I – Introduction

1Le conducteur d’une automobile est l’élément central sur lequel repose toute la conduite du véhicule. De son état physique et/ou psychique dépend la réussite ou l’échec de l’accomplissement de cette tâche. Celle-ci exige de lui le maintien de performances constantes, parfois difficile à réaliser en conduite monotone ou de longue durée. L’idée de disposer d’un système de surveillance du conducteur, capable de détecter, voire d’anticiper toute dégradation de ses performances, est donc tout à fait séduisante. Un tel dispositif est cependant soumis à deux contraintes majeures. D’une part, il doit être non contraignant pour le conducteur, ce qui suggère une observation de son comportement à travers son activité sur les interfaces naturelles avec le véhicule. D’autre part, il doit être capable de signaler tout comportement dangereux avant qu’il ne soit trop tard et quelle qu’en soit la cause.

2Les études du comportement conducteur réalisées depuis de nombreuses années se sont focalisées sur la détection d’hypovigilance par analyse de son activité de conduite (11,13). En effet, si l’hypovigilance n’est pas la seule défaillance possible du conducteur, elle est néanmoins la première cause d’accident mortel sur autoroute. Elle est, de plus, facilement identifiable car elle se manifeste de manière significative sur l’EEG. Les travaux réalisés dans ce cadre suivent une démarche désormais classique. Elle consiste à provoquer chez un certain nombre de conducteurs un état hypovigilant, afin d’établir des corrélations entre altération des performances de conduite et hypovigilance physiologique. Elle vise ainsi à établir des règles générales décrivant l’activité de conduite en état d’hypovigilance. Cette approche pourtant apparemment rigoureuse n’a pas encore donné les résultats escomptés, pour deux raisons essentielles. D’une part, elle ne tient pas compte des variabilités intra-individuelles des manifestations de l’hypovigilance, liées aux variations des conditions de conduite et de l’état interne du conducteur (conditions météorologiques, motivation, état interne du conducteur au début du trajet...). D’autre part, elle néglige également de prendre en compte la spécificité du conducteur lui-même, pour lequel une hypovigilance risque de se manifester d’une façon qui lui est propre en fonction de son expérience de conduite et d’un grand nombre de facteurs personnels.

3Or il est clair que la réussite du développement d’un système de diagnostic du comportement conducteur est conditionnée par l’intégration de ces deux types de variabilité. La tâche de conduite est soumise à un grand nombre de facteurs mal connus et non nécessairement maîtrisables en conditions réelles de conduite, dont il serait illusoire de vouloir dresser une liste exhaustive. Une approche globale du système Conducteur-Véhicule-Environnement semble donc plus appropriée.

4La littérature consacrée à l’analyse du comportement conducteur fait apparaître une autre constante dans la démarche suivie : la majorité des travaux se sont attachés à déterminer les conséquences de l’hypovigilance sur l’activité de conduite (4,8,9,10). Très peu se sont intéressés, en revanche, à l’aspect algorithmique du problème, à savoir la détection automatique de cet état à partir des informations apportées par les capteurs. Or si la détennination des paramètres de conduite pertinents est un problème crucial, la synthèse de cette information pour permettre la formulation d’un diagnostic est une étape incontournable qui, jusqu’alors, a été sous-estimée voire négligée. Attwood et Scott (1) ont proposé de résoudre ce problème par des méthodes de discrimination linéaire entre deux classes (étiquetées « vigilance » et « hypovigilance » respectivement). Plus récemment, l’utilisation de réseaux de neurones a été proposée pour réaliser un apprentissage des caractéristiques spécifiques du conducteur (12). Aucun résultat concluant n’a pu être obtenu jusqu’alors.

