Università degli Studi di Palermo

L’Università di Palermo è stata coinvolta in tutte le 8 fasi del progetto avendo il coordinamento della Fase 3 e della Fase 8.

Le attività inerenti la fase 3 sono stato coordinate dall’Università degli Studi di Palermo ed hanno visto il coinvolgimento del partner accademico Università di Catania e dei partner industriali, Ubique, GRM e Vicosystems. L’Università degli Studi di Palermo ha messo a disposizione del partenariato le sue competenze nel settore della Computer Vision (CV) e delle tecniche di Intelligenza Artificiale (IA), che sono state coniugate con il know-how dell’Università di Catania nell’ambito della definizione di algoritmi di codifica e di trasmissione dei dati, e con le capacità ed esperienze dei partner industriali nell’ambito della progettazione e gestione di sistemi di trasmissione di flussi realtime (GRM) e nella ideazione, definizione e progettazione di servizi innovativi (Ubique, Vicosystems) basati sull’utilizzo di IA e CV.

Il team dell’Università di Palermo è stato coordinato dal responsabile scientifico del progetto S6, Prof. Marco Morana, ed ha visto la partecipazione del Prof. Giuseppe Lo Re - Responsabile Laboratorio Reti e Sistemi Distribuiti, del Prof. Salvatore Gaglio - Responsabile Laboratorio di Intelligenza Artificiale, di unità di personale afferenti ai suddetti laboratori ed al Dipartimento di Ingegneria, nonché di personale esterno, giovani borsisti di ricerca formati sulle tecnologie del progetto S6.

Si riportano di seguito, a titolo esemplificativo, gli output di due dei servizi studiati e definiti nell’ambito dell’attività 3.3 che coniugano tecniche di intelligenza artificiale e computer vision, sfruttando l’innovazione tecnologica proposta dalla piattaforma S6.

Il primo servizio è basato sull’uso di tecniche di object detection per l’individuazione della posizione dei volti presenti in un’immagine. A valle di tale task, la regione individuata viene processata per nascondere i tratti del volto ed impedire il riconoscimento del soggetto. Tale tipo di servizio può essere utilizzato congiuntamente con altri servizi di analisi dei flussi video per garante l’anonimato dei soggetti inquadrati.

Il secondo servizio è stato pensato per il riconoscimento ed il tracciamento dei veicoli tramite analisi di flussi video. In questo caso, gli algoritmi di object detection sono stati addestrati per il riconoscimento dei veicoli in movimento; in una fase successiva i bounding box relativi a ciascun veicolo vengono analizzati da una rete addestrata per riconoscere – classificare – tipologie di veicoli differenti. Inoltre, una modellazione dello spazio fisico osservato ha consentito di estendere il servizio con una stima in tempo reale della velocità di ciascun veicolo osservato.

I risultati delle attività della Fase 3 sono riportati in 4 deliverables:

D3.1 Valutazione comparativa di software e algoritmi per la codifica e la trasmissione di flussi video
D3.2: Definizione di Algoritmi di computer vision per l’analisi di immagine fisse e in movimento
D3.3: Definizione di algoritmi di intelligenza artificiale e di computer vision per l'analisi di immagine fisse e in movimento
D3.4: Definizione di un servizio innovativo di live video broadcasting basato su SDN ed NFV

L’Università di Palermo ha inoltre coordinato le attività di disseminazione dei risultati (fase 8), che sono state svolte in maniera continua lungo l’intero iter progettuale al fine di rendere ampiamente fruibili i risultati del progetto S6 mediante.

Tra le attività condotte si segnala la partecipazione a convegni e workshop, la presenza ad eventi pubblici in cui è stato possibile presentare agli stakeholders l’iniziativa progettuale ed i risultati conseguiti, nonché la produzione da parte del partenariato di 9 pubblicazioni su riviste scientifiche internazionali e 16 pubblicazioni in atti di convegni internazionali.

· G. Faraci, S. A. Rizzo, G. Schembra, "Green edge intelligence for smart management of a FANET in disaster-recovery scenarios," IEEE Transactions on Vehicular Technology, 72(3), pp. 3819-3831, March 2023.

· F. Busacca, C. Grasso, S. Palazzo and G. Schembra, "A Smart Road Side Unit in a Microeolic Box to Provide Edge Computing for Vehicular Applications," in IEEE Transactions on Green Communications and Networking, Volume 7, Issue 1, Pages 194 - 2101 March 2023.

· C. Grasso, R. Raftopoulos, G. Schembra, S. Serrano, "H-HOME: A learning framework of federated FANETs to provide edge computing to future delay-constrained IoT systems," (2022) Computer Networks, Volume 219, 24 December 2022.

· G. M. Cappello, G. Colajanni, P. Daniele, L. Galluccio, C. Grasso, G. Schembra, L. Scrimali, "Optimizing FANET Lifetime for 5G Softwarized Network Provisioning," IEEE Transactions on Network and Service Management, 2022, Volume 19, Issue 4, Pages 4629 - 46491 December 2022.

· C. Grasso, R. Raftopoulos, G. Schembra, "Smart Zero-Touch Management of UAV-Based Edge Network," in IEEE Transactions on Network and Service Management, vol. 19, no. 4, pp. 4350-4368, Dec. 2022.

· C. Grasso, R. Raftopoulos, G. Schembra, "Slicing a FANET for heterogeneous delay-constrained applications," Computer Communications, Volume 195, Pages 362 - 3751 November 2022.

