48
ELETTROTECNICA
REGGIO DI CALABRIA
Dati Generali
Periodo di attività
Syllabus
Obiettivi Formativi
• Analizzare e progettare modelli di machine learning e deep learning per applicazioni automotive, con particolare riferimento alla percezione dell’ambiente, alla computer vision e alla sensor fusion.
• Acquisire competenze pratiche nello sviluppo e nella validazione di algoritmi di intelligenza artificiale mediante Matlab/Python per applicazioni nei veicoli autonomi.
Prerequisiti
Metodi didattici
Verifica Apprendimento
La discussione degli argomenti oggetto del programma è volta a verificare il livello di padronanza dei concetti teorici proposti durante il corso nonché la capacità di esposizione dei contenuti della disciplina.
La discussione dell’elaborato è volta a valutare l’autonomia e le capacità critiche sviluppate dallo studente nonché il rigore metodologico nella progettazione di modelli AI.
Il voto finale sarà attribuito secondo il seguente criterio di valutazione:
30 - 30 e lode: conoscenza completa, approfondita e critica degli argomenti, ottima proprietà di linguaggio, completa ed originale capacità interpretativa, piena capacità di applicare autonomamente le conoscenze acquisite;
27 - 29: conoscenza completa e approfondita degli argomenti, piena proprietà di linguaggio, completa ed efficace capacità interpretativa, in grado di applicare autonomamente le conoscenze per risolvere i problemi proposti;
24 - 26: conoscenza degli argomenti con un buon grado di apprendimento, buona proprietà di linguaggio, corretta e sicura capacità interpretativa, capacità di applicare in modo corretto la maggior parte delle conoscenze per risolvere i problemi proposti;
21 - 23: conoscenza adeguata degli argomenti, ma mancata padronanza degli stessi, soddisfacente proprietà di linguaggio, corretta capacità interpretativa, limitata capacità di applicare autonomamente le conoscenze per risolvere i problemi proposti;
18 - 20: conoscenza di base degli argomenti principali, conoscenza di base del linguaggio tecnico, capacità interpretativa sufficiente, capacità di applicare le conoscenze basilari acquisite;
Insufficiente: Lo studente dimostra una conoscenza scarsa e frammentaria della materia, non conosce i contenuti essenziali e manifesta numerose ed estese lacune.
Testi
Ian Goodfellow, Yoshua Bengio and Aaron Courville, “Deep Learning” (www.deeplearningbook.org), An MIT Press book
Zhang, A., Lipton, Z. C., Li, M., & Smola, A. J. (2021). Dive into deep learning. arXiv preprint arXiv:2106.11342 (https://d2l.ai/index.html)
Paul L. Nunez and Ramesh Srinivasan, Electric fields of the brain - the Neurophysics of EEG (second edition), Oxford University Press
Sani-Chambers, EEG Signal Processing, IEEE- Wiley
Simon Haykin, Neural Networks, IEEE Press
Contenuti
PROGRAMMA DEL CORSO
(0.5 CFU) FONDAMENTI DELL’INTELLIGENZA ARTIFICIALE PER LA GUIDA AUTONOMA
Introduzione ai principi dell’intelligenza artificiale (AI), del machine learning e del deep learning con particolare riferimento alle applicazioni nel settore automotive. Panoramica sui sistemi di guida autonoma e sulle principali componenti di un veicolo intelligente: percezione dell’ambiente, localizzazione, pianificazione del percorso e controllo del veicolo.
Introduzione ai principali sensori utilizzati nei veicoli autonomi: telecamere, LiDAR, radar, sensori inerziali. Applicazioni dell’intelligenza artificiale per la mobilità intelligente e per i sistemi avanzati di assistenza alla guida (ADAS).
(1.5 CFU) MACHINE LEARNING E RETI NEURALI ARTIFICIALI PER SISTEMI AUTOMOTIVE
Principi fondamentali dei sistemi di apprendimento automatico. Modello del neurone artificiale, funzioni di attivazione, processo di addestramento e minimizzazione della funzione di costo. Metodi di ottimizzazione basati sulla discesa del gradiente.
Apprendimento supervisionato, non supervisionato e con rinforzo. Architetture di reti neurali artificiali: perceptron, multilayer perceptron, reti convoluzionali e reti ricorrenti.
