Autonomous navigation, from sensing to planning

Abstract

Questo lavoro presenta i risultati ottenuti nel campo dei veicoli autonomi, nello specifico nel compito della navigazione autonoma. Questo problema è stato affrontato trasversalmente rispetta alle tre principali aree funzionali di un veicolo autonomo: percezione, fusione e pianificazione. Nell'ambito della percezione, è stato proposto un innovativo approccio all'individuazione della corsia di guida basato su reti neurali convolutive. Questa tecnica permette di superare molti limiti dei classici approcci geometrici basati sulle strisce stradali, fornendo risultati affidabili anche in condizioni avverse di illuminazione e in assenza delle pitture stradali. Nel campo della fusione, è stato sviluppato un algoritmo per la stima del percorso geometrico della strada da molteplici informazioni sensoriali. La soluzione, basata sulla tecnica di moving-window-estimation, fonde diverse informazioni eterogenee, provenienti da camere e radar, ottenendo una stima molto più stabile e precisa di quella ottenibili con i dati d'ingresso presi singolarmente. Per quanto riguarda la pianificazione, è stato proposto un nuovo approccio per il calcolo di traiettorie di riferimento locali. L'algoritmo sviluppato è basato sui metodi variazionali e permette, tramite una rappresentazione innovativa del campo di potenziale, di ottenere in maniera efficiente un riferimento di guida per l'automobile che risulta comfortevole, privo di collisioni e capace di realizzare diverse manovre. Le soluzioni sviluppate nel contesto di questo lavoro sono state provate e utilizzate con successo sul veicolo autonomo DEEVA, rendendo possibile una dimostrazione pubblica di guida autonoma in ambito urbano.

This work presents the results obtained in the field of autonomous vehicles with focus on the autonomous navigation task. This problem has been tackled throughout the three main functional areas of autonomous vehicles: perception, data fusion and planning. In the perception domain, a new approach to ego-lane detection, based on convolutional neural network, has been proposed. This solution overcome many of the classic approaches' limitations and provide reliable results even in adversarial lightning conditions and in absence of road markings. In the data fusion area, a new algorithm for road's geometric path estimation from multiple sensors has been developed. This methodology, based on the moving window estimation technique, fuses many heterogeneous sensory data coming from both cameras and radar. The obtained estimation is accurate, stable and substantially better than the one obtained from the input informations used separately. Regarding the planning problem, the local trajectory computation issue has been addressed. The developed algorithm is based on variational methods and, through an innovative representation for potential fields, allows for the efficient computation of local trajectories that result comfortable, safe and can implement different driving maneuvers. The outcome of this research work has been tested and successfully deployed on the autonomous vehicle DEEVA, enabling a public demonstration of autonomous driving in urban environment.