ARTIFICIAL INTELLIGENCE FOR AUTOMOTIVE (MODULE 2)
cod. 1010738

Anno accademico 2023/24
2° anno di corso - Primo semestre
Docente
- Lorenzo BARALDI
Settore scientifico disciplinare
Sistemi di elaborazione delle informazioni (ING-INF/05)
Field
A scelta dello studente
Tipologia attività formativa
Affine/Integrativa
30 ore
di attività frontali
3 crediti
sede: UNIMORE
insegnamento
in INGLESE

Modulo dell'insegnamento integrato: ARTIFICIAL INTELLIGENCE FOR AUTOMOTIVE

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

# Visual understanding algorithms
Algorithms and techniques for motion estimation, architectures for video object detection and trajectory prediction. Planar Distance estimation, road segmentation, road lane detection. Driver Monitoring, Driver Distraction prediction, eye fixation prediction.

# Image generation
Generative algorithms for images and videos: Generative Adversarial Networks, VAEs; techniques for rendering high-resolution images. Applications to the automotive domain.

# Reinforcement learning for navigation
Markov decision processes, policy learning strategies. Algorithms for locomotion and navigation. Simulated environments and strategies for deployment in real settings. Applications to autonomous driving.

# Architecture optimization and compression
Weight matrix factorization, quantization and pruning approaches. Design practices for optimization.

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

- - -