Conduite complètement automatisée

L’automatisation

Définition Parasuraman et Riley (1997) définissent l’automatisation comme l’exécution par une machine, généralement un ordinateur, d’une fonction préalablement prise en charge par un humain. Billings (1997, p.201) la décrit comme étant conçue pour travailler de manière coopérative avec les opérateurs humains à la réalisation d’objectifs définis. Un opérateur est un individu exerçant une activité dans un cadre professionnel. Billings considère que les opérateurs doivent rester maîtres du système, et en fait un axiome. En outre, l’opérateur doit être impliqué dans le système et informé de manière adéquate sur le statut de l’automatisation. Ce retour d’information est appelé feedback. Donner un feedback, c’est renvoyer à l’utilisateur l’information concernant l’action effectuée, et quel est le résultat de cette action (Norman, 1988). Norman utilise comme exemple de feedback entendre le son de sa voix quand on parle, et voir ce que l’on écrit avec un stylo. Billings ajoute concernant l’automatisation qu’il est essentiel que les humains et le système automatisé comprennent leurs intentions mutuelles lorsqu’ils interagissent au sein de systèmes complexes.
Les niveaux d’automatisation L’automatisation d’un système peut se réaliser dans des proportions diverses qu’on appelle les niveaux d’automatisation. Cette échelle décrivant les différents niveaux possibles d’automatisation prend en compte les paramètres de décision et de sélection de l’action, autrement dit les fonctions outputs. Toutefois, l’automatisation peut tout aussi bien servir à collecter de l’information et à la trier, ce qui correspond à des fonctions inputs. Parasuraman, Sheridan et Wickens (2000) suggèrent une décomposition des fonctions de l’automatisation en quatre catégories :
– L’acquisition de l’information
– L’analyse de l’information
– La sélection de la décision et de l’action
– La réalisation de l’action
Chacune de ces fonctions peut être automatisée à différents degrés ou niveaux. La classification de Sheridan (Tableau 1) peut être utilisée pour décomposer la prise de décision, bien qu’il faille apporter des modifications en fonction du système automatisé. En effet, les besoins des utilisateurs de systèmes automatisés ne sont pas nécessairement assurés dans la mesure où toutes les fonctionnalités n’ont pas pu être implémentées dans la conception de ces systèmes (Bainbridge, 1983 ; Parasuraman & Riley, 1997). Une classification plus générale des degrés d’automatisation, applicable à tous les types d’automatisation, inclurait cinq niveaux : (0) nul, (1) faible, (2) moyen, (3) fort, (4) total (Parasuraman, 2000). La taxonomie en dix niveaux d’un système automatisé d’Endsley et al. (1997) est un modèle applicable à un large panel de domaines, notamment la navigation et le contrôle aérien dont se rapproche la conduite de voitures automatisées (Tableau 2). La conduite complètement automatisée se situerait aux niveaux 9 ou 10, en fonction de la nécessité de superviser le système. A la différence du modèle de Sheridan, cette classification est plus précise dans la description des différents niveaux d’automatisation et implémente quatre principales fonctions de l’automatisation. Pour chaque niveau de chaque fonction, cette taxonomie indique qui de l’humain, de l’ordinateur ou des deux est le plus à même de prendre en charge les tâches en fonction de ses propres capacités. La décomposition des fonctions diffère de celle de Parasuraman pour les deux premières fonctions. Le premier niveau, celui du contrôle, correspond au relevé des informations affichées pour connaître le statut du système ; il comprendrait donc les deux premiers niveaux du modèle de Parasuraman, c’est-à-dire l’acquisition et l’analyse de l’information. Le deuxième niveau, générer, renvoie à la formulation de stratégies pour accomplir les objectifs du système. Le troisième niveau, sélectionner, fait écho au choix d’une stratégie particulière, et le dernier niveau, l’implémentation, correspond à la réalisation de la stratégie choisie. Enfin, le modèle quantitatif de Wei, Macwan et Wieringa (1998) propose de déterminer le niveau d’automatisation adéquat d’un système en fonction de la complexité des tâches à réaliser. Les tâches sont hiérarchisées selon leurs effets sur les performances du système, les exigences qu’elles demandent aux opérateurs et enfin la charge