La perception visuelle des entités autonomes en réalité virtuelle : Application à la simulation de trac routier.

Dimension: px
Commencer à balayer dès la page:

Download "La perception visuelle des entités autonomes en réalité virtuelle : Application à la simulation de trac routier."

Transcription

1 La perception visuelle des entités autonomes en réalité virtuelle : Application à la simulation de trac routier. Thèse présentée devant l'université de Bretagne Occidentale pour obtenir le grade de : Docteur de l'université de Bretagne Occidentale Mention Informatique par David Herviou Équipe d'accueil 3883 (UBO,ENIB) Laboratoire d'informatique des Systèmes Complexes (LISyC/UBO-ENIB) - Version dénitive - Soutenue le 18 décembre 2006 devant la commission d'examen : Bruno Arnaldi Professeur, IRISA, Rennes Rapporteur Yves Duthen Professeur, IRIT, Toulouse Rapporteur Simon Richir Professeur, ENSAM, Laval Président Denis Pasco Maître de Conférences, UBO, Brest Examinateur Eric Maisel Maître de Conférences, ENIB-UBO, Brest Examinateur Jacques Tisseau Professeur, ENIB-UBO, Brest Directeur Henri Ramonatxo INSERR, Nevers Membre invité

2

3 Laboratoire d'informatique des Systèmes Complexes Équipe d'accueil 3883 UBO-ENIB David Herviou url : http ://www.cerv.fr/~herviou/ tel : +33 (0) fax : +33 (0) Centre Européen de Réalité Virtuelle École Nationale d'ingénieurs de Brest Technopôle Brest-Iroise Centre Européen de Réalité Virtuelle 25, rue Claude Chappe Plouzané, Finistère

4

5 Remerciements Je tiens à remercier de nombreuses personnes pour m'avoir permis de réaliser ces travaux, que ce soit pour leurs conseils, leurs critiques ou encore leurs soutiens. Je m'excuse de ne pouvoir toutes les citer, mais je sais combien je dois à chacun. Je remercie particulièrement : Bruno Arnaldi et Yves Duthen d'avoir accepté d'être les rapporteurs de ma thèse. Denis Pasco et Simon Richir pour avoir accepté d'en être les examinateurs. Jacques Tisseau pour sa disponibilité, son il critique et ses nombreux conseils toujours constructifs, ainsi qu' Éric Maisel pour m'avoir permis de recadrer mon travail en toutes circonstances. Ces nombreux conseils et commentaires sur mes travaux m'ont permis d'avancer toujours plus dans mes réexions. Les membres de l'équipe ASAP dont la disponibilité et leurs points de vues diérents m'ont permis de confronter mes travaux à la réalité et aux besoins des usagers. L'entreprise cervval pour m'avoir permis de réaliser ses travaux par son soutien nancier et l'inserr pour les échanges constructifs et formateurs que nous avons eu tout au long de ces trois années, notamment avec Henri Ramonatxo, Patrick Barry et Nathalie Vidot. Les diérents membres du CERV et de l'enib qui font que l'ambiance et l'atmosphère de travail soient des plus agréables. Mes parents, mes frères et ma soeur qui ont toujours été là pour me soutenir dans les phases les plus diciles mais aussi pour partager les moments les plus agréables de cette période de doctorat. Je vous remercie d'avoir toujours cru en moi et de m'avoir permis de faire mes études dans les meilleures conditions. Ma future femme qui a su faire preuve de beaucoup de compréhension vis à vis des sacrices que j'ai fait notamment en ce qui concerne ma vie privée. Merci d'avoir franchi avec moi cette étape importante de ma vie.

6

7 Table des matières 1 Introduction Contexte des travaux Présentation Le conducteur humain et le trac routier Réalité virtuelle et agents autonomes Problématique Du comportement humain à la génération de trac routier Étude du comportement humain Les modèles d'analyse de tâches Les modèles de gestion du risque Conclusion Les enjeux de la simulation de trac Les modèles de simulation Introduction Approche macroscopique : une vue globale du trac Approche microscopique : une vue locale du trac Approche mésoscopique : une vue intermédiaire Conclusion Le cas du microscopique Implémentations Le paradoxe du contrôle dans les modèles microscopiques Conclusion sur la simulation de trac Perception visuelle des entités autonomes Introduction La perception visuelle humaine Introduction Le système visuel humain Mémoire et représentation Attention visuelle et action Modélisation écologique de la perception Conclusion Simulation de la perception : mécanismes de prise d'informations visuelles Introduction sur la perception visuelle Vision Synthétique Perception par bases de données i

8 3.3.4 Conclusion Mécanismes de traitement et de contrôle Introduction Stratégie descendante : de la décision à la perception Stratégie ascendante : de la perception à la décision Stratégie hybride Conclusion Perception, mémorisation et représentation Introduction Représentations, données maintenues Mise à jour de la mémoire Conclusion Perception des conducteurs virtuels Conclusion Modélisation des conducteurs virtuels dans ARéViRoad Introduction Contexte des travaux : précisions Décomposition tri-partite Interface décision / perception : décomposition du problème Niveau tactique Introduction Tâches de conduite observables Graphe de tâche de conduite : le niveau tactique Le module de sécurité Conclusion Niveau opérationnel Introduction Modélisation de la trajectoire Exploitation des trajectoires Asservissement en vitesse Conclusion Modélisation des routines d'actions Routines d'actions Gestion des routines : contrôleur d'actions Conclusion Les piétons : un cas particulier d'usagers Conclusion Architecture de perception visuelle Introduction Rappel des objectifs Vue d'ensemble Mémoire Structure Mise à jour Capteur virtuel L'environnement ii

9 5.3.2 Principe de fonctionnement Optimisation des calculs : structuration de l'environnement Contrôle du capteur Actions de perception Spécialisation des actions perceptives Prise en compte du temps : enjeux Focalisation : stratégie de prise d'information Introduction Informations attendues et non attendues Contrôle descendant Contrôle ascendant Contrôle hybride Contrôleur de perception Exécution du modèle Conclusion Applications et expérimentations Introduction ARéViRoad : le simulateur de trac routier pour l'apprentissage de comportements Objectifs Présentation du simulateur Aspects Pédagogiques Outils d'aide à la formation Conclusion Expérimentation et validation pédagogique Introduction Prise en main Remarques relative au simulateur Utilisations pédagogiques potentielles Conclusion Réalisme d'aréviroad Expérimentation de la complexité du trac Expérimentation de la validité du trac d'aréviroad : objectifs Protocole Analyse des résultats Conclusion Utilisation d'aréviroad pour l'aménagement d'équipements routiers Le feu tricolore intelligent Le radar embarqué Évaluation de réseaux routiers Conclusion Conclusion Conclusions et Perspectives 155 iii

10 A Le conducteur humain et les tâches de conduite dégradées 171 A.1 Prise d'informations A.2 Zone de contraintes et zone de conits A.3 Étude de situations réelles : Comment faut-il faire? A.3.1 Carrefour 4 branches : priorité à droite A.3.2 Carrefour 4 branches : stop A.3.3 Carrefour 4 branches : cédez le passage A.3.4 Carrefour 4 branches : feux tricolores (gure A.5) A.3.5 Rond point (gure A.6) A.3.6 Changement de le (gure A.7) A.3.7 Dépasser (gure A.8) A.3.8 Croiser (gure A.9) A.3.9 Type de franchissement en croisant (gure A.10) A.3.10 Complément d'informations & synthèse A.4 Les dégradations : vers le conducteur réel A.4.1 Les dégradations de type cinématique A.4.2 Les dégradations de type perceptif A.5 Conclusion B Créer son conducteur virtuel en Lua 181 B.1 Implémenter son conducteur B.2 Exemple d'une action de perception B.3 Paramêtrage des actions B.4 Dénition des routines B.5 Dénition de règles à appliquer lors du franchissement de rond-point B.6 Construction du graphe de la tâche de conduite C Résumé long 189 iv

11 Table des gures 1.1 Le conducteur : composant et régulateur central Répartition globale des erreurs lors de la conduite Diérence de prise d'informations suivant le savoir-faire du conducteur La réalité virtuelle en lieu et place de l'autonomie, de l'immersion et de l'interaction La boucle perception-décision-action d'un agent Le simulateur de conduite de l'université de l'iowa Diagramme de Greenshields Voiture suiveuse Modèle hybride de simulation de trac Simulation de trac à l'aide d'un automate cellulaire Structure interne de l' il et de la rétine Longueurs d'ondes perceptibles par les cônes de la rétine de l' il humain Accomodation du cristallin et convergence des yeux Disparité horizontale obtenue par l'écart interpupillaire Champ visuel Modèle modal de la mémoire selon Atkinson et Schirin (1968) La mémoire de travail selon Baddeley et Hitch(1974) Exemple de xations eectuées lors d'une routine visuelle Flux optique Visualisation du tampon de profondeur Vision synthétique et ajout d'informations sémantiques Génération d'une image photoréaliste par lancer de rayon Rendu avec champ d'énergie de déplacement Simulation de la fovéa du champ visuel Traitement d'images par programmation GPU Exemple d'une reprojection d'image multi-couches de profondeur Pipeline de perception pour optimiser les calculs de perception Génération de cartes de saillances Exemples d'images calculées pour générer des points de saillances Décomposition de la zone de perception du conducteur virtuel pour l'anticipation Un réseau routier dans ARéViRoad Décomposition du conducteur selon trois niveaux Métaphore de la boîte noire pour le système visuel v

12 4.4 Trajectoires théoriques lors de l'insertion sur un rond-point Exemple de deux tâches de conduite qui peuvent être activées simultanément Illustration dans le simulateur ARéViRoad de la tâche de conduite "franchir un rond-point" Trajectoires prédénies sur un rond-point Exemple d'une trajectoire avec le calcul des corrections latérale et d'orientation Exemple d'un changement de le Liens entre les savoir-faire, les routines, les sous-tâches de conduite et le contrôleur Trajectoires utilisées par les piétons Traverser de voie par des piétons Un groupe de piétons à une intersection Groupe de piétons Ensemble des positionnements des piétons suiveurs Les composants principaux du conducteur virtuel Unité de traitement du modèle de perception proposé Interface entre l'architecture de perception et la prise de décision Une prise d'information modie un champ de la mémoire Mode de fonctionnement du capteur Récupération des objets 3D présents dans le cône de vision Obtenir des informations en 3 temps (à gauche) est diérent d'obtenir les informations en une seule fois (à droite) Diérentes prises d'informations en fonction de la chaussée Prise en compte du temps dans la prise d'informations Application des stratégies ascendantes et descendantes Contextualisation des routines visuelles Évolution du contenu de la mémoire du conducteur lors de l'exécution des actions de perception Une situation de priorité à droite Focalisation ascendante Rétroaction de la stratégie ascendante sur la stratégie descendante Exemple de l'application du contrôle hybride Fonctionnement du contrôlleur de perception Ordonnancement des routines visuelles Vue détaillée du conducteur virtuel Conguration du dispositif du simulateur Vue du poste de conduite d'un apprenant Diérents point de visualisation lors du rejeu de situations Visualisation des prises d'informations de l'élève Zone de contrainte Zone de conit Visualisation des zones de contrainte depuis la voiture et vue de dessus Construction incrémentale de la zone de freinage Caméra intelligente de suivi de véhicule Détection automatique des erreurs vi

13 6.11 Le poste d'apprentissage d'un élève Exercice du franchissement de rond-point avec une densité moyenne de trac Test de montée en charge du simulateur Le parcours d'expérimentation en virtuel Séquences vidéos en réel et la correspondance en virtuel Feux "intelligents" Résultats obtenus pour les feux "intelligents" Système anti-collision : modes de fonctionnement Système anti-collision : limites de fonctionnement Réseaux testés pour le calcul du temps de parcours Résultats obtenus pour les réseaux testés A.1 Diérence de prise d'information suivant le savoir-faire du conducteur A.2 Zone de contrainte A.3 Zone de conit A.4 Trajectoires théoriques lors de la prise de carrefour A.5 Trajectoires théoriques lors du franchissement de carrefour A.6 Trajectoires théoriques lors de l'insertion sur un rond-point A.7 Trajectoire théorique lors d'un changement de le A.8 Trajectoire théorique lors d'un dépassement A.9 Trajectoire théorique lors d'un croisement A.10 Méthodes de croisements B.1 Tâche de conduite de franchissement de rond-point C.1 Exemple d'une génération de trac microscopique sur un rond-point vii

14

15 Liste des tableaux 3.1 Comparaison de la vision synthétique et de la perception par bases de données Récapitulatif des sous-tâches de conduite du franchissement de rond-point Ensemble des actions perceptives du conducteur virtuels et champs de la mémoire modiée Décomposition du conducteur et modes de perception associés Etape et sous objectifs des étapes du livret d'apprentissage anticipé de la conduite qu'il est possible de travailler sur le simulateur ARéViRoad Exemple de recensement de verbalisations dans le réel et le virtuel pour la situation caractéristique s'engager Recueil de données pour la catégorie "observer" de la situation caractéristique "s'engager" Analyse par catégorie de la corrélation entre réel et virtuel pour les situations caractéristiques signicatives

16

17 Chapitre 1 Introduction "L'enfer c'est les autres" J.P. Sartre extrait de Huis clos. Dans ce chapitre d'introduction, nous exposons les constats et idées fondatrices qui ont mené à ce travail de thèse. Nous proposons de contribuer à un objectif pédagogique avec l'utilisation du logiciel ARéViRoad : apprendre des comportements de sécurité sur la route. Pour cela, nous proposons d'immerger des élèves dans un environnement de réalité virtuelle dans lequel ils puissent apprendre ces comportements. Pour les apprendre, il faut que les élèves soient confrontés à des conditions de circulation identiques à celles que nous trouvons sur la route. Nous nous intéressons par conséquent à la génération de ce trac routier virtuel à travers la modélisation des conducteurs virtuels et de leur perception. Les questions auxquelles nous tenterons de répondre dans cette thèse sont donc les suivantes : quel modèle de conducteur pour la génération de trac routier dans le logiciel ARéViRoad? quelle architecture de perception visuelle pour le conducteur virtuel?

18 1.1. CONTEXTE DES TRAVAUX 1.1 Contexte des travaux Présentation Nos travaux menés au CERV 1 ont comme cadre le projet ARéViRoad. Celui-ci a pour objectif de créer un environnement de formation pour l'apprentissage de comportements de sécurité sur la route. Dès l'origine de sa conception, ARéViRoad s'est voulu un outil pédagogique à destination des formateurs de la conduite dans les auto-écoles et de leurs élèves. La route est un univers dans lequel nous évoluons au quotidien : c'est un lieu que chacun doit partager avec les autres et qui possède ses propres codications mais également ses règles sociales. Dans ce sens, nous paraphrasons J.P. Sartre "l'enfer c'est les autres" car conduire sur la route n'est pas un acte solitaire qui se résume à la manipulation du volant et des pédales. Il s'agit d'un acte social [METL, 1999], dont il faut prendre la dimension pour pouvoir évoluer en toute sécurité, les uns avec les autres, sur la route. Pourtant, les élèves conducteurs apprennent plus à eectuer des gestes techniques qu'à bien se comporter sur le réseau routier. Nous sommes convaincus qu'un système de formation à la conduite se doit de prendre en compte la dimension sociale évoquée ci-dessus. Il ne s'agit plus d'apprendre des gestes techniques mais des comportements [Dillenbourg, 2000] dépendants de ceux d'autres usagers : apprendre à conduire suppose apprendre à bien se conduire. Mais cet aspect de l'apprentissage n'est que peu pris en compte par les outils de formation actuels. Les diapositives et les vidéos sont trop statiques et ne permettent pas, faute d'interactivité, d'immerger un élève dans une circulation dense. Les DVDs orent une plus grande interaction entre les élèves et le système mais une immersion encore insusante dans la situation. Les véhicules-écoles n'ont pas ces inconvénients, mais se posent alors les problèmes de sécurité (pour l'élève et les autres usagers) et de coût (d'autant plus qu'apprendre un comportement prend plus de temps qu'apprendre un geste technique). Une solution semble être apportée par les simulateurs de conduite. En eet, ils permettent d'immerger un élève dans un réseau routier virtuel visuellement réaliste, tout en lui donnant la possibilité de conduire de façon interactive un véhicule. Le formateur peut alors confronter l'élève à des situations particulières complexes mais sans risquer de porter atteinte à l'intégrité physique de l'élève. Mais ces simulateurs sont essentiellement destinés à l'apprentissage des gestes techniques [NADS, 2004, Johansson et Nordin, 2002]. Ils ne peuvent simuler qu'un faible nombre de véhicules et ceux-ci sont souvent préprogrammés ou suivent un scénario répétitif : ils ne peuvent pas tenir compte de façon réaliste des réactions de l'élève. De plus, cette programmation a priori peut entraîner l'apprentissage de comportements d'anticipation sans équivalent dans le monde réel (l'élève prévoyant ce qui va arriver réagit correctement, alors que souvent, le problème est de prévenir les situations). Nous proposons avec ARéViRoad de contribuer à un objectif pédagogique : apprendre à bien se comporter sur la route. Celui-ci se divise en plusieurs sous-objectifs, notamment l'apprentissage de la prise d'information visuelle. En eet, lors de la pratique de la conduite les prises de décisions inadaptées aux situations sont souvent la conséquence d'une mauvaise prise d'information [Rothengatter et al., 1993]. Il convient par conséquent 1 Centre Européen de Réalité Virtuelle, LISyC : Laboratoire d'informatique des Systèmes Complexes - 2 -

19 CHAPITRE 1. INTRODUCTION d'apprendre à savoir appliquer les règles du code de la route intelligemment plutôt que de manière rigide. L'idée générale d'aréviroad est donc de permettre à des élèves de se trouver en situation de conduite pour apprendre les comportements de sécurité. Nous proposons dans ce sens un complément pédagogique à la formation actuelle qui doit permettre notamment "une meilleure compréhension des situations routières critiques" [Van Elslande et al., 1997]. Il est cependant important de souligner qu'il ne s'agit pas là d'un simulateur de conduite : l'élève doit pouvoir se détacher de la manipulation des commandes d'un véhicule pour se concentrer uniquement sur son comportement de plus haut-niveau comme sa prise d'information et sa prise de décision Le conducteur humain et le trac routier L'un des pré-requis à cette mise en situation est l'existence d'un réseau routier sur lequel un trac existe et génère des situations similaires à celles auxquelles nous pouvons être confrontées dans la réalité. Une partie de l'étude a donc consisté à créer un trac routier virtuel crédible avec lequel des humains puissent venir interagir : ils doivent vivre l'expérience de la conduite. Nous verrons dans le chapitre 2 qu'il existe plusieurs solutions pour générer un trac mais que la plus appropriée à notre problématique se base sur un modèle microscopique, dans lequel chaque conducteur est simulé. S'intéresser à la génération de trac microscopique inclu qu'il faille étudier les modèles de comportement de conducteurs réels pour éventuellement les transcrire en des modèles numériques. L'étude du comportement humain en situation de conduite a plusieurs objectifs. Elle doit pouvoir permettre de xer des stratégies éducatives [METL, 1999, 2001] ou répressives visant à éradiquer les comportements à risque qui causent encore aujourd'hui beaucoup trop d'accidents et de morts sur nos routes [ONISR, 2005] 2. Plusieurs missions [SARTRE, 1995, EOS Gallup Europe, SARTRE2, 1998, GADGET, 1999] ont donc été menées an de comprendre le rapport qu'ont les conducteurs vis à vis de la conduite. L'étude du comportement doit également permettre de comprendre les accidents. Dans cette optique, Van Elslande [Van Elslande et al., 1997], tente de dénir le "rôle de l'erreur dans les mécanismes accidentogènes". Pour cela il place le conducteur comme composant régulateur du système dénit gure 1.1. Il caractérise l'erreur ainsi : "L'erreur est la manifestation d'une incapacité d'une des fonctions sensorielles, motrices ou cognitives à réguler une situation donnée : l'erreur n'est pas la cause des dysfonctionnements." P. Van Elslande [Van Elslande et al., 1997]. Une analyse globale de ces défaillances fonctionnelles fait ressortir la forte proportion des erreurs correspondant à l'analyse de la situation (perception 30%, diagnostic 22%, tués et accidents corporels en

20 1.1. CONTEXTE DES TRAVAUX pronostic 17%), comparativement aux erreurs liées à l'exécution de l'action (6%) et à la prise de décision (10%) (voir gure 1.2). Dans le cas des personnes agées les erreurs dûes à la perception dépasse les 40% [Elslande, 2001]. Sur ce plan perceptif, les défaillances les plus marquées [Elslande, 2001] chez ces personnes agées concernent : la saisie d'informations focalisée sur une composante partielle de la situation (19% de l'ensemble des erreurs), la recherche sommaire d'informations (9%), la non détection liée à une gêne de visibilité (9%). Berthoz [Berthoz, 2005] le rejoint en évoquant l'idée selon laquelle le cerveau ne se contente pas de recevoir les informations passivement, mais impose ses propres lois d'interprétation et qu'il est indispensable de tenir compte de cet aspect lorsqu'on pense à la perception du conducteur. Un conducteur est quelqu'un qui prédit, il n'attend pas de voir l'eet de ses actions. Les études de Landrieu [Landrieu, 1990] estime que 20% des responsables d'accidents ont une décience visuelle. Les données de Esteban de Antonio [Esteban de Antonio, 1993] corrobore l'importance de la perception visuelle est estimant que 90% des informations nécessaires à la conduite son fournit par l' il. Fig. 1.1 Le conducteur : composant et régulateur central [Van Elslande et al., 1997]. Les guides pédagogiques nationaux de formation à la conduite [METL, 2001, 1999] arment également que la perception joue un rôle majeur dans les bonnes prises de décision et par conséquent sur le comportement à risque d'un individu. " Être capable de mettre en place des stratégies de prise d'information, d'analyse et de décision pour s'adapter de façon continue aux évolutions et exigences de la circulation." Extrait du Programme National de Formation à la conduite [METL, 1999] - 4 -

21 CHAPITRE 1. INTRODUCTION Fig. 1.2 La perception à elle seule est une source d'erreurs plus importante que l'action, la décision et les défaillances générales réunies [Van Elslande et al., 1997]. "Rechercher des indices utiles. L'élève sait déjà toute l'importance de la signalisation qui constitue un ensemble d'indications ocielles, c'est à dire dont la signication correspond à une prescription réglementaire. Il doit maintenant découvrir que le conducteur utilise aussi un grand nombre d'indices informels ce qu'il faut apprendre à reconnaître et dont il faut savoir tenir compte." Extrait du Guide pour la Formation des Automobilistes [METL, 2001] concernant l'étape 2 de l'apprentissage Anticipé de la Conduite. Par informels, les auteurs du Guide pour la Formation des Automobilites [METL, 2001] sous-entendent que ces indices doivent permettre de prévoir des situations qui vont probablement arriver : des piétons qui regardent la présence de véhicules sur la chaussée, des véhicules qui roulent à une allure anormalement réduite... Pour illustrer l'importance de la prise d'informations sur les décisions qui peuvent être prises, prenons l'exemple de la priorité à droite illustrée gure 1.3. Suivant son niveau d'expertise, le conducteur ne recherche pas l'information dans les mêmes zones de l'espace. L'expert aura une meilleure vision de la situation globale et pourra par exemple, appliquer des stratégies d'évitement de collision bien meilleures que le débutant. Neboit [Neboit, 1974], a notamment montré que le prélèvement de l'information visuelle dans l'environnement routier se fondait sur des schémas de balayages oculaires relativement stéréotypés pour un sujet et un contexte déterminé, mais fortement variables en fonction de l'expérience. La perception visuelle n'est donc pas qu'un simple mécanisme qui permet d'obtenir des informations sur l'environnement. ARéViRoad est le cadre applicatif de cette étude, dans ce contexte, nous devons nous intéresser à l'immersion d'une personne dans un trac routier crédible. Nous proposons pour cela l'utilisation de la réalité virtuelle. Elle doit permettre aux utilisateurs de vivre l'expérience de la conduite en étant confronté à un trac routier. La génération de ce trac routier constitue une de nos problématiques. Nous utiliserons une approche microscopique pour la génération de ce trac, dans laquelle chaque conducteur est représenté par un acteur virtuel autonome. Nous serons ainsi amenés à aborder les aspects compor

22 1.2. RÉALITÉ VIRTUELLE ET AGENTS AUTONOMES Fig. 1.3 Diérence de prise d'informations suivant le savoir-faire du conducteur. tementaux des conducteurs et notamment la modélisation de la perception visuelle qui joue un rôle majeur dans la conduite : cet aspect constitue l'objet principal de notre étude. 1.2 Réalité virtuelle et agents autonomes La réalité virtuelle [Tisseau, 2001] est un univers virtuel dans lequel l'humain fait l'expérience de la réalité, tout se passe dans cet univers "comme si" il était dans le réel : tous les sens sont stimulés. Ceci est rendu possible grâce, notamment, à la création d'univers tridimensionnels habités d'entités virtuelles reproduisant les phénomènes de la réalité. Pour permettre d'avoir des éléments de comparaison, le schéma 1.4 place la réalité virtuelle sur les axes de l'immersion, de l'interaction et de l'autonomie. Fig. 1.4 La réalité virtuelle en lieu et place de l'autonomie, de l'immersion et de l'interaction. Les entités virtuelles qui peuplent les univers de réalité virtuelle peuvent être de diverses natures. Elles peuvent représenter un phénomène physique, une interaction entre deux molécules, une plante, voire même un être humain. Ces entités sont décrites par des modèles numériques. Les travaux du LISyC se concentrent en partie sur l'autonomisation - 6 -

23 CHAPITRE 1. INTRODUCTION de ces modèles. Pour expliquer le propos, la comparaison d'une entité autonome (ou modèle numérique autonome) au personnage de Pinocchio est utilisée : " Il commença par l'identier (Je vais l'appeler Pinocchio), puis il s'intéressa à son apparence ([il] commença par lui faire les cheveux, puis le front), et lui fabriqua des capteurs et des actionneurs (puis les yeux [...]). Il dénit ensuite ses comportements (Geppetto le tenait par la main pour lui apprendre à faire ses premiers pas) an de le rendre autonome (Pinocchio se mit à marcher tout seul) et enn, il ne put que constater que l'autonomisation d'un modèle conduit à une perte de controle du créateur sur son modèle (il bondit dans la rue et se sauva). " Extrait de [Tisseau, 2001] Au quotidien, nous (Gepetto) tentons de rendre nos modèles (Pinocchio) autonomes. Nous les appellerons maintenant d'une manière plus générale agents, bien que cette terminologie suscite des débats quant à sa dénition dont voici un petit panel : " An intelligent agent is a computer system situated in some environment, and that is capable of exible autonomous action in this environment in order to meet its design objectives." Jennings and Wooldridge 1998 " An agent is an entity whose state is viewed as consisting of mental components such as beliefs, capabilities, choices and commitment." Shoham 1997 " An agent is a program that is, to some degree capable of initiating actions, forming its own goals, constructing plans of action, communicating with other agents, and responding appropriately to events all without being directly controlled by a human. (...) The second meaning of agent is connected with what is portrayed to the user. Here, "agent" is used to describe programs which appear to have the characteristics of an animate being, often a human." Bradshaw 1997 " When we really have to, we dene an agent as referring to a component of software and/or hardware which is capable of acting exactingly in order to accomplish tasks on behalf of its user. Given a choice, we would rather say it is an umbrella term, meta-term or class, which covers a range of other more specic agent types." Nwana 1996 Une autre façon de voir un agent réside dans la description de ses propriétés. Il y a plusieurs caractéristiques qu'un agent idéal doit posséder pour être "intelligent" : réactif : un agent doit être capable de percevoir son environnement et d'eectuer des actions en concordance avec ses perceptions ; autonome : il est capable d'eectuer des actions sans le contrôle de l'utilisateur. L'agent doit déterminer comment un problème se résoud de la meilleure façon et agir de sa propre initiative ; - 7 -

24 1.3. PROBLÉMATIQUE adaptatif : il doit être capable d'apprendre des expériences qu'il vit dans son environnement virtuel que ce soit au contact de l'utilisateur humain ou au regard des autres agents ; Social : il doit être capable d'interagir et de coopérer avec les autres agents et les utilisateurs (humains) dans le but d'achever une tâche complexe qui ne peut être menée à bien tout seul ; communicatif : il doit être capable de communiquer à l'aide d'un langage avec les utilisateurs et les autres agents. Idéalement ce langage serait le langage naturel des utilisateurs. Aujourd'hui, nous pouvons dire qu'il n'existe pas d'agent qui corresponde à tous ces critères à la fois. Cependant, il existe des implémentations d'agents qui rassemblent un certain nombre de ces fonctionnalités : L'agent délibératif [Rao et George, 1995] ou agent cognitif : est un agent qui possède une représentation purement symbolique du monde et prend ses décisions uniquement sur un processus de raisonnement symbolique. L'agent réactif [Drogoul et Ferber, 1992] : ou encore agent réexe exhibe un comportement de type stimuli-réponse. Les stimuli sont perçus à travers des capteurs qui lui permettent de sonder son environnement et en fonction de l'état de ses capteurs de générer en réponse une action. L'agent interface [Maes, 1994] : est un agent qui coopère avec l'utilisateur pour l'aider à accomplir sa tâche et fonctionne comme un assistant personnel. Il est capable d'apprendre et de s'adapter à l'utilisateur. L'agent mobile [Milojicic et al., 1998] : est un agent qui peut migrer d'une machine à une autre. Il est capable de travailler indépendamment de sa plateforme d'exécution. Ils sont utiliser dans le monde des réseaux de télécommunication notamment. Le virus [Spaord, 1992] : il s'agit là d'un agent particulier. Il travaille en autonomie, est capable de migrer d'une machine à une autre de se reproduire, mais son interaction avec l'utilisateur se limitera à l'infection de sa machine. Pour résumer en un schéma (gure 1.5), l'agent doit être capable de percevoir son monde, prendre des décisions en fonction de son propre comportement, de ses connaissances, de ses buts, de ses proprioceptions et doit agir en cohérence avec sa décision. Ceci constitue une boucle perception-décision-action qui sert généralement de support de base à la conception d'un agent. Notre vision de la réalité virtuelle est donc intimement liée avec l'élaboration de modèle numérique autonome. Dans la suite du manuscrit nous nous intéresserons uniquement à la partie modèle numérique et plus particulièrement à la partie perception de la boucle d'évolution d'un agent. 1.3 Problématique Dans ce chapitre nous avons évoqué la nécessité au sein du projet ARéViRoad d'obtenir un trac routier crédible avec lequel l'utilisateur puisse interagir. Nous demandons au lecteur d'admettre l'hypothèse de travail suivante : - 8 -

