Integrated assessment of lane support system: a multi-source approach using ADAS, road, environmental measurements, and human data [Valutazione integrata dei sistemi di supporto in corsia: un approccio multi-sorgente basato su dati ADAS, stradali, ambientali e umani]

The effectiveness of Lane Support Systems (LSS) in Advanced Driver-Assistance Systems (ADAS) is highly dependent on their Operational Design Domain (ODD), particularly factors such as lane marking quality, road geometry, and environmental conditions. This dissertation evaluates LSS performance through a multi-project investigation based on real-world experimental data collected using a vision-based ADAS (Mobileye 6.0), GNSS/INS sensors, OpenStreetMap (OSM) geometry, and ANAS retroreflectivity (RL) measurements, integrated via GIS-based data fusion techniques. In the first project, a comprehensive machine learning framework was developed, leading to the selection of AutoML-LGBM and CatBoost models for lane marking quality classification, supported by SHAP analysis for feature interpretability. Results show that retroreflectivity, road curvature, lane width, and environmental factors (e.g., rain and nighttime driving) significantly impact LSS lane detection reliability. In the second project, regression and classification models were employed to estimate lane marking retroreflectivity using ADAS sensor outputs, demonstrating that ADAS data can effectively approximate physical RL measurements when supported by appropriate segmentation and calibration strategies. The third project investigated the agreement between human driver assessment and ADAS-based lane marking quality evaluation, revealing a significant, although moderate correlation, but identifying divergences under specific environmental and geometric conditions, particularly in low-visibility scenarios. Together, the findings provide engineering, operational, and policy recommendations to improve road standards, particularly lane marking retroreflectivity thresholds, and to enhance ADAS calibration strategies. The proposed data-driven framework contributes to safer autonomous driving technologies and more reliable ADAS deployment under real-world operational conditions.

L'efficacia dei Lane Support Systems (LSS) nei sistemi avanzati di assistenza alla guida (ADAS) dipende fortemente dal loro Operational Design Domain (ODD), in particolare da fattori quali la qualità della segnaletica orizzontale, la geometria stradale e le condizioni ambientali. Questa tesi valuta le prestazioni degli LSS attraverso un'indagine articolata in più progetti, basata su dati sperimentali reali raccolti mediante un sistema ADAS basato su visione (Mobileye 6.0), sensori GNSS/INS, geometrie stradali da OpenStreetMap (OSM) e misurazioni di retroriflettanza (RL) fornite da ANAS, integrati tramite tecniche di fusione dati basate su GIS. Nel primo progetto, è stato sviluppato un quadro completo di Machine Learning (ML), che ha portato alla selezione dei modelli AutoML-LGBM e CatBoost per la classificazione della qualità della segnaletica orizzontale, supportati da un’analisi SHAP per l’interpretabilità delle variabili. I risultati mostrano che la retroriflettanza, la curvatura stradale, la larghezza della corsia e i fattori ambientali (ad esempio pioggia e guida notturna) influenzano significativamente l’affidabilità del rilevamento delle corsie da parte degli LSS. Nel secondo progetto, sono stati utilizzati modelli di regressione e classificazione per stimare la retroriflettanza della segnaletica orizzontale utilizzando i dati dei sensori ADAS, dimostrando che tali dati possono approssimare efficacemente le misurazioni fisiche di RL, se supportati da adeguate strategie di segmentazione e calibrazione. Il terzo progetto ha analizzato la concordanza tra la valutazione dei conducenti umani e quella basata su ADAS della qualità della segnaletica orizzontale, rivelando una correlazione significativa, seppur moderata, e identificando divergenze in condizioni ambientali e geometriche specifiche, in particolare in scenari a bassa visibilità. Nel complesso, i risultati forniscono raccomandazioni ingegneristiche, operative e normative per migliorare gli standard stradali, in particolare le soglie di retroriflettanza della segnaletica, e per ottimizzare le strategie di calibrazione degli ADAS. Il quadro metodologico proposto, basato sui dati, contribuisce allo sviluppo di tecnologie di guida autonoma più sicure e a una distribuzione più affidabile degli ADAS in condizioni operative reali.