Predicting Driver Adaptability: A Hierarchical Computational Rationality Model of Bounded-Optimal Visual Sampling in Lateral and Longitudinal Vehicle Control

La conduite est une négociation constante entre ce que nous voyons et ce que nous prédisons. Nos yeux parcourent la route, vérifiant le marquage au sol et le tachymètre, mais ils ne peuvent pas rester fixés sur chaque détail indéfiniment. Le cerveau humain n'est pas une caméra qui enregistre une vidéo continue ; c'est un processeur qui construit une image mentale du monde et met à jour cette image uniquement lorsque cela est nécessaire. Lorsque nous détournons le regard ne serait-ce qu'une fraction de seconde, notre cerveau ne devient pas simplement vide. Au lieu de cela, il s'appuie sur une estimation interne, une meilleure supposition de l'endroit où se trouve la voiture et de sa vitesse, basée sur la dernière fois où nous avons regardé et sur les actions que nous venons d'entreprendre. Cette image mentale est utile, mais elle est aussi fragile. À mesure que le temps passe sans nouvelle information visuelle, la supposition devient moins certaine et le risque d'erreur augmente. La question qui intrigue les chercheurs depuis longtemps n'est pas seulement de savoir combien de temps les conducteurs peuvent détourner le regard, mais comment ils décident de ce qu'ils doivent regarder lorsqu'ils disposent d'un temps limité et de plusieurs éléments à surveiller.

Pendant des décennies, les scientifiques ont étudié la manière dont les conducteurs gèrent leur attention, en se concentrant souvent sur une tâche unique comme le maintien dans une voie. Cependant, la conduite réelle est rarement aussi simple. Un conducteur doit simultanément diriger la voiture pour rester dans sa voie et gérer la vitesse pour l'adapter au trafic ou aux panneaux de signalisation. Ces deux tâches sont liées ; si la route tourne brusquement, le conducteur doit ralentir, et si la voiture va trop vite, elle devient plus difficile à diriger en toute sécurité. Jusqu'à présent, les modèles informatiques qui tentaient de simuler la façon dont les conducteurs réfléchissent à leur attention traitaient la plupart du temps ces tâches séparément. Ils pouvaient expliquer comment un conducteur décide de regarder la route pour rester dans sa voie, ou comment il regarde le tachymètre pour maintenir sa vitesse, mais ils ne pouvaient pas expliquer comment un conducteur choisit entre les deux lorsqu'ils sont incertains en même temps. Cette lacune dans la compréhension nous laisse avec une image incomplète de la façon dont les humains gèrent réellement les décisions complexes et instantanées requises pour conduire en toute sécurité.

Une équipe de chercheurs de l'Université de Jyväskylä et de l'Université de technologie de Kochi a construit un nouveau modèle informatique pour combler cette lacune. Ils ont créé un conducteur numérique qui apprend à conduire une voiture dans un environnement simulé, mais avec une particularité : la vue du conducteur est fréquemment obstruée, comme s'il portait des lunettes qui deviennent opaques. Le conducteur numérique doit décider quand lever les lunettes pour regarder la route, quand regarder le tachymètre, et quand les garder fermées pour se fier à son estimation interne. L'objectif du modèle n'était pas d'être programmé avec des règles spécifiques sur le moment de regarder, mais d'apprendre par essais et erreurs, tout comme un humain le fait, en essayant de rester dans la voie et de maintenir une vitesse dans une plage sûre tout en minimisant l'effort de regard. Les chercheurs voulaient voir si un ordinateur, doté uniquement des objectifs de base de la conduite et de la limitation de ne pas pouvoir tout voir tout le temps, développerait naturellement une stratégie de regard qui ressemble au comportement humain.

Pour tester cela, les chercheurs ont d'abord recueilli des données auprès de trente participants humains dans un simulateur de conduite. Ces personnes conduisaient sur une route sinueuse et vallonnée en portant des lunettes spéciales capables de bloquer leur vue. Les participants devaient maintenir la voiture au centre de la voie et maintenir une vitesse comprise entre 100 et 110 kilomètres par heure. Ils avaient la permission de tirer un levier pour restaurer brièvement leur vision pendant une demi-seconde chaque fois qu'ils sentaient qu'ils devaient vérifier la route ou la vitesse. Les chercheurs ont enregistré précisément combien de temps les conducteurs gardaient les yeux fermés, la fréquence de leurs regards, et le temps passé à regarder la route par rapport au tachymètre. Ces données humaines ont servi de référence, le standard du monde réel contre lequel le modèle informatique serait mesuré.

Le modèle informatique a été conçu avec une hiérarchie de prise de décision, reflétant la façon dont un cerveau humain pourrait organiser ces tâches. Il possédait trois parties distinctes travaillant ensemble. La première était responsable de la direction, la seconde du contrôle de la vitesse, et la troisième était un superviseur qui décidait laquelle des deux parties inférieures avait besoin de nouvelles informations. Lorsque le superviseur décidait de regarder, il choisissait soit la route, soit le tachymètre, mais pas les deux à la fois, simulant le fait que le regard d'un conducteur est focalisé sur une seule chose à la fois. Le modèle a appris par renforcement, une méthode où il recevait des récompenses pour rester dans la voie et maintenir la vitesse correcte, et des pénalités pour les collisions ou les excès de vitesse. Crucialement, le modèle recevait également une petite pénalité pour chaque fois qu'il décidait de regarder, représentant le coût mental du changement d'attention. Cela forçait le modèle à être efficace, ne regardant que lorsque l'incertitude de son estimation interne devenait trop élevée pour être ignorée.

