in ,

Apprentissage automatique : une nouvelle solution pour améliorer la sécurité routière 

l'Apprentissage automatique pour améliorer la sécurité routière

En collaboration avec Jaguar Land Rover (JLR), des chercheurs de l’Université de Cambridge ont mis en œuvre une approche novatrice. Ils ont ombiné des expériences sur route, l’apprentissage automatique et des techniques de filtrage bayésien pour améliorer la sécurité routière. Cette méthodologie permet de mesurer de manière fiable et constante la « charge de travail » du conducteur.

Cet algorithme peut réagir quasi instantanément aux changements de comportement et de statut du conducteur. Mais aussi aux conditions routières, au type de route ou aux caractéristiques du conducteur. Ces données peuvent ensuite être intégrées de manière transparente aux systèmes embarqués. Notamment l’infodivertissement, la navigation, les écrans, ainsi qu’aux systèmes avancés d’aide à la conduite (ADAS) et autres.

Une approche axée sur la sécurité et l’expérience utilisateur

Cette intégration permet une personnalisation poussée de chaque interaction conducteur-véhicule. Ce qui devrait mettre en avant la sécurité et améliorer l’expérience utilisateur grâce à des interactions homme-machine adaptatives. À titre d’exemple, les alertes ne sont générées que lorsque la charge de travail du conducteur est faible. Ainsi, les conducteurs ont une concentration maximale sur la route lors de scénarios de conduite plus stressants. 

« La disponibilité constante d’une quantité croissante de données pour les conducteurs est un phénomène croissant. Toutefois, avec une demande croissante des conducteurs, cela représente un risque majeur pour la sécurité routière », a souligné le Dr Bashar Ahmad, co-premier auteur et membre du département d’ingénierie de l’Université de Cambridge. Il a ajouté : « bien que les véhicules puissent offrir une pléthore d’informations, leur diffusion n’est ni sûre ni pratique sans une compréhension du statut du conducteur ».

Il est important de noter que le statut, ou la charge de travail, d’un conducteur peut fluctuer fréquemment. Par exemple, conduire dans une zone inconnue, affronter un trafic dense ou évoluer dans des conditions routières difficiles est généralement plus exigeant qu’un trajet quotidien.

Ahmad a d’ailleurs souligné qu’il serait inopportun qu’un message apparaisse sur un écran ou un affichage tête haute pendant une situation de conduite exigeante. « Le défi pour les constructeurs automobiles réside dans la mesure précise du degré d’occupation du conducteur. Cela afin de susciter des interactions ou d’émettre des messages uniquement lorsque le conducteur est disposé à les recevoir », a-t-il expliqué.

Évaluation de la charge de travail du conducteur par l’analyse des signaux de performance de conduite

Bien que des algorithmes existent pour évaluer les niveaux de demande du conducteur en utilisant des dispositifs de suivi du regard et des données biométriques provenant de moniteurs de fréquence cardiaque, les chercheurs de l’Université de Cambridge ont cette fois-ci entrepris de concevoir une approche novatrice. Leur objectif était de réaliser une évaluation similaire en exploitant les données accessibles dans n’importe quelle voiture. Autrement dit de mettre l’accent sur les signaux de performance de conduite. Dont les données de direction, d’accélération et de freinage. 

Cette approche devrait cependant permettre de traiter et de fusionner différents flux de données non synchronisés avec des taux de mise à jour variés. Notamment ceux provenant de capteurs biométriques, si disponibles.

Dans le but de mesurer la charge de travail du conducteur, les chercheurs ont développé une version modifiée de la tâche de détection périphérique. Cette approche automatisée a permis de collecter des informations subjectives sur la charge de travail pendant la conduite

L’apprentissage automatique pour des trajets encore plus intelligents et une milleure sécurité routière

L’analyse vidéo de l’expérience, conjuguée aux données des boutons, a permis aux chercheurs d’identifier des situations de charge de travail élevée.  Comme le cas des carrefours très fréquentés ou un véhicule devant ou derrière le conducteur présentant un comportement inhabituel.

Les données recueillies sur la route ont ensuite été exploitées pour élaborer et valider un cadre d’apprentissage automatique supervisé. Ce cadre a été conçu pour profiler les conducteurs en fonction de leur charge de travail moyenne, ainsi qu’à l’aide d’une approche de filtrage bayésien adaptable. Cette dernière a pour objectif d’estimer séquentiellement et en temps réel la charge de travail instantanée du conducteur. Soit les signaux de performance de conduite, notamment la direction et le freinage. Ce cadre intègre des mesures à la fois macro et micro de la charge de travail, la première étant le profil moyen de la charge de travail du conducteur, et la seconde étant le profil instantané.

Le Dr Bashar Ahmad a souligné l’aspect adaptatif du modèle en cours de route grâce à des techniques simples de filtrage bayésien. Ce qui permet une flexibilité remarquable pour s’ajuster à différents types de routes, conditions et conducteurs utilisant le même véhicule.

Le Dr Lee Skrypchuk, spécialiste technique principal de l’interface homme-machine chez JLR, a souligné l’importance de cette recherche pour améliorer la conception centrée sur l’utilisateur. Il a mentionné que ces résultats contribueront à définir la manière dont la planification intelligente est intégrée aux véhicules. Et donc de s’assurer que les conducteurs reçoivent des notifications pertinentes au moment le plus opportun. Ce qui devrait favoriser des trajets fluides et sans effort.

Newsletter

Envie de ne louper aucun de nos articles ? Abonnez vous pour recevoir chaque semaine les meilleurs actualités avant tout le monde.

Cliquez pour commenter

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *


The reCAPTCHA verification period has expired. Please reload the page.