Roberto Girau

Proposta tesi magistrale

Tracciamento anonimo dei flussi passeggeri

Il sistema mira a stimare i flussi di movimento dei passeggeri all’interno di una rete di trasporto pubblico, sfruttando dispositivi installati ad hoc a bordo dei veicoli o alle fermate dei bus. L'idea si basa sulla rilevazione di segnali Wi-Fi e/o BLE emessi dagli smartphone dei passeggeri: tali segnali vengono utilizzati per ricostruire i pattern di salita/discesa e spostamenti tra fermate.

Obiettivo

Realizzare un prototipo del sistema, concentrandosi sulla raccolta dei dati da un router/antenna Wi-Fi/altro dispositivo e sulla ricostruzione dei flussi. L’obiettivo è validare la fattibilità tecnica (tenendo conto della randomizzazione degli identificativi) e proporre una demo di utilizzo dei dati aggregati per generare matrici Origine–Destinazione.

Attività Principali

- Analisi dello stato dell’arte su Wi-Fi/BLE sniffing e relative problematiche di randomizzazione degli indirizzi.
- Proposta di architettura del sistema (dispositivo on-board, alle fermate, modulo di raccolta dati, backend).
- Implementazione di un prototipo su e.g. Raspberry Pi con interfaccia Wi-Fi.
- Proposta di algoritmo di rilevamento salita/discesa dei passeggeri.
- Realizzazione di un modulo per la raccolta dei dati in tempo reale.
- Demo con caso d’uso: raccolta dati sperimentale (e.g. anche in laboratorio con più utenti).

Proposta tesi magistrale

Titolo della tesi: Predizione dello stato psicofisico del guidatore mediante modelli AI/ML integrati in un Digital Twin e validati in ambiente simulato CARLA

Obiettivo:

Sviluppare un modulo predittivo basato su AI/ML in grado di stimare il futuro stato psicofisico del guidatore (in termini di frequenza cardiaca ed emozioni) a partire da dati sensoriali raccolti in tempo reale. Il modulo sarà integrato all’interno di un Digital Twin del conducente e testato in scenari di guida realistici nel simulatore CARLA, con l’obiettivo di valutare l’impatto sulla sicurezza e sull’adattività dei sistemi veicolo-utente.

Attività previste:

1. Analisi del Digital Twin e setup del contesto simulativo
   • Studio dell’architettura del Digital Twin del guidatore.
   • Configurazione dell’ambiente CARLA per il testing, con particolare attenzione al monitoraggio del comportamento del conducente simulato.
2. Raccolta/simulazione dati psicofisici
   • Acquisizione o simulazione di frequenza cardiaca e indici emozionali (tramite modelli Facial Expression Recongnition da camera virtuale in CARLA o dataset esterni).
   • Definizione del vettore di stato e delle etichette target (e.g., stress, attenzione, fatica).
3. Sviluppo del modello predittivo AI/ML
   • Costruzione di dataset sequenziali temporali.
   • Training e valutazione di modelli RNN (LSTM/GRU), Transformer o altri modelli idonei alla predizione temporale.
   • Output: previsione dello stato psicofisico futuro a breve termine (es. prossimi 10–30 sec).
4. Integrazione nel Digital Twin e CARLA
   • Embedding del modulo predittivo nell’ambiente del Digital Twin.
   • Simulazione nel simulatore CARLA di scenari diversi (guida stressante, monotonia, traffico intenso).
   • Analisi della risposta del twin e del sistema veicolo (e.g. attivazione alert, suggerimenti all’utente).
5. Validazione e analisi critica
   • Misurazione delle prestazioni predittive del modello
   • Analisi dei benefici derivanti dall’integrazione nel sistema di bordo.
   • Discussione dei limiti, delle potenzialità e delle estensioni future (reale applicazione su veicolo, edge computing, ecc.).

——————————

Proposta tesi triennale

Titolo della tesi: Sviluppo di una piattaforma cloud-edge per l’autenticazione e la personalizzazione dell’esperienza utente in ambito automotive

Obiettivo:

La tesi ha l’obiettivo di progettare e sviluppare una piattaforma distribuita tra cloud e nodo edge veicolare per la gestione dell’identità digitale degli utenti in ambito automotive. L’utente può registrarsi tramite un’interfaccia web collegata al cluster cloud. Successivamente, tramite un'interfaccia veicolare, l’utente può autenticarsi: a seguito del login, il nodo edge della vettura comunica con il servizio cloud per ricevere le informazioni associate al profilo utente. Il nodo edge memorizza tali informazioni in una cache Redis e avvia dinamicamente un secondo microservizio personalizzato. Entrambi i cluster (cloud e edge) utilizzano k3s come orchestratore Kubernetes lightweight.

