96994 - SMART VEHICULAR-SYSTEMS

Conoscenze e abilità da conseguire

The course provides advanced knowledge of the principles and technologies underlying autonomous and connected vehicles, with particular focus on communication, mobility, and artificial intelligence challenges. Students will learn how to analyze real-world application scenarios, design system architectures, and use simulation and development tools for autonomous vehicular systems. Laboratory activities will enable students to gain practical experience in modeling and validating solutions for mobility.

Contenuti

Autonomia, mobilità e intelligenza artificiale sono tra le innovazioni tecnologiche destinate a trasformare più profondamente la società negli anni a venire.
Il corso offre una panoramica completa dei sistemi veicolari connessi, mobili e autonomi, con l’obiettivo di comprendere i loro componenti fondamentali e i principi di funzionamento.

Saranno analizzati scenari che vanno dagli ADAS fino alla guida autonoma completa, evidenziando come le tecnologie attuali siano ancora in fase evolutiva e non esista una soluzione unica e definitiva. Verranno trattati temi quali sensing, percezione, decision-making, networking, system design e l’uso dei Digital Twin per la modellazione e la simulazione.

Prerequisiti

Si richiede agli studenti:

• Una buona conoscenza di algoritmi e concetti introduttivi di AI.

• Buone capacità di programmazione e familiarità con ambienti Linux e sistemi real-time o embedded.

• Preferibilmente, conoscenza di modelli e framework AI (es. YOLO, TensorRT).

• Conoscenze di ROS, programmazione CUDA/Jetson e nozioni di base di controllo sono un plus, ma non obbligatorie.

Obiettivi del corso

Il corso mira a fornire agli studenti una comprensione approfondita dei principi con cui vengono progettati, implementati e validati i moderni sistemi veicolari autonomi e connessi, e di come essi si evolveranno nel prossimo futuro. Le attività di laboratorio, basate sul simulatore CARLA, offriranno esperienza pratica su percezione, pianificazione, controllo e approcci Digital Twin.

Uno studente che completa con successo il corso sarà in grado di:

• Comprendere sfide e opportunità legate ai veicoli autonomi, alla mobilità intelligente e alla robotica mobile.

• Acquisire conoscenze avanzate di networking e sistemi distribuiti applicati ai veicoli connessi, incluse architetture innovative oltre il modello classico di Internet.

• Analizzare i requisiti di un sistema autonomo e selezionare l’architettura e le tecnologie più adeguate per sensing, percezione, comunicazione e computazione.

• Acquisire familiarità pratica con ambienti di simulazione (es. CARLA) e piattaforme sperimentali per sistemi autonomi e connessi.

Testi/Bibliografia

Il materiale principale del corso sarà fornito direttamente dal docente e consisterà in articoli scientifici recenti, rapporti tecnici e materiale selezionato da testi classici e moderni relativi a guida autonoma, sistemi mobili, networking veicolare e AI per la mobilità.

Agli studenti sarà inoltre richiesto di seguire tutorial online e documentazione tecnica relativi ai tool utilizzati nel laboratorio (ad es. CARLA, ROS2, toolkit di AI, librerie per la percezione sensoriale).

Testi consigliati

Sebbene non obbligatori, i seguenti libri forniscono un utile background teorico e pratico:

• Joseph O’Rourke, Computational Geometry, Cambridge University Press.
  Testo classico per la comprensione degli algoritmi geometrici utilizzati in navigazione, mapping e ragionamento spaziale.

• Kevin M. Lynch & Frank C. Park, Modern Robotics: Mechanics, Planning, and Control, Cambridge University Press.
  Riferimento fondamentale per cinematica, motion planning e controllo nei sistemi autonomi.

• Andreas Lindholm, Niklas Wahlström, Fredrik Lindsten,
  Machine Learning: A First Course for Engineers and Scientists, Cambridge University Press.
  Introduzione pratica al machine learning con applicazioni alla percezione, predizione e decision-making.

• Sean Meyn, Control Systems and Reinforcement Learning, Cambridge University Press.
  Testo che collega in modo moderno la teoria del controllo con l'apprendimento per rinforzo, rilevante per il comportamento autonomo.

