Stratégies mises en place dans l’évitement de collision

Les facteurs d’influences du comportement des marcheurs

A première vue, les facteurs internes pourraient avoir un effet relatif sur le comportement des marcheurs, comme l’âge, le genre, le gabarit, ou encore la culture. Mais il semblerait néanmoins que ce soient les facteurs externes qui soient les plus influents (Knorr et al., 2016).
Plus précisément, les caractéristiques situationnelles qui décrivent l’interaction entre deux piétons vont fortement influencer le comportement des deux marcheurs. Plus l’interaction est complexe, plus les adaptions nécessaires seront importantes (Huber et al., 2014). Par exemple, une simple déviation de trajectoire est suffisante pour contourner un marcheur arrivant de face (Fig. 7 droite). Cependant il faudra combiner ajustements de vitesse et d’orientation pour éviter un marcheur qui arrive sur le côté d’un angle relativement fermé (Fig. 7 gauche). L’ajustement de vitesse permet de gagner un laps de temps supplémentaire pour résoudre les interactions complexes, où l’anticipation est plus difficile (Huber et al., 2014). Notons à ce titre que le risque de collision peut ainsi être caractérisé, non seulement par une distance future de croisement, mais également par le temps restant avant l’atteinte de cette distance minimal d’interaction.
De plus, les caractéristiques situationnelles vont déterminer un ordre de croisement entre les deux marcheurs (Olivier et al., 2013 ; Knorr et al., 2016). Effectivement, relativement tôt dans l’interaction, un marcheur est apte à savoir s’il est en avance ou en retard par rapport à l’autre pour rejoindre le point de croisement. Les travaux sur les interactions entre piétons ont montré que, dans une tâche d’évitement de collision entre deux marcheur, cet ordre de passage est préservé jusqu’au croisement (Olivier et al., 2013 ; Knorr et al., 2016). La probabilité de préserver cet ordre de croisement augmente lorsque le temps restant avant l’interaction diminue et lorsque la valeur absolue de la future distance de croisement est éloignée de zéro (Knorr et al., 2016).
De plus, même si l’interaction est résolue de manière mutuelle, il semblerait que l’ordre de passage attribue un rôle différent dans l’interaction : le marcheur passant en second contribue d’avantage dans la tâche d’évitement de collision, en modifiant sa vitesse et son orientation, tandis que le marcheur passant en premier ne modifie que son orientation (Olivier et al., 2013).
A travers cette première partie de revue d’articles, nous avons pu décrire la tâche d’évitement de collision entre deux piétons, de son initiation à sa résolution et en passant par les facteurs qui l’influençaient. Cependant, lorsque l’on se déplace dans la rue, nous devons interagir avec de nombreux piétons. C’est pourquoi dans cette seconde partie de revue de littérature, nous allons nous intéresser aux études qui ont considéré le cas des interactions multiples.

Evitement de collision avec plusieurs marcheurs

Dans cette partie nous explorerons les travaux dirigés vers les interactions multiples entre marcheurs. Dans un premier temps, nous nous intéresserons aux approches utilisées dans le domaine de l’animation de foule en décrivant en particulier l’approche microscopique pour simuler le comportement humain et en illustrant notre propos par quelques modèles de simulation. Puis dans un second temps nous présenterons les limites d’une telle approche et tenterons de proposer quelques alternatives.

