Studio dell'influenza dell'Adaptive Cruise Control sul carico di lavoro e sulla condotta di guida degli utenti

Il presente elaborato intende valutare l’influenza che i sistemi di assistenza alla guida (ADAS) hanno sul comportamento dei conducenti, con particolare attenzione alla distrazione ed al workload (carico di lavoro fisico e mentale) che essi provocano. Lo studio si concentrerà in particolare sull’analisi del comportamento di guida dei conducenti a bordo di un veicolo dotato di Adaptive Cruise Control.

Analisi del tempo di reazione dei conducenti dei veicoli con metodologie innovative: l'influenza del sistema Adaptive Cruise Control

La presente tesi si pone l’obiettivo di studiare e comprendere l’influenza che i sistemi di assistenza alla guida (ADAS – Advanced Driver Assistance Systems), installati negli autoveicoli di nuova generazione, hanno sulla condotta di guida degli automobilisti, con particolare attenzione alla distrazione ed al workload che essi provocano. Punto centrale dell’analisi è il sistema Adaptive Cruise Control (ACC) che permette al guidatore del veicolo sia di mantenere una velocità di marcia costante sia di rilevare, tramite sensoristica, i veicoli che lo precedono, intervenendo sul sistema frenante e sulla centralina di controllo del motore, così da garantire il mantenimento della distanza di sicurezza selezionata. Lo studio, attraverso l’utilizzo di tecniche innovative, si sofferma, in particolare, sull’analisi del comportamento di guida dei conducenti a bordo di un veicolo dotato di Adaptive Cruise Control. Il fine della ricerca è quello di determinare se e quanto il sistema ACC influisca sul conducente in termini di carico di lavoro cognitivo e fisico e di livelli d’attenzione, concentrandosi sulla valutazione del tempo di reazione con sistema acceso o spento.

Studio dell'attenzione dei conducenti tramite i sistemi neurali

Il presente elaborato ha studiato i sistemi di assistenza avanzata al conducente (ADAS), focalizzandosi sull’Adaptive Cruise Control (ACC). Si sono studiati diversi aspetti comportamentali dei conducenti in funzione del sistema ACC come il visual behaviour dei conducenti, i dati cinematici del veicolo (driving behaviour) e il tempo di percezione-reazione in situazioni critiche. Si è descritta la sperimentazione svolta in sito e le strumentazioni innovative, tra le quali il Mobile eye tracker, utilizzate per la raccolta dati. Per eseguire l’elaborazione dei dati sono state applicate tecniche di machine learning, mediante l’applicazione di una rete neurale artificiale realizzata appositamente per questo studio, risultando uno dei primi nel settore ad utilizzare tale metodologia. Si è descritto il codice della rete e valutate le prestazioni della stessa. Infine sono state eseguite analisi sul comportamento dei conducenti in funzione dello stato (on/off) del sistema.

Motion Control of an Advanced Electric Implement for Agricultural Autonomous Vehicles

Nowadays, the development of intelligent and autonomous vehicles used to perform agricultural activities is essential to improve quantity and quality of agricultural productions. Moreover, with automation techniques it is possible to reduce the usage of agrochemicals and minimize the pollution. The University of Bologna is developing an innovative system for orchard management called ORTO (Orchard Rapid Transportation System). This system involves an autonomous electric vehicle capable to perform agricultural activities inside an orchard structure. The vehicle is equipped with an implement capable to perform different tasks. The purpose of this thesis project is to control the vehicle and the implement to perform an inter-row grass mowing. This kind of task requires a synchronized motion between the traction motors and the implement motors. A motion control system has been developed to generate trajectories and manage their synchronization. Two main trajectories type have been used: a five order polynomial trajectory and a trapezoidal trajectory. These two kinds of trajectories have been chosen in order to perform a uniform grass mowing, paying a particular attention to the constrains of the system. To synchronize the motions, the electronic cams approach has been adopted. A master profile has been generated and all the trajectories have been linked to the master motion. Moreover, a safety system has been developed. The aim of this system is firstly to improve the safety during the motion, furthermore it allows to manage obstacle detection and avoidance. Using some particular techniques obstacles can be detected and recovery action can be performed to overcome the problem. Once the measured force reaches the predefined force threshold, then the vehicle stops immediately its motion. The whole project has been developed by employing Matlab and Simulink. Eventually, the software has been translated into C code and executed on the TI Lauchpad XL board.

An optimal control tool for trajectory generation of autonomous drones

In the recent years, autonomous aerial vehicles gained large popularity in a variety of applications in the field of automation. To accomplish various and challenging tasks the capability of generating trajectories has assumed a key role. As higher performances are sought, traditional, flatness-based trajectory generation schemes present their limitations. In these approaches the highly nonlinear dynamics of the quadrotor is, indeed, neglected. Therefore, strategies based on optimal control principles turn out to be beneficial, since in the trajectory generation process they allow the control unit to best exploit the actual dynamics, and enable the drone to perform quite aggressive maneuvers. This dissertation is then concerned with the development of an optimal control technique to generate trajectories for autonomous drones. The algorithm adopted to this end is a second-order iterative method working directly in continuous-time, which, under proper initialization, guarantees quadratic convergence to a locally optimal trajectory. At each iteration a quadratic approximation of the cost functional is minimized and a decreasing direction is then obtained as a linear-affine control law, after solving a differential Riccati equation. The algorithm has been implemented and its effectiveness has been tested on the vectored-thrust dynamical model of a quadrotor in a realistic simulative setup.