⚡ electrical engineering

A General Set-Based Framework for Cognitive State Estimation: Theory and Application to Conditionally Automated Driving

Cet article introduit un cadre basé sur les ensembles qui estime les états cognitifs humains (confiance, risque perçu et charge de travail) dans la conduite automatisée conditionnelle en traitant les incertitudes comme inconnues mais bornées, démontrant par une expérience de simulation qu'il surpasse les modèles probabilistes de référence pour prédire la dépendance humaine sans nécessiter de grands ensembles de données ou d'hypothèses de distribution.

Auteurs originaux : Sibibalan Jeevanandam, Neera Jain

Publié 2026-08-04

📖 9 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Sibibalan Jeevanandam, Neera Jain

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 de conduire une voiture capable de se diriger seule, mais seulement si vous êtes attentif. C'est le monde de la conduite automatisée de « Niveau 3 » : la voiture fait le plus gros du travail, mais le conducteur humain est le filet de sécurité, prêt à saisir le volant si les choses deviennent bizarres. Le gros problème ? Les humains sont complexes. Parfois, nous faisons trop confiance à la voiture et nous décrochons ; d'autres fois, nous paniquons et reprenons le contrôle trop tôt. Pour rendre ces voitures sûres, l'ordinateur doit savoir ce qui se passe dans la tête du conducteur — spécifiquement, à quel point il fait confiance à la voiture, à quel point il juge la situation risquée et quel est son niveau de stress. Ce domaine d'étude est appelé l'Interaction Homme-Automatisation. Pendant longtemps, les scientifiques ont essayé de deviner ces états mentaux en utilisant des mathématiques qui supposent que le comportement humain suit une « courbe en cloche » prévisible de hasard, comme des lancers de dés. Mais les humains ne sont pas des dés ; nous sommes désordonnés, et nous n'avons pas toujours assez de données pour lancer les dés suffisamment de fois pour connaître le modèle.

Ce document présente une nouvelle méthode ingénieuse pour deviner ce qu'un conducteur pense sans avoir besoin de connaître les « règles des dés ». Au lieu de deviner des probabilités, les chercheurs utilisent une approche « basée sur des ensembles ». Pensez à cela comme à un jeu de « Chaud ou Froid » joué avec une boîte qui rétrécit. Au lieu de dire : « Le conducteur a 70 % de chances d'être stressé », le système dit : « Le niveau de stress du conducteur se trouve certainement quelque part à l'intérieur de cette boîte spécifique ». À mesure que le conducteur interagit avec la voiture, la boîte devient plus petite et plus précise. Les chercheurs ont testé cela dans un simulateur de conduite avec 20 volontaires, en leur demandant de conduire pendant que la voiture prenait le relais. Ils ont constaté que cette méthode de la « boîte qui rétrécit » était meilleure pour prédire quand un conducteur reprendrait le volant que les méthodes traditionnelles de « lancer de dés », surtout lorsqu'il s'agit de regarder plus loin dans le futur.

L'histoire du document : Un détective avec une boîte qui rétrécit

Le Problème : Les « dés » ne roulent pas correctement
La plupart des tentatives précédentes pour lire dans l'esprit d'un conducteur reposent sur la probabilité. Elles supposent que si un conducteur est stressé, c'est comme lancer un dé où le « stress » apparaît 30 % du temps. Pour que cela fonctionne, vous avez besoin d'une quantité massive de données pour déterminer exactement comment le dé est lesté. Mais dans la vie réelle, vous n'avez pas des millions d'essais de conduite pour chaque personne. De plus, les pensées humaines ne suivent pas toujours des courbes lisses et nettes. Parfois, un conducteur peut être parfaitement calme jusqu'à ce qu'une zone de travaux apparaisse, puis soudainement, il est en état d'alerte. Les anciennes méthodes ont du mal avec ces sauts soudains et le manque de données.

