An outdoor radar-based 3D mapping system for autonomous navigation in the agricultural framework

In the agricultural framework, autonomous vehicles represent a disruptive solution to face the exponentially increasing demand of resources from the field while the working power is steadily decreasing. In this context, where innovation meets one of the hardest working environments for a robot, this work proposes an innovative solution to perform 3D outdoor mapping deploying uniquely a radar sensor. Radars’ characteristics, with respect to other similar sensors’, typically lack in performances as they suffer of multi-path reflection noise, but they have few not negligible advantages: being invariant to weather condition, great operating range of measures and, ultimately, good capacity in detecting moving objects. The developed algorithm aims at dramatically rising the measuring quality of the original radar, in terms of reliability, noisiness and density, while retaining all the good properties mentioned. The improvement attained through this methodology is reached thanks to two subsequent phases: an analytical one of denoising and clustering, and an upsampling one. The latter is obtained through a machine learning algorithm trained with coherent lidar’s ground truth data. The dataset for the training and validation has been sampled using the Irus autonomous vehicle at the ATB institute in Potsdam (Germany).

I veicoli autonomi rappresentano, nel quadro dell’agricoltura, una soluzione rivoluzionaria per fronteggiare la richiesta sempre più alta di risorse provenienti dai campi, mentre la forza lavoro continua a diminuire. In questo contesto, dove l’innovazione incontra uno degli ambienti di lavoro più duri per un robot, questo lavoro propone una soluzione innovativa per fare mappatura 3D all’aperto con il solo utilizzo di un sensore radar. Le caratteristiche dei radar, rispetto a quelle di altri sensori simili, tipicamente hanno prestazioni scarse poiché soffrono di rumorosità dovuta a riflessioni multiple, ma possiedono anche alcuni vantaggi non trascurabili: sono invarianti alle condizioni metereologiche, hanno una ottima portata di misurazione e buone capacità di rilevare oggetti in movimento. L’algoritmo sviluppato ha come obiettivo quello di migliorare drasticamente la qualità della misurazione del radar originale, in termini di affidabilità, rumorosità e densità, mentre tutte le buone proprietà menzionate vengono mantenute. Il miglioramento ottenuto dall’algoritmo è raggiunto grazie a due fasi principali: una fase analitica di rimozione del rumore e raggruppamento, e una fase di addensamento ottenuta grazie ad un algoritmo di apprendimento automatico allenato utilizzando dati coerenti di un sensore lidar, considerati come verità assoluta. L’insieme dei campioni per l’allenamento e la validazione è stato raccolto utilizzando il veicolo autonomo Irus all’istituto di ricerca ATB di Potsdam (Germania).