Lo sviluppo di meccanismi di cooperazione in sistemi veicolari è progredito in modo significativo negli ultimi anni; si veda ad esempio la celebrata 'Google Driverless Car'. Tali meccanismi prevedono di offrire significativi vantaggi di sicurezza nei sistemi di trasporto. La maggior parte di questi sistemi hanno sede in infrastrutture di veicoli comunicanti tra loro 'V2V' (vehicle to vehicle) o comunicanti attraverso una rete fissa 'V2I' (vehicle to infrastructure). Da qui lo studio di applicazioni di sicurezza per analizzare i dati ed identificare potenziali collisioni, incidenti od inconvenienti di varia natura.
Nel dettaglio, ci si aspetta di conseguire i seguenti vantaggi. Riduzione dello stress del conducente. Ridurre lo stress della guida consente agli automobilisti riposo o lavoro durante il viaggio. Riduzione dei costi di trasporto a pagamento per taxi o per trasporto commerciale. Fornire mobilità indipendente per i guidatori con disabilità. Aumento della sicurezza stradale con conseguente riduzione dei premi assicurativi. Riduzione di guida ad alto rischio, per esempio in associazione con il consumo di alcol.
I sistemi di 'platooning' consistono di gruppi di veicoli che viaggiano vicini tra loro con vicoli stretti di distanza e velocità, riducendo i costi di congestione lungo la carreggiata. Da ciò anche una maggiore efficienza del carburante e riduzione dell'inquinamento. L'obiettivo della ricerca è quello di dimostrare come ottenere garanzie di sicurezza per sistemi di platooning.
Si consideri uno scenario in cui un lungo plotone di veicoli è in viaggio lungo un'autostrada. Improvvisamente i freni di un veicolo manifestano un malfunzionamento. Un segnale di perdita di controllo, Control Loss Warning (CLW), è inviato agli altri veicoli attraverso l'infrastruttura V2V o V2I. Dopo aver ricevuto la notifica della manifestazione di perdita di controllo, ogni veicolo determina la rilevanza dell'allarme e stabilisce azioni appropriate.
Il platooning è un tipico esempio di come la sicurezza e l'ottimizzazione dei sistemi cibernetici con vincoli sia prestazionali (e.g., massimizzare la velocità del gruppo di veicoli) che di sicurezza (prevenire collisioni) costituisca un problema formidabile. La maggior parte degli approcci attuali si basa su analisi a forza bruta attraverso simulazione e/o emulazione. Per consentire la modellazione in condizioni più generali, la ricerca indaga strumenti di apprendimento automatico per scoprire il compremesso migliore tra prestazioni e sicurezza. Il modello viene ricavato sulla base dei dati monitorati. L'idea è quella di ottenere sicurezza e prestazioni in modo automatico attraverso regole intelligibili che descrivono il comportamento del sistema.
L'applicazione CLW sarà implementata su robot mobili in modalità platooning in un contesto di laboratorio.
info: maurizio.mongelli@ieiit.cnr.it
Focus