Utiliser l'apprentissage automatique pour surveiller la « charge de travail » des conducteurs pourrait contribuer à améliorer la sécurité routière

Les chercheurs ont développé un algorithme adaptable qui pourrait améliorer la sécurité routière en prédisant quand les conducteurs seront capables d'interagir en toute sécurité avec les systèmes embarqués ou de recevoir des messages, tels que des alertes de circulation, des appels entrants ou des itinéraires routiers.

Les chercheurs de l'Université de Cambridge, travaillant en partenariat avec Jaguar Land Rover (JLR), ont utilisé une combinaison d'expériences sur route et d'apprentissage automatique ainsi que des techniques de filtrage bayésien pour mesurer de manière fiable et continue la « charge de travail » du conducteur. Conduire dans une zone inconnue peut se traduire par une charge de travail élevée, tandis qu'un trajet quotidien peut signifier une charge de travail moindre.

L'algorithme qui en résulte est hautement adaptable et peut réagir en temps quasi réel aux changements de comportement et de statut du conducteur, aux conditions routières, au type de route ou aux caractéristiques du conducteur.

Ces informations pourraient ensuite être intégrées aux systèmes embarqués tels que l’infodivertissement et la navigation, les écrans, les systèmes avancés d’aide à la conduite (ADAS) et autres.

Toute interaction conducteur-véhicule peut ensuite être personnalisée pour donner la priorité à la sécurité et améliorer l’expérience utilisateur, offrant ainsi des interactions homme-machine adaptatives. Par exemple, les conducteurs ne sont alertés que lorsque la charge de travail est faible, afin qu'ils puissent rester pleinement concentrés sur la route dans des scénarios de conduite plus stressants. Les résultats sont rapportés dans la revue Transactions IEEE sur les véhicules intelligents.

“De plus en plus de données sont mises à la disposition des conducteurs en permanence. Cependant, avec les niveaux croissants de demande des conducteurs, cela peut constituer un facteur de risque majeur pour la sécurité routière”, a déclaré le co-premier auteur, le Dr Bashar Ahmad du département d'ingénierie de Cambridge. “Un véhicule peut mettre à la disposition du conducteur de nombreuses informations, mais il n'est ni sûr ni pratique de le faire à moins de connaître le statut du conducteur.”

Le statut (ou la charge de travail) d'un conducteur peut changer fréquemment. Conduire dans une nouvelle zone, dans un trafic intense ou dans de mauvaises conditions routières, par exemple, est généralement plus exigeant qu'un trajet quotidien.

“Si vous êtes dans une situation de conduite exigeante, ce serait un mauvais moment pour qu'un message apparaisse sur un écran ou un affichage tête haute”, a déclaré Ahmad. “Le problème pour les constructeurs automobiles est de savoir comment mesurer le degré d'occupation du conducteur et susciter des interactions ou émettre des messages ou des invites uniquement lorsque le conducteur est heureux de les recevoir.”

Il existe des algorithmes pour mesurer les niveaux de demande du conducteur à l'aide de dispositifs de suivi du regard et de données biométriques provenant de moniteurs de fréquence cardiaque, mais les chercheurs de Cambridge voulaient développer une approche qui pourrait faire la même chose en utilisant les informations disponibles dans n'importe quelle voiture, en particulier les signaux de performance de conduite tels que comme les données de direction, d'accélération et de freinage. Il devrait également être capable de consommer et de fusionner différents flux de données non synchronisés ayant des taux de mise à jour différents, y compris ceux provenant de capteurs biométriques s'ils sont disponibles.

Pour mesurer la charge de travail du conducteur, les chercheurs ont d'abord développé une version modifiée de la tâche de détection périphérique pour collecter, de manière automatisée, des informations subjectives sur la charge de travail pendant la conduite. Pour l'expérience, un téléphone affichant un itinéraire sur une application de navigation a été monté sur la bouche d'aération centrale de la voiture, à côté d'un petit anneau lumineux à LED qui clignote à intervalles réguliers.

Les participants ont tous suivi le même itinéraire à travers un mélange de routes rurales, urbaines et principales. Il leur a été demandé d'appuyer sur un bouton porté avec le doigt chaque fois que le voyant LED s'allumait en rouge et que le conducteur avait l'impression qu'il se trouvait dans un scénario de faible charge de travail.

L'analyse vidéo de l'expérience, associée aux données des boutons, a permis aux chercheurs d'identifier des situations de charge de travail élevée, comme des carrefours très fréquentés ou un véhicule devant ou derrière le conducteur au comportement inhabituel.

Les données sur route ont ensuite été utilisées pour développer et valider un cadre d'apprentissage automatique supervisé pour profiler les conducteurs en fonction de la charge de travail moyenne qu'ils subissent, ainsi qu'une approche de filtrage bayésien adaptable pour estimer séquentiellement, en temps réel, la charge de travail instantanée du conducteur, en utilisant plusieurs signaux de performance de conduite, y compris la direction et le freinage. Le cadre combine des mesures macro et micro de la charge de travail, la première étant le profil de charge de travail moyen du conducteur et la seconde le profil instantané.

« Pour la plupart des applications d'apprentissage automatique comme celle-ci, vous devrez les entraîner sur un pilote particulier, mais nous avons pu adapter les modèles en cours de route en utilisant de simples techniques de filtrage bayésien », a déclaré Ahmad. “Il peut facilement s'adapter à différents types et conditions de routes, ou à différents conducteurs utilisant la même voiture.”

La recherche a été menée en collaboration avec JLR qui a réalisé la conception expérimentale et la collecte de données. Cela faisait partie d'un projet parrainé par JLR dans le cadre de l'accord CAPE avec l'Université de Cambridge.

« Cette recherche est essentielle pour comprendre l'impact de notre conception du point de vue de l'utilisateur, afin que nous puissions continuellement améliorer la sécurité et offrir des expériences de conduite exceptionnelles à nos clients », a déclaré le Dr Lee Skrypchuk, spécialiste technique principal de l'interface homme-machine chez JLR.

“Ces résultats aideront à définir la manière dont nous utilisons la planification intelligente au sein de nos véhicules pour garantir que les conducteurs reçoivent les bonnes notifications au moment le plus approprié, permettant ainsi des trajets fluides et sans effort.”