Dashboard e motore decisionale per la simulazione della navetta autonoma V-Shuttle (Waymo LCC), sviluppato durante l'hackathon Hastega.

Il progetto risolve il problema del disallineamento uomo-macchina quando il veicolo incontra segnaletica ambigua o deteriorata:

• il backend fonde le letture dei sensori (camera frontale, camera laterale, V2I),
• normalizza testi OCR rumorosi,
• interpreta regole semantiche (divieti, eccezioni BUS, vincoli orari),
• restituisce un'azione operativa (GO, STOP, HUMAN_REVIEW) per la dashboard del Safety Driver.

La dashboard è pensata per decisioni in pochi secondi: stato chiaro, colori immediati, simulazione live automatica e fallback di sicurezza.

Abbiamo impostato il lavoro partendo da una domanda chiave: “Cosa deve capire Marco in meno di 2 secondi?” Da qui abbiamo separato nettamente il problema in due blocchi:

• Motore decisionale backend: tutta la logica critica, deterministica e testabile (fusione, parsing, decisione, safety fallback).

• Dashboard frontend: interfaccia immediata, senza logica duplicata, che mostra solo lo stato deciso dal backend.

Nel backend abbiamo scelto un’architettura a pipeline, con moduli distinti per:

• correzione OCR / normalizzazione testo

• fusione sensori

• parsing semantico

• decisione finale contestuale

Questa modularità ci ha permesso di adattare velocemente le regole ai casi limite emersi durante l’hackathon senza riscrivere tutto. Per la parte live abbiamo privilegiato robustezza e semplicità: stato simulazione in memoria + polling frontend, così da ridurre complessità e rischio di desincronizzazione.

La scelta più importante lato sicurezza è stata rendere il sistema fail-safe: in caso di incertezza si passa a HUMAN_REVIEW, e in caso di mancata risposta entro timeout si forza STOP. In questo modo abbiamo mantenuto il focus sul requisito reale del cliente: evitare comportamenti ambigui e garantire una decisione sempre comprensibile e sicura.

Membri e Ruoli:

• Domenico Commisso — Developer - Backend e Implementazione Algoritmo, Engine Decisionale
• Sebastiano Pastorelli — Fisico - Progettazione e Implementazione Algoritmo, Correttore OCR
• Domenico Sabatino — Developer - Progettazione Architettura Progetto e Frontend

Dalla root del repository:

make run

Questo comando installa le dipendenze e avvia backend e frontend insieme tramite run_fullstack.sh.

In caso di problemi con l'installazione delle dipendenze o l'ambiente virtuale python:

make install-backend
make install-frontend 

• Backend: http://127.0.0.1:8000
• Frontend: http://127.0.0.1:5173

BACKEND_PORT=9000 FRONTEND_PORT=5174 make run

flowchart LR
    A[Dataset JSON scenari] --> B[Backend FastAPI]
    B --> C[Fusione sensori + parsing semantico]
    C --> D[Decisione GO/STOP/HUMAN_REVIEW]
    D --> E[Stato simulazione in memoria]
    E --> F[Frontend React Dashboard]
    F -->|CONFIRM/OVERRIDE| B

• Backend: FastAPI + pipeline deterministica (engine/) per fusione e decisione.
• Frontend: React + Vite con polling /api/simulations/{id}/state ogni 500ms.
• Controllo temporale:
  • avanzamento automatico scenario ogni 4s,
  • timeout intervento umano a 2s con fallback automatico su STOP.

cd backend
python3 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt
uvicorn app.main:app --host 0.0.0.0 --port 8000

cd frontend
npm install
npm run dev -- --host 0.0.0.0 --port 5173

• GET /health
• POST /decision/evaluate
• POST /api/datasets/load
• POST /api/simulations/start
• GET /api/simulations/{simulation_id}/state
• POST /api/simulations/{simulation_id}/human-decision
• POST /api/simulations/{simulation_id}/stop

.
├── backend/
│   ├── app/
│   │   ├── main.py
│   │   ├── models.py
│   │   └── pipeline.py
├── engine/
├── frontend/
├── run_fullstack.sh
├── Makefile
└── README.md