25 CHAPITRE 1. INTRODUCTION Fig. 1.5 La boucle perception-décision-action d'un agent. la solution la plus adaptée à la génération d'un trac routier dans le simulateur ARé- ViRoad réside dans une approche microscopique basée agent. Le trac sera ainsi constitué de véhicules autonomes et de piétons autonomes dont le comportement global émergera de l'ensemble des comportements individuels. Vue la part importante de la perception dans la production d'erreurs chez le conducteur humain, il faudra s'attacher lors de la modélisation d'un conducteur virtuel à réaliser une architecture de perception qui tiennent compte des propriétés du système visuel humain. Ceci an de pouvoir reproduire les phénomènes qui lui sont liés. Pour permettre de mieux comprendre les dicultés que posent la conception d'un conducteur virtuel et plus généralement d'un humain virtuel [CNR, 2006], nous allons exposer les grandes lignes qui font que ce travail est au croisement de plusieurs disciplines : comment modéliser la perception? Est-ce un système à part entière dans le fonctionnement de l'humain ou est-il intimement lié au processus cognitif? Avons-nous une mémoire visuelle? Que contient-elle? Toutes ces questions ne trouvent que des réponses partielles dans le cadre de l'étude d'un humain dans sa globalité. Cependant l'étude de l'humain dans une tâche spécique permet de mieux cerner les fonctionnements de chaque système qui le compose. Par conséquent, nous nous intéresserons à l'homme qui conduit son véhicule : que fait-il? Pourquoi le fait-il? Qu'avons-nous besoin de simuler comme modèle de l'humain qui conduit pour obtenir un trac routier crédible et utilisable dans ARéViRoad? Pour tenter de répondre à ces questions dans la suite de ce manuscrit, nous allons aborder les points suivants : Chapitre 2 : la génération de trac routier. Nous évoquons tout d'abord la problématique liée à la modélisation d'un conducteur réel : l'élément de base constituant le trac. Ensuite, Nous proposons un bref tour d'horizon des diérentes techniques de génération de trac routier et les problématiques qu'elles tentent de résoudre : nous argumenterons alors pourquoi notre choix s'est porté sur la modélisation microscopique du trac dans le cadre d'aréviroad. Chapitre 3 : la modélisation de la perception visuelle en informatique et plus pré

26 1.3. PROBLÉMATIQUE cisément celle des agents autonomes. Nous évoquons les diérentes techniques de simulation de la perception visuelle qui nous servirons de base de réexion pour le choix de la construction de notre architecture de perception. Une étude préalable sur le fonctionnement du système visuel humain est présentée an de permettre de mieux appréhender les solutions numériques proposées pour la modéliser. Chapitre 4 : nous y aborderons la génération de trac dans ARéViRoad et la façon dont nous avons modélisé les comportements des conducteurs. Chapitre 5 : nous décrivons notre architecture de perception visuelle des conducteurs virtuels. Nous y détaillons les techniques utilisées pour simuler diérents phénomènes de la perception et répondre aux critères que nous nous sommes imposés. Chapitre 6 : ce chapitre expose les diérentes expérimentations que nous avons pu mener an de montrer l'intérêt des aspects pédagogiques du simulateur ou encore la validité du trac simulé. Nous y exposons également des tests eectués dans le but d'illustrer les diérentes utilisations possible du simulateur de trac. Chapitre 7 : nous présentons une synthèse et une analyse des travaux que nous avons eectués. Nous exposons également les multiples perspectives oertes par cette étude

27 Chapitre 2 Du comportement humain à la génération de trac routier S'intéresser à la génération de trac et plus particulièrement à la génération de type microscopique nécessite d'étudier le comportement de l'être humain en situation de conduite. C'est le point de départ de ce chapitre. Dans un second temps, nous nous intéressons à la génération de trac en étudiant les approches macro/méso/micro-scopiques. Les contraintes pédagogiques d'aréviroad nous imposent le choix d'un modèle de type microscopique du trac routier. Parmi les approches microscopiques évoquées, l'approche analytique ressort comme trop réductrice de la modélisation du comportement humain. Tandis que les approches psychologiques semblent complexes à mettre en uvre. En conclusion, nous optons pour une modélisation à base de tâches de conduite qui décrit les activités observables d'un conducteur en situation de conduite.

28 2.1. ÉTUDE DU COMPORTEMENT HUMAIN 2.1 Étude du comportement humain Dans ce chapitre, nous décrivons les solutions les plus utilisées pour la génération de trac routier. Vouloir simuler un trac routier signie qu'il faille connaître en partie le fonctionnement de l'humain en situation de conduite. C'est pourquoi, dans un premier temps, nous faisons un bref tour d'horizon sur les modèles de comportements de conducteur réels. Dans un second temps, nous aborderons les trois grandes familles de simulation du point de vue la granularité de modélisation. Nous détaillerons plus précisément la simulation microscopique du trac qui s'intéresse à la simulation du conducteur humain dans son environnement. Dans le cadre de notre étude, nous pouvons répertorier plusieurs types de modèles de conducteurs : les modèles d'analyse de la tâche de conduite, les modèles de gestion du risque Les modèles d'analyse de tâches Les modèles d'analyse de tâches se concentrent sur les actions des conducteurs suivant une démarche taxinomique : ce qu'il perçoit, ce qu'il fait. Ces modèles n'identient pas directement le processus de prise de décision : il est inclus et dius dans les diérentes parties qui constituent le modèle d'analyse de tâches. En eet, il faut comprendre par décision l'ensemble du processus de sélection et de choix : c'est à dire les mécanismes de prélèvement de l'information associés aux mécanismes de prévisions et non l'acte nal entrepris par le conducteur. Ce type de modèle [McKnight et Adams., 1970, Allen et al., 1971] a été critiqué notamment du fait qu'il ne modélise pas le conducteur à proprement parler : les aspects de stress, désirs, motivations ne sont pas pris en compte. Il s'agit plus d'un modèle descriptif que d'un modèle explicatif. Pour reprendre l'expression de Michon : "Elle traite plus des mets que de la recette" [Michon, 1985]. De plus comme le souligne Reece et Shafer [Reece et Shafer, 1991], les diérentes tâches sont spéciées sans lien entre elles, ce qui peut rendre dicile le processus de choix d'une tâche au prot d'une autre. Par exemple, dans les travaux de McKnight et Adams [McKnight et Adams., 1970], qui illustrent le mieux ce type d'approche, une liste exhaustive de tâches de conduite est faite 1, mais certaines d'entre elles sont : trop vagues : "quand on dépasse un conducteur, il faut sélectionner une voie relative à la vitesse de son véhicule, de la man uvre et du ot de véhicule", ou contradictoires : "observer les piétons et les enfants qui jouent" versus "ignorer les activités qui ont lieu sur le trottoir et qui n'ont pas d'impact sur la conduite" tâches de conduite sont recensées : "s'arrêter", "conduire en ville", "conduire de nuit"

29 CHAPITRE 2. DU COMPORTEMENT HUMAIN À LA GÉNÉRATION DE TRAFIC ROUTIER Par conséquent, il est dicile de pouvoir utiliser telles quelles ces informations pour établir un modèle numérique de conducteur virtuel Les modèles de gestion du risque Les modèles de gestion du risque ont tenté de palier aux lacunes des modèles d'analyse de tâches en s'eorçant d'expliquer le comportement des conducteurs plutôt que de le décrire. Parmi ces modèles de gestion du risque, nous trouvons le modèle de Näätänen et Summala [Naatanen et Summala, 1974] qui propose le modèle du risque zéro. Celui-ci fait l'hypothèse que le conducteur cherche à chaque instant à atteindre le risque encouru le plus faible. En 1982, Wilde [Wilde, 1982] propose le modèle de l'homéostasie du risque. Celui-ci postule que dans l'activité de conduite, l'humain cherche un équilibre entre les risques qu'il prend et ce que ceux-ci lui rapportent. Il existe donc une notion de risque perçu par le conducteur et une notion de risque cible qui lui permet de déterminer ses gains ou pertes et d'adapter son comportement. Le modèle de l'évitement de la menace proposé par Fuller en 1984 [Fuller, 1984] est basé sur un principe similaire à celui de Näätänen et Summala : le risque doit être le plus proche de zéro. L'intérêt de ce modèle réside dans sa capacité à eectuer un conditionnement négatif (renforcement) sur les comportements qui ont mené à une situation estimée à risque. En 2000, les travaux de Fuller se sont complétés [Fuller, 2000] et ont abouti à l'élaboration d'une interface tâche/capacité permettant de déterminer la diculté d'une tâche de conduite pour un conducteur donné. Pour cela une tâche possède une certaine demande (communiquer, se positionner, environnement,vitesse...). Les éléments déterminants de la capacité à accomplir une tâche sont alors : les constituants internes du conducteur, son éducation vis à vis de la conduite, son expérience. Ces trois éléments forment sa compétence, en y ajoutant les facteurs humains (stress, vigilance) nous obtenons les capacités de ce conducteur. Le modèle permet de déterminer la diculté d'une tâche à l'aide d'un principe simple : si la demande est supérieure à la capacité : la tâche est dicile et peut conduire à une perte de contrôle voire un accident (si les actions compensatrices des autres usagers ne parviennent pas à l'éviter) ; si la demande est inférieure à la capacité : la tâche est sous contrôle. La capacité peut toutefois être inuencée par plusieurs facteurs humains : le stress, la fatigue, le degré de vigilance. De plus le conducteur a le contrôle sur un certain nombre d'éléments de ce modèle : sa position, sa communication, sa vitesse, qui lui ore la possibilité d'adapter la demande de la tâche à sa capacité du moment. Plusieurs auteurs ont proposés de structurer l'activité de conduite suivant 3 niveaux [Bellet et Tattegrain-Veste, 2002, Van der Molen et Butticher, 1988, Michon, 1985, Allen et al., 1971] : le niveau stratégique concerne la planication d'itinéraire, le niveau tactique concerne la planication à court terme : sélection de voie, choix d'une direction, le niveau opérationnel s'occupe du contrôle du véhicule : manipulation du volant, des pédales, des commandes au volants

30 2.1. ÉTUDE DU COMPORTEMENT HUMAIN Dans le modèle de hiérarchie du risque de Van der Molen et Butticher [Van der Molen et Butticher, 1988] le niveau opérationnel fonctionne sur deux modes : 1. le premier correspond aux situations normales et conformes aux prévisions du conducteur, il en découle une mise en uvre des actions sélectionnées au niveau tactique ; 2. le second correspond aux situations critiques d'accident qui permet une sélection d'un comportement correctif issu d'un répertoire spécique et limité de réactions d'urgence. Toutefois, cette description n'est qu'une base de travail qui doit servir de support à une explication du fonctionnement du conducteur à ces diérents niveaux : processus perceptif, processus décisionnel, processus eectifs [Bellet et Tattegrain-Veste, 2002]. Par exemple, le modèle de hiérarchie du risque de Van der Molen et Butticher propose une modélisation mathématique pour simuler certains mécanismes cognitifs tels que "l'élaboration d'un jugement" ou "la prise de décision" face à une situation de conduite au niveau tactique (en terme, notamment de risque encouru). Michon [Michon, 1985] ajoute que pour qu'un modèle de conducteur soit complet il doit -en plus d'orir une hiérarchie des tâches de conduite prendre en compte le ux d'informations de contrôle entre ces diérents niveaux. Pour obtenir une synthèse sur ces travaux, le lecteur pourra se reporter au manuscrit de Bossard [Bossard, 2004] ou à l'article de Fuller [Fuller, 2005]. Ces modèles sont cependant critiqués, notamment en ce qui concerne la description du fonctionnement cognitif trop grossière ou trop simpliste. Vaa [Vaa, 2001] argue que la place de l'émotion n'est pas susamment prise en compte dans les processus décisionnels et de contrôle. Cette notion doit selon lui être la base de la construction d'un modèle de conducteur. Shihabi et al. [Al-Shihabi et Mourant, 2001, T.Al-Shihabi et Mourant, 2003] proposent, dans ce sens, une approche impliquant l'émotion dans la génération de comportements. Le cadre de conception proposé est composé de 4 unités : 1. la perception, 2. l'émotion, 3. la prise de décision, 4. l'unité d'action. Le conducteur tente dans ce modèle de satisfaire ces variables émotionnelles en sélectionnant les actions qui lui permettront d'y parvenir le plus rapidement. Ces variables émotionnelles sont : la performance, la vitesse (satisfaction), les distances de sécurité, l'état du trac (inconfort) et le désir d'améliorer son statut émotionnel. Récemment Hammond [Hammond et Horswill, 2001] a d'ailleurs tenté de montrer l'inuence du désir de contrôle sur la prise de risque des conducteurs. L'étude montre

31 CHAPITRE 2. DU COMPORTEMENT HUMAIN À LA GÉNÉRATION DE TRAFIC ROUTIER que les conducteurs ayant un fort désir de contrôle conduisent plus vite et acceptent des intervalles d'insertion dans le trac plus faible que ceux ayant un faible désir de contrôle Conclusion Les enjeux de l'étude du comportement de l'humain en situation de conduite sont multiples : prévenir les accidents, comprendre les processus de raisonnement d'un conducteur. Il ressort toutefois la place prépondérante de la perception visuelle dans l'activité de conduite et notamment dans le processus d'analyse de la situation. Plusieurs modèles ont été proposés an de modéliser le conducteur humain. Chacun d'eux tente de palier aux faiblesses des autres. Force est de constater qu'il en résulte des modèles de plus en plus complexes qui, certes, tentent d'expliquer le fonctionnement d'un conducteur en tenant compte d'un très grand nombre de "paramètres" : désir, rapport au risque, émotion, stress... mais qui seront certainement très diciles à mettre en uvre dans un programme informatique. 2.2 Les enjeux de la simulation de trac Fig. 2.1 A gauche : le simulateur NADS (National Advanced Driving Simulator) de l'université de l'iowa, l'un des plus abouti au monde à l'heure actuelle : au centre la plateforme montée sur vérins placés eux-mêmes sur un socle se déplaçant en translation. A droite, dans la plateforme : le poste de conduite monté sur pilotis reproduisant la fréquence des amortissements des aspérités de la route, l'écran de restitution visuelle et le retour sonore. La présence dans un trac routier simulé permet une plus grande immersion de l'utilisateur. Outre l'apprentissage de comportements sur la route auxquels nous nous intéressons, la simulation de trac peut être intéressante dans d'autres domaines. Une des utilisations potentielles de la simulation de trac routier concerne les simulateurs de conduite. En eet, l'immersion crédible dans l'environnement de conduite passe par l'immersion dans un trac routier en plus des immersions visuelle et haptique [Ke

32 2.3. LES MODÈLES DE SIMULATION meny, 1999, Lecocq et al., 1999]. Les simulateurs de conduites 2 peuvent être utilisés pour diverses études sur le comportement humain. Cela passe par l'élaboration de systèmes d'aide à la conduite [Summala, 2000] détectant les actions d'un conducteur [A.Liu et Salvucci, 2001, Kuge et al., 2000] (changement de voie, prise de rond points,...) et l'étude des comportements des conducteurs face à des situations et conditions particulières. Par exemple, les études de Bergeron [Bergeron, 2001] faites sur simulateur ont permis d'établir des relations signicatives entre les comportements des sujets sur simulateur et leurs habitudes de la vie courante, notamment en ce qui concerne : la tendance à prendre des risques, l'agressivité et les comportements déviants et asociaux. Très tôt, les travaux eectués par Laughery [Laughery et al., 1967], ont proposé un modèle de conducteur et de son véhicule. Ces travaux tentèrent d'isoler les variables ayant de l'inuence parmis les 25 utilisés par ce modèle : vitesse, dimension du véhicule, distance de sécurité... Pour cela, Il utilisa des couples conducteur-véhicules simulés sur ordinateur et qui franchissent une intersection. La simulation de trac peut également être utilisée dans le cadre de l'analyse des accidents et de la reconstitution du déroulement de ceux-ci. Plusieurs auteurs [Felez et al., 1998, M. Ambroz et Prebil, 2005] proposent ainsi des outils qui permettent de dégager les scénarii les plus probables d'un accident. Des simulations de trac sont également utilisées dans le domaine des systèmes de transport intelligents et commencent à faire parti de notre quotidien. Plusieurs auteurs [Yang et Koutsopoulos, 1996, Herviou et Maisel, 2005, 2006, Barcelo et al., 2003, Ehlert et Rothkrantz, 2001] proposent ainsi des simulateurs de tracs qui permettent de tester des algorithmes de gestions de trac "intelligent" (par exemple, les feux communiquants). 2.3 Les modèles de simulation Introduction Dans cette partie nous évoquons les diérentes solutions pour la génération de trac routier. Il existe plusieurs critères pour la classication de celles-ci : le modèle temporel utilisé : il peut être discret ou continu, le niveau de détail ou granularité de simulation : il peut s'agir de la simulation du conducteur et de son véhicule ou de la simulation du couple conducteur-véhicule ou encore de la simulation d'un ensemble de véhicules, les modèles mathématiques sous-jacents : stochastiques ou déterministes. Nous allons décrire trois grands modèles de simulation suivant le critère de granularité. Nous exposerons ensuite le cas particulier de la simulation basée sur un modèle de conducteur et de véhicule, simulation dite microscopique. 2 le lecteur interessé par les simulateurs de conduite et leurs architectures pourront se reporter à [Fang et al., 2001] (voir gure 2.1) ainsi qu'à [Gruening et al., 1998]. Pour une présentation des principaux simulateurs de conduites existant la lecture de [Johansson et Nordin, 2002] peut servir de base

33 CHAPITRE 2. DU COMPORTEMENT HUMAIN À LA GÉNÉRATION DE TRAFIC ROUTIER Approche macroscopique : une vue globale du trac Il s'agit de modéliser "l'écoulement" de plusieurs centaines de véhicules dans une région d'un réseau routier : autoroute, quatre voies, boulevard. Ces simulations [Bonzani, 2000] s'inspirent principalement des phénomènes physiques d'écoulement des uides. Dans ce cas, un type de véhicule est assimilé à un uide. En calculant son écoulement, on simule l'évolution d'un trac dans sa globalité. Ces modèles se basent sur l'utilisation de grandeurs telles que : V (x, t) : la vitesse du ot de véhicules. Q(x, t) : le débit de véhicules. C'est le nombre de véhicules qui passent en un point x du réseau à l'instant t. K(x, t) : la concentration de véhicules. Elle correspond au nombre de véhicules présents en un point x du réseau à l'instant t. Lighthill et Whitham [Lighthill et Whitham, 1955] proposent un modèle dénis par des équations qui décrivent les relations entre ces diérentes grandeurs : Q(x, t) = K(x, t) V (x, t) δq(x, t) δx + δk(x, t) δt V (x, t) = V e (K(x, t)) = 0 La première équation est la relation classique entre le débit et la vitesse, la deuxième, l'équation de conservation des véhicules. La troisième est appelé diagramme fondamental, ici noté V e. Elle suppose que le trac est toujours à l'équilibre et qu'il évolue en passant d'un état d'équilibre à un autre. Diérents diagrammes ont été proposés, mais tous respectent des principes de bon sens : quand la concentration est proche de zéro alors les véhicules ont peu d'interaction entre eux et roulent à leur vitesse maximale (V l ), lorsque la concentration s'accroît, les interactions entre véhicules augmentent et leur vitesse diminue, la concentration a une borne supérieure (K x ) qui correspond au régime où tous les véhicules sont à l'arrêt les uns collés aux autres. V e correspond à ce diagramme (ici diagramme en vitesse) qui associe une vitesse à une concentration. Un exemple de diagramme fondamental est donné gure 2.2, il s'agit du diagramme de Greenshields [Greenshields, 1935] qui suppose que la décroissance de la vitesse avec la concentration est linéaire : il s'agit non pas d'un diagramme en vitesse mais d'un diagramme en débit. L'avantage est qu'il décrit deux régimes d'écoulement : un régime uide et un régime congestionné. L'équation 3 devient par conséquent : Q(x, t) = Q e (K(x, t))

34 2.3. LES MODÈLES DE SIMULATION soit l'équation nale du système : Q e(x, t) δk(x, t) δx + δk(x, t) δt = 0. La résolution de cette équation traduit l'écoulement du trac routier. Pour plus d'informations sur les modèles macroscopiques, le lecteur pourra se reporter à la thèse de Bourrel [Bourrel, 2003]. Fig. 2.2 Diagramme de Greenshields donnant le débit en fonction de la concentration. Ce diagramme fait apparaître deux régimes d'écoulement du trac : uide et congestionné. Il apparaît ici clairement que les modèles macroscopiques décrivent des phénomènes globaux dans des situations homogènes (portion d'autoroute, de 4 voies) et qu'il n'est nullement possible de venir interagir durant la simulation avec le trac généré. C'est en particulier vrai dans le cadre de l'apprentissage à la conduite. Une action d'un élève peut venir modier localement le trac qui à son tour vient modier le comportement de l'élève. Une telle modication n'apparaît pas dans les variables du modèle macroscopique Approche microscopique : une vue locale du trac A l'opposé des modèles macroscopiques se trouvent les modélisations microscopiques : il s'agit de simuler chaque entité composant le trac. Elles peuvent être de diérentes natures : basées sur des modèles analytiques (voitures-suiveuses) ou sur des modèles psychologiques du comportement. Dans les deux cas elles tentent de modéliser à l'échelle du conducteur l'évolution temporelle de celui-ci. Les interactions entre conducteurs et environnement (le réseau routier, les usagers de la route) génèrent le trac routier. Pour interagir avec son environnement le conducteur a besoin d'un certain nombre d'informations sur celui-ci : il doit le percevoir. Dans les modèles de voitures suiveuses la tâche de conduite se réduit au contrôle de l'accélération et de la direction en fonction des voitures qui se trouvent devant. L'équation suivante donne la réponse d'un conducteur à un stimulus. Cette réponse arrive avec un temps de réaction noté T r et avec une plus ou

35 CHAPITRE 2. DU COMPORTEMENT HUMAIN À LA GÉNÉRATION DE TRAFIC ROUTIER moins grande intensité obtenue ici par la sensibilité : réponse(t + T r ) = sensibilité stimulus(t) Le modèle de Chandler et al. (1958) [Chandler et al., 1958] utilise un modèle de ce type. Ils font l'hypothèse qu'un conducteur adapte sa vitesse pour rester tout le temps à une distance de sécurité du véhicule qui le précède (voir gure 2.3). En notant x i (t) la position du i eme véhicule à l'instant t nous obtenons : ẍ i+1 (t + T r ) = α(ẋ i (t) ẋ i+1 (t)) α étant la sensibilité du conducteur à la diérence de sa vitesse avec celle du véhicule prédécesseur. Cette base a bien sûr subi des évolutions au cours du temps. Treiber [Treiber et al., 2004] tente notamment de prendre en compte : une estimation des erreurs sur les variables d'entrées, plusieurs véhicules devant le conducteur, une anticipation temporelle. Fig. 2.3 Voiture suiveuse. L'accélération du véhicule x i+1 est calculé à partir de la diérence de vitesse avec le véhicule x i. Ces modèles analytiques sont toutefois critiqués, comme le souligne Boër [Boer, 1999] : les conducteurs sont à la recherche d'une performance optimale, la conduite est équivalente à l'application d'une seule loi de contrôle, les perceptions du conducteur sont composées de variables du modèle et sont par conséquent abstraite ; c'est le cas de la densité des ots de véhicules, la perception visuelle et le contrôle du véhicule ont des limites ; celles-ci sont représentées, par exemple, dans le modèle de la voiture suiveuse par un bruit sur diérentes variables. Un autre type d'approche microscopique propose de considérer le conducteur comme un être humain susceptible d'avoir des émotions [Al-Shihabi et Mourant, 2001, T.Al- Shihabi et Mourant, 2003], des sensations et capable de prédictions [Berthoz, 2005]

36 2.3. LES MODÈLES DE SIMULATION Plusieurs auteurs utilisent cette approche plus cognitive de la simulation de l'être humain en situation de conduite [Espié et Saad, 1994, Champion et al., 1999, Salvucci, 2003, Aasman, 1995]. Krajzewicz [Krajzewicz et Wagner, 2002] tente de proposer des modèles de conducteurs en focalisant ses travaux sur le fonctionnement de la mémoire dans le modèle d'atkinson et Shirin[Atkinson et Shirin, 1968]. Wood [Wood, 2004] propose également une architecture pour permettre aux conducteurs simulés de se construire une représentation des situations auxquelles ils font face. L'approche microscopique, en plus de simuler des phénomènes locaux, permet une interaction avec la simulation : l'homme peut faire partie intégrante de celle-ci. En eet chaque conducteur de la simulation est capable de percevoir son environnement, il peut réagir aux évènements imprévus, en particulier ceux générés par des utilisateurs humains. Cependant, comme le trac est obtenu à partir de la simulation de chaque conducteur qui le compose, il en résulte des quantités de calculs importantes. Il faut par conséquent choisir le niveau de description du comportement que l'on souhaite simuler en fonction de l'application dans laquelle sera utilisé le trac Approche mésoscopique : une vue intermédiaire La modélisation mésoscopique peut être considérée comme un modèle hybride qui tente de faire le lien entre les modélisations macroscopique et microscopique. Elle peut aussi être vue comme une modélisation à part entière qui tente d'intégrer les avantages des deux approches macroscopique et microscopique. Bourrel [Bourrel, 2003] tente de remédier aux problèmes des deux approches précédentes en proposant un modèle hybride qui interface les modèles macro et microscopique (confère gure 2.4). Il décompose le réseau routier simulé en tronçons de route sur lesquels s'appliquent des modèles diérents. Le modèle hybride s'adapte ainsi à la conguration du réseau : sur des portions de 4 voies un modèle macroscopique est bien adapté, tandis que sur une intersection un modèle microscopique est plus pertinent. Ce modèle hybride doit respecter certaines contraintes an de garantir sa validité : la densité de véhicules et le ux doivent être cohérent d'un modèle de trac à l'autre. Ceci est garanti grâce à une interface ux/véhicule pour le passage du modèle macro à micro et une interface véhicule/ux pour le passage du modèle micro à macro. Ces interfaces permettent de transmettre les conditions aux limites entre les modèles. Une information de ux doit être désagrégée au niveau des véhicules et inversement, une information sur les véhicules doit être agrégée au niveau du ux (exemple : conservation des débits). De la même façon, Tampere [C.M.J. Tampere et Arem, 2003] tente de combler le trou entre la modélisation microscopique et la modélisation macroscopique en incluant des données macroscopiques dans une modélisation microscopique. La modélisation mésoscopique peut également être considérée comme une modélisation à part entière qui tente par une solution appropriée de simuler de façon susamment ranée les phénomènes globaux. Ce type d'approche utilise généralement une discrétisation du réseau routier sous forme de cellules, chacune d'elles pouvant contenir un véhicule

37 CHAPITRE 2. DU COMPORTEMENT HUMAIN À LA GÉNÉRATION DE TRAFIC ROUTIER Fig. 2.4 Modèle hybride de Bourrel [Bourrel, 2003]. Le modèle représentant le ux est une modélisation macroscopique, celui représentant les véhicules une modélisation microscopique. La simulation consiste à faire évoluer le contenu de chaque cellule en fonction de lois de déplacement des véhicules. Du fait de la discrétisation du modèle l'étape de modélisation du comportement est plus simple que dans une approche microscopique et généralement un modèle du couple conducteur-véhicule est utilisé. Cette approche donne des résultats plus précis que ceux obtenus au moyen des modèles macroscopiques, car elle considère le trac comme un ensemble d'individus diérenciés les uns des autres. Il existe des implémentations à base d'automates cellulaires [Maerivoet et Moor, 2005] (gure 2.5) qui peuvent représenter des réseaux à deux voies [Esser et Schreckenberg, 1997], avec éventuellement des voies d'insertion et de décélération [Campari et Levi, 2002, Schadschneider et Schreckenberg, 1993]. Fig. 2.5 Évolution dans le temps et dans l'espace d'une matrice de cellules. L'écoulement du temps se fait de haut en bas, celui dans l'espace se fait de gauche à droite. T est la diérence entre deux pas de temps (t et t + 1) de la simulation. i et j sont deux véhicules qui évoluent à des vitesses diérentes. Ces approches sont particulièrement bien adaptées à la simulation des tracs d'envergure moyenne à grande. Cependant, dans le cas de la modélisation hybride, du fait

38 2.3. LES MODÈLES DE SIMULATION de l'utilisation d'un modèle d'écoulement, il n'est pas concevable de l'utiliser dans notre approche. Dans le cas des automates cellulaires, la discrétisation de l'environnement ne conviendra pas à l'approche d'une interaction continu entre l'utilisateur et son environnement Conclusion Nous avons évoqué trois approches de simulation de trac sur le critère de granularité : macro, micro et mésoscopique. Les simulations macroscopiques, par analogie avec la mécanique des uides, considèrent le trac comme un ux : le trac est un phénomène global. Ces simulations sont particulièrement adaptées aux phénomènes homogènes de grande envergure : comme par exemple la simulation de 4 voies. Les approches mésoscopiques peuvent être vues comme : des modèles hybrides qui tentent de faire c xister les modèles microscopiques et macroscopiques ; des modèles à bases d'automates cellulaires : ils permettent une modélisation plus ne que les approches macroscopiques car elles prennent en compte chaque individu du réseau routier. Cependant le comportement de ceux-ci n'est pas aussi rané que dans les approches purement microscopiques. La solution de la simulation microscopique semble être la mieux adaptée à notre problème. Il faut cependant distinguer deux approches : les modèles analytiques : chaque véhicule est une entité indépendante du trac qui évolue de manière autonome suivant une équation de déplacement qui dépend peu de son environnement. Les points faibles de ces approches se trouvent dans l'homogénéité des conducteurs, mais également dans l'aspect réducteur de la conduite qui se résume à un mécanisme de contrôle continu en position et en vitesse, avec comme objectif sous-jacent la recherche de la plus grande performance ; les modèles psychosociologiques : ils proposent une alternative aux approches analytiques en tenant compte dans les modélisations des aspects humains : stress, désir, motivation. Chaque véhicule étant considéré comme un élément indépendant du trac, un utilisateur qui conduit une voiture dans ce trac pourra être considéré également comme un élément indépendant. Par conséquent, il sera pris en compte par les véhicules de la simulation de la même façon que ceux-ci se prennent en compte. De plus, l'aspect continu dans le temps et dans l'espace est indispensable pour obtenir une interaction crédible avec la simulation. Nous nous tournons, par conséquent, dans la suite de cette thèse vers un modèle de simulation comportementale. Pour permettre de mieux comprendre leur fonctionnement nous allons évoquer dans la partie suivante un ensemble de travaux relatifs à l'élaboration de tels modèles

