Development of a Feature-Based Lane Detection and Lane Departure Warning for Agricultural Vehicles

Advanced Driver-Assistance Systems (ADAS) are commonly found in passenger cars, yet their adoption remains limited on agricultural vehicles, particularly for on-road transfers between fields and depots. Agricultural vehicles face different challenges from regular automotive use: they travel on rural, urban, and extra-urban roads, encounter uneven road surfaces, and typically have less powerful onboard hardware than passenger cars. Given these constraints, monocular cameras offer a cost-effective solution for lane awareness. In contrast, while LiDAR and radar are excellent for object detection, they are less suitable for detecting painted markings and impose higher costs and power demands. This thesis presents a computationally light, feature-based pipeline for lane detection and Lane Departure Warning (LDW), specifically tailored to resource-constrained embedded hardware typical of agricultural platforms. The system ensures geometric consistency of the detected lanes through a calibrated bird's-eye-view transformation, while temporal tracking logic is employed to stabilize the lane estimate over time. The LDW component monitors the vehicle’s distance from the markings and raises a warning when the approach becomes unsafe. The solution is implemented on an embedded computation unit and tested for real-time execution. Evaluation on road sequences acquired in varied conditions (e.g., sun and rain) demonstrates accurate detections under good road marking conditions. Furthermore, the system exhibited safety-oriented behavior in degraded contexts, consistently preferring not to output a lane rather than accepting low-confidence candidates. The thesis also discusses current limitations (e.g., strong curvature) and outlines concrete future extensions, including more flexible geometric models and a lateral closed-loop controller for lane assist.

I Sistemi Avanzati di Assistenza alla Guida (ADAS) sono diffusi sulle autovetture, ma il loro impiego è notevolmente limitato sui veicoli agricoli, specialmente negli spostamenti su strada. I mezzi agricoli operano in condizioni molto diverse rispetto al contesto automobilistico convenzionale: si muovono su strade rurali, urbane ed extra-urbane, incontrano superfici irregolari e, tipicamente, dispongono di hardware di bordo meno performante rispetto alle auto private. Per far fronte a queste limitazioni, le telecamere monoculari si propongono come soluzione economicamente vantaggiosa per l'identificazione della corsia, a differenza di LiDAR e radar che, pur eccellendo nella rilevazione di ostacoli, sono meno idonei per la segnaletica orizzontale e comportano costi e consumi superiori. Questa tesi illustra lo sviluppo di un algoritmo a ridotto carico computazionale per la rilevazione della corsia e l'avviso di superamento di linea (LDW), specificamente ottimizzato per hardware con risorse limitate. L'algoritmo assicura la coerenza geometrica delle corsie tramite una trasformazione calibrata in vista prospettica dall'alto, utilizzando una logica di tracciamento temporale per stabilizzare la stima. Il modulo LDW monitora la distanza del veicolo dalla linea e notifica il conducente in caso di avvicinamento pericoloso al limite della carreggiata. La soluzione è stata implementata su un'unità di calcolo di bordo e analizzata per l'esecuzione in tempo reale. I test, condotti su tratti stradali in condizioni variabili, hanno confermato l'accuratezza delle rilevazioni e la capacità del sistema di privilegiare la sicurezza in situazioni critiche, evitando di fornire output basati su stime incerte. La tesi discute infine i limiti attuali (es. forti curvature) e delinea le prospettive future, che includono modelli geometrici più flessibili e l'integrazione di un controllore in anello chiuso per l'assistenza al mantenimento della corsia (lane assist).