Modélisation de l’évolution des capteurs lors d’une situation de conduite

Télécharger le fichier pdf d’un mémoire de fin d’études

La représentation tactique courante.

Présentation

La représentation tactique courante est instanciée par le module tactique via la base des frames (ou schémas) de conduite. Nous reprenons ici les résultats de Bellet [Bellet, 1998]. Ainsi, dans le cadre de la modélisation cognitive, cette base contient l’ensemble du savoir opératif du conducteur, c’est à dire l’ensemble des séquences d’action à accomplir pour remplir un but particulier dans une infrastructure particulière (dans ce cadre, une infrastructure peut aussi bien être un environnement routier qu’un des lieux familiers du conducteur.).
Le triptyque (but, infrastructure, et séquence d’actions) constitue un schéma de conduite. Pour mener à bien les différentes actions du conducteur, le schéma de conduite repose sur un découpage de l’environnement, pour le conducteur, en différentes zones fonctionnelles. Ces zones peuvent être:
● des zones perceptives où le conducteur peut chercher de l’information utile pour gérer la situation (paramétrage de la représentation, détection d’évènements susceptibles de se produire dans certaines sections de l’espace routier),
● des zones de déplacements où le conducteur peut faire évoluer le véhicule suivant des séquences d’actions déterminées.
Chaque zone de déplacement est ainsi caractérisée par un état initial (position et vitesse du véhicule en entrée de zone), un état but (position et vitesse en fin de zone) et par une série d’actions élémentaires à réaliser. A ces actions sont aussi associées des conditions portant sur des événements probables (exemple : présence d’objet).
L’ensemble des zones de déplacement constitue alors la trajectoire du véhicule permettant de passer de l’état initial de la situation à l’état final souhaité.

Les catégories d’environnement.

Ainsi, le frame instantié par le conducteur dépend de la catégorie d’environnement identifié.
On peut donc légitimement s’interroger sur les différentes catégories d’environnement identifiables par le conducteur.
Il existe plusieurs manières d’envisager ce problème :
● soit on relie les différentes situations de conduite par une ressemblance perceptive pour le conducteur ( même aspect ),
● soit on les relie en fonction des similarités de comportement dans la situation.
Fleury et al [Fleury, et al 1993], cités par Bellet, montrent que ces deux types de catégorisation peuvent se recouper lorsqu’elles reposent sur « des configurations d’indices signifiants univoques qui contribuent à une définition « claire » des représentations tant du point de vue des caractéristiques génériques (habitat, nature du paysage…) qu’en relation avec l’usage [ qui est fait ] de la voie qui traverse cet espace» ou en d’autres termes, lorsque dans l’environnement il y a des signes, non ambigus, définissant où le conducteur se trouve et ce qu’il doit faire.
Ces catégorisations se disjoignent lorsque dans le site il y a des contraintes importantes pour l’activité de conduite (présence d’autres véhicules, de piétons, feux…) [Fleury et al., 1993] p 139]. Mazet [Mazet, 1991] note ainsi que « les intersections en rase campagne » ainsi que les « entrées et sorties de périphériques ou d’autoroutes » sont clairement identifiées dans les deux types de catégorisations. Par contre, les situations « carrefour en ville » et « carrefour en rase campagne » ne sont pas nettement différenciées. En effet, ces dernières possèdent d’autres propriétés décisives pour l’activité de conduite (présence de véhicule, feux, obstacles…). Ces diverses propriétés ont pour conséquence de séparer ces deux situations en de multiples sous catégories (avec obstacles, avec feux…). Ces sous-catégories, mêlant des situations en ville et en campagne, sont alors plus homogènes au niveau comportemental.
Dans ce cadre, Bellet a eu une approche plus systémique de cette catégorisation. Huit sujetsont eu à classifier 400 photographies représentant un large panel de scènes routières. Les sujets devaient opérer cette classification en s’imaginant au volant d’un véhicule. Puis, ces sujets devaient donner les raisons de leur choix.
Une hiérarchie de partition est apparue commune à tous les sujets.
Cette partition utilise « des critères d’ordre descriptif et concerne surtout les abords du site ainsi que certaines caractéristiques de l’infrastructure (dimensions, aménagements divers comme les glissières de sécurité, certains marquage au sol). »
D’autres critères peuvent aussi intervenir comme la présence « d’événements potentiels ayant une forte ou faible probabilité d’occurrence dans chacun de ces univers », la prise en compte des « règles du code de la route propres à chacun de ces univers », et des « risques potentiels qui leur sont plus spécifiques »[Fleury et al., 1993].
Cette hiérarchie se découpe en quatre niveaux : catégories d’univers routiers, catégories de routes, catégories d’infrastructure et catégories de situations. Ces catégories tiennent d’abord compte de l’environnement puis du type de route, puis de l’infrastructure routière, et enfin de la familiarité du lieu (voir Figure 1.6).

