Le modèle d'IA identifie les sources de stress du conducteur, ouvrant la voie aux assistants de conduite intelligents

En 2024, 1 040 accidents ont été enregistrés sur des routes espagnoles, en plus des collisions mineures et d'autres problèmes de conduite. Les causes de ces accidents comprennent la vitesse, les conditions météorologiques défavorables et la toxicomanie, mais aussi la distraction et les situations stressantes qui peuvent être atténuées en améliorant la conception des infrastructures, des technologies pour aider les conducteurs et les politiques de sécurité routière.

Une étude dans laquelle l'universitat Oberta de Catalunya (UOC) a participé à des analyses comment les éléments visuels influencent les niveaux de stress des conducteurs et identifie les facteurs qui affectent négativement l'expérience de conduite. Ses résultats ouvrent la voie au développement d'assistants de conduite intelligents et à la planification des rues de la ville avec moins de déclencheurs de stress.

Publié dans Transactions IEEE sur l'informatique affectivel'article « Analyser la scène de la route visuelle pour l'estimation du stress des conducteurs » présente les conclusions d'un projet de recherche dirigé par Cristina Bustos, chercheur du groupe d'intelligence artificielle pour le bien-être humain (AIWELL), qui est affilié à l'unité de recherche de l'UOC sur la santé, la santé et le bien-être de l'UOC.

La recherche a également impliqué des professeurs de la Faculté de l'informatique de l'UOC, du multimédia et des télécommunications, à Gata Lapedriza, chercheur principal d'Aiwell, et Albert Sole, chercheur COSIN3. Javier Borge, leader du Group de systèmes complexes (Cosin3) a également contribué au projet, avec Neska Elhaouij et Rosalind Picard, des chercheurs du laboratoire de médias du Massachusetts Institute of Technology (MIT).

L'importance du paysage routier comme facteur de stress

Les choses que nous voyons sur les routes et les zones qui les entourent sont un facteur clé dans les accidents de la circulation et influencent considérablement le bien-être et la santé de ceux qui utilisent leurs voitures quotidiennement. Ainsi, aborder les causes du stress parmi les conducteurs a été au cœur d'un certain nombre d'études ces dernières années.

La recherche effectuée par l'UOC analyse ces facteurs, en tenant compte uniquement des données visuelles, en ignorant les signaux physiologiques, l'analyse faciale ou les enregistrements de manœuvres de véhicules. C'est la première fois qu'une étude de cette nature se concentre uniquement sur l'aspect visuel.

« Jusqu'à présent, nous n'avons pas pris en compte que nous conduisons dans un contexte visuel et que les conditions dans le cadre urbain sont importantes car elles affectent le niveau de stress du conducteur. Notre étude est la première à analyser le contexte visuel du paysage urbain en tant que source supplémentaire de données pour estimer le stress », a déclaré l'expert.

L'équipe UOC a utilisé un modèle d'IA qui évalue simultanément les conditions de la circulation, la présence de piétons et les caractéristiques de l'environnement urbain dans des contextes réels pour mener une étude à grande échelle du paysage visuel.

Plusieurs modèles d'apprentissage automatique avec différents niveaux de complexité ont été utilisés. Ils comprenaient des machines de vecteur de support (SVM) et des réseaux de neurones convolutionnels (CNNS), qui ont analysé les images individuelles, et les réseaux de segments temporels (TSN), qui ont évalué les vidéos.

« Notre approche étudie le contexte de la route, analyse comment l'environnement de conduite affecte le stress du conducteur et aide à le prédire. Nous avons démontré empiriquement que l'analyse de l'environnement visuel fournit des informations contextuelles précieuses sur l'environnement routier, comme la densité de circulation, le paysage urbain et la présence de piétons », a déclaré Bustos.

« Ces informations complètent d'autres sources de données et sont essentielles pour une meilleure compréhension des facteurs qui influencent les niveaux de stress et comment la conception urbaine peut avoir un impact sur la sécurité routière. Notre étude démontre, pour la première fois, ce contexte est une source importante d'informations qui peuvent être traitées », a-t-elle ajouté.

Les piétons, les autres véhicules et les panneaux routiers génèrent du stress

L'équipe de l'UOC a conclu que le contexte visuel de la route joue un rôle fondamental dans la caution du stress du conducteur et a pu déterminer quels éléments spécifiques influencent le plus l'expérience de conduite.

L'analyse du modèle d'IA a révélé que la présence de piétons et de véhicules en mouvement (en particulier les plus grandes telles que les camions) fait partie des facteurs qui génèrent la plupart des stress. Les éléments urbains qui peuvent distraire les conducteurs, tels que des signes, des affiches publicitaires et des passages piétonnes.

« Tous ces éléments influencent considérablement les niveaux de stress élevés des conducteurs étudiés, en augmentant la complexité de l'expérience et leur charge cognitive », a expliqué Bustos.

Applications pratiques potentielles

Ces résultats peuvent servir de guide à la conception des infrastructures urbaines et des politiques visant à réduire les facteurs induisant le stress. Par exemple, ils pourraient être à la base des améliorations de la signalisation, des systèmes de gestion du trafic dans les zones congestionnées ou de la conception d'intersections plus sûres.

« En identifiant quels éléments sont les plus stressants, les planificateurs urbains et les autorités de la circulation peuvent prendre des mesures pour atténuer ces effets, contribuant à une plus grande sécurité routière », a déclaré Bustos.

Il est également possible de développer des systèmes d'aide au conducteur qui peuvent surveiller l'environnement en temps réel et alerter le conducteur ou activer les mécanismes de sécurité lorsque des conditions potentiellement stressantes sont détectées.

« Pour le moment, il n'y a pas de plans immédiats pour l'application pratique de l'étude, car elle a été menée avec un nombre limité de moteurs. Cependant, les résultats fournissent une base prometteuse pour la recherche continue dans ce domaine et explorant son application aux systèmes d'aide au conducteur », a déclaré Bustos.

Les prochaines étapes de cette ligne de recherche consistent à étendre et à diversifier les données, à explorer des modèles multimodaux qui intègrent d'autres types de données non invasives (telles que des informations sur le véhicule) et affiner les techniques d'interprétation de l'IA pour mieux comprendre les mécanismes sous-jacents à la contrainte.