Signal processing basato sul Deep learning per applicazioni critiche in tempo reale

Abstract

Molti sistemi safety-critical devono calcolare grandezze non misurabili direttamente, da segnali rumorosi in tempo reale, su hardware a basso consumo a livello edge. Questa tesi affronta tre casi d'uso: classificazione del manto stradale, rilevamento della distrazione del conducente e stima dello State-of-Health delle batterie. Da domini diversi, sono lo stesso problema di inferenza in tempo reale di uno stato nascosto sotto vincoli di edge e sicurezza; la tesi propone un'unica metodologia in cinque fasi: acquisizione e fusione dei segnali, pre-processing e rappresentazione, modelli compatti, validazione sistematica con analisi dei guasti e ottimizzazione per l'edge. Il primo caso classifica il manto stradale da segnali accelerometrici di smartphone con una rete quantizzata a doppio ramo che fonde vibrazione grezza e feature statistiche: 93,9% di macro-F1 contro l'87,6% del riferimento CID-LCSS, con 354 kB contro 45 MB. Il secondo realizza un sistema di monitoraggio del conducente che fonde dinamica del veicolo ed eye-tracking; un audit sistematico ha corretto quattordici difetti silenti, e il modello scende da circa il 90% di accuratezza offline a circa l'80% in streaming su due conducenti mai visti, un divario invisibile alla valutazione offline. Il terzo stima lo State-of-Health con un ibrido convoluzionale-ricorrente da 11 milioni di parametri: 2,21 punti percentuali di MAE e R² = 0,93 su celle escluse, da 76 celle invecchiate in condizioni calendariali, cicliche e di guida. Lo stato dell'arte generativo da 42 milioni di parametri riporta un errore inferiore, ma su quattro celle di una sola chimica e un solo protocollo di carica. Questa accuratezza richiede una finestra di 23 giorni, che il windowing basato sui cicli e la normalizzazione per batteria mirano a ridurre. Nei tre casi, rappresentazione e validazione hanno determinato il risultato quanto l'architettura, i modelli compatti hanno competuto con altri più pesanti, e ogni limite è dichiarato esplicitament

Many safety-critical systems must calculate quantities they cannot measure directly, from noisy real-time signals, on low-power hardware at the edge. This thesis addresses three use cases: road surface classification, driver distraction detection, and battery State-of-Health estimation. They are from different domains, but they are the same problem of real-time hidden-state inference under edge and safety constraints, and the thesis proposes a five-stage methodology for all three: signal acquisition and fusion, pre-processing and representation, compact model design, systematic validation with failure analysis, and edge-oriented optimization. The first use case classifies road surfaces from smartphone accelerometer signals with a dual-branch quantized network that fuses raw vibration with statistical features. It reaches 93.9% macro-F1 against 87.6% for the CID-LCSS benchmark, at 354 kB against roughly 45 MB. The second builds a real-time driver monitoring system fusing vehicle-dynamics and eye-tracking streams; a systematic audit corrected fourteen silent defects, and the model drops from about 90% accuracy offline to about 80% under streaming conditions on two unseen drivers, a generalization gap invisible to offline evaluation. The third estimates battery State-of-Health with an 11-million-parameter convolutional gated-recurrent hybrid, reaching 2.21 percentage points MAE and R² = 0.93 on held-out cells from a 76-cell population aged under calendar, cyclic, and driving-profile conditions; the 42-million-parameter generative state-of-the-art reports lower error, but on four cells of a single chemistry under one charging protocol. The accuracy here requires a 23-day input window, which cycle-aware windowing and per-battery normalization are designed to reduce. Across all three, representation and validation determined the outcome as much as architecture; compact models competed with far heavier ones, and each use case's limit is stated clearly.