L’approche microscopique

L’étude de multiples interactions entre piétons est une problématique régulièrement rencontrée dans les études de simulations de foule de piétons mais qui est difficile à réaliser sur le terrain. A l’inverse des modèles macroscopiques, qui tentent de représenter le comportement d’une foule de manière globale (Duives et al., 2013, Kormanova, 2014), les modèles microscopiques s’intéressent aux interactions locales entre les agents qui vont participer à l’émergence d’un comportement global de foule (Fig. 8).
Cette seconde approche, qui a fait l’objet de comparaisons entre trajectoires simulées et trajectoires réelles, semble plus précise et proche des comportements réels observables (Duives et al., 2013 ; Kormanova, 2014), c’est pourquoi nous focaliserons notre attention sur celle-ci dans cette revue d’articles. Les modèles de simulation se sont basés initialement sur des hypothèses sociales mettant en jeu des lois physiques tenant compte des positions (Helbing et Molnar, 1995) ou encore géométriques tenant compte des vitesses (van Den Berg et al., 2008).
Le modèle basé-vision (Ondrej et al., 2010) propose une alternative intéressante inspirée des principes d’évitement de collision émis par Cutting et al. (1995) et se base sur des variables optiques. Les interactions locales entre un agent virtuel et son environnement sont alors décrites grâce à une vision synthétique qui est implémentée à l’agent (Fig. 9). Un agent perçoit chaque obstacle de l’environnement sous un angle α (angle de gisement), et est capable de déterminer s’il peut rentrer en collision avec celui-ci (dérivée de α) et à quel moment (TTC).
Sur la figure 9, le vert correspond à des valeurs proches de zéro, c’est-à-dire à une faible dérivée de l’angle de gisement (Fig. 9, à gauche) ou à un temps restant avant d’interagir avec l’élément très court (Fig. 9, à droite). La combinaison de ces deux images donne un résultat qui décrit en vert le prochain élément à éviter (Fig. 9, en bas). Le rouge détermine les éléments avec un faible risque de collision (Fig. 8, à gauche) ou ceux dont l’interaction n’est pas imminente (Fig. 9, à droite). Le jaune décrit les éléments proches mais qui ne représentent pas un risque de collision (Fig. 9, en bas).
La difficulté avec cette approche est donc de comprendre comment se combinent les interactions entre elles pour réguler le comportement des marcheurs.

Interactions avec plusieurs obstacles

Traverser un carrefour de routes avec un trafic dense nécessite d’emprunter un intervalle suffisamment large pour ne pas être percuté par une voiture en approche. La taille de l’intervalle nécessaire va dépendre de la vitesse des voitures en mouvement. Il est donc essentiel de connaitre le comportement des voitures (au moins deux) formant l’intervalle (Chihak et al., 2010 ; Louveton et al., 2012). De façon évidente nous pouvons supposer que pour réussir une telle tâche, nous prenons en compte plus d’un élément à la fois.
Pour revenir sur les interactions entre piétons, il semblerait que la densité d’éléments à éviter va influencer le choix des trajectoires à emprunter (Moussaid et al., 2011 ; Bruneau et al., 2015). Les travaux de Bruneau et collaborateurs ont montré qu’un humain préfèrera ainsi traverser un groupe d’agents virtuels dispersés (densité faible) même si cela implique plusieurs interactions et, à l’inverse, contourner un groupe d’agents resserrés même si cela rallonge sa distance de marche (Bruneau et al., 2015). Au final, le choix répondrait au « principe d’énergie minimum » qui soutient que l’on choisit le chemin qui optimise le coup énergétique. Un tel choix nécessite de prendre en considération plusieurs éléments de l’environnement de façon simultanée pour adapter sa trajectoire.
Au sein d’une foule de piétons, le nombre d’interactions possibles augmente avec le nombre d’individus présents. Mais même si les piétons ne communiquent pas verbalement entre eux, il semblerait qu’un niveau de contrôle de haut niveau les mène à coordonner leur comportement respectif (Riley et al., 2011). Nous n’observons pas de répétitions d’interactions entre paires de piétons mais bien la formation d’une synergie qui régule les mouvements interpersonnels (Riley et al., 2011). Cette théorie est retrouvée dans le monde sportif pour expliquer la coordination inter joueurs d’une même équipe (Araujo et Davids, 2016). Une telle théorie se base sur deux principes qui sont les suivants : compression des dimensions et compensation réciproque (Riley et al., 2011).

