Development and experimental validation of perception algorithms for an off-road autonomous vehicle

Autonomous vehicles, particularly in unstructured off-road terrains, face significant challenges in real-time understanding of the surroundings and decision-making. This work addresses these challenges by improving the accuracy and reliability of algorithms responsible for ground segmentation, obstacle detection and dynamic object tracking for an off-road autonomous vehicle. A LiDAR-based ground removal algorithm is developed for ground segmentation, featuring optimized bin sizes and a fixed elevation threshold for improved differentiation between ground and non-ground elements. The obstacle detection algorithm uses an Euclidean Clustering approach, enhanced with adaptive voxelization and cluster splitting to strike a fine balance between obstacle representation accuracy and computational efficiency. For dynamic object tracking, an innovative algorithm combines camera and LiDAR data and uses a buffer of camera measures to efficiently manage multiple tracks. The efficacy and robustness of these algorithms are confirmed through rigorous experimental validation in diverse scenarios, demonstrating the online applicability of the proposed algorithms in both on-road and off-road environments.

I veicoli autonomi, in particolare nei terreni fuori strada non strutturati, devono affrontare sfide significative nella comprensione in tempo reale dell'ambiente circostante e nel processo decisionale. Questo lavoro affronta queste sfide migliorando l'accuratezza e l'affidabilità degli algoritmi responsabili della segmentazione del terreno, del rilevamento degli ostacoli e del tracciamento dinamico degli oggetti per un veicolo fuoristrada autonomo. Per la segmentazione del terreno è stato sviluppato un algoritmo di rimozione del terreno basato su LiDAR, caratterizzato da dimensioni ottimizzate delle regioni e da una soglia di elevazione fissa per una migliore differenziazione tra elementi di terreno e non. L'algoritmo di rilevamento degli ostacoli utilizza un approccio di clustering euclideo, migliorato con la voxelizzazione adattiva e la suddivisione dei cluster per raggiungere un buon equilibrio tra l'accuratezza della rappresentazione degli ostacoli e l'efficienza computazionale. Per il tracciamento dinamico degli oggetti, un algoritmo innovativo combina i dati della telecamera e del LiDAR e usa un buffer di misure della telecamera per gestire in modo efficiente più tracce. L'efficacia e la robustezza di questi algoritmi sono confermate da una rigorosa validazione sperimentale in diversi scenari, dimostrando l'applicabilità online degli algoritmi proposti sia in ambienti su strada che fuoristrada.