Manifesto del Laboratorio Nazionale Italiano Embedded Systems e Smart Manufacturing (LESSM)

CINI – Consorzio Interuniversitario Nazionale (Italiano) per l'Informatica
16-06-2026

Versione italiana · English version

Versione italiana

Obiettivo di questo documento (Executive Summary)

Il documento presenta la visione strategica del Laboratorio Nazionale LESSM, attivo nell'ambito dei sistemi embedded e della smart manufacturing, con l'obiettivo di coinvolgere stakeholder istituzionali, industriali e accademici.

Viene delineata una prospettiva tecnologica in cui l'intelligenza distribuita si articola su più livelli (edge, cooperazione tra agenti, cloud), abilitando applicazioni avanzate in vari settori, dall'automotive alla sanità, fino alla robotica assistiva.

Si evidenziano le sfide da affrontare per garantire scalabilità, adattabilità e integrazione dell'intelligenza artificiale in ambienti embedded e real-time, sottolineando al contempo aspetti trasversali come sovranità tecnologica, sicurezza, apertura, etica, sostenibilità e interoperabilità.

Il LESSM si propone come attore chiave nel coordinare la ricerca nazionale, valorizzare le infrastrutture esistenti, promuovere formazione e trasferimento tecnologico, e supportare l'interazione tra enti pubblici e privati.

Il documento conclude presentando le competenze tecniche disponibili nel laboratorio, che includono ottimizzazione delle architetture hardware/software, tecniche per la predicibilità e sicurezza dei sistemi, simulazione avanzata e sviluppo di digital twin, in linea con le priorità europee in materia di edge computing e intelligenza artificiale.

Dichiarazione di visione (Vision Statement)

I sistemi del futuro saranno caratterizzati da un'intelligenza distribuita su più livelli, con connessioni ad alta velocità che consentiranno una comunicazione continua ed efficiente tra i vari componenti.

• Il primo livello sarà locale, "on/at the edge", con bassa latenza, per l'elaborazione immediata dei dati in prossimità degli utenti.
• Il secondo livello distribuirà l'intelligenza tra i vari agenti autonomi, consentendo una cooperazione dinamica tra dispositivi che interagiscono tra loro.
• Infine, il terzo livello sarà centralizzato, con enormi quantità di dati e capacità di elaborazione collocati su server ad alte prestazioni (“cloud”), per elaborazioni complesse e analisi avanzate.

Gli agenti autonomi opereranno in tempo reale grazie a connessioni ad alta velocità, coordinandosi con altri dispositivi per ottimizzare performance e operazioni. L'automazione nella progettazione di sistemi embedded ridurrà la dipendenza dall'intervento umano, gestendo la crescente complessità e consentendo un adattamento rapido a nuove tecnologie. La migrazione dinamica dei componenti attraverso il continuum edge-cloud garantirà un'ottimizzazione continua delle risorse, migliorando efficienza, sicurezza e sostenibilità.

Esempi concreti

Per fissare le idee nel seguito proponiamo alcuni esempi concreti. Molti altri esempi possono essere considerati in domini applicativi quali aerospazio, automotive e mobilità, agri-food, biomedicale, impianti industriali, monitoraggio ambientale, robotica, smart-home, smart-videosurveillance e digital society.

Esempio 1: Auto a guida autonoma o semi-autonoma che localmente percepiscono l'ambiente ed evitano gli ostacoli, ma comunicano con altri veicoli per acquisire ulteriori informazioni sull'ambiente circostante al fine di coordinarsi e migliorare l'efficienza del traffico. Inoltre, accedono a dati centralizzati per aggiornare mappe e condizioni di traffico, al fine di ottimizzare i percorsi.

Esempio 2: Sistemi di monitoraggio sanitario remoto in cui i dispositivi indossabili, come smartwatch o sensori impiantabili, monitorano continuamente parametri vitali (battito cardiaco, pressione sanguigna, livelli di ossigeno). Questi dispositivi devono elaborare i dati in tempo reale per rilevare anomalie, come aritmie o crisi respiratorie, e inviare avvisi immediati al paziente o al personale medico. La necessità di operare in modo autonomo, con bassa latenza e a bassa potenza, rende indispensabile l'uso di sistemi embedded che garantiscono l'affidabilità, la continuità del monitoraggio e la sicurezza dei dati in ambienti critici. Al tempo stesso la possibilità di interagire con altri sistemi locali o centralizzati ne migliora costantemente le funzionalità.

