Sintesi del progetto
AI-PLAYING risponde a un’esigenza concreta del trasporto pubblico locale: misurare in modo oggettivo come lo stile di guida impatta su comfort e sicurezza dei passeggeri, due variabili fondamentali per ridurre incidenti, aumentare la soddisfazione degli utenti e rendere il servizio più competitivo rispetto alla mobilità privata. L’innovazione del progetto sta nello spostare il punto di osservazione dal mezzo al passeggero, rilevando in tempo reale forze, manovre e sbandamenti che i conducenti non percepiscono a causa dei sedili ergonomici ma che incidono fortemente sull’esperienza degli utenti.
Obiettivi
L’iniziativa intende creare un ecosistema che permetta di individuare manovre pericolose o poco confortevoli, fornendo un feedback puntuale ai conducenti, supportare la formazione mirata e garantire agli operatori un sistema di registrazione degli eventi certificato utile per audit, incidenti o contestazioni. La piattaforma genera indicatori di riferimento basati anche su parametri di comfort e non solo su metriche del veicolo, ampliando così la visione tradizionale dei sistemi di monitoraggio per il Trasporto Pubblico Locale (TPL).
Problemi e necessità
Il conducente, grazie alla protezione del posto guida, percepisce solo in parte le vibrazioni e le forze laterali che possono causare o disagio ai passeggeri, in particolare se in piedi o con mobilità ridotta. Gli operatori del TPL dispongono di strumenti centrati su consumi, emissioni o usura del mezzo, ma mancano indicatori relativi alla qualità dell’esperienza passeggeri (QoE). Inoltre, le aziende necessitano di sistemi antifrode e certificati per ridurre contenziosi e costi assicurativi, uno dei principali capitoli di spesa nel trasporto pubblico.
Soluzioni sviluppate
AI-PLAYING integra un dispositivo IoT di bordo, modelli di Intelligenza Artificiale e un sistema blockchain per certificare gli eventi critici. Sono state definite pipeline di AI per estrarre parametri significativi, analizzare stili di guida e avvisare gli operatori su comportamenti a rischio. Il prototipo è stato installato e testato su mezzi della ATP Sassari, con raccolta continua dei dati e una dashboard dedicata alla QoE dei passeggeri. L’addestramento dei modelli è supportato da risorse HPC, mentre l’inferenza avviene in Edge direttamente sul mezzo per garantire tempestività delle analisi.
Impatti
Il progetto promette un miglioramento significativo delle condizioni di viaggio, riducendo la probabilità di cadute o infortuni e rendendo le tratte più confortevoli per tutti gli utenti. Per i conducenti offre un sistema di feedback chiaro, non punitivo ma orientato alla crescita professionale. Per gli operatori significa riduzione dei costi assicurativi, maggiore trasparenza, miglior rotazione del personale e un servizio più competitivo. Sul piano ambientale, un trasporto pubblico più confortevole incentiva il passaggio dall’auto privata al bus, con benefici concreti per la riduzione di emissioni e congestione urbana.
Settori di applicazione
L’approccio sviluppato è replicabile in qualsiasi contesto che richieda analisi comportamentali affidabili e certificabili: Aziende TPL, Smart City, Assicurazioni, Enti Pubblici, Flotte Commerciali, Istituti di Ricerca sulla Mobilità e operatori Mobility as a Service (MaaS). L’integrazione AI + IoT + blockchain rappresenta un modello trasferibile a diversi scenari dove sono necessari monitoraggio continuo, sicurezza, trasparenza dei dati e valutazione dell’esperienza utente.
