LIDAR es fundamental para los sistemas de percepción de vehículos autónomos, pero su rendimiento es sensible a las condiciones climáticas adversas. Un detector de objetos entrenado mediante aprendizaje profundo con las nubes de puntos LIDAR en tiempo claro no logra alcanzar una precisión satisfactoria en condiciones climáticas adversas. Dado que recolectar datos LIDAR en condiciones climáticas adversas como tormentas de polvo es una tarea formidable, proponemos un nuevo marco de aumento de datos basado en simulación física. Nuestro modelo tiene en cuenta el ancho finito del pulso láser y la divergencia del haz. Las partículas de polvo discretas se distribuyen aleatoriamente en el entorno de los sensores LIDAR. Los efectos de atenuación de las dispersión se representan de forma implícita con coeficientes de extinción. Los ecos devueltos coincidentemente de múltiples partículas se evalúan superponiendo explícitamente su potencia reflejada desde cada partícula. Basándonos en el modelo anterior, la posición e intensidad de las nubes de puntos reales recolectadas en condiciones de polvo pueden ser modificadas. Se proporcionan experimentos numéricos para demostrar la efectividad del método.