Synthetic-to-Real Domain Adaptation for Autonomous Driving

Questa tesi rappresenta il risultato di un tirocinio svolto presso il reparto di test di Siemens Industry Software NV Leuven, in Belgio. Il primo obiettivo è stato quello di avere una visione generale sul settore della guida autonoma e delle relative tecnologie: si presenta quindi un'analisi della letteratura. Il campo è stato quindi ristretto ai riconoscitori di oggetti 2D che utilizzano sensori automotive come dispositivi di input. Dopo uno studio dello stato dell'arte di architetture di reti neurali e dei corrispondenti dataset usati per l'allenamento in questo settore, la domanda di ricerca è stata come validare la robustezza del sistema in condizioni reali, in particolare in degradate condizioni del manto stradale. Non essendo stato possibile portare a termine una campagna di test su strada per via dell'emergenza sanitaria, la decisione è stata di proseguire lo studio mediante la sperimentazione e testing virtuale. Questo inoltre ha permesso di estendere gli studi sulla scarsità di dati che affligge l'apprendimento automatico, consentendo di verificare se un ambiente virtuale può essere utile per la generazione di dati per l'allenamento e se può aiutare ad affrontare il problema del'adattamento del dominio. Quest'ultimo è stato affontato sotto due sfumature diverse. Da un lato l'intrinsica differenza tra dati reali e dati sintetici, dall'altro l'abilità di un sistema di adattarsi ad un nuovo dominio reale, che quindi presenta, ad esempio, delle condizioni ambientali differenti.