CERBERUS per la percezione Multi-Task in scenari di guida autonoma: transfer learning da BDD100K a OpenLane.

La percezione dell'ambiente stradale rappresenta una componente fondamentale dei sistemi avanzati di assistenza alla guida e di guida autonoma. In questo contesto, il multi-task learning consente di affrontare simultaneamente diversi compiti di percezione mediante un'unica architettura, condividendo parte delle rappresentazioni apprese tra task correlati. Il presente lavoro studia l'adattamento e il trasferimento di una pipeline multi-task basata sull'architettura CERBERUS tra i dataset BDD100K e OpenLane, considerando congiuntamente i task di lane estimation e object detection. La prima parte del lavoro ha riguardato l'adattamento dei dati e l'armonizzazione delle annotazioni dei due dataset. In particolare, per le corsie si è utilizzata una rappresentazione comune basata su keypoint, mentre le annotazioni CIPO associate a OpenLane sono state convertite nel formato richiesto dalla pipeline e le categorie di object detection sono state ricondotte a un insieme comune, consentendo la compatibilità della relativa testa di predizione durante il trasferimento. La procedura sperimentale è stata preceduta da esperimenti preliminari per verificare il corretto funzionamento delle pipeline di preprocessing e addestramento. Successivamente, il modello è stato addestrato in configurazione multi-task su BDD100K e il miglior checkpoint ottenuto è stato utilizzato come inizializzazione per il fine-tuning su OpenLane. Il miglior checkpoint ottenuto su BDD100K raggiunge una Lane IoU pari a 0.6514 e una mAP pari a 0.2429, con un punteggio combinato di 0.4471. Durante il successivo fine-tuning su OpenLane, il checkpoint selezionato raggiunge una Lane IoU pari a 0.5536 e una mAP pari a 0.1616, con un punteggio combinato pari a 0.3576. Infine, il confronto con un addestramento diretto su OpenLane senza il precedente pre-training multi-task su BDD100K permette di quantificare il contributo del trasferimento dei pesi alle prestazioni sul dataset target, raggiungendo una Lane IoU pari a 0.5508, una mAP pari a 0.1498 e un punteggio combinato pari a 0.3503. I risultati mostrano come una pipeline multi-task possa essere trasferita tra dataset caratterizzati da schemi di annotazione differenti, preservando i parametri compatibili e adattando le componenti dipendenti dalla definizione dei task.