A kutatás célja az volt, hogy feltárjam, miként lehet a LiDAR szenzorok mérési pontosságát javítani nem ideális időjárási körülmények esetén, különös tekintettel a magas páratartalomra, változó hőmérsékletre és külső fényhatásokra. A vizsgálat során egy egyedileg tervezett és kivitelezett mérőállomás, valamint egy Deep Learning alapú modell volt alkalmazva. A szenzorok és az adatgyűjtő rendszer egy zárt, vízpára- és fényvédett mérőállomásba voltak integrálva, amely biztosította a stabil mérési környezetet a laboratóriumi tesztekhez. A mérések során különböző környezeti paraméterek mellett rögzítésre kerültek a LiDAR által mért adatok, melyek kiszűrésre és átlagolásra szorultak a zajos vagy irreleváns adatok elkerülése végett. A modell képes volt a torzított méréseket a referenciaként szolgáló „Ground Truth” adatokhoz közelíteni. A tanulási folyamat során a modell figyelembe vette a környezeti tényezőket (páratartalom, hőmérséklet, fényintenzitás), és ezek alapján korrigálta a LiDAR által mért távolságokat. A modell több mint 52%-kal javította a LiDAR szenzor pontosságát nem ideális körülmények esetén, ami jelentős előrelépést jelent a szenzor megbízhatóságának növelésében. A kutatásom bizonyította, hogy a LiDAR szenzorok időjárási érzékenysége hatékonyan kompenzálható egy megfelelően kialakított mérőállomással és egy jól betanított Deep Learning modellel. Ez a megközelítés jelentős lépést jelenthet az önvezető járművek és más automatizált rendszerek megbízhatóságának növelésében.