Progettazione e Valutazione di Algoritmi di Machine Learning per compiere Predictive Quality of Service in Reti Veicolari

This thesis focuses on Teleoperated Driving (TD) applications to enhance road safety, where vehicles equipped with sensors are remotely controlled by teleoperators using real-time data delivered by the network. To perform TD safely, the network has to satisfy several Key Performance Indicators (KPIs), especially in terms of delay and reliability, which is not trivial due to the variability of the network conditions. To solve this issue, the research community is investigating Predictive Quality of Service (PQoS) to estimate network conditions and perform adequate countermeasures in case communication KPIs are not satisfied. Motivated by the potential of Artificial Intelligence (AI) in PQoS, this thesis proposes several solutions based on Machine Learning (ML) to perform PQoS. First, given the importance of data to train ML algorithms, we worked on an extension of SELMA, a new multimodal synthetic dataset for autonomous driving, that we modified to provide multiple correlated series of samples acquired by sensors moving in an urban environment. Then, we present two different paradigms to perform PQoS. The first is based on goal-oriented communication, and exploits the degree of correlation between point clouds to evaluate when automotive data should be sent. The second investigates the trade-off between Quality of Service (QoS) and Quality of Experience (QoE) in the attempt to identify the optimal level of compression for automotive data. Specifically, the extended SELMA dataset has been used to train and test our PQoS frameworks, and simulation results show that the correlation between point clouds can be approximated onboard with an energy-efficient metric based on the symmetric point-to-point Chamfer Distance, and that a Reinforcement Learning (RL) agent can effectively take countermeasure to address communication KPIs while maximizing the QoE.

In questa tesi viene proposto uno studio per migliorare la sicurezza della Guida Teleoperata (GT). Nella GT i veicoli sono controllati a distanza da un teleoperatore, grazie alla trasmissione in tempo reale dei dati raccolti dai sensori del veicolo. Per garantire la sicurezza nella GT, è necessario che la comunicazione rispetti una serie di requisiti di affidabilità e latenza, operazione tuttavia complicata dalla variabilità delle condizioni di rete e di canale. Per questo la comunità scientifica sta studiando il paradigma della Predizione della Qualità di Servizio (PQS) quale strumento in grado di predirre le condizioni di rete e di modificare i parametri di comunicazione per rispettare i vincoli di sicurezza. Visto il successo dell’uso dell'intelligenza artificiale nelle tecniche di PQS, in questa tesi vengono proposte diverse soluzioni basate sull’apprendimento automatico per la PQS. In questo contesto, vist l’esigenza di dati per l’allenamento di algoritmi di intelligenza artificiale, come prima cosa in questa tesi viene proposta un’estensione del dataset artificiale SELMA. Nell’estensione vengono infatti resi disponibili dati provenienti da acquisizioni sequenziali di sensori a bordo di veicoli che si muovono in uno scenario realistico. Inoltre vengono proposti due diversi paradigmi con cui fare PQS. Il primo, basato sulla “comunicazione orientata agli obiettivi”, sfrutta la correlazione tra acquisizioni consecutive di uno stesso sensore per calcolare la rilevanza della nuova acquisizione; il secondo, basato sul bilanciamento tra compressione e accuratezza nell’operazione di rilevamento di oggetti, mira a calcolare il livello di compressione più adeguato alle condizioni di canale percepite dal veicolo. L’estensione di SELMA è stata usata per allenare e validare i paradigmi proposti, ed i risultati empirici dimostrano come sia possibile approssimare la rilevanza dei dati acquisiti a bordo del veicolo tramite algoritmi che non richiedono un’eccessiva potenza computazionale, e che sia possibile trovare il livello di compressione ottimale per la trasmissione dei dati utilizzando un agente di apprendimento per rinforzo.