5Les travaux présentés dans cette communication s’inscrivent dans la voie laissée ouverte par ces deux aspects complémentaires de la résolution du problème : adaptation à la spécificité du conducteur et algorithme de diagnostic. Nous proposons une méthode de détection d’évolution de l’activité de conduite qui ne fait aucune hypothèse, ni sur la nature des états observés (normal, hypovigilant...), ni sur leurs manifestations sur l’activité de conduite. Elle réalise un apprentissage des caractéristiques de conduite en se fondant sur l’idée suivante : le conducteur s’installant au volant de sa voiture se trouve dans un état initial appelé état de référence. L’activité de conduite caractéristique de cet état est apprise automatiquement pendant les premières minutes du trajet. Par la suite, tout écart mesuré par rapport à cette référence est considéré comme étant représentatif d’un nouvel état qui doit faire l’objet d’un apprentissage. On construit ainsi progressivement une base de données spécifique au conducteur et qui s’adapte aux conditions de conduite rencontrées. Cette approche n’a de sens que si les états dangereux ou non désirés du conducteur se manifestent sur son activité de conduite. Elle interdit en outre toute interprétation des évolutions observées.

6L’algorithme proposé est un algorithme adaptatif de diagnostic par reconnaissance des formes floues (2) dont le principe est explicité au paragraphe 2. Dans une troisième partie, nous présentons l’application de l’algorithme à la détection d’évolution de l’activité de conduite. La dernière partie est consacrée aux résultats obtenus dans le cadre plus spécifique de la détection d’hypovigilance.

II – Principe de la méthode

7Le système étudié est le conducteur. Son comportement à un instant t est donné par la mesure de son activité de conduite à cet instant, c’est-à-dire la valeur prise par les paramètres jugés pertinents pour la description de cette activité. Ces paramètres sont rassemblés dans un vecteur forme, ils définissent un espace de représentation. Le comportement instantané du système, xt est donc un point de cet espace.

8Le comportement du conducteur peut passer, au cours du temps, par différents états (nerveux, distrait, hypovigilant). A chaque état est associée une classe floue, matérialisée par une zone géométrique de l’espace de représentation. L’état instantané du système est donc donné par la classe associée à la zone géométrique dans laquelle se trouve xt. Une classe floue est une classe dont les frontières sont graduelles. Elles sont décrites par une fonction d’appartenance continue à valeurs dans (0,1). La valeur de cette fonction est maximale pour les points les plus représentatifs de la classe (prototypes), elle décroît au fur et à mesure qu’on s’en éloigne. Cette valeur peut donc être interprétée comme une mesure de proximité aux prototypes. Elle permet de localiser les points à l’intérieur des classes.

9En échantillonnant le vecteur forme à intervalles de temps Δt, on obtient une suite chronologique de points dans l’espace qui représente le comportement du conducteur au cours du temps. Une évolution se traduit par un chemin caractéristique de cette suite, soit entre deux classes connues, soit entre une classe connue et une zone non balisée de l’espace. Dans ce dernier cas, l’état destinataire est inconnu et devra faire l’objet d’un apprentissage. Chaque classe étant matérialisée par un ensemble flou, ce chemin caractéristique est donné par la suite des valeurs d’appartenance aux classes connues. L’appartenance à une classe peut être mesurée à chaque instant d’échantillonnage, la succession de ces mesures constituant un signal d’appartenance. Ce signal décroît lorsqu’on s’éloigne de la classe correspondante, il croît lorsqu’on s’en rapproche. Une valeur trop faible (inférieure à un seuil) de l’appartenance à chaque classe signifie que le conducteur est dans un état inconnu. Le point correspondant est « rejeté en distance », il pourra constituer le siège d’une nouvelle classe.

Figure 1. Principe de l’algorithme proposé Cas 1 : évolution entre deux classes connues Cas 2 : évolution vers un état inconnu

10L’appartenance à chaque classe connue est calculée à l’aide d’un réseau de neurones à architecture particulière appelé GPFN (3). On utilise un réseau par classe, chaque réseau réalisant l’approximation d’une fonction d’appartenance. L’apprentissage de chaque réseau est réalisé à partir d’un ensemble de prototypes de la classe correspondante, construit par agglomération de points rejetés (6). Cette agglomération est effectuée selon des critères de proximité simultanée dans l’espace et le temps (5).