39 CHAPITRE 2. DU COMPORTEMENT HUMAIN À LA GÉNÉRATION DE TRAFIC ROUTIER 2.4 Le cas du microscopique Implémentations Dans cette partie, nous évoquons des implémentations de conducteurs destinées à des simulations microscopiques. Elles tentent de prendre en considération les remarques mentionnées dans la partie précédente. Ces implémentations sont nombreuses, par conséquent nous ne prétendons pas en faire une revue complète mais celles évoquées doivent permettre de se rendre compte des problèmes du domaine. Le point commun de toutes ces approches est la façon dont le trac est généré : c'est l'interaction des véhicules qui évoluent de manière autonome qui conduit à l'émergence d'un trac. Champion [Champion et al., 1999] utilise une structuration en 3 sous-systèmes pour les conducteurs virtuels dans le simulateur SCaNeR II : la perception, la cognition et l'actuation. La perception permet d'obtenir les informations dans un premier temps sur le réseau routier (feux, panneaux) et dans un deuxième temps sur les véhicules. La cognition est décomposée suivant la décomposition tripartite suivante [Michon, 1985, Van der Molen et Butticher, 1988] : la partie stratégique : planication d'itinéraire, la partie tactique : sélection de voie, de direction, vitesse à atteindre, la partie opérationnelle : choix d'une position sur la chaussée, d'une accélération. L'actuation est un processus continu d'asservissement du véhicule en fonction de l'objectif xé (positionnement sur la chaussée). Les conducteurs suivent un schéma d'exécution "classique" en simulation multi-agents : un cycle perception-décision-action. Ehlert [Ehlert et Rothkrantz, 2001, Ehlert, 2001] propose de traiter le problème de la modélisation du niveau tactique par une approche réactive. Selon lui une approche à base de planication est mal adaptée pour deux raisons : les informations perçues peuvent être incomplètes et/ou bruitées, les temps de calcul doivent être courts. Son modèle comporte pour cela les composants suivants : une partie capteurs pour percevoir l'environnement, un module de communication qui gère les données entrantes (informations référencées capteurs, ordre de l'utilisateur) et sortantes (actions sur le véhicule), une mémoire, un contrôleur pour stocker et gérer les accès à la mémoire, un planicateur court terme, des règles de comportements (génération d'actions), des paramètres de comportement, un arbitre pour faire la sélection des actions proposées par la génération d'actions. L'évolution d'un conducteur se fait de la façon suivante : il acquiert les informations provenant de son environnement et construit en mémoire sa propre représentation du monde qui l'entoure. Les règles de comportement sont appliquées aux informations contenues en mémoire pour générer des actions potentielles. Le planicateur court terme calcule les positions futures des véhicules par une extrapolation linéaire. L'arbitre détermine la

40 2.4. LE CAS DU MICROSCOPIQUE meilleure action à eectuer en tenant compte des niveaux de priorité entre les actions proposées par les règles de comportement. Le module de communication reçoit l'action proposée par l'arbitre, la décode en instructions de contrôle compréhensibles par le véhicule. La tâche de conduite du conducteur est décomposée en sous-tâches de conduite qui sont au nombre de sept : suivre la route, changer de direction, passer sur une intersection avec feux tricolores, suivre un véhicule, changer de le, appliquer les règles de conduites, détecter les collisions/freinage d'urgence. A chacune de ces sous-tâches est aectée une priorité que l'arbitre utilisera pour choisir parmi les actions à eectuer. Les paramètres de comportement inuencent les règles de conduite et par conséquent les actions proposées. Parmi les paramètres de comportements l'auteur utilise : le choix de la vitesse, la distance de sécurité, l'accélération et la décélération désirée, le temps de réaction et la distance de perception (utilisée pour simuler une perception dans le brouillard ou temps de pluie). Arnaldi et al. [Arnaldi et al., 1995] proposent de modéliser un conducteur à l'aide d'une architecture à base d'agents experts exécutés en parallèle qui communiquent à travers une structure commune (de type blackboard). Cette structure est renseignée par des capteurs qui scrutent l'environnement. Chaque agent expert régit un comportement : détection de collision, détection des panneaux, construction d'itinéraires. chacun d'eux proposent à un superviseur central une action à eectuer en fonction de leur décision. Ce dernier détient le choix nal de l'action à appliquer et permet notamment de gérer les conits dans les propositions antagonistes. Ce superviseur est implémenté à l'aide d'automates parallèles hiérarchisés : ceci permet d'eectuer des calculs en concurrence. De plus, la plateforme d'exécution permet de tenir compte du temps nécessaire à l'exécution d'une action. Ce point se révèle intéressant dans le cadre de la conduite notamment dans la cas où un conducteur se construit une représentation d'une situation sur un intervalle de temps. G. Moreau [Moreau, 1998] pour illustrer l'utilisation du formalisme HPTS prend l'exemple du conducteur autonome. Ce formalisme à base d'automates parallèles hiérarchisés permet une approche réactive de la modélisation du comportement. De plus, il est possible : de prendre en compte l'écoulement du temps dans l'exécution des états des automates (exemple : pour simuler des temps de réaction), d'ajuster les fréquences d'exécutions des diérents automates (exemple : pour simuler des activités de perception d'un agent qui ne demandent pas le même degré d'attention). Un conducteur contrôle son véhicule avec des actions bas niveau : s'arrêter, freiner d'urgence, accélérer, suivre un véhicule. Le comportement global est décrit suivant 3 sous

41 CHAPITRE 2. DU COMPORTEMENT HUMAIN À LA GÉNÉRATION DE TRAFIC ROUTIER comportements exécutés en parallèle : le suivi de réseau (gestion des intersections, du suivi de voie), la gestion des panneaux (comportement aux feux, au stop), la gestion de l'environnement (autres véhicules et piétons). Chaque sous comportement utilise en entrée les données d'un capteur virtuel représentant son champ de vision. Ces données sont l'ensemble des panneaux, des véhicules et piétons qui sont visibles. Les sous-comportements génèrent des actions sur le véhicule. Pour éviter l'exécution d'actions antagonistes, un mécanisme de priorité est associé aux actions sur le véhicule. Cependant, ce dernier ne résoud pas le problème de l'exécution de deux actions de même priorité avec des paramètres diérents. Par exemple le comportement "gestion des feux" propose "stopper à 25m" et le comportement "suivi de réseau" propose "stopper à 12m" si le conducteur suit un véhicule arrêté au feu. Dans le cadre du projet ARCHISIM [Espié et Saad, 1994] de l'inrets 3, Hadouaj propose une solution pour modéliser des comportements d'anticipation [Hadouaj et al., 1999]. Elle est basée sur une décomposition spatiale des zones de prise d'information du conducteur : une anticipation est une réaction aux éléments présents dans les zones dites lointaines. Cette solution permet de concilier la réactivité et l'anticipation et paraît adaptée à la conduite sur 4 voies. Néanmoins, cette méthode n'est pas susante pour résoudre les conits aux intersections. Doniec [Doniec, 2003] propose dans le cadre de ce projet, une méthode de résolution de ce type de conit. Il propose un approche collaborative : chaque conducteur prend des informations sur la situation et construit un réseau de contraintes. Ce réseau représente les blocages physiques ou blocages par priorité des diérents conducteurs les uns vis à vis des autres. A chaque agent est associé un intervalle temporel dans lequel il peut agir. Un agent qui désire choisir entre passer et s'arrêter eectuera un pronostic sur le résultat de l'action passer. Pour cela, il propagera dans le réseau de contraintes les eets de son action. Si, suite à cette propagation aucun intervalle de temps n'est disponible pour agir alors l'action passer n'est pas celle à privilégier. D'autres approches proposent une implémentation basée sur des architectures cognitives 4 comme ACT-R ou SOAR [Ritter et Wallach, 1998, Johnson., 1997]. L'utilisation de telles architectures, en plus d'orir un cadre de conception, permet de démontrer des caractéristiques du système qui l'utilise. De plus, elles permettent de faciliter l'échange entre le modélisateur et l'expert du domaine cognitif. Salvucci [Salvucci, 2003] propose, dans ce sens, d'intégrer un modèle de conducteur sur voies multiples 5 au sein de l'architecture ACT-R. Ce modèle possède 3 composants : le contrôle : il est en charge de la prise d'informations visuelles et de la manipulation des commandes du véhicule ; le suivi : il se charge de conserver la conscience de la situation. Il s'intéresse particulièrement à avoir conscience de la position des autres véhicules ; 3 Institut National de REcherche sur les Transports et leur Sécurité 4 il s'agit de structurer sous forme de "modules" la cognition humaine : d'où le terme architecture. Comme exemple de modules nous pouvons trouver : la mémoire à court terme, la mémoire à long terme, la mémoire épisodique ou encore sémantique. 5 traduction de highway : ne peut se résumer à la traduction de 4 voies

42 2.4. LE CAS DU MICROSCOPIQUE la prise de décision : elle tient compte des informations obtenues par le suivi et le contrôle an de déterminer principalement s'il faut et quand il faut changer de voie. Lorsque le modèle décide de prendre en charge un changement de voie, il déplace l'attention visuelle vers cette zone pour déterminer la présence ou non de véhicule. La mise à jour des positions ou la présence des véhicules en mémoire se fait de manière automatique. Ceci est dû à l'implémentation de mécanismes d'oubli et de maintient dans l'architecture ACT-R. Ce modèle de conducteur est intégré dans l'architecture ACT-R de la manière suivante : chacun des trois "systèmes" du conducteur est considéré comme une tâche contenant une boucle d'exécution. Ceci permet au processeur cognitif de l'architecture d'effectuer séquentiellement un traitement sur chacune des tâches. Cependant, dans l'architecture ACT-R, au moment de l'implémentation, l'ordonnancement des tâches se faisait sans niveau de priorité et il n'était donc pas possible de considérer une tâche comme plus importante qu'une autre. Ce modèle de conducteur a également été utilisé pour prédire le niveau de distraction d'un conducteur qui téléphone en conduisant (tâche secondaire). Pour cela la tâche de téléphoner a également été modélisée et intégrée dans l'architecture ACT-R. Les résultats des expérimentations ont montré une grande similitude entre les résultats obtenus sur simulateur par des cobayes humains et les résultats obtenus par la simulation du modèle. Par exemple le modèle prédit une légère augmentation du temps de composition du numéro de téléphone lors de la conduite : des résultats similaires ont été obtenus sur les cobayes humains en simulateur. Aasman [Aasman, 1995] propose lui aussi l'intégration d'un modèle de conducteur dans une architecture cognitive (SOAR) Le paradoxe du contrôle dans les modèles microscopiques Nous avons vu jusqu'à présent les moyens de générer des tracs routiers et plus particulièrement l'approche microscopique. Le trac est obtenu par l'interaction d'entités autonomes, ce qui constitue un avantage pour ces simulations. L'autonomie permet de garantir l'apparition et le non déterminisme de situations, ce qui paraît être le reet de la réalité. Cependant, il existe des cas particuliers où l'approche microscopique supervisée est nécessaire [Kearney et al., 1999]. Nous entendons par "supervisée" le fait que les entités aient à respecter un scénario pour garantir l'obtention de situations. Ceci est indispensable lorsque des études doivent être menées sur le comportement des conducteurs confrontés à une situation précise : il faut que la situation se produise. Ainsi plusieurs auteurs ont proposé des moyens de scénariser les simulations microscopiques an de garantir l'apparition de situations données. Ces scénarii imposent des contraintes plus ou moins fortes à des agents autonomes 6 du réseau an que l'ensemble des facteurs nécessaires à une situation soient présents (densité, positionnement des véhicules). Pour cela Bonakdarian et al. [Bonakdarian et al., 1998] proposent d'utiliser des régions d'intérêt pour la génération d'un trac autour d'un conducteur : les régions sus- 6 Ils sont alors dit semi-autonomes

43 CHAPITRE 2. DU COMPORTEMENT HUMAIN À LA GÉNÉRATION DE TRAFIC ROUTIER ceptibles d'inuencer le trac autour du conducteur sont contraintes par des scénarii. Ces scenarii imposent le déplacement et le rôle des entités présentes dans ces régions an d'obtenir tous les éléments nécessaires à la génération de la situation. Des langages sont dédiés à la création de ces scénarii. Alloyer et al. [Alloyer et al., 1997] proposent l'utilisation d'un langage de script qui permet en cours de simulation d'imposer à un agent ou groupe d'agents l'exécution d'un scénario. Ce dernier est divisé en une séquence de scènes. Chaque scène décrit qui est présent, ce qui doit se passer ainsi que quand et où cela doit se passer. Pour cela, une scène est divisée en 3 partie : description des éléments physiques : les entités, les objets présents, l'identication des acteurs principaux a qui sont aectés des rôles, la description détaillée des actions eectués et des relations entre les acteurs ("scripting"). Ceci inclus la synchronisation des évènements comme par exemple le timing des feux de signalisation. Dans le cas de la simulation de trac routier, les acteurs semi-autonomes peuvent être des cyclistes, des voitures, des piétons mais également des feux de signalisation. L'exécution du scénario repose sur une architecture à 2 composants : le "Stage management" qui se charge de la création et destruction d'instances d'acteurs. La création d'acteurs repose sur l'utilisation de sources (générateurs) positionnées a priori ou selon certaines conditions ou encore de façon aléatoire ; le "directing" qui prend la responsabilité d'imposer aux acteurs des comportements (actions) qui vont permettre d'obtenir une situation. Le formalisme utilisé pour décrire ces scénarii est HCSM pour Hierarchical Concurrent State Machine [Cremer et al., 1995] et se rapproche du formalisme HPTS [Donikian, 2001]. Ces approches correspondent à des domaines d'application spéciques. Étant donnés les objectifs pédagogiques dénis dans le cadre d'aréviroad (qui seront détaillés au chapitre 6), nous pensons qu'une approche scénarisée n'est pas souhaitable. Certes, il faut que les situations arrivent, mais il ne faut pas qu'elles soient les mêmes : seule une approche dans laquelle les conducteurs virtuels sont autonomes permettra d'obtenir une diversité susante dans les situations, sans provoquer les phénomènes d'anticipations de la part des sujets face à une situation scénarisée. 2.5 Conclusion sur la simulation de trac Dans cette première partie de chapitre nous avons abordé la simulation de trac et plus particulièrement les moyens de générer celui-ci. Les approches dites macroscopiques traitent le trac comme l'écoulement d'un uide et ne permettent pas d'interaction directe avec les éléments qui composent ce trac. Les simulations mésoscopiques sont soit de type hybride (lien entre macro et micro) soit basées sur des formalismes similaires aux automates cellulaires qui discrétisent par conséquent l'espace d'évolution : ce n'est pas une solution envisageable dans le cas d'un environnement virtuel avec lequel une interaction continue à lieu aussi bien pour l'utilisateur que pour les entités autonomes

44 2.5. CONCLUSION SUR LA SIMULATION DE TRAFIC Les approches microscopiques considèrent le trac comme le résultat des interactions entre les diérents conducteurs virtuels qui le compose : il devient possible d'interagir avec ce trac ; un utilisateur sera considéré comme un conducteur autonome au même titre que les autres conducteurs virtuels. Les modèles analytiques microscopiques sont cependant mal adaptés à la génération d'un trac hétérogène. De plus, la modélisation réduit le conducteur à une tâche d'asservissement de la vitesse et de la position. Des approches moins analytique tentent de palier à ces problèmes. Certaines proposent des modèles ad-hoc visant à répondre à un problème donné, tandis que d'autres s'intègrent dans un framework de conception cognitif. Les modèles deviennent de plus en plus complexes et par conséquent de plus en plus dicilement "adaptables" à un modèle informatique. Ces approches semblent pourtant être les plus intéressantes pour la génération d'un trac dans le simulateur ARéViRoad. L'inconvénient majeur de ce type d'approche réside dans le coût en terme de temps de calcul, car chaque entité du trac doit être simulée. Le nombre d'agents présents dans la simulation va, par conséquent, dépendre du niveau de simulation du comportement du conducteur autonome et donc de l'application visée. Nous avons retenu, dans le cadre d'aréviroad, l'approche de type microscopique non analytique. Celle-ci devrait permettre : de simuler un nombre susant de véhicules en temps réel pour qu'un utilisateur ait l'impression d'être dans un trac, d'interagir en continu avec la simulation ; l'utilisateur agit et perçoit son environnement et peut constater les eets de ses actions sur celui-ci, d'obtenir des situations variées non prévisibles a priori, de générer des comportements de conducteurs "crédibles"

45 Chapitre 3 Perception visuelle des entités autonomes La perception est un moyen de saisir les informations relatives au monde qui nous entourent. Nous abordons dans ce chapitre le système visuel humain et ses caractéristiques : champ visuel, mémoire, contrôle ascendant et descendant de l'attention visuelle... Dans un second temps, nous étudions la manière dont ces diérents éléments sont pris en compte pour modéliser la perception visuelle des entités autonomes. Nous exposons les deux principales méthodes de simulation de la perception : la vision synthétique et la perception reposant sur l'interrogation de bases de données. Nous évoquons également la modélisation des mécanismes de contrôle de l'attention visuelle : les routines de prise d'informations, les cartes de saillances. En conclusion, nous pensons qu'une approche qui repose sur l'utilisation des bases de données nous permettra de simuler rapidement la perception visuelle des conducteurs virtuels. Il faudra également tenir compte des mécanismes d'attention visuelle, an de pouvoir reproduire les phénomènes qui leurs sont liés. Ainsi, il sera possible d'orir un degré de réalisme de la perception susant mais nécessaire dans le cadre de notre étude.

46 3.1. INTRODUCTION 3.1 Introduction En retenant une approche de type microscopique pour la génération de trac, nous devrons nous intéresser à la modélisation du conducteur virtuel immergé dans un environnement dynamique. Nous avons vu dans l'introduction, que la perception est l'une des principales raisons pour laquelle des conducteurs réels font des erreurs. Vouloir modéliser l'humain dans son activité de conduite requiert dès lors que l'on s'intéresse à la modélisation des principes de fonctionnement de son système de perception. Dans un premier temps, nous expliquons les principales caractéristiques du système visuel humain en s'intéressant aux points suivants : la vision, les stratégies de prises d'informations. Ceci nous permettra dans un second temps d'aborder les techniques informatiques de modélisation de la perception humaine. 3.2 La perception visuelle humaine Introduction Nous venons de voir précédemment que la perception visuelle tient une place importante dans l'activité de conduite [Van Elslande et al., 1997, METL, 1999, 2001]. Par conséquent, lorsque nous chercherons à simuler des conducteurs virtuels dans un trac, il faudra également simuler leur perception visuelle. Dans cette partie nous présentons donc un aperçu du domaine de recherche sur la perception visuelle humaine. Nous ne cherchons en aucun cas à faire un état de l'art exhaustif sur ce domaine connexe à nos recherches. Nous souhaitons simplement fournir des éléments qui permettront au lecteur de mieux appréhender les solutions utilisées pour modéliser la perception visuelle des agents autonomes. Pour avoir un aperçu plus complet des domaines que nous allons introduire maintenant, nous vous conseillons la lecture de [CNR, 2006]. Le système visuel humain est composé de trois grandes parties (selon la dénition des neurosciences) : la partie bas niveau dans laquelle se produit la formation de l'image sur la rétine, la partie intermédiaire où nous détectons les couleurs, les formes et les mouvements, la partie haut niveau où nous pouvons reconnaître des objets, moduler notre attention (focaliser notre attention). Le système visuel humain est complexe et a plusieurs objectifs à diérents niveaux [Shimon, 1992] : la détection des formes, des couleurs, des intensités, des gradients temporels, des distances, la reconnaissance des objets, des changements. D'un point de vue psychologique, l'approche de la perception et de la cognition a suivi diérents courants [Harrison, 2002] pour arriver aujourd'hui à la psychologie moderne

47 CHAPITRE 3. PERCEPTION VISUELLE DES ENTITÉS AUTONOMES Fig. 3.1 Structure interne de l' il et de la rétine. Celle-ci a été inuencée par le développement de la théorie de l'information et de l'intelligence articielle. Les hypothèses de la psychologie moderne stipulent que l'humain et l'animal évoluent dans leur environnement dans un but précis : survivre, se reproduire, communiquer. Avec l'aide des modèles numériques et des simulations, la psychologie moderne tente de mieux comprendre comment le cerveau humain fonctionne. Elle s'intéresse également à la compréhension des mécanismes d'acquisition (formation d'une image) et de traitement de l'information perçue (compression, stockage). Tout d'abord nous aborderons le système visuel bas niveau et moyen niveau suivant la dénition neurologique. Dans un second temps, nous évoquerons les approches psychologiques modernes de la perception et les problèmes auxquels la modélisation de la perception visuelle les opposent Le système visuel humain Caractéristiques de l' il La partie la plus visible du système visuel humain est l' il. De part sa composition physiologique (gure 3.1), il en découle un certain nombre de caractéristiques. Le cristallin joue le rôle de lentille pour les rayons lumineux qui le traversent. Il contribue à la mise au point (comme sur un appareil photo) en se déformant sous l'action du muscle ciliaire relié au ligament suspenseur (voir gure 3.3). Les rayons lumineux frappent alors la rétine composée de deux types de récepteurs photosensoriels (cellules) : les cônes (7 millions par oeil) et les bâtonnets (120 millions par oeil). Il existe trois types de cônes chacun sensible à une longueur d'onde lumineuse (le rouge, le vert et le bleu)(voir gure 3.2) : ils sont donc nécessaires à la perception des couleurs 1. 1 la décience génétique d'un de ces cônes entraînent une maladie bien connue : le daltonisme

48 3.2. LA PERCEPTION VISUELLE HUMAINE Fig. 3.2 Longueurs d'ondes perceptibles par les cônes de la rétine de l' il humain. Les bâtonnets sont sensibles à l'intensité lumineuse et sont responsables en partie de la vision nocturne. La répartition des cônes n'est pas uniforme sur la rétine, au centre de celle-ci se trouve la fovéa, la vision dans cette région de l'image est précise dûe à la forte densité de cônes. L'ensemble des rayons lumineux captés par les millions de cônes et bâtonnets forment l'image rétinienne. Sur le plan neuronal, le système de vision est massivement parallèle et des traitements sur les couleurs, les formes, les vitesses peuvent être eectués de manière indépendante. Par exemple, la perception des contours est faite par des neurones spécialisés, dont la disposition spatiale des photorécepteurs qu'ils relient détectent les gradients. Ces organisations spatiales sont de types verticales, obliques, horizontales. D'une manière plus générale nous avons des récepteurs qui peuvent produire différentes mesures sur les rayons lumineux qui parviennent à la rétine, qu'il s'agisse de mesures temporelles ou spatiales [Adelson et Bergen, 1991]. Évaluation des distances Notre système visuel est également capable d'estimer le relief à partir des images rétiniennes : la vision binoculaire nous permet d'obtenir les distances absolues et relatives entre les objets. Lorsque nous regardons un objet, chaque il se dirige vers celui-ci. Chacun d'eux adopte donc, une position angulaire qui lui est propre. Ce phénomène de déplacement des yeux est appelé vergence. A partir de ces angles, nous sommes capables d'estimer la distance qui nous sépare de cet objet comme expliquer gure 3.3. Une autre donnée est exploitable pour obtenir cette fois-ci des informations sur la disparité : c'est l'écart entre les deux yeux. Sur chacun d'eux se forme une image légèrement diérente dûe à leur position dans l'espace. Le décalage horizontal qui existe entre ces deux images permet d'obtenir une parallaxe stéréoscopique qui est proportionnelle à la distance entre deux objets situés à des profondeurs diérentes (voir gure 3.4). Un objet proche (Obj a ) aura un décalage important sur les 2 images alors qu'un objet lointain

49 CHAPITRE 3. PERCEPTION VISUELLE DES ENTITÉS AUTONOMES Fig. 3.3 A gauche : l'accommodation du cristallin permet aux rayons lumineux de former une image nette sur la rétine. A droite : la convergence des yeux vers un objet permet de déterminer sa distance absolue. (Obj b ) aura un décalage faible par rapport au précédent (c'est la disparité horizontale). Fig. 3.4 Disparité horizontale obtenue par l'écart interpupillaire. Chaque il humain de par sa conception physiologique ne perçoit seulement qu'un certain angle solide. L'espace couvert par ces angles des yeux est appelé champ visuel (gure 3.5). Il est limité chez l'homme à un maximum de presque 180 degrés. La disparité horizontale, la vergence des yeux et d'autres éléments comme les ombrages, les textures, les formes et tailles des objets connus et observés sont autant d'éléments qui permettent au système visuel humain d'estimer les profondeurs relatives et absolues. L'obtention de toutes ses informations est naturelle et nous semble facile dans notre utilisation de la perception visuelle au quotidien. Cependant, il est beaucoup plus dicile en réalité virtuelle de construire les informations qui permettent de les obtenir [Kemeny, 1999]

50 3.2. LA PERCEPTION VISUELLE HUMAINE Fig. 3.5 Champ visuel : zone visible par les yeux Mémoire et représentation Nous venons d'évoquer précédemment la manière dont se forme une image rétinienne et les informations que nous étions capables de récupérer du fait de la conception physiologique des yeux. Dans cette partie, nous allons évoquer les aspects psychologiques de la perception an de comprendre le fonctionnement du système visuel haut-niveau. Cependant, nous n'évoquerons pas tous les courants et tendance de la psychologie. Une des grandes questions que se posent les acteurs du domaine de la psychologie mais aussi des neurosciences est de savoir quelle est la représentation que nous utilisons pour les objets, que ce soit ceux que nous percevons actuellement ou ceux dont nous nous souvenons. "Une représentation mentale ou représentation cognitive est la description cérébrale d'un objet propre à l'ensemble des connaissances qu'une personne possède dans sa mémoire." Wikipédia La représentation est donc intimement liée avec l'existence d'une mémoire qui nous permettrait de stocker les informations relatives à celle-ci. Une des premières théories générales de la mémoire repose sur le modèle proposé par Atkinson et Schirin en 1968 [Atkinson et Shirin, 1968] (gure 3.6). Selon eux, ils existent trois sortes de mémoire : les registres sensoriels : dont ceux de la perception qui maintiennent l'information jusqu'à 1 seconde ; la mémoire à court terme : éphémère et réduite dans le temps et en capacité. Le maintien des informations est inférieur à une minute ; la mémoire à long terme, plus ou moins permanente et de grande capacité. Les informations présentes en mémoire court terme peuvent être stockées en mémoire à long terme en fonction du temps passé en mémoire court terme. Plus tard, en 1974, Baddeley et Hitch [Baddeley et Hitch, 1974] montrent que la mémoire à court terme est un élément majeur du fonctionnement cognitif et qu'elle sert de zone de travail (mémoire de travail), zone dans laquelle nous eectuerions des manipulations de l'information qu'elle contient. La gure 3.7 illustre la mémoire de travail

51 CHAPITRE 3. PERCEPTION VISUELLE DES ENTITÉS AUTONOMES Fig. 3.6 Modèle modal de la mémoire selon Atkinson et Schirin (1968). selon Baddeley et Hitch. L'administrateur central joue le rôle de mécanisme attentionnel de contrôle et de coordination des systèmes esclaves que sont la boucle phonologique (mémoire des sons) et le calepin visuo-spatial (mémoire visuelle et spatiale). Fig. 3.7 La mémoire de travail selon Baddeley et Hitch(1974). Nous ne rentrerons pas plus dans le détail sur les mémoires et nous laissons au lecteur le soin de se reporter à [CNR, 2006] pour plus d'informations. Malgré l'existence de plusieurs théories sur la mémoire, force est de constater que les auteurs s'accordent à dire qu'il existe une transformation, un codage de l'information sensorielle que nous captons avant son maintient en mémoire. Là aussi, plusieurs théories existent quant au codage de cette information et sa représentation. Dans le modèle de Baddeley et Hitch [Baddeley et Hitch, 1974], la boucle phonologique est capable de retenir et de manipuler des informations sous forme verbale. Le calepin visuo-spatial retient les informations codées sous forme visuelle. Selon Rensink [Rensink, 2000], à partir des "pixels" de la rétine, notre système visuel bas niveau serait capable de construire des structures locales complexes (des relations entres gradients, entre couleurs). Ces structures ne sont pas des objets dans notre mémoire, elles ne sont que des motifs (appelés proto-objects). A partir d'une représentation

