Usage of Static Environment information for improving Vulnerable Road Users trajectory prediction

Con l'avvento di tecniche di machine learning sempre più complesse ed innovative, accompagnate da risorse computazionali più potenti per implementare tali tecniche, molte nuove applicazioni hanno beneficiato dell'utilizzo dell'Intelligenza Artificiale per risolvere vari problemi e raggiungere obiettivi che altrimenti non sarebbero potuti essere realizzabili. Applicazioni pratiche possono essere trovate dal settore sanitario a quello finanziario. Negli ultimi anni anche l'industria automobilistica ha mostrato un crescente interesse nel Machine Learning con lo scopo di concretizzare un progetto fondamentale: creare un veicolo che sia in grado di guidare autonomamente senza alcun tipo di aiuto da parte di esseri umani. Costruire veicoli autonomi richiede la risoluzione di molti problemi, in quanto anche un piccolo errore può portare a incidenti tragici. Il veicolo dovrebbe essere in grado di interagire con altri utenti della strada (automobili, pedoni, ciclisti, ecc.) in vari tipi di scenari (come incroci stradali e autostrade). Uno dei vari problemi da risolvere per un veicolo completamente autonomo è la predizione delle future posizioni dei cosiddetti "utenti vulnerabili della strada", come pedoni, ciclisti e skaters. Ciò permette al veicolo di predire il loro comportamento futuro e reagire di conseguenza. L'obiettivo principale di questo progetto di tesi è stato il miglioramento dell'accuratezza nella predizione delle traiettorie degli utenti della strada vulnerabili di un modello chiamato SafeGAN, sviluppato in collaborazione con un team presso la BMW. Molti altri approcci in passato erano basati su modelli predefiniti a priori, cioè descritti da un insieme di equazioni che avevano lo scopo di descrivere e modellare i movimenti e le interazioni degli utenti della strada. In seguito la maggior parte dei ricercatori si è spostata verso modelli "guidati" puramente dai dati, in cui essi stessi avevano il compito di comprendere come tali utenti si comportano nelle più svariate situazioni, utilizzando solo i dati a disposizione. SafeGAN è un modello che sfrutta una rete antagonista generativa per poter generare molteplici traiettorie accettabili contemporaneamente, prendendo in considerazione informazioni sull'ambiente statico circostante e la dislocazione dei vari utenti. Il mio scopo è stato quello di ricercare il modo migliore per incorporare informazioni sull'ambiente statico all'interno del modello predittivo. Ho provato approcci semplici come l'utilizzo di Multi-Layer Perceptron e di reti neurali convoluzionali, ma anche soluzioni più complesse come l'applicazione di modelli basati sull'"Attenzione" e reti per la segmentazione semantica. Alla fine ho effettuato il train e il test di tutte queste soluzioni su un dataset chiamato Stanford Drone Dataset e i risultati hanno dimostrato che i miei nuovi approcci hanno portato un miglioramento nell'accuratezza delle predizioni delle traiettorie degli utenti della strada.