La Nouvelle Idée : Borner l'Inconnu
Les auteurs, Sibibalan Jeevanandam et Neera Jain, proposent une stratégie différente. Au lieu de demander : « Quelle est la probabilité que le conducteur soit stressé ? », ils demandent : « Quel est l'éventail de possibilités qui correspond à ce que nous voyons ? »

Imaginez que vous essayiez de trouver un chat perdu dans une maison sombre.

L'Ancienne Méthode (Probabiliste) : Vous devinez que le chat a 80 % de chances d'être dans la cuisine, 15 % dans la chambre et 5 % dans le garage. Vous avez besoin de beaucoup de données passées sur l'endroit où les chats se cachent habituellement pour faire ces suppositions.
La Nouvelle Méthode (Basée sur des ensembles) : Vous ne devinez pas les probabilités. Au lieu de cela, vous dessinez une boîte autour de la cuisine. Vous dites : « Nous savons avec certitude que le chat est quelque part à l'intérieur de cette boîte ». À mesure que vous entendez un miaulement ou voyez une empreinte de patte, vous réduisez la boîte. Si le chat est définitivement dans la cuisine, la boîte se réduit à la cuisine seulement. Si vous entendez un miaulement dans le couloir, la boîte s'élargit pour inclure le couloir. Vous n'avez jamais besoin de connaître la « probabilité » de sa présence ; vous avez juste besoin de savoir que la boîte est assez grande pour attraper le chat, mais assez petite pour être utile.

Dans ce document, le « chat » est l'état mental du conducteur (Confiance, Risque perçu et Charge de travail). La « boîte » est un ensemble mathématique qui contient toutes les valeurs possibles pour ces états. Les chercheurs traitent les facteurs inconnus (comme les distractions soudaines ou les pensées non mesurées) comme étant « inconnus mais bornés ». Ils ne savent pas exactement à quel point l'esprit du conducteur s'égare, mais ils savent qu'il ne s'égarera pas hors de la planète. Ainsi, ils dessinent une boîte assez grande pour couvrir cet égarement, puis ils la réduisent à mesure qu'ils obtiennent de nouveaux indices.

Comment le Détective Fonctionne
Le système agit comme un détective résolvant un mystère de deux manières :

L'indice de l'« Auto-évaluation » : De temps en temps, on demande au conducteur : « À quel point faites-vous confiance à la voiture ? » ou « À quel point cela semble-t-il risqué ? ». Le conducteur répond sur une échelle (comme de 0 à 100). C'est un peu flou car le conducteur peut arrondir sa réponse ou être légèrement biaisé. Le système prend cette réponse et dessine un « ensemble réalisable » (une boîte) autour de celle-ci.
L'indice de la « Dépendance » : L'indice le plus important est ce que le conducteur fait. Ont-ils laissé la voiture conduire (dépendance = 1), ou ont-ils repris le volant (dépendance = 0) ? C'est un indice binaire : oui ou non. Le système utilise une carte spéciale (un arbre de décision) pour comprendre quels états mentaux mènent à quelle action. Par exemple, la carte pourrait dire : « Si la Confiance est élevée ET que le Risque est faible, le conducteur s'appuiera sur la voiture ».

En combinant ces indices, le système met à jour sa boîte. Si le conducteur dit « Je fais beaucoup confiance à la voiture » (Auto-évaluation) mais qu'il reprend immédiatement le volant (Dépendance), le système sait que quelque chose ne va pas avec sa boîte actuelle. Il réduit la boîte pour trouver un nouvel endroit où les deux indices concordent. Si la boîte devient vide (ce qui signifie qu'aucun état mental possible ne correspond aux indices), le système réalise que sa carte est erronée et redessine toute la carte en utilisant les nouvelles données.

L'Expérience : Le Test en Simulateur
Pour tester cela, les chercheurs ont placé 20 personnes dans un simulateur de conduite. La voiture était réglée sur une automatisation de Niveau 3, ce qui signifie qu'elle pouvait conduire seule, mais que le conducteur devait être prêt à prendre le relais. L'itinéraire comportait des « zones de travaux » (complexité élevée) et des routes normales (complexité faible).