11Le principe de cette méthode est représenté figure 1. Dans un premier temps, nous l’avons appliquée à la détection d’évolution de l’activité de conduite.

III – Détection d’évolution de l’activité de conduite

12L’algorithme a été appliqué sur des données acquises en conditions réelles de conduite. Elles ont été recueillies sur autoroute, à bord d’un véhicule expérimental équipé de capteurs reliés à une centrale d’acquisition. Ces capteurs fournissent une information décrivant l’activité du conducteur sur les interfaces naturelles avec le véhicule. Les courbes présentées figure 2 présentent les résultats obtenus pendant les quatre-vingts premières minutes d’expérimentation. Chaque courbe traduit le comportement du système par rapport à la classe correspondante au cours du temps. Ces résultats amènent les remarques suivantes :

• un état de référence a été identifié au début des expérimentations (classe C1), ce qui confirme hypothèse formulée ;

• les états (classes) détectés montrent un bon recouvrement de l’espace, ce qui signifie que les points peuvent être localisés à tout instant ;

• une décroissance d’un signal d’appartenance s’accompagne d’une croissance symétrique d’un autre signal, ce qui traduit bien une évolution d’un état origine vers un état destinataire ;

• L’information d’évolution est contenue dans les variations des signaux d’appartenance. Nous proposons un filtrage de ces signaux afin d’effectuer une détection automatique de ces évolutions et la formulation d’un diagnostic [7]. Une détection précoce peut donner à l’algorithme un caractère prédictif, reflétant la tendance évolutive du comportement.

Figure 2. Évolution de l’activité de conduite

13Ces résultats montrent la capacité de l’algorithme à mettre en évidence l’évolution des paramètres décrivant l’activité de conduite. Voyons à présent les résultats obtenus lorsque les paramètres du vecteur forme sont ceux dont la valeur est altérée en état d’hypovigilance.

IV – Application à la détection d’hypovigilance

14Ces données nous ont été fournies par le Laboratoire de recherche en sécurité automobile (LRSA), laboratoire commun PSA – École Centrale Paris. Elles ont été acquises lors d’expériences réalisées sur autoroute, en conditions réelles de conduite. Ont été recueillis les signaux relatifs à la description de l’activité de conduite, ainsi que l’EEG. Ce dernier a été dépouillé par un médecin, qui a identifié les périodes d’hypovigilance physiologique. Les résultats obtenus sont présentés figure 3. Trois états ou classes ont été détectés. L’un est représentatif de l’état de référence, les deux autres font apparaître deux types d’hypovigilance. Il est intéressant de remarquer que toutes les hypovigilances induisent une variation de la fonction de référence. De plus, les deux classes d’hypovigilance couvrent la totalité des zones d’hypovigilance physiologique de façon complémentaire.

Figure 3. Détection d’hypovigilance

15Ces résultats montrent qu’un état d’hypovigilance peut avoir des manifestations différentes sur l’activité de conduite, ce qui confirme l’existence d’une variabilité intra-individuelle. Ils montrent également qu’hypovigilance physiologique et altération des performances de conduite ne sont pas nécessairement simultanées, sans que l’on puisse dire lequel des deux phénomènes précède l’autre. La question est maintenant de savoir s’il faut se limiter à la détection des hypovigilances physiologiques, ou bien s’il faut envisager de rechercher toute modification de l’activité du conducteur.

V – Conclusion

16Dans cette communication, nous présentons une méthode originale de diagnostic du comportement du conducteur, basée sur la détection d’évolution de son activité de conduite. Cette méthode réalise un apprentissage progressif des caractéristiques du conducteur, sans émettre d’hypothèse a priori. Les résultats obtenus dans le cadre de la détection d’hypovigilance confirment la nécessité de tenir compte de la variabilité intra-individuelle du conducteur.