Contrastare il rischio di una guida pericolosa perché distratta dall’utilizzo del cellulare o causata da altre abitudini sbagliate: con questo obiettivo è stato realizzato da Key to Business il progetto AI & Sicurezza Stradale. LIM: il sistema di monitoraggio dei comportamenti rischiosi alla guida, risultato finalista ai Digital Awards 2022 per la categoria Internet of Things.
Come aumentare la sicurezza stradale
La guida pericolosa dovuta all’utilizzo del cellulare è la prima causa accertata di incidenti stradali per un totale di circa 33mila persone coinvolte all’anno (fonte: Istat anno 2019). È stato calcolato che tale comportamento aumenta il rischio di sinistri di ben 4 volte rispetto a quando non si fa uso di dispositivi elettronici alla guida.
I controlli a campione delle autorità forniscono un primo elemento di dissuasione, ma per ovvi motivi non permettono di effettuare un monitoraggio costante e capillare.
Il laboratorio Ricerca & Sviluppo di Key to Business ha sviluppato per la start up cliente LIM (Life is more) un modello di deep learning che, a partire dal flusso video di una normale telecamera RGB posta all’interno dell’abitacolo, permette di rilevare in tempo reale 10 categorie di azioni rischiose messe in atto dal guidatore.
Si tratta nello specifico dei seguenti comportamenti: conversazione telefonica all’orecchio; messaggistica con il cellulare mano; uso del telefono in posizione fissa sul cruscotto; conversazione distratta con i passeggeri; consumazione bevande/cibo al volante; guidatore che si volta all’indietro durante la marcia; make-up alla guida; occlusione volontaria o meno della telecamera stessa.
Lo scopo è avvertire il conducente del comportamento scorretto tramite un Led e un segnale acustico (anch’essi incorporati nella telecamera) e poi inviare una notifica a una piattaforma centralizzata qualora non venga ripristinata una guida corretta entro un determinato tempo limite.
Gran parte dell’impegno di Key to Business è stato orientato alla ricerca delle migliori architetture neurali disponibili e allo sviluppo dell’architettura custom, come anche alla raccolta e all’annotazione delle immagini di training utilizzate per l’addestramento del modello.
Un’altra parte fondamentale del progetto è stato l’adattamento dell’intera software pipeline e del modello AI alle logiche di Edge Computing. Rilevamenti e verifiche vengono, infatti, eseguite in loco su device opportunamente installati nelle autovetture. Non vi è alcuna trasmissione di video stream verso la piattaforma e le uniche informazioni inviate riguardano le eventuali infrazioni rilevate.
La possibilità di monitorare in tempo reale i comportamenti alla guida apre molte strade sia per il miglioramento della sicurezza stradale che per la creazione di nuove opportunità di business, dove ritorno di investimento e benessere collettivo vanno nella stessa direzione. I destinatari della soluzione possono essere: compagnie assicurative, aziende di autonoleggio e traporto merci, aziende di trasporto pubblico, oltre naturalmente agli utenti privati.
Che cos’è LIM, tutte le caratteristiche tecniche
LIM è un dispositivo compatto, a basso consumo energetico, dotato di Fotocamera 5mpx, connessione LTE, GPS, Led, Buzzer e accelerazione hardware per eseguire modelli AI.
Montato su supporto a ventosa nella versione prototipale, può essere collegato a una semplice presa USB-A 5V-3A o a un adattatore USB per accendisigari.
Il dispositivo è predisposto per avviarsi automaticamente in presenza di alimentazione e viene costantemente monitorato per conservare lo storico delle accensioni e delle posizioni GPS, onde evitare che possa essere volontariamente spento durante la marcia.
Il progetto si sviluppa su due ambienti: l’ambiente Edge e l’ambiente Server. Nel primo concorrono tutte le componenti software che vengono eseguite nei dispositivi, le quali elaborano i dati provenienti dai sensori (camera, GPS), inviano segnali agli attuatori (LED, Buzzer) e notificano eventuali comportamenti scorretti alla piattaforma.
Il secondo è costituito dalla piattaforma stessa che gestisce le segnalazioni in arrivo permettendone la consultazione e la storicizzazione.
In più, tramite la piattaforma è possibile effettuare il deploy di nuove versioni software containerizzate verso i dispositivi. Tra i due ambienti la comunicazione avviene mediante web services in rete privata VPN e trasmettendo contenuto crittografato.
Gli stack tecnologici utilizzati comprendono Docker e Portainer (per il deploy del software verso i device), Python e le sue librerie per il software containerizzato all’interno dei device (Tensorflow Lite, OpenCV, Scikit-Learn, Numpy).
