• Livello 0 – Nessuna automazione: Questa categoria corrisponde alle automobili standard che non sono dotate di alcuna forma di funzionalità automatizzata. Di conseguenza, il conducente è sempre responsabile della dinamica laterale e longitudinale del veicolo. 

• Livello 1 – Assistenza al conducente: A questo livello, l’auto è dotata di ADAS di base, ad esempio il controllo adattivo della velocità (ACC). Di conseguenza, la preponderanza delle attività di guida rimane di responsabilità diretta del conducente, anche se in situazioni particolari è disponibile una forma iniziale di assistenza.

• Livello 2 – Automazione parziale: I veicoli appartenenti a questa categoria offrono funzionalità ADAS più avanzate, come la combinazione di controllo adattativo della velocità con il mantenimento della corsia. In questo caso, il veicolo ha la possibilità di controllare sia la velocità che lo sterzo, anche se il conducente è responsabile della supervisione del volante e dei pedali, il che significa che l’ambiente deve essere monitorato e, se necessario, controllato. 

• Livello 3 – Automazione condizionale: Questi veicoli possono svolgere la maggior parte delle attività di guida autonomamente in condizioni particolari, come la guida in autostrada, in cui viene impiegato l’ADAS chiamato Traffic-Jam Assist. Con questo livello di automazione è possibile disimpegnarsi dal controllo attivo. Tuttavia, se richiesto dal sistema, il conducente deve essere pronto a riprendere il controllo. 

• Livello 4 – Alta automazione: Da questo punto in poi, le auto sono in grado di operare in scenari predeterminati, come aree urbane o suburbane, con capacità di guida completamente autonome. Di conseguenza, i conducenti potrebbero non avere bisogno di verificare continuamente lo stato del veicolo ma potrebbe ancora essere necessario intervenire in circostanze rare. 

• Livello 5 – Automazione completa: È l’ultimo e più alto livello di automazione, in cui i veicoli sono completamente autonomi e non è più richiesta l’intervento umano. La differenza sostanziale con il livello precedente sta nell’ambito di applicabilità delle attività di guida autonoma, che si estende a ogni situazione, senza alcun tipo di restrizione. Poiché non ci si aspetta alcun coinvolgimento del conducente, pedali e volante non sono necessari e, di conseguenza, non inclusi. 

Come sopra indicato, viene sottolineato il ruolo di importanza primaria svolto dagli ADAS, poiché rappresentano un passo significativo in termini di sicurezza, efficienza e sostenibilità. Infatti, ottenere un veicolo di “Livello 5” rappresenta un impegno complicato in cui questi sistemi fungono da collegamento tra le automobili tradizionali e quelle autonome. 

Obiettivi del progetto

Lo scopo di questo lavoro è stato quello di progettare e sviluppare un veicolo autonomo di livello “3”, capace di eseguire simultaneamente diverse attività gestite da un microcomputer, il Raspberry Pi 4 modello B. Per eseguire queste attività è stato necessario introdurre nel sistema un LiDAR e una telecamera. Il primo è stato impiegato per realizzare una mappatura 2D dell’ambiente in cui il veicolo era posizionato, e per rilevare ed evitare ostacoli, mentre il secondo è stato utilizzato per identificare e classificare i segnali stradali. Ogni scansione laser viene fornita a un completo algoritmo di navigazione, il cui compito è restituire due tipi di output: la velocità del veicolo e la posizione del motore servo che controlla il sistema di sterzatura del modello. Il riconoscimento dei segnali stradali è stato effettuato attraverso la sinergia di una telecamera e una Rete Neurale Convoluzionale (CNN), che è stata addestrata mediante un algoritmo che riceve un dataset di immagini e, per ogni immagine, restituisce un bounding box per l’identificazione e un’etichetta con il nome del cartello riconosciuto, insieme a una probabilità della corretta classificazione. Inoltre, la CNN è stata addestrata sia sul Raspberry Pi che in remoto su un computer, con la duplice intenzione di: ridurre la richiesta computazionale allocata al Raspberry e fornire un miglioramento offline al processo di riconoscimento aggiornando i pesi restituiti dall’algoritmo. Per raggiungere questi obiettivi, è stato sfruttato un sistema di protocollo di messaggistica al fine di fornire al veicolo la possibilità di essere periodicamente aggiornato con i nuovi pesi dell’algoritmo ( protocollo MQTT). Di conseguenza, ogni volta che il Raspberry Pi riceve queste informazioni, il processo di riconoscimento diventa più preciso, consentendo al sistema di individuare segnali in diverse condizioni di illuminazione e di usura.  

Infine, è stata realizzata una Dashboard per visualizzare, in tempo reale, gli output prodotti dall’algoritmo di riconoscimento dei cartelli stradali, attraverso uno schermo che mostra il video ottenuto dalla telecamera e per avere una verifica sullo stato di salute del Raspberry Pi, andando a controllare la tensione e la temperatura del micro-controllore stesso. 

Nell’immagine di seguito viene mostrato il veicolo finale equipaggiato con tutti i sensori e gli attuatori necessari. 

Metodologia

L’intero problema può essere suddiviso in quattro fasi principali: Raccolta dati, Localizzazione e Mappatura Simultanea (SLAM), pianificazione del percorso e riconoscimento dei segnali stradali. 

• Raccolta dati: Consiste nel raccogliere i dati provenienti dall’ambiente, ovvero ostacoli e segnali, che la macchina sta esplorando. Questa fase viene eseguita utilizzando i due sensori montati sul veicolo: il LiDAR e la telecamera monoculare, ciò consente al veicolo di percepire gli oggetti nel suo ambiente 
• SLAM: In questa seconda parte, all’algoritmo di Hector SLAM viene affidata sia la generazione di una mappa veritiera dell’ambiente in cui si muove l’auto sia la determinazione della sua posizione all’interno di essa. Questo rappresenta un passo molto delicato poiché una mappa di alta precisione insieme alla corretta localizzazione del veicolo consentono di avere un solido punto di partenza per la pianificazione del percorso. 
• Pianificazione del percorso: Il vero nucleo della navigazione autonoma è in questa fase; infatti, prendendo come input le informazioni raccolte nei passaggi precedenti, insieme a una posizione iniziale e a un obiettivo finale, gli algoritmi di pianificazione globale e locale forniranno in ogni istante la posizione e l’orientamento del veicolo. Inoltre, in questa parte vengono recuperati i dati cinematici e geometrici sulla macchina dal Pianificatore Locale, che li utilizza al fine di prevenire collisioni con gli ostacoli. 
• Riconoscimento dei segnali stradali: Infine, la combinazione delle informazioni raccolte dal sensore della telecamera insieme alla conoscenza proveniente dalla CNN precedentemente addestrata consente all’auto di vedere e riconoscere la presenza di segnali stradali.