Le auto si possono tracciare attraverso telecamere di sorveglianza a cui nessuno ha dato accesso

Cosa rivela il traffico di rete delle telecamere cifrate, senza bisogno del video

Il video cifrato lascia comunque un’impronta chiara nella rete: ogni fotogramma viene frammentato in pacchetti le cui dimensioni e i cui tempi di arrivo restano visibili senza decodificare l’immagine. Quando un veicolo entra nel campo visivo, questi parametri cambiano perché la compressione confronta ogni nuova immagine con quella precedente. Un’auto in movimento genera infatti più dettagli rispetto a una strada deserta. Questa differenza sopravvive alla cifratura e può essere captata da un rilevatore che monitora esclusivamente i tempi di arrivo e le dimensioni dei pacchetti, senza mai leggere l’immagine o la targa del veicolo.

Il sistema è stato addestrato su 2.607 tracce di telecamere cifrate, ottenute da 237 esecuzioni simulate su undici dispositivi, e poi valutato su un insieme trattenuto di 242 sequenze. Il test ha prodotto un punteggio F1 di 0,989, una metrica che combina la quota di passaggi reali intercettati con quella dei passaggi segnalati risultanti veri. Gli errori misurati indicano un tasso di eventi mancati pari a zero e un tasso di falsi positivi di 0,0225 per ogni passaggio reale.

Di conseguenza, ciascun indizio certifica solo che un veicolo è transitato vicino a una telecamera nota in un momento approssimativo. Non rivela quale auto fosse, il suo colore o la direzione presa dal conducente. L’errore temporale misurato presenta uno scostamento medio di 0,022 secondi e una deviazione standard di 0,109 secondi: è proprio questo tipo di indizio debole che viene fornito al tracciante.

Come gli indizi anonimi colmano i vuoti tra le telecamere accessibili

Tra le telecamere effettivamente accessibili a un sistema di tracciamento, un’auto può sparire per così tanto tempo da rendere la sua posizione quasi una pura congettura. I sensori disponibili sono pochi e si trovano in punti precisi, come incroci o cancelli perimetrali. Quando uno di questi rileva un veicolo, fornisce un indizio forte: orario, luogo e identità. Finché il sensore successivo non lo individua, il sistema deve gestire quell’incertezza lungo strade prive di visuale diretta.

Gli eventi di passaggio anonimi possono colmare in parte questo vuoto. Ogni evento offre solo un timestamp approssimativo del passaggio vicino a una telecamera di terze parti nota. Il valore medio dello scostamento temporale è di 0,022 secondi, con una deviazione standard tipica di 0,109 secondi. L’indizio non specifica quale auto fosse presente e potrebbe essere in ritardo, anticipato, mancante o errato. Resta comunque utile perché cade all’interno di un tratto cieco. Se il sistema sa che l’auto ha lasciato una telecamera accessibile dirigendosi a nord ed è poi apparsa presso un’altra, un evento anonimo vicino a una strada secondaria può escludere percorsi che non passano mai in prossimità di quel punto. La prova è debole, ma non nulla.

Una simulazione controllata di 120 spostamenti veicolari sulla rete stradale CARLA Town05 ha reso misurabile questo valore. L’area simulata disponeva di 12 sensori diretti sparsi lungo i bordi e di 15 telecamere interne le cui osservazioni sono state trattate come eventi di passaggio anonimi. Utilizzando solo i sensori diretti, l’errore medio di posizione era di 92,3 metri e il 35,8 per cento degli spostamenti si concludeva con errori superiori a 100 metri, segno che il percorso stimato aveva abbandonato completamente la zona corretta. L’aggiunta di eventi anonimi rumorosi ha ridotto quell’errore medio a 36,8 metri, una diminuzione del 60,1 per cento. I fallimenti gravi sono scesi dal 35,8 al 0,3 per cento, un valore vicino al caso quasi perfetto in cui ogni evento intermedio era corretto.

Il punto non è che questi indizi sostituiscano le telecamere dirette. Sono troppo grossolani per farlo. Il loro valore emerge nei vuoti, dove altrimenti il sistema dovrebbe affidarsi solo a velocità e direzione. Un singolo passaggio anonimo può essere errato, ma diversi eventi di questo tipo distribuiti lungo un percorso offrono al sistema ripetute opportunità per scartare percorsi impossibili. Il risultato è una stima più fluida della posizione del veicolo tra avvistamenti forti, anche quando nessuno ha accesso al video che ha generato gli indizi.

