V2I-based framework for road user future position prediction using LiDAR heightmap

The following thesis, part of the National Recovery and Resilience Plan (PNRR) for enhancing road user safety, presents a novel Vehicle-to-Infrastructure (V2I) framework for the prediction of future positions of road users within the area of fixed LiDAR sensors, and then exchanging the generated information to all AVs nearby. While the framework was created specifically for OSDome LiDAR data, it is then proved to be applicable to all types of LiDAR sensors. Due to the absence of public OSDome datasets designed for this specific scenario, a custom dataset was generated using CARLA simulator, with multiple LiDARs placed inside the map. The raw LiDAR data is processed into heightmaps, a bird’s-eye view of the area that preserves rich spatial information from the 3D point cloud while significantly reducing data dimensionality. The simulation snapshots are converted into occupancy grid maps. A segmentation network is then trained, producing multiple occupancy maps as output, effectively predicting the presence and future positions of users in the scene at different time steps. The proposed system distinguishes itself from prior work that primarily focused on LiDAR point cloud data or vehicle-mounted sensors, designing an infrastructure-driven framework based on heightmaps.

La seguente tesi, parte del Piano Nazionale di Ripresa e Resilienza (PNRR) per il miglioramento della sicurezza degli utenti della strada, presenta un innovativo sistema per la comunicazione Veicoli-verso-Infrastrutture (V2I) per la previsione delle posizioni future degli utenti stradali all’interno dell’area coperta da sensori LiDAR fissi, condividendo successivamente le informazioni generate con tutti i veicoli autonomi circostanti. Sebbene il sistema sia stato sviluppato specificamente per i dati dei sensori LiDAR OSDome, viene in seguito dimostrato come esso possa essere applicato a qualsiasi tipologia di sensore LiDAR. A causa dell’assenza di dataset pubblici basati sul sensore OSDome progettati per questo specifico scenario, è stato generato un dataset personalizzato utilizzando il simulatore CARLA, con molteplici sensori LiDAR collocati all’interno della mappa. I dati grezzi dei LiDAR vengono elaborati in heightmap, una rappresentazione dall’alto dell’area che conserva la ricca informazione spaziale delle nuvole di punti 3D riducendo al contempo in maniera significativa la dimensionalità dei dati. Le istantanee della simulazione vengono quindi convertite in griglie di occupazione. Un modello per la segmentazione viene quindi addestrato, producendo come risultato più mappe di occupazione binarie, predicendo in maniera efficace la presenza e le posizioni future degli utenti nello scenario in diversi istanti temporali. Il sistema proposto si distingue dai lavori precedenti, che si sono concentrati principalmente su dati LiDAR in forma di nuvole di punti o su sensori montati a bordo di veicoli, proponendo invece un sistema basato su sensori fissi e basato sull’uso delle mappe altimetriche.