UMR CNRS 7253

Outils du site


fr:wajih

Thèse Wajih Bouslimi

Intitulé : Modélisation du comportement des conducteurs dans les situations d’urgence

Directeur de thèse : Philippe Fuchs (Ecole des Mines de Paris) Suivi scientifique : Domitile Lourdeaux (Heudiasyc-UMR6599), Mohamed Kassaagi (LAB, PSA)

Cadre de financement : Contrat CIFRE avec PSA et encadrement de thèse au Laboratoire Accidentologie et Biomécanique de PSA et Renault

Résumé : Les chiffres de la sécurité routière fournis par l’ONISR pour l’année 2004 font état de 5750 tués et de 18000 blessés graves. Certes la tendance est à la baisse mais le coût humain (et matériel) demeure élevé. La sécurité passive a grandement contribué à l’amélioration de la sécurité routière. Cependant, environ 40 % des occupants d’un véhicule ne peuvent être épargnés par cette famille de systèmes. La technologie permet désormais d’envisager de nouveaux systèmes de sécurité active permettant d’éviter l’accident ou du moins réduire sa sévérité. La spécification de ce type de systèmes repose sur le comportement réel du conducteur dans les situations d’urgence.

Depuis 1995, plusieurs études expérimentales axées sur la dimension humaine dans les situations d’urgence ont été réalisées par le LAB. Sur piste d’essai ou sur simulateur de conduite, elles ont permis de constituer des bases de données comportementales. L’objectif de ce travail consiste à exploiter ces données pour construire un modèle numérique du comportement du conducteur dans les situations d’urgence. Les résultats de ce travail devraient permettre de réduire le cycle de développement des systèmes de sécurité active.

Le modèle prédictif entrées-sorties établi permet de lier les paramètres intrinsèques du triptyque Conducteur-Véhicule-Environnement aux actions et aux performances du conducteur. La méthodologie développée pour la modélisation repose sur les données d’une étude menée en 1999 sur piste d’essai avec 114 conducteurs lambdas. Tout d’abord, l’ensemble des variables enregistrées est projeté suivant les différentes phases de la situation accidentogène définies par le modèle temporel. En procédant par analyses statistiques, les variables d’entrée et de sortie les plus pertinentes sont sélectionnées et les relations de cause à effet sont identifiées. Au total, huit variables comportementales sont retenues. Afin d’apprendre les relations entre ces variables et être capable de les restituer, deux familles de techniques numériques sont alors appliquées :

  • les réseaux bayésiens pour des prédictions qualitatives ;
  • les structures neuronales pour des prédictions quantitatives. L’optimisation des structures est fondée sur un processus itératif utilisant des algorithmes génétiques et des techniques bayésiennes.

Afin de tester la robustesse des différents modèles développés, deux bases de données différentes ont été exploitées. La première est issue d’une étude sur simulateur de conduite réalisée en 1998 et la deuxième a été spécialement menée sur piste d’essai en 2005. Le protocole de cette dernière est légèrement différent de celui de l’étude utilisée pour construire le modèle : conditions initiales relativement plus sévères et utilisation de deux générations de véhicule avec des capacités de freinage différentes. De plus, de nouveaux indicateurs (physiologiques, émotionnels et mentaux) ont été relevés afin de mieux prendre en compte les facteurs humains dans l’analyse des actions.

Les tests de robustesse des modèles numériques développés donnent des résultats de prédiction encourageants ce qui laisse entrevoir des possibilités d’exploitation intéressantes en termes de conception. Elle a également souligné l’impact des différences entre données de construction et données de test lié aux limites de l’extrapolation. Parmi toutes les variables prédites, la précision du résultat de la manœuvre arrive en pôle position. Par contre, la prédiction des variables de vitesse de lâcher accélérateur et d’enfoncement de la pédale de frein donnent des résultats moins précis ce qui soulève des questions quant à la nature des mécanismes sous-jacents à ces actions.

Mots clés : modélisation, comportement conducteur, sécurité active, accidents fronto-arrière, assistance au freinage d’urgence, simulateur de conduite, expérimentation sur piste, conception, analyse de données, mesures physiologiques, réseaux de neurones, techniques bayésiennes, algorithme génétique


Outils pour utilisateurs