🤖 machine learning

NOVA: Symbolic Regression Discovery of Interpretable Car-Following and Lane-Change Models with Driver Heterogeneity

L'article présente NOVA, un cadre de régression symbolique autonome qui découvre des modèles compacts et interprétables de suivi de véhicule et de changement de voie à partir de données de trajectoires massives, surpassant de manière significative les bases de référence existantes en termes de précision de prédiction et de généralisation, tout en révélant des structures non linéaires robustes liées aux théories psychophysiques établies du comportement de conduite humaine.

Auteurs originaux : Ishak Abassi, Nassim Ali Bouazzouni, Farah Ibelaiden, Nadir Farhi

Publié 2026-06-10

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Ishak Abassi, Nassim Ali Bouazzouni, Farah Ibelaiden, Nadir Farhi

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 essayez d'apprendre à un robot comment conduire une voiture. Depuis des décennies, des scientifiques tentent de le faire en écrivant des règles strictes basées sur leurs propres théories, comme « si la voiture devant est proche, freine fort ». Mais les conducteurs humains sont désordonnés, émotifs et imprévisibles. Ils ne suivent pas toujours les règles que nous pensons qu'ils devraient suivre.

Ce document présente NOVA, un nouveau genre de « détective scientifique » qui ne devine pas les règles. Au lieu de cela, il observe des millions de vidéos de conduite réelles et tente de découvrir la mathématique cachée qui décrit comment les humains se comportent réellement. Voyez cela comme un chef qui ne suit pas un livre de recettes, mais qui goûte des milliers de plats pour découvrir l'ingrédient secret exact qui les rend délicieux.

Voici ce que NOVA a découvert, expliqué simplement :

1. L'effet « Éponge » des différences de vitesse

La découverte la plus importante est une forme mathématique spécifique appelée tangente hyperbolique (ou tanh).

L'analogie : Imaginez une éponge. Quand vous la pressez doucement, elle s'écrase un peu. Quand vous la pressez fort, elle s'écrase beaucoup. Mais une fois qu'elle est complètement compressée, peu importe la force avec laquelle vous la pressez, elle ne peut pas devenir plus petite.
La découverte : NOVA a découvert que les conducteurs réagissent à la différence de vitesse entre eux et la voiture de devant exactement comme cette éponge. Si la voiture de devant est légèrement plus rapide ou plus lente, le conducteur ajuste doucement. Mais si la différence de vitesse devient énorme, la réaction du conducteur atteint un « plafond ». Ils ne freinent pas infiniment plus fort ; ils atteignent une limite maximale. Les modèles précédents supposaient que les conducteurs réagissaient de manière linéaire (plus la différence de vitesse est grande = proportionnellement plus de freinage), mais NOVA a prouvé que les humains ont une limite de réaction de type « éponge ».

2. Le signal de sécurité de l'« Évidence Optique » (Optical Looming)

NOVA a également découvert que les conducteurs utilisent un tour visuel spécifique pour éviter les collisions, ce que les scientifiques appellent l'« évidence optique » (ou optical looming).

L'analogie : Pensez à une mouche qui vole vers votre visage. À mesure qu'elle s'approche, elle ne fait pas que grandir ; elle semble s'étendre de plus en plus vite dans votre champ de vision. Cette expansion rapide est le signal de l'« évidence ».
La découverte : NOVA a découvert que les conducteurs utilisent ce « taux d'expansion » (la vitesse à laquelle la voiture de devant semble grandir dans leur pare-brise) pour décider quand freiner ou changer de voie. Cela n'a pas été programmé dans l'ordinateur ; l'ordinateur l'a trouvé de lui-même. Il s'avère que ce même signal visuel est utilisé tant pour le freinage (suivi de véhicule) que pour le changement de voie, agissant comme une alarme de danger universelle pour le cerveau humain.

3. Le curseur de la « Personnalité du Conducteur »

Les chercheurs ont réalisé que tous les conducteurs ne sont pas les mêmes. Ils ont créé un « curseur de personnalité » pour mesurer l'agressivité d'un conducteur.

L'analogie : Imaginez un bouton de volume sur une chaîne hi-fi. Certains conducteurs ont le volume poussé au maximum (agressifs), d'autres sont à un niveau moyen (normaux), et d'autres l'ont baissé très bas (conservateurs).
La découverte : NOVA a découvert que si la règle de base de l'« éponge » s'applique à tout le monde, le volume de la réaction change selon la personnalité. Les conducteurs agressifs poussent le volume, réagissant plus intensément aux différences de vitesse, tandis que les conducteurs conservateurs le gardent bas. L'ordinateur pouvait prédire cette personnalité simplement en observant leur façon de conduire.

4. Le puzzle du « Changement de Voie »

L'équipe a également demandé à NOVA de comprendre pourquoi les gens changent de voie.

L'analogie : Changer de voie, c'est comme décider si l'on saute d'un train en mouvement à un autre. Vous devez savoir si l'écart est assez grand et si l'autre train arrive trop vite.
La découverte : NOVA a construit un modèle qui prédit bien mieux les changements de voie que les anciens modèles standards (qui n'avaient raison que dans environ 37 % des cas). NOVA a réussi environ 67 % du temps. Il a découvert que les conducteurs sont très sensibles à l'inverse de l'écart (c'est-à-dire que plus la voiture est proche, plus le risque est exponentiellement élevé).
La limite : Cependant, l'article note un plafond. Même NOVA peine à prédire pourquoi un conducteur choisit de rester dans sa voie plutôt que de changer, surtout lorsque la situation est ambiguë. Il semble que regarder seulement un instantané dans le temps ne suffit pas pour comprendre toute l'histoire d'un changement de voie ; il faut voir l'historique de ce qui s'est passé quelques secondes auparavant.

5. Le « Traducteur Universel »

Enfin, l'équipe a testé si ces règles fonctionnent dans différents endroits.

L'analogie : Si vous apprenez une langue à New York, pouvez-vous la parler à Los Angeles sans devoir la réapprendre ?
La découverte : Oui. Les règles mathématiques que NOVA a trouvées sur une autoroute (l'I-80) fonctionnaient presque parfaitement sur une autoroute complètement différente (l'US-101) sans aucun ajustement. Cela prouve que la réaction en « éponge » et le signal de danger de l'« évidence » sont des parties fondamentales de la conduite humaine, et non des particularités d'une route spécifique.

Résumé

En bref, NOVA est un outil qui a éliminé les biais humains et a découvert que la conduite humaine est régie par des mathématiques simples et découvrables :

Nous réagissons aux différences de vitesse comme une éponge (avec une limite).
Nous observons l'expansion de la voiture de devant pour juger du danger.
Nous avons des curseurs de personnalité qui augmentent ou diminuent nos réactions.
Ces règles fonctionnent partout, quel que soit l' साथ de l'autoroute.

L'article conclut que, bien que nous ne puissions pas encore prédire parfaitement chaque changement de voie, nous avons enfin trouvé la « grammaire » fondamentale du comportement de conduite humaine.

Résumé Technique : NOVA – Découverte par régression symbolique de modèles interprétables de suivi de véhicule et de changement de voie

1. Énoncé du problème

L'article traite du défi consistant à découvrir des structures mathématiques interprétables et compactes décrivant le comportement de conduite humain à partir de données de trajectoire brutes. Alors que les modèles classiques de suivi de véhicule (par exemple, IDM, Krauss) imposent des formes fonctionnelles fixes déterminées par les chercheurs plutôt que par les données, et que les approches d'apprentissage profond offrent une haute précision prédictive mais manquent d'interprétabilité (agissant comme des « boîtes noires »), il subsiste un fossé pour une méthode capable de récupérer de manière autonome des équations symboliques sans priors structurels.

Le problème scientifique spécifique est de déterminer si les comportements humains de suivi de véhicule et de changement de voie contiennent une structure symbolique de faible complexité qui peut être récupérée à partir de données de trajectoire bruitées et de haute dimension (spécifiquement l'ensemble de données NGSIM) sans supposer à l'avance des formes fonctionnelles spécifiques (par exemple, linéaires, polynomiales ou des fonctions de saturation spécifiques).

2. Méthodologie

2.1. Le cadre NOVA

NOVA est un cadre de régression symbolique autonome implémenté en Rust pour une exécution performante et déterministe. Contraى aux approches de programmation génétique stochastiques, NOVA emploie une recherche combinatoire exhaustive déterministe sur une bibliothèque bornée de structures algébriques.

Espace de recherche : Le moteur évalue plus de 10 000 structures algébriques candidates dérivées d'un ensemble fondamental d'atomes cinématiques primitifs (vitesse $v$ , vitesse du leader $v_l$ , accélération $a_l$ , vitesse relative $\Delta v$ , écart) et de leurs homologues temporels décalés.
Contraintes : La recherche est restreinte à des degrés polynomiaux $\le 2$ pour éviter le surapprentissage du bruit des capteurs et pour s'aligner sur les principes cinématiques physiques. Crucialement, aucun modèle structurel hérité (par exemple, le terme de route libre de l'IDM) n'est injecté comme prior. Les métriques cognitives de haut niveau comme l'intervalle de temps (THW) ou le temps avant collision (TTC) ne sont pas pré-inclus ; le moteur doit les synthétiser à partir de primitifs (par exemple, découvrir $gap/v$).
Optimisation : Les coefficients sont calculés via des moindres carrés ordinaires (OLS) en forme close en utilisant la décomposition en valeurs singulières (SVD) pré-factorisée pour la stabilité.

2.2. Données et prétraitement

L'étude utilise 4 765 788 observations de conduite actives provenant des ensembles de données NGSIM I-80 et US-101.

Filtrage : Des filtres de qualité stricts éliminent le coasting/ralenti ( $|a| < 0,2$ m/s²) et les cinématiques hors limites.
Lissage : Pour atténuer le jitter de suivi de 10 Hz (qui cause des pics d'accélération non physiques lors de la double différenciation), deux pipelines de prétraitement complémentaires sont utilisés :
1. Pipeline R : Moyenne mobile (centrée sur 15 cadres) avec une cible décalée de 0,8 s vers l'avant.
2. Pipeline S : Filtre Savitzky–Golay (ordre 3, fenêtre 15) avec une cible de moyenne de 1,0 s.
Protocole d'évaluation : Un maintien (holdout) par ID de véhicule 80/20 est strictement appliqué pour garantir la généralisation à des conducteurs non vus plutôt que la mémorisation de trajectoires spécifiques.

2.3. Processus de découverte

La découverte suit une « cascade de résidus » multi-étapes :

Phase 1 (Loi Globale) : Découverte de la structure primaire à partir des données brutes.
Phase 2 (Hétérogénéité) : Modélisation de la personnalité du conducteur (agressivité) et des régimes de vitesse (stop-and-go, transition, flux libre).
Phase 3 (Résidus) : Une seconde recherche sur les résidus de la Phase 2 pour identifier les signaux structurels restants (par exemple, l'évitement de collision).

3. Contributions clés et résultats

3.1. Suivi de véhicule : L'ossature invariante

La découverte principale est que la tangente hyperbolique de la vitesse relative, $\tanh(\Delta v)$ , est le terme invariant et dominant dans le suivi de véhicule humain.

La Loi de Rang 4 : Le modèle le mieux classé est une équation à deux termes : $\hat{a} = -0,468 + 1,266 \tanh(\Delta v) + 0,194 \text{THW}$ .
Interprétation : Le terme $\tanh(\Delta v)$ capture une réponse bornée et saturante à la vitesse relative. Pour de faibles vitesses relatives, la réponse est linéaire ; pour des vitesses élevées, l'accélération sature à $\approx \pm 1,266$ m/s², ce qui est cohérent avec les principes psychophysiques de Weber–Fechner. Cette structure n'était pas présente dans les modèles antérieurs (par exemple, l'OVM applique la saturation à l'espacement, pas à la vitesse de rapprochement).
Robustesse : Cette ossature a été récupérée indépendamment à travers huit configurations expérimentales différentes (variations de pipelines, d'horizons, de populations de conducteurs et de timings de caractéristiques), confirmant qu'il ne s'agit pas d'un artefact de prétraitement.
Hétérogénéité des conducteurs : Un indice d'agressivité continu ( $\kappa$ ) dérivé d'un modèle de mélange gaussien (GMM) module le coefficient de $\tanh(\Delta v)$ . Les conducteurs agressifs montrent une réponse plus forte à la vitesse relative, particulièrement dans le régime de vitesse de « transition ».
Découverte des résidus (TTC) : Une seconde recherche sur les résidus a identifié $\tanh(\text{TTC})$ comme le terme dominant restant. Cela relie la découverte basée sur les données à la théorie $\tau$ de Lee sur l'imminence visuelle (optical looming), fournissant une formulation bornée du risque de collision sans fournir explicitement de modèles de flux optique comme priors.

3.2. Modélisation du changement de voie

NOVA a été étendu à un cadre de Logit Multinomial (MNL) pour découvrir les fonctions d'utilité de changement de voie.