Les conducteurs devaient décider de laisser la voiture conduire ou de conduire eux-mêmes.
Toutes les quelques minutes, ils s'arrêtaient à un feu rouge et répondaient à des questions sur leur confiance, le risque et la charge de travail.
Les chercheurs ont utilisé la première moitié du trajet pour « entraîner » le système (dessiner les cartes et les boîtes initiales) et la seconde moitié pour tester si le système pouvait deviner l'état du conducteur en temps réel.

Ce Qu'Ils Ont Trouvé
Les résultats étaient prometteurs. La méthode de la « boîte qui rétrécit » a bien fonctionné pour la plupart des gens :

Cohérence : Pour environ 80 % des participants, la boîte du système contenait avec succès l'état mental réel du conducteur au moins 75 % du temps. Pour quatre participants, elle était cohérente à 100 %.
Vitesse : Le système était rapide, calculant de nouvelles boîtes en environ 0,03 à 0,07 seconde, ce qui est beaucoup plus rapide que les intervalles de 1 seconde entre les points de données. Cela signifie qu'il pourrait fonctionner en temps réel dans une vraie voiture.
Pouvoir de Prédiction : La plus grande victoire fut la prédiction de l'avenir. Les chercheurs ont demandé : « Pouvons-nous deviner si le conducteur reprendra le volant dans 15, 30, 45 ou 60 secondes ? »
- La nouvelle méthode basée sur les ensembles était le meilleur prédicteur.
- À mesure que le temps de prédiction augmentait (par exemple, 60 secondes à l'avance), la nouvelle méthode devenait meilleure par rapport aux anciennes méthodes.
- La méthode traditionnelle du « filtre à particules » (la méthode probabiliste) s'est dégradée avec le temps. Les auteurs suggèrent que cela est dû au fait que les hypothèses de l'ancienne méthode concernant le « bruit » (le hasard) accumulent des erreurs au fil du temps, tandis que les « boîtes » de la méthode basée sur les ensembles restent serrées et précises en utilisant l'historique des actions du conducteur pour contraindre les possibilités.

Pourquoi C'est Important
Ce document suggère que nous n'avons pas besoin de connaître la « probabilité » exacte des pensées d'un humain pour construire des voitures automatisées sûres. Nous avons juste besoin de connaître les limites de ces pensées. En utilisant un cadre basé sur des ensembles, le système peut s'adapter aux conducteurs individuels, gérer des données désordonnées et prédire le comportement futur plus précisément que les méthodes actuelles. C'est une étape vers des voitures qui ne font pas que se conduire elles-mêmes, mais qui comprennent réellement l'humain assis à côté d'elles, ajustant leur comportement pour maintenir la sécurité de tous. Les auteurs notent que si cela fonctionne bien dans un simulateur, la prochaine étape est de voir si cela peut gérer le chaos de la conduite en conditions réelles et être utilisé pour ajuster automatiquement le niveau d'automatisation de la voiture afin de maintenir l'engagement du conducteur.

Résumé Technique : Un cadre général basé sur les ensembles pour l'estimation de l'état cognitif

Énoncé du problème
L'article traite du défi de l'estimation de l'état cognitif humain dans les contextes d'interaction homme-automatisation (HAI), plus précisément dans la conduite avec automatisation conditionnelle (SAE Niveau 3). L'automatisation critique actuelle nécessite que les conducteurs supervisent le système, mais les conducteurs souffrent souvent soit d'une surveillance excessive (charge de travail élevée), soit d'une confiance excessive (négligence de la vigilance). Les solutions existantes pour l'automatisation adaptative reposent sur l'estimation en temps réel de l'état cognitif, mais les approches dominantes dans la littérature sont probabilistes (par exemple, filtres de Kalman, filtres particulaires, POMDP). Ces méthodes nécessitent :

Des ensembles de données structurés et volumineux pour identifier les distributions de bruit (généralement gaussiennes).
Des mesures fréquentes et périodiques, alors que la conduite réelle implique une interaction continue avec des auto-évaluations éparses et asynchrones.
Se concentrent souvent uniquement sur la « confiance », négligeant d'autres facteurs critiques comme le risque perçu et la charge de travail.

