End-to-end models for lane centering in autonomous driving

In this work we propose an in-depth exploration of the state of the art of end-to-end models for lane centring assist in autonomous driving. The objective of this thesis is to determine the best deep learning architecture through the numerous options proposed in the literature and make a step further improving it. Through our research, we demonstrate that a stateful model is not necessary to solve lane centring and that a 3D CNN outperforms many more complex architectures based on stateful cells like C-LSTM. A second finding is the relevance of shuffling data over training, which changes completely the per- formances reached by the model. Finally, we build up a self-driving prototype by connecting a raspberry pi with an RC car, and we use it to collect a self-recorded dataset. We use this new dataset to train a model which we deploy on the raspberry pi; our prototype is capable of driving autonomously without crashes imitating the behavior of the human driver.

In questa tesi proponiamo un’esplorazione in profondità dello stato dell’arte per modelli end-to-end applicati al centraggio di corsia nella guida au- tonoma. L’obiettivo della tesi è di determinare la miglior architettura di deep learning tra le numerose opzioni proposte nella letteratura, e fare un passo avanti per migliorarla. Attraverso la nostra ricerca, dimostriamo empiricamente che un modello con memoria non è necessario per implementare il centraggio di corsia, e che una 3D CNN è più efficiente di architetture più complesse basate su celle con memoria, come le C-LSTM. Una seconda scoperta è la rilevanza dello shuf- fling dei dati durante il training, che cambia completamente le performance raggiunte dal nostro modello. In conclusione, costruiamo un prototipo di macchina autonoma connettendo una Raspberry Pi ad una macchina telecomandata, che utilizziamo per reg- istrare un nuovo dataset. Usiamo questo nuovo set di dati per allenare un modello che viene poi instal- lato sul veicolo per implementare la guida autonoma. Il nostro prototipo è in grado di guidare autonomamente senza incidenti imitando il comportamento di un guidatore umano.