Analisi e sviluppo di un sistema di riconoscimento e classificazione dello stile di guida per la selezione automatica del settaggio di un adaptive cruise control

Improving safety and comfort while driving is the main reason that led to the creation of ADAS (Advanced Driver Assistance Systems). Among all these systems a very important one is the Adaptive Cruise Control (ACC): it deals with the longitudinal control of a car and becomes particularly useful in traffic situations, especially in case we have to follow a slower vehicle. After being studied during last decades, this technology is now present on the market and the number of cars equipped with it is continuously increasing; however, this system shows problems that limit the use by the users. One of the main limitation is related to the driving style shown by the ACC while operating: drivers with driving styles which differ from the one shown by the ACC, are not satisfied by this technology as they perceive it as too aggressive or too cautious and for this reason they prefer not to activate it. This thesis proposes an innovative algorithm that allows to recognize and classify the driving style of a driver, in order to select the ACC's setting which has the behaviour most similar to the driver's one. Three different drivers are considered. The first part of the proposed algorithm is aimed at identifying the car-following dynamic held by each one of these drivers: driver models based on Artificial Neural Networks were trained using experimental data collected during real car following. Finally, simulating the closed-loop behaviour of such models, it was possible to extract from the system's response 5 different features that allow to distinguish the driving styles of the considered drivers. These features will later be used in order to cluster drivers basing on their driving style and, for each cluster, to find the ACC's setting which shows the most similar driving behaviour.

Il miglioramento delle condizioni di sicurezza e comfort durante la guida è il motivo principale che ha portato alla creazione degli ADAS (Advanced Driver Assistance Systems). Tra tutti questi sistemi, uno molto importante è l’Adaptive Cruise Control (ACC), che si occupa del controllo longitudinale della vettura e diventa molto utile in situazioni di traffico, specialmente nel caso in cui si debba inseguire un veicolo più lento. Dopo esser stato studiato negli ultimi decenni, al giorno d'oggi questa tecnologia è già presente sul mercato e il numero di automobili dotate di ACC aumenta sempre più: tuttavia esso presenta problemi che ne limitano il reale utilizzo da parte degli utenti. Uno dei principali limiti è legato allo stile di guida mostrato dall’ACC qualora in funzione: si ha infatti che guidatori con stili di guida diversi da quello mostrato dall’ACC non sono soddisfatti da questa tecnologia in quanto la percepiscono come troppo aggressiva o troppo cauta e per questo motivo preferiscono non attivarla. Nel seguente lavoro è stata proposta la creazione di un innovativo algoritmo che permetta di riconoscere e classificare lo stile di guida di un guidatore, al fine di selezionare il settaggio dell'ACC che presenta un comportamento di guida più simile rispetto a quello del conducente considerato. In questa tesi tre differenti conducenti sono stati considerati. La prima parte dell'algoritmo proposto ha l'obiettivo di identificare la dinamica di inseguimento tenuta da ciascuno di questi guidatori: sono stati allenati modelli del conducente basati su Artificial Neural Network usando dati sperimentali raccolti durante gli inseguimenti reali. Infine simulando il comportamento in anello chiuso di tale modelli, è stato possibile estrarre dalla risposta del sistema 5 differenti features che permettono di distinguere gli stili di guida dei conducenti considerati. Queste features verranno successivamente usate per suddividere i guidatori considerati in classi a seconda del loro stile di guida, e per ogni classe trovare il settaggio dell'ACC con lo stile di guida maggiormente simile.