2. 物理基础：雨雾对激光雷达点云的散射与衰减模型
好，咱们进入正题。上一章聊了聊恶劣天气对感知的整体挑战，这一章咱们得把物理底子打牢。说白了，激光雷达在雨雾天为什么表现差？不是它“笨”，是光路被干扰了。我当年刚入行时，总觉得算法调调参数就能搞定，后来被现实狠狠教育了一顿——不懂物理模型，调参就是瞎蒙。
2.1 激光雷达的工作原理回顾
先简单回顾一下。激光雷达发射一束脉冲激光，打到目标后反射回来，接收器记录时间差，算出距离。这原理听着简单，对吧？但问题在于，激光在空气中传播时，遇到雨滴、雾滴这些颗粒，会发生两件事：散射和衰减。
嗯，这里要注意。散射不是把光“弄没了”，而是把光的方向改变了。衰减则是能量被吸收或散射后，回到接收器的光强变弱了。这两个效应叠加，点云就变得稀疏、噪声大、甚至出现“假点”。
核心结论：雨雾对激光雷达的影响，本质上是光信号的信噪比下降。信噪比一低，检测距离缩短，虚警率飙升。
2.2 雨滴的散射模型：Mie散射理论
雨滴的尺寸通常在0.1mm到5mm之间，这比激光的波长（一般是905nm或1550nm）大得多。所以，雨滴对激光的散射属于Mie散射范畴。Mie散射的特点是：散射光强分布不均匀，前向散射很强，后向散射较弱。
我在项目中遇到过一件事。有一次测试大雨场景，发现点云里出现了一些“漂浮”的点，位置在车前方几米处。一开始以为是传感器故障，后来一查，是雨滴的后向散射造成的。你想想看，激光打到雨滴上，一部分光直接反射回来，接收器就以为那里有个物体。这就是典型的“雨滴噪声”。
2.2.1 散射系数与雨强的关系
雨滴的散射能力，用散射系数σ来描述。这个系数跟雨强R（mm/h）有经验公式：
σ = a * R^b其中a和b是经验参数，不同波长略有差异。对于905nm激光，常见的取值是a≈2.8，b≈0.65。什么意思呢？雨强从1mm/h增加到10mm/h，散射系数大约增加4.5倍。也就是说，中雨到大雨，点云质量会断崖式下降。
| 雨强等级 | 雨强R (mm/h) | 散射系数σ (km⁻¹) | 点云质量影响 |
|---|---|---|---|
| 小雨 | 0.5 - 2 | 1.5 - 3.5 | 轻微噪声，可忽略 |
| 中雨 | 2 - 10 | 3.5 - 12 | 点云稀疏，需滤波 |
| 大雨 | 10 - 50 | 12 - 40 | 严重衰减，检测困难 |
| 暴雨 | > 50 | > 40 | 基本失效 |
个人经验：我建议在算法设计时，把雨强作为一个输入参数。如果车载传感器能估算雨强（比如通过雨量传感器或摄像头），就可以动态调整滤波阈值和检测置信度。我在一个项目中就是这么做的，效果比固定参数好很多。
2.3 雾的衰减模型：Beer-Lambert定律
雾和雨不一样。雾滴的尺寸很小，通常在1μm到100μm之间，跟激光波长差不多甚至更小。这时候，散射机制从Mie散射过渡到瑞利散射（对于更小的颗粒）和Mie散射的混合。但工程上，我们更关心的是衰减，也就是光强随距离的指数衰减。
这个衰减规律，用Beer-Lambert定律描述：
I(d) = I₀ * exp(-α * d)其中I₀是发射光强，I(d)是传播距离d后的光强，α是衰减系数。α越大，衰减越快。雾的衰减系数跟能见度V直接相关：
α ≈ 3.912 / V能见度V的单位是km。举个例子，能见度50m（浓雾），α≈78 km⁻¹。这意味着激光每传播10m，光强就衰减到原来的e⁻⁰·⁷⁸ ≈ 0.46倍。传播50m后，光强只剩原来的不到2%。
注意：这个模型是简化版。实际雾滴的尺寸分布、湿度、温度都会影响α。我曾经在实验室里测过不同雾浓度下的衰减，发现理论值和实测值有10%-20%的偏差。所以，算法里最好留点余量，别把模型当真理。
2.4 雨雾联合作用：叠加效应
现实场景中，雨和雾经常同时出现。比如雨后的雾气，或者毛毛雨加轻雾。这时候，总衰减系数是雨衰减系数和雾衰减系数的叠加：
α_total = α_rain + α_fog但要注意，这不是简单的加法。雨滴和雾滴之间还会互相影响，比如雨滴会冲刷掉一部分雾滴，或者雾滴附着在雨滴上改变散射特性。不过，工程上我们通常用这个近似公式，精度够用。
我建议你在做仿真时，把雨和雾分开建模，然后叠加。这样能更真实地模拟复杂天气。我在一个项目中就是这么做的，仿真结果和实测数据吻合度在85%以上。
2.5 对点云的具体影响
了解了物理模型，咱们来看看点云到底会变成什么样。我总结了三个主要影响：
- 点云稀疏化：衰减导致远距离目标回波太弱，接收器检测不到。有效检测距离可能从100m降到30m。
- 噪声点增多：雨滴/雾滴的后向散射产生大量虚假点，分布在传感器附近。
- 强度值失真：回波强度不仅跟目标反射率有关，还受衰减影响。同一个目标，晴天和雨天的强度值可能差好几倍。
避坑指南：我曾经犯过一个错误——直接用强度值做地面分割。结果雨天时，地面强度值大幅下降，导致地面点被误判为障碍物。后来我改用距离补偿后的强度值，才解决了这个问题。所以，用强度值之前，一定要做衰减补偿。
2.6 小结与思考
这一章咱们把雨雾对激光雷达的物理影响讲清楚了。核心就两点：Mie散射模型描述雨滴的影响，Beer-Lambert定律描述雾的衰减。两者叠加，就是恶劣天气下点云退化的根本原因。
你可能会问：知道了这些模型，怎么用到算法里？别急，下一章咱们就讲具体的滤波和增强算法。但在此之前，我建议你先把这些公式在代码里实现一遍，跑几个仿真看看效果。亲手做过，印象才深。
嗯，今天就到这儿。记住，物理模型是算法的根基。根基不稳，上层建筑再漂亮也是空中楼阁。