Development of a modular setup for autonomous vehicles with design and implementation of electrical fault detection in sensor systems

Autonomous driving systems are revolutionizing the automotive industry, requiring advanced integration of hardware and software to ensure safe, efficient, and reliable vehicle operation. This Thesis addresses key challenges in the development of autonomous vehicles, with a focus on hardware setup and fault detection. The first part of the research focuses on the setup of the autonomous vehicle system. It details the hardware integration of three identical Fiat 500e vehicles that are part of the AIDA project (Artificial Intelligence Driving Autonomous), including the incorporation of sensors, computing units, and actuation systems. The goal was to create a scalable, repeatable architecture that ensures consistency across multiple units. Comprehensive documentation and modular design principles were adopted to support future replication and scaling. The second part presents fault detection strategies for monitoring the electrical behavior of key sensors such as LiDAR, Radar, and GPS. The goal was to develop lightweight, real-time compatible algorithms to identify anomalies in sensor current signals. Two distinct methods were proposed: the First method, based on raw signal thresholding, and the Second method, which incorporates frequency-based filtering to distinguish different types of faults. The final section compares the performance of both methods through synthetic fault injection. Results indicate that the First method is simple and effective for major faults, but prone to false positives. The Second method, while more computationally intensive, offers higher accuracy and a better ability to distinguish between different types of faults

I sistemi di guida autonoma stanno rivoluzionando l'industria automobilistica, richiedendo un'integrazione avanzata di hardware e software per garantire un'operazione sicura, efficiente e affidabile dei veicoli. Questa Tesi affronta le principali sfide nello sviluppo dei veicoli autonomi, con un focus sull'allestimento dell'hardware e il rilevamento dei guasti. La prima parte della ricerca si concentra sull'allestimento del sistema del veicolo autonomo. Viene descritta l'integrazione hardware di tre veicoli Fiat 500e identici, appartenenti al progetto AIDA (Artificial Intelligence Driving Autonomous). Questo include l'installazione di sensori, unità di calcolo e sistemi di attuazione. L'obiettivo principale era sviluppare un'architettura scalabile e ripetibile, che assicurasse uniformità tra le diverse unità. Per favorire la replicabilità e la scalabilità future, sono stati adottati principi di progettazione modulare e una documentazione completa. La seconda parte presenta le strategie di rilevamento dei guasti per monitorare il comportamento elettrico dei sensori chiave come LiDAR, Radar e GPS. L'obiettivo era sviluppare algoritmi leggeri e compatibili in tempo reale per identificare anomalie nei segnali di corrente dei sensori. Sono stati proposti due metodi distinti: il primo metodo, basato su soglie sui segnali grezzi, e il secondo metodo, che incorpora un filtraggio basato sulla frequenza per distinguere diversi tipi di guasti. La sezione finale confronta le prestazioni di entrambi i metodi attraverso l'iniezione di guasti sintetici. I risultati indicano che il primo metodo è semplice ed efficace per i guasti maggiori, ma soggetto a falsi positivi. Il secondo metodo, sebbene richieda più risorse dal punto di vista computazionale, offre una maggiore precisione e una migliore capacità di distinguere tra diversi tipi di guasti.