Bibliographie & annexes
Présentation
En anglais
RÉSUMÉ
La fatigue au volant est une donnée encore mal détectée mais qui est responsable d’un grand nombre d’accidents. Les systèmes actuels de détection se basent tantôt sur l’état physique du conducteur, tantôt sur l’état du véhicule. Des données physiologiques sur le conducteur permettraient d’éclairer la détection de la fatigue mais via des modes opératoires invasifs et peu fiables en cas de fortes dettes de sommeil. En outre, la fatigue peut être perçue de façons très différentes d’un individu à un autre, son analyse en est d’autant plus complexe. Cet article fait un état des données que l’on peut acquérir du point de vue du conducteur et du véhicule : un premier issu des caractéristiques du véhicule et du conducteur, un second qui alimente un système expert.
Lire cet article issu d'une ressource documentaire complète, actualisée et validée par des comités scientifiques.
Lire l’articleABSTRACT
Driver fatigue is still poorly detected, but is responsible for a large number of accidents. Current detection systems are based either on the driver's physical state, or on the state of the vehicle. Physiological data on the driver would help to detect fatigue, but this would be invasive and unreliable in cases of high sleep debt. What's more, fatigue can be perceived in very different ways from one individual to another, making its analysis all the more complex. This article takes a look at the data that can be acquired from both the driver's and the vehicle's point of view: the first is based on vehicle and driver characteristics, the second feeds an expert system.
Auteur(s)
-
Alexandre LAMBERT : Doctorant - ECE-Paris, Paris, France
-
Céline BARTH : Enseignant-chercheur - Laboratoire de l’ECE-Paris, Paris, France
-
Manolo HINA : Enseignant-chercheur - Laboratoire de l’ECE-Paris, Paris, France
-
Amar Ramdane CHERIF : Professeur - Université de Versailles Saint-Quentin, Laboratoire LISV, Vélizy, France
-
Aakash SONI : Enseignant-chercheur - Laboratoire de l’ECE-Paris, Paris, France
-
Assia SOUKANE : Directrice de la Recherche - ECE-Paris, Paris, France
INTRODUCTION
La fatigue au volant est un phénomène qui prend racine dans de multiples causes et a pour conséquence des accidents pouvant entraîner des dommages matériels et humains. Tout le monde s’accorde là-dessus mais lorsque l’on essaye de détecter la fatigue au volant pour prévenir ces accidents, les choses se compliquent. Existe-t-il une mesure directe de la fatigue ? Quels capteurs sont les plus adaptés ? Sur quels paramètres et sur quelles valeurs faut-il baser la détection ? Un système de détection est-il efficace pour des personnes au profil différent ? Beaucoup de questions peuvent émaner de la problématique de la fatigue au volant.
En dressant un portrait de la fatigue selon les différentes communautés nous allons explorer ses manifestations, ses causes et les manières de l’expérimenter. La pluralité des facteurs qui composent et influent sur la fatigue rendent sa modélisation complexe. Les chercheurs utilisent plusieurs méthodes d’acquisition des paramètres avec ou sans contact. Il est aussi possible d’observer le comportement du conducteur dans la conduite et l’environnement dans lequel il évolue. L’hétérogénéité des données nécessite des systèmes intelligents pour agréger ces données et prendre des décisions en temps réel.
Une grande variété de systèmes intelligents existent. Ils sont souvent décomposés en trois parties : organes de perception, organes de traitement et raisonnement et enfin les organes de décision. Pour la détection de la fatigue au volant, la perception peut être faite par des caméras ou des biocapteurs. Le traitement et le raisonnement se basent sur des techniques d’apprentissage automatique ou Machine Learning (ML). D’autres techniques comme les systèmes à base de règles sont aussi utilisées mais paraissent moins performantes face à l’apprentissage automatique profond ou Deep Learning (DL), sous-famille de techniques au sein de l’apprentissage automatique, qui est plus flexible et permet aux modèles de mieux s’adapter aux données complexes issues de la fatigue du conducteur.
