起因：通过学习传统算法发现当前算法的一个问题，依赖人为设定的阈值参数，不同点云量需要不停地修改参数来达到最好的效果，根据点云紧密远疏的特点，点云的密度与距离到底存在一个什么样子的映射关系？利用这种映射关系，怎样自适应地调节阈值参数?

《Towards Characterizing the Behavior of LiDARs in Snowy Conditions》

讨论和结论

降雪条件下，4种常用激光雷达的效果。905nm
某个激光雷达降雪时，回波的峰值平均率可达15%
建立一个简单的概率模型，考虑范围对雪花干扰的影响。
对于我们的实验设置，这个模型可以近似为对数正态分布。最重要的是，我们的数据表明，在10米以外的范围内，雪花对LiDAR的影响非常有限。
穿过雪花的光束，强度会减弱，再经过物体反射，其强度衰减地与雪点反射的光一样。
最远射程的点可能因为衰减而无法被接收。
反射强度与表面类型的关系。

引言

背景：激光雷达受降雪的影响
研究目的：探索这种影响特性

时间统计信息提取

分析六个完整暴风雪持续期间四个传感器的时间行为。

上述两个图可以看到静态物体点云的四个扫描帧间的变化是很小的。

从上面的两个图可以看到降雪的点云四个扫描帧间，分布变化很大，且在五米内的位置。
然而，这种差异可能不足以影响依赖激光数据的算法。

平均的降雪回波概率。

作为距离函数的降雪回波分布（重点）

关注距离x如何影响雪花触发测量的概率。换句话说，超过一定范围后，传感器就看不到雪花了。
使用直方图去估计概率密度函数

降雪检测距离影响的建模

许多研究者提出了关于传感器的概率模型。

给定W天气，降雪点引起的回波，对应的概率为，引入距离x作为条件，，有了这样一个公式，就可以在统计上更合理地处理信息，例如在贝叶斯概率框架内。使用归一化来比较点云数量差距较大的传感器。
点云密度随范围变化图如下：

总的形状服从对数正态分布
对于所有的传感器，我们也可以得出结论，在x > 10米之外，雪花不再被检测到，即它们变得隐形。
如图6中红色虚线所示，是传感器光学探测到雪花的概率作为范围x的函数。

集中性的破坏：当统计样本的参数分布范围极大时，正态分布也就不再能刻画统计样本的性质，需要使用对数正态分布。
我认为聚类点云的knn邻域距离也服从深度x的正态分布函数