Studio dell’interazione strada-conducenti mediante la tecnica del Deep Learning.

La tesi è stata sviluppata presso l'IFSTTAR - Institut français des sciences et technologies des transports, de l'aménagement et des réseaux di Parigi, centro di fama internazionale nell’ambito dello studio della sicurezza stradale, ed ha previsto l’utilizzo di tecniche di Deep Learning per l’analisi dell’interazione strada-utenti. Partendo dai dati ottenuti in una precedente sperimentazione finalizzata allo studio dell’influenza del sistema Adaptive Cruise Control sul workload e sulla distrazione dei conducenti, è stata valutata l’affidabilità e l’efficacia di queste tecniche innovative nella gestione e nell’analisi di grandi quantità di dati provenienti da siti sperimentali. Numerose ricerche disponibili in letteratura hanno applicato positivamente queste metodologie all’analisi di dati cinematici, descrittori del comportamento del veicolo in moto, quali la sua velocità, la sua posizione, la sua accelerazione. In questa tesi, invece, è stato aggiunto all’analisi un dato fisiologico riguardante il conducente: il diametro della pupilla, monitorato in continuo utilizzando un Mobile Eye Tracker. La verifica delle potenzialità del Deep Learning è stata ottenuta confrontando i dati reali e le mappe ottenute dalla simulazione (Driving Colour Map) in termini di condotta di guida e workload dei conducenti.