Tiny machine learning for UWB-radar based subject recognition in cars

In recent years emerged the need for solutions capable of detecting precisely and reliably the presence of people or pets in closed environments. Especially in the car industry, detecting the presence of a sensible target inside the vehicle can become a fundamental need. Furthermore, the tracking of people or pets inside the car can help with the analysis of situations in which disputes between insurance companies and the insured subject have risen. It has become essential to nd new ways for the tracking and recognition of subjects present at a given time in the passenger compartment of a car, respecting anyway the user's needs in terms of privacy preservation and non-intrusiveness. These solutions must also be reactive in signalling to the user the presence of sensible targets, and at the same time guaranteeing to work continuously for a long period of time without the need to be manually switched on, calibrated or activated. These requirements match perfectly with the latest developments in the eld of Machine Learning, and in particular of embedded and edge AI and Tiny Machine Learning: even resource-intensive algorithms can nowadays be optimized to work on embedded and IoT devices for long periods continuously without sacrificing the performances. The use of radar technology for the detection of people or pets guarantee intrinsically the preservation of the user's privacy, and it's also functional for use in an IoT environment because of its fastness and low energy consumption capabilities. The goal of the thesis is to develop a solution that makes use of radar scans realized with an UltraWideBand (UWB) radar module for the objectives described above, fi nding algorithms that are capable of analyzing those signals and return a reliable prediction of the situation inside the passenger compartment.

Negli ultimi anni è emerso il bisogno di sistemi in grado di rilevare con precisione ed affidabilità la presenza di persone o animali in uno spazio chiuso. Specialmente nel settore dell'automotive, rilevare la presenza di un soggetto sensibile all'interno dell'auto può diventare un bisogno fondamentale. Inoltre, il tracciamento di persone o animali all'interno dell'auto può aiutare nell'analisi di casi in cui possano sorgere controversie tra agenzie assicurative e soggetto assicurato. Diventa quindi essenziale trovare modi alternativi agli attuali per il tracciamento e il riconoscimento dei soggetti presenti in un determinato momento nell'abitacolo, rispettando tuttavia i bisogni legati alla privacy e alla non-intrusività del sistema dell'utente finale. Queste soluzioni devono inoltre risultare reattive nel segnalare la presenza di soggetti sensibili all'utente, e allo stesso tempo funzionare in maniera continuativa per lunghi periodi senza che esso abbia bisogno di accendere manualmente, calibrare o attivare un dispositivo. Questi requisiti combaciano alla perfezione con gli ultimi sviluppi che sono stati ottenuti nei campi del Machine Learning, e in particolare dell' embedded e edge AI e del tiny Machine Learning: algoritmi anche molto pesanti possono oggi essere ottimizzati per funzionare su dispositivi embedded e iot per lunghi periodi di tempo e continuativamente, senza grandi sacri ci in termini di performance. L'utilizzo di segnali radar per il rilevamento della presenza di persone o animali inoltre garantisce intrinsecamente il rispetto della privacy degli utenti, ed è funzionale all'utilizzo in ambito iot in quanto relativamente veloce nelle scansioni e non particolaremente energivoro. Lo scopo della tesi è quello di sviluppare una soluzione che utilizzi le scansioni effettuate da un modulo radar ultrawideband (UWB) con gli obiettivi sopra descritti, trovando algoritmi in grado di analizzare questi segnali e restituire una previsione puntuale e affidabile della situazione all'interno dell'abitacolo.