52 3.2. LA PERCEPTION VISUELLE HUMAINE abstraite du lieu (gist) où nous sommes (un port, une rue, une gare), nous nous préparons à un certain arrangement spatial des informations (layout) : il s'agit d'un processus non attentionnel qui fournit une contrainte sur les objets que l'on s'attend à percevoir et leur localisation. C'est à ce moment que le processus attentionnel viendrait capturer un ensemble de structures qui formerait un objet. La théorie de Rensink [Rensink, 2000] cherche à couvrir bien plus que l'explication de la formation des représentations des objets. Elle s'inscrit dans un cadre visant à déterminer pourquoi certains phénomènes de la perception existe : phénomène de "priming" : qui correspond à l'augmentation de la sensibilité à un stimulus, phénomène de "change blindness" : qui correspond à notre diculté à déterminer qu'il y a eu un changement dans une scène durant un mouvement de nos yeux 2. Elle vise également à expliquer pourquoi, à chaque instant, nous avons l'impression de disposer de toutes les informations dont nous avons besoin. Pour cela elle stipule que nous construisons une représentation d'une partie de la scène qui nous entoure au moment où l'on s'y intéresse (just-in-time). L'approche représentationnelle de Marr [Marr, 1982] stipule, au contraire, que l'objectif du système visuel est la création d'une structure complète de la scène indépendante du point de vue (allocentrique). Dans les deux cas, la construction d'une représentation, se ferait à travers les diérentes xations que nous aurions lorsque nous explorons visuellement notre environnement. A contrario, l'approche de Brooks [Brooks, 1991], dénie toute forme de représentation, alors que l'approche écologique avec la notion d'aordance [Gibson, 1979] trouve sa représentation dans l'existence même du monde (nous détaillerons cette approche dans la partie 3.2.5). Toutes ces approches ont des enjeux importants dès qu'il s'agit de vouloir apporter une implémentation numérique de tels modèles notamment sur la notion de capacité de la mémoire vis à vis de la représentation utilisée Attention visuelle et action Plusieurs millions de photorécepteurs nous procurent des informations à chaque instant. Nous sommes toutefois capables de détecter des objets rapidement et de diriger notre regard vers des zones qui nous semblent importantes. Deux éléments permettent cette rapidité : le codage dans le cerveau des informations présentes sur la rétine an de réduire le nombre d'informations (gradient de couleur, d'intensité, cohérence temporelle), le mécanisme d'attention visuelle, qui permet de sélectionner parmi un ensemble d'informations celle qui parait être la plus importante. 2 ce phénomène a d'ailleur été mis en avant à l'aide d'un système de réalité virtuelle [Triesch et al., 2003, Hayhoe et al., 2002]

53 CHAPITRE 3. PERCEPTION VISUELLE DES ENTITÉS AUTONOMES "L'attention est la prise de possession par l'esprit, sous une forme claire et vive, d'un objet ou d'une suite de pensées parmi plusieurs qui semblent possibles [...] Elle implique le retrait de certains objets an de traiter plus ecacement les autres" William James [James, 1890] De part cette dénition, l'attention joue le rôle d'un mécanisme de sélection. Dans le cas de la perception, elle joue le rôle d'un "ltre" sur l'ensemble des informations codées dans le cerveau. Il a été démontré qu'il existe un rôle important de la tâche que nous sommes en train de réaliser sur l'attention que nous portons à notre environnement [Brink, 2003, Triesch et al., 2003]. Par exemple, lorsque nous nous déplaçons en voiture sur un trajet que nous connaissons, nous ne focalisons plus notre attention visuelle sur les panneaux, mais uniquement sur les objets dont nous avons besoin pour la navigation. C'est ainsi que Triesch et al. [Triesch et al., 2003] ont montré la prépondérance des mécanismes descendants (perception active) dans la conduite automobile : la majorité des sujets testés ne détectent pas le changement des panneaux de vitesse sur leur trajet. Les mécanismes descendants (top-down) illustrent le contrôle de la partie décisionnelle sur la sélection et les zones de recherche perceptive et donc du déplacement oculaire. Les mécanismes ascendants (bottom-up) sont mis en avant lorsque ce sont les éléments perceptifs présents dans le champ visuel qui dictent leurs lois de déplacement oculaire. Ullman [Ullman, 1984] fut le premier à mettre en avant l'existence de routines visuelles ou motifs de déplacements des yeux (voir gure 3.8). Selon lui, il existe un motif de déplacement des yeux dans l'espace dépendant de la tâche que nous eectuons : nous nous attendons à trouver les objets ou les indices dont nous avons besoin à certaines localisations dans l'image 3. Pour Ullman, le système visuel fonctionne en deux temps : 1. des représentations de base sont construites à partir de l'image rétinienne (forme, vitesse, couleur...), 2. les routines visuelles extraient les informations désirées de ces représentations. Cependant un problème se pose : si nous possédons une routine visuelle pour chaque tâche que nous eectuons, comment ordonnançons nous celles-ci? Ce problème est connu sous le nom de "scheduling problem" 4 [Hayhoe et al., 2002] et est également appelé "initial access problem" par Ullman. Celui-ci reste entier Modélisation écologique de la perception Un des grands courants de la psychologie qui a joué un rôle important dans la communauté humain virtuel est la modélisation écologique de la perception proposée par Gibson [Gibson, 1979]. Selon celle-ci, les objets du monde contiendraient toutes les informations 3 Nous rejoignons ici l'explication de Rensink [Rensink, 2000] faite dans la partie précédente, la notion de gist et layout donnant des informations sur le type d'objets et la localisation des objets 4 que nous pourrions traduire par problème de l'agenda

54 3.2. LA PERCEPTION VISUELLE HUMAINE Fig. 3.8 Exemple de xations dans une image rétinienne qui composent une routine visuelle dont le but est d'obtenir les éléments intéressants pour la tâche en cours. En rouge le déplacement de l'attention d'un groupe d'objets à un autre. En jaune, le déplacement de l'attention au sein des groupes d'objets. En bleu, la région ou l'attention est portée.[sun et Fisher, 2003] sémantiques nécessaires à la compréhension de leur fonctionnement. La perception permettrait d'obtenir directement celles-ci : l'être vivant ne posséderait pas de représentation des objets. Les objets proposeraient à l'être vivant l'ensemble des comportements qu'il peut adopter vis à vis de lui : lorsque nous voyons une poignée de porte nous voyons en fait une opportunité d'ouvrir ou de fermer celle-ci avant même d'avoir une représentation précise de sa forme et de sa géométrie (cette théorie juge d'ailleurs cela inutile). Cette opportunité ou disponibilité physique perceptible d'un objet est à mettre en relation avec le terme d'aordance introduit par Gibson. Cette notion n'est pas dissociable de celle de capacité ou aptitude. Par exemple l'affordance d'une chaise est liée à notre aptitude ou capacité à plier les genoux à nous courber et nous baisser. L'aptitude est un moyen qu'un être possède pour réaliser une aordance particulière. Gibson a été critiqué pour avoir fondé sa théorie uniquement sur les perceptions en négligeant les aspects cognitifs. Selon cette approche écologique, plusieurs auteurs [Carrello et Turvey, 2002, Wilkie et Wann, 2003] expliquent comment à l'aide du ux optique 5 les êtres vivants sont capables de se déplacer. Par la reconnaissance de motifs de ux, ils sont capables de déterminer la présence d'un obstacle ou d'une brèche. Il s'agirait là d'un moyen que nous utiliserions pour contrôler notre positionnement dans les courbes lorsque nous conduisons (voir gure 3.9). Cette idée de monde comme "base de données" a séduit, comme nous le verrons dans 5 déplacement des rayons lumineux sur la rétine

55 CHAPITRE 3. PERCEPTION VISUELLE DES ENTITÉS AUTONOMES la suite du manuscrit, un certain nombre de recherche dont l'objet est le développement de systèmes de perception visuelle pour les agents autonomes. Fig. 3.9 Flux optique lors d'un déplacement dans un véhicule. A gauche sur une ligne droite. A droite dans une courbe. Le ux optique est une donnée utilisée par le conducteur pour asservir la position de son véhicule sur la chaussée [Wilkie et Wann, 2003] Conclusion Dans cette partie, nous avons évoqué les diérentes parties qui composent le système visuel humain. L'objectif de ce dernier dière d'une théorie à l'autre. Cependant, il est capable de réaliser plusieurs tâches : obtenir la distance aux objets (vision stéréoscopique), reconnaître les objets (détection des couleurs, des formes), mémoriser les informations perçues (représentations en mémoire), diriger l'attention vers les zones saillantes à l'aide des mécanismes bottom-up ou top-down. Lorsque nous eectuons un ensemble d'actions, il a été démontré l'inuence de celles-ci sur les informations visuelles que nous cherchons dans notre environnement. Les déplacements oculaires eectués alors sont appelés routines visuelles. Elles permettent, dans un contexte donné, d'obtenir les informations pertinentes pour les actions en cours (approche descendante). Pour tenir compte d'éventuels stimuli exogènes et donc des évènements imprévus, les mécanismes bottom-up tiennent compte des saillances de l'image rétinienne pour diriger le regard. Les informations perçues durant les diérentes poses du regard (xations) seraient stockés dans une mémoire. La représentation de ces informations pourraient être de nature diérentes : des images, des sons, des formes. Nous avons évoqué une modélisation particulière de la perception visuelle : la modélisation écologique. Nous verrons dans la partie que cette approche du monde comme base de données, a fait l'objet d'une attention toute particulière dans le cadre de la modélisation de la perception visuelle des agents autonomes

56 3.3. SIMULATION DE LA PERCEPTION : MÉCANISMES DE PRISE D'INFORMATIONS VISUELLES 3.3 Simulation de la perception : mécanismes de prise d'informations visuelles Étant donnée la place de la perception visuelle dans la conduite, nous nous intéresserons aux techniques de simulation de la perception visuelle chez les agents autonomes. Nous aborderons les techniques basées sur la création d'une image et celles sur la consultation de bases de données pour obtenir les informations de l'environnement. Nous évoquerons également les solutions employées pour simuler les mécanismes complexes comme le contrôle ascendant et descendant ou encore la mémorisation. Nous évoquerons les avantages et inconvénients de chacune des solutions an de cibler plus particulièrement celles qui pourraient être adaptées à la perception visuelle du conducteur. Nous concluerons sur une synthèse des travaux présentés et mettrons en avant ceux qui nous apparaissent comme les plus adaptés à notre problématique Introduction sur la perception visuelle L'importance de la perception visuelle lors de la conduite est indéniable [Van Elslande et al., 1997, Berthoz, 2005, METL, 1999, 2001]. Il s'agit de pouvoir obtenir l'information pertinente, nécessaire à la prise de décision, en fonction de la situation courante à l'aide de stratégies de prise d'information. Il faut également être capable de prendre en compte les éléments imprévus (enfants qui jouent au ballon sur le bord de la route). Tous ses éléments concourent à la nécessité de mettre en place chez le conducteur virtuel un ensemble de mécanismes de perception évolués qui permettent de retranscrire ces éléments. Cette partie présente les techniques utilisées pour doter les agents virtuels de la perception. Nous aborderons les mécanismes élémentaires pour obtenir les objets visibles depuis un point de vue. Puis, nous étudierons les solutions plus complexes utilisées pour modéliser les mécanismes de l'attention visuelle. Nous serons amenés à parler également de la mémorisation des informations perçues et de leur maintien en mémoire Vision Synthétique Introduction La vision synthétique est une solution numérique de simulation de la perception visuelle. Son objectif est de produire une image qui pourra être ensuite utilisée par l'agent autonome pour déterminer diérents éléments : objets présents, distances, vitesses... La vision synthétique dière quelque peu de la vision articielle. Dans le cas de la vision synthétique, les résultats sont obtenus directement à partir de la connaissance de scène 3D. C'est le cas par exemple des informations de profondeurs extraites du z-buer lors du calcul des images. Tandis que pour la vision articielle la connaissance de l'environnement n'est connu que partiellement a priori. Ceci impose de mettre en uvre des techniques de vision complexes ne serait-ce que pour obtenir la simple information de distance (par exemple avec la vision binoculaire). Nous allons exposer diérentes solutions utilisées pour la génération de ces images. Nous exposerons ensuite la façon dont celles-ci sont exploitées et quels sont les cas applica

57 CHAPITRE 3. PERCEPTION VISUELLE DES ENTITÉS AUTONOMES tifs. Nous évoquerons alors, quelques techniques permettant d'accroître les performances de génération de ces images. Génération des images Le processus de génération d'images doit permettre de créer une représentation de l'environnement sous forme de pixels depuis un point de vue (celui de l'agent). Il existe principalement deux solutions pour les obtenir : 1. l'utilisation de techniques de projection [Fernando et Kilgard, 2003], 2. l'utilisation de techniques de lancer de rayon [Arvo et Kirk, 1989]. Dans les deux cas une description géométrique de la scène doit être disponible. Dans le premier cas, les informations 3D sont utilisées pour un calcul de projection sur un plan image qui peut trouver support sur la carte graphique. Des informations de couleurs (tampon chromatique codé en Rouge-Vert-Bleu) et de profondeurs (Z-buer) sont calculées lors de cette projection. La gure 3.10 illustre le calcul de ces images. Il est possible d'utiliser diérents modes de coloration lors des rendus : avec ou sans prise en compte des ombres et sans texture (at shading), avec une couleur unique par objet (false coloring), en tenant compte de la vitesse de déplacement des objets (champ d'énergie). Pour une illustration de ces rendus voir les gures 3.11 et Dans le second cas, un mécanisme récursif calcule l'intensité lumineuse et la couleur de chaque pixel de l'image en simulant le parcours inverse de la lumière de la scène jusqu'à la rétine. Cette solution est coûteuse en temps de calcul mais il s'agit d'une simulation qui permet de reproduire les phénomènes physiques que sont la réexion et la réfraction. Il est ainsi possible de calculer des ombres portées, des transparences, des lumières et ainsi de restituer dèlement l'image d'un monde 3D (voir gure 3.12). Dans ces générations d'images, le calcul des occlusions entre objets est intrinsèque au processus de rendu : c'est l'un de leurs principaux intérêts. Fig De gauche à droite : rendu normal de la scène, rendu en gamme de gris du contenu du Z-buer. Génération eectuée sous la plateforme ARéVi

58 3.3. SIMULATION DE LA PERCEPTION : MÉCANISMES DE PRISE D'INFORMATIONS VISUELLES Fig De haut en bas et de gauche à droite : rendu normal, rendu avec identiant unique, rendu par type d'objets, rendu par proximité, par utilisation de la technique de false coloring et at shading [Peters et O'Sullivan, 2002a]. Fig Génération d'une image photoréaliste par lancer de rayon [Piqueres, 2004]. Fig Rendu avec champ d'énergie de déplacement [Blumberg, 1996]

59 CHAPITRE 3. PERCEPTION VISUELLE DES ENTITÉS AUTONOMES Optimisations des rendus La génération des images utilisées pour la vision synthétique peut être coûteuse en temps de calcul malgré l'application de techniques d'optimisations de rendu classique : graphes de scène, frustrum culling, niveaux de détails. Le premier critère qui inue directement la rapidité de génération d'une image est sa résolution. Ainsi plusieurs tailles d'images sont utilisées suivant la capacité de calcul ou encore le nombre d'agents simulés. Ces résolutions vont de 50x50 pixels [Noser et al., 1995] dans le cas du déplacement sans collision avec exploration de l'environnement jusqu'à 512x512 pixels dans le cas de la reconnaissance d'objets [Terzopoulos et Rabie, 1997]. Des résolutions intermédiaires sont utilisées, par exemple, 128x128 pixels [Peters et O'Sullivan, 2003], 200x200 [Kuner et Latombe, 1999] ou encore 160x120 [Enrique, 2002]. Terzopoulos propose de générer une image de 512x512 pixels à l'aide d'une technique de combinaison d'images. Pour cela, il utilise 4 images de 64x64 pixels calculées selon des ouvertures de champs diérents combinées entre elles (voir gure 3.14). Pour obtenir une image de résolution uniforme avec un champ de vision et une précision dans la fovéa identique, il aurait fallu construire une image de 512x512 pixels. La génération de cette image prendrait 16 fois plus de temps de calculs qu'en utilisant la technique utilisée ici. Un autre intérêt est qu'elle permet de simuler la répartition non uniforme des cônes sur la rétine : concentrés sur la fovéa et dispersés sur la périphérie. Fig De haut en bas et de gauche à droite : les images de profondeurs de champs variables pour simuler la répartition spatiale non uniforme des récepteurs photosensibles de la rétine. Cette technique de composition d'images de résolution 64x64 pixels et d'ouverture de champs diérents permet d'obtenir un champ visuel identique à celui qui serait obtenu avec une seule image de résolution 512x512 pixels [Terzopoulos et Rabie, 1997]

60 3.3. SIMULATION DE LA PERCEPTION : MÉCANISMES DE PRISE D'INFORMATIONS VISUELLES Dans le cas de l'utilisation des techniques de rendu par carte graphique, la possibilité de programmer le processeur graphique (GPU : Graphics Processor Unit) peut permettre d'accroître la rapidité de rendu de certaines images. Ces techniques [Fernando et Kilgard, 2003] se basent sur la re-programmation du pipeline graphique à travers un langage de shading qui permet de créer ses propres pixels et vertex shaders. La gure 3.15 illustre ces techniques de programmation GPU pour du traitement d'images lors du processus de rendu sur la plateforme ARéVi. Fig Traitement d'images par programmation GPU. Description des vignettes de gauche à droite, en haut : tampon de profondeur, détections de contour sur le tampon de profondeur, ltrage de Sobel sur les contours de profondeurs. En bas : ltrage de Sobel sur l'image principale, combinaison du ltrage de Sobel avec l'image principale. Test eectué sur le simulateur ARéViRoad. Dans le cas de l'utilisation d'algorithmes de lancer de rayon, il existe diérentes solutions pour accroître la rapidité de génération des images. Le but est de construire hors-ligne une représentation qui compresse les données calculées depuis diérents points de vue : intensités, couleurs, disparités ou distances, ombrages. Ces structures pré-calculées sont utilisées en ligne pour reconstruire des points de vues intermédiaires. Parmi celles-ci nous pouvons citer les "layered depth images" (images multi-couches de profondeurs, LDI) [Shade et al., 1998] ou le lumigraphe [Gortler et al., 1996]. Une technique de combinaison de LDI a d'ailleurs fait l'objet de mes travaux de DEA [Herviou et Maisel, 2003] an de reconstruire en temps réel des points de vue intermédiaires d'une scène pré-calculées. La gure 3.16 illustre l'utilisation d'un LDI. Cette technique de reprojection permet de partager une représentation entre plusieurs points de vue. Plusieurs freins existent à l'utilisation de ces techniques : la quantité de mémoire nécessaire à la représentation d'un environnement, la diculté à tenir compte des objets mobiles

61 CHAPITRE 3. PERCEPTION VISUELLE DES ENTITÉS AUTONOMES Fig Exemple d'une reprojection d'image multi-couches de profondeur. A gauche le point de vue de construction de la structure. A droite un nouveau point de vue obtenue par reprojection. Les informations de disparités et de couleurs maintenue dans cette structure permettent de recomposer partiellement le nouveau point de vue en tenant compte des occlusions [Herviou et Maisel, 2003]. Exploitations des images Une fois les images générées, il est possible de les exploiter de diérentes façons. La technique de fausses couleurs (false coloring) couplée à la technique de rendu sans ombrage (at shading) est utilisée pour déterminer les objets présents dans une image. Puisqu'à chaque objet est attribué une couleur unique, donc un identiant unique, il convient de répertorier l'ensemble des couleurs présentes dans l'image pour connaître ceux qui sont visibles [Kuner et Latombe, 1999]. Le principe de l'identiant peut également être associé à des groupes d'objets plutôt que par objet [Peters et O'Sullivan, 2002a, Enrique, 2002]. Les groupes peuvent alors être formés sur des critères de distances, de types, ou encore d'attention de l'agent. L'intérêt est de pouvoir eectuer des pré-calculs sur les groupes avant d'en eectuer des plus précis sur les éléments du groupe. Pour permettre de déterminer la distances aux objets, plusieurs solutions sont possibles : récupérer les objets visibles et interroger directement leur position [Kuner et Latombe, 1999], récupérer les valeurs contenues dans le tampon de profondeur (Z-buer) [Enrique, 2002, Noser et al., 1995], simuler la récupération de l'information de profondeur par vision binoculaire [Terzopoulos et Rabie, 1997]. Les distances aux objets peuvent permettre la navigation avec évitement d'obstacles, tout comme l'utilisation des champs d'énergie de déplacement. C'est ce qu'eectue le chien Silas de Blumberg [Blumberg, 1996]. Pour chaque il est calculé un image de pixels. Chaque pixel représente une energie de déplacement d'une partie d'un objet. Ensuite, l'énergie de l'ensemble des pixels de chaque il est calculée. Lors du déplacement sans collision, le chien tente d'équilibrer la diérence entre les énergies des deux yeux. Pour déterminer la dynamique d'un objet, il existe plusieurs solutions :

62 3.3. SIMULATION DE LA PERCEPTION : MÉCANISMES DE PRISE D'INFORMATIONS VISUELLES récupérer les objets visibles et interroger directement leur attribut de vitesse, eectuer un codage RVB pour le rendu des objets dynamique : chaque pixel contient une information de vitesse [Enrique et al., 2002], utiliser des rendus successifs et comparer leurs contenus [Kuner et Latombe, 1999, A.D. Dumbuya et Thomas, 2002, Terzopoulos et Rabie, 1997]. A chaque fois, il est possible d'accéder directement à uniformation soit devoir la calculer Perception par bases de données Principe et exploitations Ce type de perception visuelle permet d'obtenir des informations à partir d'interrogation sur des bases de données de diérents types : géométrique : elle contient les données 3D tel que les triangles, les points, les lignes... sémantique : elle contient un ensemble de données qui peuvent dénir les relations entre objets, les attributs d'un objet... Dans ce sens, elle s'approche de la modélisation écologique de la perception (voir partie 3.2.5) où les informations nécessaires à l'action de l'agent peuvent directement être extraite des bases de données. Pour obtenir, par exemple, les objets présents dans un cône de vision, il faut interroger une base de données géométrique et déterminer les objets présents dans celui-ci (technique de frustrum culling). Cependant, cette étape ne permet pas de déterminer quels sont ceux qui cachent totalement ou partiellement les autres. Autre exemple, pour déterminer quels sont les espaces dans lesquels un piéton peut évoluer : il ne s'agit pas de détecter tous les passages piétons an de savoir lequel va permettre à l'agent de traverser. Il s'agit d'obtenir directement quel passage piétons permet de traverser à partir du trottoir sur lequel le piéton se trouve : cette mise en relation des objets est pré-construite et maintenue dans une base de données topologique. Un agent qui souhaite percevoir tous les véhicules qui l'entoure peut pour cela utiliser une base de données sémantique qui à une classe d'objets (Vehicule) associe un ensemble d'objets géométriques. Ces objets pourront ensuite être traités pour déterminer s'ils appartiennent au cône de vision. Comme il existe plusieurs types de bases de données, l'agent doit pouvoir formuler plusieurs types de requêtes, ce qui lui confère un couplage fort avec son environnement. Thomas [Thomas, 1999] utilise cette technique de hiérarchisation des informations dans le cas de la navigation de piétons en environnement urbain. Elle construit pour cela trois bases de données : topologiques (listes d'espaces et de frontières en relation), spatiale (orientation,vitesse) et géométrique (les objets 3D). Lorsqu'un piéton se déplace, il utilise une zone de perception à la recherche d'aordances. Cette zone permet de paramétrer les requêtes faites aux diérentes bases de données. D'une façon similaire, Parenth n [Parenthoen et al., 2001] utilise un cône de vision et des paramétrages sémantiques (classe d'objets) pour permettre à son chien de berger de connaître le mouton le plus proche de lui. La diculté à déterminer les occlusions entre objets est le principal défaut qui peut être fait à cette approche. En eet, pour les déterminer il faut avoir recours à des procé

63 CHAPITRE 3. PERCEPTION VISUELLE DES ENTITÉS AUTONOMES dures d'algorithmique géométrique (par exemple le lancer de rayons) coûteuses en temps de calcul (voir partie 3.3.2). Optimisations Le fait de structurer en diérents niveaux l'environnement sous forme de diérentes bases de données est déjà une optimisation en soit. Cependant, an de réduire la redondance des calculs qui sont parfois eectués sur les bases de données et pour permettre la réutilisation de calculs partiels dans d'autres traitements perceptifs, Bordeux et al. [Bordeux et al., 1999] proposent une solution de pipeline de perception paramétrable. La solution proposée permet de composer une succession de ltres sur les objets parcourant le pipeline de perception. A chaque sortie de ltre, les objets répondant à certains critères (couleur, vitesse, forme) sont obtenus et maintenus dans une liste. Ces chaines de ltres possèdent plusieurs modes de fonctionnement : laisser passer en sortie uniquement les objets répondant aux critères et les maintenir en interne (à droite sur la gure 3.17), laisser passer en sortie tous les objets et garder en interne les objets répondant aux critères (à gauche sur la gure 3.17), ne laisser passer aucun objet et ne maintenir en interne que les objets qui répondent aux critères. La gure 3.17 illustre par l'utilisation de la métaphore de ltres optiques, la succession des étapes de sélections que les objets présents dans l'environnement subissent pour être pris en compte par l'agent. Une combinaison de ltre sur les distances, la position angulaire permet, par exemple, d'obtenir des objets présents dans un champ de vision. Fig La base de données géométriques sert d'entrée à la succession de ltres perceptifs. L'utilisation de ces derniers permet d'éviter la redondance dans les calculs en récupérant le résultat précédent dans la suite du ltrage [Bordeux et al., 1999]

64 3.4. MÉCANISMES DE TRAITEMENT ET DE CONTRÔLE Cas particulier : Réseaux d'accointances Une dernière forme de perception exploite les réseaux d'accointances : elle permet à un agent d'interroger directement une autre entité sur des valeurs de variables. L'ensemble des entités auxquelles un agent peut s'adresser forme un réseau d'accointances. Ce réseau est déni a priori et reste gé durant la simulation. C'est un moyen simple à mettre en uvre et rapide à l'exécution mais irréaliste dans le cas de problèmes complexes. Le problème de la perception est dans un premier temps de savoir quels sont les objets que nous percevons ou que nous avons perçus an d'obtenir des informations sur ceux-ci par la suite. Avec un réseau d'accointances, l'agent peut obtenir toutes les informations qu'il désire sur un objet même si celui-ci n'a jamais été perçu. Cette technique est cependant utilisée par plusieurs auteurs [Blumberg, 1996, Rickel et Johnson, 1998] dans des cas particuliers. Par exemple, Querrec [Querrec, 2002] utilise cette notion de réseaux d'accointances pour l'expansion d'un volume de particules de gaz en interaction Conclusion Nous avons présenté les deux approches principales utilisables pour pour doter les agents virtuels de la perception visuelle : la vision synthétique et la perception par bases de données. La première consiste à générer des images qui seront par la suite exploitées pour déterminer les objets visibles, les distances à ceux-ci ou encore leur vitesse. C'est une technique axée sur la simulation de la perception visuelle et particulièrement intéressante lorsque le nombre d'agents qui l'utilisent est faible. Elle ore en plus l'avantage de déterminer facilement les occlusions entre objets. L'utilisation des bases de données permet de parer au problème du temps de calcul. Plusieurs types de bases sont utilisées pour permettre de classier les données suivant différents critères : géométriques, sémantiques. Cependant, la détermination des occlusions n'est pas faite de manière "automatique" et il faut pour cela recourir à des techniques coûteuses en temps de calcul. Le tableau 3.1 synthétise les avantages et inconvénients de chacune des deux approches. 3.4 Mécanismes de traitement et de contrôle Introduction Les techniques qui viennent d'être évoquées permettent de fournir à un acteur virtuel des informations quant aux objets qui l'entourent. Cependant, elles ne permettent pas de simuler certains mécanismes psychovisuels tels que la vigilance ou la focalisation de l'attention visuelle. Ces mécanismes sont nécessaires an de pouvoir réagir à tout nouveau stimulus mais également an de pouvoir réduire le nombre d'informations à considérer. Le but de cette section est de présenter les solutions utilisées pour simuler ces mécanismes plus complexes de la perception. Cela passe par le contrôle du système visuel par la partie décisionnelle, mais aussi de manière inconsciente par les stimuli exogènes

65 CHAPITRE 3. PERCEPTION VISUELLE DES ENTITÉS AUTONOMES avantages inconvénients facteurs limitants identication des objets calcul des distances Vision Synthétique calculs occlusions entre objets simulation image rétinienne vitesse de génération résolution des images fréquence de rendu identiant unique de couleur par objet interrogation directe de l'objet lancer de rayons lecture du Z-buer stéréoscopie Base de données rapidité facilité d'exploitation calculs occlusions entre objets exibilité création des bases de données mise à jour directe interrogation directe de l'objet lancer de rayons Tab. 3.1 Comparaison de la vision synthétique et de la perception par bases de données Stratégie descendante : de la décision à la perception Nous allons maintenant exposer le principe du contrôle descendant (ou top-down). Il fait référence au contrôle qu'exerce la partie décisionnelle sur le système visuel : il s'agit d'obtenir uniquement les informations pertinentes pour la tâche en cours, en ne prêtant attention qu'à certaines zones de notre environnement. Ce principe peut aussi bien être utilisé à partir d'une approche de vision synthétique que de base de données. Lorsque nous eectuons une tâche, notre regard suit des schémas de mouvements oculaires dites routines visuelles [Ullman, 1984]. Le but des routines visuelles est d'obtenir les informations nécessaires à l'exécution de la tâche en cours. C'est pourquoi elles sont dépendantes de ce que nous sommes en train de faire : la partie décisionnelle contrôle le déploiement de ces routines. Choppra [Chopra-khullar et Badler, 1999] propose ainsi d'associer des activités motrices (marcher, manipuler) avec des activités cognitives (suivre des yeux, rechercher). A ces activités sont associées des motifs de déplacements oculaires. Reece [Reece et Shafer, 1995] utilise également le principe de routines visuelles pour contrôler son véhicule autonome. Pour générer les mouvements oculaires, il utilise les relations spatiales connues : une voiture venant d'en face se trouve à gauche de la ligne centrale, un panneau se trouve aux abords d'une intersection sur la droite. Ces informations sont utilisées ensuite pour guider le regard du conducteur

66 3.4. MÉCANISMES DE TRAITEMENT ET DE CONTRÔLE Stratégie ascendante : de la perception à la décision Dans cette partie, nous introduisons la notion de contrôle ascendant (ou bottom-up). Lorsqu'un évènement exogène intervient et capture momentanément l'attention visuelle, alors le contrôle est dit bottom-up. Ce phénomène correspond à la sensibilité de l' il aux contrastes (contrastes d'intensité, de couleurs, aux mouvements). Pour reproduire ces phénomènes, les diérents travaux exposés ci-après, utilisent une approche à base de vision synthétique. L'idée est de calculer les saillances (points remarquables) de l'image rétinienne ; puis à partir de ces saillances, de déterminer la plus importante (compétition entre saillances) pour générer un point de focalisation (déplacement de l'attention vers celui-ci). Le calcul de ces saillances [Stentiford, 2001, Itti et al., 1998, Courty et al., 2003, Peters et O'Sullivan, 2003] prend en compte diérents types d'informations : la luminance, les couleurs, l'intensité, la pondération par une carte de profondeurs, l'atténuation par ltrage Gaussien pour simuler la fovéa, l'utilisation du ltrage de Gabor pour déterminer les changements locaux d'orientation. Le modèle d'itti [Itti et al., 1998] propose de construire une carte de saillance en 4 étapes (voir gure 3.18) : 1. une transformation de type linéaire pour obtenir des cartes de couleurs, une carte d'intensité, des cartes d'orientations ; 2. les données en périphérie des cartes sont atténuées pour augmenter l'importance de celle en zone centrale an de simuler la fovéa ; ces cartes sont appelées cartes de motifs ; 3. les cartes de motifs pour chaque grandeur (orientations, couleurs, intensité) sont combinées entre elles pour donner des cartes appelées cartes d'évidences ; 4. les cartes d'évidences de chaque grandeur sont combinées entre elles pour former la carte de saillance. La sélection de la zone à percevoir se fait suivant un algorithme (Winner Take All) qui permet à la zone la plus saillante de diriger l'attention vers elle. Pour permettre de ne pas revenir sur une zone déjà perçue la carte de saillance est pondérée suivant un principe d'inhibition de la zone perçue. La gure 3.19 illustre l'utilisation des diérents ltres et combinaisons de ltres pour générer une carte de saillance dans un environnement urbain [Veyret, 2004] Stratégie hybride Le système visuel humain tient compte des évènements imprévus (bottom-up) mais également de la tâche en cours (top-down) pour contrôler les prises d'informations. Les stratégies hybrides tentent d'apporter une solution pour tenir compte de ces deux types de contrôle de l'attention visuelle. Il s'agit du problème qu'ullman a nommé "initial access" et qui est également connu sous le nom de "scheduling problem" [Hayhoe et al., 2002] : comment détecter les évènements imprévus tout en focalisant son attention sur ce qui nécessaire pour la tâche en cours?

