Modellazione, Generazione e Rilevamento di Scenari di Guida Autostradale per il Riconoscimento Avanzato nel Contesto di Guida Automatizzata

Abstract

La rapida evoluzione dei sistemi di guida automatizzata ha reso la percezione ambientale uno degli ambiti di ricerca più rilevanti e complessi. Le prestazioni dei modelli di intelligenza artificiale impiegati in questo contesto dipendono in modo cruciale dalla qualità, varietà e rappresentatività dei dataset utilizzati per l’addestramento. Tuttavia, la disponibilità di dataset pubblici dedicati a scenari autostradali rimane limitata. Il presente studio si inserisce in un quadro di ricerche precedenti sulla generazione sintetica di scenari e si propone di estendere e migliorare la pipeline di simulazione e rilevamento esistente, con l'obiettivo di incrementare affidabilità ed efficacia dei dati prodotti. L’obiettivo principale è la creazione e il rilascio del primo dataset sintetico pubblico di scenari autostradali generati a partire da distribuzioni di parametri reali, capace di supportare in modo più efficace l’addestramento e la valutazione di reti neurali per la classificazione. Sono state introdotte modifiche sostanziali alla fase di generazione, tra cui la riscrittura della logica di scenari complessi (Brake, Cut In, Cut Out, Lane Change) e un bilanciamento più accurato delle classi, ottenendo un nuovo dataset composto da oltre 3,3 milioni di campioni caratterizzati da maggiore varietà, equilibrio e realismo. La pipeline di rilevamento, basata su reti 3D convoluzionali arricchite da meccanismi di attenzione, ha raggiunto un’accuratezza complessiva del 91,9\% e un incremento medio per classe superiore a dieci punti percentuali rispetto ai lavori di riferimento. I risultati conseguiti dimostrano la solidità dell’approccio proposto e l’efficacia dei dati generati nel migliorare le prestazioni dei modelli di classificazione. Inoltre, la disponibilità del dataset rilasciato costituisce un contributo concreto per la comunità scientifica, abilitando futuri studi su domain adaptation e fine-tuning su dati reali.

The rapid evolution of automated driving systems has made environmental perception one of the most relevant and complex research areas. The performance of artificial intelligence models employed in this context critically depends on the quality, diversity and representativeness of the datasets used for training. However, the availability of public datasets specifically dedicated to highway scenarios remains limited. This study builds upon previous research on synthetic scenario generation and aims to extend and enhance the existing simulation and detection pipeline, with the goal of increasing the reliability and effectiveness of the produced data. The main objective is the creation and public release of the first synthetic dataset of highway driving scenarios generated from real-world parameter distributions, designed to more effectively support the training and evaluation of neural networks for classification tasks. Substantial improvements have been introduced in the generation phase, including a complete reimplementation of the logic for complex scenarios (Brake, Cut In, Cut Out, Lane Change) and a more accurate class balancing, resulting in a new dataset comprising over 3.3 million samples characterized by greater variety, balance, and realism. The detection pipeline, based on 3D convolutional networks enhanced with attention mechanisms, achieved an overall accuracy of 91.9% and an average per-class improvement exceeding ten percentage points compared to previous works. The results demonstrate the robustness of the proposed approach and the effectiveness of the generated data in improving classification performance. Moreover, the release of the dataset represents a concrete contribution to the scientific community, enabling future studies on domain adaptation and fine-tuning on real-world data.