Development of a radar-based perception algorithm for Autonomous Racing

In recent years, autonomous racing has emerged as a highly demanding environment for testing self-driving algorithms, where split-second decisions must be made at extreme velocities under unpredictable conditions. Abu Dhabi Autonomous Racing League (A2RL) offers an exceptional proving ground for developing and assessing sophisticated perception systems in self-driving race cars. These prototypes are equipped with a rich sensor array, which includes 4D Millimeter-wave radar. This sensor is valuable for its resilience to challenging weather and illumination conditions, yet the sparse and noisy nature of its pointclouds presents substantial obstacles for dependable object detection. Improving radar-based perception is thus crucial for enhancing the safety and environmental awareness of autonomous vehicles. This thesis focuses on the development of two innovative radar-based methods to advance the perception systems of the Dallara EAV-24, the official A2RL autonomous race car. The first is a standalone radar solution featuring an adaptive two-stage architecture: an initial pointcloud filtering method that exploits spatial density and ego-compensated Doppler velocity of radar detections, coupled with a customized DBSCAN clustering algorithm optimized for radar data properties. The second framework fuses radar measurements with camera detections performed by YOLO, by back-projecting two-dimensional bounding boxes into three-dimensional frustums, creating spatial filters that retain only radar points supported by visual data. We experimentally validated our work using a proprietary racing dataset collected at the Yas Marina Circuit in Abu Dhabi. The radar-only method significantly improved detection reliability, increasing the pointcloud target-to-clutter ratio by over 30 times and reducing wrongly clustered regions by 46.2%. The radar–camera fusion further enhanced perception quality, achieving a 120% gain in valid detections over the existing perception algorithm.

Negli ultimi anni, le competizioni tra veicoli a guida autonoma si sono affermate come un contesto di sperimentazione estremamente stimolante, in cui gli algoritmi di guida devono prendere decisioni in frazioni di secondo, a velocità elevate e in condizioni spesso imprevedibili. In questo scenario, l’Abu Dhabi Autonomous Racing League (A2RL) rappresenta un banco di prova ideale per lo sviluppo e la validazione di sistemi di percezione avanzati nei veicoli da corsa autonomi. Questi prototipi sono equipaggiati con un'ampia gamma di sensori tra i quali il radar a onde millimetriche. Questo sensore si distingue per la sua robustezza in diverse condizioni meteorologiche e di illuminazione. Tuttavia, la natura sparsa e rumorosa delle pointcloud radar costituisce una sfida per un rilevamento affidabile degli avversari. Migliorare la percezione basata su radar è quindi essenziale per aumentare la sicurezza e consapevolezza ambientale in gara. Questa tesi propone due approcci innovativi basati sui radar per potenziare i sistemi di percezione della Dallara EAV-24, il veicolo autonomo ufficiale della A2RL. Il primo è una soluzione basata unicamente sul radar con architettura adattiva a due stadi: un filtro preliminare che sfrutta la densità spaziale e la velocità relativa delle detection radar, seguito da un algoritmo DBSCAN ottimizzato per i dati radar. Il secondo integra le misure radar con le rilevazioni visive della camera effettuate da YOLO, ri-proiettando le bounding box 2D nello spazio tridimensionale per creare filtri coerenti con i dati visivi. La validazione, condotta su un dataset proprietario raccolto presso il circuito di Yas Marina (Abu Dhabi), mostra che il metodo basato unicamente sui radar ha incrementato il rapporto segnale-rumore delle pointcloud di oltre 30 volte e ridotto del 46,2% le regioni erroneamente separate dall'algoritmo di clustering. L’integrazione radar–camera ha migliorato ulteriormente l'accuratezza della percezione, con un aumento del 120% delle rilevazioni valide rispetto all'attuale algoritmo percettivo.