ALFA-Pd: hardware-assisted LiDAR point cloud denoising

Abstract

The interest in developing and deploying fully autonomous vehicles on our public roads has come to a full swing. As a result, interest in autonomous driving capabilities, already implemented in modern automobiles via Advanced Driver Assistance Systems (ADAS), is at an all-time high. However, employing highly reliable perception systems to navigate the environment is a very demanding task, requiring multiple sensors like Cameras, Radio Detection And Ranging (RADAR), and Light Detection And Ranging (LiDAR). The latter is critical for determining the distance and speed of surrounding obstacles while producing high-resolution 3D representations of the surrounding environment in real-time. Despite being assumed as a game-changer in the autonomous driving paradigm, LiDAR sensors can be susceptible to several noise sources, including internal components, mutual interference, light, and severe weather conditions. Notwithstanding the numerous mitigation approaches for weather denoising described in the literature, some issues still exist, ranging from high complexity to low accuracy or even systems with reduced overall performance. Thus, this dissertation proposes the ALFA-Pd framework, an embedded weather denoising approach that supports the existing and new state-of-the-art outlier removal methods using a reconfig urable hardware platform. ALFA-Pd contributes with a new weather denoising approach by combining the Dynamic Radius Outlier Removal (DROR) and the Low-Intensity Outlier Removal (LIOR) algorithms. The performed evaluation shows that Dynamic low-Intensity Outlier Removal (DIOR) can achieve better accu racy and performance while guaranteeing real-time requirements when compared to other state-of-the-art solutions.

A indústria automóvel representa um dos principais setores económicos a nível mundial. Esta indús tria tem sofrido grandes evoluções tecnológicas nos últimos anos, especialmente no ramo de veículos de passageiros. Estas evoluções e a mudança de paradigma rumo à produção de veículos cada vez mais in teligentes, tem desafiado constantemente fabricantes e marcas a investir inúmeros recursos na pesquisa e desenvolvimento de soluções para assistir à condução autónoma. Este objetivo pode ser atingido recor rendo a um conjunto de sensores tais como Light Detection And Ranging (LiDAR), sendo estes últimos bastante utilizados em sistemas comerciais Advanced Driver Assistance System (ADAS). A utilização de sensores LiDAR em sistemas ADAS tem vindo a ganhar extrema importância, apresentando inúmeras vantagens em relação aos demais, tais como resolução, precisão, mapeamento 3D, funcionamento em ambientes com pouca luz, etc. Apesar das vantagens, o funcionamento de um sensor LiDAR pode ser severamente afetado devido a interferências provocadas por outras fontes luminosas, como por exemplo a luz solar, pela coexistência de outros sistemas LiDAR no mesmo raio de ação, ou pela influência de condições meteorológicas adversas. Apesar das numerosas abordagens de mitigação destes problemas na literatura, algumas questões ainda existem, desde alta complexidade até baixa precisão ou mesmo baixo desempenho em geral. Assim, esta dissertação propõe a framework ALFA-Pd, que oferece métodos de redução de ruído causado por condições climatéricas adversas existentes, apoiada por uma plataforma de hardware reconfigurável. Para além disso, ALFA-Pd contribui com um novo método de filtragem, com binando os algoritmos Dynamic Radius Outlier Removal (DROR) e Low-Intensity Outlier Removal (LIOR). Os testes e resultados obtidos permitem concluir que Dynamic low-Intensity Outlier Removal (DIOR) alcança melhor precisão e desempenho ao mesmo tempo que cumpre requisitos real-time.