Les moyens d’investigation du comportement

Cette thèse a pour but d’établir une correspondance entre l’activité de conduite et les données pouvant être recueillies à bord de véhicules instrumentés. Aussi, il est primordial de nous intéresser d’une part, à la nature des données pouvant être enregistrées et d’autre part, à leur indication sur l’activité.

Les différents niveaux d’enregistrement.

Les nombreuses études dans le domaine de l’analyse de la conduite ont révélé l’importance des variabilités inter-individuelles et inter-situationnelles.
Ces études montrent qu’il est primordial d’enregistrer l’activité de conduite à 3 niveaux distincts : au niveau du conducteur, du véhicule et au niveau de l’environnement.

Le conducteur

Au niveau du conducteur, l’activité de conduite se manifeste tout d’abord par ses actions sur les organes de contrôle et de commande. Ces actions, même si elles peuvent être une réaction directe à l’environnement immédiat, sont le plus souvent témoins d’une anticipation par rapport à une situation future prévue par le conducteur.
En même temps qu’il agit, le conducteur est aussi en train de chercher des informations sur son environnement. Il importe alors de comprendre ce qu’il perçoit de celui-ci. L’élaboration d’une image mentale de l’environnement s’effectue en utilisant des informations visuelles (et dans une moindre mesure des informations sonores). Aussi, l’étude des regards (par oculométrie ou par exploitation des enregistrements vidéos) et l’étude des réactions corporelles (gestuelles…) peuvent être essentielles (illustration 1.7).

L’environnement

Le dernier point dans l’étude de l’analyse de l’activité est l’enregistrement du contexte dans lequel a lieu l’activité de conduite.
Ce contexte peut être caractérisé par trois types de critères :
● à long terme, par toutes les variables ne changeant pas pendant l’expérimentation (météorologie, conduite diurne/nocturne…),
● à moyen terme, par les variables relativement stables mais pouvant changer pendant l’expérimentation (trafic, contexte routier (ville, campagne, autoroute)…),
● à court terme, par les variables définissant l’environnement immédiat du conducteur (nombre et position des voitures à ses cotés, infrastructure).
Par le passé, l’ensemble de ces données était codé « manuellement » par l’expérimentateur en temps réel ou a posteriori à l’aide des enregistrements vidéo. Dans un futur proche, la fiabilisation du GPS associé aux bases cartographiques permettra la saisie automatique de nombre de ces facteurs (contexte urbain, infrastructure…). De même, les récentes innovations technologiques (laser  à balayage, stéréovision) permettront d’appréhender l’environnement proche du conducteur de manière plus automatisée (détection d’obstacles). La catégorisation des environnements routiers deviendra plus simple et offrira alors la possibilité d’études à grande échelle sur le comportement du conducteur.
Remarque : Nous nous sommes focalisés ici uniquement sur les études en environnement réel. Les études menées en simulateur de conduite sont différentes. Elles ont l’avantage d’avoir non seulement un environnement déterminé, mais aussi de pouvoir, de par leur nature, enregistrer l’ensemble des interactions entre le conducteur et l’ environnement. Cependant, il n’est pas certain que les actions de conduite soient les mêmes dans un simulateur qu’en situation réelle.

Relation entre les niveaux d’enregistrement

Le rôle du capteur sur les organes de commande est de nous montrer quelles sont les actions physiques effectuées par le conducteur. Pourtant, celles-ci ne peuvent prendre sens qu’en comprenant d’une part dans quel contexte elles sont effectuées (comment est l’environnement) et d’autre part comment elles influencent l’état du véhicule (vitesse et position) dans cet environnement.

Accessibilité des mesures.