Attività previste:

Sviluppo backend cloud:

• API RESTful per registrazione e login utente
• Archiviazione sicura delle credenziali e dei dati utente
• Comunicazione sicura (HTTPS / JWT)

Interfaccia web per registrazione:

• Frontend semplice per la registrazione e gestione utente
• Comunicazione con il backend cloud

Interfaccia edge per login:

• UI minimale da usare in vettura (es. touchscreen)
• Invio credenziali al cloud, ricezione dati utente

Servizi edge:

• Richiesta dati al cloud in seguito al login
• Deploy dinamico di un’istanza Redis tramite manifest Kubernetes già presenti nel pod
• Deploy dinamico di un secondo servizio tramite manifest Kubernetes già presenti nel pod

Infrastruttura:

• Due cluster K3s distinti (uno cloud, uno edge)
• Meccanismi di comunicazione sicura tra edge e cloud (API + autenticazione)

——————————

Proposta tesi magistrale

Titolo della tesi: Progettazione e Sviluppo di un Decision Support System Cloud-Edge per l'Analisi Proattiva delle Condizioni Stradali basato su Dati Veicolari e Simulazione CARLA

Obiettivo:

Sviluppare un sistema Decision Support System (DSS) distribuito su cloud ed edge per fornire supporto decisionale ai conducenti, analizzando in tempo reale le condizioni delle strade tramite dati raccolti da veicoli in transito. Il sistema deve gestire anche situazioni di connettività intermittente, notificando eventuali interruzioni e preallertando altri veicoli.

Attività previste:

1. Componente Edge (su veicolo):
   • Acquisizione video tramite videocamera anteriore.
   • Estrazione locale di informazioni stradali (traffico, manto stradale, ostacoli).
   • Inoltro delle informazioni al DSS cloud, se connesso.
   • In caso di perdita di connessione:
     • Registrazione del punto in cui la connettività è venuta meno.
     • Notifica al DSS al ripristino della rete.
     • Invio dei dati acquisiti da quando si è persa la connettività a quando è stata ristabilita
2. Componente Cloud:
   • Ricezione dati stradali da veicoli connessi.
   • Mappatura dinamica dello stato delle strade.
   • Analisi dei percorsi in funzione della destinazione specificata.
   • Notifica al conducente di potenziali problematiche lungo il percorso (es. buche, traffico, tratti sconosciuti).
   • Gestione delle richieste proattive da parte di altri veicoli in avvicinamento a zone con storiche interruzioni di rete.
3. Simulazione e Testing:
   • Uso del simulatore CARLA per testare i casi d’uso, tra cui:
     • Acquisizione dati da veicoli simulati.
     • Simulazione di perdita/ripristino di connettività.
     • Validazione del flusso dati cloud-edge.
     • Verifica delle notifiche e suggerimenti del DSS.

——————————

Proposta tesi magistrale

Titolo tesi: Sviluppo di un Digital Twin del Guidatore: Modellazione e Simulazione dello Stile di Guida Umano tramite CARLA

Obiettivo: Progettare e sviluppare un digital twin di un conducente umano in grado di apprendere e riprodurre fedelmente il suo stile di guida. Il modello sarà poi integrato e testato all'interno dell’ambiente di simulazione CARLA per valutarne la coerenza comportamentale rispetto al guidatore reale.

Attività previste:

1. Analisi dello stile di guida umano:
   • Identificazione dei parametri che caratterizzano lo stile di guida (velocità, accelerazione, frenata, traiettoria, distanza di sicurezza, reazioni agli ostacoli, ecc.).
   • Studio di metodi di raccolta dati tramite simulatori o dati reali.
2. Acquisizione dei dati di guida:
   • Sessioni di guida con soggetto umano nel simulatore CARLA o mediante strumenti di raccolta dati su veicoli reali (se disponibili).
   • Logging di dati telemetrici (comandi al volante, acceleratore, freno, posizione, velocità, ecc.).
3. Costruzione del modello Digital Twin:
   • Utilizzo di tecniche di behaviour cloning per costruire un modello predittivo del comportamento del guidatore.
   • Addestramento del modello sui dati raccolti.
4. Integrazione con CARLA:
   • Implementazione del digital twin come agente autonomo nel simulatore.
   • Simulazione di scenari diversi per testare la robustezza e realismo dello stile di guida riprodotto.
5. Validazione del modello:

• Confronto quantitativo tra il comportamento del digital twin e quello del guidatore reale (metriche: similarità di traiettorie, tempo di reazione, fluidità di guida, ecc.).