Analisi della Predizione di Traiettoria mediante Reti Neurali per l'Evitamento delle Collisioni in Carrozzine Intelligenti

Abstract

Questa tesi analizza l’affidabilità della predizione del movimento basata su reti neurali per la navigazione autonoma di carrozzine intelligenti in un’ampia gamma di condizioni operative. L’obiettivo è analizzare quando le traiettorie predette diventano instabili o non raggiungono l’obiettivo previsto, senza modificare l’architettura dei modelli o le procedure di addestramento.

Viene applicato un framework di valutazione basato sulle traiettorie a diversi modelli neurali preaddestrati. Sono stati condotti due esperimenti complementari. Il primo analizza la sensibilità agli input, studiando come l’orientamento iniziale, la velocità lineare e la velocità angolare influenzino la stabilità della predizione nello spazio dei comandi. Il secondo valuta la difficoltà dell’obiettivo analizzando il comportamento dei modelli rispetto a diverse posizioni del target.

Per caratterizzare meglio le prestazioni, vengono introdotti criteri di successo sia rigorosi sia flessibili. Il criterio rigoroso utilizza una soglia fissa di distanza (d < 0,30 m), mentre il criterio flessibile distingue tra traiettorie riuscite, casi di quasi successo e fallimenti evidenti.

Per migliorare l’interpretabilità, sono stati addestrati classificatori ad albero decisionale per ciascun modello, al fine di identificare le condizioni di input associate ai fallimenti di predizione. I risultati indicano che la posizione del target e l’orientamento iniziale sono i fattori principali che influenzano la stabilità della traiettoria. I modelli addestrati con diverse funzioni di perdita mostrano profili di affidabilità significativamente differenti, con percentuali di successo comprese tra il 25,3% e il 99,3%.

Nel complesso, questo lavoro propone un framework di valutazione trasparente a livello di traiettoria per analizzare la stabilità e l’affidabilità dei sistemi di predizione del movimento basati su reti neurali, supportando un confronto consapevole tra modelli e un impiego più sicuro nella navigazione ass

This thesis investigates the reliability of neural-network-based motion prediction for autonomous wheelchair navigation under a wide range of operational command conditions. The objective is to analyse when predicted trajectories become unstable or fail to reach the intended goal, without modifying the underlying model architectures or training procedures. A trajectory-based evaluation framework is applied to several pretrained neural models. Two complementary experiments are conducted. The first examines input sensitivity by analysing how initial orientation, linear velocity, and angular velocity influence prediction stability across the command space. The second evaluates goal difficulty by analysing model behaviour across different target positions. To better characterise performance, both strict and soft success criteria are introduced. The strict definition uses a fixed distance threshold (d < 0.30 m), while the soft criterion distinguishes between successful trajectories, near-miss cases, and clear failures. To improve interpretability, decision tree classifiers are trained for each model to identify the input conditions associated with prediction failures. The results indicate that goal position and initial orientation are the dominant factors affecting trajectory stability. Models trained with different loss functions exhibit significantly different reliability profiles, with success rates ranging from 25.3% to 99.3%. Overall, this work provides a transparent trajectory-level evaluation framework for analysing the stability and reliability of neural motion prediction systems, supporting informed model comparison and safer deployment in assistive wheelchair navigation.