Au delà des trois catégories préalablement établies, il semble aussi important de déterminer une autre classification basée sur l’utilisation des données issues capteurs dans des systèmes embarqués ou à titre expérimental.
En effet, bien qu’un grand nombre de capteurs nous permet de mieux comprendre le comportement humain, certains sont inutilisables dans un véhicule autre qu’expérimental. Des conducteur. caméras rendant compte de l’expression du visage du conducteur sont un exemple de cette dichotomie entre une utilisation expérimentale et au sein d’un système embarqué. En effet, l’analyse par leur biais est difficilement automatisable, et leur mise en place à bord d’un véhicule particulier paraît difficile.
Cette distinction permet alors de comprendre la portée scientifique et/ou industrielle des systèmes développés.
On peut diviser ces capteurs en trois catégories :
1. Ceux dont les mesures sont disponibles, ou seront disponibles, à peu de frais dans un avenir proche. C’est le cas des capteurs utilisés pour l’ensemble des actions de commande et sur la dynamique véhicule dont les mesures se font déjà dans les véhicules récents et dont l’accessibilité est aisée via le bus CAN1. C’est aussi le cas des systèmes GPS et des bases de données géographiques dont la généralisation croissante permet d’envisager une utilisation pour les systèmes d’assistance dans un avenir proche.
2. Ceux dont les mesures sont utiles en laboratoire pour l’analyse de l’environnement du conducteur, mais dont l’exploitation par des systèmes experts n’aura pas d’application à court terme dans le parc automobile. Caméras en stéréovision, télémètre à balayage, radar sont des exemples de ce type de capteurs.
3. Ceux qui nous renseignent sur le comportement humain, mais qui sont inexploitables pour l’implémentation de systèmes d’assistance : caméra, occulomètre mais aussi système d’enregistrement des données physiologiques.
Plus les systèmes conçus utiliseront des capteurs complexes, c’est-à-dire appartenant aux dernières catégories, plus les résultats seront performants, mais plus leur diffusion sera lente.

Modélisation de l’évolution des capteurs lors d’une situation de conduite.

Points de vues sur le découpage de l’activité de conduite : quelques définitions.

Analyser l’activité du conducteur, c’est avant tout segmenter l’activité de conduite en différentes séquences de conduite.
Suivant les études et le point de vue choisi, ces divisions peuvent être différentes.
Elles ont toujours comme spécificité d’être homogènes suivant des critères particuliers.
Généralement, ces critères sont définis suivant :
● l’objectif tactique du conducteur ( situation de conduite subjective )(Bellet),
● les caractéristiques objectives de la situation ( situation de conduite objective )(Kumagai).
Nous introduisons un troisième type de critère, qui nous apparaît utile lors de l’utilisation de données véhicule :
1 Controller Area Network : ce bus de données, développé par Bosh dans les années 80 pour les communication série dans les véhicules automobiles, a fait l’objet d’une normalisation Iso et est maintenant couramment répandu. Il permet l’accès aux données du véhicule de façon aisée.
● Les caractéristiques mesurées par le biais de capteurs numériques2 (situation de conduite mesurée).
Chaque type de segmentation de l’activité associe alors à une séquence de conduite, une série de caractéristiques. Ces caractéristiques permettent de regrouper les séquences en différentes catégories. Nous appellerons alors « situation de conduite » un regroupement de séquences de conduite, fonction de ces caractéristiques.

Séquence et Situation de Conduite Vécue

La thèse de Bailly [Bailly, 2004] est révélatrice de la distance qu’il peut y avoir entre la représentation mentale que le conducteur a de la scène routière et la situation routière objective (informations non importantes pour la conduite omises, ou informations primordiales non prises en compte…).
Cette image mentale doit donc être considérée à part entière et différenciée de la vraie situation de conduite.
Nous définissons une Séquence de Conduite Vécue comme une période continue de l’activité de conduite où le conducteur a un objectif tactique homogène et caractérisé par l’objectif du conducteur et l’environnement tel que le conducteur se le représente. Son début correspond dans COSMODRIVE, à l’instanciation d’un frame tactique, et sa fin, à l’instanciation d’un frame tactique différent.
Cette séquence est donc caractérisée par:
● les caractéristiques physiques de l’environnement assimilées par le conducteur. Ellespeuvent être liées à l’infrastructure, au trafic, à la météorologie, à la luminosité, aux  obstacles…
● l’objectif tactique du conducteur à ce moment. (exemple : tourner à droite, changer de voie…). Une Séquence de Conduite Vécue est donc un temps de conduite délimité par l’instanciation d’un même frame tactique et caractérisé par l’ensemble des éléments ci-dessus. Une Situation de Conduite Vécue est alors le regroupement de Séquences de Conduite Vécues suivant ces éléments.

