Le modèle prédit les changements de voie, pourrait informer les systèmes d’aide à la conduite

Le modèle prédit les changements de voie, pourrait informer les systèmes d'aide à la conduite

En anticipant les changements de voie à grande vitesse sur l’autoroute, un nouveau modèle du Nebraska Transportation Center pourrait aider à donner aux conducteurs l’alerte nécessaire pour éviter des accidents particulièrement dangereux. Crédit : Shutterstock

C’est un danger à grande vitesse et à enjeux élevés que connaissent tous ceux qui ont passé du temps à conduire sur l’autoroute.

Une voiture dans la voie de droite s’attarde à côté de l’ouverture entre votre véhicule et le SUV directement devant vous sur la gauche. La caravane impromptue avance à la même vitesse, l’illusion de stase n’est brisée que par le flou de la route et le passage endormi du terrain environnant.

Après avoir déjà conduit cette scène, vous gardez un œil sur l’attardeur de la voie de droite, prêt à se fondre dans l’espace qui vous sépare du SUV. Mais au fur et à mesure que les secondes passent, votre vigilance diminue. Comme au bon moment, l’attardeur s’élance avec la soudaineté d’un skieur de slalom et vous oblige à freiner, de peur que leur témérité ne devienne une épave.

Li Zhao et ses collègues du Nebraska Transportation Center connaissent également le danger. Les chercheurs ont donc développé un nouveau modèle qui peut lire entre les lignes blanches pour aider à prédire quand les véhicules changeront de voie. Leurs efforts pourraient finalement aider à donner aux systèmes avancés d’assistance à la conduite – la technologie intégrée au véhicule conçue pour anticiper les menaces et corriger les erreurs humaines – plus de temps pour réagir et, idéalement, protéger.

« Si je connais l’intention, que le véhicule va s’arrêter brusquement, je peux avoir une réaction correspondante », a déclaré Zhao, chercheur postdoctoral au centre. « Je peux ralentir un peu, ou je peux faire un autre changement de voie pour éviter un accident potentiel à l’arrière. »

L’équipe a construit son modèle sur les données d’environ 3 000 véhicules équipés de caméras frontales et de divers capteurs. Au début des années 2010, les propriétaires de ces véhicules ont parcouru leurs itinéraires réguliers pendant deux mois dans le cadre d’un projet financé par le département américain des Transports, qui a finalement rendu les données de conduite naturalistes accessibles au public.

Pour informer le modèle, Zhao a commencé à compiler les données de chaque scénario dans lequel l’un de ces véhicules ne suivait pas plus de 400 pieds, ou 3,5 secondes, derrière un autre sur l’autoroute. Dans certains cas, le véhicule avant et le véhicule arrière se trouvaient dans la même voie avant que l’un d’eux ne rejoigne une voie adjacente; dans d’autres cas, un véhicule a fusionné à partir d’une voie adjacente, de sorte que les deux se sont retrouvés dans la même.

Zhao a étiqueté plusieurs variables qui pourraient servir d’indicateurs d’un conducteur prévoyant de changer de voie : la distance entre les véhicules, leur vitesse relative, leurs positions latérales, un virage subtil du nez du véhicule avant. Elle a ensuite formé un modèle pour analyser les valeurs de ces variables tous les dixièmes de seconde sur une période de six secondes, de cinq secondes avant un changement de voie jusqu’à une seconde après.

À chacun de ces 60 incréments, le modèle compare la valeur de chaque variable, par exemple une diminution de 10 pieds de la distance entre les véhicules, à la probabilité estimée que la valeur se produise avant un changement de voie. Lorsque toutes ces variables atteignent des valeurs qui indiquent la probabilité maximale d’un changement de voie, le modèle signale le changement de voie comme imminent.

Bien qu’il varie un peu selon les conditions, le modèle est capable de prédire un changement de voie environ une seconde avant que le centre d’un véhicule ne franchisse une ligne de démarcation sur son chemin vers une autre voie.

« Une seconde d’avance, nous commençons à être sûrs que le conducteur va changer de voie », a déclaré Zhao. « Cela ne signifie peut-être pas grand-chose pour un conducteur humain, mais nous parlons de véhicules automatisés ou de systèmes avancés d’aide à la conduite.

« Ils peuvent donc utiliser le délai d’exécution pour améliorer leur système ou concevoir des précautions de sécurité supplémentaires – des alertes ou des avertissements, comme un système d’avertissement de collision – pour ralentir automatiquement le véhicule ou aider le conducteur à prendre des décisions. »

L’équipe a également relevé d’autres tendances intéressantes. Le changement de voie moyen, par exemple, a pris entre 0,55 et 0,86 seconde. En fait, les conducteurs avaient tendance à prendre moins de temps pour s’engager dans une voie derrière un véhicule (la 0,55 seconde) que lorsqu’ils changeaient de voie pour sortir de derrière un véhicule (la 0,86). Plus un changement de voie est rapide, plus un système d’aide à la conduite a besoin de temps pour compenser, ce qui rend la distinction potentiellement utile.

Zhao a déclaré que le fait d’avoir accès à des données de conduite naturalistes lui donne une plus grande confiance dans la validité du modèle, qui, selon elle, pourrait également être appliqué à d’autres ensembles de données plus riches provenant de véhicules équipés de plus de capteurs et de caméras.

« Je pense que la contribution de ces résultats est de fournir des connaissances de base, des données techniques ou un soutien aux développeurs de ces systèmes avancés d’aide à la conduite et de technologies de véhicules automatisés », a-t-elle déclaré. « Cela devrait aider les conducteurs dans des situations à risque et améliorer la sécurité des conducteurs lorsque ces situations extrêmes se produisent. »

Zhao a développé le modèle avec Laurence Rilett, directrice du Nebraska Transportation Center et professeur de génie civil et environnemental, ainsi que Mm Shakiul Haque, doctorante en génie des systèmes de transport. Les chercheurs ont détaillé le développement et les résultats de leur modèle dans la revue Dossier de recherche sur les transports.


Démystifier les aides à la conduite avancées dans les nouveaux véhicules


Plus d’information:
Li Zhao et al, Hidden Markov Model of Lane-Based Car-Following Behavior on Freeways using Naturalistic Driving Data, Dossier de recherche sur les transports : Journal du Conseil de recherche sur les transports (2021). DOI : 10.1177/0361198121999382

Fourni par l’Université du Nebraska-Lincoln

Citation: Le modèle prédit les changements de voie, pourrait informer les systèmes d’assistance à la conduite (2021, 2 juillet) récupéré le 2 juillet 2021 à partir de https://techxplore.com/news/2021-07-lane-driver-assist.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.