Vehicle-to-Vehicle cooperative LiDAR perception based on graph neural networks

The imminent rise of autonomous driving, slated for realization by 2030, promises a transformative era marked by enhanced safety, comfort, and operational efficiency. The journey from driver assistance to fully autonomous systems presents challenges, with LiDAR technology playing a crucial role. In this paper, we explore cooperative perception strategies for LiDAR point clouds, addressing challenges like occlusion and limited data sharing. Current cooperative perception works propose a framework in which each vehicle shares the position of the detected objects. These methods experience significant estimation errors and noise due to insufficient local observation. Other studies develop neural networks to compress and reconstruct entire point clouds, minimizing the reconstruction error. Even though these studies prove to be effective, the correct functioning of the algorithm requires its deployment on all connected vehicles. The purpose of this paper is to investigate an alternative approach where raw data can be transmitted without relying on the latter requirement. We design and test a point selection algorithm based on a graph neural network that aims to identify which points belonging to a point cloud acquired by a vehicle are worth to be transmitted to another vehicle. Our experiments are conducted in a simulated vehicular urban scenario relying on realistic LiDAR and Vehicle-to-vehicle communications simulators. Experimental results show that our algorithm can detect important areas that cannot be perceived by the receiver vehicle with mean 81% validation accuracy over different communication bandwidths, reducing the redundant transmitted data. Challenges in training convergence speed and hyperparameters search are acknowledged, suggesting avenues for further developments.

L'imminente ascesa della guida autonoma, la cui realizzazione è prevista entro il 2030, promette un'era trasformativa caratterizzata da maggiore sicurezza, comfort ed efficienza operativa. Il percorso che porta dall'assistenza alla guida ai sistemi completamente autonomi presenta delle sfide e la tecnologia LiDAR svolge un ruolo cruciale. In questo articolo esploriamo le strategie di percezione cooperativa per le nuvole di punti acquisite tramite LiDAR, affrontando sfide come l'occlusione e la condivisione limitata dei dati. Gli attuali lavori sulla percezione cooperativa propongono un contesto in cui ogni veicolo condivide la posizione degli oggetti rilevati. Questi metodi presentano errori di stima e rumore significativi, dovuti a un'osservazione locale insufficiente. Altri studi sviluppano reti neurali per comprimere e ricostruire intere nuvole di punti, minimizzando l'errore di ricostruzione. Anche se questi studi si dimostrano efficaci, il corretto funzionamento dell'algoritmo richiede la sua implementazione su tutti i veicoli connessi. Lo scopo di questo lavoro è quello di studiare un approccio alternativo in cui i dati grezzi possano essere trasmessi senza fare affidamento su quest'ultimo requisito. Progettiamo e testiamo un algoritmo di selezione dei punti basato su una rete neurale a grafo che mira a identificare quali punti appartenenti a una nuvola di punti acquisita da un veicolo meritano di essere trasmessi a un altro veicolo. I nostri esperimenti sono stati condotti in uno scenario urbano veicolare simulato, basato su simulatori realistici di LiDAR e di comunicazioni V2V. I risultati sperimentali mostrano che il nostro algoritmo è in grado di rilevare aree importanti che non possono essere percepite dal veicolo ricevente con un'accuratezza dell'81%, riducendo la trasmissione di punti ridondanti. Sono state riconosciute le sfide relative alla velocità di convergenza dell'addestramento e alla ricerca di iperparametri, suggerendo strade per ulteriori sviluppi.