Vision-to-control: grip-aware vehicle manoeuvres under hydroplaning risk

Water on the road surface reduces tyre–road friction and the vehicle’s manoeuvring authority, limiting braking and steering. As speed increases, a water film on the asphalt can lift the tread off the surface, sharply reducing the forces the tyre can transmit to the ground — a phenomenon known as hydroplaning. Many Advanced Driver Assistance Systems (ADAS) and autonomous driving stacks still assume a fixed grip level, which makes them overly cautious on dry asphalt and unrealistically optimistic in wet asphalt. This thesis proposes a vision-to-control architecture that anticipates changes in adhesion rather than treating them as static. Forward-facing camera frames are segmented to isolate the carriageway and to extract rectangular tyre-path Regions of Interest (ROIs). A classifier assigns one of four wetness levels (W0, W1, W3, W6) designed to reflect hydroplaning risk, while causal temporal filters stabilise frame-level outputs so the planner is not misled by occasional misclassification or ROI failures. The inferred wetness sets a speed-dependent friction envelope that constrains a Model Predictive Control (MPC) manoeuvre planner, keeping emergency brake-and-steer actions within physically attainable limits rather than ad-hoc safety buffers. Given a fixed scenario and initial conditions, the grip-aware MPC is evaluated on an emergency obstacle-avoidance manoeuvre and compared with two standard constant-grip MPC baselines: one optimistic (high grip) and one conservative (low grip). The objective is to verify that vision-informed limits yield interventions that remain coherent and safe across differing road conditions.

La presenza di acqua sul manto stradale riduce l’aderenza e l’efficacia di manovra del veicolo, limitando frenata e sterzo: all’aumentare della velocità, la presenza di uno strato d’acqua sull'asfalto può sollevare il battistrada dalla superficie, riducendo bruscamente le forze che lo pneumatico può trasmettere al suolo — un fenomeno noto come aquaplaning. Molti sistemi avanzati di assistenza alla guida (ADAS) e di guida autonoma assumono un livello di grip fisso, risultando eccessivamente cauti sull’asciutto o irrealisticamente ottimistici in condizioni di bagnato intenso. Questa tesi presenta un'architettura visione-controllo che anticipa le variazioni di aderenza, anziché stimarle o assumerle costanti. Le immagini della telecamera anteriore (dashcam) sono segmentate per isolare la carreggiata ed estrarre regioni di interesse (ROIs) rettangolari lungo le tracce degli pneumatici; un classificatore assegna uno dei quattro livelli di bagnato (W0, W1, W3, W6), progettati per riflettere il rischio di aquaplaning. Inoltre, filtri temporali causali stabilizzano la previsione di bagnato frame per frame, per non fornire al planner indicazioni corrotte da errori sporadici di predizione o di estrazione delle ROI. Il livello di bagnato rilevato è associato a una mappa d’attrito dipendente dalla velocità che vincola un planner di manovra basato su Model Predictive Control (MPC), così che frenate e sterzate d’emergenza restino entro limiti fisicamente disponibili, anziché su margini precalibrati. Infine, definiti scenario e condizioni iniziali, le performance del MPC con grip adattivo sono valutate su una manovra di evitamento ostacolo di emergenza e confrontate con due classici MPC che assumono un grip costante prefissato: uno con visione ottimistica (grip alto), l'altro pessimistica (grip basso). L'obiettivo è dunque la verifica che l’impiego di limiti informati dalla visione possa rendere gli interventi il più coerenti e sicuri possibile, indipendentemente dalla situazione che il veicolo si trova ad affrontare.