mentale qu’elles provoquent chez les opérateurs. La charge mentale peut être définie comme la quantité d’information traitée cognitivement par un individu. Dans ce modèle, le degré d’automatisation évalué correspond au ratio de la somme des coûts des tâches automatisées sur la somme des coûts de toutes les tâches inhérentes au système. L’intérêt est de considérer les tâches comme un tout, puis d’examiner leurs impacts sur la charge de travail del’opérateur et sur les performances du système. Wei et al. (1998) suggèrent que ce modèle pourrait être utilisé afin d’évaluer un niveau d’automatisation approprié pour optimiser les performances du système, et maintenir l’humain à un rôle approprié dans le système. La limite de ce système lorsqu’on l’applique à la conduite automatisée est qu’il prend en compte la charge mentale induite chez les opérateurs, mais la charge physique n’est pas explicitement énoncée. Lorsque le pilotage automatique est activé, il est possible que l’automobiliste s’engage dans une autre tâche que conduire (lire des emails, manger, etc.) ce qui implique que ses membres supérieurs soient occupés à manipuler des objets. Les pieds peuvent également être dans une position peu adéquate à la conduite (pieds allongées ou croisées). La posture de l’automobiliste peut alors être problématique lorsqu’il est nécessaire de reprendre le contrôle du véhicule. Elle peut impacter la charge mentale en ce sens où la prise de décision peut être plus difficile pour décider de la manière de reprendre le contrôle (garder les objets en main s’ils sont peu encombrants et reprendre le contrôle, ou s’en débarrasser s’ils sont encombrants, dans ce cas, il faut choisir où et comment s’en débarrasser). Cette variable est donc à prendre en considération au même titre que la charge mentale. La possibilité de pouvoir configurer un système selon différents niveaux d’automatisation permet de résoudre certains problèmes de performance liés à la sortie de l’opérateur de la boucle de contrôle du système. Ainsi, par rapport à une approche technologique qui n’évalue que les capacités de la machine et lui alloue autant de responsabilité que possible, tout en laissant les tâches restantes à l’opérateur, les avantages potentiels d’une automatisation dosée et flexible sont importants (Kaber et al., 1997). Déterminer des niveaux d’automatisation nécessite en premier lieu d’identifier les fonctions du système faisant interagir l’homme et la machine : le contrôle (surveillance), la planification, la prise de décision et la réalisation des actions choisies. Ensuite, il convient de déterminer quelles tâches à réaliser constituent les dites fonctions. Par exemple, contrôler implique la reconnaissance et l’interprétation de signaux, ou encore une lecture de l’information. Ces fonctions sont confiées à l’humain ou à la machine selon leurs propres capacités et compétences dans des conditions opérationnelles normales et d’échec. Dans le contexte de la conduite automatisée, il est facile d’imaginer que l’ordinateur collecte desinformations sur le trafic (circulation dense), les analyse (estimation du retard potentiel, itinéraire alternatif possible) et laisse à l’automobiliste le choix (rester dans la congestion, prendre un autre itinéraire) de la suite des opérations (laisser le système de conduite automatisée gérer la circulation dans le trafic, ou prendre le contrôle manuel pour se diriger vers un autre itinéraire). Implémenter des niveaux d’automatisation à un système présente trois principaux avantages (Kaber et al., 1997) :
– maintenir de manière adéquate l’implication de l’opérateur dans la tâche de contrôle ainsi que sa charge de travail afin de réduire les effets de contentement, le manque de vigilance et de connaissance de l’état du système en prenant en compte les performances de l’humain et de l’ordinateur lors des situations d’échec ;
– diminuer les erreurs du système causées par la mauvaise qualité de la prise de décision automatisée, en se fiant aux capacités de prise de décision de l’humain ;
– améliorer les performances du système via le traitement de données de l’ordinateur.
Par exemple, concernant le contrôle de trafic aérien, il est recommandé d’intégrer des niveaux d’automatisation élevés pour l’acquisition et l’analyse d’information, et des niveaux moyennement automatisés pour la prise de décision et l’action (Parasuraman, Sheridan & Wickens, 2000).

