Within the realm of autonomous driving, Autonomous Racing competitions represent a well-established and unique reality: the expensive highperformance vehicles involved create a demanding proving ground for stateof- the-art algorithms, requiring high levels of precision and robustness. In this context, a new event, the Abu Dhabi Autonomous Racing League (A2RL), had its inaugural exhibition in Abu Dhabi in April 2024. This first competition hosted the first head-to-head race on a road-course track, introducing teams to new and more complex challenges. Compared to oval tracks, a road-course layout poses a harder test due to the presence of multiple turns and technical sections, necessitating more intricate trajectory planning. Consequently, this complexity makes predicting the opponent’s vehicle movements non-trivial. The ability to predict opponent movements with high precision allows for better strategic planning and real-time decision-making. The various turns and the frequently changing speed require the development of a precise spatiotemporal prediction. This thesis addresses the spatio-temporal prediction problem by introducing two parallel subproblems. Firstly, it extrapolates the opponent’s racing line from the perceived data during the race, exploiting a grid-based quantization strategy and Gaussian Process Regression (GPR) to generate the final path and its associated curvature profile. Simultaneously, the maximum accelerations of the opponent are estimated using an optimization problem, which receives as input the instantaneous accelerations. Finally, the spatial and temporal information are merged to generate a predicted speed profile for the opponent. The validation of the algorithm happened in simulation, using elaborate vehicle models that mimic the real car’s dynamics. The proposed pipeline is successful in deducing the racing line (with errors of approximately 0.25 m) and the associated curvature, as well as the maximum accelerations. The predicted speed profile is also comparable with the actual opponent’s velocity.

Inom området autonom körning är tävlingar i Autonomous Racing en väletablerad och unik verklighet: de dyra högpresterande fordonen som är inblandade skapar en krävande testmiljö för avancerade algoritmer som kräver hög precision och robusthet. I detta sammanhang hade ett nytt evenemang, A2RL, sin invigningsutställning i Abu Dhabi i april 2024. I tävlingen kördes det första tävlingsloppet på en vägbana, vilket innebar att teamen ställdes inför nya och mer komplexa utmaningar. Jämfört med ovala banor utgör en road-course layout ett svårare test på grund av förekomsten av flera svängar och tekniska sektioner, vilket kräver mer intrikat planering av banan. Följaktligen gör denna komplexitet att det inte är trivialt att förutsäga motståndarens fordonsrörelser. Förmågan att förutse motståndarens rörelser med hög precision möjliggör bättre strategisk planering och beslutsfattande i realtid. De olika svängarna och den ofta förändrade hastigheten kräver att man utvecklar en exakt spatio-temporal prediktion. Denna avhandling behandlar problemet med spatio-temporal prediktion genom att introducera två parallella delproblem. För det första extrapoleras motståndarens tävlingslinje från de data som uppfattas under loppet, med hjälp av en rutnätsbaserad kvantiseringsstrategi och GPR för att generera den slutliga banan och dess tillhörande kurvprofil. Samtidigt uppskattas motståndarens maximala accelerationer med hjälp av ett optimeringsproblem, som får de momentana accelerationerna som indata. Slutligen sammanförs den spatiala och temporala informationen för att generera en predikterad hastighetsprofil för motståndaren. Algoritmen validerades i simulering med hjälp av detaljerade fordonsmodeller som efterliknar den verkliga bilens dynamik. Den föreslagna pipelinen lyckas härleda racinglinjen (med fel på cirka 0,25m), den tillhörande krökningen samt de maximala accelerationerna. Den förutspådda hastighetsprofilen är också jämförbar med den faktiska motståndarens hastighet.

Nel campo della guida autonoma, le competizioni tra veicoli autonomi rappresentano una realtà ben consolidata: utilizzando veicoli ad alte prestazioni costosi, queste gare costituiscono un banco di prova unico per algoritmi all’avanguardia, richiedendo alti livelli di precisione e robustezza. In questo contesto, un nuovo evento, l’Abu Dhabi Autonomous Racing League (A2RL), ha avuto la sua gara inaugurale ad Abu Dhabi nell’Aprile 2024. Questa prima competizione ha visto realizzarsi la prima gara testa a testa su un circuito stradale, introducendo le squadre a nuove e più complesse sfide. Rispetto ai circuiti ovali, un tracciato stradale è una prova più difficile a causa della presenza di molteplici curve, che necessitano di una pianificazione della traiettoria più complessa. Di conseguenza, questa complessità rende non banale anche la previsione dei movimenti dei veicoli avversari. La capacità di prevedere i movimenti degli avversari con alta precisione permette una migliore pianificazione strategica e decisioni in tempo reale. Le numerose curve e le frequenti variazioni di velocità richiedono lo sviluppo di una efficace previsione spazio-temporale. Questa tesi affronta il problema della previsione spazio-temporale introducendo due sottoproblemi paralleli. In primo luogo, essa estrapola la linea dell’avversario dai dati raccolti durante la gara, utilizzando una quantizzazione basata su una griglia e Gaussian Process Regression (GPR) per generare il percorso finale e il profilo di curvatura associato. Simultaneamente, le accelerazioni massime dell’avversario vengono stimate utilizzando un problema di ottimizzazione che riceve come input le accelerazioni istantanee. Infine, le informazioni spaziali e temporali vengono fuse per generare un profilo di velocità previsto per l’avversario. La validazione dell’algoritmo è avvenuta in simulazione, utilizzando modelli di veicoli accurati che riproducono le dinamiche reali del veicolo. La soluzione proposta riesce a dedurre la linea seguita dall’avversario (con errori di circa 0.25 metri) e la curvatura associata, nonché le accelerazioni massime. Il profilo di velocità predetto è comparabile con la velocità effettiva tenuta dall’avversario.