Autonomous vehicle positioning with LiDAR-only sensing: an example on the Indy Autonomous Challenge Dataset

Accurate real-time localization is vital for autonomous driving (AD) applications, ensuring safety and effective decision-making. Although the Global Navigation Satellite System (GNSS) is the most commonly used positioning system, it may not provide a dependable and reliable positioning service under all conditions, scenarios, and applications. For this reason, a wide range of approaches has been explored in literature to ensure robust localization capabilities, even when GNSS signals are highly degraded or unavailable. This thesis focuses on developing a Light Detection and Ranging (LiDAR)-based localization approach that leverages the detection of known reference points to precisely locate the car without relying on GNSS. To achieve this goal, we analyze the Indy Autonomous Challenge dataset, selecting the light pylons of the Las Vegas Motor Speedway as reference points due to the online availability of their global coordinates. Using geometry-based filters and clustering algorithms such as K-means and Density-Based Spatial Clustering of Applications with Noise (DBSCAN), we exploit the geometrical peculiarities of these objects to detect a subset of the pylons for each LiDAR point cloud and label each element with its coordinates. The 1-to-1 correspondence between the detected pylons and their coordinates is established using the prior map of the track landmarks. Additionally, this correspondence is enriched by computing the distances of the pylons from the racing car. The knowledge of the pylons' coordinates, with their relative range measurements, is used in an extended Kalman filter to estimate the target's state, fusing the information with the adopted motion model. While the filter output shows satisfactory results in estimating the car velocity, achieving accurate bi-dimensional positioning remains challenging due to the extreme nature of the dataset. At highway velocities, velocity-induced errors degrade the quality of the measurements and thus the estimate. However, hypothesizing a time offset between the presented ground truth Global Positioning System (GPS) data and the LiDAR point clouds improves localization performances by 39%, while retaining the same level of velocity accuracy. The results highlight that while a LiDAR-only approach using this minimal prior information is feasible, its effectiveness heavily depends on the specific application and context.

Una localizzazione accurata e in tempo reale è fondamentale per le applicazioni di guida autonoma, garantendo una maggiore sicurezza e la possibilità di compiere decisioni efficaci. Sebbene il Global Navigation Satellite System (GNSS) sia il sistema di posizionamento più utilizzato, i suoi limiti impediscono l'implementazione di un servizio di localizzazione affidabile sotto tutte le condizioni e in tutti gli scenari applicativi. Per questo motivo, in letteratura si possono trovare studi riguardanti approcci di localizzazione alternativi, il cui obiettivo è assicurare sistemi di localizzazione robusti in caso di informazione GNSS non affidabile o assente. Questa tesi si concentra nello sviluppo di un approccio di localizzazione basato su tecnologia "Light Detection and Ranging" (LiDAR). Più in particolare, vogliamo sfruttare la rilevazione di riferimenti noti a priori per localizzare con precisione l'auto senza dipendere dalle informazioni GNSS. Per raggiungere questo obiettivo, analizziamo il dataset della Indy Autonomous Challenge, selezionando i piloni della luce presso il circuito di Las Vegas come punti di riferimento. Utilizzando filtri basati sulla geometria della pista e algoritmi di clustering come il K-means e il Density-Based Spatial Clustering of Applications with Noise (DBSCAN), rileviamo i piloni dai point cloud LiDAR e li contrassegnamo con le loro coordinate globali. La corrispondenza 1-1 è resa possibile dalla mappa dei punti di riferimento, elaborata a priori, e viene arricchita dal calcolo delle distanze piloni-auto. Queste informazioni vengono utilizzate dal filtro di Kalman esteso, che fondendo tali misure con le assuzioni sulla dinamica dell'automobile ne stima accuratamente lo stato. Benché l'output del filtro mostri risultati soddisfacenti nello stimare la velocità, posizionare accuratamente l'auto in due dimensioni rimane un problema a causa dell'estrema natura del dataset. Alle velocità analizzate, errori dovuti a tale dinamicità degradano la qualità delle misurazioni e quindi la stima. Tuttavia, ipotizzando un offset temporale tra i dati GPS e LiDAR, le prestazioni di localizzazione migliorano del 39%, mantendo la stessa accurattezza nello stimare la velocità. Sebbene un approccio del genere basato solo su tecnologia LiDAR sia fattibile, la sua efficacia dipende dal contesto specifico in cui viene applicato.