An analysis on the impact of LiDAR sensor quality on cooperative localization in vehicular networks

Multi-vehicle cooperative perception is a key enabler for improving autonomous driving systems, particularly in complex urban environments where occlusions and sensor limitations impact object detection and tracking. This thesis investigates the performance of cooperative LiDAR-based perception, analyzing its advantages and limitations when multiple vehicles share sensors' information. A simulated scenario in CARLA was developed, where two vehicles, each equipped with LiDAR, track multiple pedestrians. The study compares tracking performance using two different multi-object tracking algorithms: the Joint Probabilistic Data Association (JPDA) and the Gaussian Mixture Probability Hypothesis Density (GMPHD) filter. A key aspect of the analysis focuses on how LiDAR resolution and GNSS (Global Navigation Satellite System) errors affect cooperative perception. Results indicate that cooperative setups improve tracking accuracy in high-resolution configurations (e.g., 64-channel LiDAR) but are significantly impacted by GNSS errors, which degrade performance by introducing false track initialization and increased cardinality errors in the OSPA metric. Interestingly, the 16-channel cooperative setup still outperforms a standalone LiDAR, even in the presence of mild GNSS errors. These findings highlight the conditions under which cooperative perception is beneficial. Future work should explore adaptive cooperation strategies, activating sensor fusion dynamically when occlusions or blind spots are detected, and improving tracking algorithms to mitigate GNSS errors.

La percezione cooperativa multi-veicolo è un elemento chiave per il progresso dei sistemi di guida autonoma, soprattutto in ambienti urbani complessi, dove occlusioni e limiti dei sensori possono compromettere il rilevamento e il tracciamento degli oggetti. In questa tesi vengono analizzate le potenzialità della percezione cooperativa basata su LiDAR, valutandone i vantaggi e le criticità quando più veicoli condividono informazioni provenienti da sensori. Per questo scopo, è stato sviluppato uno scenario simulato in CARLA, in cui due veicoli equipaggiati con LiDAR tracciano più pedoni. L’analisi si concentra sul confronto tra due algoritmi di multi-object tracking: il Joint Probabilistic Data Association (JPDA) e il Gaussian Mixture Probability Hypothesis Density (GMPHD). Un aspetto cruciale dello studio riguarda l’influenza della risoluzione del LiDAR e degli errori GNSS sulle prestazioni della percezione cooperativa. I risultati mostrano che la cooperazione tra veicoli migliora significativamente l’accuratezza del tracciamento, soprattutto con LiDAR ad alta risoluzione (ad esempio, 64 canali). Tuttavia, la presenza di errori GNSS introduce problemi come inizializzazioni errate delle tracce e un aumento degli errori di cardinalità nella metrica OSPA, compromettendo le prestazioni complessive. Un risultato interessante della tesi è l'osservazione che anche una configurazione cooperativa con LiDAR a 16 canali supera le prestazioni di un singolo LiDAR standalone, persino in presenza di errori GNSS moderati. Questi risultati evidenziano le condizioni in cui la percezione cooperativa risulta vantaggiosa. Le future ricerche dovrebbero esplorare strategie di cooperazione più adattive, attivando dinamicamente la fusione dei sensori in risposta a occlusioni e punti ciechi, oltre a migliorare gli algoritmi di tracciamento per mitigare gli effetti degli errori GNSS.