Drivable area boundaries estimation for autonomous driving using neural network outputs and publicly available topometric data

Estimating the boundaries of drivable areas for autonomous vehicles is a key challenge in ensuring safe and effective navigation. Accurate boundary detection is essential for maintaining lane position, avoiding obstacles, and making informed path-planning decisions; misestimations can indeed lead to dangerous consequences, especially on narrow roads or complex intersections, while precise boundary detection can imporove the vehicle awareness of surroundings. The study leverages data from publicly available sources combined with outputs from a custom and specifically fine tuned neural network. This network processes road imagery to segment and categorize road areas, while a probabilistic scoring system is employed to estimate the most accurate boundary positions. The resulting algorithm is efficient, lightweight, and responsive, capable of real-time boundary detection with minimal data input and low latency, which is essential for such an autonomous driving project. Validation demonstrates the high accuracy and reliability of the boundary estimation algorithm: it has been carried out on approximately 500 frames from diverse routes in Italy, featuring varying road conditions and widths, and it shows promising alignment with ground truth data. Despite challenges in defining a reliable ground truth due to the lack of suitable databases, a manual labeling approach was developed, achieving a labeling time of about one frame per minute. This work establishes a foundation for future improvements to the estimation algorithm, aiming to broaden its applicability across diverse scenarios and enhance its performance under varying conditions.

La corretta stima dei confini dell'area percorribile nei veicoli a guida autonoma rappresenta una sfida critica per garantire una navigazione sicura ed efficace. Una rilevazione accurata dei confini stradali è infatti essenziale per mantenere la posizione nella corsia, evitare ostacoli e prendere decisioni consapevoli per la pianificazione del percorso. Le stime errate possono infatti portare a conseguenze pericolose, soprattutto su strade strette o incroci complessi, mentre una rilevazione precisa dei confini può migliorare la corretta consapevolezza dell'area circostante al veicolo. Lo studio sfrutta i dati provenienti da fonti open-source combinati con gli output di una rete neurale personalizzata e specificatamente fine tunata. Questa rete elabora le immagini stradali per segmentare e classificare le diverse aree che la compongono aree stradali, mentre viene impiegato un sistema di punteggio probabilistico per stimare le posizioni più accurate dei confini. L'algoritmo risultante è efficiente, leggero e reattivo, capace di rilevare i confini in tempo reale con buona accuratezza e bassa latenza, caratteristiche essenziali per un progetto di guida autonoma di questo tipo. La validazione dimostra l'alta accuratezza e affidabilità dell'algoritmo di stima dei confini: è stata condotta su circa 500 frame di percorsi diversificati in Italia, con diverse condizioni e larghezze delle strade, e mostra un'ottima corrispondenza con i dati di riferimento. A causa delle difficoltà nel definire un ground truth affidabile per la mancanza di database adeguati, è stato sviluppato un approccio di selezione manuale, che ha permesso di raggiungere un tempo di labelling di circa un fotogramma al minuto. Questa ricerca stabilisce un solido punto di partenza per futuri miglioramenti riguardanti l'algoritmo di stima, con l'obiettivo di allargare la sua applibalità a diversi scenari e migliorare la sua performance in ogni condizione.