Riassunto analitico
Comprendere e prevedere i movimenti futuri dei veicoli è un aspetto cruciale di un futuro potenziale in cui tutti i veicoli in circolazione saranno autonomi. Questa sfida, nota come Motion Forecasting, è un problema ben noto all'industria automobilistica. In letteratura sono documentati numerosi approcci per la risoluzione di questo problema che sfruttano tecniche di machine learning e deep learning.
Tuttavia, molti approcci esistenti si concentrano principalmente su scenari urbani, che comportano in genere velocità limitate o un numero ristretto di traiettorie ammissibili a causa di vari vincoli. Questa limitazione evidenzia la necessità di soluzioni su misura per scenari con velocità più elevate e traiettorie più dinamiche.
Questa tesi si propone di colmare questa lacuna fornendo innanzitutto una spiegazione approfondita e una formalizzazione del contesto del motion forecasting. In seguito, introduce le metodologie di machine learning e deep learning, con un'enfasi specifica sull'efficacia delle reti neurali ricorrenti (RNN) per questo compito.
Infine, la tesi presenta i modelli sviluppati per affrontare il problema del motion forecasting in uno scenario di gara. Questo scenario coinvolge veicoli autonomi che operano a velocità fino a 80 m/s su una pista in cui le traiettorie sono libere e vi è la necessità di sorpassare dinamicamente gli avversari. Questi modelli sono stati progettati per gestire le complessità degli ambienti di gara dinamici e ad alta velocità, aprendo la strada a una maggiore sicurezza ed efficienza nella tecnologia delle corse autonome.
|
Abstract
Understanding and predicting the future movements of vehicles is a crucial aspect of a potential future where all vehicles on the roads are autonomous. This challenge, known as Motion Forecasting, is a well-recognized issue in the automotive industry. Numerous approaches to solving this problem are documented in the literature, leveraging machine learning and deep learning techniques.
However, many existing approaches primarily focus on urban scenarios. These scenarios typically involve limited velocities or a constrained number of possible trajectories due to various constraints. This limitation highlights the need for tailored solutions for scenarios with higher speeds and more dynamic trajectories.
This thesis aims to address this gap by first providing an in-depth explanation and formalization of the motion forecasting context. It then introduces machine and deep learning methodologies, with a specific emphasis on the effectiveness of Recurrent Neural Networks (RNNs) for this task.
Finally, the thesis presents models developed to tackle the motion forecasting problem in a racing scenario. This scenario involves autonomous vehicles operating at speeds of up to 80 m/s on a track where trajectories are free-form, and there is a need to dynamically overtake opponents. These models are designed to handle the intricacies of high-speed, dynamic racing environments, paving the way for enhanced safety and efficiency in autonomous racing technology.
|
