本研究提出了一种NTN方法，解决了激光雷达语义分割在恶劣天气下对“事物”类别预测不准确的问题，通过特征绑定和正则化显著提升了准确性和鲁棒性。

该研究提出了Panoptic-CUDAL数据集，专注于雨天的澳大利亚乡村环境，解决了现有自动驾驶数据集对乡村和恶劣天气考虑不足的问题。数据集记录了高分辨率的LiDAR、摄像头和位姿数据，显著提升了全景和语义分割方法在LiDAR点云上的性能。

在蛇年初四，我参加了群跑，经历了恶劣天气，最终感到寒冷和疲惫。跑后聚餐回家后不适，出现发烧和腹泻，怀疑是胰腺炎或食物中毒。经过几天休息，确认是诺如病毒感染，身体虚弱，马拉松训练计划被迫推迟。

本研究提出逐步语义分割（PSS）方法，以解决自主驾驶在恶劣驾驶条件下的语义分割性能下降问题。该方法通过动态增长的领域特定模型集合，避免了传统方法的灾难性遗忘。实验结果表明，PSS在不同数据集上具有优越的泛化能力，显著提升了恶劣天气和光照条件下的分割效果。

本研究提出了WARLearn框架，以应对恶劣天气下自适应表示学习的挑战。通过减少额外训练，模型在雾天和低光条件下显著提升了性能，增强了对数据分布变化的适应能力。

本研究提出了ADUULM-360数据集，以解决深度估计中的场景多样性和传感器模态不足的问题。研究表明，现有自监督深度估计方法在恶劣天气条件下存在局限性，为未来研究提供了新的方向。

本研究提出了一种协作式LiDAR-4D雷达融合管道，利用V2X-R模拟数据集，解决了恶劣天气下V2X系统的3D物体检测问题。实验结果表明，该方法在雾天和雪天的性能显著提升，具有较大应用潜力。

本研究通过合并LISA和S2TLD数据集，并应用傅里叶领域适应技术，解决了交通信号灯检测中的数据稀缺和恶劣天气性能差的问题。实验结果表明，增强模型在雨天和雾天的表现显著优于未增强模型。

本研究提出了一种图像自适应目标检测方法，旨在改善雾霾和低光等恶劣天气下的检测性能。实验结果表明，ERUP-YOLO在这些条件下表现优异。

本研究介绍了IDD-AW数据集，包含5000对高质量图像和像素级注释，用于复杂驾驶条件下的恶劣天气。对数据集进行了基准测试，并提出了新的度量标准“Safe mIoU”。

该文章介绍了SemanticSpray++数据集，包含了湿地表面情境下相机、激光雷达和雷达数据的标注信息，为自动驾驶汽车在恶劣天气条件下的性能分析提供了综合性测试环境。

本研究利用图像增强技术提升自动驾驶车辆在恶劣天气下的感知性能，发现增强数据训练的模型在恶劣天气夜间表现较好，但在其他恶劣天气条件下表现较差。领域适应方法有待改进。

本研究介绍了IDD-AW数据集，包含5000对高质量图像和像素级注释，用于恶劣天气下的驾驶条件。对数据集进行了基准测试，并提出了新的度量标准“Safe mIoU”。数据集和代码可通过链接获取。

该文章介绍了SemanticSpray++数据集，包含了湿地表面情境下相机、激光雷达和雷达数据的标注信息，为解决自动驾驶汽车在恶劣天气中的表现问题提供了综合性测试环境。该数据集将于2024年6月在指定URL上提供。

该论文提出了一种基于强化学习的方法来表征自主车辆 (LiDAR) 感知系统在恶劣天气条件下的故障，并发现高概率故障并保持可计算性。该方法对未来自主驾驶感知系统的开发具有参考价值。

本文介绍了一种基于点线特征的立体视觉里程计技术，使用注意力图神经网络的特征匹配机制，在恶劣天气和动态光照条件下表现出色。

Cloudflare在全球300多个城市运营，观察到2023年第二季度互联网中断的高峰期，包括政府指导的封锁和其他原因导致的中断。本文总结了观察到的中断情况，但并非详尽或完整列表。