5G-assisted infrastructure for autonomous vehicle parking

Autonomous parking is a critical application of autonomous vehicle technology, requiring efficient and reliable path-planning strategies to ensure precise navigation in constrained environments. This thesis explores the development of two novel algorithms aimed at improving path planning for autonomous parking: an enhanced A* algorithm and an improved RRT algorithm. The enhanced A* algorithm introduces modifications tailored for non-holonomic vehicles, incorporating a variable heuristic weight, orientation-based penalties, and computational optimizations. The improved RRT algorithm integrates a sampling ellipse and kinodynamic planning techniques to optimize performance in real-world parking scenarios. Through extensive MATLAB simulations, the proposed algorithms were evaluated against existing solutions across four distinct scenarios, each varying in complexity and obstacle distribution. The results demonstrate that the enhanced A* algorithm generates smoother and more efficient paths compared to the standard Hybrid A*, while the improved RRT algorithm exhibits faster computation times, making it well-suited for real-time applications. Additionally, a novel evaluation metric was introduced to systematically assess the performance of different path-planning approaches, addressing a gap in the current literature. The findings indicate that both algorithms achieve promising results, including effective replanning capabilities. The proposed system, supported by the Stanley controller, is ready for real-world testing. Among the two approaches, A* is preferable due to its higher success rate and deterministic nature, which enhances reliability and safety, despite being slower than RRT. This research advances the field of autonomous parking by introducing innovative path-planning methodologies and their evaluation, demonstrating their effectiveness through simulation.

Il parcheggio autonomo è un’applicazione fondamentale della tecnologia dei veicoli autonomi, che richiede strategie di pianificazione del percorso efficienti e affidabili per garantire una navigazione precisa in ambienti ristretti. Questa tesi esplora lo sviluppo di due nuovi algoritmi volti a migliorare la pianificazione del percorso per il parcheggio autonomo: un algoritmo A* algoritmo RRT migliorati. L'algoritmo A* migliorato introduce modifiche specifiche per i veicoli non-olonomici, integrando un peso euristico variabile, penalità basate sull’orientazione e ottimizzazioni computazionali. L'algoritmo RRT migliorato incorpora un'ellisse di campionamento e tecniche di pianificazione cinedinamica per migliorare le prestazioni in scenari di parcheggio reali. Attraverso estese simulazioni in MATLAB, gli algoritmi proposti sono stati confrontati con soluzioni esistenti in quattro scenari distinti, caratterizzati da diversa complessità e distribuzione degli ostacoli. I risultati dimostrano che la variante A* migliorata genera percorsi più fluidi ed efficienti rispetto allo standard Hybrid A*, mentre l'algoritmo RRT migliorato offre tempi di calcolo più rapidi, rendendolo particolarmente adatto ad applicazioni in tempo reale. Inoltre, è stata introdotta una nuova metrica di valutazione per analizzare sistematicamente le prestazioni dei diversi approcci di pianificazione del percorso, colmando una lacuna nella letteratura esistente. I risultati indicano che entrambi gli algoritmi offrono prestazioni promettenti, inclusa un'efficace capacità di ripianificazione. Il sistema proposto, supportato dal controllore Stanley, è pronto per essere testato in ambito reale. Tra i due approcci, A* risulta preferibile grazie al suo tasso di successo più elevato e alla sua natura deterministica, che ne aumenta l'affidabilità e la sicurezza, nonostante sia più lento rispetto a RRT. Questa ricerca contribuisce al campo del parcheggio autonomo introducendo metodologie innovative per la pianificazione del percorso e la sua valutazione e dimostrandone l’efficacia attraverso simulazioni.