Generative AI for the Simulation of Autonomously Driven Vehicles.

Negli ultimi anni, la comunità scientifica ha riscontrato un rinnovato interesse nel campo della guida autonoma, ottenendo risultati eccezionali e preannunciando un futuro in cui le automobili saranno in grado di navigare sulle strade senza alcun intervento esterno. Il presente lavoro di tesi si inserisce in questo alveo problematico, esplorando la possibilità di generare scenari di rischio personalizzati per l'addestramento mediante simulazione di sistemi di guida autonoma. A tal fine introduciamo un nuovo ed efficiente sistema di classificazione degli eventi basato su misure di gravità stabilite dalla comunità internazionale di ricerca sul traffico. Questo sistema viene applicato a una rete stradale di riferimento sviluppata in Simulation of Urban Mobility (SUMO), ottenendo un dataset di configurazioni che, con elevata probabilità, portano a collisioni. Tale dataset viene quindi utilizzato per l'addestramento di una rete generativa avversariale condizionale di Wasserstein (WGAN) in grado di generare gli scenari di rischio desiderati. Vengono analizzate in dettaglio le strategie necessarie per la creazione di un generatore efficace e per affrontare le sfide poste dalla distribuzione sbilanciata delle classi all'interno del dataset. Infine, viene dimostrata la convergenza del generatore ed è eseguita una valutazione statistica al fine di convalidarne l'efficacia.