Séquence et Situation de Conduite Mesurée

En parallèle de ces 2 premières catégorisations de l’activité de conduite, une troisième catégorisation, basée sur la mesure de l’activité de conduite grâce aux capteurs, s’avère primordiale.
En effet, les capteurs disposés sur les véhicules instrumentés sont limités et bruités. Ils n’offrent ainsi qu’une vue réduite de la situation réelle comme de la situation vécue. Aussi nous définissons une Séquence de Conduite Mesurée comme un temps de conduite délimité temporellement par un
objectif tactique homogène et caractérisé par l’ensemble des éléments numériques accessibles par les capteurs du véhicule.
Une Situation de Conduite Mesurée sera alors un regroupement de Séquences de Conduite Mesurées de manière à ce que la distance1 entre l’évolution des capteurs dans chaque séquence soit faible.
Ainsi, si on ne prend en compte que le volant et la vitesse, les 2 situations « arrêté au feux » et « arrêté derrière un obstacle » sont différentes « réellement » et « cognitivement » mais peuvent être les mêmes au niveau de leur mesure via les capteurs.
Cette distinction s’avérera essentielle dans l’élaboration de systèmes d’analyse numérique de l’activité humaine : une forme particulière de l’évolution des capteurs peut être reconnue. Cette forme peut être associée à un panel de situations possibles. Par contre, le diagnostic de la situation précise, avec les moyens limités du système, s’avère difficile. Par exemple, Oliver et al rappellent que « certaines manoeuvres comme doubler et changer de voies ne peuvent être distinguées clairement en utilisant seulement les informations du véhicule. » [Oliver & Pentland, 2000].
Pourtant, le fait de déterminer que le conducteur est dans l’une ou l’autre de ces situations, même sans connaître précisément laquelle, peut être important lors de l’élaboration de systèmes d’assistance.

Différentes approches pour la classification des situations de conduite

Différentes méthodes ont été utilisées pour modéliser l’évolution des signaux portant sur la conduite et les mettre en regard avec l’activité du conducteur.
Nous en ferons ici un rapide résumé puis nous nous focaliserons sur l’utilisation des chaînes de Markov cachées, qui présentent en terme d’interprétabilité et de performance un grand nombre d’avantages.

Les modèles contrôle/ commande.

Ces modèles tentent de décrire la réalisation de manoeuvres ponctuelles comme la conduite en ligne droite, le suivi de trajectoire sur route sinueuse, ou les manoeuvres d’évitement d’obstacle. Ils considèrent le conducteur comme un système physique caractérisé par une fonction de transfert liant le recueil d’informations aux actions sur les organes de contrôle du véhicule [Peltier, 1993]. Toute manoeuvre est alors conditionnée par la prise d’information. Les informations utilisées par le conducteur sont supposées essentiellement d’origine visuelle. Celui-ci échantillonne à intervalle de temps régulier sa position sur la voie, son angle de cap et les distances qui le séparent des différents obstacles et ces différentes informations sont alors traitées de manière à anticiper les événements routiers par une action adéquate sur les organes de contrôle. Pratiquement, la modélisation se fait souvent via des modèles linéaires et non linéaires ayant pour caractéristique l’introduction d’un retard pur dans la fonction de transfert [Weir & Chao, 2005].
Ces modèles expliquent bien la trajectoire globale, mais peinent à expliquer les microcorrections sans cesse effectuées par le conducteur. Or, ces micro-corrections peuvent révéler un changement de stratégie de contrôle.
Ces modèles sont des modèles mécaniques. Ils sont adéquats pour décrire deux aspects de la conduite : la collecte d’information et les actions de contrôle. Par contre, ils sont inaptes à intégrer l’influence des capacités d’apprentissage et d’anticipation.

