L'Intelligenza Artificiale nella elaborazione delle immagini: tecniche di visione artificiale per il monitoraggio della guida di motocicli

Bulotta D., Carta A., Righi M., Leone G. R.

Yolo  Artificial Intelligence  Drive license  OpenCV 

Il tirocinio si è svolto presso l'Istituto di Scienza e Tecnologie dell'Informazione del Consiglio Nazionale delle Ricerche e ha richiesto circa cinque mesi. Il tirocinio si è svolto nell'ambito del progetto di ricerca Artificial Intelligence driven RIding Distributed Eye (AI-RIDE) che ha come obiettivo lo studio e la realizzazione prototipale di un framework di Intelligenza Artificiale integrato nel contesto della formazione dei motociclisti, mirando in particolare ad una verifica standard, misurabile e imparziale dell'esame della patente di guida per motocicli. L'esito di un esame di patente di guida dipende da diversi fattori, come il tempo di prestazione, la precisione della traiettoria, la gestione della velocità e l'esecuzione di un percorso netto senza effettuare penalità. La maggior parte di tali fattori può essere misurata utilizzando strumenti di analisi delle immagini ottenute per mezzo di telecamere esterne opportunamente posizionate. L'obiettivo di questo tirocinio è stato ricavare tali informazioni dai flussi video a disposizione massimizzando la precisione dei dati ottenuti. Il primo compito è consistito nell'allenamento di un modello di Object Detection per il riconoscimento dei coni, del motociclo e del pilota; utilizzando vari strumenti di annotazione si è popolato un dataset con numerosi frame estratti dai video realizzati nel sito di prova, la pista della scuola guida Gerardo di Pontedera; tale dataset è stato continuamente migliorato aggiungendo immagini di casistiche specifiche, conducendo test a diverse risoluzioni e utilizzando numerosità crescenti dei modelli di partenza (come spiegato nei paragrafi 3.1.7 e 4.2.8). Raggiunta una soddisfacente prestazione del task di riconoscimento si è implementata la logica funzionale alla individuazione precisa della posizione della moto nello spazio e all'eventuale penalità connessa con lo spostamento di uno o più coni segnaletici (si veda paragrafo 4.3.1 e 4.3.2). Queste informazioni sono servite da input al sottosistema di fusione delle informazioni che non è compreso nel lavoro di questo tirocinio. Il modello custom di object detection ha conseguito ottimi risultati in termini di confidenza e precisione nel riconoscimento degli elementi in gioco ovvero coni, moto e pilota. La logica implementata per il rilevamento delle penalità commesse durante l'esame di guida è stata essenziale per il successo finale del sistema. Il lavoro svolto è stato presentato il giorno 14 giugno 2023 presso il sito di prova in un evento che ha previsto una dimostrazione del sistema dal vivo includendo vari scenari di guida: tutte le penalità principali sono state segnalate con elevata precisione spaziale e temporale.