Qu’est-ce que la conduite automobile ?

    La conduite automobile est une activité au cours de laquelle l’opérateur surveille et guide l’évolution d’un processus dynamique, c’est-à-dire évoluant de lui-même avec ou sans l’action de l’opérateur (Amalberti, 1996). Elle est considérée comme une tâche principalement visuelle (Kramer & Rohr, 1982 ; Sivak, 1996 ; Spence & Ho, 2009). Elle se déroule dans un environnement dynamique se transformant même lorsque l’opérateur n’agit pas sur lui (Hoc, 1996). Amalberti et Hoc (1994) ont construit un modèle, l’architecture Gestion des Situations Dynamiques (GSD), qui décrit l’activité de l’opérateur. Cette activité est composée de différents niveaux de contrôle :
– la boucle de contrôle rapprochée du processus qui favorise la maîtrise à court terme du véhicule ;
– la boucle de régulation à moyen terme qui utilise la représentation occurrente de la situation ;
– la boucle de régulation à long terme qui fait appel à des connaissances plus générales.
La conduite peut être divisée en trois tâches différentes (Stanton, Young, Walker, Turner, & Randle, 2001) : la navigation, le contrôle et l’évitement des dangers (Tableau 4). On entend par danger un évènement routier fortuit, comme la détection subite d’un objet sur la route ou une situation d’urgence non prévisible. Les dangers dynamiques (objet incongru sur la route, piétons, cyclistes) se distinguent des dangers fixes (virages, infrastructures de la route), et sociétaux (signalisation routière). Le contrôle est quant à lui constitué de la maîtrise latérale (position du véhicule sur la voie) et longitudinale (vitesse du véhicule et interdistances entre véhicules). Enfin, la navigation comprend la planification générale (déterminer l’itinéraire d’un voyage) et la planification locale (décider de la sortie à prendre avant de s’engager dans un rond-point). La conduite est une activité très complexe, qui comprendrait plus de 1600 tâches réparties sur cinq niveaux de comportement (Walker, Stanton, & Young, 2001). Concrètement, les automobilistes régulent leur vitesse et leur trajectoire, contrôlent le véhicule, évitent les dangers, prennent des décisions stratégiques quant à l’itinéraire et évaluent leur progression par rapport à leur objectif. Ils réalisent nombre de ces tâches simultanément. En outre, le fait de vouloir réaliser en même temps différents objectifs peut entraîner une situation de conflit (Groeger, 2000). Les automobilistes ménagent ces conflits d’intérêts et ajustent leur conduite en conséquence.

