• Artificial
• Classification
• Computer Vision
• Deep Learning
• Intelligence

Negli ultimi anni, il problema relativo al riconoscimento dell'attrito stradale ha assunto sempre più rilievo in diverse applicazioni del campo automotive. Una delle aree con più interesse è la guida autonoma, spinta sempre di più dal susseguirsi delle innovazioni tecnologiche e dall'interesse crescente in tecniche basate sull'intelligenza artificiale.
Con l'aumento della potenza computazionale, è stato possibile costruire sistemi capaci di processare grandi quantitativi di dati e di ottenere risultati che erano impensabili in passato. In questa epoca di transizione verso sistemi basati su guida autonoma, le informazioni sulla condizione stradale e la conseguente stima dell'attrito sono di fondamentale importanza per assicurare una guida sicura in ogni condizione di navigazione stradale.
In questo lavoro di tesi, viene proposto un sistema basato su tecniche di visione artificiale e di deep learning supervisionato, costruendo un sistema automatizzato in grado di classificare la superficie stradale in scenari reali di guida.
Inoltre, è stato acquisito un nuovo dataset per supportare il lavoro di tesi, integrando anche immagini prese da video online e da altri dataset open source.
Con questo lavoro, è stato possibile costruire un modello capace stimare il valore di attrito sfruttando la condizione della superficie stradale in diversi scenari di guida e in diverse condizioni atmosferiche.
L'obiettivo finale è quello di dare un contributo allo sviluppo dei sistemi basati su guida autonoma, facendo un piccolo passo verso gli ulteriori avanzamenti tecnologici del futuro.

In recent years, the problem of identifying road friction has become increasingly important in various automotive applications. One of the areas of greatest interest is autonomous driving, driven more and more by current technological innovations and the growing interest in Artificial Intelligence techniques. With the increase in computational power, it has been possible to build systems capable of processing a large amount of data and obtaining results that were unimaginable in the past. In this era of transition to systems based on autonomous driving, information on the road condition and the consequent estimation of friction value are of fundamental importance to ensure safe driving in all road navigation conditions. In this thesis work, a system based on computer vision and supervised deep learning techniques is proposed, building an automated system capable of classifying the road surface in real driving scenarios. Furthermore, a new dataset has been acquired to support the thesis work, also integrating images taken from online videos and other open source datasets. With this work, it has been possible to build a model capable of estimating the friction value by exploiting the condition of the road surface in different driving scenarios and in different atmospheric conditions. The final goal is to give a contribution to the development of autonomous driving systems, taking a small step towards further technological advancements of the future.