Multimodal Driver Visual Load Assessment and Prediction under Dynamic Lighting Environments Using RaceGrid-OPTICS and WA-PSRSMformer
Cette étude propose un cadre multimodal qui intègre les données de mouvement oculaire, d'illumination et de vitesse du véhicule à un nouvel algorithme de regroupement RaceGrid-OPTICS et à un modèle d'apprentissage profond WA-PSRSMformer pour évaluer et prédire avec précision la charge visuelle du conducteur sous des conditions d'éclairage dynamiques, atteignant une précision de 90,13 % dans les environnements de tunnels.
Article original sous licence CC BY 4.0 (https://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
Conduire est un acte de négociation constante entre l'esprit humain et la route. Pour la plupart d'entre nous, cette négociation se déroule sans pensée consciente, mais elle repose largement sur un sens : la vue. Lorsque la lumière change soudainement — passant d'une autoroute ensoleillée et éclatante à l'intérieur sombre d'un tunnel, ou en conduisant sur une section de route où les ombres des arbres scintillent rapidement sur le pare-brise — les yeux et le cerveau doivent travailler intensément pour s'adapter. Cette demande soudaine d'informations visuelles crée un état connu sous le nom de charge visuelle. Il s'agit de l'effort mental requis pour traiter ce que les yeux voient. Lorsque cette charge devient trop lourde, la capacité d'un conducteur à remarquer les dangers, à reconnaître les formes et à réagir aux menaces peut faiblir, transformant un trajet de routine en un risque potentiel. Bien que nous sachions que ces variations de luminosité sont dangereuses, comprendre exactement quelle charge mentale elles imposent à un conducteur en temps réel est resté difficile à mesurer.
Une équipe de chercheurs de l'Université de Chang'an a développé une nouvelle façon de scruter cet effort mental invisible. Ils ont entrepris de construire un système capable non seulement de mesurer la charge visuelle d'un conducteur au moment même où elle se produit, mais aussi de prédire quand elle est sur le point de grimper en flèche, tout en circulant dans un environnement de lumière changeante et complexe. Pour ce faire, ils sont allés au-delà des environnements contrôlés et artificiels des simulateurs de conduite pour mener leur expérience sur de vraies routes. Ils ont recruté dix conducteurs et équipé une berline standard d'une suite de capteurs : une caméra portable pour suivre où le conducteur regardait et comment ses pupilles réagissaient, une caméra de tableau de bord pour enregistrer la route devant soi, et un luxmètre pour mesurer la luminosité exacte de l'environnement. Les conducteurs ont parcouru trois scénarios distincts : une longue route droite avec une lumière constante, une section ombragée où la lumière du soleil scintillait à travers les arbres, et un tunnel où la lumière passait brusquement de la pleine lumière du jour à l'obscurité, puis revenait à la clarté.
Les chercheurs ont collecté une quantité massive de données, synchronisant les mouvements oculaires des conducteurs avec les changements de lumière et la vitesse de la voiture. Ils se sont concentrés sur des signaux biologiques spécifiques, tels que la taille des pupilles et la rapidité de leur changement, ainsi que sur l'endroit où le regard était fixé et la fréquence de ses sauts vers de nouveaux points. Ces signaux sont la réaction honnête du corps face à la charge de travail du cerveau ; lorsque les yeux peinent à s'adapter à un changement soudain de luminosité, les pupilles et les schémas de regard se modifient de manière prévisible. Cependant, transformer ce flux brut de chiffres en une image claire de « charge élevée » ou de « charge faible » est un puzzle complexe. L'équipe a d'abord utilisé une méthode sophistiquée pour regrouper des motifs similaires, enseignant ainsi à un ordinateur à reconnaître la différence entre une conduite détendue et une conduite stressante sans dépendre de règles préétablies. Ils ont constaté que cette approche pouvait classer avec succès les données en cinq niveaux distincts de charge visuelle, allant du calme à une tension extrême.
Une fois que le système a pu identifier ces états, les chercheurs se sont attaqués à la tâche plus difficile de la prédiction. Ils voulaient savoir si le système pouvait analyser les données actuelles et deviner quelle serait la charge visuelle du conducteur quelques instants plus tard. Ils ont testé plusieurs modèles informatiques différents, incluant certains performants pour détecter des motifs dans les images et d'autres conçus pour mémoriser des séquences d'événements au fil du temps. L'approche la plus réussie fut un type de modèle d'intelligence artificielle connu sous le nom de « Transformer », qui est particulièrement efficace pour comprendre comment un événement mène à un autre dans une séquence longue. Pour améliorer encore ce modèle pour le défi spécifique de la conduite, l'équipe a ajouté trois améliorations clés. Premièrement, ils lui ont appris à accorder une attention particulière aux moments rares de stress élevé, qui surviennent moins souvent que la conduite calme mais sont les plus critiques à détecter. Deuxièmement, ils ont rationalisé son traitement interne afin qu'il puisse gérer de longues séquences de données de conduite sans être entravé par des calculs inutiles. Enfin, ils ont optimisé son utilisation de la mémoire, permettant de fonctionner efficacement sur du matériel que l'on pourrait trouver dans une véritable voiture.
Les résultats de ces tests en conditions réelles ont été frappants. Dans l'environnement le plus exigeant — le tunnel, où la lumière change brusquement — le nouveau système a prédit la charge visuelle du conducteur avec une précision de plus de 90 %. C'était nettement supérieur aux autres modèles testés, qui peinaient à suivre les changements rapides. Le système était également remarquablement efficace, traitant les données en une fraction du temps requis par les anciens modèles, un facteur crucial pour toute technologie devant fonctionner instantanément dans un véhicule en mouvement. L'étude a confirmé que la combinaison des données de suivi oculaire, des mesures de lumière et de la vitesse du véhicule offre une image complète du stress du conducteur. Elle a montré que si les routes rectilignes sont généralement faciles à prédire, les moments d'entrée et de sortie d'un tunnel créent les demandes visuelles les plus complexes, poussant souvent les conducteurs vers des états de charge élevée que le système peut détecter et anticiper.
Ce travail ne propose pas seulement un moyen de mesurer le stress ; il offre un plan directeur pour un avenir plus sûr. En comprenant exactement comment les conditions d'éclairage sollicitent la vision d'un conducteur, les ingénieurs peuvent concevoir de meilleurs systèmes d'alerte qui avertissent les conducteurs avant qu'ils ne soient dépassés. Le système a prouvé qu'il est possible de surveiller la charge mentale invisible de la conduite en temps réel, en utilisant les réactions naturelles de l'œil humain. À mesure que les routes deviennent plus complexes et que les systèmes de conduite autonome assument davantage de responsabilités, disposer d'un moyen fiable de jauger la capacité de l'élément humain à voir et à réagir sera essentiel. Les chercheurs ont démontré qu'avec les bons outils, nous pouvons voir le fardeau invisible de la route et, ce faisant, peut-être prévenir les accidents qui surviennent lorsque ce fardeau devient trop lourd à porter.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.