Esempio 3: Robot di Servizio pensati per dare servizi di assistenza alla fragilità o assistenza nell'esecuzione di lavori logoranti. Tali macchine si caratterizzano per la necessità di interagire con un ambiente complesso e non strutturato (la casa della persona assistita, un cantiere) e di dover comprendere e soddisfare le esigenze delle persone. Tali macchine necessitano di capacità cognitive su molti livelli, dalla percezione, alla pianificazione e al controllo. Questo presuppone capacità di interagire con sistemi di edge locali (ad esempio smart-home) e con sistemi di calcolo remoti.

Nuove sfide

L'uso diffuso dell'intelligenza artificiale e l'adozione di tecnologie di punta per i semiconduttori consentiranno questi progressi. Per mantenere l'attuale ritmo di avanzamento, sarà necessario affrontare alcune questioni chiave:

• Il processo di progettazione e validazione del sistema (sia per i componenti HW che SW, nonché per la loro integrazione) deve essere reso meno dipendente dall'intervento umano e più scalabile con la complessità del sistema.
• Gli ambienti di automazione della progettazione dovrebbero migliorare, in modo che possano adattarsi meglio ai diversi scenari applicativi, caratterizzati da una diversa classificazione dei parametri di progettazione (ad esempio, velocità, precisione, potenza, affidabilità, costo).
• La nuova generazione di ambienti di progettazione dovrebbe essere in grado di tenere rapidamente conto dell'introduzione di nuove tecnologie (sia HW che SW), in grado di rimodellare rapidamente lo scenario.

Portare “intelligenza” nei dispositivi edge richiede modelli di calcolo e di apprendimento diversi da quelli attuali, e una più profonda integrazione concettuale, modellistica e progettuale con la teoria e pratica dei sistemi embedded e anche real-time. Per sviluppare questo filone servono studi teorici ma anche dimostratori capaci di mettere in luce i principali elementi di innovazione richiesti.

Sfide trasversali

Insieme alle sfide legate più strettamente al dominio LESSM, non devono essere ignorate sfide trasversali altrettanto importanti quali:

• Autonomia Tecnologica (Sovranità Tecnologica): dovrebbe essere evitata la dipendenza tecnologica da un singolo produttore, lasciando la possibilità di alternative continentali per competenze e risorse tecnologiche e industriali.
• Sicurezza Informatica (Security): le tecnologie embedded dovranno essere sviluppate in concerto con metodi di implementazione della sicurezza informatica.
• Apertura Tecnologica (Open-ness): la robustezza di una soluzione embedded è migliorata qualora si adottino implementazioni di tipo open-source software e hardware e facendo ricorso a approcci di ricerca basati su open-science (riproducibilità degli esperimenti), open-data (verificabilità dei dati utilizzati), tracciabilità della supply-chain.
• Etica: uso responsabile delle tecniche di Artificial Intelligence in ambito embedded/CyberPhysical, gestione degli aspetti di Privacy.
• Sostenibilità: efficienza energetica, costo, gestione efficiente del ciclo di vita (riduzione rifiuti, riciclo).
• Standardizzazione: il rispetto delle normative e standard esistenti garantisce vantaggi quali una maggiore competitività, affidabilità operativa (safety), maggior impatto sul mercato, facilità d'uso per gli utenti.
• Interoperabilità: non-chiusura di interazione fra i vari standard per permettere di intercambiare componenti in modo modulare e facilitando la composizione di sistemi complessi utilizzando interfacce compatibili.

Quale contributo può essere fornito dal LESSM

Il Laboratorio Nazionale CINI sui Sistemi Embedded e la Manifattura Intelligente può svolgere un ruolo chiave nel:

• Fornire le tecnologie chiave frutto della ricerca oltre lo stato dell'arte.
• Aggregare i ricercatori, in modo che possano condividere risorse e idee e avviare/gestire insieme progetti comuni più ampi.
• Promuovere le competenze e le infrastrutture esistenti in modo più visibile e flessibile.
• Semplificare l'interazione tra gruppi di ricerca ed enti esterni (sia privati che pubblici).
• Organizzazione di eventi nazionali quali IWES (Italian Workshop on Embedded Systems) e la scuola nazionale di Sistemi Embedded.
• Sostenere la formazione di giovani ricercatori/professionisti del settore.
• Diffondere tra il vasto pubblico la consapevolezza della rilevanza dei Sistemi Embedded dal punto di vista tecnico/scientifico/economico.

