Learning Pedestrian Failure-to-yield Maneuver Patterns from Fatal Crash Data: Evidence from Explainable AutoML

Chaque jour, des millions de personnes descendent du trottoir pour traverser la rue, faisant confiance au fait que les conducteurs les verront et s'arrêteront. Pourtant, dans les villes des États-Unis, cette confiance est fréquemment rompue. Lorsqu'un piéton traverse sans attendre une ouverture sécurisée ou ignore un signal, et qu'un véhicule ne cède pas le passage, le résultat est souvent tragique. Ces incidents de « défaut de priorité » ne sont pas des accidents aléatoires ; ils suivent des schémas spécifiques basés sur l'endroit où se trouve la personne, l'heure de la journée et qui est au volant. Depuis des décennies, les experts en sécurité tentent de comprendre ces moments en examinant manuellement les rapports de police ou en visionnant des séquences vidéo, mais ces méthodes sont lentes et peinent à gérer le volume massif de données disponibles aujourd'hui. La question demeure : pouvons-nous utiliser les archives massives de dossiers de circulation pour découvrir les règles cachées qui régissent ces interactions dangereuses, et pouvons-nous le faire d'une manière qui explique pourquoi un accident s'est produit, et pas seulement qu'il a eu lieu ?

Une équipe de chercheurs de l'Université d'État du Texas s'est donné pour mission de répondre à cette question en se tournant vers un nouveau type d'intelligence informatique. Ils ont rassemblé des données provenant du Fatality Analysis Reporting System, une base de données nationale contenant des dossiers détaillés de chaque accident de la route mortel aux États-Unis entre 2016 et 2023. Au lieu d'essayer de prédire un chiffre unique, comme le nombre total de décès, ils ont demandé à l'ordinateur de classer ces événements tragiques en catégories spécifiques basées sur la façon dont le piéton se déplaçait au moment de l'impact. Ils ont utilisé un système de classification connu sous le nom de Pedestrian and Bicycle Crash Analysis Tool, qui décompose les accidents en types tels qu'une personne traversant depuis la gauche, traversant depuis la droite, traversant dans une direction inhabituelle ou traversant avec une direction inconnue. En injectant ces données dans un système d'apprentissage automatique automatisé appelé AutoGluon, les chercheurs ont permis à l'ordinateur de construire ses propres modèles pour trouver la manière la plus précise de distinguer ces différents types d'accidents.

L'ordinateur n'a pas simplement deviné ; il a appris. Après avoir testé des dizaines d'approches mathématiques différentes, le système s'est arrêté sur une méthode appelée LightGBM, qui s'est avérée être la plus précise. Ce modèle a correctement identifié le type de manœuvre du piéton dans près de 80 % des cas mortels testés. Plus important encore, les chercheurs n'ont pas laissé l'ordinateur comme une « boîte noire » qui donne simplement une réponse sans explication. Ils ont utilisé une technique appelée SHAP, qui agit comme une loupe, pour regarder à l'intérieur du modèle et voir quels facteurs poussaient la prédiction dans un sens ou dans l'autre. Cela a révélé que l'année où l'accident s'est produit, la position exacte du piéton, le type de route et l'âge du conducteur étaient les indices les plus puissants pour déterminer comment un accident se déroulait.

Lorsque les chercheurs ont examiné attentivement les résultats, des récits distincts ont émergé. Pour les accidents où un piéton traversait depuis la gauche, l'ordinateur a montré que le facteur le plus critique était la position du piéton. Ces incidents étaient fortement liés à des personnes traversant au milieu d'un pâté de maisons, loin des passages cloutés marqués, là où les conducteurs ne s'attendent pas à les voir apparaître. L'analyse a également souligné que les conducteurs plus âgés étaient particulièrement vulnérables dans ces scénarios, probablement parce que leurs temps de réaction ralentissent face à une personne surgissant soudainement et de manière inattendue sur le côté.

L'histoire était différente pour les accidents impliquant un piéton traversant depuis la droite. Ici, l'âge du conducteur jouait à nouveau un rôle majeur, mais le type de véhicule et l'heure de la journée aussi. Les données suggèrent que ces accidents se produisent souvent lorsqu'un conducteur effectue un virage à droite, une manœuvre qui nécessite de regarder dans plusieurs directions à la fois. L'analyse de l'ordinateur a indiqué que les conducteurs ne scannent souvent pas la zone où un piéton pourrait surgir, surtout si la vue est obstruée par les montants du véhicule ou si la conception de la route inclut des voies de déviation (slip lanes) qui permettent aux voitures de tourner sans s'arrêter complètement. Dans ces cas, l'attention du conducteur est divisée, et le piéton est caché dans un angle mort jusqu'à ce qu'il soit trop tard.

Pour la catégorie la plus déroutante, où la direction du piéton était inconnue ou inhabituelle, le schéma pointait vers des piétons plus âgés et une mauvaise visibilité. Ces accidents impliquaient fréquemment des personnes traversant au milieu de la nuit ou par mauvais temps, souvent loin de tout point de passage désigné. Les données ont montré que ces incidents étaient plus courants pendant les mois d'hiver et impliquaient souvent des véhicules plus imposants comme des SUV, qui peuvent bloquer la vue d'un conducteur sur une personne au sol. L'ordinateur a appris que lorsqu'un piéton traverse de manière imprévisible, la combinaison de l'obscurité, de la météo et de la taille du véhicule crée une tempête parfaite pour une erreur fatale.

Les conclusions remettent en question l'idée que tous les accidents impliquant des piétons sont identiques. Au contraire, elles montrent que chaque type d'échec de traversée possède son propre ensemble de causes uniques. Un accident causé par un piéton traversant au milieu d'un pâté de maisons est dicté par des facteurs différents d'un accident causé par un piéton surgissant lors d'un virage à droite. Cette distinction est vitale pour les planificateurs de la sécurité. Cela suggère qu'une solution unique, comme peindre plus de passages cloutés, ne réglera pas tous les problèmes. Pour sauver réellement des vies, les villes devront peut-être repenser des intersections spécifiques pour améliorer les lignes de visibilité pour les conducteurs qui tournent, installer un meilleur éclairage pour les traversées nocturnes et créer des programmes d'éducation ciblés pour les conducteurs plus âgés qui pourraient avoir du mal à réagir rapidement face à des piétons inattendus.

En utilisant l'apprentissage automatisé pour passer au crible des années de données d'accidents mortels, cette étude est allée au-delà des simples statistiques pour révéler la mécanique spécifique du danger. Elle prouve qu'avec les bons outils, nous pouvons comprendre les conditions précises qui mènent à la tragédie. La recherche n'offre pas de solution miracle, mais elle fournit une carte claire des zones de risques. Elle montre que la sécurité ne consiste pas seulement à suivre des règles, mais à comprendre la danse complexe du comportement humain, de la conception des véhicules et de la géométrie routière qui se joue dans la fraction de seconde précédant un accident. Grâce à cette connaissance, les ingénieurs et les décideurs politiques peuvent enfin commencer à construire des rues qui ne sont pas seulement sûres pour une journée ordinaire, mais résilientes pour protéger les plus vulnérables quand les choses tournent mal.