恶劣天气下车载激光雷达点云去噪研究综述

黄鹤; 闫鑫源; 杨军星; 李奕达; 梁雨; 张译丹

doi:10.14188/j.2095-6045.20250020

您当前的位置：

首页 >

文章列表页 >

恶劣天气下车载激光雷达点云去噪研究综述

高端论坛 | 更新时间：2026-10-12

- 恶劣天气下车载激光雷达点云去噪研究综述
- A Review of Point Cloud Denoising for Vehicle-Mounted LiDAR in Adverse Weather
- 测绘地理信息 2026年51卷第5期页码：105-114
- 作者机构：
  
  北京建筑大学测绘与城市空间信息学院，北京，102616
- 作者简介：
  
  黄鹤，博士，教授，主要从事高精度智能驾驶导航地图、视觉导航与定位、室内地图等研究。E-mail：huanghe@bucea.edu.cn
  杨军星，博士，副研究员，主要从事摄影测量与遥感、三维重建、场景理解等研究。E-mail：yangjunxing@bucea.edu.cn
- 基金信息：
  
  国家自然科学基金青年科学基金(42201483);市属高校基本科研业务费(X23001)
- DOI：10.14188/j.2095-6045.20250020
  中图分类号： U463;TN958
- 修回：2026-06-10，
  
  纸质出版：2026-10-05
- 稿件说明：
移动端阅览
黄鹤，闫鑫源，杨军星，等.恶劣天气下车载激光雷达点云去噪研究综述［J］.测绘地理信息，2026，51（5）：105-114

HUANG He，YAN Xinyuan，YANG Junxing，et al.A Review of Point Cloud Denoising for Vehicle-Mounted LiDAR in Adverse Weather［J］.Journal of Geomatics，2026，51（5）：105-114
黄鹤，闫鑫源，杨军星，等.恶劣天气下车载激光雷达点云去噪研究综述［J］.测绘地理信息，2026，51（5）：105-114 DOI： 10.14188/j.2095-6045.20250020.

HUANG He，YAN Xinyuan，YANG Junxing，et al.A Review of Point Cloud Denoising for Vehicle-Mounted LiDAR in Adverse Weather［J］.Journal of Geomatics，2026，51（5）：105-114 DOI： 10.14188/j.2095-6045.20250020.

摘要

自动驾驶汽车（autonomous vehicles，AVs）通过激光雷达等传感器实现对车辆周围环境的精细感知。然而，激光雷达（light detection and ranging，LiDAR）在恶劣天气条件下容易受到空气中如雨滴、雪花、雾等悬浮颗粒物的影响而产生数据噪声，进而降低汽车的感知能力，威胁车内人员的生命安全。为了解决这个问题，点云去噪技术被应用于激光雷达传感器。通过点云去噪技术，激光雷达能够获得更高质量的点云数据，从而提高汽车的感知能力。针对恶劣天气条件下激光雷达点云去噪这一关键技术问题，本文基于本团队近期的研究成果，结合近十年来的主流研究进展，介绍了恶劣天气点云公开数据集，按基于滤波器和深度学习两类方法详细阐述了点云去噪方法的技术发展，研判目前点云去噪领域所面临的挑战及未来发展方向。

Abstract

Autonomous Vehicles （AVs） achieve precise perception of their surroundings through sensors such as Light Detection and Ranging （LiDAR）. However， in adverse weather conditions， LiDAR is susceptible to noise caused by suspended particles in the air， such as raindrops， snowflakes， and fog， which degrades the vehicle’s perception capabilities and poses a threat to passenger safety. To address this issue， point cloud denoising techniques have been applied to LiDAR sensors. By leveraging these techniques， LiDAR can obtain higher-quality point cloud data， thereby enhancing the vehicle’s perception capabilities. To address the key technical challenge of point cloud denoising for LiDAR under adverse weather conditions， this paper draws on our recent research findings and incorporates mainstream research advances from the past decade to introduce public datasets of point clouds collected under adverse weather conditions. It provides a detailed analysis of point cloud denoising methods， categorized into filter-based and deep learning-based approaches.Lastly， it analyzes the current challenges and future research directions in point cloud denoising.