Applicazioni delle reti neurali nei sistemi di guida autonoma: classificazione e riconoscimento degli oggetti, rilevamento delle corsie, stima dello stato del veicolo e previsione del comportamento degli altri utenti della strada.
(2 CFU) DEEP LEARNING, COMPUTER VISION E SENSOR FUSION PER LA GUIDA AUTONOMA
Introduzione ai modelli di deep learning per l’elaborazione di immagini, video e dati provenienti da sensori.
Reti neurali convoluzionali (CNN) per la percezione visiva del veicolo autonomo: classificazione delle immagini, object detection e semantic segmentation.
Architetture avanzate per la visione artificiale applicata al settore automotive: region-based CNN, reti YOLO e modelli transformer-based per la percezione.
Tecniche di fusione dei dati provenienti da sensori eterogenei (sensor fusion) per la stima robusta dell’ambiente circostante.
Metodi di localizzazione e rappresentazione dell’ambiente: mappe digitali, odometria, SLAM (Simultaneous Localization and Mapping).
Fondamenti di reinforcement learning e applicazioni alla pianificazione della traiettoria e alla guida autonoma.
Metodi di Explainable AI per l’interpretazione delle decisioni dei modelli di intelligenza artificiale nei sistemi critici.
(2 CFU) ESPERIENZE DI LABORATORIO
Introduzione agli ambienti di sviluppo Matlab/Python per applicazioni di intelligenza artificiale.
Implementazione e addestramento di modelli di machine learning e deep learning per applicazioni automotive.
Analisi di dataset acquisiti tramite sensori veicolari e sviluppo di algoritmi per:
- riconoscimento e classificazione di oggetti;
- rilevamento delle corsie stradali;
- elaborazione di immagini e video;
- stima dello stato del veicolo;
- simulazione di scenari di guida autonoma.
Utilizzo di ambienti di simulazione per la valutazione delle prestazioni degli algoritmi sviluppati.
RISULTATI ATTESI
CONOSCENZA E COMPRENSIONE
Il corso si propone di fornire agli studenti conoscenze e competenze sui principi dell’intelligenza artificiale applicata alla guida autonoma dei veicoli, con particolare riferimento ai metodi di machine learning e deep learning per la percezione, la localizzazione e il processo decisionale dei sistemi intelligenti.
Lo studente acquisirà una conoscenza dei principali algoritmi e delle architetture neurali utilizzate nei moderni sistemi ADAS e nei veicoli autonomi, comprendendone potenzialità, limiti e problematiche applicative.
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE
Il corso mira a sviluppare la capacità dello studente di progettare e implementare algoritmi basati sull’intelligenza artificiale per applicazioni automotive.
Attraverso attività teoriche e di laboratorio, lo studente sarà in grado di:
- analizzare dati provenienti da sensori veicolari;
- progettare modelli di machine learning e deep learning;
- sviluppare algoritmi per la percezione dell’ambiente e la classificazione degli oggetti;
- valutare le prestazioni dei modelli sviluppati mediante simulazioni ed esperimenti.
AUTONOMIA DI GIUDIZIO
Al termine del corso lo studente sarà in grado di valutare autonomamente l’efficacia e l’applicabilità delle diverse tecniche di intelligenza artificiale nell’ambito della guida autonoma.
Sarà inoltre in grado di selezionare gli algoritmi più appropriati in funzione del problema considerato, delle caratteristiche dei dati disponibili e dei requisiti di sicurezza e affidabilità tipici dei sistemi automotive.
ABILITÀ COMUNICATIVE
Attraverso lezioni teoriche, attività di laboratorio e discussione dei risultati ottenuti, il corso favorirà l’acquisizione della terminologia tecnica propria dell’intelligenza artificiale e dei sistemi di guida autonoma.
Lo studente svilupperà la capacità di descrivere metodologie, algoritmi e risultati sperimentali utilizzando un linguaggio tecnico appropriato.
CAPACITÀ DI APPRENDIMENTO
Al superamento dell’esame, lo studente avrà acquisito gli strumenti metodologici necessari per approfondire autonomamente le tecnologie emergenti nell’ambito dell’intelligenza artificiale applicata ai veicoli autonomi.
Sarà in grado di progettare pipeline complete basate su AI, dalla raccolta e analisi dei dati alla progettazione, addestramento e validazione dei modelli, sviluppando un approccio teorico-pratico alle problematiche dell’ingegneria meccanica e automotive.