Des scientifiques dévoilent des stratégies pour rendre les véhicules autonomes plus conviviaux pour les passagers

L'intégration des véhicules automatisés promet plusieurs avantages pour la mobilité urbaine, notamment une sécurité accrue, une réduction des embouteillages et une accessibilité améliorée. Les véhicules automatisés permettent également aux conducteurs d'effectuer des tâches non liées à la conduite (NDRT), comme se détendre, travailler ou regarder des fichiers multimédias en cours de route.

Cependant, une adoption généralisée est entravée par la confiance limitée des passagers. Pour résoudre ce problème, les explications des décisions relatives aux véhicules automatisés peuvent favoriser la confiance en offrant un contrôle et en réduisant les expériences négatives. Ces explications doivent être informatives, compréhensibles et concises pour être efficaces.

Les approches existantes d’intelligence artificielle explicable (XAI) s’adressent principalement aux développeurs, en se concentrant sur des scénarios à haut risque ou des explications complètes, potentiellement inadaptées aux passagers. Pour combler cette lacune, les modèles XAI centrés sur les passagers doivent comprendre le type et le timing des informations nécessaires dans les scénarios de conduite réels.

Pour combler cette lacune, une équipe de recherche dirigée par le professeur SeungJun Kim de l'Institut des sciences et technologies de Gwangju (GIST), en Corée du Sud, a étudié les explications des demandes des passagers de véhicules automatisés dans des conditions routières réelles. Ils ont ensuite introduit un ensemble de données multimodales, appelé TimelyTale, qui comprend des données de capteurs spécifiques aux passagers pour des explications opportunes et pertinentes au contexte.

« Nos recherches déplacent l'attention de XAI dans la conduite autonome des développeurs vers les passagers. Nous avons développé une approche pour recueillir les demandes réelles des passagers en matière d'explications à bord du véhicule et des méthodes pour générer des explications opportunes et pertinentes pour les passagers », explique le professeur Kim. .

Leurs résultats sont disponibles dans deux études publiées dans le Actes de l'ACM sur les technologies interactives, mobiles, portables et omniprésentes les 27 septembre 2023 et 9 septembre 2024. Les auteurs ont reçu le « Distinguished Paper Award » à l'UbiComp 2024 pour leur étude pionnière intitulée « Quoi et quand expliquer ? : Évaluation sur route des explications dans les véhicules hautement automatisés ».

Les chercheurs ont d’abord étudié l’impact de divers types d’explications visuelles, notamment la perception, l’attention et une combinaison des deux, ainsi que leur timing sur l’expérience des passagers dans des conditions de conduite réelles, en utilisant la réalité augmentée. Ils ont constaté que l'état de perception du véhicule améliorait à lui seul la confiance, la sécurité perçue et la conscience de la situation sans submerger les passagers. Ils ont également découvert que la probabilité des risques routiers était la plus efficace pour décider quand fournir des explications, en particulier lorsque les passagers se sentaient surchargés d'informations.

S'appuyant sur ces résultats, les chercheurs ont développé l'ensemble de données TimelyTale. Cette approche comprend des données extéroceptives (descriptives de l'environnement externe, telles que les images, les sons, etc.), proprioceptives (descriptives des positions et des mouvements du corps) et intéroceptives (descriptives des sensations corporelles, telles que la douleur, etc.), recueillies à partir de données les passagers utilisent une variété de capteurs dans des scénarios de conduite naturalistes, comme éléments clés pour prédire leurs demandes d'explication.

Notamment, ce travail intègre également le concept d'interruptibilité, qui fait référence au déplacement de l'attention des passagers des NDRT vers les informations liées à la conduite. La méthode a permis d'identifier efficacement à la fois le moment et la fréquence des demandes d'explications des passagers, ainsi que les explications spécifiques que les passagers souhaitent dans des situations de conduite.

En utilisant cette approche, les chercheurs ont développé un modèle d’apprentissage automatique qui prédit le meilleur moment pour fournir une explication. De plus, comme preuve de concept, les chercheurs ont mené une modélisation à l’échelle de la ville pour générer des explications textuelles basées sur différents lieux de conduite.

« Nos recherches jettent les bases d'une acceptation et d'une adoption accrues des véhicules autonomes, susceptibles de remodeler les transports urbains et la mobilité personnelle dans les années à venir », déclare le professeur Kim.