Fitness to Drive nell'Era Digitale: Un'Analisi Basata sul Digital Twin del Guidatore

Mengozzi, Maria (2023) Fitness to Drive nell'Era Digitale: Un'Analisi Basata sul Digital Twin del Guidatore. [Laurea magistrale], Università di Bologna, Corso di Studio in Ingegneria e scienze informatiche [LM-DM270] - Cesena
Documenti full-text disponibili:
[img] Documento PDF (Thesis)
Disponibile con Licenza: Creative Commons: Attribuzione - Non commerciale - Condividi allo stesso modo 4.0 (CC BY-NC-SA 4.0)

Download (8MB)

Abstract

Oggigiorno l’industria automobilistica sta affrontando una delle sfide più importanti del genere umano: incrementare la sicurezza stradale garantendo al tempo stesso un’esperienza di guida confortevole. Per affrontare questa sfida, è essenziale sviluppare sistemi avanzati e affidabili di monitoraggio in tempo reale della guida. Tali sistemi sono fondamentali per rilevare prontamente comportamenti rischiosi e fornire avvisi immediati ai conducenti, promuovendo comportamenti di guida più sicuri e riducendo il numero di incidenti stradali. L'obiettivo di questo studio è sviluppare uno "Human Digital Twin", che tenga in considerazione il contesto e il profilo dell'utente mediante la definizione di classi e moduli di stereotipo, per di calcolare un indice chiamato "Fitness-to-Drive" , basato sui dati provenienti dal monitoraggio del conducente e sulle sue caratteristiche personali. Questo indice valuterà la capacità del conducente di guidare in sicurezza, considerando distrazioni (visuali e cognitive), emozioni, arausal, età ed esperienza e frequenza di guida. Il sistema prodotto, come confermato dalla validazione, è in grado, a fronte di opportune interazioni con il guidatore, di correggere prontamente i comportamenti che possano compromettere la sua idoneità alla guida. Ciò contribuisce a migliorare la sicurezza sia del conducente che degli altri utenti della strada. I risultati ottenuti dovranno essere ulteriormente approfonditi mediante test on-road ed off-road con utenti al fine di perfezionare ulteriormente la formula per il calcolo dell’indice. Inoltre grazie all'utilizzo di linguaggi quale Python per la realizzazione dello HDT sarà possibile applicare dei metodi di machine learning per integrare i dati storici del guidatore con quelli di terze fonti, migliorando così in modo dinamico il calcolo dell’indice di idoneità e rendendolo sempre più efficiente per assolvere al suo compito, ossia riportare l'attenzione del guidatore sul compito primario che è la guida.

Abstract
Tipologia del documento
Tesi di laurea (Laurea magistrale)
Autore della tesi
Mengozzi, Maria
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Ordinamento Cds
DM270
Parole chiave
fitness to drive,human digital twin,digital twin,monitoraggio di guida
Data di discussione della Tesi
5 Ottobre 2023
URI

Altri metadati

Statistica sui download

Gestione del documento: Visualizza il documento

^