Outils d’analyse des interactions entre piétons

Dans cette troisième partie nous allons présenter les intérêts et limites de l’oculomètre et de la réalité virtuelle qui sont aujourd’hui fréquemment utilisés dans l’étude des interactions entre l’être humain et son environnement.
L’oculomètre
Nous reconnaissons que la perception de l’environnement joue un rôle primordial dans les interactions entre l’homme et son environnement (Patla, 1997). C’est pourquoi plusieurs études utilisent aujourd’hui un oculomètre afin de déceler quel indice visuel a réellement une influence sur le comportement humain. Effectivement, on comprend que dans un environnement encombré comme au sein d’une foule de piétons, même si les interactions sont multiples, il est impossible d’interagir à un moment donné avec tous les marcheurs présents. L’oculomètre permet alors de lever le voile sur les stratégies visuelles de sélections des interactions par un marcheur.
Il existe aujourd’hui deux types d’oculomètre : un modèle portable et un modèle fixe (Fig. 11). Le modèle portable est attaché à un casque ou à des lunettes et est relié à une caméra qui enregistre l’environnement face à l’utilisateur. Les travaux utilisant ce dispositif se sont principalement attachés à analyser la distribution du regard de chauffeur de voiture, de cyclistes ou encore de piéton sur les différents éléments présents dans l’environnement (Kowler, 2011 ; Foulsham et al., 2011 ; Mantuano et al., 2016 ; Zeuwts et al., 2016). Mais seulement très peu d’études ont utilisé cet outil pour étudier les interactions entre piétons (Jovancevic-Misic et Hayhoe, 2009 ; Fotios et al., 2015). Grâce à ces résultats, il semblerait que parmi plusieurs marcheurs à éviter, notre regard se porte sur celui qui représente le plus grand risque de collision (Jovancevic-Misic et Hayhoe, 2009). Et lorsque les marcheurs à éviter arrivent de face, ils sont majoritairement fixés entre 8 et 12m pendant une période entre 300 et 600ms (Fotios et al., 2015). Mais ces travaux n’ont pas cherché à relier les ajustements moteurs occasionnés aux indices visuels fixés.
Le modèle fixe est positionné à côté d’un écran et enregistre la localisation du regarde de l’utilisateur sur cet écran. Ce dispositif est utilisé lors d’études dans des environnements contrôlés, c’est-à-dire sur des photos, vidéos ou environnements virtuels (Foulsham et al., 2011, Zeutws et al., 2016 ; Hardiess et al., 2013).
Le modèle portable permet à l’utilisateur d’interagir directement avec un environnement réel ce qui assure un comportement oculaire similaire à celui de la vie quotidienne. Cependant le manque de contrôle sur les facteurs environnants rend difficile l’interprétation des analyses sur la distribution du regard. Il est difficile de savoir si l’activité du regard est réellement influencée par un facteur précis où s’il est seulement dépendant de la situation actuelle dans laquelle se trouve l’utilisateur. La comparaison inter individuelle est délicate car ils ne se retrouvent pas exactement dans la même configuration environnementale.
Le modèle fixe est principalement utilisé en laboratoire où le contrôle de l’environnement dans lequel interagir est mieux contrôlé. Certaines limites non négligeables doivent néanmoins être prises en compte. L’activité du regard peut être biaisée par une perte du champ visuel, réduisant le nombre d’indices potentiels à utiliser (Zeutws et al., 2016). Dans l’interprétation des résultats il est important de tenir compte de la taille de l’écran. Il est aussi important de retenir que dans ces études les participants sont assis, et ne reçoivent donc pas d’informations perceptuelles provenant des systèmes vestibulaires et musculaires, ce qui pourrait avoir un effet indésirable sur leur comportement oculaire (Schwarzkopf et al., 2013).
Après avoir succinctement présenté l’utilité et le fonctionnement de l’oculomètre, nous allons maintenant observer les intérêts et limites de l’utilisation des environnements virtuels pour l’étude des interactions entre piétons.

