Autonomous driving, also known as self-driving or driverless driving, refers to the ability of the vehicle to navigate and operate on the road without human intervention. This means that the vehicle can make decisions about its direction, speed, and actions based on input from various sensors and cameras without requiring a human driver to be in control. The technology behind autonomous driving involves a complex network of devices and algorithms for the perception of the environment, planning and control of the vehicle, allowing to navigate through a variety of driving scenarios, from highways to complex urban scenarios. We focused on the final part of this pipeline, regarding the control of the autonomous vehicle, developing several deep neural networks used to predict the correct values of acceleration and curvature, with the goal of achieving a smooth, comfortable, and safe driving. All architectures were trained through a dataset composed of simulated scenarios representing real urban neighbourhoods of the city of Parma, collected by a simulator that was internally developed by VisLab. For each network, we used the same simulator to generate several episodes and gather information, which was secondly fed in a benchmark algorithm to compute the performance. Among all tested architectures, namely CNNs, RNNs, and transformers, we obtained the most promising results with convolutional networks, achieving a safe and comfortable driving for most of the time. Finally, the configuration that got the highest scores was deployed on a real car and tested on urban and highway scenarios of Parma, confirming the strengths and weaknesses seen in the simulator.

La guida autonoma si riferisce alla capacità di un veicolo di navigare e operare su strada senza la necessità di un intervento umano. Questo significa che il veicolo può prendere decisioni sulla sua direzione, velocità, e sulle sue azioni autonomamente, basandosi su input prelevati da sensori e telecamere senza richiedere un conducente umano per essere sotto controllo. La tecnologia dietro la guida autonoma coinvolge una rete complessa di dispositivi e algoritmi usati nella percezione dell'ambiente, e nella pianificazione e controllo del veicolo, permettendo la navigazione attraverso una vasta varietà di scenari andando da autostrade ad ambienti urbani. In questa tesi ci siamo focalizzati sulla parte finale di questa struttura riguardante il controllo del veicolo autonomo, sviluppando alcune reti neurali usate per prevedere i valori corretti di accelerazione e curvatura, con lo scopo di raggiungere una guida fluida, confortevole, e sicura. Tutte le architetture sono state allenate attraverso un set di dati composto da scenari simulati rappresentanti quartieri reali della città di Parma, collezionati da un simulatore sviluppato internamente da VisLab. Per ogni rete, abbiamo usato lo stesso simulatore per generare un vasto numero di episodi e raccogliere informazioni che sono state poi usate in un apposito algoritmo per l'analisi delle prestazioni della rete. Tra tutte le architetture testate, ovvero “CNNs”, “RNNs”, e “transformers”, abbiamo ottenuto i risultati migliori tramite le reti convoluzionali, raggiungendo una guida sicura e confortevole per la maggior parte del tempo. Infine, la configurazione che ha portato i risultati migliori è stata installata su un prototipo reale e testata su scenari urbani e sulla strada tangenziale di Parma, confermando i punti di forza e i punti deboli visti in simulazione.

Development, comparison and field testing of neural network architectures for autonomous vehicles planning and control

BALDISSERA, DIEGO
2022/2023

Abstract

Autonomous driving, also known as self-driving or driverless driving, refers to the ability of the vehicle to navigate and operate on the road without human intervention. This means that the vehicle can make decisions about its direction, speed, and actions based on input from various sensors and cameras without requiring a human driver to be in control. The technology behind autonomous driving involves a complex network of devices and algorithms for the perception of the environment, planning and control of the vehicle, allowing to navigate through a variety of driving scenarios, from highways to complex urban scenarios. We focused on the final part of this pipeline, regarding the control of the autonomous vehicle, developing several deep neural networks used to predict the correct values of acceleration and curvature, with the goal of achieving a smooth, comfortable, and safe driving. All architectures were trained through a dataset composed of simulated scenarios representing real urban neighbourhoods of the city of Parma, collected by a simulator that was internally developed by VisLab. For each network, we used the same simulator to generate several episodes and gather information, which was secondly fed in a benchmark algorithm to compute the performance. Among all tested architectures, namely CNNs, RNNs, and transformers, we obtained the most promising results with convolutional networks, achieving a safe and comfortable driving for most of the time. Finally, the configuration that got the highest scores was deployed on a real car and tested on urban and highway scenarios of Parma, confirming the strengths and weaknesses seen in the simulator.
2022
Development, comparison and field testing of neural network architectures for autonomous vehicles planning and control
La guida autonoma si riferisce alla capacità di un veicolo di navigare e operare su strada senza la necessità di un intervento umano. Questo significa che il veicolo può prendere decisioni sulla sua direzione, velocità, e sulle sue azioni autonomamente, basandosi su input prelevati da sensori e telecamere senza richiedere un conducente umano per essere sotto controllo. La tecnologia dietro la guida autonoma coinvolge una rete complessa di dispositivi e algoritmi usati nella percezione dell'ambiente, e nella pianificazione e controllo del veicolo, permettendo la navigazione attraverso una vasta varietà di scenari andando da autostrade ad ambienti urbani. In questa tesi ci siamo focalizzati sulla parte finale di questa struttura riguardante il controllo del veicolo autonomo, sviluppando alcune reti neurali usate per prevedere i valori corretti di accelerazione e curvatura, con lo scopo di raggiungere una guida fluida, confortevole, e sicura. Tutte le architetture sono state allenate attraverso un set di dati composto da scenari simulati rappresentanti quartieri reali della città di Parma, collezionati da un simulatore sviluppato internamente da VisLab. Per ogni rete, abbiamo usato lo stesso simulatore per generare un vasto numero di episodi e raccogliere informazioni che sono state poi usate in un apposito algoritmo per l'analisi delle prestazioni della rete. Tra tutte le architetture testate, ovvero “CNNs”, “RNNs”, e “transformers”, abbiamo ottenuto i risultati migliori tramite le reti convoluzionali, raggiungendo una guida sicura e confortevole per la maggior parte del tempo. Infine, la configurazione che ha portato i risultati migliori è stata installata su un prototipo reale e testata su scenari urbani e sulla strada tangenziale di Parma, confermando i punti di forza e i punti deboli visti in simulazione.
Deep Learning
Autonomous Driving
Transformers
CNNs
File in questo prodotto:
File Dimensione Formato  
Baldissera_Diego.pdf

embargo fino al 16/04/2026

Dimensione 3.67 MB
Formato Adobe PDF
3.67 MB Adobe PDF

The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.12608/45841