Development of a LiDAR-based target detection and tracking system for the Indy Autonomous Challenge

This thesis work describes a LiDAR-based target tracking and localization algorithm developed for an autonomous racecar. It was designed for the Dallara AV21 of Politecnico di Milano, that won third place at the Indy Autonomous Challenge, the first competition of self-driving racecars. Perception of the external environment is crucial for autonomous vehicles. This particular racing application requires reliable obstacle detection, precise target tracking and speed estimation, and redundancy in the localization estimation, all of which with little computational time and delay. The proposed algorithm uses LiDAR data to provide, for each detected obstacle, an estimate of its full state, including velocity and heading. It achieves this result by detecting objects from height differences in the Point Cloud, through the use of a bidimensional representation of the scan data. A moving average filter is then used to keep track of static obstacles, while an Extended Kalman Filter with virtual measurements provides estimation of the full dynamics of moving obstacles. Furthermore, in a novel approach to LiDAR-based localization on a racetrack, the same bidimensional Point Cloud representation is used to find geometric primitives in the scan data, in order to estimate the distance from track walls. The validation of the algorithm performances is then presented, using both the experimental data, gathered during the Indy Autonomous Challenge, and simulations of worst-case scenarios, performed on an internally developed simulator.

Questo lavoro di tesi descrive un algoritmo di tracciamento bersagli e localizzazione, basato su LiDAR, sviluppato per un'auto da corsa autonoma: è infatti stato progettato per la Dallara AV21 del Politecnico di Milano che ha vinto il terzo posto della Indy Autonomous Challenge, la prima competizione di auto da corsa a guida autonoma. La percezione dell'ambiente circostante è di cruciale importanza per i veicoli autonomi. Questa particolare applicazione di competizione richiede un'individuazione affidabile degli ostacoli, preciso tracciamento e stima della velocità, e ridondanza nella stima della localizzazione, il tutto fornito con brevi ritardi e tempi di calcolo. L'algoritmo proposto usa i dati LiDAR per fornire, per ogni ostacolo individuato, una stima del suo stato completa di velocità ed orientamento. Questo risultato viene raggiunto individuando gli ostacoli dalle differenze di altezza presenti nella Point Cloud, attraverso l'uso di una rappresentazione bidimensionale dei dati di scansione. Successivamente un filtro a media mobile viene usato per tracciare gli ostacoli stazionari, mentre un Filtro Kalman Esteso con misure virtuali fornisce una stima della dinamica completa degli ostacoli in movimento. Inoltre, un approccio innovativo alla localizzazione basata su LiDAR su un tracciato di gara, la stessa rappresentazione bidimensionale di una Point Cloud viene utilizzata per cercare primitive geometriche nei dati di scansione, con lo scopo di stimare la distanza dai muri esterni del tracciato. I risultati e le performance dell'algoritmo sono infine presentati, usando sia dati sperimentali, acquisiti durante la Indy Autonomous Challenge, che simulazioni di scenari più sfavorevoli, ottenute da un simulatore sviluppato internamente.