Dal simulatore alla realtà: affrontare il problema del Reality Gap nella guida automatizzata

Abstract

Questa tesi è stata redatta con l’obiettivo di illustrare la progettazione e l’implementazione di una pipeline end-to-end per la guida automatizzata a basso costo, basata su un digital twin in Unity, un’interfaccia di apprendimento Gym e il deployment su una JetRacer RC in scala 1/16 con sensori a ultrasuoni. Il digital twin è calibrato utilizzando misure del veicolo reale; è stato implementato un modello realistico del sensore ad ultrasuoni; e il collegamento Unity-Python è stato esteso per trasmettere in tempo reale cinque letture di distanza. L’ambiente di apprendimento è stato rifattorizzato con componenti modulari per ricompensa, terminazione e controllo, e le policy sono addestrate con Proximal Policy Optimization (PPO). Per l’esecuzione embedded, i pesi della rete addestrata vengono esportati e viene fornito un programma di inferenza leggero per Jetson Nano. La tesi valida la pipeline su due use cases. Nel compito fixed wall (solo controllo del throttle), la policy appresa si avvicina alla parete e si arresta senza collisione, trasferendosi dalla simulazione alla JetRacer con comportamento coerente tra le esecuzioni. Nel compito del percorso a ostacoli (sterzo a velocità costante), il successo dell’addestramento ha richiesto curriculum learning e una geometria accurata degli ostacoli: lati leggermente inclinati hanno stabilizzato gli echi ultrasonici, consentendo una navigazione affidabile in stile slalom. In fase di deployment, la policy ha mostrato una certa capacità di generalizzazione rispetto a variazioni nel posizionamento degli ostacoli. Armonizzando simulazione basata su digital twin, apprendimento per rinforzo e deployment embedded, la tesi dimostra che comportamenti di guida automatizzata significativi possono essere ottenuti con un budget contenuto. Al contempo, documenta i limiti pratici della sensoristica a ultrasuoni, la sensibilità a strutture riflettenti ad angolo retto e all’azionamento a bassa velocità.

This thesis has been prepared with the objective of illustrating the design and implementation of an end-to-end pipeline for low-cost automated driving based on a Unity digital twin, a Gym learning interface, and a deployment on JetRacer 1/16 rc car with ultrasonic sensing. The digital twin is calibrated using real car’s measurements; a realistic ultrasonic sensor model is implemented; and the Unity-Python link is extended to stream five distance readings in real time. The learning environment is refactored with modular reward, termination, and control components, and policies are trained using Proximal Policy Optimization (PPO). For embedded execution, the trained network weights are exported and a lightweight inference program for the Jetson Nano is provided, avoiding on-device SB3 dependencies. The thesis validates the pipeline on two use cases. In the fixed-wall task (throttle control only), the learned policy approaches the wall and stops without collision, transferring from simulation to the JetRacer with consistent behaviour across runs. In the obstacle-course task (steering at constant speed), successful training required curriculum learning and careful obstacle geometry: slightly angled faces stabilized ultrasonic echoes, enabling reliable slalom-like navigation. When deployed, the policy showed some generalization to variations in obstacle placement. By harmonizing digital-twin simulation, reinforcement learning, and embedded deployment, the thesis demonstrates that meaningful automated behaviours can be achieved on a constrained budget. At the same time, it documents the practical limits of ultrasonic sensing, sensitivity to right-angled, reflective structures and to low-speed actuation, highlighting the close interplay between sensor physics, simulator fidelity, and control design in real-world automated systems.