Cependant il reste encore du chemin à parcourir avant de pouvoir concevoir des systèmes qui sont fiables et détectent réellement la fatigue du conducteur. Parmi les différentes étapes de conception des systèmes intelligents il est possible d’introduire des biais que ce soit dans le recueil des données, le traitement ou le raisonnement. Enfin les nouveaux champs de recherche dans l’intelligence artificielle, comme l’« explicabilité », permettent d’ouvrir de nouvelles pistes de réflexion pour développer des modèles plus robustes.
L'expertise technique et scientifique de référence
KEYWORDS
intelligent systems | face detection | biosensors | vehicle behavior
DOI (Digital Object Identifier)
Cet article fait partie de l’offre
Véhicule et mobilité du futur
(80 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Présentation
Modélisation de la fatigue
En anglais
4. Systèmes de détection sans contact de la fatigue au volant
En général, la structure d'un système de détection sans contact de la fatigue à l'aide d'une caméra et d'un modèle numérique est la suivante : détection du visage, extraction des caractéristiques et modélisation de la fatigue. Cependant, les méthodes peuvent varier considérablement d'une étude à l'autre, cette section vise donc à explorer les différentes méthodes qui peuvent être utilisées pour la détection de la fatigue à l'aide d'une caméra sans remettre en question la véracité de ce qui est détecté. La littérature s’applique à la détection du visage, et à son extraction de différentes caractéristiques.
4.1 Détection du visage
Le flux vidéo est prétraité à l'aide d'un algorithme pour extraire des informations appelées caractéristiques. Ces caractéristiques sont souvent regroupées dans un vecteur appelé vecteur d'information.
Ce vecteur peut être calculé avec une seule méthode ou une combinaison de méthodes. Il s'agit d'un prétraitement image par image. La première étape consiste à détecter le visage dans l'image et à le recadrer, cela permet d’éliminer des éléments de fond autour du visage pouvant interférer avec l'acquisition des paramètres.
Il existe plusieurs algorithmes pour détecter un visage dans une image. La méthode proposée par Viola et Jones est largement utilisée. Elle consiste a faire bouger un rectangle sur l’image qui calcule des caractéristiques, les rectangles ayant les caractéristiques les plus proches de celles d’un visage appris pendant l’entraînement seront ainsi sélectionnés puis raffinés a l’aide d’un classifieur pour produire le meilleur rectangle contenant le visage.
Il existe également un histogramme de gradients orientés (HOG) ...
L'expertise technique et scientifique de référence
Cet article fait partie de l’offre
Véhicule et mobilité du futur
(80 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Systèmes de détection sans contact de la fatigue au volant
BIBLIOGRAPHIE
-
(1) - PHILLIPS (R.O.) - A Review of Definitions of Fatigue – And a Step towards a Whole Definition. - Transportation Research Part F : Traffic Psychology and Behaviour, vol. 29, p. 48-56, doi : 10.1016/j.trf.2015.01.003 (2015).
-
(2) - JOB (R.F.S.), DALZIEL (J.) - Defining Fatigue as a Condition of the Organism and Distinguishing It From Habituation, Adaptation, and Boredom. - In Stress, Workload, and Fatigue, CRC Press, p. 11 (2000).
-
(3) - SAXBY (D.J.), MATTHEWS (G.), HITCHCOCK (E.M.), WARM (J.S.) - Development of Active and Passive Fatigue Manipulations Using a Driving Simulator. - St Annual Meeting, p. 5 (2007).
-
(4) - CHEN (Z.), WU (C.), ZHONG (M.), LYU (N.), HUANG (Z.) - Identification of Common Features of Vehicle Motion under Drowsy/Distracted Driving : A Case Study in Wuhan, China. - Accident Analysis & Prevention, vol. 81, p. 251-259, doi : 10.1016/j.aap.2015.02.021 (2015).
-
(5) - THIFFAULT (P.), BERGERON (J.) - Monotony of Road Environment and Driver Fatigue : A Simulator Study. - Accident...
DANS NOS BASES DOCUMENTAIRES
L'expertise technique et scientifique de référence
Cet article fait partie de l’offre
Véhicule et mobilité du futur
(80 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
