23 Mai 2016 |
article de recherche |
Les systèmes logiciels, le multimédia et la cybersécurité
Évaluation de votre façon de conduire : les méthodes de classification



L’image d’entête est de Craig Sunter, licence CC, source.
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].

Figure 1 Représentation d’un réseau neuronal artificiel montrant un groupe de nœuds interconnectés, imitant le vaste réseau de neurones dans le cerveau. Ici, chaque nœud circulaire représente un neurone artificiel et les flèches représentent la connexion entre la sortie d’un neurone et l’entrée d’un autre neurone. Source [Img1]
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].

Figure 2 Paramètres de probabilité d’un modèle de Markov caché (exemple) x — états y — observations possibles a — probabilités de transition de l’état b — probabilités de sortie. Source [Img2]
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].

Figure 3 Représentation d’un système d’inférence floue. Source
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.

Figure 4 Diagramme de la méthodologie proposée dans la classification du comportement de conduite. Source [Img4]

Figure 5 Fonctions d’appartenance de l’accélération/décélération du véhicule. Source [img4]
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.

René Jr Landry
René Jr Landry est professeur au Département de génie électrique à l’ÉTS et directeur du laboratoire LASSENA. Son expertise porte principalement sur les systèmes embarqués intelligents, la navigation et l’avionique.
Programme : Génie électrique
Laboratoires de recherche : LACIME – Laboratoire de communications et d'intégration de la microélectronique LASSENA – Laboratoire des technologies spatiales, systèmes embarqués, navigation et avionique

Neda Navidi
Neda Navidi est étudiante au doctorat à l’ÉTS. Ses recherches portent sur des mesures innovantes de surveillance du comportement de conduite basée sur la navigation par satellite avec intégration INS/GNSS à faible coût.
Programme : Génie électrique
Laboratoires de recherche : LASSENA – Laboratoire des technologies spatiales, systèmes embarqués, navigation et avionique
Laboratoires de recherche :
