Évaluation de votre façon de conduire : les méthodes de classification

Introduction

Dans la première partie de cet article, intitulée Caractériser les comportements de conduite : les régimes d’assurance, nous avons expliqué pourquoi le repérage des véhicules constitue un enjeu majeur pour les compagnies d’assurance et de location de véhicules et présenté plusieurs modèles de régimes d’assurance offerts sur le marché. La deuxième partie de cet article présentera les différentes méthodes de classification des comportements de conduite, le projet de recherche et les conclusions.

Méthodes de classification des comportements de conduite

Il existe trois méthodes importantes qui contribuent à la classification des comportements de conduite : la mesure de l’activité cérébrale du conducteur, la mesure de ses caractéristiques physiques (méthodes de détection des expressions corporelles et faciales) et la mesure de la dynamique du véhicule ou le comportement routier. Des techniques d’intelligence artificielle ont été développées pour analyser les mesures liées à la troisième méthode, le comportement routier. Ces techniques non linéaires basées sur les méthodes d’apprentissage machine sont couramment utilisées dans la surveillance des comportements de conduite. Voici une brève description de ces techniques :

1. Réseau neuronal artificiel (ANN)

Les algorithmes du réseau neuronal artificiel (ANN) servent couramment à l’observation de la modélisation statistique des comportements de conduite [7, 8]. Les ANN offrent des avantages importants dans la surveillance de ces comportements, ils : 1) permettent l’extraction de modèles sans avoir à tenir compte des relations entre entrées et sorties, 2) nécessitent moins de formation technique, et 3) reconnaissent toutes les interactions possibles entre les variables prédictives. Cependant, ces algorithmes comportent deux inconvénients importants : leur approche « boîte noire » et la comptabilisation complexe des ANN [9, 10].

 2. Machines à vecteurs de support (SVM)

Les machines à vecteurs de support (SVM) peuvent calculer les différents états émotionnels du conducteur grâce à leurs méthodes non linéaires efficaces [8]. Les SVM servent aussi à la catégorisation de modèles, à l’établissement de liens linéaires et non linéaires entre les entrées et sorties et à la détection d’objets [8].

3. Hidden Markov Models (HMMs)

Les modèles de Markov cachés (HMM) servent à déternimer les états durant la conduite dans le cadre de la surveillance du véhicule [11]. Le recours à la méthode d’estimation de Baum-Welch est considéré dans de nombreuses situations [11].

4. Systèmes d’inférence floue (SIF)

Le Système d’inférence floue (SIF) est une méthode basée sur des règles précises dans la reproduction de la pensée humaine et des concepts linguistiques, par opposition aux systèmes logiques typiques. Les SIF sont une méthode appropriée quand : 1. Le processus d’analyse des méthodes classiques est long et complexe ; 2. Les mesures brutes auxquelles on a accès sont interprétées de façon approximative ou incorrecte. Les deux principaux types de SIF sont de Mamdani et de Sugeno-TSK. Des publications récentes portent sur la comparaison entre ces deux méthodes [12].

Projet de recherche

Dans le projet de recherche, nous évaluons les deux principaux types de SIF. Ceux de Mamdani et de Sugeno-TSK. Ils seront analysés et comparés afin de déterminer lequel permet de mieux caractériser les comportements de conduite. Suivant cette étude, nous proposerons un nouveau modèle de SIF pour caractériser ces comportements.

Méthodologie

La figure 4 représente le diagramme de la méthode proposée. D’abord, les actions du conducteur sont répertoriées au moyen de systèmes de navigation inertielle (INS), de systèmes mondiaux de navigation par satellite (GNSS) et du système de diagnostic embarqué (OBD) du véhicule. Ensuite, les éléments relatifs aux actions du conducteur sont appliqués pour reconnaître le comportement de conduite le plus probable par le biais du contrôleur à logique floue. Finalement, les sorties de ce contrôleur servent à évaluer le comportement et la performance de conduite.

L’algorithme de SIF proposé est modélisé avec Matlab et Simulink pour l’évaluation des deux différents types d’algorithme [13, 14]. D’abord, le système est évalué avec le type Mamdani. Ensuite, le modèle est évalué avec le type Sugeno-TSK. À la fin, le résultat du modèle proposé avec les deux types de SIF sera comparé de façon précise. Le modèle de SIF proposé est composé de sept entrées et de deux sorties de SIF. Les entrées sont différenciées par les différents paramètres représentés à la figure 5.

 Conclusion

La solution proposée est basée sur un modèle supérieur de comportements de conduite afin de déterminer la qualité de la conduite à l’aide de deux modèles d’inférence floue (SIF) bien connus. Les résultats obtenus confirment que le modèle de type Sugeno-TSK amène une plus grande précision et un comportement hautement dynamique par rapport au modèle de type Mamdani. La forte corrélation croisée entre ces deux types de SIF permet de valider leur stabilité et leur constance dans l’analyse des comportements de conduite, sans exception inusitée.

Projets de recherche au laboratoire Lassena

Pour plus d’information sur les projets présents et à venir du Laboratoire LASSENA de l’ÉTS, cliquer sur ce lien.