Autonomous Driving and Traffic Sign Recognition: Design and Implementation on a scale vehicle

This thesis focuses on the development of a driving assistance system that falls within the category of ADAS systems and its integration on a scale vehicle. Three principal tasks are performed by the vehicle: Path Planning, Obstacle Avoidance and Traffic Sign Recognition. A precise methodology was followed: in the beginning, data were gathered from the available sensors, a LiDAR and a monocular Camera, and data communication was managed using ROS (Robot Operating System). A Raspberry Pi was employed for data processing and decision making operations. Data retrieved from the sensors were thereafter used to generate a map of the environment that the vehicle was exploring and to localize the car in it. Hector SLAM was the algorithm employed for this purpose. Afterwards, utilizing the map obtained in the previous step, Path Planning techniques were implemented to perform the autonomous navigation and the Obstacle avoidance. In particular, Dijkstra was adopted for the Global Planning and Time Elastic Bands (TEB) for the Local Planning. The final step of the project was represented by the use of data fetched from the Camera and the training of a Convolutional Neural Network (CNN) to implement YOLO algorithm for Traffic Sign detection and classification.

Questa tesi si concentra sullo sviluppo di un sistema di assistenza alla guida che rientra nella categoria dei sistemi ADAS e la sua integrazione su un veicolo in scala. Il veicolo è in grado di svolgere tre compiti principali: pianificazione del percorso, evitamento degli ostacoli e riconoscimento dei segnali stradali. Per lo sviluppo del progetto è stata seguita una metodologia precisa: inizialmente sono stati raccolti dati dai sensori disponibili, un LiDAR e una telecamera, e la comunicazione dei dati è stata gestita utilizzando ROS (Robot Operating System). Per le operazioni di elaborazione dati e decisionali è stato utilizzato un Raspberry Pi. I dati provenienti dai sensori vengono successivamente impiegati per generare una mappa dell’ambiente che il veicolo sta esplorando e per localizzare l’auto al suo interno. Per raggiungere questo scopo è stato impiegato l’algoritmo di Hector SLAM. Successivamente, utilizzando la mappa ottenuta nel passaggio precedente, sono state implementate tecniche di pianificazione del percorso per eseguire la navigazione autonoma e l’evitamento degli ostacoli. In particolare, è stato adottato l’algoritmo di Dijkstra per la pianificazione globale e l’algoritmo Time Elastic Bands (TEB) per la pianificazione locale. La fase finale del progetto è stata rappresentata dall’implementazione dell’algoritmo YOLO per il rilevamento e la classificazione dei segnali stradali attraverso l’utilizzo dei dati acquisiti dalla telecamera e l’allenamento di una Rete Neurale Convoluzionale.