Un sistema di navigazione e riconoscimento dei segnali stradali per auto RC autonome

This thesis discusses the development of a driving assistance system which falls within the category of ADAS systems and its integration into a scale vehicle. Three major tasks are performed: Path Planning, Obstacle Avoidance and Traffic Sign Recognition. To do so, data were collected from available sensors, namely a LiDAR, an IMU and a monocular Camera. Data communication was managed using ROS (Robot Operating System). A Raspberry Pi was used for data processing and decision-making operations. Data retrieved from the sensors are necessary to build a map of the environment in which the vehicle is exploring and to localize the model in it. Cartographer is the algorithm involved in this aim. Subsequently, Path Planning techniques were implemented using the computed map for autonomous navigation and obstacle avoidance. Dijkstra Algorithm is involved in Global Planning, while TEB (Time Elastic Bands) was used for Local Planning. The final stage of the project included the use of data coming from a camera to train a CNN (Convolutional Neural Network) to implement the YOLO algorithm for some Traffic Sign detection and classification.

La tesi tratta lo sviluppo di un sistema di assistenza alla guida che rientra nella categoria dei sistemi ADAS e la sua integrazione su un veicolo in scala. Le tre principali attività compiute sono: pianificazione del percorso, evitamento degli ostacoli e riconoscimento dei segnali stradali. A tal fine, sono stati raccolti dati dai sensori disponibili, nello specifico un Lidar, un IMU e una telecamera monoculare. La comunicazione dei dati è stata gestita utilizzando ROS (Robot Operating System). Un Raspberry Pi è stato utilizzato per le operazioni di elaborazione dati e di presa di decisione. I dati recuperati dai sensori sono necessari per costruire una mappa dell’ambiente che il veicolo sta esplorando e per localizzare il modello al suo interno. Cartographer è l’algoritmo coinvolto in questo scopo. Successivamente, sono state implementate tecniche di pianificazione del percorso utilizzando la mappa calcolata per la navigazione autonoma e l'evitamento degli ostacoli. L'algoritmo di Dijkstra è coinvolto nella pianificazione globale, mentre TEB (Time Elastic Bands) nella pianificazione locale. L’ultima fase del progetto coinvolge l’uso dei dati provenienti dalla camera con lo scopo di allenare una CNN (Convolutional Neural Network) per implementare l’algoritmo di Yolo per il riconoscimento e classificazione di alcuni cartelli stradali.