L'impiego di Highly Automated Vehicles (HAVs), abilitato da complesse interazioni hardware/software e dal crescente uso di algoritmi AI-based, ha introdotto nuove sfide per la verifica della sicurezza. Per affrontare tali problematiche, la simulation-based falsification, strategia che esegue una ricerca iterativa per identificare combinazioni parametriche di fattori dello scenario di guida che risultino safety-critical, si è affermata come uno strumento di primaria importanza. Attraverso l'adozione di un'architettura di testing X-in-the-Loop (XiL), questo approccio permette di identificare le condizioni di safety-boundary per lo scenario in esame, preziose sia per il system refinement durante lo sviluppo, sia per l'online monitoring mirato alla real-time risk mitigation. In un tale panorama, il presente lavoro di tesi si propone di esplorare ed implementare soluzioni per l'identificazione di condizioni safety-critical in spazi parametrici ad alta dimensionalità. Per raggiungere questo obiettivo, il lavoro prevede la progettazione e la modellazione sia dei driving scenarios sia delle search strategies utilizzando Python e il MathWorks environment.
Tematiche Principali:
Validazione basata sulla simulazione (Simulation-Based Validation)
Ottimizzazione
ADAS (Advanced Driver Assistance Systems)
Requisiti e Profilo del Candidato:
Corso di Laurea: Ingegneria dell'Automazione, Informatica o corsi di studio affini.
Ottimizzazione: Familiarità con la modellazione e la risoluzione di problemi di ottimizzazione multivariabile.
Competenze Software: Familiarità con Python ed ambiente MathWorks (es. Global Optimization Toolbox).
Sede:
Napoli, Italia
_________________
The deployment of Highly Automated Vehicles (HAVs), enabled by complex hardware/software interactions and AI algorithms, has introduced new challenges for safety assessment. To tackle these issues, simulation-based falsification, which conducts an iterative search to identify safety-critical combinations of factors influencing driving scenarios, has emerged as a leading knowledge-driven validation paradigm. Specifically, by adopting an X-in-the-Loop (XiL) testing architecture, this approach enables the identification of safety-boundary conditions, which are valuable both for system refinement during development phases and for online monitoring to facilitate real-time risk mitigation. This thesis aims to explore and implement solutions for managing the high-dimensional parametric spaces of driving scenarios during the identification of safety-critical conditions. To achieve this, the work involves designing and modeling both driving scenarios and search strategies using Python and the MathWorks environment.
Main Topics:
Simulation-Based Validation
Optimization
ADAS
Prerequisites & Candidate Profile:
Degree Course: Automation Engineering, Computer Science, or related fields.
Optimization: Familiarity with modeling and solving multivariable optimization problems.
Software Skills: Familiarity with Python and the MathWorks environment (e.g., Global Optimization
Toolbox).
Location:
Naples, Italy
