Development of a LiDAR-based perception pipeline for Autonomous Racing

This thesis describes a Lidar-based perception pipeline for an autonomous racecar. Specifically, it has been developed for competing in the Indy Autonomous Challenge with the car of Politecnico di Milano. The competition consists of multi-vehicle races on oval racing tracks. The proposed pipeline identifies from Lidar scans the opponent cars for tracking and estimation of their trajectories. Additionally, the pipeline provides processed Lidar data to the localization module. The pipeline is composed of four main modules: ground removal, segmentation, object classification and measure extraction. For each module, various algorithms that have been considered are presented. Metrics chosen for comparison are described and a sensitivity analysis is performed for selecting hyperparameters. After this step, the algorithms chosen for each module are compared. The comparison between the proposed algorithms is performed using dedicated ground truth, built from multi-vehicle runs acquisitions from Lidar and the GPS data of the opponent cars. Chosen algorithms for the pipeline which runs on the car for the 2022-2023 season are presented. Ground removal and segmentation exploit the Lidar scan structure using range images to represent data. This avoids the computation of the full 3D point cloud, increasing computational efficiency. Object classification uses a learning method with decision trees to classify clusters. Opponent car position and heading extraction from the point cloud are performed by exploiting the track knowledge. The full pipeline is designed to run online at 20 Hz, using a single core per sensor, with limited single-core performance.

Questa tesi descrive una pipeline per perception basata su Lidar per un'auto da corsa autonoma. In particolare, è stata sviluppata per partecipare alla Indy Autonomous Challenge con l'auto del Politecnico di Milano. La competizione consiste in gare tra più veicoli su piste ovali. La pipeline proposta identifica dalle scansioni Lidar le auto avversarie per tracciarle e per stimarne la loro traiettoria. Fornisce inoltre i dati Lidar processati al modulo di localizzazione. La pipeline è composta da quattro moduli principali: rimozione del terreno, segmentazione, classificazione degli oggetti ed estrazione delle misure. Per ogni modulo vengono presentati i vari algoritmi presi in considerazione, vengono descritte le metriche scelte per il confronto e viene eseguita un'analisi di sensibilità per selezionare i valori dei parametri di ognuno. Dopo questa fase, gli algoritmi scelti per ogni modulo vengono confrontati. Il confronto tra gli algoritmi proposti viene effettuato utilizzando un ground truth dedicato, costruita dai dati Lidar e GPS delle auto avversarie acquisiti durante test multi veicolo. Vengono presentati gli algoritmi scelti per la pipeline che verrà eseguita sulla vettura per la stagione 2022-2023. La rimozione del terreno e la segmentazione sfruttano la struttura della scansione Lidar utilizzando le range image per rappresentare i dati. In questo modo si evita di calcolare l'intera point cloud 3D, aumentando l'efficienza computazionale dell'algoritmo. La classificazione degli oggetti utilizza un metodo di apprendimento con alberi decisionali per classificare i cluster. L'estrazione della posizione e della direzione dell'auto avversaria dalla point cloud viene eseguita sfruttando la conoscenza della pista. L'intera pipeline è stata progettata per funzionare online a 20 Hz, utilizzando un singolo core per sensore, con prestazioni single-core limitate.