Algoritmi di rilevamento di oggetti da dati LiDAR per competizioni Formula SAE Driverless

This thesis aims to present an object detection system from LiDAR data, developed for detecting the cones that delimit the track in the Driverless Formula Student competitions. The system is able to estimate in real-time, the position and type of the cones, specified by the Formula SAE rules. The presented algorithms are used in the electric vehicle of the RaceUP team, the University of Padua's Formula Student team. The perception module communicates with the LiDAR and with the SLAM mapping module via ROS2, the framework used for the entire Driverless software stack development. The utilized sensor is an Ouster OS1-64 LiDAR, that integrates natively with a ROS2 driver developed by Ouster. The algorithm is composed of three main parts: ground removal, clustering and classification. In this thesis, in addition to a detailed description of its operation, the improvements brought to the project are presented, with particular focus on real-time performance and reliability. Moreover, possible improvements and future studies are discussed, such as the integration of neural networks or the use of other sensors, like cameras, to improve the performance of the system.

Questa tesi ha l'obiettivo di presentare un sistema di rilevamento oggetti da dati LiDAR, progettato per riconoscere i coni che delimitano il tracciato nelle competizioni Driverless di Formula Student. Il sistema è in grado di stimare in tempo reale la posizione e la tipologia dei coni, specificati nel regolamento Formula SAE. Gli algoritmi presentati sono utilizzati nella vettura elettrica del RaceUP team, la squadra di Formula Student dell'Università di Padova. Il modulo di perception si interfaccia con il LiDAR e con il modulo di mappatura SLAM attraverso ROS2, il framework utilizzato per lo sviluppo dell'intero stack software Driverless. Il sensore utilizzato è un LiDAR Ouster OS1-64, che si integra nativamente con un driver ROS2 sviluppato da Ouster. L'algoritmo è diviso in tre fasi principali: rimozione del terreno, clustering e classificazione. In questa tesi, oltre alla descrizione dettagliata del suo funzionamento, vengono presentati i miglioramenti apportati al progetto, con particolare attenzione alle performance real-time ed all'affidabilità. Sono inoltre discussi i possibili miglioramenti e gli studi futuri per migliorare il sistema, come l'integrazione di reti neurali e l'utilizzo di ulteriori sensori, come telecamere, per aumentare le prestazioni del sistema.