Sensing and obstacle avoidance for a two-wheeled autonomous terrestrial drone

Autonomous delivery has represented a crucial research field for the last years. In this context, YAPE (acronym of Your Autonomous Pony Express) is a research project aimed at designing a self-balancing two-wheel electric terrestrial drone devoted to the autonomous delivery in urban environments. Among the several control problems characterizing such a complex system, this dissertation focuses on sensing and obstacle avoidance tasks, assuming an already established stabilization and motion control. To this purpose, an innovative solution adopts a solid-state 2D LiDAR as the only exteroceptive sensor. Based on the surrounding environment sensing, an original obstacle avoidance algorithm inspired by Vector Field Histogram literature approach is implemented to guarantee goal reaching while safely preventing collisions. Starting from simulation results, the algorithm behavior is tested on the real vehicle in stationary and dynamic conditions, highlighting key strengths and improvable limits.

La consegna autonoma rappresenta uno dei campi di ricerca focali degli ultimi anni. In questo contesto YAPE (acronimo di Your Autonomous Pony Express) è un progetto di ricerca finalizzato alla progettazione di un drone terrestre elettrico a due ruote auto-stabilizzante dedicato alla consegna autonoma in ambienti urbani. Tra i vari problemi di controllo caratterizzanti un sistema così complesso, questo lavoro di tesi si concentra sulla percezione dell'ambiente e la strategia di evitamento degli ostacoli, assumendo un controllo di stabilizzazione e dinamica di movimento già consolidato. A tale scopo, una soluzione innovativa che adotta un LiDAR 2D non rotante come unico sensore eterocettivo è presentata . Sulla base della percezione dell'ambiente circostante, un originale algoritmo di evitamento degli ostacoli ispirato all'approccio del Vector Field Histogram proposto in letteratura è implementato per garantire il raggiungimento della destinazione, evitando le collisioni in condizioni di sicurezza. Partendo dai risultati ottenuti in simulazione, il comportamento dell'algoritmo è testato sul veicolo reale in condizioni ambientali stazionarie e dinamiche, evidenziando punti di forza e limiti migliorabili.