Modellazione del processo decisionale del cambio di corsia del conducente basata su simulazione e previsione in tempo reale

Abstract

Questa tesi presenta un framework basato su simulazione per la modellazione e la previsione in tempo reale del comportamento di cambio corsia dei conducenti. Il cambio corsia rappresenta una manovra critica e complessa, la cui anticipazione è fondamentale per migliorare la sicurezza stradale e supportare i sistemi avanzati di assistenza alla guida (ADAS).

L’approccio proposto introduce un’architettura di machine learning a due stadi che combina classificazione binaria e regressione. Il primo stadio rileva se è probabile un cambio di corsia entro un breve intervallo temporale, mentre il secondo stadio stima il tempo rimanente prima dell’esecuzione della manovra. Questa struttura consente sia il riconoscimento dell’intenzione sia una previsione temporale precisa.

Il sistema è addestrato e valutato su un dataset raccolto da 50 conducenti utilizzando il simulatore CARLA. I dati temporali, comprendenti dinamica del veicolo, geometria della strada e traffico circostante, sono elaborati mediante modelli di deep learning come CNN1D, LSTM e GRU bidirezionale. I risultati mostrano un’elevata accuratezza di classificazione (circa 87%) e un basso errore nella stima del tempo al cambio corsia.

Inoltre, il framework è integrato in un modulo ADAS in tempo reale capace di generare avvisi visivi e sonori contestuali. Il sistema è in grado di prevedere manovre potenzialmente rischiose fino a quattro secondi in anticipo, migliorando la consapevolezza e la sicurezza del conducente.

Questo lavoro dimostra l’efficacia dell’integrazione tra simulazione, deep learning e sistemi in tempo reale per applicazioni di guida intelligente e assistenza proattiva.

This thesis presents a simulation-based framework for modeling and predicting driver lane change behavior in real time. Lane change is a critical and complex driving maneuver that requires accurate anticipation to improve road safety and support advanced driver assistance systems (ADAS).

The proposed approach introduces a two-stage machine learning architecture combining binary classification and regression. The first stage detects whether a lane change is likely to occur within a short time horizon, while the second stage estimates the exact time remaining before the maneuver. This design enables both intention recognition and precise temporal prediction.

The system is trained and evaluated on a dataset collected from 50 drivers using the CARLA simulation environment. Time-series data including vehicle dynamics, road geometry, and surrounding traffic information are processed using deep learning models such as CNN1D, LSTM, and Bidirectional GRU. The results demonstrate high classification accuracy (around 87%) and low prediction error for time-to-lane-change estimation.

Furthermore, the framework is integrated into a real-time ADAS module capable of generating context-aware visual and auditory alerts. The system predicts potentially risky maneuvers up to four seconds in advance, improving driver awareness and safety.

This work highlights the effectiveness of combining simulation, deep learning, and real-time systems for proactive driver assistance and intelligent transportation applications.