Ottimizzazione di un sistema basato sul deep learning per la previsione del cambio di corsia dei guidatori.

Abstract

Prevedere con alcuni secondi di anticipo un cambio di corsia permette agli ADAS di avvisare per tempo senza eccessivi falsi allarmi. La tesi propone una pipeline modulare di deep learning che unisce classificazione dell’intento e regressione del time to lane change (TTLC) e introduce un fine-tuning adattivo online per personalizzare le previsioni al singolo conducente. I dati provengono dal testbed autostradale CARLA: guida baseline (nessun cambio) e guida con sorpassi, con serie a 10 Hz di dinamica ego, geometria di corsia, indicatori e cinematica dei veicoli vicini. Sono valutate due architetture: Sistema 1, che concatena un classificatore CNN1D-Bi-LSTM a un regressore TTLC Bi-GRU; Sistema 2, un unico regressore Bi-LSTM su target continuo [0,4.1] s (4.1 = mantenimento corsia), da cui l’intento binario è indotto per soglia. SHAP fornisce spiegazioni. Il contributo chiave è un ciclo di personalizzazione attivato dall’evento: dopo ogni cambio completato, il sistema costruisce un piccolo batch bilanciato da finestre recenti di manovra e guida stabile e applica un breve fine-tuning a entrambe le teste. Ciò calibra rapidamente TTLC alla dimensione comportamentale e alla tempistica del conducente, preservando la generalizzazione sotto variabilità inter-driver e shift brevi. Con la personalizzazione, le prestazioni migliorano: Sistema 1 — Accuracy/Precision/Recall/F1 = 0.97; TTLC MSE = 0.0394, MAE = 0.1153, RMSE = 0.1985 s. Sistema 2 offre la migliore stima temporale (MSE = 0.036, MAE = 0.074, RMSE = 0.191 s) con accuratezza indotta 0.96. SHAP indica che headway e indicatori guidano l’intento; sterzo, accelerazione laterale e distanza dalle linee guidano la tempistica. Sebbene i dati siano simulati, la pipeline opera in tempo reale ed è pronta alla personalizzazione per ADAS. In futuro saranno esplorate Liquid Neural Networks per dinamiche input-adattive e maggiore anticipo a tasso di falsi allarmi costante.

Anticipating a driver’s lane change seconds before lateral motion enables ADAS to warn early without excessive false alerts. This thesis presents a modular deep-learning stack that couples intent classification with time to lane change regression and, crucially, introduces online adaptive fine-tuning to personalize predictions to each driver. Data come from a CARLA highway testbed. Participants completed a baseline of no lane change, and an overtaking drive, producing 10 Hz time series of ego dynamics, lane geometry, indicators, and neighbor kinematics. Two model architectures are evaluated: System 1 cascades a CNN1D–Bi-LSTM intent classifier with a Bi-GRU TTLC regressor; System 2 trains a single Bi-LSTM regressor on a continuous [0, 4.1] s target, 4.1 encodes lane-keeping, from which binary intent is induced by thresholding. SHAP provides saliency for transparency. The core contribution is an event triggered personalization loop. After each completed lane change, the system compiles a small class-balanced batch from recent maneuvers and stable no-change periods and briefly fine-tunes both heads. This rapidly calibrates time to lane change to a driver’s behavioral dimension, and timing while preserving generalization under driver variability and short-term shift. Personalization yields higher classification scores and lower timing error: System 1: Accuracy, Precision, Recall, F1 = 0.97; time to lane change regressor MSE = 0.0394, MAE = 0.1153, RMSE = 0.1985. System 2 delivers the strongest timing MSE = 0.036, MAE = 0.074, RMSE = 0.191 with 0.96 induced accuracy. SHAP shows headway and indicators drive intent; steering, lateral acceleration, and lane-line distances drive timing. Despite simulation-based data, the pipeline is real-time and personalization-ready for ADAS. Future work explores Liquid Neural Networks for input adaptive dynamics to increase lead time at fixed false alarm rates.