LiDAR-based perception for orchard mobile robots: a survey

In recent years, there has been growing interest in the deployment of autonomous systems in agricultural environments, particularly in orchards, where the ability to accurately perceive the surrounding structure is essential to ensure safe and efficient maneuvers. Orchards are characterized by vegetation arranged in rows, but they also present factors that challenge perception, such as uneven terrain, variable vegetation density, and seasonal changes in the environment. For this reason, a perception stack capable of reliably interpreting row geometry is required, even in the presence of noise and data discontinuities. The aim of this thesis is to analyze and compare three widely used geometric estimation algorithms, namely Hough Transform, RANSAC, and PEARL, with the goal of identifying which strategies are the most effective for the detection of the orchards rows. Variants of each algorithm specifically designed to exploit the parallel and repetitive nature of orchard rows are presented, including the Parallel and Pattern versions of the Hough Transform, a RANSAC formulation tailored for parallel line estimation, and an extension of PEARL that incorporates geometric constraints and regularization criteria. These methods are evaluated in terms of robustness, computational efficiency, and consistency of the estimated outputs. In addition, data preprocessing techniques are introduced to tailor the input data, specifically LiDAR pointclouds, to the requirements of each algorithm, with the goal of improving overall performance. The analysis shows that, although all approaches achieve satisfactory results, the family of methods based on the Hough Transform provides the most balanced solution in terms of robustness, applicability, and computational cost.

Negli ultimi anni è cresciuto l’interesse verso l’utilizzo di sistemi autonomi in ambito agricolo, in particolare nei frutteti, dove la capacità di percepire con precisione la struttura dell’ambiente circostante è essenziale per garantire manovre sicure ed efficienti. I frutteti sono caratterizzati da un’organizzazione della vegetazione in filari di alberi, ma presentano elementi che rappresentano un ostacolo alla percezione, come l’irregolarità del terreno, la densità di vegetazione variabile o cambiamenti stagionali dell’ambiente. Per questo motivo è necessario disporre di uno stack di percezione capace di interpretare in modo affidabile la geometria dei filari anche in presenza di rumore e discontinuità nei dati. Lo scopo di questa tesi è analizzare e confrontare tre algoritmi di stima geometrica ampiamente utilizzati in letteratura, quali Hough Transform, RANSAC e PEARL, con l’obiettivo di identificare quali strategie risultino più efficaci nella rilevazione dei filari in frutteto. Sono presentate varianti di ciascun algoritmo specificatamente progettate per sfruttare la natura parallela e ripetitiva dei filari, come le versioni Parallel e Pattern della Hough Transform, la versione RANSAC per linee parallele e un’estensione di PEARL che incorpora vincoli geometrici e criteri di regolarizzazione. Tali metodi sono valutati considerando robustezza ai disturbi, efficienza computazionale e coerenza delle stime. Sono inoltre presentati dei metodi per elaborare lo specifico dato in input, ovvero pointcloud misurate attraverso sensori LiDAR, adattandolo ai requisiti degli algoritmi al fine di ottenere delle migliori prestazioni. L’analisi mostra che, pur raggiungendo tutti risultati soddisfacenti, la famiglia di approcci basati sulla Hough Transform rappresenta la soluzione più bilanciata in termini di robustezza, applicabilità e costo computazionale.