1、课程导论：恶劣天气对自动驾驶感知的挑战、课程目标与学习路径、感知系统基础架构回顾
1.1 恶劣天气——感知系统的“照妖镜”
大家好，我是这门课的主讲。在自动驾驶这个行当摸爬滚打了快十年，我见过太多“晴天战神、雨天翻车”的案例了。
说实话，咱们平时在公开数据集上刷的mAP（平均精度均值），一到雨雪天，那数字掉得叫一个惨。为什么会这样？因为传感器在恶劣天气下，采集到的数据质量会断崖式下跌。
我举个例子。有一次我在测试一个激光雷达模型，晴天时检测精度高达95%。结果一场小雨下来，精度直接掉到60%多。我当时就懵了。后来一查，原来是雨滴对激光束产生了散射和吸收，点云变得稀疏又嘈杂。
所以，恶劣天气不是小问题。它是自动驾驶从L2迈向L4必须跨过的一道坎。
核心挑战总结：
- 雨雪天气：雨滴/雪花造成传感器信号衰减、产生噪声点云、遮挡视野。
- 雾霾天气：大气散射导致图像对比度下降、颜色失真，激光雷达有效探测距离缩短。
- 夜间/低光照：信噪比降低，相机几乎“失明”，雷达和激光雷达也受影响。
- 强光/逆光：相机过曝，丢失细节；激光雷达可能被太阳光干扰。
你想想看，如果连路都看不清，车怎么敢开？这就是我们这门课要解决的核心问题。
1.2 课程目标——我们要达到什么效果？
这门课不是纸上谈兵。我的目标是，学完之后，你能亲手搭建一套能在雨雪雾天稳定工作的感知系统。
具体来说，我希望大家掌握三件事：
- 理解问题本质：知道恶劣天气到底怎么“坑”了传感器和算法。
- 掌握增强方法：从数据增强、传感器融合到端到端模型，各种招数都要会。
- 具备工程落地能力：不只是跑通demo，还要知道怎么部署到实车上，怎么调优。
我的个人建议：别光看代码。找个下雨天，拿你的模型去跑一跑真实数据。你会发现，很多在实验室里看不出的问题，一到真实场景就全暴露了。
1.3 学习路径——怎么学最有效？
这门课一共10个章节。我建议你按这个顺序来：
| 阶段 | 章节 | 核心内容 |
|---|---|---|
| 基础篇 | 1-3章 | 回顾感知系统架构，理解恶劣天气的物理影响 |
| 方法篇 | 4-7章 | 数据增强、图像去雾、点云补全、多传感器融合 |
| 实战篇 | 8-9章 | 端到端模型训练、部署与调优 |
| 总结篇 | 10章 | 前沿趋势与未来展望 |
我个人习惯是，每学完一个方法，立刻拿真实数据跑一遍。别怕出错。我曾经在去雾模块上折腾了整整两周，最后发现是参数初始化的问题。嗯，踩坑也是学习的一部分。
1.4 感知系统基础架构回顾——温故而知新
在深入恶劣天气之前，咱们先快速过一遍感知系统的基础架构。这部分如果你已经很熟了，可以跳过。但如果你有点模糊，我建议你认真看看。
一个典型的自动驾驶感知系统，通常包含以下几个模块：
- 传感器层：相机、激光雷达、毫米波雷达、超声波雷达。它们各自有优缺点。
- 预处理层：去畸变、时间同步、空间对齐。这一步做不好，后面全是白搭。
- 感知算法层：目标检测、语义分割、跟踪、预测。这是核心。
- 后处理层：NMS（非极大值抑制）、轨迹平滑、置信度过滤。
这里我特别想强调一点：预处理层在恶劣天气下尤其重要。比如，雨滴在图像上造成的模糊，如果能在预处理阶段用去雨算法处理一下，后面的检测模型会轻松很多。
避坑指南：我曾经在时间同步上吃过亏。相机和激光雷达的时间戳没对齐，导致融合后的点云和图像对不上。那一次排查了三天，最后发现是时钟源不同步。所以，做融合之前，务必先检查时间戳！
好了，基础架构就回顾到这里。接下来的章节，我们会逐一攻克恶劣天气下的各种难题。
记住，感知系统就像人的眼睛。晴天谁都能看清，但只有经过风雨考验的，才是真正可靠的。
下一章，咱们聊聊数据增强——怎么用“假”数据训练出“真”能力。