La technologie n’est pas infaillible

     L’informatique possède une vitesse de calcul que n’a pas l’homme, et permet au système de conduite automatisée de réagir plus rapidement que l’automobiliste. Toutefois, l’informatique ne peut anticiper comme pourrait le faire un être humain. L’anticipation peut être le fruit de l’expérience. L’anticipation se ferait en analysant les comportements des autres véhicules en interaction, et permet de préparer l’automobiliste à appréhender des situations de conduite pour lesquelles il puisse s’adapter au besoin. Il ne parait pas saugrenu de faire l’analogie entre la capacité d’adaptation d’un humain et la résilience d’un système. Un autre inconvénient des systèmes de conduite automatisée est lié aux dispositifs utilisés. En effet, le LIDAR, qui est un système de laser, envoie un signal qui lui est retransmis, mais ne peut détecter que le(s) premier(s) objet(s) autour de lui dans un rayon de 360°. Les objets situés « dans l’ombre » d’autres objets peuvent ne pas être détectés. Par exemple, sur autoroute, un automobiliste peut voir que devant lui la circulation ralentit et peut anticiper le ralentissement dans sa file. Il peut également voir avant de dépasser un véhicule qu’il y en a encore un autre devant, et peut se préparer à choisir le moment opportun pour doubler deux voitures et non pas une. L’automatisation n’est pas encore à même de prévoir toutes ces situations, bien qu’elle puisse réagir plus rapidement qu’un être humain, et donc de miser sur ses meilleurs temps de réponse pour gérer ce type d’interactions. Ensuite, se pose le problème des sommets de côtes qui peuvent laisser de fausses indications au système quant à la présence d’objets devant le véhicule. La mauvaise qualité du marquage au sol ou la possibilité qu’il soit masqué par la neige ou des feuilles pose problème aux systèmes de détection de voies. La transgression parfois nécessaire des règles de conduite est un point délicat à traiter pour un ordinateur. En effet, une situation simple pour un humain peut être difficile voire insolvable pour un ordinateur. Par exemple, si pour dépasser un cycliste il est nécessaire de franchir une ligne continue, l’ordinateur va devoir transgresser le code de la route pour réaliser un dépassement, ce qui peut créer des conflits dans la logique de fonctionnement du système. L’humain n’a pas une telle difficulté à prendre une de décision dans ce genre de situation. Enfin, la détection d’agents de circulation est problématique : seront-ils considérés comme des piétons ? Le système comprendra-t-il les gestes réalisés par les agents ? Sera-t-il possible d’identifier les agents comme des modérateurs de la circulation et non comme des piétons ? Concernant les véhicules CityMobil, en particulier les podcars (véhicules à roues sans commandes) de La Rochelle, Parent (2012) précise qu’ils peuvent circuler de manière très efficace dans la ville, à partir du moment où ils ne roulent pas dans le trafic principal. Il ajoute qu’il ne pense pas que ces véhicules puissent circuler dans des situations de trafic important car on ne peut pas prédire tout ce qu’un automobiliste (et les autres usagers) peuvent faire.

Le consortium HAVEit, fini en 2011

    Lancé en février 2008, HAVEit (Highly Automated Vehicles for Intelligent Transport) est un projet de l’Union Européenne qui réunit des constructeurs, des universités et des instituts de recherche. Il vise à développer des technologies d’automatisation de véhicules, voitures et camions, afin qu’ils puissent rouler de manière autonome sous le contrôle de l’automobiliste. Les objectifs de l’automatisation de véhicules par ce consortium sont :
– de baisser la charge de travail de l’automobiliste ;
– d’empêcher les accidents ;
– de réduire l’impact des véhicules sur l’environnement ;
– de rendre le trafic routier plus sûr.
Trois modes d’automatisation ont été développés. Dans le premier mode, l’automobiliste conduit mais est assisté par les dispositifs de freinage d’urgence et de maintien dans la voie. En mode semi-automatisé, le véhicule gère le contrôle longitudinal et dispense l’automobiliste d’utiliser l’accélérateur et le frein. Dans le troisième mode dit hautement automatisé, s’ajoute le contrôle latéral que l’automobiliste n’a plus à gérer. Cependant, il est considéré comme entièrement responsable des manœuvres réalisées par le véhicule et doit être prêt à reprendre le contrôle manuel à tout instant. Il doit surveiller ce que fait le véhicule. Ce faisant, une caméra dans le véhicule observe les comportements de l’automobiliste et est à même de détecter si celui-ci n’est plus vigilant, déclenchant dans ce cas un avertissement pour d’une part qu’il reprenne le contrôle manuel du véhicule, et d’autre part pour le réinsérer dans la boucle de contrôle, selon les termes utilisés par le consortium. Le système Automatic Queue Assistance to Aid Under-loaded Drivers dédié à la conduite sur routes congestionnées a également été développé. Il prend le relais de l’automobiliste lorsque la conduite est monotone et qu’elle risque d’entrainer des baisses de vigilance.

