自动驾驶在雨雪雾天气下的感知准确性是行业难题。一种名为SPTANet的新型深度学习网络，通过融合时空注意力机制，能有效去除恶劣天气对激光雷达点云的干扰，为全天候自动驾驶提供了更为可靠的技术保障。
智能速览
恶劣天气中的悬浮颗粒会严重污染LiDAR点云数据
SPTANet是首个能同时处理雨、雪、雾三种噪声的去噪网络
网络集成动态稀疏卷积、空间加权注意力和时序残差压缩模块
实验表明其去噪性能在F1分数和MIoU上均优于主流方法
该方案在保持高精度的同时兼顾了计算效率
精华内容
自动驾驶要迈向全天候运行，首要攻克的就是恶劣天气下的感知难题。一种名为SPTANet的新网络，正为此提供了一套高效的解决方案。
核心挑战与痛点
在自动驾驶领域，激光雷达（LiDAR）是关键的感知传感器。然而，当车辆行驶在雨、雪、雾等恶劣天气中时，空气中的悬浮颗粒（如雨滴、雪花、水汽）会散射激光束，生成大量远离物体真实位置的噪声点。
这些噪声点严重污染了点云数据，导致感知系统对环境的理解出现偏差，无法准确识别障碍物、车道线等关键信息，直接威胁行车安全。因此，如何有效滤除这些动态噪声，成为提升自动驾驶系统鲁棒性的核心挑战。
SPTANet网络架构
SPTANet网络通过多模块协同工作来应对复杂的噪声环境。首先，它采用动态稀疏卷积（DSC）构建K近邻结构，结合自适应权重卷积，高效处理非欧几里得结构的点云数据。
其次，网络引入点云空间加权注意力模块（PCSW），通过空间注意力与加权池化动态调整特征权重，强化对有效环境特征的识别，抑制噪声干扰。最后，利用时序残差压缩模块（TRCM）分析连续3帧点云序列，捕捉噪声在时间维度上的变化规律，精准滤除动态噪声。
性能实测对比
为验证SPTANet的有效性，研究团队在DENSE、SnowyKITTI和WADS三个公开数据集上进行了严格测试。实验结果非常突出，在雨、雾、雪三种天气下，其去噪性能的F1分数分别高达95.73%、96.45%和97.24%。
这一数据显著超越了3D-OutDet、LiSnowNet等现有主流网络。尤其在雪天场景，其精度和特征保留能力优势更为明显。此外，在平均交并比（MIoU）和平均运行时间的综合对比中，SPTANet同样展现出领先水平，证明了其在精度与效率上的优异平衡。
技术应用与前景
SPTANet的成功开发，意味着自动驾驶车辆在面对复杂多变的气象条件时，其感知系统的稳定性和可靠性将得到大幅提升。这不仅是技术上的突破，更是推动自动驾驶技术从特定场景向全天候、全地域应用迈进的关键一步。
未来，该技术有望被集成到车载计算平台中，成为自动驾驶感知算法的标准模块，显著提升车辆在雨雪天气下的安全性，为用户带来更安心的智能出行体验。
SPTANet的提出，有效提升了复杂气象环境下LiDAR感知的稳定性和准确性，是自动驾驶技术迈向全天候、全地域应用的重要一步。未来，这一技术能否进一步集成到车载系统中，并在更多极端场景下得到验证？
