Machine learning nell'aerodinamica di una vettura di Formula 1

Innovation has always been a key point in the Formula 1’s world, every team is always seeking for something revolutionary to make the difference not only on the track. Machine learning is now used in every sector and in the last years it also entered the Formula 1’s world. This thesis is about the creation of a machine learning program, written in Python, as a support to the aerodynamicists. Part of the work of the engineers in each team consist in the analysis and compare of the development lines of their car against the opponents’ ones. To do so they study in detail the countless photos available to them. The goal was to provide to the aerodynamicists the pictures already tagged and available in the shortest time possible by just selecting the appropriate filters. This is the reason why a program, that can autonomously tag photos in a short time, has been created. Given the large number of data to be processed, has also been included a function that automatically skip similar or low-resolution pictures. The fundamental step of this project was the setting of the correct parameters of the machine learning program. This made it possible to achieve an excellent percentage of accuracy (80%: 4 out of 5 images are classified correctly, whilst the remaining one is either without a label or with a wrong one). Despite this margin of error, the developed program made it possible to significantly speed up this task of the aerodynamicists.

Nel mondo della Formula 1 l’innovazione è da sempre un punto cardine: ogni squadra è sempre alla ricerca di qualcosa di rivoluzionario ed in grado di fare la differenza in pista e non solo. Il machine learning è ormai utilizzato in ogni settore e negli ultimi anni è entrato anche nel mondo della Formula 1. Questa tesi tratta la creazione di un programma di machine learning scritto in Python come supporto agli aerodinamici. Una parte del lavoro degli ingegneri di ogni scuderia consiste nell’analizzare e confrontare le linee di sviluppo della propria monoposto rispetto a quelle avversarie attraverso lo studio dettagliato di innumerevoli foto a loro disposizione. L’obiettivo è stato quello di fornire agli aerodinamici le immagini già categorizzate e consultabili nel minor tempo possibile selezionando semplicemente degli appositi filtri. Per questo si è creato un programma in grado di etichettare autonomamente le foto in poco tempo. Dato il largo numero di dati da processare si è inclusa anche una funzione in grado di eliminare eventuali immagini simili o a bassa risoluzione. Il passaggio fondamentale di questo lavoro è stata l’impostazione dei corretti parametri del programma di machine learning. Ciò ha permesso di raggiungere un’ottima percentuale di precisione (80%: 4 immagini su 5 sono classificate correttamente, l’immagine restante o è senza etichetta o è con una sbagliata). Nonostante questo margine di errore il programma sviluppato ha permesso di velocizzare notevolmente questa parte del lavoro degli aerodinamici.