Competenze tecniche del LESSM

Il LESSM può fornire supporto alla formazione, consulenza progettuale, realizzazione di progetti per la realizzazione efficiente di sistemi embedded che sfruttino gli algoritmi di AI e la loro accelerazione hardware/software in modo da:

• Potenziare le prestazioni e ridurre i consumi e le dimensioni delle architetture omogenee ed eterogenee.
• Aumentare la predicibilità temporale mediante:
• Meccanismi di sistema operativo e middleware mirati a ridurre le interferenze causate da risorse condivise;
• Tecniche di analisi temporale che forniscano una garanzia sui tempi di risposta, throughput, e latenze delle attività di calcolo del sistema.
• Protocolli di comunicazione per uno scambio di messaggi predicibile e affidabile.
• Aumentare la sicurezza informatica a livello di sistema (system-level cybersecurity), mediante tecniche di virtualizzazione basate su hypervisor, meccanismi di isolamento spaziale e temporale, e uso di “trusted execution environment”.
• Aumentare la affidabilità operativa (safety), ad esempio mediante architetture dotate di ridondanza hardware e software e sistemi di rilevazione di anomalie e malfunzionamenti.
• Sistemi di simulazione per la generazione di dataset realistici per l'addestramento di reti neurali e la verifica in sicurezza di sistemi complessi e sviluppo di Digital-Twins.

Riferimenti

• HiPEAC Vision: https://vision.hipeac.net/
• ECS SRIA: https://ecssria.eu/ (AENEAS, INSIDE, EPoSS)
• https://eucloudedgeiot.eu/

English version

Manifesto of the Italian National Laboratory on Embedded Systems and Smart Manufacturing (LESSM)

CINI – (Italian) National Interuniversity Consortium for Informatics
16-06-2026

Executive Summary

This document presents the strategic vision of the National Laboratory LESSM, active in the fields of embedded systems and smart manufacturing, with the goal of engaging institutional, industrial, and academic stakeholders.

It outlines a technological perspective where distributed intelligence operates on multiple levels (edge, agent cooperation, cloud), enabling advanced applications across domains ranging from automotive to healthcare, and extending to assistive robotics.

It highlights the challenges that must be tackled to ensure scalability, adaptability, and integration of artificial intelligence into embedded and real-time environments, while also emphasizing cross-cutting aspects such as technological sovereignty, security, openness, ethics, sustainability, and interoperability.

LESSM aims to play a key role in coordinating national research, leveraging existing infrastructures, promoting education and technology transfer, and supporting interaction between public and private entities.

The document concludes by presenting the technical expertise available in the laboratory, which includes hardware/software architecture optimization, techniques for predictability and system security, advanced simulation and digital twin development, in line with European priorities on edge computing and artificial intelligence.

Vision Statement

The systems of the future will be characterized by distributed intelligence across multiple levels, with high-speed connections enabling continuous and efficient communication among components.

• The first level will be local, on/at the edge, with low latency, enabling immediate data processing close to users.
• The second level will distribute intelligence among autonomous agents, enabling dynamic cooperation among devices that interact with one another.
• Finally, the third level will be centralized, with massive amounts of data and processing capabilities located on high-performance servers (the cloud), enabling complex processing and advanced analysis.

Autonomous agents will operate in real time through high-speed connections, coordinating with other devices to optimize performance and operations.

Automation in embedded system design will reduce dependency on human intervention, managing growing complexity and enabling rapid adaptation to new technologies.

Dynamic migration of components across the edge-cloud continuum will ensure ongoing resource optimization, improving efficiency, safety, and sustainability.

Concrete Examples

To ground these ideas, we propose some concrete examples. Others can be found in application domains such as aerospace, automotive and mobility, agri-food, biomedical, digital society, environmental monitoring, industrial plants, robotics, smart-home, smart video surveillance:

Example 1: Autonomous or semi-autonomous vehicles that locally perceive their environment and avoid obstacles, while also communicating with other vehicles to acquire further information about their surroundings in order to coordinate and improve traffic efficiency. They also access centralized data to update maps and traffic conditions, optimizing routes.

