Algoritmi di apprendimento supervisionato per la classificazione del comportamento alla guida di autoveicoli

Automatically identifying car accidents is useful for various reasons and in different areas: for example, for the automatic provision of roadside assistance, or more simply, for monitoring driving behavior. In these cases, the identification of car accidents is useful for insurance companies, which are able to provide automated and efficient solutions to their customers, both in terms of services and costs. One goal is to develop machine learning methodologies and algorithms for the classification of car accidents: binary classifiers are used (class 0 - there was no accident, class 1 - there was an accident), which use time series recorded by the vehicle's inertial sensors (accelerometers) along the three axes x, y, and z, as training data. The recordings were generated by two different devices: Microbox and Infobox. Each device starts recording every time it detects an accident based on its decision algorithm. Convolutional neural networks (CNNs) were used as algorithms for the classification, which are a type of artificial feed-forward neural networks in which the pattern of connectivity between neurons is inspired by the organization of the animal visual cortex, whose individual neurons they are arranged in such a way as to respond to the overlapping regions that tessellate the visual field. The experiments performed deal with the use of time series first in the time domain, then in the frequency domain, and then with techniques that transform one-dimensional series into images. A second goal is to develop methodologies to solve the problem of the rotations of the reference system: with a view to developing sensor systems for sampling accelerations, it is useful to try to make the reference system independent from spatial rotations, i.e. to have the possibility of sampling the accelerations with sensors that are not integral with the car as in the case of a black box. The experiments performed to solve for this problem deal with the use of the norm or the use of data augmentation by rotating the time series and then passing them into the frequency domain. The methods for the independence of the reference system lay the foundations for the development of applications that work directly on smartphones, also combining the concept of edge AI directly on a phone. The results were compared, analyzing accuracy and recall as the most important metrics, since having a low number of false negatives allows an analysis of a greater number of cases. A final goal is to develop applications for STM32 microcontroller that allow classification directly in the car: a development of the work is to bring the processing and classification phase directly into the car, and to use the server side of the system only for reception. of the final answer. This brings numerous advantages in terms of consumption. For this we will describe two applications created for the STM32 microcontroller that allow classification directly on the device, thus bringing the processing and classification phase directly into the car.

Identificare in maniera automatica gli incidenti automobilistici è utile per diversi motivi e in diversi ambiti: ad esempio, per la fornitura automatica di soccorso stradale, o più semplicemente, per il monitoraggio del comportamento alla guida. In questi casi l'identificazione degli incidenti automobilistici risulta utile alle compagnie assicurative, che sono in grado di fornire soluzioni automatizzate ed efficienti ai loro clienti, sia in termini di servizi che di costi. Un obiettivo è quello di sviluppare metodologie e algoritmi di machine learning per la classificazione degli incidenti automobilistici: si usano dei classificatori binari (classe 0 - non c'è stato incidente, classe 1 - c'è stato incidente), che utilizzano le serie temporali registrate dai sensori inerziali del veicolo (accelerometri) lungo i tre assi x, y, e z, come dati di addestramento. Le registrazioni sono state generate da due diversi dispositivi: Microbox e Infobox. Ogni dispositivo inizia a registrare ogni volta che rileva, in base al suo algoritmo decisionale, un incidente. Come algoritmi per la classificazione sono state utilizzate delle reti neurali convoluzionali (CNN), che sono un tipo di reti neurali artificiali feed-forward in cui il pattern di connettività tra i neuroni è ispirato dall'organizzazione della corteccia visiva animale, i cui neuroni individuali sono disposti in maniera tale da rispondere alle regioni di sovrapposizione che tassellano il campo visivo. Gli esperimenti eseguiti trattano l'uso delle serie temporali prima nel dominio del tempo, poi nel dominio della frequenza, e poi con tecniche che trasformano le serie monodimensionali in immagini. Un secondo obiettivo è quello di sviluppare metodologie per risolvere il problema delle rotazioni del sistema di riferimento: in ottica di sviluppo dei sistemi di sensori per il campionamento delle accelerazioni, è utile cercare di rendere il sistema di riferimento indipendente dalle rotazioni spaziali, ovvero avere la possibilità di campionare le accelerazioni con sensori che non siano solidali con l'automobile come nel caso di una black box. Gli esperimenti eseguiti per risolvere per questo problema trattano l'uso della norma o l'uso di data augmentation ruotando le serie temporali per poi passarle nel dominio della frequenza. I metodi per l’indipendenza del sistema di riferimento pongono le basi per lo sviluppo di applicazioni che funzionino direttamente su smartphone, unendo anche il concetto dell’edge AI direttamente su un telefono. I risultati sono stati confrontati, analizzando come metriche più importanti l'accuracy e la recall, poichè avere un basso numero di falsi negativi consente un'analisi di un maggior numero di casi. Un ultimo obiettivo è quello di sviluppare applicazioni per microcontrollore STM32 che permettano la classificazione direttamente in automobile: uno sviluppo del lavoro è quello di portare la fase di processamento e di classificazione direttamente in automobile, e di utilizzare il lato server del sistema solo per la ricezione della risposta finale. Questo porta numerosi vantaggi in termini di consumo. Per questo verranno descritte due applicazioni realizzate per microcontrollore STM32 che permettono la classificazione direttamente sul dispositivo, portando così la fase di processamento e di classificazione direttamente in automobile.