STUDIO E ANALISI DI APPLICAZIONI DI DEEP REINFORCEMENT LEARNING PER EVITARE LE COLLISIONI SU VEICOLI A GUIDA AUTONOMA

Sono ormai numerose le case automobilistiche e le aziende informatiche che si impegnano nella ricerca e nello studio riguardo il settore dei veicoli a guida autonoma. Essi, con molta probabilità, rappresenteranno i mezzi di trasporto del futuro. Immaginate, per esempio, di potervi recare sul posto di lavoro o semplicemente spostarvi in un altro luogo per incontrare degli amici senza dover guidare. Questa nuova tecnologia, tuttavia, è spesso ostacolata dalla società perché considerata poco affidabile. Il livello di fiducia che le persone ripongono nei confronti dei veicoli a guida autonoma è decisamente scarso. In molti sostengono che la guida autonoma non garantisca la medesima sicurezza della guida umana. È questo uno dei motivi per cui la letteratura scientifica è in continua ricerca al fine di migliorare la sicurezza stradale dei veicoli del futuro, suggerendo varie modalità di gestione di un qualunque veicolo di questo tipo nella maniera più adeguata possibile in svariate situazioni. Lo scopo è creare veicoli in grado di essere totalmente autonomi, in cui non esista più il ruolo di conducente: il passeggero non dovrà più sorvegliare le azioni del sistema di guida. A proposito di sicurezza quindi, questo lavoro di tesi studia e analizza particolari situazioni di guida in cui il veicolo deve essere in grado di evitare in maniera autonoma le collisioni, siano esse con pedoni che attraversano la strada oppure con altri veicoli. In particolare, di seguito verranno approfonditi casi di studio che adottano l’approccio ad un sistema basato sul Deep Reinforcement Learning, una branca dell’intelligenza artificiale che fa riferimento ad alcuni algoritmi ispirati alla struttura e alla funzione del cervello umano: le reti neurali profonde.