TO-Breathe: il cassonetto che respira Torino

Inspiration

Tornando a casa capita di fare quei dieci passi di fretta, perché i bidoni stracolmi sotto casa iniziano a essere maleodoranti. Non è sfortuna: la raccolta segue un calendario fisso, e il calendario non sa che cosa succede davvero dentro ai cassonetti. Così i camion passano da bidoni mezzi vuoti, mentre altri traboccano dal venerdì al lunedì.

Ci siamo chiesti come ottimizzare la raccolta per evitare queste spiacevoli evenienze. La nostra risposta è una città più connessa e digitale, in cui sia il cassonetto stesso a segnalare quando ha bisogno di essere svuotato.

What it does

TO-Breathe trasforma un normale cassonetto in un sensore urbano. Raccoglie dati in tempo reale per l'azienda incaricata dei ritiri e la aiuta a organizzare i turni grazie alla previsione dei riempimenti fatta dall'AI.

Rileva Odori: un sensore di gas (SGP30) con temperatura e umidità (AHT20) rileva i gas della decomposizione e calcola un indice di odore percepito, confrontato con l'aria di riferimento registrata dopo l'ultimo svuotamento.
Guarda: una camera fotografa l'interno del cassonetto, illuminato da un anello LED. Un modello di stima della profondità (Depth Anything V2) e un sensore di distanza ToF calcolano quanto è pieno.
Prevede: dallo storico del riempimento degli ultimi 30 giorni impara il ritmo di ogni ora della settimana (di notte poco, la sera e nel weekend di più) e stima quando il cassonetto sarà pieno.
Avvisa: invia eventi all'azienda di raccolta (quasi pieno, pieno, svuotato, odore anomalo, sensore guasto) e mostra tutto su una dashboard web locale.
Condivide: tutti i cassonetti inviano i dati a un unico pannello di controllo in cloud, da cui l'operatore vede la situazione della città e può anche segnare un cassonetto come svuotato.

Il cassonetto, inoltre, compensa la mancanza di sensori hardware specifici per il livello: la stima del riempimento è fatta dall'AI e pensata per funzionare su ogni tipo di bidone, in modo plug and play. Il sistema si calibra da solo a cassonetto vuoto, senza misure o maschere disegnate a mano.

How we built it

Hardware. Il cuore è un Arduino UNO Q, che unisce un microcontrollore STM32U585 e un computer Linux sulla stessa scheda. Il microcontrollore legge SGP30 e AHT20 ogni secondo, legge il ToF (Modulino Distance). In una futura versione saranno implementati anche un anello LED con funzionalità flash e una camera. Nella versione MVP sono invece sostituiti con un telefono cellulare connesso alla scheda tramite rete.

Software sulla scheda. L'app Python sul lato Linux prende tutte le decisioni, in locale e anche senza rete:

ogni 5 minuti scatta una foto con il flash e la passa a Depth Anything V2 (ONNX Runtime, su CPU), che restituisce una mappa di profondità relativa;
la converte in millimetri con due ancore di distanza nota, una fascia di parete e il punto misurato dal ToF
confronta la profondità attuale con quella del cassonetto vuoto e ne ricava livello tipico (mediana) e picchi (90° percentile);
salva ogni misura nello storico e aggiorna la previsione del pieno con un profilo settimanale, scalato sul ciclo in corso.

Autocalibrazione. A cassonetto vuoto l'AI riconosce da sola il fondo e le pareti. Due pareti opposte sono parallele, quindi le loro rette di profondità si incontrano sulla linea di fuga: da lì si ricava lo spostamento $b$, mentre il ToF fornisce la scala $a$. Nessuna misura manuale, nessuna maschera da disegnare.

Dashboard e cloud. La dashboard locale usa il design system di IAMAimpresa. Il cloud segue il blueprint IAMAimpresa Kit: un'API su Vercel valida i dati con zod e li salva su Supabase, con Row Level Security su ogni tabella e accesso solo tramite funzioni del database. Se la rete cade, i dati restano in una coda locale (SQLite) e partono appena torna la connessione. Il pannello in cloud riusa la stessa dashboard della scheda.

Challenges we ran into

Stimare la profondità. Depth Anything V2 sa che cosa è più vicino e che cosa è più lontano, ma non di quanto in millimetri, e la scala cambia a ogni foto. Abbiamo dovuto associare al modello un sistema di controllo, cioè le ancore fisiche del ToF e della fascia di riferimento, per verificare il riempimento con più accuratezza.
Integrare l'AI in locale. Il modello doveva girare sulla CPU della UNO Q, insieme a tutto il resto, senza dipendere dalla rete.
Orchestrare sensori e camera. Flash, scatto del telefono e lettura del ToF devono avvenire nello stesso momento, mentre il microcontrollore continua a leggere i gas ogni secondo senza che le chiamate I2C si sovrappongano.
La calibrazione. Calibrare a mano ogni cassonetto (distanze, maschere, profondità a vuoto) era lento e fragile, e avrebbe reso impossibile il plug and play. Per questo l'abbiamo sostituita con l'autocalibrazione.

Accomplishments that we're proud of

Una stima del riempimento che non richiede un sensore di livello dedicato e si calibra da sola: sulla scatola della demo (fondo a 220 mm) l'AI trova la fascia di riferimento a circa 90 mm, con stime fra 86 e 94 mm.
Un sistema che funziona interamente in locale e resta utile anche quando la rete cade, senza perdere dati.
Una previsione del pieno che conosce le abitudini della settimana e non è una semplice retta.
Un percorso completo dal sensore al cloud: dalla scheda al pannello di controllo multi-cassonetto, con un'architettura sicura fin dall'inizio.

What we learned

Un modello di AI da solo non basta: diventa affidabile quando lo si ancora a una misura fisica, anche un solo punto di un sensore ToF.
Fare edge computing su una scheda come la UNO Q significa dividere bene i compiti: il microcontrollore per il lavoro "elettrico", Linux per le decisioni.
I dati contano più dei singoli valori: confrontare ogni cassonetto con sé stesso (aria di riferimento, ritmo di riempimento) funziona meglio di soglie assolute uguali per tutti.
Costruire il cloud con sicurezza e funzionamento offline fin dall'inizio costa poco in più e evita di rifare tutto dopo.

What's next for TO-Breathe

Il prossimo passo è scalare da un'alpha sperimentale a veri cassonetti sul territorio, fino all'adozione da parte dell'azienda di raccolta:

installare i primi prototipi su cassonetti reali e sostituire i dati simulati con uno storico vero;
rendere l'hardware robusto per l'esterno (involucro, alimentazione, camera integrata al posto del telefono);
integrare il pannello con i sistemi dell'azienda, per trasformare le previsioni in percorsi di raccolta ottimizzati.