Development of localization and planning algorithms for autonomous driving based on public map databases

The development of safe and reliable Automated Driving Systems (ADSs) represents one of the most significant challenges in the field of automotive. Thanks to advancements in sensors’ technology and artificial intelligence, particularly Deep Learning, ADSs are becoming increasingly more sophisticated and complex. The widespread adoption of Autonomous Vehicles (AVs) on public roads presents several potential benefits. AV technology promises to improve safety, being human error one of the main factors in the majority of traffic accidents. AVs can also make car-sharing services more efficient, reducing the number of vehicles circulating on urban roads. This would decrease the need for parking spaces and contribute to a decrease in greenhouse emissions. Despite the potential, several challenges still limit the deployment of ADSs. One of the main factors is represented by costs, as AVs are still much more expensive than conventional vehicles. In addition, deploying AVs in new environments is a resource intensive and lenghty process, as most state-of-the-art autonomous driving algorithms rely on a dataset of custom pre-existing information. This dissertation aims at improving scalability of AV systems by proposing novel localization and planning algorithms. The proposed methods leverage publicly available databases to replace reliance on a-priori information. These solutions include the definition of a localization approach that does not require exploration of the environment prior to navigation. In addition, we propose a lateral planning method that does not rely on a high-definition map of the environment structure. Finally, we propose a method for intersection management, exploiting public maps for predicting the behaviour of other vehicles. The algorithms proposed in this dissertation have all been validated on an AV platform driving on public urban roads.

Lo sviluppo di sistemi di guida autonoma (Automated Driving Systems, ADS) sicuri e affidabili rappresenta una delle sfide più rilevanti nel settore automotive. Grazie ai progressi della tecnologia dei sensori e dell’intelligenza artificiale, in particolare del Deep Learning, gli ADS stanno diventando sempre più sofisticati e complessi. La diffusione su larga scala dei Veicoli Autonomi (Autonomous Vehicles, AV) sulle strade pubbliche potrebbe presentare numerosi benefici. Gli AV potrebbero in primo luogo migliorare la sicurezza, poiché l’errore umano è una delle principali cause della maggior parte degli incidenti stradali. Inoltre, i veicoli autonomi possono rendere più efficienti i servizi di car-sharing, riducendo il numero di veicoli in circolazione nelle aree urbane. Questo comporterebbe una minore necessità di spazi di parcheggio e contribuirebbe a ridurre le emissioni di gas serra. Nonostante il potenziale impatto positivo, diverse problematiche limitano ancora la diffusione degli ADS. Il costo rappresenta uno dei fattori principali, in quanto i veicoli autonomi risultano ancora significativamente più costosi rispetto ai veicoli convenzionali. Inoltre, l'adozione degli AV in nuovi ambienti è un processo complesso che richiede risorse significative, dal momento che molti algoritmi di guida autonoma allo stato dell’arte necessitano della costruzione di database personalizzati contenenti informazioni a priori specifiche dell’ambiente di navigazione. Questa tesi affronta il problema di scalabilità dei sistemi di guida autonoma attraverso la definizione di algoritmi innovativi di localizzazione e pianificazione. I metodi proposti sfruttano database pubblici, riducendo la dipendenza da informazioni acquisite preventivamente. In particolare, la tesi presenta un approccio di localizzazione che non richiede l’esplorazione dell’ambiente prima della navigazione. Si propone inoltre un metodo di pianificazione laterale che non fa uso di mappe ad alta definizione rappresentanti la struttura dell’ambiente. Si introduce infine una strategia per la gestione delle intersezioni che utilizza mappe pubbliche per la previsione del comportamento degli altri veicoli. Tutti gli algoritmi presentati in questa tesi sono validati su un veicolo autonomo operante su strada pubblica aperta al traffico.