L’environnement virtuel

Aujourd’hui, les designs expérimentaux sur les interactions humaines utilisent régulièrement les environnements virtuels (Fig. 12) (Fink et al., 2007 ; Bideau et al., 2010 ; Hardiess et al., 2013 ; Olivier et al., sous-presse). Ces designs expérimentaux permettent un contrôle total des éléments présents dans l’environnent. En modulant la présence, l’absence ou le comportement d’un élément, il est ainsi possible de connaitre son influence sur le comportement d’un utilisateur. Ceci prend tout son sens dans l’étude des interactions entre humains dans la mesure où de nombreux paramètres sont très difficiles à contrôler en condition réelle, comme réitérer exactement la même trajectoire de marche à la même vitesse.
L’environnement virtuel est généré informatiquement et donne à un utilisateur la possibilité de naviguer et d’agir à l’intérieur de celui-ci. On parlera de réalité virtuelle dès lors que l’environnement virtuel est généré en trois dimensions et que les objets avec lesquels on peut interagir ont une forte sensation de présence (Loomis et Blascovich, 1999). Evidemment le sentiment d’être pleinement engagé dans en tel environnement va dépendre du dispositif dans lequel est généré l’environnement. La réalité virtuelle s’applique surtout aux études qui utilisent des systèmes immersifs, comme les casques de réalités virtuels ou encore les CAVEs, qui majorent fortement la sensation d’être au sein même de l’environnement (Loomis et Blascovich, 1999).
Les recherches scientifiques ont vérifié la validité écologique d’un tel dispositif pour l’étude des interactions humaines (Loomis et Blascovich, 1999 ; Fink et al., 2007). Effectivement il semblerait que le comportement locomoteur des participants est similaire entre les conditions expérimentales réelles et virtuelles malgré quelques différences ; vitesse moins élevée dans l’environnement virtuel et distance de croisement plus grande dans l’environnement virtuel (Fink et al., 2007). Il est aussi possible de mettre en place des situations expérimentales mettant en jeu un joystick et une salle immersive qui permettent de reproduire des comportements d’évitement de collision qualitativement proche de ceux de ceux observés en situation réelle entre deux marcheurs (Oliver et al., sous-presse).
L’utilisation d’environnement virtuel semble également opportune à travers des systèmes plus simples que les systèmes immersifs pour l’étude de l’évitement de collision avec un marcheur virtuel (Olivier et al., 2010). En effet des résultats expérimentaux ont montré que les participants étaient aptes à précisément percevoir l’interaction avec un marcheur et ainsi détecter l’ordre de croisement lorsque l’environnement virtuel est généré sur un écran d’ordinateur (Olivier et al., 2010).
Nous avons pu présenter succinctement les outils scientifiques utilisés dans l’étude des interactions humaines comme l’oculomètre et l’environnement virtuel. La combinaison des deux outils nous permettrait d’avoir un avis plus robuste sur les facteurs utilisés par un utilisateur pour adapter son comportement dans une tâche d’évitement de plusieurs marcheurs virtuels. Dans ce mémoire nous nous intéressons exclusivement à l’analyse cinématique. L’analyse de l’activité oculaire sera réalisée ultérieurement.
Nous avons exploré quelques travaux scientifiques sur les interactions entre piétons dans une tâche d’évitement de collision entre deux marcheurs, puis entre plusieurs marcheurs et enfin nous avons présenté les outils technologiques utilisés aujourd’hui pour l’analyse des interactions entre piétons. Nous allons maintenant pouvoir dresser un bilan de cette revue de littérature pour déterminer les objectifs de cette étude.

Présentation de l’expérimentation

Participants

18 participants (14 hommes et 4 femmes), âgés en moyenne de 23 ans (± 1,6 ans) ont participé à cette étude. Seuls les volontaires sans problème visuel nécessitant le port de lunette ont pu participer à l’expérimentation. En effet, de par l’utilisation de l’oculomètre dans le cadre plus général du projet, le port de lunettes de vue était un critère d’exclusion car il perturbait la mesure de l’activité oculaire.