Table des matières

Chapitre I : Introduction
Chapitre II : Automatisation et conduite automobile
1. L’automatisation
1.1. Définition
1.2. Les niveaux d’automatisation
1.3. Les interactions homme-machine dans un système automatisé
2. Activité de conduite manuelle et automatisée
2.1. Modèles cognitifs de la conduite manuelle
2.2. Les aides à la conduite
2.3. Bénéfices et limites de la conduite automatisée
2.4. Nomenclatures : NHTSA & SAE
3. Evolution de la conduite automatisée : premiers concepts et défis majeurs
3.1. Genèse de l’automatisation des véhicules
3.2. Premiers modèles issus de la recherche
3.3. Les défis des années 2000
3.4. L’automatisation des véhicules commercialisés
3.5. L’automatisation de véhicules pour le transport public
3.6. La Google self-driving car
3.7. Conclusions
4. Législation et infrastructure de la conduite automatisée
4.1. De l’importance du vide juridique autour de la conduite complètement automatisée
4.2. L’environnement routier et l’infrastructure dans le sillage de l’automatisation
5. Conclusions
Chapitre III : Facteurs humains et automatisation
1. Introduction
1.1. Le contrôle
1.2. La charge de travail
1.3. Facteurs de personnalité
1.4. Adaptation comportementale
1.5. Influence de l’âge, de l’expérience et des conditions de trafic sur la reprise de contrôle manuel
2. Acceptabilité d’un système
3. Confiance : modèles et impacts sur la conduite automatisée
4. Apprentissage et pratique de la conduite complètement automatisée
4.1. Introduction
4.2. Expérience et aide à la conduite
4.3. Comment apprendre à conduire une voiture complètement automatisée ?
4.4. Méthode d’apprentissage à la conduite complètement automatisée
5. Compétences connaissances de conduite automatisée
5.1. Nouvelles compétences et connaissances sollicitées par la conduite complètement automatisée
5.2. Perte des compétences et conduite automatisée
6. Les tâches non reliées à la conduite
Chapitre IV : Problématique
Chapitre V : Etudes empiriques
1. Etude 1 : Intention d’utiliser une voiture complètement automatisée : attitudes et acceptabilité a priori
1.1. Introduction
1.2. Objectifs
1.3. Etudes pilotes
1.4. Etude principale
1.5. Résumé des principaux résultats de l’étude 1
1.6. Discussion
1.7. Limites de l’étude
1.8. Perspectives
2. Etude 2 : Impact de la pratique et de la confiance sur la reprise de contrôle manuel d’une voiture complètement automatisée sur simulateur
2.1. Introduction
2.2. Méthode
2.3. Mesures
2.4. Hypothèses opérationnelles
2.5. Résultats
2.6. Résumé des principaux résultats de l’étude 2
2.7. Discussion
2.8. Perspectives
3. Etude 3 : Impact de l’entrainement et de la réalisation d’une tâche sur la reprise de contrôle manuel dans une voiture complètement automatisée sur simulateur
3.1. Introduction
3.2. Questions de recherche
3.3. Hypothèses
3.4. Méthode
3.5. Mesures
3.6. Hypothèses opérationnelles
3.7. Résultats
3.8. Résumé des principaux résultats de l’étude 3
3.9. Discussion
3.10. Perspectives
Chapitre VI : Discussion générale et conclusion
Bibliographie
Annexes
1. Etude 1
1.1. Questionnaire première étude pilote
1.2. Questionnaire final en ligne
2. Etude 2
2.1. Exemple d’entretien post-expérience
2.2. Diamètre pupillaire, mesure de l’anxiété : exemple pour un participant
3. Etude 3
3.1. Tâches d’anagrammes et de labyrinthe
3.1. Exemple de la grille d’analyse pour la tâche de listage d’idées
3.2. Exemple de données oculométriques
3.3. Exemple de données de réponse électrodermale
4. Article de l’étude 1
5. Article de l’étude 2

Télécharger le rapport complet