Nuova ricerca

LORENZO BARALDI

Ricercatore t.d. art. 24 c. 3 lett. A presso: Dipartimento di Ingegneria "Enzo Ferrari"

DOCENTE A CONTRATTO presso: Dipartimento di Ingegneria "Enzo Ferrari"

Insegnamento: Neural Network Computing, AI and Machine Learning for Automotive

Ingegneria Informatica (D.M.270/04) (Offerta formativa 2019)

Obiettivi formativi

Il corso fornisce un'introduzione all'uso di tecniche di Deep Learning e di Visione Artificiale in ambito Automotive. Il corso, pur non supponendo una pregressa conoscenza del Deep Learning, ed essendo pertanto aperto a chi non ha seguito corsi di Machine Learning in precedenza, risulta utile anche a chi ha già affrontato tali temi fornendo una prospettiva applicativa in ambito Automotive. Verranno presentate le principali tecniche di apprendimento automatico per la comprensione automatica di dati provenienti da sensori, da telecamere on-board interne ed esterne e per l'analisi dell'interazione uomo-macchina. Il corso ha una parte di laboratorio con progetti in Python e con librerie (OpenCV, PyTorch per Deep Learning) e sensori (fotocamere, eye tracker, accelerometri).

Prerequisiti

Conoscenza di base di statistica e algebra lineare. Il corso fornisce elementi propedeutici al corso di Vision and Cognitive Systems.

Programma del corso

- Introduction to Artificial Intelligence.
- History of AI and introduction to Automotive related tasks.
- AI Impact in Economy and Automotive
- On-board sensors and cameras, depth sensors.
- Analysis of images and data from sensors.
- Motion analysis from video, object detection, trajectory prediction
- Planar Distance estimation, road segmentation, road lane detection
- Driver Monitoring, Driver Distraction prediction, eye fixation prediction

Metodi didattici

- Teoria con slide
- Letture di libri e di paper scientifici
- Laboratori in aula con librerie open-source
- Progetti di gruppo
- Presentazioni e discussioni con aziende.

Testi di riferimento

-slides and scientific papers from international conferences and journals (CVPR; ECCV; ICCV; TPAMI)

Verifica dell'apprendimento

L'esame consiste in una prova orale, con domande teoriche e presentazione del risultato dei progetti e dei laboratori sviluppati durante il corso.

Risultati attesi

- Conoscenza delle soluzioni di Deep Learning e dei Sistemi Cognitivi in ambito Automotive
- Capacità di sviluppare soluzioni software per l'autonomous driving, la comprensione di video e dati visuali da camera-car, l'integrazione con la sensoristica e l'interazione uomo-veicolo.