Validation of ADAS algorithm using virtual vehicle approach

Oggi la guida autonoma rappresenta un settore in continua crescita ed espansione, a cui partecipano attivamente la maggior parte delle case del settore automobilistico. Tra le molteplici funzionalità fornite fin dai primi livelli di automazione vi è il rilevamento degli oggetti e il rilevamento della segnaletica stradale che contribuiscono a percepire l'ambiente circostante in maniera più chiara e precisa. Questo progetto di tesi in particolare, tratta sia in dettaglio 2 algoritmi per l'identificazione delle linee di corsie che un algoritmo per identificare gli ostacoli posti davanti al veicolo attraverso una telecamera installata nella parte centrale anteriore del veicolo. Nella prima parte è stato analizzato un semplice, rapido ma poco performante algoritmo di identificazione di linee di corsia, realizzato in Python, soffermando l'attenzione sia sulla descrizione dettagliata dei vari passaggi per poter eseguire l'intera procedura, sia sui suoi vantaggi e svantaggi. Nella seconda parte invece viene introdotto ed esaminato un metodo di identificazione delle linee di corsia più lento e complesso rispetto al precedente, ma allo stesso tempo più efficiente. Inoltre, l'algoritmo offre anche la possibilità di estrarre informazioni utili dalle immagini provenienti dalla telecamera e quindi calcolare sia la curvatura della corsia a cui il veicolo è sottoposto, sia la sua posizione rispetto al centro (offset laterale). Quest'ultimo algoritmo in particolare, è stato sviluppato sia in python, sia in C++, evidenziando le caratteristiche e le differenze dal punto di vista computazionale di entrambi. Infine, dopo una iniziale ed attenta comparazione tra diversi algoritmi di identificazione degli ostacoli con i loro relativi problemi, è stato studiato un algoritmo che sfrutta il deep learning in Python, in grado di riconoscere gli ostacoli in ambienti urbani con incroci, veicoli, pedoni e segnaletica stradale sfruttando le reti neurali convoluzionali (CNN). In queste 3 fasi sono stati ampiamente sfruttati algoritmi di computer vision in combinazione con la libreria di OpenCV (sia per Python che per C++) per poter processare e testare ogni frame di immagini e/o video provenienti dall'ambiente virtuale del simulatore CARLA, un simulatore open-source gratuito basato su Unreal Engine, che rispecchia in maniera realistica diversi scenari di guida, progettato per poter validare e verificare i sistemi di guida autonoma.