Un episodio segnalato nella Galleria Giovanni XXIII di Roma riporta l’attenzione su un limite strutturale dei sistemi di assistenza alla guida che basano una parte decisiva della percezione dell’ambiente sulle telecamere. Durante il transito sotto la copertura metallica della galleria, il disegno di ombre parallele proiettato sulla carreggiata sarebbe stato interpretato dal sistema di mantenimento della corsia come una configurazione compatibile con la segnaletica orizzontale, provocando una correzione improvvisa dello sterzo verso il veicolo presente nella corsia adiacente.
Il punto tecnico non riguarda l’esistenza di una singola anomalia stradale, ma il modo in cui un sistema ADAS costruisce la propria rappresentazione della scena. Le telecamere anteriori e laterali acquisiscono una sequenza continua di immagini; i modelli di computer vision cercano al loro interno linee di corsia, bordi della carreggiata, veicoli, pedoni, ostacoli, segnali e aree transitabili. Quando il contrasto tra luce e ombra crea elementi geometrici regolari, con orientamento e distanza simili a quelli delle linee dipinte sull’asfalto, il classificatore può produrre un falso positivo: non riconosce l’ombra come effetto dell’illuminazione, ma come oggetto significativo per la traiettoria del veicolo.
Nella Galleria Giovanni XXIII la copertura frangisole genera una successione di bande scure perpendicolari al senso di marcia. Per un conducente umano il fenomeno resta chiaramente distinguibile dalla segnaletica, perché viene interpretato insieme al contesto architettonico, alla posizione del sole, alla struttura sovrastante e alla continuità visiva della strada. Un sistema di guida assistita, invece, deve ricavare la stessa informazione da dati sensoriali e modelli statistici, con margini di incertezza che aumentano nei passaggi ad alto contrasto, nelle zone con luce intermittente, sui fondi stradali deteriorati o in presenza di riflessi.
Tesla definisce Autopilot come una suite di funzioni di assistenza alla guida e non come un sistema di guida autonoma. Le funzioni attive possono combinare controllo della velocità, distanza dal veicolo che precede e supporto allo sterzo, ma richiedono che il conducente resti vigile, mantenga le mani sul volante e sia pronto a correggere immediatamente il comportamento dell’auto. Anche la classificazione SAE del livello 2 chiarisce che il sistema può intervenire contemporaneamente su accelerazione, frenata e direzione, mentre la responsabilità della guida rimane integralmente in capo alla persona al volante.
Il caso romano evidenzia perché la supervisione umana non sia un semplice requisito formale. Una manovra errata dovuta a un’ambiguità visiva può svilupparsi in una frazione di secondo e verificarsi in contesti nei quali lo spazio laterale è ridotto, il traffico è intenso e le possibilità di recupero sono limitate. In un tunnel urbano, una sterzata non richiesta può essere più critica di una frenata prudenziale, perché modifica direttamente la traiettoria del veicolo e può creare un rischio immediato per i mezzi affiancati.
Le ombre rappresentano inoltre un caso rilevante per la sicurezza dei modelli di percezione. Nella letteratura sulla guida automatizzata, pattern visivi artificiali o naturali sono studiati come possibili fattori di confusione per i sistemi di rilevamento delle corsie. Il problema è collegato agli edge case, cioè scenari poco rappresentati nei dati di addestramento o difficili da classificare in modo affidabile. Non basta riconoscere una linea o una discontinuità cromatica: il sistema deve distinguere tra una marcatura fisica che impone un vincolo di guida e una variazione temporanea dell’illuminazione.
Per ridurre queste vulnerabilità, l’architettura del veicolo deve combinare più livelli di controllo. Le immagini delle telecamere possono essere integrate con dati inerziali, mappe ad alta definizione, stima della geometria stradale, rilevamento della profondità e confronti temporali tra fotogrammi successivi, così da verificare se un presunto margine di corsia mantiene una posizione coerente mentre l’auto avanza. L’uso di sensori aggiuntivi, come radar e altri dispositivi capaci di leggere distanza e struttura spaziale in modo meno dipendente dalla luce visibile, può aumentare la ridondanza del sistema, ma non elimina la necessità di validare la decisione di sterzo prima che venga applicata.
Il nodo riguarda anche l’interazione tra veicoli assistiti e infrastrutture esistenti. Tunnel, pensiline, cavalcavia, barriere, superfici riflettenti, segnaletica usurata e pavimentazioni irregolari non sono eccezioni marginali nelle reti urbane: sono condizioni reali con cui gli ADAS devono confrontarsi ogni giorno. La diffusione dei sistemi di livello 2 richiede quindi non solo software più robusti e procedure di monitoraggio del conducente, ma anche test che comprendano ambienti stradali complessi, condizioni luminose variabili e configurazioni infrastrutturali che possono alterare la lettura automatica della carreggiata.