| Tipo di tesi | Tesi di laurea magistrale | ||||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Autore | ATTARDI, PAOLO | ||||||||||||||||||||||||||||||
| URN | etd-01082025-181935 | ||||||||||||||||||||||||||||||
| Titolo | Analisi di Real-Time Big Data (RTBD): caso d'uso del Home Zone Parking | ||||||||||||||||||||||||||||||
| Titolo in inglese | Real-Time Big Data (RTBD) analysis: Home Zone Parking use case | ||||||||||||||||||||||||||||||
| Struttura | Dipartimento di Ingegneria "Enzo Ferrari" | ||||||||||||||||||||||||||||||
| Corso di studi | Ingegneria informatica | ||||||||||||||||||||||||||||||
| Commissione |
|
||||||||||||||||||||||||||||||
| Parole chiave |
|
||||||||||||||||||||||||||||||
| Data inizio appello | 2025-02-05 | ||||||||||||||||||||||||||||||
| Disponibilità | Accesso limitato: si può decidere quali file della tesi rendere accessibili. Disponibilità mixed (scegli questa opzione se vuoi rendere inaccessibili tutti i file della tesi o parte di essi) | ||||||||||||||||||||||||||||||
| Data di rilascio | 2065-02-05 | ||||||||||||||||||||||||||||||
Riassunto analitico
Con il rapido progresso della tecnologia e la crescita del settore dei sistemi avanzati di assistenza alla guida (ADAS), lo sviluppo di nuovi sistemi pone sfide significative. Stabilire le specifiche del sistema utilizzando un approccio basato sui dati è fondamentale per superare questi ostacoli. Questa tesi affronta questo aspetto concentrandosi sul sistema Home Zone Parking ADAS, una funzionalità che consente ai conducenti di parcheggiare autonomamente i propri veicoli a casa. Lo studio analizza il comportamento del conducente durante gli scenari di parcheggio sfruttando i dati della flotta Toyota europea, supportato dalla mia esperienza di tirocinio presso Toyota Motor Europe (TME). Viene impiegata una soluzione basata sull’intelligenza artificiale per estrarre informazioni approfondite, insieme a considerazioni sul comportamento degli utenti, per informare lo sviluppo del sistema. I risultati contribuiscono a una comprensione più profonda del comportamento di parcheggio e forniscono una base per le specifiche ADAS basate sui dati. |
|||||||||||||||||||||||||||||||
Abstract
With the rapid advancement of technology and the growth of the Advanced Driver-Assistance Systems (ADAS) industry, developing new systems poses significant challenges. Establishing system specifications using a data-driven approach is crucial to overcoming these hurdles. This thesis addresses this aspect by focusing on the Home Zone Parking ADAS system—a feature enabling drivers to park their vehicles autonomously at home. The study analyzes driver behavior during parking scenarios by leveraging data from the European Toyota fleet, supported by my traineeship experience at Toyota Motor Europe (TME). An AI-based solution is employed to extract insights, alongside considerations of user behavior, to inform system development. The findings contribute to a deeper understanding of parking behavior and provide a foundation for data-driven ADAS specifications. |
|||||||||||||||||||||||||||||||
| File |
|
||||||||||||||||||||||||||||||