Sintesi del Progetto: Sistema di Analisi e Classificazione dello Stile di Guida

1. Panoramica e Obiettivi del Progetto

Il team sta sviluppando un sistema avanzato per l'analisi del comportamento dei guidatori. Il progetto persegue un duplice obiettivo strategico:

• Analisi in Tempo Reale: Fornire al guidatore suggerimenti dinamici sulla velocità ottimale da mantenere durante il viaggio. Questo supporto attivo mira a migliorare l'efficienza e la sicurezza, basandosi su un'analisi continua delle condizioni del percorso.
• Analisi Post-Viaggio: Classificare e valutare i guidatori in base al loro stile di guida. Questa funzionalità permetterà di creare una graduatoria (ranking) e di identificare profili di guida specifici (es. aggressivo, prudente, eco-friendly).

L'obiettivo finale del sistema è l'ottimizzazione del consumo energetico del veicolo. Per raggiungere questo scopo, l'algoritmo principale considera una serie di parametri critici, tra cui le specifiche tecniche del veicolo, la morfologia della strada (pendenze, curve, tipo di asfalto), l'altitudine e altre variabili ambientali.

2. Architettura Tecnica e Flusso Dati

L'infrastruttura tecnica del progetto si basa sui seguenti componenti:

• Algoritmo Esistente: È già stato sviluppato un algoritmo in grado di generare un profilo di velocità ideale (speed profile) a partire da una sequenza di coordinate geografiche che definiscono un percorso.
• Raccolta Dati: I dati telemetrici del veicolo vengono raccolti da un simulatore di guida e trasmessi tramite il protocollo MQTT. Questo garantisce un flusso di dati in tempo reale, leggero ed efficiente.
• Dati Telemetrici Raccolti: Il dataset per ogni sessione di guida include:
  • Timestamp: Riferimento temporale di ogni rilevazione.
  • Speed: Velocità istantanea del veicolo.
  • Odometer: Chilometraggio progressivo.
  • Gear: Marcia inserita.
  • Engine Revs: Giri del motore (RPM).
  • Fuel Consumption: Consumo di carburante istantaneo e cumulato.
  • Brake/Accelerator Usage: Pressione e stato dei pedali di freno e acceleratore.
• Sviluppo Modulare: Si prevede di sviluppare un modulo software separato, dedicato all'analisi e alla classificazione, progettato per una futura e semplice integrazione con l'applicazione principale esistente.
• Database: È requisito fondamentale l'implementazione di un database dedicato per l'archiviazione strutturata dei dati raccolti. Questo database servirà sia come repository per le analisi post-viaggio, sia come fonte dati per l'addestramento (training) dei modelli di Machine Learning.

3. Metodologia di Classificazione del Guidatore

L'approccio alla classificazione si basa su una ricerca preliminare già condotta da Michele sulle caratteristiche del comportamento di guida e sulle feature (variabili) più significative da estrarre dai dati.

• Approccio Basato su Machine Learning: La classificazione utilizzerà modelli di apprendimento automatico per analizzare i pattern di guida e identificare profili ricorrenti.
• Scoring Iniziale: La metrica di valutazione attuale si basa sul confronto diretto tra il profilo di velocità suggerito dall'algoritmo e la velocità effettiva mantenuta dal guidatore.
• Potenziamento della Classificazione: Per rendere l'analisi più sofisticata e accurata, il team sta valutando di integrare le seguenti analisi avanzate:
  • Reazione agli Ostacoli: Analisi dei tempi e delle modalità di reazione del guidatore di fronte a ostacoli imprevisti simulati.
  • Pattern di Utilizzo dei Pedali: Studio dettagliato della frequenza, intensità e correlazione nell'uso di acceleratore e freno, per identificare comportamenti (es. guida "a scatti" vs. guida fluida).
  • Computer Vision (opzionale): In una fase successiva, si potrebbe esplorare l'uso di tecniche di computer vision per analizzare il comportamento del guidatore all'interno dell'abitacolo o la sua interazione con l'ambiente esterno.

4. Piano di Sviluppo e Strategia di Implementazione

Per garantire un progresso graduale e controllato, il team ha definito la seguente strategia: