⚡ electrical engineering

Empirical Prediction of Pedestrian Comfort in Mobile Robot Pedestrian Encounters

Cette étude propose un prédicteur composite basé sur des données empiriques qui, en corrélant les variables cinématiques des interactions robot-piéton avec le confort subjectif, permet d'estimer le confort des piétons avec une précision significative pour intégrer leurs sentiments dans la planification de trajectoire des robots mobiles.

Auteurs originaux : Alireza Jafari, Hong-Son Nguyen, Yen-Chen Liu

Publié 2026-04-16

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Alireza Jafari, Hong-Son Nguyen, Yen-Chen Liu

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous marchez dans un couloir bondé et qu'un petit robot se dirige droit sur vous. Votre cœur rate un battement ? Vous vous écartez brusquement ? Ou vous continuez tranquillement votre chemin ?

C'est exactement la question que se posent les chercheurs de cette étude. Jusqu'à présent, les robots étaient formés uniquement à éviter les collisions (ne pas vous percuter). C'est comme conduire une voiture : le but est de ne pas entrer en collision avec les autres. Mais conduire, ce n'est pas seulement éviter les accidents, c'est aussi conduire de manière agréable et fluide pour les autres usagers.

Voici l'explication de cette recherche, simplifiée et imagée :

1. Le Problème : Le Robot "Maladroit"

Les robots actuels sont comme des danseurs qui ont appris les pas de base pour ne pas piétiner leurs partenaires, mais qui ne savent pas danser avec grâce. Ils respectent la sécurité physique, mais ils ignorent le confort émotionnel.

L'analogie : C'est comme si un inconnu passait à 10 centimètres de votre nez en courant. Techniquement, il ne vous a pas touché (sécurité objective), mais vous vous sentez menacé et mal à l'aise (inconfort subjectif).

2. L'Expérience : Le Robot et le Volontaire

Les chercheurs ont organisé un "bal" dans un couloir. Ils ont fait passer un robot (un petit véhicule agile) devant 32 volontaires humains.

Le robot a varié sa vitesse (lent comme une promenade, ou rapide comme un jogging).
Il a varié sa distance (passer très près ou rester loin).
Il a varié ses trajectoires (passer tout droit ou faire des courbes).
Après chaque passage, les humains ont donné une note de 1 à 5 sur leur niveau de confort (1 = "J'ai eu peur", 5 = "C'était super").

3. Les Découvertes : Qu'est-ce qui fait peur ?

Les chercheurs ont analysé les données comme des détectives pour trouver ce qui rend les humains nerveux. Ils ont découvert que ce n'est pas seulement la distance qui compte, mais une combinaison de facteurs :

La Vitesse : Plus le robot va vite, plus les gens sont stressés. C'est logique : un objet rapide qui arrive vers vous déclenche un instinct de survie.
La Distance Minimale : Passer trop près (moins de 0,5 mètre) crée de l'inconfort, un peu comme si quelqu'un entrait dans votre "bulle d'intimité".
Le "Temps de Collision" (PTTC) : C'est la découverte la plus intéressante. Imaginez que vous marchez vers un mur. Le "PTTC" est le temps qu'il vous reste avant de le heurter si vous ne changez pas de cap.
- L'analogie : Si un robot arrive et que vous avez l'impression qu'il va vous percuter dans 2 secondes, vous paniquez. S'il vous laisse 2 secondes de marge, vous vous détendez. Les chercheurs ont découvert que ce temps de marge est le meilleur indicateur de confort, même plus que la distance physique elle-même.
Les Courbes : Des mouvements trop brusques ou des virages trop serrés rendent les gens anxieux. Les humains préfèrent des mouvements fluides, comme une rivière qui coule, plutôt que des zigzags.

4. La Solution : Le "Météo-Prévisionneur" de Confort

Avant cette étude, les robots utilisaient une seule règle simple : "Garde 1 mètre de distance". C'est un peu comme conduire en regardant uniquement le pare-chocs de la voiture devant.

Les chercheurs ont créé un nouveau "cerveau" pour le robot (un prédicteur composite). Au lieu de regarder une seule chose, ce cerveau regarde tout en même temps :

La vitesse ?
La distance ?
Le temps avant collision ?
La courbe de la trajectoire ?

C'est comme un chef cuisinier qui ne se fie pas à une seule épice, mais qui équilibre le sel, le poivre, le sucre et l'acide pour créer un plat parfait.

Le résultat est bluffant :
Ce nouveau système est capable de deviner si un humain se sentira à l'aise avec une précision bien supérieure. Si le robot dit "C'est confortable", il a 4 fois plus de chances d'avoir raison que les anciennes méthodes. C'est comme passer d'un parieur amateur à un expert en poker.

5. Pourquoi est-ce important ?

À l'avenir, les robots vont être partout : dans les hôpitaux, les aéroports, les rues.

Sans cette étude : Les robots seront sûrs, mais ils seront des "intrus" maladroits qui nous font sursauter.
Avec cette étude : Les robots pourront planifier leurs trajets non pas seulement pour éviter les accidents, mais pour être des voisins polis. Ils sauront ralentir, s'écarter un peu plus ou faire une courbe douce pour nous laisser un sentiment de sécurité et de calme.

En résumé :
Cette recherche apprend aux robots à ne pas seulement être intelligents (ne pas percuter), mais aussi sympathiques (ne pas effrayer). C'est la différence entre un robot qui vous évite en vous bousculant, et un robot qui vous laisse passer avec le sourire.

1. Problématique

L'intégration des robots mobiles dans les espaces publics (trottoirs, hôpitaux, aéroports) soulève des défis au-delà de la sécurité objective (évitement de collisions). La littérature actuelle se concentre principalement sur la sécurité physique, négligeant souvent le confort subjectif et l'anxiété des piétons.

Défi principal : Quantifier le confort humain, qui dépend de facteurs émotionnels et psychologiques complexes, est difficile pour les algorithmes de planification de trajectoire.
Gaps de recherche : Bien que la distance minimale soit couramment utilisée, d'autres variables cinématiques (vitesse, distance latérale, temps de collision projeté, courbure) sont peu explorées dans le contexte des robots lents par rapport aux piétons.
Objectif : Établir une relation empirique entre les variables cinématiques de l'interaction robot-piéton et le confort subjectif rapporté, afin de créer des prédicteurs pour des robots socialement conformes.

2. Méthodologie

A. Variables Cinématiques Étudiées

Les auteurs ont sélectionné six variables objectives pour analyser leur corrélation avec le confort subjectif ( $S$ ) :

Vitesse du robot ( $v$ ) : Testée à deux niveaux constants (1,4 m/s et 2,8 m/s) pour pousser les réactions des piétons au-delà du bruit aléatoire.
Distance minimale ( $D_{min}$ ) : La distance euclidienne relative la plus courte entre le robot et le piéton.
Distance latérale ( $D_{lat}$ ) : La distance perpendiculaire au moment du dépassement.
Courbure maximale ( $\rho$ ) : La courbure maximale de la trajectoire du robot (inverse du rayon de courbure).
Temps de collision projeté minimal ( $T_p$ ou PTTC) : Le temps minimal estimé avant une collision potentielle, basé sur la vitesse relative.
Distance au moment du $T_p$ minimal ( $D_{TP}$ ) : Une nouvelle variable introduite dans cette étude.

B. Protocole Expérimental

Plateforme : Un robot mobile Agilex Scout Mini équipé d'une caméra de profondeur (StereoLabs Zedx), d'un LiDAR 3D et d'un LiDAR 2D pour la sécurité.
Environnement : Un couloir de 3,2 mètres de large.
Participants : 32 volontaires (22 hommes, 10 femmes), âgés de 23 à 41 ans.
Procédure : Chaque participant effectue 5 essais (soit tous à 1,4 m/s, soit tous à 2,8 m/s). Le robot approche le piéton, le dépasse et revient au centre. Les participants rapportent leur niveau de confort sur une échelle de Likert de 1 à 5 (1 = très dangereux, 5 = très confortable).
Analyse Statistique : Utilisation de la corrélation de distance (dCor) avec des tests de permutation (1000 itérations) pour gérer les variables ordinales (Likert) et détecter des relations non linéaires/non monotones sans hypothèse de normalité.

