生偏移，原本应该直线传播并打在车辆或行人身上的激光，会被空中的水滴拦截，能量也会向四周发散，这一现象被称为米氏散射。对于常用的905纳米激光雷达来说，大雨中的雨滴直径远大于其波长，这会导致强烈的散射和吸收，使得原本应该到达远方物体的光子数量急剧减少。
图片源自：网络
这种能量衰减直接限制了激光雷达的探测距离，产生消光效应。在晴朗条件下，高性能激光雷达或许能看到两百米外的车辆，但在浓雾天，光束在传播过程中不断被消耗，可能在几十米处就无法形成有效回波，远处的物体会直接从探测视野中消失。这种距离的缩短，对于高速行驶的自动驾驶车辆来说，意味着制动反应时间被极度压缩。
除了能量减弱，水滴还会制造伪距离信号。激光雷达是通过计算光脉冲往返的时间来测量距离的，但如果光束在半路被雨滴反射回来，接收器就会记录下一个极短的时间差，并在点云图中生成一个杂乱的点。在密集的雨雾中，数以万计的这种回波点交织在一起，会形成一层厚厚的点云噪声幕帘。感知系统如果不能有效剔除这些由雨雾产生的噪声，就会误判前方有障碍物而采取紧急制动，导致幽灵刹车。
如何从硬件层面解决这个问题？
目前市面上主流的激光雷达大多采用905纳米波长，但905纳米光束对水分子的吸收比较敏感，且为了保护人眼安全，发射功率受到严格限制。相比之下，1550纳米波长的方案展现出了更强的鲁棒性。这个波段的光在穿透大气气溶胶时性能更好。
更关键的是，1550纳米激光属于人眼安全波长，它不会被视网膜吸收，这意味着1550纳米激光雷达可以大幅度提高激光的发射功率，甚至提升几十倍。这种以力破巧的方法，通过增加发射端的光子密度，确保了即便在信号衰减严重的雨天，依然有足够数量的光子能够从障碍物表面返回并被捕捉。
图片源自：网络
除了提升功率，多回波技术也是目前使用较多的手段，在一个激光脉冲的往返周期内，接收器可以捕捉多个时间点上的回波峰值。通常情况下，第一个回波来自于空气中的雨滴或尘埃，而最后一个稳定的回波则可能来自于真实的障碍物。通过逻辑门限电路，系统可以有选择地忽略掉前面的弱信号，保留最后的强信号。这种处理方式能过滤掉绝大部分的悬浮物干扰，让真实的物体轮廓浮现出来。
此外，自适应增益控制技术也在发挥作用，有些激光雷达可以实时感测环境背景噪声的水平。当系统察觉到由于降雨导致回波强度普遍下降时，会自动调高接收端的放大增益，或者动态调整探测阈值。这种灵活性使得设备能在噪声和灵敏度之间找到一个平衡点，不至于在雨天直接致盲，确保在复杂气象条件下依然能维持基本的感知能力。
算法层面可以解决这个问题吗？
即便硬件给出了高质量的原始数据，后端算法的过滤和重构依然重要。传统的过滤方法主要是基于几何特征的统计分析，比如判断一个点的周围是否有足够的邻居点。但在大雨中，雨滴产生的噪声点会非常密集，简单的过滤算法容易误伤真实的细小目标，现在的技术趋势是利用时空特征的深度学习模型来做判断。
图片源自：网络
雨滴噪声的一个核心特征是瞬时性。一束激光在这一毫秒打到了雨滴，在下一毫秒，那个雨滴已经落下，同一个空间位置不会再出现同样的信号。而真实的障碍物，其位置随时间的变化是平滑且逻辑自洽的。现在的感知算法通过分析点云在时间轴上的连续性，利用占用网络（Occupancy Networks）将空间切分为细小的体素，并观察每个体素内的信号。如果一个体素内的信号表现得非常离乱且缺乏运动一致性，系统就会将其判定为气象噪声并进行屏蔽。
在鸟瞰图（BEV）视角下的多模态特征融合，则进一步提升了系统的容错率。算法不再仅仅盯着激光雷达的数据，而是将其投影到统一的平面，并结合摄像头的视觉信息以及毫米波雷达的数据进行对比。毫米波的波长较长，雨滴在它面前几乎是透明的，能提供非常可靠的距离基准。如果激光雷达报出了障碍物，但毫米波雷达没有探测到相应的多普勒频移，且摄像头画面显示那只是水雾，系统就会降低该信号的可信度。
