2.1 Applicazione Minervas SRL (Stato Attuale)
La startup Minervas SRL ha sviluppato un'applicazione in grado di analizzare le caratteristiche tecniche specifiche di veicoli commerciali. Attraverso dei calcoli, l'applicazione definisce un "modello di guida perfetta" e un profilo di velocità ideale per un dato percorso, con l'obiettivo di ottimizzare i costi operativi (principalmente consumo di carburante) e ridurre le emissioni. L'interfaccia attuale assomiglia a un sistema di navigazione che fornisce indicazioni per seguire questo modello ottimale.
2.2 Il Problema e l'Opportunità
La principale limitazione dell'applicazione attuale è la sua impersonalità: le raccomandazioni sono identiche per tutti i conducenti, indipendentemente dalle loro abitudini, dalla loro reattività o dal loro stato emotivo. Un guidatore aggressivo potrebbe ignorare suggerimenti troppo conservativi, mentre uno ansioso potrebbe essere messo in difficoltà da indicazioni che non tengono conto del suo stato.
Il progetto Schumi si pone l'obiettivo di colmare questa lacuna attraverso una personalizzazione profonda. Vogliamo che l'applicazione sia in grado di:
- Profilare il conducente: Misurando e analizzando non solo il suo stile di guida oggettivo, ma anche il suo stato d'animo.
- Adattare le raccomandazioni: Modificando dinamicamente il tipo e la modalità delle indicazioni per renderle più pertinenti, efficaci e facilmente adottabili dal singolo individuo nel suo contesto specifico.
2.3 Obiettivi Specifici del Tirocinio:
- Costruzione di un Dataset Comportamentale: Progettare e realizzare un dataset strutturato e annotato a partire dai dati telemetrici grezzi di ETS2, definendo metriche chiave per descrivere il comportamento di guida.
- Sviluppo di un Modello di Classificazione dello Stile di Guida: Implementare e addestrare una pipeline di Machine Learning in grado di classificare lo stile di guida del conducente (es. aggressivo, prudente) sulla base dei dati telemetrici.
- Sviluppo di un Modello per il Riconoscimento dello Stato d'Animo: Realizzare una pipeline di Computer Vision per analizzare il flusso video di una webcam e classificare le emozioni del conducente.
- Integrazione Architetturale: Integrare i moduli di raccolta dati e i modelli analitici in un'architettura server basata su MQTT e servizi web, che persista i profili utente in un database.
- Esposizione del Servizio: Sviluppare un'API REST che consenta all'applicazione Minervas e a sistemi esterni di accedere ai dati di profilazione del conducente in modo sicuro e standardizzato.