· G. Colajanni, P. Daniele, L. Galluccio, C. Grasso and G. Schembra, "Service-Chain Placement Optimization in 5G FANET-Based Network Edge," in IEEE Communications Magazine, Volume 60, Issue 11, Pages 60 - 651 November 2022.

· R. Avanzato, F. Beritelli, C. Rametta, "An DL-based approach for Packet Error Compensation using radio mobile network quality parameters in a rainfall scenario," in Computer Networks, Volume 220, 2023, 109463, ISSN 1389-1286.

· R. Avanzato, F. Beritelli and C. Rametta, "Enhancing Perceptual Experience of Video Quality in Drone Communications by Using VPN Bonding," in IEEE Embedded Systems Letters, vol. 15, no. 1, pp. 1-4, March 2023.

· G. M. Cappello, G. Colajanni, P. Daniele, L. Galluccio, C. Grasso, G. Schembra. L. Scrimali, "Using FANETs for 6G Cloud-Native Slice Provisioning: A Marketplace Approach," IEEE MOBISLICE 2023, co-located with NFV-SDN 2023, Dresden, Germany, November 07-09, 2023.

· G. M. Cappello, G. Colajanni, P. Daniele, L. Galluccio, C. Grasso, G. Schembra. L. Scrimali, "ODEL: an On-Demand Edge-Learning framework exploiting Flying Ad-hoc NETworks (FANETs)," ACM International Workshop on Recent Trends of Internet of Softwarized Things (IoST-5G&B), co-located with Mobihoc 2023, Washington DC, USA, October 23-26, 2023.

· R. Raftopoulos, G. Schembra, "Multi-Armed Bandit for Contention Window Optimization," ACM European Wireless 2023, Rome, Italy, October 02-04, 2023.

· F. Busacca, S. Palazzo; R. Raftopoulos, G. Schembra, "MANTRA: an Edge-Computing Framework based on Multi-Armed Bandit for Latency- and Energy-aware Job Offloading in Vehicular Networks," IEEE NetSoft 2023, Madrid, Spain, June 19-23, 2023.

· Grasso C., Raftopoulos R., Schembra G., “OSCAR: a Contention Window Optimization approach using Deep Reinforcement Learning”, IEEE 2023 IEEE International Conference on Communications (ICC), Rome, Italy, May 28 - June 01, 2023.

· Cappello, G.M. et al. (2022). “A Multi-UAVs’ Provider Model for the Provision of 5G Service Chains: A Game Theoretic Approach”. In: Simos, D.E., Rasskazova, V.A., Archetti, F., Kotsireas, I.S., Pardalos, P.M. (eds) Learning and Intelligent Optimization. LION 2022. Lecture Notes in Computer Science, vol 13621. Springer, Cham. https://doi.org/10.1007/978-3-031-24866-5_32.

· Grasso C., Raftopoulos R., Schembra G., "Multi-Agent Deep Reinforcement Learning in Flying Ad-Hoc Networks for Delay-Constrained Applications," Procedia Computer Science, Volume 203, 2022, Pages 69-78.

· Grasso C., Raftopoulos R., Schembra G., "Comparison of Deep Reinforcement Learning Approaches for FANET Optimization," 2022 61st FITCE International Congress Future Telecommunications: Infrastructure and Sustainability (FITCE), 2022, pp. 1-6.

· Grasso C., Raftopoulos R., Schembra G., "A FANET to Provide Blockchain On Demand at the Extreme Edge of a 6G Network," 2022 61st FITCE International Congress Future Telecommunications: Infrastructure and Sustainability (FITCE), 2022, pp. 1-6.

· Grasso C., Raftopoulos R., Schembra G., "Tailoring FANET-Based 6G Network Slices in Remote Areas for Low-Latency Applications" (2022) 2022 IFIP Networking Conference.

· Galluccio L., Grasso C., Maier G., Raftopoulos R., Savi M., Schembra G., Troia S., "Reinforcement Learning for Resource Planning in Drone-Based Softwarized Networks," 2022 20th Mediterranean Communication and Computer Networking Conference (MedComNet), 2022, pp. 200-207.

· C. Grasso, R. Raftopoulos and G. Schembra, "Deep Q-Learning for Horizontal Job Offloading in a Fleet of MEC UAVs in 5G Environments," Proc. of IEEE Netsoft 2021, online, 28 June–2 July 2021.

· V. Agate, A. De Paola, G. Lo Re, A. Virga, “Reputation-based Dissemination of Trustworthy Information in VANETs”, in International Conference on Mobile and Ubiquitous Systems: Computing, Networking and Services (MobiQuitous), Melbourne, Australia, 2023.

· V. Agate, A. De Paola, G. Lo Re, A. Virga, “Reliable Reputation-based Event Detection in V2V Networks”, in International Conference on Advanced Research in Technologies, Information, Innovation and Sustainability (ARTIIS), Santiago de Chile, Chile, 2023.

· M. Russo, R. Avanzato and F. Beritelli, "PER-COVID (PEople pRoximity based on Certified and coOperative VIDeo-intelligence): A Software Tool for Physical Distancing and PPE Monitoring," 11th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications (IDAACS), Cracow, Poland, 2021, pp. 881-885.

· R. Avanzato, F. Beritelli, C. Rametta and M. Russo, "Exploiting VPN Bonding for Time Critical Video Transmission on Board Drone," 2021 11th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications (IDAACS), Cracow, Poland, 2021, pp. 808-812.