Performance : Le modèle découvert à 16 caractéristiques a atteint une exactitude équilibrée de 67,4 % sur 502 conducteurs non vus sous un maintien strict par ID de véhicule. Cela surpasse la ligne de base MOBIL standard (37,6 %) de +29,8 points de pourcentage et la ligne de base MNL conçue à la main d'environ 17 pp.
Structure : Les fonctions d'utilité sont déconnectées directionnellement. Les caractéristiques clés incluent l'inverse de l'écart ($1/gap$) et l'inverse du temps avant collision ( $1/\text{TTC}$ ), confirmant que l'imminence visuelle est un signal de sécurité partagé entre les décisions longitudinales (freinage) et latérales (changement de voie).
Limites : L'augmentation des caractéristiques (ajout de physiques d'acceptation de l'écart plus complexes) et le renforcement des résidus n'ont pas réussi à améliorer l'exactitude hors-conducteur. L'article identifie un plafond structurel pour les caractéristiques cinématiques à instantané unique dans la distinction entre les décisions « Rester » vs « Changer », suggérant que les travaux futurs nécessiteront des caractéristiques d'historique temporel.

3.3. Transfert inter-sites

Les opérateurs symboliques découverts ont démontré une transférabilité zero-shot entre les sites I-80 et US-101.

Le transfert du modèle entraîné sur un site vers l'autre n'a entraîné qu'une perte de seulement 2,5 à 2,8 points de pourcentage de $R^2$ , récupérant 97 à 99 % de la performance de l'oracle local. Cela indique que les structures découvertes sont des propriétés de la conduite sur autoroute humaine plutôt que des ajustements spécifiques à un jeu de données.

4. Résultats et benchmarks

Précision du suivi de véhicule : Sous le Pipeline S (Savitzky–Golay), NOVA a atteint une RMSE = 1,376 m/s² ( $R^2 = 15,57 \%$ ), surpassant la meilleure ligne de base de régression symbolique recalibrée (SR-LLM) de 0,135 m/s² en RMSE sous un protocole identique.
Comparaison avec les modèles classiques : Les modèles classiques comme l'IDM et le Krauss ont mal performé sur les instantanés empiriques (IDM $R^2 = -68 \%$ sur le Pipeline R) car leurs formes fonctionnelles fixes ne correspondent pas à la dynamique d'accélération instantanée des données NGSIM.
Stabilité de la simulation :
- Boucle ouverte : Avec une priorité de sécurité (TTC < 1,5s), la loi à 3 passages a présenté un taux de collision de 2,5 % sur des horizons de 30 secondes, surpassant l'IDM calibré en erreur de vitesse sur long horizon.
- Stabilité de la file (String Stability) : Une simulation de peloton de 13 véhicules a produit un ratio de stabilité $\Lambda = 1,064$ et une vitesse d'onde arrière de 35,4 m/s, correspondant aux observations empiriques des ondes stop-and-go de NGSIM. Cette stabilité est une propriété émergente, et non une contrainte de conception.

5. Signification et affirmations

L'article affirme que NOVA démontre avec succès que la régression symbolique autonome peut récupérer des régularités structurelles interprétables à partir de données comportementales humaines bruitées.

Découverte scientifique : Le cadre a identifié de manière autonome la non-linéarité $\tanh(\Delta v)$ et le signal d'imminence visuelle $\tanh(\text{TTC})$ sans que ces formes fonctionnelles ne soient fournies comme priors. Cela suggère que le comportement de conduite humaine contient une structure symbolique de faible complexité qui était auparavant obscurcie par les hypothèses fixes des modèles classiques.
Convergence de la théorie et des données : La découverte par les données de l'imminence visuelle (TTC) dans les contextes de suivi de véhicule et de changement de voie fournit une preuve empirique à grande échelle soutenant la théorie $\tau$ de Lee, unifiant les signaux de sécurité longitudinaux et latéraux.
Rigueur méthodologique : En imposant des maintien par ID de véhicule, des pipelines de prétraitement multiples et des tests de transfert zero-shot, l'article soutient que les structures découvertes sont des invariants comportementaux robustes plutôt que des artefacts statistiques ou des surajustements à des jeux de données spécifiques.
Limites reconnues : Les auteurs notent modestement que le modèle est spécifique au suivi d'écart sur autoroute (échouant sur les données d'intersections urbaines), que la discrimination de changement de voie est limitée par les restrictions des caractéristiques à instantané unique, et que les résultats sont actuellement limités aux données d'autoroutes américaines de 2005.

En conclusion, NOVA présente un changement de paradigme : passer de la calibration de modèles fixes à la découverte d'équations interprétables, révélant que le comportement de conduite humaine est régi par des réponses bornées et saturantes à la vitesse relative et à l'imminence visuelle, qui peuvent être mathématiquement récupérées à partir de données brutes.