关键词

Keywords

references

Dreissig M ， Scheuble D ， Piewak F ， et al . Survey on LiDAR Perception in Adverse Weather Conditions ［C］. 2023 IEEE Intelligent Vehicles Symposium （IV）， Anchorage ， AK ， USA ， 2023

Zhang Y ， Carballo A ， Yang H ， et al . Perception and Sensing for Autonomous Vehicles Under Adverse Weather Conditions： A Survey ［J］. ISPRS Journal of Photogrammetry and Remote Sensing ， 2023 ， 196 ： 146 - 177

Kurup A M ， Bos J P . Winter Adverse Driving Dataset for Autonomy in Inclement Winter Weather ［J］. Optical Engineering ， 2023 ， 62 （ 3 ）： 031207

Piroli A ， Dallabetta V ， Kopp J ， et al . Energy-Based Detection of Adverse Weather Effects in LiDAR Data ［J］. IEEE Robotics and Automation Letters ， 2023 ， 8 （ 7 ）： 4 322 - 4 329

Maddern W ， Pascoe G ， Linegar C ， et al . 1 a， 1 000 km： The Oxford Robotcar Dataset ［J］. The International Journal of Robotics Research ， 2017 ， 36 （ 1 ）： 3 - 15

Bijelic M ， Gruber T ， Mannan F ， et al . Seeing Through Fog Without Seeing Fog： Deep Multimodal Sensor Fusion in Unseen Adverse Weather ［C］. 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）， Seattle ， WA ， USA ， 2020

Pfeuffer A ， Schön M ， Carsten D ， et al . The ADUULM-Dataset—A Semantic Segmentation Dataset for Sensor Fusion ［C］. The 31th British Machine Vision Conference （BMVC ） 2020 ， Manchester， UK ， 2020

Pitropov M ， Garcia D ， Rebello J ， et al . Canadian Adverse Driving Conditions Dataset ［J］. The International Journal of Robotics Research ， 2021 ， 40 （ 4/5 ）： 681 - 690

Kurup A ， Bos J . DSOR： A Scalable Statistical Filter for Removing Falling Snow from LiDAR Point Clouds in Severe Winter Weather ［PP/OL］. arXiv ， 2021 ， https：//doi.org/10.48550/arXiv.2109.07078 https://doi.org/10.48550/arXiv.2109.07078

Heinzler R ， Piewak F ， Schindler P ， et al . CNN-Based LiDAR Point Cloud Denoising in Adverse Weather ［J］. IEEE Robotics and Automation Letters ， 2020 ， 5 （ 2 ）： 2 514 - 2 521

Carballo A ， Lambert J ， Monrroy A ， et al . LIBRE： The Multiple 3D LiDAR Dataset ［C］. 2020 IEEE Intelligent Vehicles Symposium （IV）， Las Vegas， NV， USA ， 2020

Diaz-Ruiz C A ， Xia Y ， You Y ， et al . Ithaca365： Dataset and Driving Perception Under Repeated and Challenging Weather Conditions ［C］. 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）， New Orleans， LA， USA ， 2022

Seppänen A ， Ojala R ， Tammi K . 4DenoiseNet： Adverse Weather Denoising from Adjacent Point Clouds ［J］. IEEE Robotics and Automation Letters ， 2023 ， 8 （ 1 ）： 456 - 463

Burnett K ， Yoon D J ， Wu Y ， et al . Boreas： A Multi-season Autonomous Driving Dataset ［J］. The International Journal of Robotics Research ， 2023 ， 42 （ 1/2 ）： 33 - 42

Xiao A ， Huang J ， Xuan W ， et al . 3D Semantic Segmentation in the Wild： Learning Generalized Models for Adverse-Condition Point Clouds ［C］. 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）， Vancouver， BC， Canada ， 2023

Zhao X ， Wen C ， Wang Y ， et al . TripleMixer： A 3D Point Cloud Denoising Model for Adverse Weather ［PP/OL］. arXiv ， 2024 ， https：//doi.org/10.48550/arXiv.2408.13802 https://doi.org/10.48550/arXiv.2408.13802

Linnhoff C ， Elster L ， Rosenberger P ， et al . Road Spray in LiDAR and Radar Data for Individual Moving Objects ［R］. Technische Universität Darmstadt， Darmstadt，Germany ， 2022

Hahner M ， Sakaridis C ， Dai D ， et al . Fog Simulation on Real LiDAR Point Clouds for 3D Object Detection in Adverse Weather ［C］. 2021 IEEE/CVF International Conference on Computer Vision （ICCV）， Montreal， QC， Canada ， 2021

Hahner M ， Sakaridis C ， Bijelic M ， et al . LiDAR Snowfall Simulation for Robust 3D Object Detection ［C］. 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）， New Orleans， LA， USA ， 2022