Table des matières

1 Analyser le comportement du conducteur dans une situation de conduite
1.1 Modélisation cognitive du conducteur
1.1.1. Introduction
1.1.2. Structure de la cognition du conducteur
a Historique de la modélisation cognitive du conducteur
b La modélisation hiérarchique de Michon
c Le modèle COSMODRIVE
1.1.3. Les frames
a Le concept de frame
b Les frames dans COSMODRIVE
1.1.4. La représentation tactique courante
a Présentation
b Les catégories d’environnement
1.2 Les moyens d’investigation du comportement
1.2.1. Les différents niveaux d’enregistrement
a Le conducteur
b Le véhicule
c L’environnement
d Relation entre les niveaux d’enregistrement
1.2.2. Accessibilité des mesures
1.3 Modélisation de l’évolution des capteurs lors d’une situation de conduite
1.3.1. Points de vues sur le découpage de l’activité de conduite : quelques définitions
a Séquence et Situation de Conduite Vécue
b Séquence et Situation Réelle de Conduite
c Séquence et Situation de Conduite Mesurée
d Comprendre la relation entre les 3 catégorisations
1.3.2. Différentes approches pour la classification des situations de conduite
a Les modèles contrôle/ commande
b Les méthodes Bayésiennes
c Les méthodes à base de règles
d Les méthodes statistiques
1.3.3. Approche utilisant les chaînes de Markov cachées pour la classification des situations de conduite
1.3.4. Brève vue critique des MMCs pour l’analyse de la conduite
1.4 Conclusion
2 Chaînes de Markov Cachées et modèles multi-phasiques
2.1 Chaînes de Markov cachées : aspects théoriques et pratiques
2.1.1. Définitions
2.1.2. Algorithmes pour les Chaînes de Markov cachées
a Probabilité d’observation d’une séquence : algorithme Forward-Backward
b Séquence des états cachées la plus probable : l’algorithme de Viterbi
c Problème de l’estimation de modèle : algorithme EM
c.1 Algorithme EM : principe général
c.2 Algorithme de Baum-Welch
2.1.3. Déterminer la topologie : méthodes usuelles
a Critère de sélection de modèle
b Construire un ensemble de modèles à comparer
b.1 Agglomération d’états
b.2 Division d’état
2.1.4. Extension des modèles de Markov cachés
a État de l’art
a.1 Présentation générale
a.2 Modèle Semi-Markovien Caché (MSMC)
b Développement du concept de pondération pour les modèles de Markov cachées
b.1 Modèles de Markov Cachées Pondéré
b.2 Modèle Semi-Markovien Caché Pondéré (MSMCP)
2.2 Estimation paramétrique dans un modèle multi-phasique par maximum de vraisemblance
2.2.1. Notations et premiers résultats
a Notations
b Calcul du MLE
c Quelques résultats préliminaires
2.2.2. Convergence de l’estimateur
2.2.3. Vitesse de convergence
2.2.4. Distributions asymptotiques
2.2.5. le cas non linéair
a Convergence de l’estimateur
b Vitesse de convergence
c Distributions limites
d Distribution asymptotique de la séquence
3 Analyse de l’activité de conduite par le modèle de Markov caché et les modèles de ruptures multi-phasiques: méthodologie, expérimentation et résultats
3.1 Méthodologie
3.1.1. Structurer l’analyse de l’activité de conduite
a Séquences de conduite : caractéristiques étudiées
b Sélection des séquences
3.1.2. Enregistrer l’activité de conduite : moyens expérimentaux
a Le volant
b Les pédaliers
c Dynamique du véhicule
d Autres mesures
3.2 Expérimentation
3.2.1. Objet
3.2.2. Le parcours
3.2.3. Données recueillies
3.3 Modélisation de l’évolution des signaux lors des situations de conduite par le Modèle Semi- Markovien Pondéré
3.3.1. Modélisation par les chaînes de Markov cachées: principe, modèle, et algorithmes utilisés
a Rappels sur les modèles de Markov cachées
b Principe de la modélisation de l’évolution des signaux issus des capteurs par les modèles
semi-Markovien cachés pondérés
c Algorithmes d’apprentissage
c.1 Apprendre les paramètres
c.2 Apprendre la topologie
3.3.2. Processus de modélisation : objectif, contraintes, méthode
3.3.3. Sélection des séquences
3.3.4. Modélisation des Situations de Conduites Vécues: une procédure itérative
a Trame principale : illustrée par la situation « Ville / Rond-point / Tourner à droite / Vitesse moyenne »
b Phase de recatégorisation illustrée par la situation « Ville / Ligne droite / Conduire à vitesse stable / Vitesse moyenne »
c Phase de réapprentissage illustrée par la situation « Ville / Intersection / Tourner à Gauche /vitesse moyenne »
d Phase d’ajustement manuelle des paramètres illustrée par la situation « Ville / Ligne droite / Changer de voie de gauche vers droite / Vitesse moyenne »
e Conclusion sur le processus d’apprentissage
3.3.5. Regroupement des Situations Vécues en Situations Mesurées
3.4 Résultats
3.4.1. Reconnaissance a posteriori
3.4.2. Reconnaissance en ligne
3.4.3. Séquences non prototypiques
3.4.4. Retrouver une situation dans un flux continu de données par l’utilisation des modèles de ruptures multi-phasiques.
a Problématique
b Exemple
3.4.5. Synthèse des résultats
Conclusion et perspectives
Bibliographie

Télécharger le rapport complet