Estimation de la distraction fondée sur un modèle dynamique de conducteur : principes et algorithmes

Estimation of distraction based on a dynamic model of driver : principles and algorithms

• Auteur / Autrice : Ablamvi Ameyoe
• Direction : Philippe Chevrel
• Type : Thèse de doctorat
• Discipline(s) : Automatique, productique
• Date : Soutenance le 06/10/2016
• Etablissement(s) : Nantes, Ecole des Mines
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et mathématiques (Nantes)
• Partenaire(s) de recherche : Equipe de recherche : Commande
• Partenaire(s) de recherche : Laboratoire : IRCCyN
• Jury : Président / Présidente : Thierry Poinot
• Jury : Examinateurs / Examinatrices : Cédric Join, Franck Mars, Éric Le Carpentier, Hervé Illy
• Jury : Rapporteur / Rapporteuse : Jean-Christophe Popieul, Sébastien Glaser

Mots clés

Mots clés contrôlés

Conduite automobile -- Simulateurs

Troubles de l'attention

Diagnostic

Kalman, Filtrage de

Automobilistes

Cybernétique

Mots clés libres

Modèle cybernétique du conducteur

Identification

Distraction

Filtres de Kalman

Observateur

Diagnostic

Cybernetic driver model

Identification

Distraction

Kalman filters

Observers

Diagnosis

Résumé

La distraction du conducteur est un des facteurs importants à l’origine des accidents de la route. La détection de la distraction dans le contexte industriel et à faible coût conduit à privilégier des indicateurs reposant sur les capteurs déjà disponibles dans un véhicule série. Cependant, les systèmes actuels sont en général insuffisamment fiables, notamment parce que les grandeurs observées pour réaliser la détection sont assez éloignées du phénomène purement physiologique de distraction. L’approche étudiée ici a consisté à rajouter un modèle de comportement du conducteur (modèle cybernétique), rendant compte des fonctions perceptives et motrices support du contrôle latéral du véhicule. Les paramètres de ce modèle ont été estimés en procédant tour à tour à une identification par paquet de données d’entrée/sortie et à une identification récursive, cette dernière permettant de suivre continûment l'évolution paramétrique. Ensuite, trois approches ont été envisagées pour modéliser voire estimer l’état de distraction, considérant successivement la distraction comme une perturbation affectant les paramètres, la sortie ou l’entrée du modèle cybernétique du conducteur:Approche 1 - La distraction est modélisée comme une perturbation additive en sortie du modèle. Le couple produit par le conducteur est comparé au couple prédit par le modèle rendant compte de la conduite hors distraction. L’erreur de prédiction du couple constitue dans ce cadre le résidu dont la sensibilité à l’état de distraction du conducteur a été étudiée.Approche 2 - La distraction est modélisée par des perturbations multiplicatives, affectant certains paramètres du modèle. L’analyse des paramètres obtenus dans des phases de conduite avec et sans distraction a permis d’étudier leur capacité à rendre compte de la nature et de l’état de la distraction.Approche 3 - La distraction est modélisée comme une perturbation additive sur l’entrée du modèle. L’estimation de cette perturbation constitue un résidu également sensible à l’état de distraction. Les principes et algorithmes proposés pour estimer l’état de distraction ont été validés à partir de données expérimentales collectées pendant une campagne de tests effectuée sur un simulateur de conduite à base fixe, impliquant 35 conducteurs. Les conditions de test alternaient des phases de conduite normale et sujettes à des distractions de différentes natures : distractions cognitive, visuelle, visuomotrice et motrice. Les trois approches proposées donnent des résultats similaires et cohérents entre eux.

Distracted driving is one of the important factors that cause road accidents. The detection of the driver’s state of distraction in the industrial context and at low-cost leads to privilege the indicators based on sensors that are already available on the vehicle. However,current systems are generally not reliable enough, especially because the observed magnitudes to achieve detection are quite far from a purely physiological phenomenon distraction. This led us to propose solutions based on a cybernetic driver model that represent the visual and motor process involved in the lateral control of the vehicle. The parameters of this model have been estimated by conducting successively identification exploiting data packets and recursive identification, the latter allowing to track continuously the parametric evolution over time. Then, three approaches were considered to model or estimate the state of distraction, by modeling alternately thedistraction as a disturbance affecting parameters, the output or the input of the cybernetic model of the driver:Approach 1 - The distraction is modeled as an additive disturbance on the model output. The experimental output, the driver steering wheel torque, is then compared with the predicted steering wheel torque to generate the torque prediction error that is sensitive to the state of distraction.Approach 2 - The distraction is modeled as disturbances that affect the model parameters. The analysis of these parameters identified during normal and distracted driving periods showed that the parameters’ variation depends effectively on the driver’s state of distraction.Approach 3 - Distraction is modeled as an additive disturbance on the input of the model. The estimate of this disturbance is also a significant residue, sensitive to the state of distraction. The principles and algorithms proposed for estimating the state of distraction were validated using experimental data collected during a test campaign conducted on a fixed-base driving simulator, involving 35 drivers. The test conditions alternated normal driving phases and prone to distractions of various kinds: cognitive distractions, visual, visual-motor and motor. The three proposed approaches give similar and consistent results between them.