Rilevamento di caratteristiche stradali da dati LiDAR per la localizzazione supportata da mappe di veicoli intelligenti

Abstract

Il rilevamento accurato degli elementi stradali, compresi i segnali stradali, i semafori e la segnaletica orizzontale, è un compito critico nel campo dei veicoli intelligenti. Questi elementi stradali rilevati svolgono un ruolo fondamentale nel facilitare il processo decisionale per la navigazione e il mantenimento della corsia, soprattutto per quanto riguarda la segnaletica stradale. Inoltre, la localizzazione precisa del veicolo è indispensabile per la guida autonoma. Mentre i sistemi globali di navigazione satellitare (GNSS) e i sensori di dead-reckoning sono comunemente utilizzati per il posizionamento globale, l'integrazione dei dati di percezione, derivati dalle caratteristiche stradali rilevate, può migliorare significativamente la precisione della localizzazione. Queste caratteristiche stradali possono essere correlate con una mappa vettoriale contenente informazioni geometriche e semantiche su vari elementi stradali, come pali e lampioni. Questo studio si avvale di una serie di sensori, con particolare attenzione ai sensori LiDAR e alle camere. I sensori LiDAR, grazie alla loro capacità di fornire informazioni 3D e dati di intensità, offrono un mezzo semplice per estrarre informazioni relative alla segnaletica stradale. Il contributo di questa ricerca consiste nello sviluppo di un approccio innovativo per valutare l'estrazione di caratteristiche simili a quelle dei pali in un formato intermedio, in particolare le immagini di portata. Inoltre, prevede l'identificazione delle configurazioni ottimali dei parametri attraverso l'utilizzo del dataset SemanticKITTI e la successiva applicazione al dataset Pandora. Proiettando questi rilevamenti sulle immagini della telecamera, è possibile individuare un numero considerevole di posizioni di palo estratte.

Accurate detection of road features, including traffic signs, traffic lights, and road markings, is a critical task in the realm of intelligent vehicles. These detected road features play a pivotal role in facilitating decision-making for navigation tasks and lane-keeping, especially with respect to road markings. Moreover, precise vehicle localization is imperative for autonomous driving. While Global Navigation Satellite Systems (GNSS) and dead-reckoning sensors are commonly employed for global positioning, the integration of perception data, derived from detected road features, can significantly enhance localization accuracy. These road features can be seamlessly correlated with a vector map containing both geometric and semantic information on various road elements, such as poles and street lamps. This study leverages an array of sensors, with a primary focus on LiDAR sensors and cameras. LiDAR sensors, with their ability to provide 3D information and intensity data, offer a straightforward means of extracting information related to traffic signs. The contribution of this research lies in the development of a novel approach to evaluate the extraction of pole-like features in an intermediate format, specifically range images. In addition, it involves the identification of optimal parameter settings through the utilization of the SemanticKITTI dataset and subsequent application to Pandora dataset. By projecting these detections onto camera images, a substantial number of pole positions can be seen as extracted.