3. Contributions Clés

Analyse Empirique des Variables Négligées : Étude systématique de l'impact de variables cinématiques souvent ignorées (PTTC, courbure, distance latérale) sur le confort, au-delà de la simple distance minimale.
Développement de Prédicteurs de Confort : Conception de trois estimateurs binaires (Confortable = 4-5, Inconfortable = 1-3) :
- Estimateur basé sur la distance minimale ( $\hat{S}_d$ ) : Utilise uniquement $D_{min}$ .
- Estimateur basé sur le PTTC ( $\hat{S}_t$ ) : Utilise uniquement $T_p$ .
- Estimateur Composite ( $\hat{S}_E$ ) : Combine les six variables cinématiques via un système de pondération manuel basé sur l'observation visuelle des boîtes à moustaches.
Validation Statistique Rigoureuse : Comparaison des prédicteurs via des tests du Chi-deux, des matrices de confusion et des métriques de classification (Précision, Rappel, F1-Score, Odds Ratio).

4. Résultats

A. Corrélations Statistiques

L'analyse révèle que le Temps de Collision Projeté Minimal ( $T_p$ ) présente la corrélation la plus forte avec le confort subjectif ($dCor = 0.269, p = 0.002$), suivi par la vitesse et la distance minimale.

Vitesse : Une vitesse plus élevée réduit le confort.
Distance minimale : Un seuil critique semble exister autour de 0,5 m ; au-delà, le confort augmente puis se stabilise.
Courbure et Distance Latérale : Les corrélations sont faibles ou non significatives statistiquement, bien que des tendances visuelles (forme en U inversé) suggèrent l'existence d'une courbure optimale.

B. Performance des Prédicteurs

Le tableau comparatif (Table VII) montre la supériorité de l'approche composite :

Métrique	Composite ( $\hat{S}_E$ )	Distance Min ( $\hat{S}_d$ )	PTTC ( $\hat{S}_t$ )
Précision	0,674	0,495	0,337
Rappel (Sensibilité)	0,781	0,758	0,762
F1-Score	0,723	0,599	0,467
Odds Ratio	3,67	2,28	2,03

Interprétation de l'Odds Ratio : L'estimateur composite a un odds ratio de 3,67. Cela signifie que lorsque le modèle prédit qu'un piéton est à l'aise, il est presque 4 fois plus probable que le piéton soit réellement à l'aise par rapport au cas où le modèle ne le prédit pas.
Conclusion : L'estimateur composite surpasse les estimateurs basés sur une seule variable, démontrant que chaque variable capture un aspect distinct du confort, même en présence de colinéarité.

5. Limites

Biais d'échantillonnage : Les participants étaient des volontaires, ce qui a pu induire un biais positif (plus de familiarité avec les robots).
Contrôle à distance : Le robot était télé-opéré, ce qui peut différer des comportements d'un robot autonome.
Binning manuel : La création des seuils et des poids pour l'estimateur composite a été faite manuellement, ce qui peut masquer des motifs sous-jacents et limiter la puissance prédictive par rapport à une approche d'apprentissage automatique.
Vitesse limitée : Seuls deux niveaux de vitesse ont été testés.

6. Signification et Perspectives

Cette étude fournit un quantificateur de confort crucial pour les algorithmes de planification de trajectoire. En intégrant l'estimateur composite dans les fonctions de coût (par exemple, en apprentissage par renforcement), les robots peuvent générer des trajectoires qui maximisent non seulement la sécurité, mais aussi le confort subjectif des piétons.

Travaux futurs suggérés :

Extension à des environnements plus diversifiés et à des populations plus larges.
Intégration du prédicteur dans un cadre de planification autonome complet.
Utilisation de méthodes d'apprentissage automatique sur de grands jeux de données de trajectoires pour automatiser la dérivation des prédicteurs.

En résumé, ce papier démontre que le confort des piétons est multifactoriel et que l'utilisation combinée de variables temporelles (PTTC) et spatiales permet de prédire le confort humain avec une précision significativement supérieure aux méthodes traditionnelles basées uniquement sur la distance.