67 CHAPITRE 3. PERCEPTION VISUELLE DES ENTITÉS AUTONOMES Fig Modèle de génération de cartes de saillances de Itti [Itti et al., 1998]. Fig De haut en bas et de gauche à droite : l'image rétinienne de départ, la carte de profondeur, la gaussienne pour simuler la vision périphérique et la fovéa, les points de saillances obtenus [Veyret, 2004]

68 3.4. MÉCANISMES DE TRAITEMENT ET DE CONTRÔLE Les stratégies hybrides fonctionnent en trois temps [Navalpakkam et Itti, 2005, Sun et Fisher, 2003] : 1. dans un premier temps, la tâche qu'eectue l'agent permet de déduire un ensemble de contraintes sur les informations à extraire de l'image rétinienne. Par exemple, le système visuel d'un agent qui veut détecter les voitures qui arrivent dans sa direction peut en déduire les contraintes suivantes : les voitures sont de tailles moyennes (ltrage sur les motifs de tailles moyennes), les voitures sont en mouvement (ltrage temporel), les voitures sont sur le sol (ltrage sur une partie de l'image : segmentation). Ces contraintes permettent donc de dénir les paramètres des ltrages qu'il est nécessaire d'appliquer pour faire ressortir les voitures [Veyret, 2004]. Dans notre exemple, les ltrages feront ressortir les zones qui se trouvent sur le sol, dont la taille est proche de celle d'un véhicule et qui exhibe un fort gradient temporel. Le résultat de ces ltrages sur l'image rétinienne est une carte de pertinence pour la tâche en cours. 2. dans un second temps, pour tenir compte des évènements imprévus, des cartes de saillances sont calculées à partir de l'image rétinienne ; 3. dans un troisième et dernier temps, la carte de pertinence et la carte de saillance sont combinées : la carte de pertinence permet de pondérer les valeurs des saillances de la carte de saillance. La zone de saillance la plus forte est celle sur laquelle l'attention visuelle se porte Conclusion Nous venons d'exposer des solutions qui tentent de résoudre le problème du contrôle ascendant et descendant ainsi que la cohabitation de ces deux ots de contrôle. Les mécanismes top-down associent des comportements visuels à la tâche qu'eectue l'agent à travers l'utilisation notamment de routines visuelles. Les mécanismes bottom-up permettent par diverses techniques basées principalement sur l'exploitation d'images rétiniennes (ltrage, détection de contour, combinaison de cartes) d'obtenir des points saillants qui serviront à guider l'attention de l'agent. Les approches hybrides traitent le problème de c xistence de ses deux ots de contrôles. Ces solutions se basent sur la création d'une carte de saillance comme dans les approches purement bottom-up et sur la création d'une carte de pertinence vis à vis de la tâche en cours (reète le contrôle top-down). Ces deux cartes sont ensuite combinées : la carte de pertinence permettant d'augmenter l'importance de certaines zones dans la carte de saillances. Ces zones correspondent à des localisations où l'information pour la tâche en cours peut être trouvée

69 CHAPITRE 3. PERCEPTION VISUELLE DES ENTITÉS AUTONOMES 3.5 Perception, mémorisation et représentation Introduction Bien qu'il soit possible d'exhiber des comportements intelligents sans utilisation de mémoire [Brooks, 1991], force est de constater que tout le monde n'est pas du même avis [Wood, 2004, Thomas, 2005] : la mémoire est nécessaire dès lors qu'il s'agit, par exemple, d'avoir un comportement qui fait appel à des évènements précédemment vécu. La mémoire permet de maintenir un certain nombre d'informations perçues ou calculées par l'acteur virtuel. Ces informations peuvent être retenues en mémoire plus ou moins longtemps suivant diérents critères (temps, nombres de fois qu'un objet est perçu) et peuvent avoir des représentations diérentes Représentations, données maintenues Une solution "simple" pour doter les agents d'une mémoire consiste à maintenir une liste d'observations des objets perçus en y associant des informations complémentaires [Kuner et Latombe, 1999, Peters et O'Sullivan, 2002b] : identiant de l'objet, type d'objet, position, vitesse, date de perception. Le nombre d'objets maintenus en mémoire peut varier et reposer sur des chires obtenus par des expérimentations psychologiques [Peters et O'Sullivan, 2002b]. Terzopoulos [Terzopoulos et Rabie, 1997] utilise une liste d'images, plutôt qu'une liste d'objets, pour permettre à ses poissons de se représenter leurs proies ou prédateurs. Pour qu'un acteur virtuel puisse se représenter l'occupation de l'espace, une structure de mémoire hiérarchique (de type octree) peut être utiliser [Noser et al., 1995, Noser et Thalmann, 1995]. Cet octree peut être construite à partir des informations fournies par la vision synthétique et notamment les valeurs du Z-buer. Condé [Condé, 2005] utilise également un octree pour son système de perception visuelle prédictive. Isla [Isla et Blumberg, 2002], quant à elle, propose de modéliser l'occupation de l'espace par une mémoire reposant sur l'utilisation d'une carte d'occupation probabiliste (COP). Elle permet par rapport à l'approche à base d'octrees d'ajouter une information de type probabilité de présence d'un objet dans une région de l'espace. Pour cela, l'environnement est discrétisé en cellules qui contiennent chacune une liste de paire objet - probabilité de présence de l'objet Mise à jour de la mémoire La mise à jour des données maintenues en mémoire peut se faire selon diérents critères : le temps écoulé depuis la dernière perception, le nombre de fois qu'un objet est

70 3.6. PERCEPTION DES CONDUCTEURS VIRTUELS perçu, son importance pour la tâche à accomplir, son aspect dynamique... Peters [Peters et O'Sullivan, 2002b] inscrit son implémentation dans l'architecture de mémoire de Atkinson et Shirin [Atkinson et Shirin, 1968]. Par conséquent, les mécanismes de mise à jour sont ceux décrits par le modèle psychologique. Les données peuvent être maintenues en mémoire de travail pendant une première période de 20 secondes. Si l'information est renforcée (objet à nouveau perçu) ce temps est étendu et peut conduire au maintien de l'information en mémoire à long terme. Lorsque la mémoire est pleine et que de nouvelles informations arrivent les éléments les plus anciens sont remplacés. La mise à jour de la mémoire sous forme d'octree [Noser et al., 1995, Noser et Thalmann, 1995] se fait par des opérations d'insertion et de suppression de voxels suivant le résultat d'une comparaison entre le contenu de l'octree et le contenu du Z-buer de la vision synthétique. Condé [Condé, 2005] quant à lui utilise l'algorithme de Kalman pour prédire la position des objets dynamiques présents dans l'octree. Dans le cas de l'utilisation de cartes d'occupation probabiliste (COP), le mécanisme de mise à jour proposé par Isla suit un principe de diusion des probabilités d'occupation d'une cellule par un objet vers les cellules voisines. L'utilisation des COP est illustré à travers l'exemple de Duncan le chien et du mouton. A un instant de son évolution Duncan a perçu un mouton, il a mis à jour sa COP. Au fur et à mesure que le temps s'écoule, la COP est mise à jour par diusion de la conance et des perceptions. Lorsque l'utilisateur demande a Duncan d'observer le mouton, celui-ci va le chercher dans la cellule ou la probabilité de présence du mouton est la plus importante. S'il ne le perçoit pas il mettra sa COP à jour et cherchera vers une autre cellule, celle où sa conance est maintenant la plus forte : Duncan exhibe un comportement de recherche active non déni a priori Conclusion Nous venons d'exposer quelques techniques utilisées pour doter les agents d'une mémoire. Parmi celles-ci nous pouvons retenir l'utilisation de listes, d'octree, de cartes d'occupation probabiliste. Les données maintenues sont alors de type objets, images ou encore étiquettes. Nous avons également évoqué les mécanismes de mise à jour de la mémoire : objet perçu depuis trop longtemps, diusion, contradiction entre la perception actuelle et le contenu de la mémoire, ressource mémoire insusante. 3.6 Perception des conducteurs virtuels Plusieurs auteurs ont, dans le cadre de la modélisation agent du trac routier, proposé des modèles de perception visuelle. Dumbuya [Dumbuya et Wood, 2003] propose une solution pour simuler l'acquisition des informations de déplacement et de vitesse des objets chez des conducteurs virtuels. Pour cela, chaque agent de la simulation procède par la construction d'une paire d'images stéréoscopiques rétiniennes par lancer de rayon (voir partie sur la vision synthétique

71 CHAPITRE 3. PERCEPTION VISUELLE DES ENTITÉS AUTONOMES 3.3.2). Ces informations sont calculées à partir des images sans accéder à la base de données 3D. Par exemple, la vitesse d'un objet est obtenue à partir de la mise en correspondance de sa projection dans deux images consécutives. C'est une façon de procéder plus proche de la vision articielle que de la vision synthétique. Toujours dans le but d'améliorer la prise d'informations et de prendre en compte le caractère incomplet et bruité des informations perçues, Forbes et al. [Forbes et al., 1995] proposent de simuler un véhicule autonome : la BATmobile (Bayesien Automated Taxi). Ils modélisent des conducteurs autonomes suivant 2 niveaux : des réseaux Bayésiens : ils fournissent la croyance en l'état actuel du monde et son évolution pour prendre en compte le caractère incomplet et bruité de la perception ; un arbre de décision : il utilise les croyances sur le monde pour décider des actions à eectuer. Les réseaux de croyances sont mis à jour par les observations faites au moyen de capteurs virtuels. Les défauts de ces capteurs (par exemple le bruit) sont pris en compte dans leur modèle. Les données qu'ils fournissent sont incorporées dans les réseaux de croyances sous forme de n uds dit d'observation. Une partie du réseau est dédiée au diagnostic de l'état du capteur : la variance entre les données prédites par ce réseau et les données fournies par le capteur permet de déterminer si ce dernier fonctionne en mode dégradé, dû par exemple au mauvais temps et s'il faut par conséquent tenir compte ou non des informations qu'il fournit. Un des problèmes auquels sont confrontés les conducteurs virtuels dans les simulations, provient de la nécessité de prendre rapidement des décisions face à une situation dynamique : il faut anticiper. Pour cela, Hadouaj [Hadouaj et al., 1999] propose une décomposition de la zone perceptive de l'agent en zone de proximité très proche, proche, lointaine : l'anticipation dépend de l'état des zones lointaines (voir gure 3.20). En appliquant des règles sur ses zones lointaines, le conducteur prédit les actions d'anticipation à eectuer. Fig Décomposition de la zone de perception du conducteur virtuel pour l'anticipation [Hadouaj et al., 1999]. Dans le modèle de Reece et al. [Reece et Shafer, 1991, 1995], qui exploite des images, l'itinéraire est utilisé comme guide pour analyser la route : le conducteur virtuel part à

72 3.7. CONCLUSION la recherche de panneaux, de signalisations horizontales et de voitures. Les informations obtenues à partir des perceptions (véhicule devant, panneaux de limitation de vitesse, courbure du virage) génèrent chacune des contraintes sur la vitesse à adopter : un intervalle d'accélération est calculé pour chacune de ces contraintes et l'intersection entre ces intervalles est eectuée. Dans cet intervalle le conducteur choisit la valeur de l'accélération qui lui permettra de répondre au mieux à des sous buts, comme par exemple : aller le plus vite possible. 3.7 Conclusion Nous avons présenté plusieurs solutions pour permettre à des agents autonomes de percevoir leur environnnement. L'approche par vision synthétique permet de simuler le capteur visuel par la génération d'une image rétinienne depuis le point de vue de l'agent. Les données présentes dans l'image sont ensuite extraites par diérentes techniques (coloration unique, tampon de profondeur, stéréoscopie). Cette solution a l'avantage de garantir la cohérence des occlusions entre objets, mais reste cependant coûteuse en temps de calcul malgré l'utilisation du support matériel (GPU). Comme il s'agit d'une simulation, les phénomènes d'éblouissements, d'ombres sont possibles, grâce à l'utilisation de rendus photo-réalistes. L'approche par base de données règle le problème de la rapidité d'exécution. Les objets présents dans un cône de vision simulé sont extraits des bases de données géométriques, les informations de type sémantique peuvent elles aussi être obtenues en interrogeant les bases de données dédiées. L'inconvénient réside dans le fait que les occlusions ne sont pas obtenues directement par le processus d'extraction de données. Il faut alors avoir recours à des diérentes techniques (lancer de rayon, z-buer,...) pour déterminer la visibilité des objets dans un cône de vision : l'utilisation des bases de données perd une partie de son ecacité. Des mécanismes plus haut niveau viennent compléter ces techniques : les approches bottom-up et top-down. Cette dernière utilise la tâche en cours de l'agent pour contrôler le système visuel. L'approche bottom-up permet de tenir compte des évènements exogènes à l'agent. Les approches de type hybride tentent de concilier ces deux stratégies comme le fait la vision humaine. A ceci vient s'ajouter l'utilisation de mémoires an de retenir les informations perçues par l'agent et les attributs qui les caractérisent. An de simuler les mécanismes d'oubli ou de renforcement, une stratégie temporelle peut être utilisée. Celle-ci nécessite l'utilisation d'un marqueur temporel sur les informations retenues. L'oubli ou la conance en un élément présent en mémoire peut aussi se faire suivant le type d'objet (statique ou dynamique) ou encore par diusion : un objet dynamique se déplace et les informations de position qui le caractérise perdent de leur validité au cours du temps. Toutes ces techniques contribuent à créer des agents de plus en plus crédibles et autonomes. Il ressort tout de même de ces études le lien étroit entre les diérentes parties : perceptive, eective et décisionnelle et qu'il est dicile de les traiter les unes indépen

73 CHAPITRE 3. PERCEPTION VISUELLE DES ENTITÉS AUTONOMES damment des autres. Le concepteur d'un agent autonome ou plus généralement d'un système composé d'agents devra baser son choix de techniques de perception suivant les critères qu'il souhaite respecter. Ainsi l'approche par base de données lui permettra des temps de réponse faibles mais une simulation des mécanismes perceptifs moins complexes et moins réaliste qu'une approche par vision synthétique qui, néanmoins réclame plus de temps de calculs

74

75 Chapitre 4 Modélisation des conducteurs virtuels dans ARéViRoad Nous choisissons de modéliser le conducteur virtuel dans son activité de conduite selon la structure suivante désormais classique : un niveau stratégique (calcul à long terme), un niveau tactique (calcul à cours terme), un niveau opérationnel (actions sur le véhicule). Dans cette thèse, nous ne nous intéressons pas aux problèmes liés à la modélisation de la partie stratégique (plannication). Dans ce chapitre, nous avons choisi de modéliser la partie tactique du modèle du conducteur par un ensemble de tâches de conduite dégradées : c'est une approche phénoménologique de la conduite. La partie opérationnelle est étudiée principalement quant à l'aspect du suivi de trajectoire. En dernier lieu, an d'augmenter le réalisme des simulations, nous présentons la modélisation de groupes de piétons sur la base d'un schéma classique de leader/suiveurs.

76 4.1. INTRODUCTION 4.1 Introduction Contexte des travaux : précisions Nous allons maintenant étudier la partie modélisation des comportements de conducteurs virtuels qui doivent percevoir leur environnement, prendre des décisions et agir sur leur véhicule. Comme nous l'avons évoqué au chapitre 2, les multiples facettes à considérer pour générer des comportements de conducteur font de cette modélisation une tâche dicile. Les diérents types de modélisation présentés dans le chapitre précédent montrent qu'une approche de type microscopique ou mésoscopique pourrait être intéressante dans le cadre d'un logiciel de formation dans lequel l'élève doit : évoluer dans un trac, décider et agir en fonction de ce qu'il perçoit des autres conducteurs, qui eux mêmes agissent en fonction de leur environnement et en particulier de l'élève. Le choix entre ces deux approches va être guidé par le problème de la modélisation : dans le cas du mésoscopique et plus particulièrement de l'implémentation sous forme d'automates cellulaires, le trac généré n'est pas assez précis, il est en particulier discontinu dans l'espace ; dans le cas du microscopique, le trac est continu mais les modèles de conducteurs proposés sont soit trop restrictifs (modèles analytiques) soit trop complexes à mettre en uvre (modèles psychologiques). Comme nous nous intéressons à la simulation de trac routier dans un but précis (l'apprentissage de comportements), l'approche de type microscopique nous semble la plus adaptée (continuité spatiale du trac, interaction avec le trac...) L'apprentissage de ces comportements nécessite que le conducteur réel soit immergé dans un trac routier. Par conséquent, le nombre de conducteurs virtuels simulés doit être susament important pour que le conducteur réel ait l'impression d'être dans ce trac. Nous nous donnons comme objectif minimal, la simulation (en temps réel) de cinquante conducteurs virtuels autonomes. Un des principes fondamentaux d'aréviroad est qu'il n'est pas nécessaire de se focaliser sur certains détails. Ainsi les conducteurs tant réels que virtuels évoluent sur un réseau routier simplié caractérisé par les hypothèses suivantes : le réseau est déni comme étant une matrice de sections (voir gure 4.1), les véhicules sont asservis à des trajectoires prédénies sur ces sections. Les modèles microscopiques présentés dans le chapitre précédent (voir partie 2.3.3) ne semblent pas convenir à la modélisation des conducteurs virtuels dans ARéViRoad : les modèles analytiques ne prennent pas en compte correctement les perceptions des conducteurs ; les modèles cognitifs sont complexes car il est dicile de les traduire en un modèle algorithmique, d'en identier les états psychologiques ou encore de les simuler en temps réel

77 CHAPITRE 4. MODÉLISATION DES CONDUCTEURS VIRTUELS DANS ARÉVIROAD Fig. 4.1 Un réseau routier dans ARéViRoad. Les rues orthogonales illustrent la représentation matricielle choisie pour modéliser le réseau. Nous proposons une autre modélisation basée sur la notion de tâches de conduite, notion utilisée dans le domaine : de l'analyse du conducteur (voir section 2.1.1), de la formation à la conduite [METL, 1999, 2001]. Plus particulièrement, nous considérons la tâche de conduite observable qui est l'ensemble des actions perceptibles pour un observateur extérieur, eectuées par le conducteur face à une situation donnée [Herviou et al., 2006]. Ces actions sont des actions élémentaires : des actions de contrôle du véhicule à travers l'utilisation du volant, des pédales, de l'avertisseur sonore, des clignotants... des actions de prise d'informations visuelles : regarder le trottoir, regarder à gauche... Une situation pour un conducteur est dénie par : un lieu (par exemple : un carrefour), un objectif du conducteur (je dois traverser le carrefour), l'ensemble des acteurs présents en ce lieu (les véhicules, les piétons...). D'un point de vue fonctionnel, un modèle à base de tâches de conduite ne s'intéresse qu'à ce que fait le conducteur et non aux causes internes (fonctionnement psychologique) qui entraînement ces actions. Il s'agit d'une approche réactive dans laquelle les perceptions du conducteur sont reliées aux actions que celui-ci peut eectuer. Bien que cette approche soit réductrice, nous pensons qu'elle est susante pour notre problématique de génération de trac. De plus, elle ore l'avantage d'être relativement simple à mettre en uvre. C'est la thèse que nous défendons dans ce travail

78 4.1. INTRODUCTION Décomposition tri-partite La décomposition tri-partite [Michon, 1985] permet de décrire de façon structurée le conducteur dans son activité de conduite (voir gure 4.2) : stratégique : le conducteur établit des plans à long terme, comme par exemple l'itinéraire à suivre an d'atteindre un but donné, tactique : le conducteur choisit en fonction de ses buts stratégiques des buts à court et moyen terme, comme la sélection de voies, le choix d'une vitesse..., opérationnel : le conducteur applique les commandes sur son véhicule en fonction des décisions imposées par le niveau tactique. Par exemple, lors du changement de voie (décidé au niveau tactique), le module opérationnel appliquera un contrôle continu du positionnement de son véhicule sur la chaussée jusqu'a ce que le changement soit complètement eectué. Comme le soulignent Reece et Shafer [Reece et Shafer, 1991] dans leurs travaux, la modélisation de la partie stratégique est une question à laquelle il existe des réponses. Les problèmes liés à la planication, dans laquelle les buts sont peu remis en cause, sont classiques en intelligence articielle (IA). La modélisation de ce niveau stratégique ne sera pas abordé dans cette thèse. Le niveau opérationnel a trouvé des solutions notamment dans le domaine de la robotique, comme ces robots capables de se déplacer sans collision dans un environnement inconnu. La partie tactique est plus problématique car elle impose des contraintes fortes sur le temps de réponse d'élaboration d'une décision adaptée à une situation hautement dynamique. Ces deux niveaux, tactique et opérationnel, sont les deux principaux objets d'études de ce chapitre. Les tâches de conduite évoquées plus haut correspond à ce niveau tactique du conducteur dans la décomposition tri-partite. Elle ore une approche relativement réactive qui garantit des temps de réponse courts, en associant des perceptions à des actions via l'application de règles comportementales simples. Nous verrons dans la suite de ce chapitre comment nous avons implémenté ces diérents niveaux de la décomposition de Michon et particulièrement les niveaux opérationnel et tactique Interface décision / perception : décomposition du problème An de décomposer le problème de la modélisation du conducteur et de mieux comprendre la suite de ce chapitre, nous proposons de considérer l'architecture de perception comme un système rendant des services à la partie décisionnelle. Nous considérerons que les informations visuelles sont obtenues par des requêtes faites au système perceptif et que celui-ci répond en modiant le contenu de la mémoire du conducteur. Nous utiliserons donc une approche type "boîte noire" pour le système visuel et nous nous attacherons à décrire la partie décisionnelle et eective du conducteur (voir gure 4.3). L'architecture de perception sera étudiée au chapitre 5. Le moyen de communication entre les deux systèmes se fait par l'intermédiaire de requêtes qui proposent des routines visuelles. Une routine visuelle est une procédure de prise d'informations. Elle se compose de plusieurs actions de prise d'informations qui permettent d'obtenir les éléments pertinents pour l'action en cours du conducteur

79 CHAPITRE 4. MODÉLISATION DES CONDUCTEURS VIRTUELS DANS ARÉVIROAD Fig. 4.2 Décomposition du conducteur selon trois niveaux proposés par [Michon, 1985]. Fig. 4.3 Métaphore de la boîte noire pour le système visuel. Celui-ci est vu comme un système qui rend des services à la partie décisionnelle. La communication se fait par des routines visuelles adressées à l'architecture de perception qui répond en remplissant les champs de la mémoire du conducteur

80 4.2. NIVEAU TACTIQUE 4.2 Niveau tactique Introduction Dans cette partie nous introduisons la façon dont les conducteurs virtuels autonomes détectent une situation et y font face. Pour ce faire, nous allons aborder la modélisation des tâches de conduite observables à l'aide d'un graphe de situations. Ce graphe traite des tâches de conduite spéciques (exemple : franchir un carrefour, dépasser), les tâches de conduite plus générales seront traitées à travers un module de sécurité (par exemple : garder une distance de sécurité avec le véhicule précédant). Nous allons maintenant détailler ces deux points Tâches de conduite observables Nous avons mené nos travaux concernant la modélisation du conducteur conjointement avec l'inserr 1. Comme nous l'avons évoqué précédement, la modélisation d'un conducteur sous forme analytique est trop réductrice et l'approche psychologique est trop complexe à mettre en uvre et non prédictive : il est donc dicile de contrôler un véhicule virtuel. Nous avons donc été amené à poser l'hypothèse suivante pour notre modélisation d'un conducteur virtuel : un conducteur est un ensemble de tâches de conduite. Dans le cadre d'une modélisation de tâches de conduite, nous avons construit un ensemble de tableaux récapitulatifs des actions, perceptions, questions/décisions eectuées lors du déroulement de celles-ci en évoquant les relations spatio-temporelles. Ces tableaux sont le résultats des travaux menées avec l'inserr et de l'analyse du contenu de [METL, 1999]. Ces tableaux sont disponibles en annexe A. En dénissant la tâche de conduite comme l'ensemble des activités internes et externes d'un humain en situation de conduite, nous pouvons considérer notre approche réduite à l'évocation des aspects uniquement externes : nous parlerons alors de tâche de conduite observable. Illustrons le cheminement que nous avons suivi pour construire ces tableaux et dénir une tâche de conduite par l'exemple du franchissement de rond-point. Une tâche de conduite se décompose en plusieurs étapes que nous appelons soustâches de conduite, dans le cas du franchissement du rond-point, nous pouvons citer : 1. rouler sur la route, 2. arriver au rond-point, 3. s'engager dans le rond-point, 4. être sur le rond-point, 5. quitter le rond-point. 1 Institut National de la Sécurité Routière et de Recherches. http ://www.inserr.org

81 CHAPITRE 4. MODÉLISATION DES CONDUCTEURS VIRTUELS DANS ARÉVIROAD Pour chacune d'elles, nous avons déterminé les perceptions eectuées : 1. regarder devant, 2. regarder devant, regarder derrière, 3. regarder les véhicules engagés dans le rond-point, 4. regarder les véhicules devant soi dans le rond-point, 5. regarder derrière soi. Pour le point 2, par exemple, l'ensemble des actions "regarder devant" et "regarder derrière" constitue une routine visuelle. Il nous a également fallu déterminer les actions à eectuer sur le véhicule : 1. rouler à la vitesse réglementaire, 2. décélérer pour atteindre une vitesse d'approche, mettre son clignotant, changer de le, 3. s'arrêter au cédez le passage, 4. accélérer pour atteindre une vitesse de prise de rond-point, 5. atteindre la vitesse de croisière sur route. L'ensemble des actions "décélérer", "mettre son clignotant" et "changer de le" de l'étape 2 constitue une routine d'actions sur le véhicule. Ensuite, nous nous sommes intéressés à l'évolution temporelle et spatiale de la tâche de conduite : de 1 vers 2 : la portion de route perçue est un rond-point ; de 2 vers 3 : le conducteur est à une distance inférieure à un seuil d'acceptation du cédez le passage et aucun véhicule entre lui et le rond-point n'est visible ; de 3 vers 4 : il n'y a pas de véhicule engagé dans la zone que le conducteur regarde sur le rond-point ; de 4 vers 5 : le rond-point est derrière le conducteur. Cette analyse systématique des tâches de conduite réalisables a conduit à l'élaboration de tableaux synthétisant ces données pour chacune de ces tâches. Le tableau 4.1 est un exemple de la tâche de conduite de franchissement de rond-point. Il est illustré par la gure 4.4. Ce tableau récapitule l'ensemble des perceptions, actions, décisions eectuées en phase d'approche (points P0,P1,P2), de franchissement (P3 et P4) et d'éloignement (P5) d'une tâche de conduite. Ce schéma avant, pendant, après se retrouve quasiment dans toutes les tâches de conduite que nous avons pu aborder. Chacune des étapes qui compose une tâche de conduite est appelée sous-tâche de conduite. Ce tableau contient donc un ensemble de données proche de celles qui peuvent être inculquées aux élèves d'auto-écoles : "il faut faire ceci... ensuite cela... alors tu pourras...". Les tâches de conduite telles qu'elles sont considérées ici correspondent à une conduite idéale : toutes les informations et les décisions sont parfaites. Les utiliser ainsi pour modéliser le comportement d'un conducteur virtuel n'est pas souhaitable si nous voulons obtenir des situations réalistes dans notre simulateur. Ceci peut être gênant dès lors