Les auteurs soutiennent que la cognition humaine est influencée par de nombreux facteurs non mesurés, ce qui rend une caractérisation probabiliste de l'incertitude moins appropriée qu'une caractérisation par ensembles bornés.

Méthodologie
Les auteurs proposent un cadre basé sur les ensembles qui traite les incertitudes de processus et de mesure comme étant « inconnues mais bornées » plutôt que probabilistes. Le cadre fonctionne en deux phases : l'identification du système et l'estimation de l'état par ensembles.

Modélisation :
- Espace d'état : Le vecteur d'état cognitif $x$ comprend la Confiance ( $T$ ), le Risque Perçu ( $R$ ) et la Charge de Travail ( $W$ ), tous de valeurs continues dans $[0, 1]$ .
- Modèle de processus : Une équation de différence affine bornée décrit l'évolution de l'état : $x^+(k) = Ax(k) + Bu(k) + C + w(k)$ , où $u$ représente la complexité de la tâche et $w$ est le bruit de processus inconnu mais borné.
- Modèles de mesure :
  - Auto-évaluations : Mesures intermittentes et quantifiées (par exemple, échelle de 0 à 100) modélisées par $y(k) = Q(x(k) + z(k))$ , où $z$ est le bruit de mesure borné.
  - Reliance (Dépendance à l'automatisation) : Observations binaires ( $q \in \{0, 1\}$ ) indiquant si le conducteur utilise l'automatisation, modélisées via une fonction de constante par morceaux $h(x)$ .
Identification du système (Phase d'entraînement) :
- En utilisant un segment de données d'entraînement, les auteurs estiment les matrices du système ( $A, B, C$ ) en minimisant les erreurs de prédiction par rapport aux auto-évaluations.
- Bornes de bruit : Au lieu de supposer une distribution, les bornes de bruit ( $\epsilon_w, \epsilon_v$ ) sont estimées en imposant la conformité de l'ensemble atteignable (reachset conformance). Cela garantit que l'ensemble des états atteignables par le modèle sous un bruit borné contient toutes les auto-évaluations observées.
- Régions de reliance : Un arbre de décision binaire est ajusté pour identifier quels états cognitifs influencent la reliance et pour partitionner l'espace d'état en régions ( $S_i$ ) avec des probabilités associées.
- Identification par sous-espace : Les divisions de l'arbre de décision identifient un sous-espace spécifique d'états cognitifs qui influencent réellement la reliance pour un individu donné, permettant ainsi une réduction de la dimensionnalité.
Estimation de l'état par ensembles (Phase de test) :
- L'estimateur maintient une estimation par ensemble $X(k|k)$ des états cognitifs.
- Prédiction : L'ensemble est propagé vers l'avant d'un pas en utilisant le modèle identifié et le bruit borné.
- Mise à jour via la reliance : Lors de l'observation d'une reliance binaire ( $q$ ), l'ensemble prédit est intersecté avec l'ensemble d'états réalisables pour cette observation de reliance ( $X^R_q$ ). Pour améliorer la robustesse, l'estimateur peut traiter un bloc d'observations de reliance passées.
- Mise à jour via les auto-évaluations : Lorsqu'une auto-évaluation quantifiée arrive, l'ensemble est intersecté avec l'ensemble réalisable dérivé du rapport.
- Adaptation en ligne : Si l'intersection des ensembles devient vide (indiquant que le modèle ne contient plus l'état réel), le système déclenche une ré-estimation des paramètres en utilisant les données jusqu'à ce point.