Metodi didattici

Il corso è articolato in due componenti didattiche complementari:

1. Lezioni Frontali Tradizionali (Parte Teorica)

La parte teorica del corso verrà svolta tramite lezioni frontali classiche, dedicate ai fondamenti dei sistemi veicolari intelligenti, della guida autonoma, delle comunicazioni veicolari, della percezione e delle metodologie Digital Twin. Le lezioni forniranno le basi concettuali necessarie per comprendere architetture, algoritmi e compromessi progettuali.

2. Laboratori Pratici con il Simulatore CARLA (Parte Applicativa)

La componente pratica prevede sessioni di laboratorio basate sull’uso del simulatore di guida autonoma CARLA. Gli studenti lavoreranno individualmente o in piccoli gruppi per implementare, testare e analizzare funzioni veicolari come percezione, sensor fusion, pianificazione, controllo e modellazione tramite Digital Twin.

Modalità di verifica e valutazione dell'apprendimento

La valutazione si basa su un progetto di gruppo, composto da un massimo di 3 studenti, che include una relazione scritta, il codice sorgente, una presentazione finale, una dimostrazione dal vivo sul simulatore CARLA e una prova orale individuale sugli argomenti trattati durante le lezioni teoriche.

Consegna del progetto

Ogni gruppo riceverà un progetto da svolgere durante il corso.

Gli studenti dovranno consegnare la relazione di progetto e il codice sorgente completo almeno una settimana prima della data della presentazione.

Il progetto dovrà essere già integrato con il controller del simulatore utilizzato durante le attività di laboratorio.

Composizione del voto

Il voto finale, per un massimo di 32 punti, è composto come segue:

1. Relazione di progetto + Codice sorgente — 16 punti

I criteri di valutazione includono:

• Correttezza e completezza dell’implementazione

• Qualità dell’architettura e delle scelte progettuali

• Originalità e chiarezza della relazione tecnica

• Funzionalità e robustezza del sistema

• Corretta integrazione con il simulatore CARLA

2. Presentazione + Dimostrazione dal vivo — 8 punti

• Completezza della presentazione: 3 punti

• Padronanza degli argomenti e chiarezza espositiva: 3 punti

• Rispetto dei tempi: 2 punti

3. Prova orale individuale — 8 punti

Ogni studente sarà valutato individualmente attraverso domande orali sugli argomenti trattati durante le lezioni teoriche.

I criteri di valutazione includono:

• Comprensione dei principali concetti teorici

• Capacità di spiegare e collegare gli argomenti affrontati durante il corso

• Uso appropriato della terminologia tecnica

• Capacità di applicare i concetti teorici a scenari pratici

Durata della presentazione

• Gruppo di 3 studenti: 30 minuti, oltre alle domande

• Gruppo di 2 studenti: 20 minuti, oltre alle domande

• Progetto individuale: 10 minuti, oltre alle domande

La presentazione dovrà essere accompagnata da slide.

La dimostrazione dal vivo dovrà essere eseguita all’interno di CARLA e dovrà mostrare l’integrazione funzionale del sistema sviluppato.

Strumenti a supporto della didattica

Il corso fa uso di diversi strumenti software, ambienti di simulazione e framework di sviluppo che supportano sia le lezioni teoriche sia le attività di laboratorio. I principali strumenti didattici includono:

Piattaforme di Sviluppo e Simulazione

• Simulatore CARLA per guida autonoma, modellazione sensori e test di scenario

• Python per scripting, analisi dati e prototipazione

• Ambiente Linux (Ubuntu consigliato) per lo sviluppo e l’integrazione

• Visual Studio Code o IDE equivalenti per programmazione e debugging

• Git/GitHub per versionamento del codice e lavoro collaborativo

Strumenti per AI, Percezione e Robotica

• PyTorch / TensorFlow per machine learning e deep learning

• OpenCV per computer vision

• ROS2 (opzionale) per lo sviluppo modulare di sistemi robotici

• Supporto NVIDIA CUDA / Jetson (opzionale) per accelerazione hardware

Strumenti per Veicoli e Networking

• Wireshark, tcpdump e altri tool di rete per analizzare comunicazioni veicolari

• Client MQTT per architetture orientate ai messaggi (solo se necessari al progetto)

Orario di ricevimento

Consulta il sito web di Roberto Girau