An integrated decision making and motion planning approach for autonomous on-ramp merging

Autonomous driving is transforming mobility toward a more sustainable, safer, and more efficient paradigm. Within this evolution, the AIDA research project stands as a key European initiative, advancing autonomous driving technologies in both urban and extraurban contexts. Among extra-urban challenges, on-ramp merging remains one of the most demanding, as it requires a motion strategy built on tightly integrated tactical decision making and motion planning. The proposed architecture is a single module whose core is a longitudinal motion planner capable of reasoning both along the acceleration lane and over the adjacent target lane. Within this module lies an integrated decision making and motion planning framework. The tactical layer evaluates, at every instant, the predicted motion of ego and surrounding vehicles within the lane-change zone. By forecasting how the scenario will evolve when ego reaches the merging point, the system evaluates and assigns each dynamic obstacle a specific role, ensuring that only obstacles truly affecting the merging opportunity influence the planning process. The longitudinal planner couples this decision making layer with a spatial-sampling ACC-based motion planning structure that generates the speed profile for the merging path, aware of tactical obstacle evaluations. The model includes ACC modes for handling preceding vehicles at different speeds and distances, and a dedicated mode for following vehicles. The active mode adapts the speed profile according to the obstacle information selected by the reasoning layer. Safety in terms of distance and relative velocity is guaranteed at each point, and the overall design ensures real-time performance. The approach is validated in simulation, using an environment running the same software stack as the real vehicle, and in real-world tests on a closed section of the Tangenziale di Segrate, Milano. Results show that the planner is robust, consistent in its tactical decisions, and capable of generating feasible and smooth trajectories for autonomous on-ramp merging.

La guida autonoma sta trasformando la mobilità verso un paradigma più sostenibile, sicuro ed efficiente. In questo contesto, il progetto AIDA si afferma come un’importante iniziativa europea dedicata allo sviluppo di tecnologie per la guida autonoma in scenari urbani ed extra-urbani. Tra le sfide tipiche dei contesti extra-urbani, la manovra di immissione risulta una delle più complesse, poiché richiede una strategia in cui la decisione tattica e la computazione della traiettoria risultano strettamente integrate. L’architettura proposta è implementata come un unico modulo, il cui nucleo è un pianificatore longitudinale capace di valutare lo scenario sia lungo la corsia di immissione sia su quella adiacente. Al suo interno è presente un framework integrato di decisione tattica e pianificazione del moto. Il livello tattico valuta, istante per istante, la predizione di moto del veicolo autonomo ego e dei veicoli circostanti nella zona di cambio corsia. Prevedendo come evolverà lo scenario al punto di immissione, il sistema valuta e assegna a ciascun ostacolo un ruolo specifico, garantendo che solo quelli realmente influenti condizionino la pianificazione. Il pianificatore combina questo livello logico con una struttura basata su un modello di ACC a campionamento spaziale, in grado di generare il profilo di velocità lungo il percorso di merging fissato. Il modello include modalità di ACC dedicate alla gestione dei veicoli longitudinalmente davanti a diverse distanze e velocità, oltre a una modalità specifica per i veicoli che arrivano da dietro. Il modo di ACC attivo adatta il profilo di velocità in funzione delle informazioni sugli ostacoli fornite dal livello tattico. La sicurezza, in termini di distanze e velocità relative, è sempre garantita in ogni punto e la struttura computazionale assicura prestazioni real-time. L’approccio è validato in simulazione, utilizzando un ambiente che esegue lo stesso software del veicolo reale, e in strada in un tratto chiuso della Tangenziale di Segrate, Milano. I risultati mostrano che l’algoritmo è robusto, coerente nelle scelte tattiche e in grado di generare traiettorie ammissibili e confortevoli per l’immissione in guida autonoma.