HPC4Wearable è un progetto di ricerca industriale che mira a progettare e implementare un sistema IoT/Big Data supportato da algoritmi di Intelligenza Artificiale. Il sistema è progettato per acquisire, analizzare e visualizzare dati georeferenziati relativi allo stato fisico, al movimento e alla postura di team di atleti. Di seguito, approfondiamo le componenti tecnologiche e le attività che definiscono il nostro lavoro.

Il nucleo del progetto è una piattaforma cloud con un'architettura a 3 livelli, progettata per essere scalabile e robusta. I dati provenienti dai sensori vengono inviati a un server HTTPS tramite un'app companion. Da qui, un sistema di code di messaggi gestisce i flussi di dati in entrata, che vengono poi archiviati in un database persistente MongoDB. L'intera infrastruttura è gestita da un orchestratore di microservizi basato su Docker, che permette di gestire in modo flessibile i servizi di analisi. L'accesso e l'elaborazione dei dati da parte dei ricercatori sono facilitati da un'istanza di Jupyter Hub, che garantisce un ambiente di lavoro sicuro e potente.

Lo sviluppo di HPC4Wearables segue un percorso articolato che coniuga ricerca, progettazione e sperimentazione.

Fase 1: Analisi e Definizione dei Requisiti

La prima fase ha riguardato l’analisi dello stato dell’arte dei dispositivi indossabili applicati allo sport, individuando tecnologie, limiti e potenzialità del mercato. A partire da questa base, i partner hanno definito gli obiettivi tecnici e i requisiti funzionali del sistema, con particolare attenzione all’integrazione tra dati fisiologici e di posizionamento.

Fase 2: Modellazione dei Dati e dei Sensori
Il successo della piattaforma è strettamente legato alla qualità dei dati. In questa fase, abbiamo definito il modello delle feature, ossia le caratteristiche dei dati che verranno utilizzate come input nel sistema di Intelligenza Artificiale. Contemporaneamente, Gter ha progettato una sensore (GPS/GNSS, IMU, CAN/OBD-II) per raccogliere i dati dalle bici, ottimizzando l'intero processo di acquisizione, mentre ComfTech ha pefezionato i campioni di tessuti intelligenti, ottimizzando il comfort e la qualità del segnale grazie a una nuova membrana sensorizzata resistente a variazioni di temperatura e umidità.

Fase 3: Progettazione Architetturale del Sistema
Successivamente, l’attività si è concentrata sulla modellazione e progettazione dell’architettura software e hardware, con la definizione dei protocolli di comunicazione, dei formati dati e dei flussi di acquisizione. È stato realizzato un primo prototipo operativo del sistema, comprensivo della piattaforma cloud, dei sensori GNSS-IMU e dei tessuti HOWDY, capace di raccogliere e sincronizzare i dati provenienti dalle varie fonti in modo continuo e affidabile.

Fase 4: Sviluppo degli Algoritmi di Intelligenza Artificiale
Parallelamente, abbiamo avviato lo sviluppo dei modelli di intelligenza artificiale per la classificazione dei dati fisiologici e il riconoscimento di schemi di comportamento. Gli algoritmi sono progettati per rilevare in anticipo condizioni di stress o affaticamento, migliorando la sicurezza e la performance degli atleti.

Fase 5: Realizzazione del Dimostratore
In questa fase abbiamo costruito il prototipo funzionante della piattaforma. Un aspetto cruciale è l'integrazione dei simulatore SUMO con il modello RBDM, che ci ha permesso di generare dati realistici e di testare il comportamento e le dinamiche di gruppo. Questo ambiente di co-simulazione è fondamentale per collaudare gli algoritmi di IA e le funzionalità della piattaforma.

Fase 6: Verifica e Validazione Sperimentale
La fase finale del progetto è dedicata alla verifica e validazione sperimentale del sistema in condizioni reali. Attraverso test sul campo con gruppi di ciclisti, viene valutata l’efficacia della piattaforma nel monitoraggio dello stress, la qualità dei segnali acquisiti e l’affidabilità della comunicazione tra i vari componenti.