Decision-making in autonomous driving intersection management: risk metric design and comparative analysis

Autonomous driving represents one of the most significant technological challenges of our era, with the potential to revolutionize transportation by improving road safety and sustainability. In urban environments, Autonomous Vehicles (AVs) must continuously interact with complex and dynamic traffic situations. A critical challenge in this field is intersection management: determining how an AV should navigate an intersection in the presence of other vehicles. This thesis, developed within the AIDA project at Politecnico di Milano, focuses on designing and evaluating risk metrics, numerical indicators that quantify the collision danger between the AV and surrounding actors, to support the decision of how to proceed at unsignalized intersections without Vehicle-to-Vehicle (V2V) or Vehicle-to-Infrastructure (V2I) communication. The primary contributions of this work are the design of a new risk metric, the Proximity Temporal Margin (PTM), and the definition of a simulation-based comparative analysis framework to evaluate it against two traditional metrics from the literature. This framework allows for a direct comparison of how each metric supports behavioral decisions to achieve a balance between safety and efficiency. The analysis is conducted across diverse scenarios and under varying conditions of predicted behavior of surrounding vehicles, ranging from perfect predictions to uncertain and noisy ones. The comparative analysis proved PTM to be superior to the other analyzed metrics by providing more reliable support for the AV's behavioral decisions. The results demonstrate that the proposed metric consistently identifies collision risks across all tested configurations, establishing PTM as an effective and balanced solution for advanced autonomous navigation architectures.

La guida autonoma rappresenta una delle sfide tecnologiche più significative della nostra era, con il potenziale di rivoluzionare i trasporti migliorando la sicurezza stradale e la sostenibilità ambientale. Negli ambienti urbani, i veicoli autonomi devono interagire continuamente con situazioni di traffico complesse e dinamiche. Una sfida critica in questo campo è la gestione delle intersezioni: determinare come un veicolo autonomo debba attraversare un'intersezione in presenza di altri veicoli. Questa tesi, sviluppata nell'ambito del progetto AIDA al Politecnico di Milano, si concentra sulla progettazione e valutazione di metriche di rischio, indicatori numerici che quantificano il pericolo di collisione tra il veicolo autonomo e gli utenti della strada circostanti, usati per supportare la decisione di come procedere a intersezioni non semaforizzate in assenza di comunicazione tra veicoli (V2V) o con l'infrastruttura (V2I). I contributi principali di questo lavoro includono la progettazione di una nuova metrica di rischio, la Proximity Temporal Margin (PTM), e la definizione di una metodologia di analisi comparativa basata su simulazione per valutarla rispetto a due metriche tradizionali della letteratura. Tale metodologia consente un confronto diretto su come ciascuna metrica supporti le decisioni comportamentali nel raggiungere un equilibrio tra sicurezza ed efficienza. L'analisi è condotta su scenari differenti e in condizioni variabili di predizione del comportamento dei veicoli circostanti, spaziando da predizioni perfette a predizioni incerte e rumorose. L'analisi comparativa ha dimostrato la superiorità della PTM rispetto alle altre metriche analizzate, in quanto fornisce un supporto più affidabile alle scelte comportamentali del veicolo autonomo. I risultati dimostrano che la metrica proposta identifica in modo consistente i rischi di collisione in tutte le configurazioni testate, confermando la PTM come una soluzione efficace ed equilibrata per architetture avanzate di navigazione autonoma.