In this Bachelor Thesis, we tackle a crucial issue in autonomous driving technology - the detection and reasoning of occluded areas and potential occluded vehicles in realistic scenarios. Autonomous driving has gained significant momentum in recent years, but ensuring safety remains a major concern. One significant challenge is the presence of objects that obstruct the vehicle’s vision, leading to occlusions that lead to uncertainty for the autonomous system or, in a worse scenario, to unpredicted dangerous situations. To address this problem, we have developed a reachability analysis framework that employs advanced detection methods to ensure safety in autonomous driving scenarios. Our framework focuses on two key aspects: real-time detection of occluded areas and tracking potential phantom vehicles. To evaluate the effectiveness of our approach, we utilized the CARLA simulator, which provides a realistic virtual environment for creating and testing various autonomous driving scenarios. Through experimentation in different situations, we validated the overall performance of our implemented methods. The findings of our project are highly relevant and meaningful to a wider audience. Imagine you’re driving on a busy road, and suddenly, your vision is partially blocked by a large truck or a building. In such situations, our framework can accurately detect the occluded area in real-time, allowing the autonomous driving system to adjust its behavior accordingly. This enhances safety for both autonomous vehicles and human drivers by enabling them to anticipate potential hazards in obscured areas. The impact and implications of our project results extend beyond the realm of autonomous driving. By addressing the issue of occlusions and enhancing safety, our framework contributes to building trust in autonomous technology. This, in turn, promotes its wider adoption and acceptance by society. Moreover, our work aligns with the United Nations’ Sustainable Development Goals, particularly Goal 3 (Good Health and Well-Being) and Goal 9 (Industry, Innovation, and Infrastructure). By ensuring safer roads through advanced detection and reasoning techniques, we contribute to reducing accidents and improving the overall well-being of individuals. In conclusion, our project addresses the critical challenge of occlusions in autonomous driving scenarios. We propose a reachability analysis framework that detects occluded areas and tracks potential phantom vehicles. Our findings have significant implications for safety, trust, and the wider adoption of autonomous technology. By contributing to the advancement of computerassisted diagnostics and aligning with the UN Sustainable Development Goals, our work demonstrates the importance and relevance of researching this field.

I denna kandidatuppsats tar vi oss an en avgörande fråga inom autonom körningsteknik - detektering och resonemang om ockluderade områden och potentiellt ockluderade fordon i realistiska scenarier. Autonom körning har blivit allt vanligare under de senaste åren, men säkerheten är fortfarande ett stort problem. En betydande utmaning är förekomsten av objekt som hindrar fordonets sikt, vilket leder till ocklusioner som leder till osäkerhet för det autonoma systemet eller, i ett värre scenario, till oförutsedda farliga situationer. För att ta itu med detta problem har vi utvecklat ett ramverk för tillgänglighetsanalys som använder avancerade detekteringsmetoder för att säkerställa säkerheten i autonoma körscenarier. Vårt ramverk fokuserar på två viktiga aspekter: realtidsdetektering av ockluderade områden och spårning av potentiella fantomfordon. För att utvärdera hur effektiv vår metod är använde vi CARLA-simulatorn, som tillhandahåller en realistisk virtuell miljö för att skapa och testa olika autonoma körscenarier. Genom att experimentera i olika situationer validerade vi den övergripande prestandan hos våra implementerade metoder. Resultaten av vårt projekt är mycket relevanta och meningsfulla för en bredare publik. Tänk dig att du kör på en trafikerad väg och plötsligt blockeras din sikt delvis av en stor lastbil eller en byggnad. I sådana situationer kan vårt ramverk exakt detektera det ockluderade området i realtid, så att det autonoma körsystemet kan anpassa sitt beteende därefter. Detta förbättrar säkerheten för både autonoma fordon och mänskliga förare genom att de kan förutse potentiella faror i skymda områden. Effekterna och konsekvenserna av våra projektresultat sträcker sig längre än till autonom körning. Genom att lösa problemet med ocklusioner och förbättra säkerheten bidrar vårt ramverk till att skapa förtroende för autonom teknik. Detta främjar i sin tur en bredare användning och acceptans i samhället. Dessutom ligger vårt arbete i linje med FN:s mål för hållbar utveckling, särskilt mål 3 (God hälsa och välbefinnande) och mål 9 (Hållbar industri, innovationer och infrastruktur). Genom att säkerställa säkrare vägar med hjälp av avancerad teknik för detektering och resonemang bidrar vi till att minska antalet olyckor och förbättra det allmänna välbefinnandet för individer. Sammanfattningsvis tar vårt projekt upp den kritiska utmaningen med ocklusioner i autonoma körscenarier. Vi föreslår ett ramverk för tillgänglighetsanalys som upptäcker ockluderade områden och spårar potentiella fantomfordon. Våra resultat har stor betydelse för säkerhet, förtroende och en bredare användning av autonom teknik. Genom att bidra till utvecklingen av datorassisterad diagnostik och uppfylla FN:s mål för hållbar utveckling visar vårt arbete hur viktigt och relevant det är att forska inom detta område.