Principales contributions

Première approche basée sur les ensembles : Il s'agit du premier cadre appliquant l'estimation d'état par ensembles aux états cognitifs humains dans une interaction homme-automatisation continue et non basée sur des essais.
Robustesse à la rareté des données : Le cadre évite le besoin de vastes ensembles de données pour caractériser les distributions de bruit, en s'appuyant sur l'incertitude bornée et la conformité de l'ensemble atteignable.
Estimation multi-états : Il estime simultanément la Confiance, le Risque Perçu et la Charge de Travail, là où les travaux antérieurs se concentraient souvent uniquement sur la confiance.
Identification de sous-espace individualisée : La méthode identifie quels états cognitifs spécifiques pilotent le comportement de reliance d'un individu, permettant une estimation ciblée.
Adaptabilité en ligne : L'inclusion d'un mécanisme de mise à jour de modèle en ligne permet au système de s'adapter lorsque les estimations de paramètres initiales ne parviennent pas à capturer de nouveaux comportements.

Résultats expérimentaux
Le cadre a été évalué à l'aide de données provenant de 20 participants dans un simulateur de conduite de fidélité moyenne avec une automatisation SAE Niveau 3.

Consistance : Pour 11 des 15 participants analysés, l'estimateur par ensembles a atteint au moins 75 % de consistance (l'ensemble estimé chevauchait l'état réel impliqué par les auto-évaluations). Quatre participants ont atteint 100 % de consistance.
Incertitude : L'incertitude moyenne (volume de l'ensemble estimé par rapport à l'espace d'état) variait de 0,42 % à 38,37 %, avec 10 participants atteignant une incertitude inférieure à 15 %.
Performance de prédiction : Les auteurs ont évalué les prédictions de reliance à $N_p$ $N_{p}$ étapes à l'avance ( $N_p \in \{15, 30, 45, 60\}$ $N_{p} \in {15, 30, 45, 60}$ pas de temps). L'estimateur par ensembles a systématiquement surpassé à la fois une ligne de base en boucle ouverte et un filtre particulaire (utilisant des hypothèses gaussiennes) en termes d'aire sous la courbe ROC (AUC-ROC).
- L'écart de performance s'est creusé aux horizons plus longs (par exemple, à $N_p=60$ , l'estimateur par ensembles a atteint un AUC moyen de 0,82 contre 0,76 pour le filtre particulaire).
- Les auteurs attribuent la dégradation du filtre particulaire à l'accumulation d'erreurs provenant d'hypothèses de bruit gaussien ad hoc, tandis que l'approche par ensembles exploite l'historique des observations de reliance par l'intersection récursive sans hypothèses de distribution.
Calcul : Le temps de calcul moyen de l'ensemble se situait entre 0,033 et 0,067 seconde, bien en dessous de l'intervalle d'échantillonnage de 1 seconde, confirmant le potentiel pour une mise en œuvre en temps réel.

Signification et revendications
L'article affirme que ce cadre permet aux systèmes d'automatisation d'être « continuellement conscients de l'état du conducteur humain et capables d'y répondre » sans nécessiter la collecte de données extensives ou les hypothèses de distribution typiques des méthodes probabilistes. En traitant l'incertitude comme bornée plutôt que probabiliste, l'approche est mieux adaptée à la nature éparse, asynchrone et quantifiée des données réelles de l'interaction homme-automatisation. Les auteurs positionnent ce travail comme un précurseur nécessaire au développement de véhicules automatisés véritablement adaptatifs et conscients de l'humain, capables d'intervenir en fonction des états cognitifs personnalisés (par exemple, en ajustant les délais de reprise de contrôle en fonction des niveaux de confiance). L'article conclut modestement, notant que des travaux futurs sont nécessaires pour déployer cela dans des politiques de contrôle en boucle fermée et pour incorporer des mesures supplémentaires pour une estimation complète de l'état.

L'histoire du document : Un détective avec une boîte qui rétrécit

Articles similaires