Validazione simulazione-reale di un gemello digitale basato su CARLA per un veicolo autonomo in scala 1:10.

Abstract

Il trasferimento di controllori di Reinforcement Learning (RL) dalla simulazione all’hardware reale è ancora limitato dal divario sim-to-real. Questa tesi sviluppa e valida un digital twin basato su CARLA di un veicolo autonomo in scala 1:10 e ne valuta l’impiego per il trasferimento zero-shot di un controllore di parcheggio autonomo basato su PPO. La piattaforma fisica è un Traxxas Slash modificato, equipaggiato con NVIDIA Jetson Orin Nano, otto sensori a ultrasuoni HC-SR04 e Arduino Due. Il digital twin riproduce geometria, limiti di sterzata, massa, parametri di pneumatici e motore, posizione dei sensori e temporizzazione di acquisizione e controllo.

La fedeltà del digital twin è stata valutata mediante un controllore deterministico eseguito in modo identico in simulazione e sul veicolo reale, con 20 prove appaiate per piattaforma. Imbardata, accelerazione laterale e offset laterale sono stati confrontati nelle tre fasi del parcheggio mediante il coefficiente di correlazione di Pearson (PCC) e il Maximum Normalized Cross-Correlation (MNCC). L’imbardata ha mostrato un’elevata corrispondenza (PCC = 0,99–1,00), mentre l’offset laterale ha mantenuto una forte correlazione (PCC = 0,79–0,98). L’accelerazione laterale è risultata la variabile più sensibile, con PCC pari a 0,83–0,85 nella fase di retromarcia, a causa dell’accoppiamento laterale durante l’inversione dello sterzo.

Il controllore PPO è stato quindi addestrato interamente nel digital twin utilizzando 11 osservazioni equivalenti ai sensori di bordo e azioni continue di sterzo, acceleratore e freno. Senza fine-tuning, ha raggiunto un tasso di successo del 60% in simulazione e del 55% sul veicolo reale. Al contrario, un controllore addestrato su un veicolo CARLA non modificato ha ottenuto il 61% in simulazione ma solo il 7% nella realtà. I risultati dimostrano che la fedeltà del digital twin, più dell’algoritmo di apprendimento, è fondamentale per ridurre il divario sim-to-real.

Transferring reinforcement learning (RL) controllers from simulation to physical hardware remains challenging due to the sim-to-real gap. This thesis develops and validates a CARLA-based digital twin of a 1:10-scale autonomous vehicle and evaluates its use for zero-shot sim-to-real transfer of a PPO-based autonomous parking controller. The physical platform is a modified Traxxas Slash equipped with an NVIDIA Jetson Orin Nano, eight HC-SR04 ultrasonic sensors, and an Arduino Due. The digital twin reproduces the vehicle’s geometry, steering limits, mass, tire and engine parameters, sensor placement, and sensing and control timing.

Digital twin fidelity was evaluated using a deterministic scripted controller executed identically in simulation and reality over 20 paired runs per platform. Yaw, lateral acceleration, and lateral offset were compared across three parking phases using the Pearson Correlation Coefficient (PCC) and Maximum Normalized Cross-Correlation (MNCC). Yaw showed near-perfect agreement (PCC = 0.99–1.00), while lateral offset remained strongly correlated (PCC = 0.79–0.98). Lateral acceleration was the most sensitive variable, with PCC decreasing to 0.83–0.85 during reverse parking due to complex lateral coupling during steering reversal.

A PPO controller was then trained entirely in the digital twin using an 11-dimensional observation space based only on onboard-equivalent sensing and continuous steering, throttle, and braking actions. Without fine-tuning, the policy achieved a 60% success rate in simulation and 55% on the physical vehicle. In contrast, a policy trained on an unmodified CARLA vehicle achieved 61% in simulation but only 7% in reality. These results demonstrate that digital-twin fidelity, rather than the learning algorithm alone, is critical for closing the reality gap. The remaining gap is primarily attributed to ultrasonic perception noise during final approach.

Keywords: Digital Twin, Sim-to-Real Transfer, Reinforcement Learning, Au