统计数据显示，雨雪等顽劣天气下行车事变的发生率较失常天气高出 70%。
风沙、浓雾、雨雪等极其天气，对路况条件、驾驶员视线和场景判断带来极大烦扰。无论是老成持重的老手司机，亦或是驾龄丰盛的老司机，雨雪天行车均无异于一场噩梦。
而对于“模拟”有人驾驶的主动驾驶汽车，顽劣天气对环境感知零碎的影响则更为严重。
是否具备顽劣天气条件下的失常行驶能力，是测验主动驾驶汽车是否上路的终极“试金石”。
一. 天气对感知零碎的影响
为了确保主动驾驶车辆在不同场景下均能够做出正确判断，须要对周围环境信息进行实时动静获取和辨认，这些信息包含但不限于自车的状态、交通流信息、路线情况、交通标志等，以满足车辆决策零碎的需要。
换言之，环境感知起着相似人类驾驶员“眼睛”、“耳朵”的作用，是实现主动驾驶的前提条件。
目前，环境感知技术有两种技术路线，一种是以摄像机为主导的多传感器交融计划，另一种是以激光雷达为主导，其余传感器为辅助的技术计划，这两种计划罕用的传感器品种包含但不限于激光雷达、毫米波雷达、超声波雷达、摄像头等。
不同传感器在面对不同天气时，所受到的影响是不同的，目前临时没有任何一种传感器能够完满应答任何天气。
1. 激光雷达
激光雷达 + 高精地图，是目前主动驾驶一种支流传感器组合计划。激光雷达精度高、穿透力强，能够实时扫描周围环境建设三维模型，领有很高的可靠性和精确性，但对顽劣天气的适应性则略微差一些。
雨天对激光雷达的影响绝对较小，除暴雨等极其降雨条件下，激光雷达根本不会受到任何影响。
雪天和风沙天则会对激光雷达造成显著影响。与降雨不同，雪由固体物和雪花组成，很容易沉积造成障碍物(风沙天也容易造成堆积物)，从而影响激光雷达的扫描间隔，或者导致激光雷达的谬误探测。
2. 毫米波雷达
毫米波雷达探测距离远，精度虽没有激光雷达高，但在泛滥传感器类别中仍处于较高水准，次要作为测距和测速传感器而存在。
毫米波雷达对雾、烟、灰尘的穿透能力极强，在顽劣天气条件下，整体体现更好。
但毫米波雷达也并非全无毛病，其在有雨有雾或大雨的天气下体现欠佳，性能会呈现大幅降落，且毫米波雷达也存在对行人辨认有余的问题。
3. 超声波雷达
超声波雷达具备频率高、波长短、绕射景象小、方向性好、可能成为射线而定向流传等长处，但探测间隔很短，因而罕用于短距离测量，如泊车场景。
超声波雷达受天气情况影响大，不同温度状况下，测量的间隔也不尽相同，在测量较远距离指标时，其回波信号会比拟弱，无奈准确形容障碍物的地位。
4. 摄像头
摄像头是受天气影响最为重大的一种传感器。一滴雨、一粒沙子、一片雪花都会对摄像头造成遮挡，无奈正确感知周围环境。
此外，摄像头也是少有的在失常天气下，也会呈现被烦扰的传感器。晴天阳光的照耀、玻璃的反射都会使摄像头的可见度升高到简直为零，光引起的外表反射也会呈现混同视线，从而造成误判的状况。
二. 如何保障顽劣天气下的可靠性?
主动驾驶一项重要潜在利用劣势就是进步行车安全性。
现实状态下，通过利用车联网等技术，主动驾驶汽车能够无效感知路况信息，自动控制与四周车辆间距，交通事故发生率会维持在一个非常低的水准。
为了达到现实状态下的主动驾驶，以后仍需解决各种技术问题，天然也包含顽劣天气下的行车安全性。
目前，晋升顽劣天气下主动驾驶汽车行车安全性的形式次要有多传感器交融、顽劣天气训练数据集、模仿仿真等多种形式。
1. 多传感器交融
繁多传感器在面对顽劣天气时会呈现各种各样的问题，但通过多传感器交融的形式，能够做到优势互补，取长补短。
此外，多传感器交融也能够在某些状态下，如某一种传感器呈现故障的环境下，额定提供肯定平安冗余度。
这种谬误或故障可能是由天气起因或是人为起因 (例如，对摄像头或雷达的电子干扰或人为烦扰) 导致。
2. 训练数据集
感知算法的训练与调优离不开各种数据集。
为了让主动驾驶汽车能在各种环境下均能精确辨认路况信息，并做出正确判断，就须要为算法投喂品种多样的路况数据。
目前，用于感知算法训练的数据集多以良好天气场景为主，如晴天或阴天。
顽劣天气场景下的数据集不仅总量少，场景覆盖度也同样有余。
呈现这种情况的起因一方面是因为顽劣天气呈现的概率绝对较小，实现主动驾驶是一个循序渐进的过程，优先解决大场景，后续逐步解决小场景是一种事实且卓有成效的计划。
另一方面起因则是顽劣天气数据的采集离不开有人驾驶采集车。
顽劣天气下，有人采集车上路行驶同样会面临较高的行车平安危险，采集存在肯定难度。
事实上，除了采集存在难度以外，顽劣天气数据集的标注解决同样也是一个难题。不同于良好天气下采集的数据，顽劣天气下采集失去的数据集往往存在图像含糊、无奈精确分辨物体等问题，解决效率和数据品质均较难以满足理论需要。
曼孚科技深谙顽劣天气数据集的标注解决之道。无论是雨天、雪天还是风沙天等，曼孚科技均积攒了较为丰富的教训，MindFlow SEED 数据服务平台也针对顽劣天气场景做出优化，AI 预辨认算法加持下，含糊图像的辨认解决准确率失去无效晋升。无论是数据处理效率亦或是数据产出品质，均能够满足大规模顽劣天气感知算法的训练需要。
3. 仿真与模仿
风沙、雨雪等顽劣天气受节令、地区等因素影响较大，热带地区无奈采集到降雪环境相干数据集，水草丰茂地区也很难呈现风沙天气。
然而哪怕是在适合的区域，顽劣天气的呈现也是一件小概率事件。为了采集失去足够多的数据集，须要付出的工夫老本与人力老本均非常昂扬。
另外，正如上文所述，顽劣天气对采集车的行车平安也是一项考验，有人驾驶的数据采集车在顽劣天气下并不能做到百分百平安。
仿真与模仿平台的呈现则很好地解决了此类问题。实验室能够代替理论环境做测试。通过在关闭环境下模仿雨雪、雾霾、风沙等天气，既与实在环境相差无几，又高度可控，对人员或设施的平安危害能够升高到一个很低的程度。
除以上三种形式以外，V2X、路面检测、先验地图等也是解决顽劣天气主动驾驶平安行驶的无效形式。
随同着泛滥解决方案的利用，主动驾驶汽车在顽劣天气下的体现愈发持重，全场景、齐全主动驾驶将来可期。