這兩天，隨著臺風巴威逐步逼近，我國東南沿海地區將迎來持續性強降水和狂風天氣，部分地區能見度顯著降低，路面濕滑且存在積澇風險。氣象部門提醒公眾，臺風影響期間應盡量減少不必要的外出，注意人身安全。
其實在雨霧天氣中，自動駕駛的系統穩定性也會有所降低，以激光雷達為例，其一直被視為整車的眼睛，它通過發射激光脈沖并接收回波來構建周圍環境的三維點云。然而，這雙眼睛并非在任何時候都能看清前方，每當遇到大雨、濃霧或強降雪等惡劣天氣時，激光雷達的表現就會大打折扣，原本能夠精確識別的障礙物，在點云圖中會變得模糊不清，甚至出現虛假的信號。為什么自動駕駛激光雷達在雨霧天氣下表現不佳？
雨霧天氣給激光雷達帶來什么影響？
激光雷達發射的是905納米或1550納米的近紅外波段的光脈沖，當這些光束遇到雨滴、霧滴或雪花時，光子的路徑就會發生改變。這些水滴的大小一般在幾微米到幾百微米之間，正好落在了激光波長的散射區間內。
激光脈沖在行進過程中，只要遇到直徑與波長相近的水汽顆粒，光子的傳播方向就會發生偏移，原本應該直線傳播并打在車輛或行人身上的激光，會被空中的水滴攔截，能量也會向四周發散，這一現象被稱為米氏散射。對于常用的905納米激光雷達來說，大雨中的雨滴直徑遠大于其波長，這會導致強烈的散射和吸收，使得原本應該到達遠方物體的光子數量急劇減少。
圖片源自：網絡
這種能量衰減直接限制了激光雷達的探測距離，產生消光效應。在晴朗條件下，高性能激光雷達或許能看到兩百米外的車輛，但在濃霧天，光束在傳播過程中不斷被消耗，可能在幾十米處就無法形成有效回波，遠處的物體會直接從探測視野中消失。這種距離的縮短，對于高速行駛的自動駕駛車輛來說，意味著制動反應時間被極度壓縮。
除了能量減弱，水滴還會制造偽距離信號。激光雷達是通過計算光脈沖往返的時間來測量距離的，但如果光束在半路被雨滴反射回來，接收器就會記錄下一個極短的時間差，并在點云圖中生成一個雜亂的點。在密集的雨霧中，數以萬計的這種回波點交織在一起，會形成一層厚厚的點云噪聲幕簾。感知系統如果不能有效剔除這些由雨霧產生的噪聲，就會誤判前方有障礙物而采取緊急制動，導致幽靈剎車。
如何從硬件層面解決這個問題？
目前市面上主流的激光雷達大多采用905納米波長，但905納米光束對水分子的吸收比較敏感，且為了保護人眼安全，發射功率受到嚴格限制。相比之下，1550納米波長的方案展現出了更強的魯棒性。這個波段的光在穿透大氣氣溶膠時性能更好。
更關鍵的是，1550納米激光屬于人眼安全波長，它不會被視網膜吸收，這意味著1550納米激光雷達可以大幅度提高激光的發射功率，甚至提升幾十倍。這種以力破巧的方法，通過增加發射端的光子密度，確保了即便在信號衰減嚴重的雨天，依然有足夠數量的光子能夠從障礙物表面返回并被捕捉。
圖片源自：網絡
除了提升功率，多回波技術也是目前使用較多的手段，在一個激光脈沖的往返周期內，接收器可以捕捉多個時間點上的回波峰值。通常情況下，第一個回波來自于空氣中的雨滴或塵埃，而最后一個穩定的回波則可能來自于真實的障礙物。通過邏輯門限電路，系統可以有選擇地忽略掉前面的弱信號，保留最后的強信號。這種處理方式能過濾掉絕大部分的懸浮物干擾，讓真實的物體輪廓浮現出來。
此外，自適應增益控制技術也在發揮作用，有些激光雷達可以實時感測環境背景噪聲的水平。當系統察覺到由于降雨導致回波強度普遍下降時，會自動調高接收端的放大增益，或者動態調整探測閾值。這種靈活性使得設備能在噪聲和靈敏度之間找到一個平衡點，不至于在雨天直接致盲，確保在復雜氣象條件下依然能維持基本的感知能力。
算法層面可以解決這個問題嗎？
即便硬件給出了高質量的原始數據，后端算法的過濾和重構依然重要。傳統的過濾方法主要是基于幾何特征的統計分析，比如判斷一個點的周圍是否有足夠的鄰居點。但在大雨中，雨滴產生的噪聲點會非常密集，簡單的過濾算法容易誤傷真實的細小目標，現在的技術趨勢是利用時空特征的深度學習模型來做判斷。
圖片源自：網絡
雨滴噪聲的一個核心特征是瞬時性。一束激光在這一毫秒打到了雨滴，在下一毫秒，那個雨滴已經落下，同一個空間位置不會再出現同樣的信號。而真實的障礙物，其位置隨時間的變化是平滑且邏輯自洽的。現在的感知算法通過分析點云在時間軸上的連續性，利用占用網絡（Occupancy Networks）將空間切分為細小的體素，并觀察每個體素內的信號。如果一個體素內的信號表現得非常離亂且缺乏運動一致性，系統就會將其判定為氣象噪聲并進行屏蔽。
在鳥瞰圖（BEV）視角下的多模態特征融合，則進一步提升了系統的容錯率。算法不再僅僅盯著激光雷達的數據，而是將其投影到統一的平面，并結合攝像頭的視覺信息以及毫米波雷達的數據進行對比。毫米波的波長較長，雨滴在它面前幾乎是透明的，能提供非常可靠的距離基準。如果激光雷達報出了障礙物，但毫米波雷達沒有探測到相應的多普勒頻移，且攝像頭畫面顯示那只是水霧，系統就會降低該信號的可信度。