82 4.2. NIVEAU TACTIQUE Point Perception Actions Questions Réponses Po arrière et décélération quelqu'un derrière? oui - non zone ZP2 gabarit? la taille du véhicule P1 arrière et clignotants où sont les autres? positions zone ZP2 présélection-voie des véhicules P2 devant et s'arrêter-passer qui est engagé? les véhicules zone ZP1 puis-je passer? engagés P3 contrôle positionnement où sont les autres? positions rond-point sur la voie des véhicules P4 angle mort clignotants quelqu'un dans véhicules dans droit se rabattre l'angle mort? l'angle mort P5 arrière accélérer jusqu'à quelqu'un derrière? véhicules vitesse limite suiveurs Tab. 4.1 Récapitulatif des sous-tâches de conduite du franchissement de rond-point. Fig. 4.4 Trajectoires théoriques lors de l'insertion sur un rond-point qu'il s'agit d'apprendre des comportements sur la route, comme par exemple apprendre à prévenir les situations à risque. Pour éviter d'introduire des biais dans les simulations, nous devons tenir compte, dans les tâches de conduite, des fautes que commettent les conducteurs réels. Nous considérons ces erreurs comme des dégradations de tâches de conduite canoniques. Ces dégradations peuvent être de deux types (voir également annexe A) :

83 CHAPITRE 4. MODÉLISATION DES CONDUCTEURS VIRTUELS DANS ARÉVIROAD omissions : des perceptions ou des actions ne sont pas faites, paramètres incorrects : les perceptions ou les actions ne sont pas eectuées en adéquation avec ce que le conducteur est en train de faire ; le conducteur dévie de sa trajectoire alors qu'il prend un rond-point, le conducteur ne regarde pas susamment loin les véhicules qui arrivent, ne roulent pas à la bonne vitesse, ne respectent pas les distances de sécurité Graphe de tâche de conduite : le niveau tactique Nous avons à notre disposition des routines visuelles et des routines d'actions qui permettent respectivement d'obtenir des informations relatives à la tâche en cours et d'eectuer des actions cohérentes avec la situation. de modéliser la tâche de conduite sous forme d'un graphe : un sommet du graphe représente une sous-tâche de conduite (arriver à un carrefour, franchir un carrefour, s'arrêter au stop, changer de voie...). Bien que la description des tâches de conduite soit séquentielle, il est toutefois possible d'avoir plusieurs sous-tâches de tâches de conduite diérentes activées simultanément (par exemple : "arriver sur un carrefour" et "changer de voie") ; à chaque sommet est associé une routine visuelle et une routine d'actions qu'il faut appliquer ; les arcs entre les sommets du graphe représentent les conditions de transition d'une sous-tâche de conduite à une autre ; un ensemble de sommets et d'arcs représente tout ou une partie d'une tâche de conduite. Les gures 4.5 et 4.6 illustrent la modélisation et l'application de la tâche de conduite "négocier un rond-point". Les conditions de transition sont basées sur des règles qui testent le contenu de la mémoire du conducteur et des informations qui peuvent être déduites de celui-ci (vitesse et direction des objets). L'évolution du graphe est donc événementiel car il dépend du contenu de la mémoire et de sa mise à jour, mais synchrone car la vérication du contenu de la mémoire se fait à une fréquence xée. L'évolution d'un conducteur virtuel consiste donc à déterminer quels sont les sommets à activer. Lorsqu'un sommet est activé, la routine visuelle et la routine d'actions associées doivent être exécutées. Une routine visuelle d'une sous-tâche de conduite spécie des actions de perception qui vont modier certains champs de la mémoire du conducteur. Généralement, les champs modiés sont ceux qui seront utilisés par les règles de transition permettant de passer d'une sous-tâche de conduite à une autre

84 4.2. NIVEAU TACTIQUE Fig. 4.5 Exemple de deux tâches de conduite qui peuvent être activées simultanément : le changement de voie et le franchissement de rond-point. Chaque sommet constitue une sous-tâche de conduite, les arcs représentent les conditions à remplir pour passer d'une sous-tâche de conduite à une autre. Dans la suite du manuscrit, nous décrirons plusieurs structures pour illustrer nos propos. Ces structures respecterons la grammaire suivante : <structure> ::= { <listechamps> } <listechamps> ::= <champ>, <listechamps> <champ> <champ> ::= <structure> <fonction> <affectation> <affectation> ::= <nom> = <valeur> <nom> ::= STRING <valeur> ::= STRING DOUBLE <champ> La notation pointée (.) peut être utilisée pour adresser les champs d'une structure, comme dans le langage C

85 CHAPITRE 4. MODÉLISATION DES CONDUCTEURS VIRTUELS DANS ARÉVIROAD a) b) c) d) Fig. 4.6 Illustration dans le simulateur ARéViRoad de la tâche de conduite "franchir un rond-point". a) le conducteur arrive sur le rond-point : il décélère et vérie qu'il n'y a personne entre lui et le rond-point. b) le conducteur est au rond-point et vérie les véhicules qui y sont engagés an de savoir s'il peut lui aussi s'engager. c) le conducteur est sur le rond-point. d) le conducteur quitte le rond-point

86 4.2. NIVEAU TACTIQUE Suivant cette grammaire, nous dénissons un sommet de la façon suivante : node = { description = une_sous_tâche_de_conduite, action = { perception = une_routine_visuelle, vehicule = une_routine_action_vehicule, others = une_f onction_traitement } terminal = booléen, links = un_ensemble_de_liens, postcond = une_post_condition, mem = une_memoire_locale } Ces champs ont pour signication : description : une description littérale de la sous-tâche de conduite qu'il représente. action.perception : la routine visuelle déployée lors de chaque activation du sommet. action.vehicule : la routine d'actions déployée lors de chaque activation du sommet. action.others : une fonction déclenchée à chaque activation du sommet. terminal : le sommet est un état terminal. links : l'ensemble des sous-tâches de conduite successeurs et les règles à vérier pour les atteindre ; c'est la représentation des transitions. postcond : la post-condition à vérier pour pouvoir tester les liens vers les soustâches successeurs. Il peut donc y avoir plusieurs sous-tâches actives au même moment. mem : une mémoire locale pour le sommet. Pour illustrer le propos, prenons l'exemple de la sous-tâche de conduite "s'engager sur un rond-point". Cette sous-tâche peut être dénie de la façon suivante : s_engager_sur_le_rond_point={ description="décélerer pour éventuellement s'arrêter au rond-point, vérifier la présence de véhicule engagé", } action={ -- affectation des routines perception = verifier_vehicules_engages, vehicule = s_arreter_a_l_intersection }, links={ -- affectation des transitions {pas_de_vehicule_engage,etre_sur_le_rond_point} }, -- post-condition postcond = esttermine(verifier_vehicule_engages) Dans cette sous-tâche de conduite le conducteur utilise le principe de précaution : il

87 CHAPITRE 4. MODÉLISATION DES CONDUCTEURS VIRTUELS DANS ARÉVIROAD prévoit de s'arrêter au rond-point (s_arreter_a_l_intersection). Il vérie la présence de véhicule engagé sur le rond-point (verifier_vehicules_engages). Lorsque la post-condition esttermine(verifier_vehicule_engages) est vraie, c'est à dire lorsque la prise d'information est terminée, alors le conducteur peut éventuellement passer à la sous-tâche de conduite etre_sur_le_rond_point. Ce passage se fait sous condition que la transition pas_de_vehicule_engage soit vraie. L'exécution de ce graphe est faite à l'aide d'un automate d'états ni. A chaque activation du niveau tactique du conducteur, l'automate est activé de la façon suivante : les routines visuelles et d'actions sur le véhicule des sommets actifs sont exécutées ; les post-conditions des sommets actifs sont vériées ; les liens valides engendreront l'activation des sommets successeurs à la prochaine activation du conducteur. Un sommet actif signie que la sous-tâche de conduite qu'il représente est active. Lorsqu'une sous-tâche de conduite est active, nous dirons que le conducteur réalise cette sous-tâche. Les modèles d'analyse de tâches de conduite s'intéressent aux actions plus qu'aux causes des actions (les "états" psychologiques des conducteurs). De plus, ils ne mentionnent pas les liens qui peuvent exister entre elles, comme par exemple la tâche d'évitement de collision qui est prioritaire sur la tâche de suivi de véhicule (relations d'ordres). Le choix d'un graphe pour représenter les tâches de conduite impliquent qu'il faille choisir des relations de transitions entre elles. Il incombe alors au modélisateur des comportements de conducteurs virtuels de dénir les diérentes tâches de conduite de façon cohérente. Par exemple, l'exclusion entre les tâches de conduite "franchir un carrefour avec feux tricolore" et "franchir un rond-point". Ce graphe résoud le problème lié au niveau tactique de la décomposition tri-partite. Cependant, il n'est nulle part question de la gestion des situations que nous appelons situations générales : contrôle des distances de sécurité, des collisions probables... Ce graphe ne s'intéresse qu'à la partie tâche de conduite observable "spécique" Le module de sécurité Alors que le graphe de tâches de conduite gère les cas spéciques, le module de sécurité s'occupe des situations générales. Cette décomposition, avec une gestion dédiée pour les situations générales se rapproche du modèle de Van der Molen et Butticher [Van der Molen et Butticher, 1988](voir partie 2.1.2). L'idée est qu'il existe un ensemble d'actions qu'un conducteur eectue dans toutes les situations : par exemple asservir sa vitesse en fonction du véhicule qui roule devant lui. Il n'est donc pas judicieux de devoir les spécier dans toutes les sous-tâches de conduite. Voici des exemples de situations prises en compte par ce module : le contrôle de la vitesse lors du suivi d'un véhicule, la détection des collisions éventuelles avec les éléments environnants, la prise en compte des piétons et de leur déplacement. Lorsqu'une situation de ce type est détectée par le module de sécurité, celui-ci propose immédiatement l'action nécessaire au rétablissement d'une situation sécuritaire

88 4.2. NIVEAU TACTIQUE Ce mécanisme permet de représenter diérents types de comportements humains : les réexes : réaction a un évènement inattendu, les comportements automatiques : par exemple, asservir son véhicule en vitesse pour suivre un autre véhicule. Ce module est un ensemble de règles qui lorsqu'elles sont vériées déclenchent une action. Actuellement, ce module comporte trois règles : vérier que la distance de sécurité avec le véhicule précédant est dans l'intervalle des valeurs acceptées (supérieure à une distance parcourue en 2 secondes) ; vérier que les piétons perçus ne sont en train de traverser ou ne désirent pas traverser ; vérier que l'architecture de perception n'a pas détectée un évènement d'imprévus. Le module de sécurité est prioritaire sur l'exécution des routines d'actions des soustâches de conduite actives. Lorsqu'une situation à risque est détectée, les seules actions qui pourront être exécutées sont celles qui serviront au rétablissement d'une situation sécuritaire (actuellement freiner). Par conséquent, il s'agira uniquement de celles eectuées par le module de sécurité Conclusion Nous faisons l'hypothèse dans le cadre d'aréviroad qu'un conducteur virtuel est un ensemble de tâches de conduite dégradées. Ces tâches de conduite sont représentées par un graphe dont la structure dépend principalement de la topologie des lieux. Les tâches de conduites qui ont été modélisée sur le simulateur sont : le franchissement de rond-point, le franchissement d'une intersection avec stop, le franchissement d'une intersection avec priorité à droite, le franchissement d'une intersection avec feux tricolores, le changement de voie, le dépassement. Chaque tâche de conduite est en moyenne composée de 3 à 4 sous-tâches de conduite. Par exemple, la tâche de franchissement de rond-point est décomposée en 4 sous-tâches de conduite : "arriver sur le rond-point", "s'engager sur le rond-point", "être sur le rondpoint" et "quitter le rond-point". Le niveau stratégique n'a pas été étudié pour l'instant dans le cadre de nos travaux. A l'heure actuelle, le conducteur choisit aléatoirement les directions aux intersections. L'implémentation du niveau stratégique interviendrait à ce niveau : la génération des directions à choisir aux intersections pourrait être obtenue à l'aide d'un itinéraire déni a priori. Cet itinéraire peut être construit à l'aide d'un graphe représentant la topologie du réseau routier : la structure sous forme matricielle du réseau bien que réductrice dans les possibilités de création d'environnement ore un support exploitable pour rapidement créer une telle représentation mise en uvre par un graphe

89 CHAPITRE 4. MODÉLISATION DES CONDUCTEURS VIRTUELS DANS ARÉVIROAD 4.3 Niveau opérationnel Introduction Le niveau opérationnel concerne la partie bas niveau dans la décomposition tri-partite. Elle correspond à la réalisation des décisions prises par la partie tactique. Pour cela, il propose un ensemble de "savoir-faire" (ou d'actions) permettant d'y parvenir : s'arrêter à une intersection/à une localisation : il calcule la vitesse d'approche en fonction de la distance qui le sépare de son point d'arrêt ; suivre un véhicule : il calcule une vitesse en fonction de la distance inter-véhicules ; activer un clignotant : il active le clignotant en fonction de la direction choisie ; changer de le/suivre une trajectoire : il positionne le véhicule sur la chaussée ; atteindre une vitesse : applique un asservissement à sa vitesse. D'une manière générale, ces "savoir-faire" font appel : au suivi de trajectoire, à l'asservissement en vitesse, à la manipulation des commandes du véhicule. La dénition d'un modèle de suivi de trajectoire s'eectue, dans notre cas, sur les critères suivants : les calculs de 50 2 suivis de trajectoires doivent s'eectuer en temps réel puisque les trajectoires globales des véhicules ne peuvent être dénies a priori, une dynamique importante au niveau du changement des trajectoires, l'environnement du conducteur autonome (modélisation matricielle du réseau). La simulation complète, dans laquelle un conducteur virtuel n'a comme information pour se placer sur la voie que les bords de la chaussée et le marquage au sol ore un réalisme important. Cependant, il faut pouvoir déterminer constamment la position à atteindre sur la chaussée en identiant éventuellement les voies. Bien que exible cette approche est trop coûteuse en temps de calcul. A contrario, la modélisation complète d'une trajectoire à base de splines n'est pas adaptée à une utilisation dans laquelle les trajectoires ne sont pas dénies a priori [Adzima, 2000]. C'est pourquoi nous choissisons une solution intermédiaire à base de points de passage : les trajectoires ne sont pas entièrement dénies a priori, mais les informations de positionnement relatif sur la chaussée le sont Modélisation de la trajectoire Une solution consiste, lors de chaque pas d'exécution d'un agent, à calculer une position angulaire des roues permettant de rejoindre une position cible sur la chaussée. Ce principe est utilisé par plusieurs auteurs pour permettre le contrôle du positionnement du véhicule sur la chaussée [Salvucci, 2003, Champion et al., 1999, Adzima, 2000]. Nous sommes partis d'une solution de ce type et des observations que nous avons pu faire lors de nos travaux avec l'inserr (voir annexe A). Nous avons constaté que lors 2 Il s'agit de la limite supérieure de véhicules à simuler en temps réel que nous nous sommes xés dans le cadre de cette étude

90 4.3. NIVEAU OPÉRATIONNEL de son évolution, un conducteur doit passer par un ensemble de points, et que ceux-ci dénissent sa trajectoire idéale. Nous avons donc étudié la possibilité de construire des trajectoires pré-dénies idéales sur le réseau routier par discrétisation en points de passage orientés. Par analogie à l'approche des boids de Reynolds 3 [Reynolds, 1987, 1999], ils peuvent être vu comme des attracteurs utilisés les uns indépendamment des autres (il n'y a pas de sommation des champs d'attraction). Chaque point de la trajectoire représente la position et l'orientation idéale du véhicule en ce lieu de la trajectoire et constitue, à un moment donné, un objectif à atteindre. Le réseau routier d'aréviroad est composé d'une matrice de sections carrées (voir également chapitre 6.2.2). A chaque section, nous associons l'ensemble des trajectoires qu'il est possible de pratiquer (un exemple est donné gure 4.7). La discrétisation des trajectoires d'une section peut diérer d'une voie à une autre. Pour obtenir la trajectoire désirée, le conducteur fournit à la section sa position et la direction qu'il souhaite suivre. Fig. 4.7 L'ensemble des trajectoires possibles sur un rond-point lorsque l'on arrive de la voie de gauche. Si le conducteur va tout droit, il utilisera la trajectoire en vert Exploitation des trajectoires Lorsqu'un conducteur arrive sur une section, en fonction de la voie sur laquelle il se trouve et de la direction qu'il a choisie, il obtient les points de passages correspondants à la trajectoire qui lui permettront de traverser cette section. Il pourra changer la position de ces points de passage s'il le désire, an par exemple de couper un rond-point (modication des positions en fonctions de la vitesse ou du type de conducteur). Il est important de comprendre que la construction de la trajectoire est complètement indépendante de la prise de décisions ou d'informations : la construction de la trajectoire 3 animation comportementale basée sur les steering behaviors

91 CHAPITRE 4. MODÉLISATION DES CONDUCTEURS VIRTUELS DANS ARÉVIROAD au moment où le conducteur arrive sur une section n'empêche pas celui-ci d'avoir déjà pris en compte les éléments qui y sont présents (par exemple : les panneaux, les piétons, les véhicules...). Comme nous ne cherchons pas à simuler, dans un premier temps, un comportement physique du véhicule (pas d'inertie, de couple...), le calcul de la trajectoire reste relativement simple mais rapide. A l'aide de ces points de passage, le conducteur doit déduire une commande angulaire (nous avons choisi une vitesse angulaire ω) à appliquer pour positionner son véhicule correctement sur la chaussée. Pour cela l'algorithme de calcul de la commande angulaire utilise plusieurs hypothèses à chaque pas de simulation (voir gure 4.8) : la vitesse pour atteindre le prochain point de passage est constante, entre la position du véhicule et la pose 4 du prochain point de passage de la trajectoire, le rayon de courbure (s'il existe) est constant. Ce rayon de courbure permet de calculer la longueur d de l'arc de cercle qui relie le centre du véhicule au point de passage. L'algorithme doit permettre au véhicule d'atteindre le prochain point de passage en orientant le véhicule correctement (suivant l'orientation de ce point de passage) : il doit subir la correction angulaire la plus faible à l'approche du point de passage. Pour y arriver, le module opérationnel construit une cible intermédiaire à partir des données fournit par le point de passage. Cette cible est positionnée et orienté dans l'espace en respectant les contraintes suivantes : elle est située à une distance dpp (en mètre) du point de passage, elle a la même orientation que le prochain point de passage, elle se trouve sur la droite qui passe par le prochain point de passage. L'orientation de cette droite est donnée par l'axe des l'abscisse du point de passage. la construction de cette cible est illustrée gure 4.8). Cette cible intermédiaire va permettre de calculer deux corrections angulaires : α lat : elle va permettre de tenir compte d'un déplacement latéral à appliquer sur le véhicule pour atteindre le prochain point de passage, α orient : elle va permettre de tenir compte de l'orientation du point de passage par rapport à celle du véhicule. Le calcul de ces deux variables est illustré gure 4.8). Ces deux variables sont ensuite pondérées et moyennées pour obtenir la correction angulaire à appliquer (α). La vitesse angulaire se déduit du temps nécessaire pour atteindre le prochain point de passage et de cette correction angulaire α. L'équation nale du calcul de la vitesse angulaire ω est : 4 Nous utilisons le terme pose dans le sens positionnement et orientation dans l'espace

92 4.3. NIVEAU OPÉRATIONNEL Fig. 4.8 Exemple d'une trajectoire avec le calcul des corrections latérale et d'orientation α lat et α orient. En gris un des points de discrétisation de la trajectoire, en rouge le prochain point de passage, en vert la cible intermédiaire. ω = α/t a n = (d.α)/t 2 α = ((c1.α lat + c2.α orient )/(c1 + c2)) avec : α la correction angulaire (en rad) ω la vitesse angulaire (en rad.s 1 ) a n l'accélération normale lors du déplacement d'un véhicule (en m.s 2 ) c1, c2 les c cients de pondération sans dimension d la distance jusqu'au prochain point de passage (en m) t le temps de parcours jusqu'au prochain point de passage (en s) calculé à partir de d et sur l'hypothèse du déplacement à vitesse constante jusqu'au prochain point de passage. Selon les valeurs des pondérations (c1 et c2) et de la valeur de dpp, nous pouvons obtenir plus ou moins d'agressivité dans le changement de direction sur la chaussée. Expérimentalement, nous avons xé c1 = c2 = 0.5 et dpp = d 5. An de garder une certaine crédibilité dans le déplacement et éviter des changements de trajectoires qui provoquent des accélérations normales (a n ) trop fortes, l'algorithme vérie si l'accélération normale subie en tentant d'atteindre le prochain point sur la trajectoire est bien inférieure à un seuil xé a priori. Ce seuil est actuellement le même pour tous les conducteurs virtuels (9.81 m.s 2 ), mais il pourrait dépendre d'un critère de confort que le conducteur souhaite respecter. Si l'accélération normale est supérieure à ce seuil, le prochain point sur la trajectoire devient le successeur de celui considéré jusqu'alors. L'algorithme est réitéré an de dé

93 CHAPITRE 4. MODÉLISATION DES CONDUCTEURS VIRTUELS DANS ARÉVIROAD terminer la nouvelle valeur de ω. Voici l'algorithme équivalent en pseudo-code : do //i index du prochain point point = liste_points_trajectoires[i] an = ( d point * alpha point ) / ( t point * t point ) i++ while( an > acceleration_normale_maximale ) La gure 4.9 illustre, pour le cas d'un changement de le, cette sélection du prochain point de passage en fonction de l'accélération normale subie par le véhicule. Fig. 4.9 Exemple d'un changement de le. En gris les points de passage orientés. En vert la cible intermédiaire. En rouge, le prochain point considéré sur la trajectoire. À gauche, à 30 km/h, le prochain point sur la trajectoire est le point de passage le plus proche dénie pour la trajectoire de la voie de gauche. Á droite, à 90 km/h, le prochain point sur la trajectoire est le point de passage situé à une distance susante pour éviter une accélération normale trop forte lors du changement de voie. Il en résulte une trajectoire plus tendue lorsque le véhicule évolue plus rapidement. L'utilisation d'une structure de points de passage est intéressante dans le sens ou elle va permettre : de réaliser facilement un positionnement le long de celle-ci, de réaliser le passage d'une trajectoire à une autre sans aucune diculté. En eet, lorsque le conducteur évolue, par exemple, sur la voie de droite, il utilise les points de passage de cette voie 5. Au moment où il décide de changer de voie, il utilise les points de passage de la voie de gauche (ceux de la voie de droite sont maintenant 5 la voie de gauche et de droite sont indexées par le conducteur à l'aide d'un indice dont la valeur représente la voie de gauche ou la voie de droite

94 4.3. NIVEAU OPÉRATIONNEL ignorés). Le prochain point de passage pour le véhicule est maintenant le point le plus proche devant le conducteur sur cette trajectoire de la voie de gauche. L'algorithme de positionnement du véhicule agit de la même manière qu'il s'agisse de points de la voie de droite ou de points de la voie de gauche : le véhicule change de voie Asservissement en vitesse Le niveau opérationnel, en plus d'être capable de suivre une trajectoire, doit également permettre l'asservissement en vitesse du véhicule. L'asservissement en vitesse est obtenu par une solution relativement simple : le module calcule une accélération à appliquer sur le véhicule en fonction de la vitesse courante et de la vitesse objectif du conducteur. La vitesse objectif est liée à deux facteurs : le type de section qui se trouve sur le trajet du conducteur : double voie, carrefour, rond-point simple ou double ; la section fournit la vitesse à laquelle il est souhaitable d'y rouler ; le conducteur : il peut conduire au-dessus ou en-dessous de la vitesse donnée par le type de section sur laquelle il se trouve (en fonction de la catégorie de conducteur à laquelle il appartient : sur-estimateur, sous-estimateur 6...). Trois cas sont pris en compte pour calculer l'accélération du véhicule : la vitesse courante est inférieure à 90% de la valeur objectif : une accélération est appliquée sur le véhicule ; la vitesse est supérieur à 110 % de la valeur objectif : une décélération est appliquée sur le véhicule ; la vitesse courante est comprise entre 90% et 110% de la valeur objectif : aucune accélération n'est appliquée sur le véhicule. Les valeurs d'accélération et de décélération sont des constantes propres à chaque type de véhicule (valeur maximum de l'accélération et de la décélération : 6m/s 2 ). Par conséquent, il n'y a pas de notion de "freiner fort,freiner faiblement" ou au contraire "accélérer faiblement, accélérer fort". Cependant, il est tout à fait envisageable d'intégrer une fonction continue d'accélération/décélération qui dépende du diérentiel entre la valeur courante et la valeur cible Conclusion Le module opérationnel permet donc au conducteur d'appliquer les décisions qu'il a prises au niveau tactique. Nous avons implémenté 6 savoir-faire : 1. atteindre une vitesse, 2. s'arrêter au milieu d'une intersection, 3. s'arrêter à une intersection sans marquage (par exemple à une priorité à droite), 4. s'arrêter à une intersection avec marquage, 6 le sur-estimateur peut être caractérisé notamment par sa prise d'information très sélective ne visant à obtenir que les éléments en mouvement. A contrario, le sous-estimateur a une prise d'information trop attentive qui le pousse à faire des actions dans le but uniquement de se prémunir des dangers

95 CHAPITRE 4. MODÉLISATION DES CONDUCTEURS VIRTUELS DANS ARÉVIROAD 5. activer les clignotants, 6. changer de voie (la manoeuvre de changement de voie). Pour faciliter l'utilisation de ces savoir-faire, il est possible de les paramêtrer d'une façon relativement simple, par exemple pour qu'un véhicule s'arrête à un stop en mordant ce stop : mordre_stop={ s_arreter_au_marquage, vitesse=3, voie="left", distance=-2 } Nous dénissons ainsi mordre_un_stop qui est un cas d'utilisation particulier de s_arreter_au_marquage. Ici, la distance d'arrêt au marquage est de -2 mètres (le conducteur s'arrête 2 m après le stop), la voie sélectionnée sera celle de gauche et comme le conducteur doit s'arrêter la vitesse maximale d'approche sera de 3 m/s. 4.4 Modélisation des routines d'actions Routines d'actions Une routine d'action est eectuée lorsqu'une sous-tâche de conduite est active. Il s'agit d'un ensemble d'actions adaptées à la situation (un contexte). Ces routines procurent une certaine abstraction dans la dénition du comportement au niveau tactique. En eet, il est possible qu'une seule et même routine tienne compte de plusieurs contextes. Par exemple, pour la sous-tâche de conduite "arriver sur une intersection", plusieurs contextes sont possibles : tourner à gauche, aller tout droit, tourner à droite. La routine d'actions associée à cette sous-tâche doit tenir compte de ces diérents contextes. Lorsque le conducteur tourne à gauche ou à droite, il doit actionner ses clignotants et dans tous les cas, devra ralentir. Pour tenir compte, dans une même routine d'actions, des diérents contextes qui peuvent exister, nous proposons de la modéliser de la manière suivante : routine_d_actions = { {regle_contextuelle_1, savoir_faire A },..., {regle_contextuelle_j, savoir_faire B } } Une règle contextuelle peut utiliser dans sa dénition les opérateurs booléens suivants : et(*), ou(+) et non(-). Lorsque la règle regle_contextuelle_1 est valide alors le savoir_faire_a peut être exécutée. Pour illustrer la déclaration d'une routine d'actions, prenons l'exemple du conducteur s'approchant d'une intersection avec priorité à droite 7 : 7 La syntaxe utilisée ici est identique à celle utilisée dans le simulateur

96 4.4. MODÉLISATION DES ROUTINES D'ACTIONS arrive_priorite_droite={ {GoRight+GoLeft,activer_clignotant}, {-GoAhead,approcher_doucement}, {GoRight,approcher_rapidement} } Avec les savoir-faire dénis ainsi : approcher_doucement={atteindre_une_vitesse,speed=5} approcher_rapidement={atteindre_une_vitesse,speed=8} Nous dénissons ainsi pour chaque contexte (par exemple : GoLeft+GoRight) une action associée sur le véhicule (par exemple : activer_clignotant). L'avantage de cette solution réside dans sa compacité. En eet nous prenons en compte ici tous les cas de gure envisageables en fonction des directions qu'il est possible de choisir à une intersection. D'une manière plus générale, il peut s'agir de n'importe quelle règle de contexte. Ce principe de modélisation des routines à partir de savoir-faire sera également utilisé pour la modélisation des routines visuelles Gestion des routines : contrôleur d'actions Le contrôleur d'actions est le lien entre les parties tactiques et opérationnelle : il centralise les demandes formulées par le graphe de tâches de conduite. En eet, lorsque les sommets actifs du graphe demandent d'exécuter la routine d'actions qui leur est associée, il s'adresse au contrôleur d'actions via une requête. Cette requête contient la routine d'actions. Le contrôleur d'actions centralise les routines d'actions. Il permet également de tenir compte du contexte dans lequel les routines sont exécutées. Comme nous l'avons mentionné précédemment, une routine possède un ensemble de règles auxquelles sont associées des savoir-faire : c'est ici que ces règles vont être utilisées. Pour connaître les savoir-faire qui doivent être exécutés, le contrôleur doit vérier quelles sont les règles valides contenues dans les routines. Tous les savoir-faire associés aux règles valides seront exécutés : nous les appelons "savoir-faire valides". Le contrôleur eectue ainsi un rôle de ltrage pour ne retenir que les savoir-faire des routines nécessaires au contexte courant. Reprenons l'exemple de la routine d'actions eectuée en arrivant sur une intersection : arrive_priorite_droite={ {GoRight+GoLeft,activer_clignotant}, {-GoAhead,approcher_doucement}, {GoRight,approcher_rapidement} }

