ETD

• Localizzazione radio
• LoRa
• Möbius
• Ricerca e soccorso in valanga
• Stochastic activity networks

The thesis investigates the use of LoRa systems as a support tool for avalanche search and rescue operations, with the aim of providing an initial localisation of the missing person and guiding the operator up to the handover phase to dedicated tools such as an avalanche transceiver, probe and excavation. The work is based on real experimental campaigns in which RSSI, SNR and GPS data were collected under different transmitter, receiver and trajectory configurations. Based on these data, several localisation and guidance methods were developed and compared, including RSSI gradient, multilateration, particle filtering, centroid-based methods and machine-learning models. The strategies were then evaluated in an operational simulator reproducing movement, geometric constraints, exclusion zones and anti-loop mechanisms. In successful simulations, 76.7% of the directional decisions produced an angular error lower than or equal to 90°, indicating a predominance of guidance decisions oriented towards the half-plane containing the target. The final part introduces a Stochastic Activity Network model in Möbius and an adaptive ADVISE policy for dynamically selecting the algorithm. A sensitivity analysis of the switching threshold identified 110 m as the best value for the experimental configurations considered, achieving a success rate of 63.9%, with a mean completion time of 10 min and 43 second.

La tesi studia l’impiego di sistemi LoRa come supporto alle operazioni di ricerca e soccorso in valanga, con l’obiettivo di fornire una prima localizzazione del disperso e guidare l’operatore fino alla fase di handover verso strumenti dedicati come ARTVA, sonda e scavo. Il lavoro parte da campagne sperimentali reali, nelle quali sono stati raccolti dati RSSI, SNR e GPS in diverse configurazioni di trasmettitori, ricevitori e percorsi. Su tali dati sono stati sviluppati e confrontati metodi di localizzazione e guida basati su gradiente RSSI, multilaterazione, particle filter, centroidi e modelli di machine learning. Le strategie sono state poi valutate in un simulatore operativo che riproduce movimento, vincoli geometrici, zone di esclusione e meccanismi anti-loop. Nelle simulazioni concluse con successo, il 76,7% dei controlli direzionali ha prodotto un errore angolare inferiore o uguale a 90°, indicando una prevalenza di indicazioni orientate verso il semipiano contenente il target. La parte finale introduce una modellazione con Stochastic Activity Networks in Möbius e una politica adattiva ADVISE per selezionare dinamicamente l’algoritmo. L’analisi di sensibilità della soglia di commutazione ha individuato 110 m come migliore valore nelle configurazioni sperimentali considerate, ottenendo un tasso di successo del 63,9%, con un tempo medio di 10 min e 43 secondi.