Riassunto analitico
L'object tracking rappresenta un elemento fondamentale nei sistemi di guida autonoma poiché permette al veicolo di determinare il contesto in cui si trova e di pianificare e attuare azioni che non compromettano né la propria sicurezza né quella di ciò che lo circonda. In uno scenario come l'autonomous racing, questa capacità risulta determinante per ottenere alte prestazioni e competere efficacemente contro i team avversari. Tuttavia, i possibili ritardi introdotti dalla pipeline di object tracking del modulo di percezione possono comprometterne la reattività, l'affidabilità e la qualità del sistema, influenzando la capacità del veicolo di prendere decisioni real-time.
Questa tesi si propone di analizzare, modellare e simulare i ritardi del modulo di percezione di uno stack di guida per autonomous racing. Viene effettuata un'analisi dettagliata di ciascun componente della pipeline, identificando e motivando le principali cause di latenza. Successivamente, i dati vengono modellati utilizzando approcci statistici, tra cui modelli parametrici semplici, Gaussian Mixture Models (GMM) e Kernel Density Estimation (KDE). Infine, attraverso simulazioni Monte Carlo, si valutano gli effetti di tali ritardi in scenari di gara ipotetici, studiando il loro impatto sulle prestazioni dello stack di guida autonoma. I risultati ottenuti forniscono indicazioni utili per la comprensione e la possibile ottimizzazione della pipeline di percezione per la mitigazione dei ritardi, contribuendo al miglioramento dell'affidabilità e della reattività dei veicoli autonomi in contesti racing.
|