97 CHAPITRE 4. MODÉLISATION DES CONDUCTEURS VIRTUELS DANS ARÉVIROAD Si cette routine est proposée au contrôleur d'actions et que le conducteur a décidé d'aller à droite (GoRight), alors les actions à exécuter seront uniquement activer_clignotant et approcher_rapidement. Tous les savoir-faire valides sont exécutés simultanément. Ainsi, nous tenons compte du fait qu'un conducteur est capable à la fois d'accélerer, de tourner son volant et d'activiter ses clignotants. Actuellement, aucun mécanisme de gestion des actions antagonistes n'est intégré. Cependant, du fait de la centralisation des données au sein du contrôleur (l'ensemble des routines à exécuter proposé par le graphe), un mécanisme de choix d'une action au prot d'une autre pourrait être intégré. Il faudrait alors se pencher sur le problème de la stratégie de sélection d'actions [Favier, 2004], stratégie qui peut diérer d'un conducteur à l'autre : ce serait complexier la modélisation du conducteur virtuel et la charge de calcul du simulateur. Il est laissé le soin au modélisateur de formuler des routines et un graphe de tâches de conduite qui évite de générer des conits au niveau des actions Conclusion Le niveau opérationnel doit réaliser les décisions prises au niveau tactique. Il doit notamment permettre de suivre une trajectoire et d'eectuer l'asservissement en vitesse du véhicule. Nous avons choisi de modéliser les trajectoires en les discrétisant en point de passages. Les conducteurs virtuels les utilisent pour construire leur propre trajectoire. L'asservissement en vitesse se fait à partir d'une vitesse cible et d'une vitesse courante. Le lien entre la partie tactique et la partie stratégique est assuré par un contrôleur d'action et un contrôleur de perception (nous le détaillerons dans le chapitre suivant). Lorsqu'une sous-tâche est active et qu'une routine d'actions doit être exécutée, le contrôleur reçoit cette demande et applique uniquement les actions de la routine dont le contexte d'exécution est valide (ltrage). La gure 4.10 illustre le liens entre les diérentes parties que nous avons évoquées jusqu'ici : les savoir-faire, les routines, les tâches et sous-tâches de conduite et le contrôleur d'actions. Les principales routines d'actions implémentées sont : lors du depassement : atteindre une vitesse de dépassement, l'évolution sur la chaussée en tenant compte du type de route sur lequel le conducteur roule : adapter sa vitesse à une route à 4 voies ou à 2 voies, le changement de le vers la droite : activer les clignotants et eectuer la manoeuvre de changement de le, la sélection de voie : choisir une voie de circulation en fonction de la vitesse d'évolution du conducteur précédant, le changement de le vers la gauche, l'arrivée sur une intersection (activer les clignotants et arrêter le véhicule), la traversée de carrefour : rouler à vitesse faible. le départ d'une intersection : atteindre une vitesse de croisière

98 4.5. LES PIÉTONS : UN CAS PARTICULIER D'USAGERS Fig Liens entre les savoir-faire, les routines, les sous-tâches de conduite et le contrôleur. 4.5 Les piétons : un cas particulier d'usagers Les piétons sont un cas particulier de trac dans ARéViRoad. Ils sont nécessaires car : ils peuvent provoquer des situations qui leurs sont propres : traversée de voies, marche sur les trottoirs, enfants qui jouent aux ballons. Il s'agit de situations à risque pour les conducteurs ; ils contribuent au réalisme de la simulation : toutes les villes ont des piétons. La génération de piétons en milieu urbain peut être vue comme un problème de génération de foule [Shao et Terzopoulos, 2005]. Celui-ci est complexe du fait : du nombre de personnages à animer ; qu'il faille que l'ensemble paraisse être constitué d'individualités. Il existe des solutions adaptées aux types de foules que l'on désire créer notamment en fonction du nombre d'entités à simuler [Musse et Thalmann, 2001]. Nous ne cherchons pas à simuler des grandes foules de piétons. Nous voulons générer des petits groupes qui permettront de créer des situations propres aux piétons et auxquelles l'utilisateur et les conducteurs virtuels puissent être confrontés. Nous avons choisi de générer des piétons en nous inspirant des travaux de Reynolds [Reynolds, 1987]. En eet, chaque groupe de piétons possède un leader et des suiveurs. Le rôle du leader est de percevoir l'environnement, de prendre des décisions (par exemple :

99 CHAPITRE 4. MODÉLISATION DES CONDUCTEURS VIRTUELS DANS ARÉVIROAD traverser la route) et de marcher sur le trottoir. Les membres suiveurs ont pour objectif de se déplacer en suivant leur leader. Le leader se déplace de la même manière que les conducteurs sur la route : des trajectoires discrétisées sont dénies sur chaque trottoir de chaque section (voir gure 4.11). Fig En jaune, vert, bleu et rouge, les trajectoires discrétisées utilisées par les piétons pour les déplacements sur les trajectoires. Lorsqu'un leader évolue le long d'une trajectoire, il vérie la présence d'obstacles sur la route (les autres piétons) et calcule une correction angulaire appropriée pour les éviter. Plusieurs types de conits entre groupes peuvent avoir lieu [Thomas, 1999, Shao et Terzopoulos, 2005] et obligent à déterminer des stratégies d'évitement : croisement, intersection de trajectoire... Lorsque le leader se prépare à traverser sous l'ordre de l'utilisateur ou parce qu'il a détecté un passage piéton : il perçoit les véhicules présents sur la chaussée : ceux venant de gauche et de droite ; il en déduit s'il peut passer ou non (dans ce cas il n'y a pas de véhicules ou les véhicules sont à l'arrêt). La gure 4.12 illustre le franchissement de voie par un piéton : celui-ci regarde à gauche, puis à droite et détermine s'il peut passer. La gure 4.13 illustre le même principe avec un groupe de piétons. L'algorithme de suivi du leader est simple et ne concerne que l'asservissement en trajectoire et en vitesse : toutes les décisions sont prises par le leader. Pour permettre d'avoir un comportement de groupe qui paraisse crédible et qu'il garde sa cohérence, nous avons utilisé un schéma prédéni de positionnement relatif des piétons dans le groupe [Thomas, 1999]

100 4.5. LES PIÉTONS : UN CAS PARTICULIER D'USAGERS Fig Le piéton qui désire traverser regarde si des véhicules viennent de la gauche et de la droite. En haut à gauche de chaque image, les objets perçus par le piéton. A droite, il a déduit qu'il pouvait traverser. Les lignes verte et rouge délimitent son champ de vision. Fig Un groupe de piétons à une intersection. Le leader prend les informations visuelles nécessaires à la prise de décision : traverser ou non. Le reste du groupe suit le leader. Le leader possède derrière lui un ensemble de points (nous l'appelons motif, voir gure 4.14) qui correspondent aux positions que doivent atteindre les piétons lorsqu'ils se déplacent. Un piéton suiveur ne tient pas compte des autres membres du groupe. Par conséquent, chaque piéton suiveur utilise comme donnée d'entrée de l'algorithme d'asservissement uniquement un point du motif. Cette donnée s'obtient en calculant l'angle formé entre l'axe des abscisses du repère du piéton et la droite qui passe par l'origine de ce repère et son point de suivi. Un c cient pondérateur est utilisé pour transformer cet angle en une donnée de vitesse angulaire an d'obtenir des changements de direction uides. Sur la gure 4.14 qui illustre le calcul de la correction angulaire, le leader est une sphère bleu, les points de suivi sont en gris, les suiveurs en vert. L'asservissement en vitesse (v) se fait en fonction de la distance (d) qui sépare le piéton de son objectif : d < d min : v = 0 ; d > d max : v = v max ;

101 CHAPITRE 4. MODÉLISATION DES CONDUCTEURS VIRTUELS DANS ARÉVIROAD Fig A gauche : un groupe de piétons derrière son leader. Les sphères grises sont l'ensemble des positions que doivent avoir les piétons dans l'idéal : ces points sont attachés au leader et servent de cibles pour les piétons suiveurs. A droite : le calcul de la correction angulaire à l'aide d'un de ces points. Fig L'ensemble des positionnements des piétons (sphères grises) s'étalent sur une étendue trop grande et empiètent sur la route : des piétons sortent du trottoir d [d min, d max ] : v = v normale. Expérimentalement, nous avons xé d min = 0.4m, d max = 2.5m, v max = 1.7m.s 1 et v normale = 1.2m.s 1 ± 0.1. Cet algorithme trouve vite ses limites lorsque des vitesses de marche sont trop diérentes entre des piétons d'un même groupe. Par exemple le piéton qui doit marcher en tête n'avance pas vite, le suivant avance plus rapidement, le premier prend du retard et le piéton de derrière le traverse. Une fois que le premier a atteint une distance trop importante par rapport à sa position dans le groupe, il accélère et retraverse alors le piéton qui vient de le dépasser. Cependant, en adaptant les vitesses de marche à des valeurs

102 4.6. CONCLUSION proches, ce phénomène reste rare. An d'éviter les problèmes de collision entre piétons d'un même groupe, nous avons eectué une mise en uvre de boids. Les comportements d'évitement de collision sont alors simulés par la notion de points d'attraction (les cibles à suivre) et de répulsion (les obstacles, les autres piétons du groupe). Un autre cas particulier est celui de la prise de courbe. Si le leader a un motif de suivi de grande longueur ou qu'il marche près du bord du trottoir, une partie de ce motif peut sortir sur la route et provoquer la marche de certains piétons sur la chaussée (voir gure 4.15). Cela est toutefois réaliste car il arrive eectivement dans la réalité que des piétons marche sur la route. Les conducteurs virtuels pourront toutefois les prendre en compte en considérant qu'un point de la boîte englobante du groupe est sur la route. Le module de sécurité décidera alors de freiner. 4.6 Conclusion La modélisation d'un conducteur virtuel dans ARéViRoad s'inspire, comme de nombreux travaux précédents l'on fait, de la décomposition tri-partite proposée par Michon [Michon, 1985]. Celle-ci structure le conducteur lors de la conduite en trois niveaux : stratégique, tactique et opérationnel. La gure 4.16 rassemble en une seule vue les principaux composants du conducteur virtuel présentés dans ce chapitre. Nous avons focalisé nos travaux sur la partie tactique qui, comme nous l'avons souligné précédemment, est la plus contraignante : elle nécessite réactivité, complexité, dynamisme. Pour résoudre ce problème, nous proposons d'utiliser la notion de tâche de conduite observable d'un conducteur. Malgré les reproches qui lui sont adressées, notamment sur le fait qu'elle ne tient pas compte des causes psychologiques des actions, nous pensons qu'elle est susante pour générer un trac routier utilisable pour les objectifs pédagogiques xés dans le cadre d'aréviroad. L'avantage de cette solution est qu'il est possible de concevoir "facilement" des conducteurs virtuels qui semblent "intelligents" d'un point de vue extérieur. Nous vérierons ce point dans le chapitre 6. Elle permet également de contrôler nement l'enchaînement des actions d'un conducteur. Cependant, lors de l'utilisation de cette modélisation, il faut être conscient de sa "nesse" toute relative : il ne s'agit pas d'un modèle de simulation du comportement interne du conducteur humain en situation de conduite, mais d'un modèle de génération de comportements observables. Il s'agit d'une modélisation phénoménologique de la conduite : les applications visées ne sont pas les mêmes. An de permettre d'atteindre les buts pédagogiques d'aréviroad, nous nous devions d'intégrer d'autres types d'utilisateurs du réseau routier. Nous nous sommes intéressés à la génération de trac de piétons dans la ville. Ils

103 CHAPITRE 4. MODÉLISATION DES CONDUCTEURS VIRTUELS DANS ARÉVIROAD Fig Les composants principaux du conducteur virtuel. La communication entre le niveau tactique et opérationnel se fait à travers des contrôleurs. Ils centralisent les données fournit par les tâches de conduite avant de les faire exécuter par la partie opérationnelle. doivent permettre de rendre plus crédible les simulations en orant une variété de situations : traversée de carrefour, prise en compte des intentions des piétons, prévision de leur déplacement. L'algorithme retenu pour simuler les groupes est relativement simple et s'inspire des travaux de Reynolds. Un groupe est constitué d'un leader au comportement évolué et d'un ensemble de suiveurs. Ces derniers tentent de respecter une répartition spatiale dé- nie a priori tout en suivant leur leader. Dans ce chapitre, nous avons évoqué succintement le fonctionnement de la partie perceptive du conducteur. Ce point est l'objet du prochain chapitre

104

105 Chapitre 5 Architecture de perception visuelle Comme nous cherchons à simuler en temps réel un nombre important de conducteurs virtuels (plus de cinquante), l'approche retenue pour simuler la perception visuelle doit être rapide. C'est pourquoi nous choisissons une approche qui exploite des bases de données. Néanmoins an de recréer les phénomènes de la perception (xations, stratégie de prise d'information, mémorisation...), nous proposons une architecture visuelle qui tient compte du temps de prise d'information, de la situation, des évènements imprévus. Pour y parvenir, nous utilisons une stratégie hybride de focalisation de l'attention. Nous montrons également les conséquences de ces phénomènes sur le comportement du conducteur virtuel.

106 5.1. INTRODUCTION 5.1 Introduction Rappel des objectifs La description des conducteurs virtuels dans un trac routier peut se faire, ainsi que cela a été présenté dans le chapitre précédent, en considérant les conducteurs comme un ensemble de tâches de conduite. Ces tâches de conduite spécient des prises d'informations visuelles lorsque le conducteur est confronté à certaines situations. La mise en uvre d'une architecture de perception capable de simuler cette prise d'information est donc nécessaire car le réalisme des comportements des conducteurs en dépend fortement. Les études évoquées au début de ce manuscript [Van Elslande et al., 1997, METL, 1999, Landrieu, 1990] (voir le chapitre 1) concernant la proportion d'erreurs dûes à la perception conrme l'idée selon laquelle des comportements de prise d'information visuelle diérents génèrent des comportements de conducteurs diérents. C'est pour cela que nous avons focalisé une grande partie de nos travaux sur l'élaboration d'un système de perception qui puisse ensuite être intégré dans le modèle de conducteurs virtuels. Les objectifs de ce système de perception sont multiples et tenteront de répondre aux contraintes suivantes : être temps réel : le système de perception mis en uvre doit permettre de simuler en parallèle plus de 50 conducteurs virtuels. Il est à noter que le processus de décision peut prendre un temps de calcul non négligeable qui peut accroître de façon rédibitoire les temps de calcul. intégrer un mécanisme de focalisation hybride : dans la conduite, les mécanismes de contrôle de la partie décisionnelle sur la prise d'information sont prépondérants [Hayhoe et al., 2002]. Cependant, an de tenir compte des évènements imprévus et pour simuler les diérents niveaux d'attention d'un conducteur virtuel, il est nécessaire de tenir compte d'une stratégie de contrôle ascendante. La combinaison de ces deux mécanismes conduit à une stratégie hybride de prise d'information visuelle. intégrer un mécanisme de mémoire : les informations perçues par le conducteur doivent servir la prise de décision. L'état d'une situation n'étant pas obtenue à un instant t mais plutôt construite sur un intervalle temporel, les informations perçues tout au long de celui ci devront être mémorisées. intégrer un mécanisme temporel dans les prises d'information : lorsqu'une action de perception est requise (par exemple : vérier sur le trottoir la présence de piétons), le résultat visé n'est pas obtenu tout de suite mais après un certain temps qu'il est nécessaire de prendre en compte (acquisition de l'information, identication, traitement, stockage). intégrer un mécanisme de paramétrage des perceptions : Pour être cohérent avec la prise d'information dans le monde réel, les paramêtres des capteurs virtuels doivent être adaptés à la nature des informations attendues et à la situation Vue d'ensemble Notre architecture de perception repose principalement sur l'exécution de routines visuelles. Une routine visuelle est une suite de procédures de prise d'information qu'un

107 CHAPITRE 5. ARCHITECTURE DE PERCEPTION VISUELLE conducteur doit eectuer lorsqu'il exécute une sous-tâche de conduite. Une routine visuelle est représentée au moyen d'une ensemble d'actions de perception auquelles sont associées un ensemble de conditions qui xent le contexte de validité dans lequel ces actions peuvent être exécutées. Ces règles peuvent représenter un objectif du conducteur (aller à gauche), une situation (arriver sur un carrefour), un état de la mémoire (des véhicules sont présents à droite). Le module de perception se compose de plusieurs unités de traitement ou de stockage : un capteur virtuel : il permet d'obtenir des informations de l'environnement ; un processeur d'actions perceptives : il contrôle le capteur et traite les données qu'il obtient de l'environnement ; un contrôleur de perception : il applique une stratégie d'ordonnancement des routines visuelles et gère les calculs inhérents à l'écoulement du temps ; une mémoire : le résultat du traitement des données au niveau du processeur d'actions perceptives est stocké dans une mémoire. Le contenu de la mémoire est utilisé lors des prises de décision. La gure 5.1 schématise cette vue d'ensemble. Fig. 5.1 Unité de traitement du modèle de perception proposé. 5.2 Mémoire Structure La mémoire est nécessaire pour le conducteur virtuel car elle lui permet de se créer une représentation de son environnement et de la situation à laquelle il est confronté. En ce sens, la mémoire joue le rôle d'interface entre la partie décisionnelle et la partie perceptive (voir gure 5.2)

108 5.2. MÉMOIRE Fig. 5.2 La mémoire joue le rôle d'interface entre l'architecture de perception visuelle et la partie décisionnelle. La partie décisionnelle (graphe de tâches de conduite) joue le rôle de boîte noire qui eectue des requêtes sur l'architecture de perception. La mémoire est structurée en champs qui représentent une zone de l'espace. A chaque fois qu'une perception est eectuée, elle stocke le résultat dans le champ de la mémoire qui la concerne. Par exemple, une action de perception "regarder à gauche" stockera son résultat dans le champ de la mémoire "vehicules venant de la gauche" (voir gure 5.3). Fig. 5.3 Une prise d'information modie un champ de la mémoire. Les champs de la mémoire des conducteurs virtuels sont aux nombres de 13 et concernent : les véhicules venant de la droite, de la gauche, d'en face, de devant, de derrière, ceux qui sont engagés dans une intersection ; les véhicules sur la voie de gauche et de droite ; le véhicule le plus proche devant sur la voie de droite, et le plus proche sur la voie de gauche ; les piétons dans le champ visuel (tout ceux qui y sont présents) ;

109 CHAPITRE 5. ARCHITECTURE DE PERCEPTION VISUELLE la signalisation ; les objets inattendus. Il est possible qu'une même donnée soit référencée dans plusieurs champ de la mémoire. Ceci sera principalement dû à la prise en compte du temps de prise d'information dans le modèle (voir partie 5.4.3) Mise à jour La mémoire n'a pas de mécanisme de mise à jour basé sur l'oubli. Une donnée présente dans un champ est considérée valide tant qu'elle y est présente. Ce champ est mis à jour lorsque les perceptions eectuées le modie. Comme nous sommes dans un environnement dynamique et que le conducteur eectue de nombreuses prises d'informations au cours du temps, les champs de la mémoire sont remis à jour régulièrement (mise à jour de l'ordre du dixième de seconde à la seconde) : il s'agit d'une mémoire à court terme. De plus, les décisions du conducteur basées sur le contenu de la mémoire sont généralement précédées de routines visuelles visant à mettre à jour les champs concernés de la mémoire. Une fois les objets présents en mémoire, il n'y a pas de prédiction sur leur évolution. Les caractéristiques qui leurs sont liées (vitesses, positions, orientations) sont obtenues en les interrogeant directement. Ceci peut entraîner des biais, car une fois que tous les objets nécessaires à la décision ont été perçus, il ne peut y avoir d'erreurs quant à l'estimation de leur position,de leur direction et de leur vitesse. Néanmoins, il est envisageable d'ajouter une composante aléatoire sur les données obtenues lors de l'interrogation des objets et qui dépende du conducteur. 5.3 Capteur virtuel L'environnement Suivant les critères que nous avons dénis en introduction de ce chapitre, nous avons dû faire un choix sur la technique de perception à employer. La vision synthétique (voir section 3.3.2) est mal adaptée à un usage temps réel faisant intervenir plusieurs dizaines d'entités autonomes. Nous nous sommes tournés, par conséquent, vers une approche exploitant les bases de données des environnements informés [Donikian, 1996]. L'utilisation de cette technique requiert une structuration de l'environnement permettant d'accéder rapidement à tout type d'information nécessaire pour la prise de décision [Thomas, 1999]. Nous avons décidé de maintenir uniquement les classes d'objets possédant une géométrie 3D. A partir des informations extraites de cette base de données tous les autres types d'information seront obtenus (vitesse, transformation 3D) par interrogation directe pour des raisons de rapidité. Cependant, rien n'empêche de compléter cette approche par des techniques évoquées dans la section

110 5.3. CAPTEUR VIRTUEL L'environnement est donc composé d'une base de données sémantiques qui associe à un ensemble de classes des objets 3D (nous appellerons cette base de données dans la suite du manuscrit et par abus de langage "base de données 3D"). Cette base de données est interrogeable par les capteurs virtuels Principe de fonctionnement Le capteur virtuel est l'interface entre le conducteur et l'environnement (la base de données). Ce capteur peut fonctionner suivant deux modes (voir gure 5.4) : le mode champ visuel : le capteur obtient les informations présentes dans une zone qui représente le champ visuel du conducteur ; le mode zone d'attention : le capteur obtient les informations dans une région de l'espace, le plus souvent associée à un élément remarquable de la scène. Fig. 5.4 Mode de fonctionnement du capteur. A gauche, le mode champ visuel délimité par des limites rouge-verte. A droite, le mode zone d'attention représentée par une pavé rouge. Le capteur virtuel peut être paramétré an de tenir compte de caractéristiques telles que la distance de perception, l'ouverture du champ de vision, la direction du regard. Il est également possible de paramétrer le capteur en sensibilité sur les objets an d'eectuer des ltrages sur la base de données. Par exemple, le capteur peut obtenir uniquement les piétons ou bien les piétons et les voitures. Ainsi, lorsqu'un conducteur évolue, il lui est possible de ne traiter que les données nécessaires à la tâche ou sous-tâche de conduite qu'il réalise. Pour obtenir les données auxquelles un capteur est sensible, il formule une demande à la base de données en fournissant sa position et ses sensibilités. Les objets qu'il obtient en retour sont ltrés pour ne retenir que ceux présents dans la pyramide de vue. La gure 5.5 illustre le résultat de requêtes formulées sur l'environnement par un capteur suivant diérents réglages de sa sensibilité. L'ensemble de ces paramétrages doit permettre de reproduire des phénomènes tels que :

111 CHAPITRE 5. ARCHITECTURE DE PERCEPTION VISUELLE Fig. 5.5 Récupération des objets 3D présents dans le cône de vision du capteur et auxquels celui-ci est sensible. De gauche à droite : sensibilité au réseau routier, sensibilité au réseau routier et aux voitures, sensibilité à tous les objets 3D. le rétrécissement du champ visuel (à cause de l'âge du conducteur ou de la vitesse), la distance maximale à laquelle un conducteur eectue sa prise d'information pour éventuellement anticiper, la nécessité de poser le regard à plusieurs endroits pour se construire une représentation de la situation : toutes les informations ne sont pas obtenues en un seul coup d' il (voir gure 5.6, nous détaillerons ce point dans la partie 5.5), la concentration sur des zones de l'espace. Fig. 5.6 Obtenir des informations en 3 temps (à gauche) est diérent d'obtenir les informations en une seule fois (à droite). Par exemple, le temps pour les obtenir n'est pas le même Optimisation des calculs : structuration de l'environnement Pour augmenter la rapidité de traitement des informations contenues dans la base de données, nous utilisons une struturation des données sous la forme d'une grille 2D. Chaque cellule de la grille référence un ensemble d'objets. A chaque fois qu'un objet se déplace, la cellule qui lui faisait référence est mise à jour ainsi que la nouvelle cellule qu'il occupe. An de diminuer le nombre d'informations à traiter, il existe une grille par sensibilité du capteur

112 5.4. CONTRÔLE DU CAPTEUR Ce mécanisme d'optimisation bas niveau est transparent pour les requêtes formulées par le capteur. Diérentes stratégies de mise à jour et de structuration des données référencées peuvent ainsi être testées sans modier la formulation des intérogations sur la base de données. 5.4 Contrôle du capteur Actions de perception Les actions de perception (savoir-faire) font le lien entre le capteur et la mémoire du conducteur. Elles fonctionnement en 4 étapes : 1. paramétrage du capteur, 2. interrogation de l'environnement, 3. récupération du résultat et calcul des éléments présents dans le cône de perception, 4. traitement des données présentes dans le cône de vision : classication des données et stockage en mémoire. Prenons l'exemple d'un véhicule à un stop : à l'arrêt celui-ci doit regarder à gauche et regarder à droite. L'action perceptive regarder à droite consiste ici à : 1. récupérer les objets locaux, 2. eectuer un ltrage sémantique sur les objets, 3. eectuer un calcul d'intersection avec la pyramide de vue, 4. traiter les objets qui ont passé ces étapes en déterminant : quels sont les véhicules qui arrivent sur l'intersection et stocker le résultat en mémoire perceptive dans le champ vehicule_arrivant_de_la_droite. quels sont les piétons dans le champ de vision et stocker le résultat en mémoire dans le champ pietons. Le module de perception possède un ensemble d'actions de perception de ce type. Chacune de ces perceptions stocke le résultat de ces traitements dans un (ou plusieurs) champ(s) de la mémoire du conducteur. Le tableau 5.1 fournit l'ensemble des actions perceptives que le conducteur virtuel est capable d'eectuer. A chacune des perceptions est associée le(s) champ(s) de la mémoire qu'elle modie. Comme il est possible de fournir des paramètres à ces savoir-faire (notamment ceux qui concernent le capteur), nous proposons d'utiliser une structure de dénition de ces paramétres pour faciliter l'écriture. Par exemple pour regarder les véhicules venant de la gauche avec attention :

113 CHAPITRE 5. ARCHITECTURE DE PERCEPTION VISUELLE Action perceptive regarder_devant regarder_a_droite regarder_a_ gauche regarder_en_face regarder_derriere regarder_intersection regarder_voie_de_ droite regarder_voie_de_gauche vérifier_presence_signalisation vérifier_presence_pietons Champs de la mémoire modiés vehicule_devant vehicule_devant_voie_droite vehicule_devant_voie_gauche vehicules_venant_de_la_droite vehicules_venant_de_la_gauche vehicules_venant_d_en_face vehicule_derrière vehicules_engages_dans_intersection vehicules_voie_droite vehicules_voie_gauche panneaux pietons Tab. 5.1 Ensemble des actions perceptives du conducteur virtuels et champs de la mémoire modiée. regarder_attentivement_vehicule_venant_de_la_gauche={ regarder_a_gauche, //Action perceptive concernée. fieldofview=0.5, //Ensemble des paramètres aspectratio=2, //pour l'action perceptive. neardistance=2, fardistance=80, attended = {Car}, time = 1.5 } De cette façon nous dénissons regarder_attentivement_vehicule_venant_de_l_agauche comme un cas particulier du savoir faire regarder_a_gauche dans lequel nous xons : l'action perceptive concernée appartenant au module de perception, ici regarder_a_gauche ; les paramètres relatifs à la pyramide de vue associée au capteur pour cette action perceptive (fieldofview,aspectratio,neardistance,fardistance) les objets auxquels le capteur doit être sensible pour cette action perceptive. Ils sont spéciés dans le champ attended. Ici, il faut regarder les piétons et les voitures ; le temps d'exécution de l'action perceptive (time) : temps nécessaire pour obtenir l'information, la traiter et la stocker en mémoire. Ici, il faut regarder à gauche les véhicules pendant 1,5 secondes Spécialisation des actions perceptives Pour garder un niveau d'abstraction susament important dans la spécication des perceptions d'un conducteur, nous utilisons la notion de spécialisation des actions de perception. L'idée est d'obtenir un ensemble d'actions de perception "abstraites" qui s'adapte en fonction de la situation : nous ne voulons pas spécier "regarder à gauche sur un rond-point à deux voies" et "regarder à gauche sur une intersection à une voie". Nous voulons uniquement avoir la perception "regarder à gauche"

114 5.4. CONTRÔLE DU CAPTEUR La diérence entre ces diérentes spécialisations de "regarder à gauche" est la zone de prise d'information. Pour tenir compte de cette notion de zone de perception dépendante de l'intersection ou du tronçon de route, les actions de perceptions peuvent être spécialisées. Il peut donc y avoir plusieurs perceptions "regarder à gauche" chacune dédiée à une situation particulière. La gure 5.7 illustre le principe de la spécialisation sur une intersection de type priorité à droite. Les zones de prises d'information sont étendues dans le cas de la prise de carrefour à 2x2 voies par rapport à celles de 1x1 voie. Le traitement sous-jacent de l'action perceptive peut également être diérent : les véhicules sur la voie de gauche et ceux de la voie de droites sont distingués et stockés dans des champs diérents de la mémoire. Il ne s'agit pas d'un mécanisme de type smart object [Musse et al., 1999] : c'est le conducteur qui décide s'il doit ou non appliquer une action de perception avec des paramêtres dédiés à la situation. Fig. 5.7 En haut, les zones de prise d'information sont restreintes à la taille de la chaussée. En bas : les zones sont étendues pour couvrir les 2 voies. L'action perceptive eectue également une classication des véhicules sur la voie de gauche et ceux sur la voie de droite Prise en compte du temps : enjeux Le temps est une donnée essentielle lors de la conduite [Hollnagel et al., 2003]. Surtout lorsqu'il s'agit de la prise d'information visuelle. Un exemple simple illustre cette importance : la prise d'information à un stop. Prenons le cas d'un conducteur dit "surestimateur" et d'un autre dit "sous-estimateur". Le sur-estimateur va prendre rapidement les informations sur la situation (gauche, droite, gauche) : il peut manquer les véhicules qui arrivent vite dans l'intersection. Le

115 CHAPITRE 5. ARCHITECTURE DE PERCEPTION VISUELLE sous-estimateur va quant à lui regarder attentivement successivement à gauche à droite et à gauche : sa prise d'information trop longue peut permettre à des véhicules d'arriver dans l'intersection sans qu'il ne s'en rende compte. Par contre, en regardant attentivement (longtemps), il pourra eectivement prendre en compte les véhicules qui arrivent vite. Dans les deux cas, les conducteurs peuvent manquer des informations et par conséquent agir d'une façon inadaptée à la situation. Pour permettre de reproduire ce genre de phénomène dans le simulateur dans le but d'obtenir des situations crédibles, nous devons prendre en compte le temps que couvre la prise d'information : obtenir les informations contenues dans le champ de vision ; traiter les données : par exemple, identier les véhicules qui arrivent et qui partent ; stocker les données dans la mémoire. La gure 5.8 illustre la prise d'information d'un sur-estimateur et d'un sous-estimateur dans le simulateur ARéViRoad. La série d'images en haut de la gure est un surestimateur, les prises d'informations sont rapides et la routine de perception déployées épurées : il regarde une fois à gauche et une fois à droite. La série d'images du bas, est un sous-estimateur, la routine déployée est complète mais longue dans le temps. Une indication temporelle est indiquée au dessous de chaque séries d'images. t=0s t=0.3s t=0.6s t=0s t=0.5s t=1.0s t=1.5s Fig. 5.8 La prise en compte du temps dans la perception permet de représenter des catégories de conducteurs tels que les sur-estimateurs (en haut) et les sous-estimateurs (en bas). t est le temps en seconde, le zéro est placé au début de la routine visuelle appliquée lors de la sous-tâche de conduite être à un stop

