Ottimizzazione di un framework di simulazione orientato al deployment per la predizione dei cambi di corsia mediante tecniche di deep learning

Abstract

La predizione del cambio di corsia è una funzione chiave per i sistemi avanzati di assistenza alla guida: riconoscere in anticipo l’intenzione del conducente consente interventi di sicurezza tempestivi e un supporto più fluido alla manovra. Questa tesi parte da un framework basato sul simulatore CARLA, che comprende un dataset di manovre eseguite da 50 conducenti su un’autostrada simulata di 60 km. Il framework stima il tempo al cambio di corsia (TTLC) con un unico regressore e ne valuta anche l’implementabilità su microcontrollori. Il lavoro interviene sulla pipeline del framework in tre direzioni. In primo luogo, introduce una procedura di filtraggio basata su vincoli di fattibilità cinematica (velocità di imbardata, accelerazione laterale, coerenza tra le due grandezze e jerk laterale e longitudinale), che elimina le finestre fisicamente non plausibili dovute ad artefatti o incidenti della simulazione. In secondo luogo, scompone il problema in una classificazione a tre classi (marcia in corsia, cambio a sinistra, cambio a destra) e in due regressori del TTLC specializzati per direzione, che operano nell’intervallo 0–4 s. Infine, confronta quattro architetture per serie temporali su entrambi i compiti ed esegue un’analisi accurata degli errori. Tutti i classificatori raggiungono un’accuratezza di circa il 92%. Gli errori si concentrano nelle fasi iniziali della manovra, quando il cambio di corsia è ancora lontano nel tempo. Escludendo i campioni con TTLC superiore a 3.1 s, l’accuratezza sui restanti campioni sale al 95%. Nella regressione il miglior modello ottiene un RMSE di 0.423 s per i cambi a destra e di 0.438 s per quelli a sinistra, entrambi inferiori a quello di 0.510 s del miglior modello del framework di partenza. Sui campioni di marcia in corsia erroneamente classificati come cambio di corsia, inoltre, i regressori stimano TTLC elevati (in media 3.2–3.4 s).

Lane-change prediction is a key function for advanced driver-assistance systems (ADAS): recognizing the driver’s intention in advance enables timely safety interventions and smoother support for the maneuver. This thesis builds on a CARLA-based framework that includes a dataset of maneuvers performed by 50 drivers on a simulated 60-km highway. The framework estimates the time to lane change (TTLC) using a single regressor and also evaluates the feasibility of deploying it on microcontrollers. This work modifies the framework’s pipeline in three ways. First, it introduces a filtering procedure based on kinematic feasibility constraints (yaw rate, lateral acceleration, consistency between these two quantities, and lateral and longitudinal jerk), which eliminates physically implausible time windows caused by simulation artifacts or collisions. Second, it decomposes the problem into a three-class classification (lane following, left lane change, right lane change) and two direction-specific TTLC regressors operating over the 0–4 s interval. Finally, it compares four time-series architectures across both tasks and performs a detailed error analysis. All classifiers achieve an accuracy of approximately 92%. Errors are concentrated in the early stages of the maneuver, when the lane change is still far off in time. Excluding samples with a TTLC above 3.1 s, accuracy rises to 95%. In regression, the best model achieves an RMSE of 0.423 s for right lane changes and 0.438 s for left lane changes, both lower than the 0.510 s RMSE of the best baseline model. Furthermore, for lane-following samples misclassified as lane changes, the regressors yield high TTLC estimates (3.2–3.4 s on average).