Come il Deep Learning supporta la sicurezza stradale. Un progetto di ricerca
Una delle problematiche principali della sicurezza stradale riguarda l’interazione strada-autisti: per questo il contesto stradale deve essere progettato anche per aumentare il livello attentivo del guidatore.
In che modo si possono minimizzare le fonti di distrazione attraverso il deep learning?
Articolo a cura di Laura Rocchi e Cesare Sassoli, Area Ricerca & Innovazione NIER Ingegneria
MINIMIZZARE LE FONTI DI DISTRAZIONE
Una delle problematiche principali della sicurezza stradale riguarda l’interazione strada-autisti o meglio, contesto di guida – autisti.
La strada e tutto il contesto stradale devono essere progettati non solo per facilitare il trasporto, ma anche per aumentare il livello attentivo del guidatore, minimizzando le fonti di distrazione.
Proprio in ambito sicurezza stradale i dati – sempre più numerosi e che le tecnologie mettono a disposizione in enormi quantità ogni giorno – rappresentano un asset importante da saper raccogliere e analizzare, per progredire in progetti di ricerca e innovazione su questo ambito.
ALGORITMI DI DEEP LEARNING
Più nello specifico, gli algoritmi di Deep Learning hanno trovato maggiore applicazione nel campo delle elaborazioni di immagini, dove il vantaggio della tecnica è risultata particolarmente efficace.
In particolare, dove è presente un’organizzazione spaziale delle informazioni hanno trovato particolare spazio le Reti Convoluzionali.
È su questo filone che si è mosso il progetto di NIER “Deep Learning for Video and Time Series Analysis”, un Prof of Concept (PoC) finalizzato a valutare il possibile effetto distraente del sistema di cruise control adattivo e del cruscotto interattivo dell’auto, svolto in collaborazione con CINECA e con la Prof. Valeria Vignali dell’Università di Bologna.
L’obiettivo della ricerca si concentrava sulla possibilità di identificare automaticamente il livello di attenzione/disattenzione di un automobilista.
Per riuscirci, sono stati realizzati 3 video a partire dall’inquadratura del punto di vista osservato dall’autista all’interno della scena durante la guida in un tratto di tangenziale, attraverso un dispositivo eye tracking system.
Gli oggetti o le aree su cui l’utente si concentra indirizzando lo sguardo sono stati catalogati in cinque classi:
- interno auto
- auto davanti
- sfondo
- specchietti laterali
- strada
che è stato possibile identificare automaticamente attraverso lo sviluppo e impiego del modello Convolutional Neural Network (CNN) – sviluppati e rilasciati dall’area Ricerca & Innovazione di NIER Ingegneria.
RISULTATI PROMETTENTI
Proprio l’utilizzo di questi algoritmi di DL ha permesso successivamente di valutare il grado di disturbo o focalizzazione attentiva del guidatore: ad esempio, individuando la pericolosità di un ambito, o l’efficacia di un intervento urbano o stradale (rotatoria, passaggi pedonali, ecc.).
I risultati sono molto promettenti: gli oggetti sono stati riconosciuti con un’accuratezza almeno pari al 70% (ovvero 7 volte su 10 la rete identifica correttamente l’oggetto).
Per l’applicazione specifica sono risultati molto promettenti, considerando che precedentemente la classificazione era fatta, frame by frame, a mano da un operatore. Da un punto di vista pratico quindi si tratta di un’automazione molto efficace e che può favorire lo sviluppo di ulteriori esperimenti e processi di analisi.
POSSIBILI APPLICAZIONI DEL PoC
Anche se il PoC è ora oggetto di ulteriori sviluppi che proseguiranno nei prossimi mesi, sono numerose le possibili applicazioni delle evidenze raccolte e degli algoritmi sviluppati, come:
- Auto-labelling
- Interfaccia per l’utente (DSS)
- KPI di «attenzione»
- Reti Innestate
E altri possibili campi applicativi non connessi strettamente all’ambito stradale, come:
- controllo qualità, identificazione oggetti in produzione
- sicurezza: Accessi, DPI, sostanze pericolose, identificazione mezzi di trasporto
- Edge Computing.