Lorsque les chercheurs ont soumis le modèle aux mêmes conditions de simulation que celles utilisées par les conducteurs humains, les résultats étaient frappants de similitude. Le conducteur informatique a développé un schéma de regard qui correspondait étroitement aux données humaines. En moyenne, le modèle regardait la route environ 24 % du temps et le tachymètre environ 10 % du temps, laissant le reste du temps les yeux fermés ou regardant ailleurs. Cette distribution était très proche de la moyenne humaine, où les conducteurs regardaient la route environ 29 % du temps et le tachymètre 12 % du temps. Le modèle correspondait également aux humains quant à la durée pendant laquelle ils gardaient les yeux fermés, avec une moyenne de juste moins d'une seconde par regard, et sur la fréquence de leurs vérifications, regardant environ sept fois toutes les dix secondes. Même la vitesse à laquelle le modèle conduisait et le nombre de fois où il déviait légèrement de la plage de vitesse cible étaient cohérents avec les participants humains.

La découverte la plus significative est que le modèle a atteint cette similitude sans qu'on lui dise exactement comment se comporter. Il n'avait pas de règle préprogrammée disant « regardez la route toutes les cinq secondes ». Au lieu de cela, il a appris que pour rester en sécurité, il devait équilibrer le risque de dévier de sa trajectoire ou d'accélérer par rapport au coût du regard. Lorsque la route était droite et que la vitesse était stable, le modèle a appris à garder les yeux fermés pendant de plus longues périodes, faisant confiance à sa prédiction interne. Lorsque la route tournait ou que la vitesse commençait à dériver, le modèle apprenait à regarder plus souvent pour corriger son estimation. Cela suggère que la façon dont les humains allouent leur attention n'est pas une habitude aléatoire, mais une stratégie adaptative qui émerge du besoin de gérer l'incertitude efficacement. Le modèle a montré que les conducteurs gèrent essentiellement un budget d'attention, le dépensant uniquement lorsque le coût de l'ignorance devient trop élevé.

Cependant, l'étude a également révélé une limite dans la compréhension de l'imperfection humaine. Alors que les conducteurs humains déviaient occasionnellement de leur voie, un événement courant dans la conduite réelle, le modèle informatique n'a jamais commis cette erreur. Le modèle était trop parfait pour la direction, probablement parce qu'il a été entraîné à éviter les erreurs si strictement qu'il n'a jamais pris les petits risques que les humains prennent naturellement. Cela suggère que, bien que le modèle capture la logique de la décision de savoir quoi regarder, il surestime encore la stabilité du contrôle humain. Les conducteurs réels ne font pas que gérer l'incertitude ; ils font aussi face à des limitations physiques et à des baisses occasionnelles de concentration que le modèle actuel ne reproduit pas totalement.

Les implications de ce travail s'étendent au-delà de notre compréhension de la conduite. En montrant que l'attention est une ressource dynamique gérée pour maintenir l'exactitude des prédictions internes, le modèle offre une nouvelle façon de concevoir les systèmes de sécurité du conducteur. Les systèmes d'alerte actuels reposent souvent sur des règles simples, comme déclencher une alarme si un conducteur détourne le regard pendant plus de deux secondes. Mais cette recherche suggère que le danger de détourner le regard dépend entièrement de la situation. Détourner le regard pendant deux secondes sur une autoroute droite et déserte peut être parfaitement sûr car l'estimation interne du conducteur est encore exacte. Ce même regard de deux secondes sur une colline escarpée et sinueuse peut être dangereux car l'estimation est déjà en train de devenir peu fiable. Un système basé sur ce modèle pourrait estimer l'incertitude interne du conducteur et l'avertir uniquement lorsque son manque de vision menace réellement la sécurité, plutôt que de simplement compter les secondes.

En fin de compte, cette étude fournit une explication formelle pour un comportement que nous pratiquons tous sans y réfléchir : l'art de savoir quand regarder et quand faire confiance à son instinct. Elle démonte que la capacité humaine à conduire en toute sécurité tout en détournant le regard n'est pas un échec de l'attention, mais une forme sophistiquée d'adaptation. En traitant l'attention comme un outil de mise à jour d'un modèle mental du monde, les chercheurs ont montré que le cerveau calcule constamment le coût de l'information par rapport au risque d'erreur. Le modèle informatique, malgré sa simplicité, a réussi à recréer cet équilibre complexe, prouvant que les schémas de l'attention humaine ne sont pas arbitraires mais sont le résultat d'un effort rationnel, bien que limité, pour rester en sécurité dans un monde incertain.