Cas d'usage à l'UTS

CONTEXTE

En Australie, on estime que 20 à 30 % des accidents de voiture sont dus à la fatigue (Fatigued Driving, 2021). C’est particulièrement le cas pour les 18-24 ans. Lorsque les possibilités de sommeil diminuent et que les fonctions mentales liées aux décisions de conduite ne sont pas pleinement développées (Shekari Soleimanloo et al., 2017). Avec un problème aussi immense auquel la société dans son ensemble est confrontée, de nombreuses tentatives ont été faites pour améliorer la détection de la somnolence au volant, allant de la mesure du cap de la voie dans le cadre des travaux de Morris, Pilcher et Switzer (2015) au développement d’approches basées sur la vision par ordinateur dans le cadre des travaux de Patel M. (2010). Bien que l’on constate que l’automatisation des véhicules aide à lutter contre la fatigue au volant, il reste encore beaucoup à faire pour améliorer la capacité de réaction à ces problèmes (Kaduk et al., 2020 ; Lin et al., 2021).

DÉFI

Développer un système de simulation capable de réaliser des scénarios de conduite réalistes et de mesurer la performance de l’utilisateur dans un scénario en lien avec la somnolence.

SOLUTION

Développer une simulation pour un scénario de conduite de nuit dans l’environnement SCANeR Studio qui peut suivre simultanément les performances de conduite et de multiples signaux physiologiques, y compris les mouvements des yeux, la dynamique du cerveau via l’électroencéphalogramme, la variation du rythme cardiaque, la température du corps, la conductivité de la peau, la posture du visage et de la main et nos autres dispositifs de capteurs, comme le montre la figure 1.

Figure 1 : Le cas d’utilisation à l’UTS

 

AVANTAGES

Tout d’abord, SCANeR Studio permet de synchroniser les flux de données au sein du projet, tout en offrant la possibilité de manipuler tous les paramètres de l’environnement de conduite. L’équipe de recherche peut ensuite effectuer des analyses de données pour faire le lien entre les performances de conduite et les signaux multimodaux afin d’évaluer les niveaux de fatigue en temps réel. Deuxièmement, le scénario de conduite réalisé avec SCANeR Studio peut immerger le conducteur dans l’environnement souhaité en connectant le SCANeR au simulateur Motion Platform. Cela garantit que le retour d’information du conducteur est compatible avec la situation réelle.

SOLUTION POUR L’UTILISATEUR

La solution détaillée a nécessité le développement de deux composants :

– un scénario SCANeR Studio

– l’interface de programmation d’application pour connecter nos capteurs au scénario SCANeR.

Afin de remplir la première partie de cette solution, nous avons développé un scénario et les scripts qui l’accompagnent pour imiter un véhicule autonome qui perd le contrôle, comme le montrent les figures 2 et 3.

Plus précisément, le conducteur présent circule initialement sur une voie en mode autonome à une vitesse fixe de 100 km/heure. Une déviation à gauche ou à droite de la trajectoire de conduite est ensuite introduite de manière aléatoire dans le véhicule, ce qui simule une réaction défectueuse du système autonome. Le conducteur doit alors activer la conduite manuelle, par le biais d’un bouton sur le tableau de bord, et ramener le véhicule au centre de la voie. La vitesse de réaction du conducteur sera mesurée en interne dans le programme et les résultats seront fournis au directeur de l’expérience pour qu’il les compile et en tire des conclusions.

Figure 2 : Un extrait de ce modèle de scénario développé

Cette expérience pourrait ensuite être menée en modifiant les paramètres du scénario pour examiner l’importance des effets de la fatigue dans différentes conditions. Plus précisément, nous envisageons d’utiliser les caractéristiques environnementales de SCANeR Studio pour utiliser un mode nuit ou jour, et avec ou sans pluie. De plus, grâce à la flexibilité des scripts de SCANeR, nous pouvons retravailler notre scénario existant pour modifier la dynamique réelle du véhicule afin de valider davantage les performances de conduite (éveillé ou fatigué) via différents modes de conduite. De plus, les signaux multimodaux enregistrés seront corrélés avec les performances de conduite pour améliorer la sécurité routière.
En ce qui concerne le développement de l’API pour synchroniser les données provenant de sources multiples, nous avons utilisé le cadre API existant de SCANeR qui communique des paquets de données par le biais du protocole User Datagram. Le transfert de données est réalisé par un programme C++ qui permet aux canaux d’exportation établis dans la simulation de lire les données en direct de nos capteurs. Cela nous permet non seulement de synchroniser les données, mais aussi de permettre aux modèles de classification externes de contrôler le déroulement du scénario.

Figure 3: Premiers plans du conducteur en mode nuit 

 

 

DEVIS/ CHIFFRES CLÉS

1 clé académique.

 

 

ETAPES SUIVANTES : 

  • Améliorer et développer davantage de scripts API pour chacun de nos dispositifs de détection prévus.
  • Exploitation/développement d’approches statistiques et d’IA pour une analyse complète des données
  • Intégration des résultats de l’analyse des données dans le scénario de conduite (par le biais de scripts API sur SCANeR Studio) pour la détection en temps réel et en boucle fermée de la fatigue au volant.

RÉFÉRENCES

  • La conduite en état de fatigue. (2021, 11 octobre). Association automobile australienne. https://www.aaa.asn.au/research/fatigued-driving/
  • Kaduk, S. I., Roberts, A. P. J., & Stanton, N. A. (2020). Performance de conduite, somnolence, fatigue et charge mentale tout au long du parcours temporel de la conduite semi-automatique-Données expérimentales du simulateur de conduite. Human Factors and Ergonomics in Manufacturing & Service Industries, 31(1), 143–154. https://doi.org/10.1002/hfm.20875
  • Shekari Soleimanloo, S., White, M. J., Garcia-Hansen, V., et Smith, S. S. (2017). Les effets de la perte de sommeil sur la performance des jeunes conducteurs : Une revue systématique. PLOS ONE, 12(8). https://doi.org/10.1371/journal.pone.0184002
  • T. Lin, C. H. Chuang. Y. C. Hung, C. N. Fang, D. Wu et Y. K. Wang. (2020). Un système de prévision de la performance de conduite basé sur l’analyse de l’état dynamique du cerveau en utilisant des réseaux neuronaux convolutifs 4-D. IEEE Transactions on Cybernetics, 51(10). https://doi.org/10.1109/TCYB.2020.3010805