Geiger A ， Lenz P ， Urtasun R . Are We Ready for Autonomous Driving？ The KITTI Vision Benchmark Suite ［C］. 2012 IEEE Conference on Computer Vision and Pattern Recognition，Providence， RI ， 2012

Behley J ， Garbade M ， Milioto A ， et al . SemanticKITTI： A Dataset for Semantic Scene Understanding of LiDAR Sequences ［C］. 2019 IEEE/CVF International Conference on Computer Vision （ICCV）， Seoul， Korea ， 2019

Caesar H ， Bankiti V ， Lang A H ， et al . nuScenes： A Multimodal Dataset for Autonomous Driving ［C］. 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）， Seattle ， WA ， USA ， 2020

Rusu R B ， Cousins S . 3D Is Here： Point Cloud Library （PCL）［C］. 2011 IEEE International Conference on Robotics and Automation ， Shanghai， China ， 2011

Charron N ， Phillips S ， Waslander S L . Denoising of LiDAR Point Clouds Corrupted by Snowfall ［C］. 2018 15th Conference on Computer and Robot Vision （CRV）， Toronto， ON， Canada ， 2018

Balta H ， Velagic J ， Bosschaerts W ， et al . Fast Statistical Outlier Removal Based Method for Large 3D Point Clouds of Outdoor Environments ［J］. IFAC-PapersOnLine ， 2018 ， 51 （ 22 ）： 348 - 353

Duan Y ， Yang C ， Chen H ， et al . Low-Complexity Point Cloud Denoising for LiDAR by PCA-Based Dimension Reduction ［J］. Optics Communications ， 2021 ， 482 ： 126567

Duan Y ， Yang C ， Li H . Low-Complexity Adaptive Radius Outlier Removal Filter Based on PCA for LiDAR Point Cloud Denoising ［J/OL］. Applied Optics ， 2021 ， 60 （ 20 ）： 416341

Zhou S ， Xu H ， Zhang G ， et al . DCOR： Dynamic Channel-Wise Outlier Removal to De-noise LiDAR Data Corrupted by Snow ［J］. IEEE Transactions on Intelligent Transportation Systems ， 2024 ， 25 （ 7 ）： 7 017 - 7 028

Park J I ， Park J ， Kim K S . Fast and Accurate Desnowing Algorithm for LiDAR Point Clouds ［J］. IEEE Access ， 2020 ， 8 ： 160 202 - 160 212

Roriz R ， Campos A ， Pinto S ， et al . DIOR： A Hardware-Assisted Weather Denoising Solution for LiDAR Point Clouds ［J］. IEEE Sensors Journal ， 2022 ， 22 （ 2 ）： 1 621 - 1 628

Wang W ， You X ， Chen L ， et al . A Scalable and Accurate De-snowing Algorithm for LiDAR Point Clouds in Winter ［J］. Remote Sensing ， 2022 ， 14 （ 6 ）： 1468

Huang H ， Yan X ， Yang J ， et al . LIDSOR： A Filter for Removing Rain and Snow Noise Points From LiDAR Point Clouds in Rainy and Snowy Weather ［C］. The International Archives of the Photogrammetry， Remote Sensing and Spatial Information Sciences ， Cairo， Egypt ， 2023

Wang W ， Yang T ， Du Y ， et al . Snow Removal for LiDAR Point Clouds with Spatio-Temporal Conditional Random Fields ［J］. IEEE Robotics and Automation Letters ， 2023 ， 8 （ 10 ）： 6 739 - 6 746

Yan X ， Yang J ， Zhu X ， et al . Denoising Framework Based on Multiframe Continuous Point Clouds for Autonomous Driving LiDAR in Snowy Weather ［J］. IEEE Sensors Journal ， 2024 ， 24 （ 7 ）： 10 515 - 10 527

Li B ， Li J ， Chen G ， et al . De-snowing LiDAR Point Clouds with Intensity and Spatial-Temporal Features ［C］. 2022 International Conference on Robotics and Automation （ICRA）， Philadelphia， PA， USA ， 2022

Piewak F ， Pinggera P ， Schäfer M ， et al . Boosting LiDAR-Based Semantic Labeling by Cross-Modal Training Data Generation ［C］// European Conference on Computer Vision（ECCV） 2018 . Cham ： Springer International Publishing ， 2018 ， 11 134 ： 497 - 513

Tang H ， Wu T ， Dai B . SmogNet： A Point Cloud Smog Segmentation Network for Unmanned Vehicles ［C］. 2021 5th CAA International Conference on Vehicular Control and Intelligence （CVCI）， Tianjin， China ， 2021

