Obstacles state estimation for an autonomous vehicle in curvilinear road co-ordinates

Advanced Driving Assistance Systems (ADAS) perform various tasks with an assumption that environment around ego vehicle is correctly perceived. Hence, for proper functioning of these systems, correct environment perception is necessary. Especially for development of assistant systems for lane keeping, adaptive cruise control, and platooning, knowledge of the dynamic component of the environment within the proximity of ego vehicle is crucial. This dissertation proposes two different curvilinear co-ordinates-based filtering approaches for obstacles state estimation and tracking in ego vehicle proximity. Global Nearest Neighbour (GNN) filter is developed assuming number of obstacles to be known, while estimates are provided through Unscented Kalman Filtering (UKF). Then, Random Finite Set (RFS)-based Gaussian Mixture-Probability Hypotheses Density (GM-PHD) filter is proposed to estimate the number of the obstacles and their state assuming an unknown number of obstacles. Low level sensor fusion architecture is designed to solve the spatial and temporal asynchronicity of detections obtained from Lidar and Radar sensors. Furthermore, integration of high definition road data is done in estimation procedure to enhance road level measurement filtering and obstacle localization in road co-ordinates. Validation of the proposed algorithms is done using the scenarios developed in Matlab software and experimental data collected during experimental campaigns carried in Monza ENI Circuit.

Gli ADAS (i cosiddetti Advanced Driver Assistant Systems), svolgono la propria funzione di assistenza alla guida in funzione dell’ambiente stesso all’interno del quale il veicolo sta procedendo. Sistemi di assistenza al mantenimento della corsia, piuttosto che alla regolazione della velocità in funzione dei veicoli precedenti, richiedono che l’attuale stato dell’ambiente circostante sia loro continuamente fornito per garantire un corretto funzionamento. Il presente lavoro di Tesi riguarda lo sviluppo e la validazione di due diversi algoritmi per la stima dello stato degli ostacoli che si trovano nell’intorno del veicolo. Tali stime sono associate ai vari ostacoli lungo successivi istanti di tempo (tracking), e sono fornite in coordinate curvilinee, solidali quindi alla strada percorsa. Il filtro basato su algoritmi di tipo GNN è basato sull’assunzione che il numero totale di ostacoli da stimare per ogni istante di tempo sia noto, mentre la stima dello stato si ottiene tramite filtro di Kalman unscented. Per quanto riguarda invece il filtro GM-PHD basato su RFS, consente di ottenere la stima dello stato di tali ostacoli senza avere una conoscenza pregressa del loro numero esatto. Inoltre, un’architettura di basso livello fornisce la sensor fusion tra i diversi sensori utilizzati (radar e lidar) per sopperire al loro asincronismo. La stima fornita in coordinate curvilinee è possibile grazie alla conoscenza pregressa della strada percorsa. Gli algoritmi presentati sono stati validati tramite diverse simulazioni sviluppate in Matlab che attraverso dati sperimentali raccolti durante alcuni test svolti nel circuito ENI di Monza.