Equipements

L’expérience se déroule sur un ordinateur de bureau (Dell Precision T3600) avec un écran de 24 pouces (1920*1200 pixels, Dell 2408WFP) positionné à 50 cm du sujet. Les sujets peuvent se déplacer dans un environnement virtuel grâce à un joystick (Logitech X3D) leur permettant d’accélérer ou de ralentir ainsi que de pivoter à gaucher ou à droite (Fig. 13). Si aucune action n’est effectuée sur ce joystick, le participant avance droit devant lui à une vitesse constante d’1,33 m/s dans l’environnement virtuel. Cette vitesse correspond à une vitesse de confort classique de marche (Levine et al., 2012).
L’activité oculaire est enregistrée grâce à « l’Eye Tribe Tracker » de la compagnie Eye Tribe © avec une fréquence d’acquisition de 60Hz et une erreur de mesure de 0,5 à 1,0°. L’oculomètre est positionné sous l’écran (Fig. 13) et est relié à l’ordinateur pour coupler l’orientation du regard à l’élément fixé sur l’écran. Le participant est positionné sur un fauteuil réglable pour assurer le plus grand confort de façon à maintenir sa tête dans une position stable pour que l’enregistrement de l’activité oculaire soit de bonne qualité.

Autres paramètres expérimentaux

Pour les quatre conditions, nous avons défini différentes configurations des marcheurs dans l’environnement. Les marcheurs pouvaient provenir soit de la gauche ou de la droite par rapport au sujet.
Nous avons modulé l’ordre de croisement initial avec A1. L’ordre de croisement est déterminé en fonction de la position initiale d’A1 qui définit une MPD initiale. Une MPD initiale positive signifie que le participant est supposé passer en premier et, à l’inverse, une MPD initiale négative signifie qu’il est supposé passer en second.
La confiance que l’on peut avoir dans la prédiction de l’ordre de croisement augmente avec la valeur absolue de MPD (Knorr et al., 2016). De ce fait, pour chaque ordre de croisement pré défini avec A1, nous avons déterminé trois valeurs absolues de MPD initiales, soit six valeurs de MPD au total : -0,8, -0,5, -0,2, 0,2, 0,5 et 0,8m.
Pour résumer, pour chacune des quatre conditions de marcheurs, il y avait deux ordres de croisement initiaux, trois valeurs de MPD initiales et pour des marcheurs virtuels provenant de gauche et de droite. Chaque participant a répété deux fois l’ensemble de ces configurations ce qui l’a mené à réaliser 96 essais dans un ordre aléatoire.

Déroulement

Dans un premier temps, chaque participant doit lire et signer notre formulaire de consentement, expliquant le déroulement de l’expérimentation et les données mesurées, attestant leur anonymat et demander leur accord de droit d’image.
Avant de démarrer l’expérimentation, une étape de calibration de l’oculomètre est nécessaire. Une fois celle-ci réalisée, nous demandons aux participants de maintenir cette position tout au long de l’expérimentation de façon à garder un enregistrement des données oculométriques de bonne qualité.
Les quatre premiers passages de l’expérimentation permettent au participant de se familiariser avec l’utilisation du joystick et l’environnement virtuel. Le participant procède ensuite aux 96 passages dans un ordre aléatoire.

Table des matières

Introduction 
Etat de l’art
Partie I : Evitement de collision avec un seul marcheur
Détection du risque de collision
Stratégies mises en place dans l’évitement de collision
Les facteurs d’influences du comportement des marcheurs
Partie II : Evitement de collision avec plusieurs marcheurs 
L’approche microscopique
Interactions avec plusieurs obstacles
Partie III : Outils d’analyse des interactions entre piétons 
L’oculomètre
L’environnement virtuel
Synthèse et objectifs
Méthodologie générale
Présentation de l’expérimentation
Participants
Equipements
Consignes aux participants
Configuration expérimentale
Paramètres généraux
Stimuli et conditions expérimentales
Autres paramètres expérimentaux
Déroulement
Analyses des données
Variables mesurées
Analyse Statistique
Résultats 
Nombre de collisions
Nombre d’inversions de l’ordre de croisement entre les participants et A1
Interaction entre inversion et collision
Profils de vitesse
Distances de croisement
Discussion 
Hypothèse 1 
Collisions
Inversion de l’ordre de croisement
Interaction entre inversion et collision
Hypothèse 2 
Vitesse de déplacement
Distance de croisement
Poursuite de l’analyse de données
Analyse cinématique
Analyse oculométrique
Limites
Conclusion & Perspectives 
Bibliographie 
Annexes 

Télécharger le rapport complet