Qi C R ， Yi L ， Su H ， et al . PointNet++： Deep Hierarchical Feature Learning on Point Sets in a Metric Space ［PP/OL］. arXiv：1706 . 02413 ， 2017 ， doi：10.48550/arXiv.1706.02413

Wang L ， Huang Y ， Hou Y ， et al . Graph Attention Convolution for Point Cloud Semantic Segmentation ［C］. 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）， Long Beach， CA， USA ： IEEE ， 2019

Luo Z ， Ma J ， Xiong G ， et al . Semantic Segmentation Based Rain and Fog Filtering only by LiDAR Point Clouds ［C］. 2022 IEEE International Conference on Unmanned Systems （ICUS）， Guangzhou， China ， 2022

Yang T ， Yu Q ， Li Y ， et al . Learn to Model and Filter Point Cloud Noise for a Near-Infrared ToF LiDAR in Adverse Weather ［J］. IEEE Sensors Journal ， 2023 ， 23 （ 17 ）： 20 412 - 20 422

Szegedy C ， Liu W ， Jia Y ， et al . Going Deeper with Convolutions ［C］. 2015 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）， Boston， MA， USA ， 2015

Woo S ， Park J ， Lee J Y ， et al . CBAM： Convolutional Block Attention Module ［C］//Ferrari V， Hebert M， Sminchisescu C， et al. European Conference on Computer Vision（ECCV） 2018 ， Cham： Springer International Publishing， 2018， 11 211 ： 3 - 19

Wang Q ， Wu B ， Zhu P ， et al . ECA-Net： Efficient Channel Attention for Deep Convolutional Neural Networks ［C］. 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）， Seattle ， WA ， USA ， 2020

Bae G ， Kim B ， Ahn S ， et al . SLiDE： Self-Supervised LiDAR De-snowing Through Reconstruction Difficulty ［C］// European Conference on Computer Vision（ECCV） 2022 ， Springer ， Cham ， 2022 ： 283 - 300

Yu M Y ， Vasudevan R ， Johnson-Roberson M . LiSnowNet： Real-Time Snow Removal for LiDAR Point Clouds ［C］. 2022 IEEE/RSJ International Conference on Intelligent Robots and Systems （IROS）， Kyoto， Japan ， 2022

Liu P ， Zhang H ， Lian W ， et al . Multi-level Wavelet Convolutional Neural Networks ［J］. IEEE Access ， 2019 ， 7 ： 74 973 - 74 985

Seppänen A ， Ojala R ， Tammi K . Multi-echo Denoising in Adverse Weather ［PP/OL］. arXiv ， 2023 ， doi： 10.48550/arXiv.2305.14008 http://dx.doi.org/10.48550/arXiv.2305.14008

Raisuddin A M ， Cortinhal T ， Holmblad J ， et al . 3D-OutDet： A Fast and Memory Efficient Outlier Detector for 3D LiDAR Point Clouds in Adverse Weather ［C］. 2024 IEEE Intelligent Vehicles Symposium （IV）， Jeju Island， Korea ， 2024

Yan X ， Yang J ， Liang Y ， et al . AdverseNet： A LiDAR Point Cloud Denoising Network for Autonomous Driving in Rainy， Snowy， and Foggy Weather ［J］. IEEE Sensors Journal ， 2025 ， 25 （ 5 ）： 8 950 - 8 961

Cortinhal T ， Tzelepis G ， Erdal A E . SalsaNext： Fast， Uncertainty-Aware Semantic Segmentation of LiDAR Point Clouds ［C］//Bebis G， Yin Z， Kim E， et al. Advances in Visual Computing ， Cham ： Springer ， 2020 ： 207 - 222

Hu Y ， Yang J ， Chen L ， et al . Planning-oriented Autonomous Driving ［C］// 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）， Vancouver， BC， Canada， 2023

Piroli A ， Dallabetta V ， Kopp J ， et al . Label-Efficient Semantic Segmentation of LiDAR Point Clouds in Adverse Weather Conditions ［J］. IEEE Robotics and Automation Letters ， 2024 ， 9 （ 6 ）： 5 575 - 5 582

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

融合知识图谱的L4级自动驾驶高精地图智能审核平台设计与实现

融合天地图数据的高精地图语义增强知识图谱构建与应用

高精度地图对地理信息管理的变革需求研究

一种建筑立面点云的镜像噪声自动去除方法

自动驾驶车辆周视相机自动构建矢量地图方法