Control, perception and coordination algorithms for advanced driver-assistance system: optimized implementations and simulations

Abstract

The future of urban mobility is undergoing changes with the development of intelligent cities and the increased use of autonomous vehicles. The transition to this new paradigm is a gradual process over several years or decades, but progress has been made through the implementation of smart sensors and communication infrastructure. The development of Advanced Driver-Assistance Systems (ADAS) with growing autonomy is also in progress. In this thesis, two main aspects are addressed: coordination algorithms to manage the smart city traffic flow and the perception-control pipeline of autonomous vehicles with specific emphasis on the localization and planning phases. With regards to the first aspect, several novel algorithms are proposed that exploit the new smart city capabilities to address typical problems such as Traffic Lights and Intersection Management, Parking Management, and Emergency Vehicles Management. The work proposed in this thesis is a study of the current situation in which autonomous or able-to-communicate vehicles and traditional vehicles that are not able to communicate with city infrastructure co-exist. This is a crucial aspect since mixing ADAS and traditional vehicles impacts the algorithm design. The proposed algorithms are tested in a simulated scenario in order to study unexpected behaviors since traffic flow is a complex system and some events can trigger unpredictable consequences. The results show that the proposed algorithms improve the city's livability by decreasing the waiting time at traffic lights, reducing the parking search time, and the emergency vehicle response time. In regards to the localization and planning stages, the emphasis is placed on the execution time of the algorithms, as it is a critical aspect. If the perception and control pipeline takes too long, the intended maneuver may become outdated due to changes in the environment, potentially causing safety risks. In light of this, novel implementations for localization and planning algorithms are proposed, which make extensive use of the GPU as an accelerator in order to reduce computational time. The GPU is leveraged to parallelize the algorithm and minimize memory access. Additionally, the use of different floating-point precision types is investigated to assess the impact on the results. The proposed implementations of the ORB-SLAM algorithm for the localization phase and the Frenet Path Planner algorithm for the planning phase show a consistent speedup, compared to the previously published CPU-based implementations of the algorithms.

Il futuro della mobilità urbana sta cambiando con lo sviluppo di città intelligenti e l'aumento dell'uso di veicoli autonomi. Il passaggio a questo nuovo paradigma è un processo graduale che dura diversi anni o decenni, ma sono stati fatti progressi grazie all'implementazione di sensori intelligenti e infrastrutture di comunicazione. È in corso anche lo sviluppo di sistemi avanzati di assistenza alla guida (ADAS) con crescente autonomia. In questa tesi si affrontano due aspetti principali: gli algoritmi di coordinamento per gestire il flusso di traffico delle smart city e la pipeline di percezione-controllo dei veicoli autonomi, con particolare attenzione alle fasi di localizzazione e pianificazione. Per quanto riguarda il primo aspetto, vengono proposti diversi algoritmi innovativi che sfruttano le nuove funzionalità delle smart city per affrontare problemi tipici come la gestione dei semafori e delle intersezioni, la gestione dei parcheggi e la gestione dei veicoli di emergenza. Il lavoro proposto in questa tesi è uno studio della situazione attuale in cui coesistono veicoli autonomi o in grado di comunicare e veicoli tradizionali che non sono in grado di comunicare con le infrastrutture cittadine. Si tratta di un aspetto cruciale, poiché la commistione tra veicoli ADAS e tradizionali influisce sulla progettazione degli algoritmi. Gli algoritmi proposti sono stati testati in uno scenario simulato per studiare comportamenti inaspettati, poiché il flusso del traffico è un sistema complesso e alcuni eventi possono innescare conseguenze imprevedibili. I risultati mostrano che gli algoritmi proposti migliorano la vivibilità della città diminuendo il tempo di attesa ai semafori, riducendo il tempo di ricerca del parcheggio e il tempo di risposta dei veicoli di emergenza. Per quanto riguarda le fasi di localizzazione e pianificazione, l'enfasi è posta sul tempo di esecuzione degli algoritmi, in quanto si tratta di un aspetto critico. Se la pipeline di percezione e controllo richiede troppo tempo, la manovra prevista può diventare obsoleta a causa dei cambiamenti dell'ambiente, causando potenzialmente rischi per la sicurezza. Alla luce di ciò, vengono proposte nuove implementazioni per gli algoritmi di localizzazione e pianificazione, che fanno ampio uso della GPU come acceleratore per ridurre i tempi di calcolo. La GPU viene sfruttata per parallelizzare l'algoritmo e ridurre al minimo l'accesso alla memoria. Inoltre, viene analizzato l'uso di diversi tipi di precisione in virgola mobile per valutare l'impatto sui risultati. Le implementazioni proposte dell'algoritmo ORB-SLAM per la fase di localizzazione e dell'algoritmo Frenet Path Planner per la fase di pianificazione mostrano una velocità consistente, rispetto alle implementazioni degli algoritmi basati su CPU pubblicate in precedenza.