INTEGRAZIONE E OTTIMIZZAZIONE DI FIRMWARE E ALGORITMI DI CONTROLLO PER LA GUIDA E LA NAVIGAZIONE DI UN VEICOLO A GUIDA AUTONOMA IN SCALA 1:10

This thesis describes the integration and optimization of the low-level algorithms for a 1:10-scale autonomous vehicle, developed as part of the Bosch Future Mobility Challenge 2026 competition. Starting from an existing hardware and software architecture, the work focused on the firmware of the STM32 Nucleo-F401RE board, which is responsible for controlling the actuators, acquiring sensor data and communicating with the high-level controller, the NVIDIA Jetson Orin Nano Super. In particular,, the thesis focuses on the implementation and optimization of the algorithms for traction and steering control, the acquisition of data from the encoder and IMUs, the management of the illuminance sensor and the robustness of communication between the two boards. The solutions adopted were validated through static and dynamic tests, as well as track tests. The work also included improving the YOLO11n inference model used for object detection on the track, by expanding and optimizing the training dataset. Overall, the improvements made have enhanced the stability, reliability and safety of the vehicle’s main subsystems.

Il presente elaborato descrive l'integrazione e l'ottimizzazione degli algoritmi di basso livello di un veicolo a guida autonoma in scala 1:10, sviluppato nell'ambito della competizione Bosch Future Mobility Challenge 2026. Partendo da un'architettura hardware e software preesistente, il lavoro si è concentrato sul firmware della scheda STM32 Nucleo-F401RE, responsabile del controllo degli attuatori, dell'acquisizione dei dati sensoriali e della comunicazione con il controllore di alto livello NVIDIA Jetson Orin Nano Super. Sono stati implementati e ottimizzati gli algoritmi di controllo della trazione e dello sterzo, l'acquisizione dei dati dell'encoder e delle IMU, la gestione del sensore di illuminamento e la robustezza della comunicazione tra le due schede. Le soluzioni adottate sono state validate attraverso prove statiche, dinamiche e test sul tracciato. Il lavoro ha incluso anche il miglioramento del modello di inferenza YOLO11n utilizzato per il riconoscimento degli oggetti presenti sulla pista, tramite ampliamento e ottimizzazione del dataset di training. Nel complesso, gli interventi realizzati hanno migliorato la stabilità, l'affidabilità e la sicurezza dei principali sottosistemi del veicolo.