Example 2: Remote healthcare monitoring systems where wearable devices such as smartwatches or implantable sensors continuously monitor vital parameters (heart rate, blood pressure, oxygen levels). These devices must process data in real time to detect anomalies (arrhythmias, respiratory crises) and immediately notify patients or medical personnel. Operating autonomously with low latency and low power makes embedded systems essential to ensure reliability, continuity of monitoring, and data security in critical environments. At the same time, interaction with local or centralized systems constantly enhances their functionality.

Example 3: Service robots designed to provide assistance to vulnerable individuals or support in carrying out strenuous tasks. These machines must interact with complex, unstructured environments (the home of the assisted person, a construction site) and understand and meet human needs. They require cognitive capabilities across many levels — from perception, to planning, to control — interacting both with local edge systems (e.g., smart-home) and remote computing systems.

New Challenges

The widespread use of artificial intelligence and cutting-edge semiconductor technologies will enable these advances. To maintain the current pace of progress, several key issues must be addressed:

• The process of system design and validation (both hardware and software components, as well as their integration) must become less dependent on human intervention and more scalable with system complexity.
• Design automation environments must improve so they can better adapt to diverse application scenarios, each with different design parameter priorities (e.g., speed, accuracy, power, reliability, cost).
• The new generation of design environments should be able to quickly account for the introduction of new technologies (both hardware and software), rapidly reshaping the landscape.

Bringing “intelligence” to edge devices requires computational and learning models different from those currently in use, and a deeper conceptual, modeling, and design-level integration with embedded and real-time systems. This line of work requires not only theoretical studies but also demonstrators that highlight the key elements of innovation needed.

Cross-Cutting Challenges

Alongside domain-specific challenges, equally important cross-cutting challenges must not be overlooked:

• Technological Autonomy (Technological Sovereignty): Dependence on a single supplier should be avoided, enabling continental alternatives in skills and technological/industrial resources.
• Cybersecurity: Embedded technologies must be developed in concert with robust cybersecurity implementation methods.
• Openness: Robustness of embedded solutions is enhanced when adopting open-source software and hardware implementations, and by employing research approaches based on open science (reproducibility of experiments), open data (verifiability of used data), and supply-chain traceability.
• Ethics: Responsible use of artificial intelligence techniques in embedded/cyber-physical domains, including privacy management.
• Sustainability: Energy efficiency, cost, efficient lifecycle management (waste reduction, recycling).
• Standardization: Compliance with existing standards and regulations provides advantages such as greater competitiveness, operational reliability (safety), stronger market impact, and ease of use.
• Interoperability: Ensuring openness among different standards to allow modular component exchange and facilitate the assembly of complex systems using compatible interfaces.

The Contribution That LESSM Can Provide

The National CINI Laboratory on Embedded Systems and Smart Manufacturing can play a key role in:

• Providing cutting-edge technologies resulting from research beyond the state of the art.
• Bringing researchers together to share resources and ideas and to initiate/manage broader joint projects.
• Promoting existing skills and infrastructures in a more visible and flexible way.
• Simplifying interaction between research groups and external entities (both private and public).
• Organizing national events such as IWES (Italian Workshop on Embedded Systems) and the National Embedded Systems School.
• Supporting the training of young researchers and professionals.
• Raising public awareness of the technical, scientific, and economic relevance of embedded systems.

Technical Expertise of LESSM

The LESSM can provide support for education, design consulting, and project implementation aimed at the efficient realization of embedded systems that leverage AI algorithms and their hardware/software acceleration, in order to:

• Enhance performance and reduce power consumption and size in both homogeneous and heterogeneous architectures.
• Improve timing predictability through:
• Operating System and Middleware mechanisms to reduce interference from shared resources.
• Timing analysis techniques to guarantee response times, throughput, and computational latencies.
• Communication protocols for predictable and reliable message exchange.
• Improve system-level cybersecurity via hypervisor-based virtualization techniques, spatial and temporal isolation mechanisms, and use of trusted execution environments.
• Improve operational reliability (safety), for example via architectures with hardware/software redundancy and anomaly/malfunction detection systems.
• Provide simulation systems for generating realistic datasets for training neural networks and for the safe verification of complex systems; develop Digital Twins.

References

• HiPEAC Vision: https://vision.hipeac.net/
• ECS SRIA: https://ecssria.eu/ (AENEAS, INSIDE, EPoSS)
• https://eucloudedgeiot.eu/