Obiettivi formativi
Il corso vuole fornire conoscenze e competenze sullo sviluppo di sistemi di Artificial Intelligence (AI) per l’Automotive. Fornisce una iniziale panoramica, anche di tipo di impatto economico, sui sistemi AI che vengono impiegati in automotive, sia per gli ADAS, per la autonomous driving, per la interazione uomo-veicolo e per la produzione industriale. Il corso offre una dettagliata panoramica sullo stato dell’arte delle tecnologie AI e soprattutto di deep learning, orientate alla comprensione visuale, all’azione e all’interazione in ambito Automotive, e fornisce competenze avanzate sulla progettazione di algoritmi di Deep Learning, anche in riferimento alla loro ottimizzazione e deployment su architetture a ridotta capacità computazionale. Vengono presentate le tecniche di visione artificiale per la comprensione geometrica degli spazi, le tecniche di apprendimento automatico e le practices per il design e l’implementazione di architetture neurali completamente connesse, convolutive, e per la comprensione e la generazione di sequenze temporali. Un’importante parte del corso è dedicata allo studio di architetture e soluzioni per la comprensione visuale di dati da telecamere posizionate all’interno e all’esterno dell’abitacolo - con particolare riferimento alla stima del movimento, all’identificazione degli oggetti, alla segmentazione semantica la predizione di traiettorie, la comprensione dell’ambiente circostante e il monitoring del guidatore e del suo stato attentivo.
Prerequisiti
Conoscenze di base di statistica, algebra lineare, geometria introdotti nei corsi triennali e magistrali delle Lauree in Ingegneria. Conoscenza dell’architettura dei calcolatori e conoscenza di base del linguaggio Python (che comunque viene ripreso nel corso).
Contenuti dell'insegnamento
# History and impact of AI in Automotive
Introduction to the history of AI and to its economical impact in the Automotive domain. AI and Computer Vision for Automotive.
# Neural Architectures fundamentals
Gradient-based optimization, fully connected and convolutional architectures. Analysis of computational costs and computational graph management. Design practices, network surgery.
# On-board sensors and cameras, depth sensors
Analysis of commercial on-board sensors, depth, thermal and RGB cameras.
# Sequence modelling and prediction
Recurrent, Convolutional and Fully-Attentive architectures for sequence understanding and generation. Computational graph analysis. Self-attention and cross-attention. Applications to trajectory prediction and language-based interfaces.
Programma esteso
- - -
Bibliografia
- Slides and scientific papers from international conferences and journals (CVPR; ECCV; ICCV; T-PAMi. IVPR, IEEE ITS; IEEE IV)
Metodi didattici
La maggior parte delle lezioni sono frontali e utilizzano slide e paper scientifici come supporto didattico; circa un 30% delle lezioni è di laboratorio, con esperienze hands-on su librerie di calcolo tensoriale e di progettazione e training di reti neurali e di algoritmi di AI per l’Automotive. A completamento, vengono organizzati incontri e discussioni con aziende.
Modalità verifica apprendimento
L'esame si svolge al termine dell'insegnamento secondo il calendario ufficiale degli appelli d'esame. La verifica si compone di una prova orale secondo le modalità di un colloquio tra docenti ed esaminando/a di durata approssimativa di venti minuti nell’arco dei quali al/la candidato/a verranno proposte tendenzialmente tre domande, con grado di approfondimento (e difficoltà) crescente e su diverse aree del programma. Durante il colloquio non è possibile consultare il materiale didattico e/o altri materiali.
Gli esami orali si svolgono nell’arco del calendario didattico dell’offerta formativa e per ogni appello lo/a studente/essa che intenda sostenerlo dovrà iscriversi utilizzando la Piattaforma ESSE3. Gli esiti della prova orale verranno pubblicati su ESSE3 e lo/a studente/essa avrà facoltà di accettare o rifiutare il voto.
Altre informazioni
- - -
Obiettivi agenda 2030 per lo sviluppo sostenibile
- - -
