Des informations cachées dans les données GPS peuvent suivre les changements de voie et améliorer la sécurité des véhicules autonomes, selon une étude de l'Université du Michigan
infohightech ·
Comprendre comment et quand les conducteurs changent de voie est essentiel pour améliorer la fluidité du trafic routier, la sécurité et les performances des véhicules autonomes, et une nouvelle approche développée à l'Université du Michigan surpasse les méthodes actuelles utilisant uniquement des données GPS.
Jusqu'à présent, l'estimation des changements de voie était réalisée à l'aide de caméras embarquées ou de cartes haute résolution au niveau des voies, fournissant la géométrie, le marquage au sol et les connexions entre les voies. Ces deux méthodes sont coûteuses et pas toujours fiables. Les caméras tombent en panne lorsque les lignes de voie sont effacées ou masquées, et les cartes sont difficiles à mettre à jour à grande échelle.
« Presque toutes les voitures vendues au cours de la dernière décennie collectent des données GPS, mais jusqu'à présent, vous ne pouviez pas utiliser ces données sans cartes pour comprendre le comportement des conducteurs, comme l'agressivité ou la façon dont les gens réagissent aux conditions de circulation », a déclaré Arpan Kusari , chercheur adjoint à l' Institut de recherche sur les transports de l'Université du Michigan (UMTRI) et auteur principal d'une étude sur les travaux publiée dans IEEE Transactions on Intelligent Transportation Systems .
« En exploitant ce flux d'informations, nous avons développé une méthode capable de détecter de manière fiable les changements de voie, offrant ainsi un moyen simple et économique d'étudier le comportement de conduite et d'améliorer à la fois la sécurité routière et les performances des véhicules autonomes. »
Déverrouillage des données de trajectoire GPS « sombres »
Les chercheurs ont utilisé les trajectoires réelles de véhicules de 130 participants au projet Safety Pilot Model Deployment de l'UMTRI, premier déploiement mondial à grande échelle de véhicules connectés en conditions réelles. Pour exploiter la richesse des données de trajectoire GPS disponibles, ils ont introduit une nouvelle approche non paramétrique et non supervisée qui s'écarte radicalement des méthodes actuelles, précise Arpan Kusari. Cette approche conceptualise la trajectoire GPS de chaque véhicule comme deux éléments : des variations à grande échelle correspondant à la courbure de la route et des variations à petite échelle représentant principalement les changements de voie.
Pour distinguer les variations à petite échelle des variations à grande échelle, chaque trajectoire est transformée à l'aide de fonctions mathématiques qui analysent différents tronçons du trajet (entre 100 et 500 mètres) afin de calculer l'écart de chaque point par rapport à la trajectoire attendue. Les données transformées, appelées Système de coordonnées alignées sur la base (BACS : Basis-Aligned Coordinate System), permettent de mettre en évidence les changements de voie comme des écarts évidents par rapport aux schémas de conduite habituels sur autoroute.
« Cette innovation libère non seulement le potentiel de quantités massives de données de trajectoire « sombres » auparavant inutilisables pour des applications telles que l'assistance avancée à la conduite ou l'étiquetage des systèmes de conduite automatisés, mais fournit également une solution informatique simple et très robuste là où les méthodes précédentes sont insuffisantes », assure Arpan Kusari.
La méthode BACS est extrêmement généralisable et peut être appliquée à pratiquement toutes sortes de trajectoires GPS sans aucune restriction géographique.
Pour valider la nouvelle méthode, les chercheurs ont comparé les changements de voie détectés par le BACS à partir des trajectoires GPS avec des données de terrain cartographiques et photographiques. Le BACS s'est avéré très efficace pour capturer les changements de voie, avec moins de faux négatifs que les repères photographiques et des performances comparables à celles des repères cartographiques.
Bien que la méthode BACS n'utilise pas le lacet (rotation autour de l'axe vertical du véhicule, particulièrement visible dans les courbes), elle peut l'approcher très précisément. Cela confirme une fois de plus que le modèle mathématique modélise correctement l'espace physique.
Le BACS a enregistré un nombre plus élevé de faux positifs, notamment aux croisements en trèfle, dus à des courbures inattendues de la route, comme des coudes prononcés, que le système a confondus avec des changements de voie. Afin de réduire les faux positifs dans les prochaines versions, les chercheurs prévoient d'analyser plusieurs trajectoires de véhicules sur les mêmes segments de route, ce qui devrait permettre de distinguer les véritables changements de voie des géométries routières trompeuses.
Comment les données GPS pourraient améliorer la sécurité
Globalement, cette méthode économique pourrait permettre d'étiqueter les changements de voie dans des ensembles de données de conduite sur autoroute naturalistes, comme celles collectées par l'UMTRI. Des analyses complémentaires permettraient ensuite de mieux comprendre les schémas de changement de voie des conducteurs et d'identifier les comportements à risque. Les décideurs politiques pourraient ensuite exploiter ces informations pour améliorer la circulation et la sécurité routière. Les développeurs de véhicules autonomes pourraient l'utiliser pour améliorer la prédiction des changements de voie des véhicules à proximité et mieux comprendre le comportement de la personne avec laquelle ils partagent le volant.
Par exemple, cette méthode pourrait offrir une alternative peu coûteuse à la surveillance de l'état du conducteur dans les véhicules autonomes, qui s'appuie généralement sur une caméra embarquée pour évaluer si le conducteur a les yeux fixés sur la route. Les véhicules pourraient potentiellement fournir des alertes en temps réel en fonction de la fréquence des changements de voie et des embardées, a déclaré Kusari.
Il pourrait également être utilisé pour analyser comment l'heure de la journée (un indicateur de fatigue) et les conditions d'éclairage affectent les styles de conduite au niveau du groupe (protégeant ainsi la vie privée individuelle). Les informations issues de données de conduite anonymisées pourraient éclairer les réglementations, les campagnes de sécurité et les algorithmes qui anticipent les comportements de conduite humains à risque et ajustent les réponses du véhicule.
« Notre nouvelle approche non paramétrique non supervisée pour une estimation robuste des changements de voie modifie fondamentalement la façon dont nous analysons le comportement de conduite et utilisons les données dans les systèmes de transport intelligents », conclut Arpan Kusari.