A modular docker-based framework for road markings mapping and lane-based HD map generation

High-Definition (HD) maps play an important role in many modern applications related to road safety, infrastructure monitoring, and intelligent mobility. Beyond driver assistance and autonomous driving, HD maps can also support tasks such as analysing road markings and detecting highway anomalies. They offer a detailed and stable representation of the road surface — including lane geometry and road markings. However, creating and maintaining HD maps is still a demanding and fragile process: research prototypes are often built as monolithic scripts, tightly coupled to specific models and setups, making them difficult to install, extend, and use on different machines. This thesis reorganizes a previous mapping pipeline — capable of producing HD maps from camera images and GPS data — into a modular, containerized framework. The system organizes the processing into four Docker modules: data preprocessing, model inference with Bird’s-Eye-View (BEV) projection, graph generation with post-processing, and Lanelet2 map conversion. Each module has a clear role and communicates through well-defined input and output folders. A single JSON configuration file controls the entire workflow. All settings are collected in one place, allowing experiments to be repeated, shared, and modified without editing the code. The framework also supports the integration of any compatible PyTorch segmen tation model, enabling future extensions with custom architectures, additional processing steps, or alternative mapping strategies. The resulting system preserves the functionality of the original pipeline while making it significantly easier to install, use, and reproduce on different machines. Its modular organization and configuration-driven design aim to provide a practical and extensible foundation for further research and development in HD map generation.

Le mappe ad Alta Definizione (HD) svolgono un ruolo importante in molte applicazioni moderne legate alla sicurezza stradale, al monitoraggio delle infrastrutture e alla mobilità intelligente. Oltre ai sistemi di assistenza alla guida e alla guida autonoma, le HD map possono supportare attività come l’analisi della segnaletica orizzontale e delle anomalie stradali in autostrada fornendo una rappresentazione dettagliata e stabile della superficie stradale — come la geometria delle corsie e le linee di demarcazione. Tuttavia, la creazione e la manutenzione di HD map rimangono processi complessi e delicati: molti prototipi di ricerca sono sviluppati come script monolitici, vincolati a modelli e configurazioni specifiche, risultando difficili da installare, estendere e utilizzare su diverse macchine. Questa tesi riorganizza una precedente pipeline di mappatura — capace di produrre HD map a partire da immagini della telecamera e dati GPS — in un framework modulare e containerizzato. Il sistema suddivide l’elaborazione in quattro moduli Docker: prepro cessing dei dati, inferenza del modello con proiezione Bird’s-Eye-View (BEV), generazione del grafo con post-processing e conversione in formato Lanelet2. Ogni modulo ha un ruolo ben definito e comunica attraverso cartelle di input e output chiaramente strutturate. L’intero workflow è controllato da un unico file di configurazione JSON. Tutti i parametri sono centralizzati in un unico punto, permettendo di ripetere, condividere e modificare gli esperimenti senza dover intervenire sul codice. Il framework supporta inoltre l’integrazione di qualsiasi modello PyTorch compatibile, aprendo la strada a possibili estensioni con architetture personalizzate, passaggi di elaborazione o strategie di mappatura alternative. Il sistema risultante mantiene le capacità della pipeline originale, ma risulta molto più semplice da installare, utilizzare e riprodurre su macchine diverse. La sua organizzazione modulare e la progettazione basata sulla configurazione mirano a fornire una base pratica ed estensibile per futuri sviluppi e attività di ricerca nel campo della generazione di HD map.