ARCHITETTURE DI OBJECT DETECTION PER L’INDIVIDUAZIONE DI OSTACOLI: ANALISI COMPARATIVA E PROSPETTIVE PER L’ESECUZIONE SU SISTEMI EDGE

La visione artificiale è una componente fondamentale per i sistemi di navigazione autonoma, quali veicoli, droni e dispositivi assistivi. La sfida principale in questo ambito è l'implementazione di modelli di object detection efficienti su piattaforme a risorse limitate, come i sistemi embedded ed edge, dove è necessario un rigido equilibrio tra accuratezza, latenza e consumo energetico. Questo lavoro di tesi, di natura compilativa, affronta tale sfida attraverso una Revisione Sistematica della Letteratura (SLR) condotta secondo le linee guida PRISMA 2020. L'analisi di 44 contributi mappa l'evoluzione delle architetture object detection (two-stage, one-stage, transformer-based). I risultati identificano le architetture one-stage come il compromesso più efficace per il deployment real-time, supportate da tecniche di ottimizzazione cruciali quali la quantizzazione e il pruning strutturale. La discussione evidenzia una criticità fondamentale negli studi analizzati: la validazione si limita quasi esclusivamente a dataset "puliti". La robustezza dei modelli ottimizzati in scenari operativi reali e out of distribution è raramente testata. Si ipotizza quindi un trade-off nascosto tra efficienza e affidabilità, che costituisce il principale spunto di ricerca futuro. La tesi conclude che la visione artificiale distribuita è una direzione promettente, ma sottolinea l'urgenza di validare sperimentalmente la robustezza dei modelli leggeri in contesti operativi non ideali.