• competizione
• driver
• driving style
• motorsport
• pilota
• pilota professionista
• race car
• race car driver
• race car driver behavior
• stile di guida

Questa tesi si propone di analizzare e modellare i differenti stili di guida dei piloti nel motorsport, utilizzando dati proveniente da un simulatore di guida professionale e analizzati attraverso tecniche di machine learning. L’obiettivo principale è comprendere le peculiarità di ciascun pilota, valutare la sua ripetibilità e investigare il legame tra la traiettoria (conseguenza diretta delle azioni del pilota) e il set-up del veicolo.
Il primo passo della ricerca ha riguardato lo sviluppo di un algoritmo capace di identificare automaticamente le curve di un circuito, elemento essenziale per un’analisi completa dello stile di guida. Successivamente, è stato utilizzato un algoritmo di clustering per individuare curve con caratteristiche simili, anche in circuiti differenti, permettendo così di confrontare il comportamento dei piloti anche su tracciati diversi.
Un secondo algoritmo è stato poi progettato per confrontare le diverse strategie adottate dai piloti nelle curve, concentrandosi sugli input di guida -acceleratore, freno, sterzo- e sulla traiettoria seguita. I risultati ottenuti hanno dimostrato che, a pari circuito, gli stili di guida sono estremamente distintivi: è stato possibile riconoscere un pilota con una precisione superiore al 90%, analizzando i suoi giri rispetto a quelli di altri piloti. In particolare, utilizzando un dataset di n giri di più piloti per l’addestramento, è stato possibile, dato un nuovo giro (non necessariamente appartenente al dataset iniziale), identificare con elevata accuratezza quale dei vari piloti lo abbia compiuto. Questo conferma che il modo in cui un pilota interagisce con il veicolo è altamente caratteristico e riconoscibile. Tuttavia, confrontando il comportamento dei piloti su circuiti differenti, i risultati non sono altrettanto validi. Pur analizzando curve con caratteristiche estremamente simili, non è stato possibile identificare con precisione i singoli piloti. Questo suggerisce che le caratteristiche intrinseche della curva abbiano un’influenza predominante rispetto allo stile di guida del pilota.
In una fase successiva, la ricerca si è concentrata sulla definizione di una traiettoria media caratteristica per ciascun pilota. Questa traiettoria è stata poi utilizzata per condurre simulazioni mirate a comprendere quale sia la traiettoria più veloce a parità di veicolo e, soprattutto, per valutare l’influenza sul set-up ottimo del veicolo in termini di tempo sul giro. È stato osservato che le differenze di traiettoria tra piloti diversi possono generare variazioni di tempo significative, ma, allo stesso tempo, che il set-up ottimale non è influenzato direttamente dalla traiettoria seguita.
Un ulteriore aspetto analizzato è stata la ripetibilità e la similitudine della guida dei piloti: attraverso l’analisi delle traiettorie, sono stati definiti parametri per misurare quanto un pilota sia in grado di replicare il proprio stile in modo consistente. I risultati hanno evidenziato una notevole variabilità tra i piloti: alcuni dimostrano un alto grado di ripetibilità, mentre altri presentano maggiore variabilità nella propria guida. Tuttavia, identificare similitudini tra piloti diversi è risultato meno evidente, suggerendo che lo stile di guida sia un tratto altamente personale e poco standardizzabile.
Questa ricerca rappresenta un contributo innovativo nello studio e nella caratterizzazione degli stili di guida nel motorsport, offrendo strumenti avanzati per il miglioramento delle prestazioni dei piloti e per l’ottimizzazione delle strategie di set-up dei veicoli. Le metodologie sviluppate potrebbero avere applicazioni non solo nel mondo del simulatore, ma anche nel motorsport reale, supportando team e piloti nella comprensione e nell’ottimizzazione della loro guida.

This thesis aims to analyze and model the different driving styles of motorsport drivers using data obtained from a professional driving simulator and processed through machine learning techniques. The primary objective is to understand the unique characteristics of each driver, assess their consistency, and investigate the relationship between the trajectory (a direct consequence of the driver’s actions) and the vehicle setup.
The first step of the research involved developing an algorithm capable of automatically identifying the curves of a circuit, an essential element for a comprehensive analysis of driving styles. Subsequently, a clustering algorithm was employed to identify curves with similar characteristics across different circuits, enabling the comparison of driver behavior even on different tracks.
A second algorithm was then designed to compare the various strategies adopted by drivers when navigating curves, focusing on driving inputs—throttle, brake, and steering—as well as the trajectory followed. The results demonstrated that, on the same circuit, driving styles are highly distinctive: it was possible to identify a driver with an accuracy exceeding 90% by analyzing their laps in comparison to those of other drivers. Specifically, n laps were collected from each driver and these laps were utilized to train the algorithm and to create a reference dataset. The model was able to accurately determine which driver completed a new lap (not necessarily included in the initial dataset). This confirms that the way a driver interacts with the vehicle is highly characteristic and recognizable. However, when comparing driver behavior across different circuits, the results were less conclusive. Although the analysis involved curves with highly similar characteristics, it was not possible to precisely identify individual drivers. This suggests that the intrinsic properties of a curve have a predominant influence over the driver’s unique style.
In the next phase, the research focused on defining a characteristic average trajectory for each driver. These trajectories were then used to conduct simulations aimed at determining the fastest trajectory for a given vehicle set-up and, above all, to evaluate its influence on the optimal vehicle set-up in terms of lap time. The analysis revealed that differences in trajectory between drivers can lead to significant variations in lap time. However, at the same time, the optimal setup does not appear to be directly influenced by the trajectory followed.
Another aspect analyzed was the consistency and similarity of driver behavior. Through trajectory analysis, parameters were defined to measure how consistently a driver can replicate their own style. The results indicated considerable variability among drivers: some demonstrated a high degree of repeatability, whereas others exhibited greater variations in their driving behavior. However, identifying similarities between different drivers proved to be more challenging, suggesting that driving style is a highly individual trait that resists standardization.
This research represents an innovative contribution to the study and characterization of driving styles in motorsport, providing advanced tools for improving driver performance and optimizing vehicle setup strategies. The methodologies developed could have applications not only in simulated environments but also in real-world motorsport, assisting teams and drivers in understanding and refining their driving techniques.