Perception methodologies for off-highway autonomous vehicles

Autonomous Vehicles operating in Off-Highway scenarios provide demanding yet controlled settings to evaluate full-stack autonomy, from high-speed multi-vehicle interaction to navigation in unknown and unstructured terrain. This thesis presents and validates novel algorithmic methodologies for three research problems concerning sensing methodologies for AVs: Vehicle Detection and Tracking, Navigable Area Estimation, and LiDAR-based Mapping and Localization, across two complementary vehicle platforms, namely the Dallara AV-21 for autonomous racing and the Autonomous LMV for off-road navigation. These methods are implemented on the edge computers, operate in real time, and have been validated experimentally in track and field trials, achieving fully autonomous overtakes up to 275 km/h over different racetracks, and completing multi-kilometer autonomous navigation, exploration and return-to-home missions in off-road proving grounds.

I veicoli autonomi che operano in scenari off-highway offrono contesti impegnativi ma controllati per valutare l’autonomia end-to-end, dall’interazione multi-veicolo ad alta velocità fino alla navigazione in terreni sconosciuti e non strutturati. Questa tesi presenta e valida nuove metodologie algoritmiche per tre problemi di ricerca relativi alle metodologie di percezione per veicoli autonomi: rilevamento e tracciamento dei veicoli, stima delle aree navigabili e mappatura e localizzazione basate su LiDAR, su due piattaforme veicolari complementari, ossia la Dallara AV-21 per la guida autonoma da competizione e l’Autonomous LMV per la navigazione fuoristrada. Questi metodi sono implementati su computer edge, operano in tempo reale e sono stati validati sperimentalmente tramite prove in pista e in campo, ottenendo sorpassi completamente autonomi fino a 275 km/h su diversi circuiti e completando missioni autonome di navigazione, esplorazione e ritorno alla base su percorsi di più chilometri in tracciati di prova fuoristrada.