Perché la mappa stradale fa la differenza quando il veicolo esce dal raggio di osservazione

Quando un veicolo esce dal campo visivo di una telecamera accessibile, il tracciamento perde l’indizio più nitido. Il mezzo potrebbe continuare a muoversi per strade che nessuno può sorvegliare direttamente. L’ultima posizione nota diventa così un punto di partenza: da lì molte rotte sembrano possibili finché la mappa stradale non le restringe. Poiché quella mappa non è uno spazio aperto, le auto non possono attraversare gli isolati, volare sopra i parchi o guidare attraverso gli edifici. Devono seguire corsie collegate e rispettare tempi di percorrenza plausibili. A quel punto il sistema può scartare ipotesi che richiederebbero svolte impossibili o velocità irrealistiche. Questo conta soprattutto durante le zone cieche, quando non arriva alcuna nuova osservazione diretta. Una volta aperti questi vuoti, una simulazione di 120 tragitti veicolari attraverso una città generata ha mostrato il vantaggio: i vincoli stradali hanno ridotto l’errore medio di posizione del 27,6 per cento rispetto a un filtro non vincolato che usava gli stessi indizi. Quel beneficio è cresciuto man mano che si allungava la distanza tra osservazioni affidabili, passando da circa 5,4 metri sui tragitti con zone cieche più brevi a circa 26,8 metri su quelli più lunghi. Questo schema indica una deriva: senza mappa, le ipotesi si allontanano sempre di più dal percorso reale nel tempo. Il risultato non è che da sole le intersezioni spiegano il vantaggio. Anzi, la simulazione non ha trovato un legame chiaro tra il numero di diramazioni di una rotta e quanto la mappa stradale aiutasse. La mappa contava perché teneva ogni ipotesi su strade dove un’auto poteva effettivamente trovarsi. Durante lunghi tratti ciechi, quella semplice regola fisica ha fatto più lavoro della pura stima del movimento.

Si può tracciare un veicolo anche tramite telecamere di sorveglianza a cui non si ha accesso diretto.

Un veicolo può essere seguito anche nei tratti ciechi senza mai vederne la targa o il video. Ciò che conta è un flusso esiguo di segnali anonimi, capaci solo di indicare che un’auto è passata vicino a una telecamera nota in un certo momento. Combinando questi eventi deboli con gli avvistamenti ufficiali rari e la conformazione fisica delle strade, il sistema smette di deviare verso posizioni impossibili.

In test controllati basati su 120 tragitti simulati su una rete stradale urbana, l’aggiunta di indizi indiretti rumorosi ha ridotto l’errore medio di posizione da 92,3 a 36,8 metri, con un calo del 60,1 per cento. Le perdite catastrofiche sono scese dal 35,8 al 0,3 per cento dei percorsi.

Un’immagine semplice rende concreta l’idea: un’auto si muove su una mappa stradale, le telecamere ufficiali segnano pochi punti, quelle private aggiungono deboli indizi in mezzo e il sistema usa i collegamenti stradali per scegliere il percorso più plausibile. Il punto chiave è che le città possiedono già molto più hardware di rilevamento di quanto un singolo operatore possa controllare direttamente. Negozi, residenti, aziende e altre organizzazioni possono avere telecamere che non condividono mai le riprese grezze. Se espongono solo eventi di presenza, o se il traffico crittografato rivela abbastanza tempistica e dimensione dei pacchetti per inferire un passaggio, il tracciamento può estendersi nei vuoti dove i sensori ufficiali sono assenti. La stessa idea potrebbe applicarsi a rilevatori di movimento, sensori di prossimità o flussi che riportano movimenti senza identità. Questo rende l’approccio utile per la mobilità urbana, la sicurezza pubblica, le operazioni di sicurezza e gli ambienti difensivi in cui la copertura è costosa e l’accesso frammentato.

Gli ostacoli sono reali: includono esigenze di calibrazione, condizioni di rete variabili e il problema più difficile di abbinare eventi anonimi a veicoli in movimento. Il rilevatore di passaggi è stato addestrato su tracce di telecamere etichettate e la sua accuratezza può cambiare quando codec, punti di vista o condizioni wireless cambiano. Tracciare molti veicoli contemporaneamente rimane difficile perché un evento non dice quale auto lo ha prodotto, quindi l’accuratezza dell’assegnazione cala al crescere della densità del traffico. Nei test multi-veicolo, l’accuratezza dell’abbinamento è scesa dal 100 per cento con un veicolo all’87 per cento con due e al 63 per cento con tre. I risultati controllati mostrano un miglioramento sostanziale nelle condizioni modellate, ma non dimostrano che le città reali possano trasformare telecamere private sparse in uno strato di tracciamento funzionante. Proprietà, privacy, costi e vincoli operativi possono limitare l’accesso diretto, quindi il pipeline testato è una possibile via piuttosto che un sistema urbano pronto all’uso.