Predizione di traiettorie di pedoni in ambiente indoor

La capacità di prevedere il comportamento di persone in ambienti affollati è fondamentale in molte applicazioni come video-sorveglianza, guida autonoma o percezione automatica della scena. La predizione è un campo di ricerca ampiamente studiato in varie ambiti dell’intelligenza artificiale e negli anni sono state proposte diverse tipologie di algoritmi che si distinguono, oltre dalla metodologia usata, anche dal tipo di dati impiegati. Principalmente la comunità scientifica si è focalizzata sulla predizione di traiettorie di pedoni o oggetti in movimento in scenari aperti, come strade o piazze. Tuttavia, con la nascita di nuove applicazioni, sia in ambiente domestico che industriale come ad esempio l’utilizzo di robot autonomi per pulire casa o spostare merci, si è portata l’attenzione anche sulla predizione in spazi più ristretti, con un numero potenzialmente maggiore di ostacoli. L’obiettivo di questo lavoro di tesi è quello di esplorare l’utilizzo del dataset sCREEN, creato in un ambiente indoor, per predire posizioni future. Nella prima parte viene analizzato il dataset, che contiene dati sulle posizioni dei carrelli o cestini della spesa utilizzati dai clienti di un supermercato tedesco, e quali metodi di interpolazione e clusterizzazione sono stati proposti per estratte le traiettorie più significative e non ridondanti. Nella seconda parte, invece, vengono mostrati i modelli, basati anche su Deep Learning, per prevedere future posizioni ad istanti temporali fissati utilizzando come input la parte iniziale della traiettoria sotto osservazione. Infine, viene proposta un’analisi di vari protocolli di valutazione adatti a questa tipologia di previsione.