ALFA-Ps: point cloud data storage

Abstract

The automotive industry has experienced considerable growth in recent times, owing to rapid tech nological advancements in the field of electronics. This progress has led to the development of more robust and safer vehicles, as well as a paradigm shift towards autonomous driving. Autonomous driv ing systems rely heavily on highly reliable perception features to navigate their surroundings, with Light Detection and Ranging (LiDAR) sensors being critical instruments in this regard. However, despite being touted as a game-changing technology in the autonomous driving paradigm, LiDAR sensors still pose several challenges. To ensure a reliable operation, perception systems depending on LiDAR sensors require high-speed data handling due to the huge amounts of data generated by this sensor. Currently, LiDAR sensors can output millions of data points in a few seconds, making the storage of all raw data a very intricate task. This presents a significant challenge that is only expected to become more prominent as automotive demands and LiDAR technology evolve. To address this issue, this dissertation proposesALFA-Ps, an embedded solution focused on LiDAR point cloud data compression aiming at reducing storage requirements. By compressing the LiDAR output, the proposed system aims to efficiently store point cloud data for further usage, mitigating one of the current challenges imposed by LiDAR-based systems. To accomplish this, ALFA-Ps uses dedicated hardware accelerators to assist in the compression process, enabling it to reach real-time data compression and storage. In addition, this system provides run-time re-configurable capabilities supported by a Robot Operating System (ROS) interface, allowing ALFA-Ps to be configured over various compression levels, exchanging compression ratio for speed. Finally, ALFA-Ps was tested and validated by reconstructing the compressed data back to a point cloud state, which can be used by other high-level applications.

Nos últimos tempos, a indústria automóvel tem experienciado um crescimento significativo, que se deve, em grande parte, aos rápidos avanços tecnológicos na área da electrónica. Este progresso tem levado ao desenvolvimento de veículos cada vez mais robustos e seguros, bem como a uma mudança de paradigma no sentido da condução autónoma. Tendo como objetivo um veículo capaz de garantir uma navegação segura e isenta de intervenção humana, os sistemas de condução autónoma utilizados requerem mecanismos de percepção altamente fidedignos, sendo os sensores Light Detection And Ranging (LiDAR) instrumentos chave neste contexto. No entanto, apesar de serem considerados uma teconlogia revolucionária e essencial para o futuro deste novo paradigma, estes sensores apresentam vários desafios. De forma a poderem garantir uma operação fiável, os sistemas de perceção autónoma que incorporam sensores LiDAR requerem unidades de tratamentos de dados de alto desempenho devido às enormes quantidades de dados produzidas pelos mesmos. Atualmente, os sensores LiDAR podem gerar milhões de pontos por segundo, tornando o armazenamento dos mesmos na sua forma original uma tarefa desafiante. Para abordar este problema, esta dissertação propõe ALFA-Ps, uma solução que foca na compressão de point clouds com o objetivo de reduzir requisitos de armazenamento. Ao comprimir os dados produzidos por um sensor LiDAR, o sistema proposto tem como objetivo armazenar eficientemente os dados das point clouds para uso posterior, ajudando assim a enfrentar um dos desafios presentes em sistemas que incorporam sensores LiDAR. Utilizando aceleradores de hardware dedicados para acelerar o processo de compressão, o ALFA-Ps permite uma compressão e armazenamento dos dados em tempo real. Adicionalmente, este sistema fornece capacidades de reconfiguração em tempo de execução, suportadas por uma interface Robot Operating System (ROS). Isto permite que o sistema seja configurado para operar sobre vários níveis de compressão, trocando taxas de compressão por velocidade do processo. Por fim, os dados armazenados foram reconstruídos de volta a uma representação em point cloud, garantindo assim que os mesmos podem ser usados por outras aplicações e, desta forma, validando o ALFA-Ps.