116 5.5. FOCALISATION : STRATÉGIE DE PRISE D'INFORMATION 5.5 Focalisation : stratégie de prise d'information Introduction An de pouvoir tenir compte des évènements imprévus mais également de diminuer le nombre d'informations à traiter, nous avons vu dans la section 3.4 que le système visuel humain mettait en uvre des stratégies de gestion de l'attention : le contrôle descendant : la tâche en cours impose ses schémas de déplacement oculaire le contrôle ascendant : les stimuli exogènes conditionnent les déplacements oculaires. Bien que le contrôle descendant soit préponderant dans la conduite [Shinoda et al., 2001], il est nécessaire de tenir compte des deux aspects ascendant et descendant. Un exemple pour le comprendre et connu de tous est le cas des enfants qui jouent au ballon au bord de la route. Lorsqu'un enfant surgit pour attraper son ballon qui rébondit sur la route, notre réaction est réexe : nous freinons et/ou contre-braquons d'un seul coup. Le contrôle ascendant a pris le dessus sur la partie descendante. Pour pouvoir reproduire des comportements similaires chez le conducteur virtuel, nous devons tenir compte du contrôle ascendant en plus du contrôle descendant. La gure 5.9 illustre l'idée générale du problème que nous tentons de résoudre : la stratégie descendante et la stratégie ascendante peuvent chacune générer des xations 1 (ou actions de perception). Comment choisir entre l'une et l'autre? Pour cela, la partie focalisation (mise en uvre par le contrôleur de perception) doit déterminer si la stratégie ascendante doit être appliquée ou non. Le signal de sortie de la focalisation est une xation (ou une prise d'information dans une zone de l'espace). Une xation permet d'obtenir au niveau du capteur les éléments attendus et inattendus. Nous allons détailler ce dernier point Informations attendues et non attendues Lorsqu'une perception est eectuée (voir partie 5.4.1) le capteur obtient les objets auxquels il est sensible et ltre ceux qui sont dans son champ de vision (ou dans sa zone d'attention, suivant le mode). Il s'attend a obtenir certains types d'information. La distinction entre ces deux types d'information sera nécessaire notamment pour la stratégie ascendante que nous exposerons dans la partie L'ensemble des types d'information que sait (ou peut) obtenir un conducteur sera appelé E. L'ensemble des types d'information qu'il s'attend a percevoir lors d'une perception sera appelé A. L'ensemble des informations qu'il ne s'attend pas à percevoir lors de cette perception est donc A tel que A = E A. Pour construire A et A, une action de perception procède en 2 temps : 1 xation : le regard se pose sur une région de l'espace pour obtenir les informations qui y sont présentes

117 CHAPITRE 5. ARCHITECTURE DE PERCEPTION VISUELLE Fig. 5.9 Application des stratégies ascendantes et descendantes. La proposition des routines visuelles par les sous-tâches de conduite constitue les stratégies descendantes de perception. La stratégie ascendante va permettre au conducteur de tenir compte notamment des évènements imprévus. La partie focalisation (mise en uvre par le contrôleur de perception) doit déterminer quelle est la stratégie à appliquer : il en résulte une xation du regard dans une zone de l'environnement. 1. le capteur est paramétré pour être sensible à A : le capteur récupère des informations attendues, 2. le capteur est paramétré pour être sensible à l'ensemble E-A : le capteur récupère des informations non attendues. Ces données sont conservées dans une mémoire locale au capteur. Les informations de type attendu sont traitées comme expliqué dans la partie Actuellement, l'implémentation xe E={Car,Pedestrian,Signs} Contrôle descendant La stratégie de focalisation descendante est dénie par les routines visuelles. Les routines visuelles ont pour objectif de permettre à un agent autonome de déterminer dans quelle situation un conducteur se trouve. Nous avons vu dans le chapitre précédent qu'à chaque sous-tâche de conduite (sommet du graphe de tâches de conduite) est associée une routine visuelle. L'exécution des routines visuelles modie le contenu de la mémoire et va par conséquent permettre au conducteur de décider ou non d'exécuter une nouvelle sous-tâche de conduite. Comme les routines visuelles doivent permettre de fournir les données nécessaires à la tâche en cours, les informations qu'elles procurent (champs de la mémoire modiés) sont utilisées rapidement. Ceci rejoint le point qui concerne la mise à jour de la mémoire : la nécessité d'un mécanisme d'oubli ne nous semble pas nécessaire dans le cas d'une application telle qu'aréviroad

118 5.5. FOCALISATION : STRATÉGIE DE PRISE D'INFORMATION Les routines visuelles ont deux caractéristiques majeures : elles sont utilisées dans un certain contexte, elles correspondent à un ensemble de mouvements oculaires. Pour tenir compte de ces deux caractéristiques, nous proposons de modéliser une routine visuelle sous la forme suivante : routine_visuelle = { {regle_contextuelle 1, savoir_faire A },..., {regle_contextuelle j, savoir_faire B } }; Une règle contextuelle détermine si le savoir faire perceptif qui lui est associée peut être ou non exécutée. Pour illustrer la déclaration d'une routine visuelle, prenons l'exemple d'un conducteur arrivant sur une intersection avec priorité à droite (voir gure 5.10). Il existe plusieurs congurations possibles dans le cas d'une intersection en croix : le conducteur veut aller tout droit (GoAhead), à gauche (GoLeft) ou à droite (GoRight). Le conducteur a à sa disposition plusieurs savoir-faire lui permettant de déterminer ce qui vient d'en face (regarder_en_face), ce qui vient de la gauche (regarder_a_gauche) ou encore de la droite (regarder_a_droite). A l'aide de ces éléments il est possible de dénir dans la structure ci-dessus tous les cas de gure de la façon suivante 2 : routine_visuelle_arrive_priorite_droite={ {GoLeft+GoAhead,regarder_a_droite}, {GoLeft,regarder_en_face} {GoRight+GoLeft+GoAhead,regarder_a_gauche}, } Nous dénissons ainsi pour chaque contexte (par exemple : GoLeft+GoAhead) une action perceptive associé (par exemple : regarder_a_droite). Nous tirons les mêmes avantages que dans le cas des routines d'actions sur le véhicule (voir partie 4.4.1). En eet, nous prenons en compte ici tous les cas de gure en fonction des directions qu'il est possible de choisir à une intersection. Ainsi, lorsque le conducteur va en face (GoAhead), il eectue uniquement les savoir-faire regarder_a_droite et regarder_a_gauche. La gure 5.10 illustre l'application de routines visuelles lors du franchissement d'une intersection avec priorité à droite. Nous remarquons que les conducteurs virtuels exhibent des comportements diérents suivant les prises d'informations qu'ils eectuent. La perception pour les conducteurs virtuels est aussi importante que pour les conducteurs réels. La gure 5.11 illustre l'évolution du contenu de la mémoire du conducteur lors du déroulement d'une routine visuelle à un stop. Cette notation permet de rassembler au sein d'une même structure plusieurs routines visuelles spéciques : dans notre exemple, nous aurions pu écrire l'équivalent sous forme de trois routines visuelles spéciques : une pour le contexte "aller à droite" une pour "aller à gauche" et une pour "aller à tout droit". Il s'agit là d'un moyen de réier les routines visuelles spéciques qui en interne sont composées de savoir faire identiques. 2 La syntaxe utilisée ici est identique à celle utilisée pour programmer les routines visuelles des conducteurs virtuels du simulateur

119 CHAPITRE 5. ARCHITECTURE DE PERCEPTION VISUELLE a1) b1) c1) a2) b2) c2) d2) Fig La zone translucide rouge est la zone de regard du conducteur. En haut, le conducteur va tout droit : il regarde uniquement les informations situées à droite (a1) et à gauche (b1) avant de passer (c1). En bas, le conducteur va à gauche, il regarde les informations provenant de la droite (a2), de la gauche (b2) et d'en face (c2) avant de passer (d2) Contrôle ascendant Principe Le contrôle ascendant doit permettre de tenir compte des éléments inattendus : présence d'objets qui apparaîssent subitement, vitesse des objets qui varie brutalement, déplacements non prévus... et d'y réagir soit de manière adaptée soit par un comportement par défaut. Ces éléments sont succeptibles de modier le comportement visuel en cours. Ces modications concernent : l'augmentation du temps de la prise d'information en cours, la génération d'une prise d'information vers la zone d'importance, l'annulation ou la modication de la routine visuelle en cours. Détecter l'imprévu Pour déterminer si la stratégie descendante doit continuer d'être appliquée, la partie focalisation (voir la gure précédente 5.9) doit vérier si la partie ascendante a détecté des éléments susamment importants pour générer une modication du comportement visuel. Si tel est le cas, la modication proposée par la partie ascendante sera appliquée. Pour cela, à chaque élément présent dans le champ visuel du conducteur est attribué une importance. Cette importance, qui est une valeur réelle, est xée par des règles qui peuvent tenir compte des caractéristiques des éléments : vitesse, position, couleur, attendu ou non-attendu... Si l'importance est supérieure à un seuil xé a priori alors une modication est proposée par la partie ascendante (par exemple une nouvelle prise d'in

120 5.5. FOCALISATION : STRATÉGIE DE PRISE D'INFORMATION Fig Évolution du contenu de la mémoire du conducteur lors de l'exécution des actions de perception qui constituent la routine visuelle e ectuée au stop. L'écoulement du temps se fait de gauche à droite et de haut en bas. formation, une augmentation du temps de l'action courante de perception...). L'ensemble de ces règles et des modi cations qu'elles peuvent engendrer dé nissent la stratégie de perception ascendante. La gure 5.12 illustre le principe sur un exemple d'une voiture à un carrefour à priorité à droite. La stratégie ascendante de ce conducteur, lorsqu'un véhicule vient à sa droite dans cette situation, est de générer une importance su sante pour provoquer une focalisation excessive vers ce véhicule (augmentation du temps de l'action de perception "regarder à droite"). Il s'agit là d'un comportement "pertinent" à une intersection : tant qu'il y a un véhicule qui vient de la droite, il n'est pas nécessaire de regarder à gauche et en face, c'est à dire d'appliquer de manière systématique la stratégie descendante (regarder à droite, regarder à gauche, regarder en face, regarder à droite...). Une fois que la rue de droite est libre, le conducteur peut appliquer le reste de la stratégie descendante. La gure 5.13 illustre le principe de la focalisation sur des informations de type inattendu. Le conducteur qui roule sur la chaussée ne fait pas attention aux piétons sur les trottoirs. Lorsqu'un groupe de piétons est su samment près du conducteur et considéré comme inattendu, l'importance qui va être générée à la vue de ce groupe par la partie ascendante sera su sante pour provoquer une modi cation de la stratégie descendante : une nouvelle prise d'information est générée en direction du groupe de piétons

MODELE D UN RAPPORT DE STAGE DE BAC PRO ELECTROTECHNIQUE

MODELE D UN RAPPORT DE STAGE DE BAC PRO ELECTROTECHNIQUE MODELE D UN RAPPORT DE STAGE DE BAC PRO ELECTROTECHNIQUE [Prénom Nom] Rapport sur le stage effectué du [date] au [date] Dans la Société : [NOM DE LA SOCIETE : Logo de la société] à [Ville] [Intitulé du

Plus en détail

Quel lien existe-t-il entre le besoin et le design des objets?

Quel lien existe-t-il entre le besoin et le design des objets? Séquences 1-2 Quel lien existe-t-il entre le besoin et le design des objets? Pourquoi trouve-t-on différents modèles pour ce produit de communication? Nous avons chez nous différents modèles de téléphones

Plus en détail

G R E C A U Rapport sur le mémoire de thèse de doctorat ENSA de Toulouse, INSA, école doctorale MEGeP, Spécialité Génie Civil, En co-tutelle avec l'université de Laval, Québec, Canada présenté par Catherine

Plus en détail

Types de REA produites dans le cadre de la séquence pédagogique

Types de REA produites dans le cadre de la séquence pédagogique Scénario pédagogique APPRENDRE À ENSEIGNER AUTREMENT Description générale du scénario Titre Les bases de données relationnelles Résumé Dans le cadre d'un cours à distance, la visioconférence est une REA

Plus en détail

Thierry BELLET INRETS-LESCOT

Thierry BELLET INRETS-LESCOT Modélisation et simulation cognitive du conducteur automobile : De l analyse des représentations mentales à la simulation dynamique de la prise de décision Thierry BELLET INRETS-LESCOT Le programme COSMODRIVE

Plus en détail

OUTILS D'ÉVALUATION DE LOGICIELS ÉDUCATIFS

OUTILS D'ÉVALUATION DE LOGICIELS ÉDUCATIFS 131 OUTILS D' ÉDUCATIFS Philippe DESSUS, Pascal MARQUET MOTS-CLÉS Typologie des logiciels d'eao, Processus d'apprentissage, Mesure des performances didactiques. RÉSUMÉ A travers l'eao, l'informatique tente

Plus en détail

Questions de sécurité routière? Mon élu référent a les réponses! La vitesse

Questions de sécurité routière? Mon élu référent a les réponses! La vitesse Questions de sécurité routière? Mon élu référent a les réponses! La vitesse Concours Gastounet Morbihan 2007 1 La vitesse : 1 er facteur d accident et de gravité? la preuve : Evolution en France de 1970

Plus en détail

AEC en Techniques d éducation à l enfance

AEC en Techniques d éducation à l enfance (JEE.0K) 322-101-MV Introduction à la profession Ce cours permet à l étudiant d explorer la profession d éducatrice à l enfance dans son ensemble et de bien cerner le contexte des services de garde au

Plus en détail

Rénovation de la banque de questions de l'etg

Rénovation de la banque de questions de l'etg Rénovation de la banque de questions de l'etg Présentation aux écoles de conduite Ministère de l'écologie, de l'énergie,du Développement durable et de la mer, en charge des technologies vertes et des négociations

Plus en détail

Définir le contexte stratégique des Ressources Humaines

Définir le contexte stratégique des Ressources Humaines Zoom sur le contexte des ressources humaines Définir le contexte stratégique des Ressources Humaines Au travers de leur management stratégique, les entreprises voient les ressources humaines comme le moyen

Plus en détail

D après FD X50-176 Management des processus (2005) AC X50-178 Management des processus, Bonnes pratiques et retours d expérience (2002)

D après FD X50-176 Management des processus (2005) AC X50-178 Management des processus, Bonnes pratiques et retours d expérience (2002) L'approche processus D après FD X50-176 Management des processus (2005) AC X50-178 Management des processus, Bonnes pratiques et retours d expérience (2002) Diaporama : Marie-Hélène Gentil (Maître de Conférences,

Plus en détail

Informatique pour Tous

Informatique pour Tous Informatique pour Tous Introduction et plan d'un cours en 15 chapitres François Guiberteau Introduction Analogie L'apprentissage de notions nouvelles, souvent abstraites, est complexe. L'informatique fait

Plus en détail

PLANIFICATION ET SUIVI D'UN PROJET

PLANIFICATION ET SUIVI D'UN PROJET Centre national de la recherche scientifique Direction des systèmes d'information REFERENTIEL QUALITE Guide méthodologique PLANIFICATION ET SUIVI D'UN PROJET Référence : CNRS/DSI/conduite-projet/developpement/gestion-projet/guide-planfi-suivi-projet

Plus en détail

Exploiter le stage d'observation en entreprise

Exploiter le stage d'observation en entreprise Exploiter le stage d'observation en entreprise FICHE ANIMATEUR-ANIMATRICE Niveau de classe 3e Objectif Amener les élèves à découvrir l'organisation d'une entreprise, à analyser leur expérience et à conserve

Plus en détail

L APPROCHE PAR ÉTAPES DANS LA FORMATION À LA

L APPROCHE PAR ÉTAPES DANS LA FORMATION À LA L APPROCHE PAR ÉTAPES DANS LA FORMATION À LA CONDUITE D UNE MOTO. 1 Pourquoi changer ce qui existe? 2 Pourquoi changer la formation? 3 Quels processus de changement? 4 Quels sont les changements effectués?

Plus en détail

MASTER II ECONOMIE ET GESTION Spécialité Management des Organisations de la Neteconomie

MASTER II ECONOMIE ET GESTION Spécialité Management des Organisations de la Neteconomie MASTER II ECONOMIE ET GESTION Spécialité Management des Organisations de la Neteconomie MODULE C03 - Séquence 1 INTRODUCTION I. UN PEU D'HISTOIRE II. LES RESSOURCES D'UN SI III. LA DÉFINITION D UN SI À

Plus en détail

Référentiel des métiers de la spécialité Instrumentation - Automatique - Informatique

Référentiel des métiers de la spécialité Instrumentation - Automatique - Informatique Référentiel des métiers de la spécialité Instrumentation - Automatique - Informatique Référentiel des métiers de la spécialité Instrumentation - Automatique - Informatique Copyright 2015 Polytech Annecy-Chambéry

Plus en détail

USAIN BOLT. Table des matières. Tâche complexe produite par l académie de Clermont-Ferrand. Juin 2012. Fiche professeur... 2. Fiche élève 1...

USAIN BOLT. Table des matières. Tâche complexe produite par l académie de Clermont-Ferrand. Juin 2012. Fiche professeur... 2. Fiche élève 1... USAIN BOLT Table des matières Fiche professeur... 2 Fiche élève 1... 5 Fiche élève 2... 6 Narration de séances et productions d élèves... 7 1 Fiche professeur USAIN BOLT Niveaux et objectifs pédagogiques

Plus en détail

Université Laval Faculté des sciences et de génie Département d'informatique et de génie logiciel IFT-3101. Travail pratique #2

Université Laval Faculté des sciences et de génie Département d'informatique et de génie logiciel IFT-3101. Travail pratique #2 Université Laval Faculté des sciences et de génie Département d'informatique et de génie logiciel IFT-3101 Danny Dubé Hiver 2014 Version : 11 avril Questions Travail pratique #2 Traduction orientée-syntaxe

Plus en détail

UNITE DE VALEUR DE FORMATION MANAGEMENT MNG 1 EMPLOI CHEF D AGRES

UNITE DE VALEUR DE FORMATION MANAGEMENT MNG 1 EMPLOI CHEF D AGRES SCHEMA NATIONAL DES FORMATIONS DES SAPEURS-POMPIERS UNITE DE VALEUR DE FORMATION MANAGEMENT MNG 1 EMPLOI CHEF D AGRES ADRESSE POSTALE : PLACE BEAUVAU 75800 PARIS CEDEX 08 STANDARD 01 49 27 49 27-01 40

Plus en détail

Système Expert pour Smartphones

Système Expert pour Smartphones INSA Rennes Département INFORMATIQUE Système Expert pour Smartphones Rapport de bilan de Planification Olivier Corridor;Romain Boillon;Quentin Decré;Vincent Le Biannic;Germain Lemasson;Nicolas Renaud;Fanny

Plus en détail

Voici une demande qui revient régulièrement lors de mes rencontres avec les employeurs :

Voici une demande qui revient régulièrement lors de mes rencontres avec les employeurs : Logique dépannage La logique de dépannage dépend d une multitude d aspect, et un de ses aspects que j ai pu constater avec le temps en tant que formateur est que les techniciens industriels apprennent

Plus en détail

Conduite et Gestion de Projet - Cahier des charges

Conduite et Gestion de Projet - Cahier des charges Conduite et Gestion de Projet - Cahier des charges 1 Introduction Sophie Toulouse LIPN - Université Paris 13 +33.1.49.40.40.73 99 av. Jean-Baptiste Clément toulouse@lipn.univ-paris13.fr 93430 Villetaneuse

Plus en détail

Processus Gestion de Projet

Processus Gestion de Projet Processus Gestion de Projet 1 / 11 Contenu 1 Introduction... 3 2 Le cycle de vie du projet... 4 2.1 Présentation... 4 2.2 Cycle de vie d un projet... 5 2.3 Les livrables... 5 3 Les étapes du management

Plus en détail

Système Expert pour Smartphones

Système Expert pour Smartphones INSA Rennes Département INFORMATIQUE Système Expert pour Smartphones Rapport de Planification Olivier Corridor;Romain Boillon;Quentin Decré;Vincent Le Biannic;Germain Lemasson;Nicolas Renaud;Fanny Tollec

Plus en détail

ARFGA. 7. Dossier de formation. Association Romande pour la Formation des Gardiens d'animaux

ARFGA. 7. Dossier de formation. Association Romande pour la Formation des Gardiens d'animaux 7. Le dossier de formation collecte les rapports d apprentissage et doit être complété régulièrement. Il est très important pour deux raisons : d une part, et selon l'opan, la personne en formation est

Plus en détail

Principes de management de la qualité

Principes de management de la qualité Principes de management de la qualité Introduction Ce document est une introduction aux huit principes de management sur lesquels sont fondées les normes relatives au système de management de la série

Plus en détail

Une nouvelle approche de l éducation routière au Québec. Présentation dans le cadre des Journées francophones de la sécurité routière

Une nouvelle approche de l éducation routière au Québec. Présentation dans le cadre des Journées francophones de la sécurité routière Une nouvelle approche de l éducation routière au Québec Présentation dans le cadre des Journées francophones de la sécurité routière 23 e Entretiens du Centre Jacques Cartier Lyon, France 15 décembre 2010

Plus en détail

SATWticEdu LLL apprendre tout au long de la vie tableau de bord. Séminaire VLM 2006 étude de cas Fleury L.J.

SATWticEdu LLL apprendre tout au long de la vie tableau de bord. Séminaire VLM 2006 étude de cas Fleury L.J. Tableau de bord : outil de navigation L'apprentissage tout au long de la vie dépend d'abord d'une attitude face aux connaissances et d'une motivation personnelle forte. Il suppose également l'acquisition

Plus en détail

LES SOLUTIONS MES HUMAINES METTENT EN AVANT LES INDIVIDUS

LES SOLUTIONS MES HUMAINES METTENT EN AVANT LES INDIVIDUS LIVRE BLANC LES SOLUTIONS MES HUMAINES METTENT EN AVANT LES INDIVIDUS Une collaboration entre homme et machine LIVRE BLANC LES SOLUTIONS MES HUMAINES METTENT EN AVANT LES INDIVIDUS 2 A PROPOS Les hommes

Plus en détail

Le comportement humain

Le comportement humain Le comportement humain " Qu'est-ce que le comportement? C'est une action visible ou invisible et qui se passe à un moment donné. Le comportement est la résultante de 3 éléments : - les besoins, - les caractéristiques

Plus en détail

RAPPORT DE CONCEPTION UML :

RAPPORT DE CONCEPTION UML : Carlo Abi Chahine Sylvain Archenault Yves Houpert Martine Wang RAPPORT DE CONCEPTION UML : Bamboo Ch@t Projet GM4 Juin 2006 Table des matières 1 Introduction 2 2 Présentation du logiciel 3 2.1 Précisions

Plus en détail

FICHE JANVIER 2009 THÉMATIQUE. Direction de projets et programmes

FICHE JANVIER 2009 THÉMATIQUE. Direction de projets et programmes FICHE JANVIER 2009 THÉMATIQUE Direction de projets et programmes La représentation par les processus pour les projets Système d Information (SI) La modélisation de l'entreprise par les processus devient

Plus en détail

TEST D'APTITUDE COMMERCIALE Dossier d'information

TEST D'APTITUDE COMMERCIALE Dossier d'information TEST D'APTITUDE COMMERCIALE Dossier d'information L'outil solution personnalisable pour sélectionner et évaluer les capacités des commerciaux L'écart d'efficacité entre un commercial "moyen" et un "bon"

Plus en détail

Formations Management

Formations Management Formations Management MANAGEMENT ET COMMUNICATION Ecole du Management : Cycle Animateur d équipe Ecole du Management : Cycle Maîtrise Ecole du Management : Cycle Coordinateur Technique Animateur (trice)

Plus en détail

JOUR 1 - MATIN Première approche de l'architecture métier

JOUR 1 - MATIN Première approche de l'architecture métier Version du 0/0/202 JOUR - MATIN Première approche de l'architecture métier Présentation de la formation exceptionnelle Connaître le cadre de la formation Le contexte : la méthode publique Praxeme, l'initiative,

Plus en détail

Management des processus opérationnels

Management des processus opérationnels Ecole Nationale Supérieure de Management Master Management des organisations Management des processus opérationnels Dr TOUMI Djamila Cours n 1: La vision processus dans le management des organisations

Plus en détail

Evaluation de votre conférence de méthode ou cours-séminaire

Evaluation de votre conférence de méthode ou cours-séminaire Enseignement : INTRODUCTION A LA SOCIOLOGIE 2 : CONCEPTS, METHODES, ET ENJEU ACTUELS Excellent Bon Moyen Insuffisant Comment évaluez-vous la préparation et l'organisation des séances? 6 (30%) 11 (55%)

Plus en détail

5.1.1 La procédure pour la description d'une situation-problème

5.1.1 La procédure pour la description d'une situation-problème 5 LE CHOIX DES PARTIES DE COURS : UNE PROGRESSION DES APPRENTISSAGES Éléments du cinquième chapitre 5.1 La description de la situation-problème finale 5.1.1 La procédure pour la description d'une situation-problème

Plus en détail

MONITEUR D ÉCOLE DE CONDUITE MONITEUR D ÉCOLE DE CONDUITE

MONITEUR D ÉCOLE DE CONDUITE MONITEUR D ÉCOLE DE CONDUITE MONITEUR D ÉCOLE DE CONDUITE MONITEUR D ÉCOLE DE CONDUITE Compétences de base MONITEUR D ÉCOLE DE CONDUITE À quoi sert ce document? Comme base pour rédiger une offre d emploi ; Comme outil pour le screening

Plus en détail

Notre modèle d engagement

Notre modèle d engagement Notre modèle d engagement 1. EVALUER L évaluation des compétences que vous souhaitez améliorer implique un vrai échange entre nos deux équipes, et une étude plus approfondie des écarts et des actions préalablement

Plus en détail

Coaching, Une méthode scientifique

Coaching, Une méthode scientifique Coaching, Une méthode scientifique ROSELYNE KATTAR Tout le monde parle de coaching sans savoir exactement de quoi il s agit. Afin de clarifier cette approche selon moi, je vous propose de répondre à 3

Plus en détail

PROGRAMME DE COURS. Pouvoir organisateur : Ville de Verviers. Etablissement : Académie des Beaux-Arts

PROGRAMME DE COURS. Pouvoir organisateur : Ville de Verviers. Etablissement : Académie des Beaux-Arts PROGRAMME DE COURS Pouvoir organisateur : Ville de Verviers Etablissement : Académie des Beaux-Arts Domaine des arts plastiques, visuels et d l espace Cours : Formation pluridisciplinaire Filière : formation

Plus en détail

La mémoire (en bref)

La mémoire (en bref) Lamémoire(enbref) Les modèles développés en psychologie cognitive conçoivent l individu comme une «entité»quitraitedel information.danscestraitements,lamémorisationtientuneplace particulièrement importante

Plus en détail

CONFERENCE SALON PREVENTICA DES 02 & 03 JUIN 2004

CONFERENCE SALON PREVENTICA DES 02 & 03 JUIN 2004 CONFERENCE SALON PREVENTICA DES 02 & 03 JUIN 2004 ENJEUX DU RISQUE ROUTIER : LES MOYENS POUR Y FAIRE FACE Intervenant : Stéphane DEVELTER Consultant en sécurité routière Faire de la prévention : pourquoi?

Plus en détail

Nous trouvons là les deux thématiques abordées par les deux parties de l ouvrage.

Nous trouvons là les deux thématiques abordées par les deux parties de l ouvrage. $YDQWSURSRV La mise en œuvre du pilotage des systèmes de production constitue un enjeu sensible en raison, d une part, de l accroissement du niveau d automatisation de ceux-ci et, d autre part, de la multiplication

Plus en détail

Si nous nous contentions d un champ de vision de 40, il faudrait quatre ou cinq perspectives pour représenter un espace d habitation.

Si nous nous contentions d un champ de vision de 40, il faudrait quatre ou cinq perspectives pour représenter un espace d habitation. Avant-propos La vue en perspective correspond bien à une perception humaine de l espace. La représentation d une perspective à l aide de la géométrie traduit, elle, avec précision les phénomènes optiques

Plus en détail

Description du logiciel Smart-MED-Parks Article technique

Description du logiciel Smart-MED-Parks Article technique Introduction Description du logiciel Smart-MED-Parks Article technique Depuis le lancement du projet en février 2013, différentes actions ont été effectuées dans le but d'accroître la sensibilisation et

Plus en détail

Modélisation et conception d'un. environnement de suivi pédagogique synchrone. d'activités d'apprentissage à distance

Modélisation et conception d'un. environnement de suivi pédagogique synchrone. d'activités d'apprentissage à distance Modélisation et conception d'un environnement de suivi pédagogique synchrone d'activités d'apprentissage à distance Christophe DESPRÉS Laboratoire d Informatique de l'université du Maine Plan de la présentation

Plus en détail

Description et illustration du processus unifié

Description et illustration du processus unifié USDP Description et illustration du processus unifié Définit un enchaînement d activités Est réalisé par un ensemble de travailleurs Avec des rôles, des métiers Avec pour objectifs de passer des besoins

Plus en détail

GUIDE DE LA GESTION PRÉVISIONNELLE DES EMPLOIS ET DES COMPÉTENCES

GUIDE DE LA GESTION PRÉVISIONNELLE DES EMPLOIS ET DES COMPÉTENCES Françoise KERLAN GUIDE DE LA GESTION PRÉVISIONNELLE DES EMPLOIS ET DES COMPÉTENCES Préface de Jean-Louis Muller Directeur à la CEGOS Ancien responsable de Formation à l Université Paris 9 Dauphine Deuxième

Plus en détail

TABLEAU DE BORD : SYSTEME D INFORMATION ET OUTIL DE PILOTAGE DE LA PERFOMANCE

TABLEAU DE BORD : SYSTEME D INFORMATION ET OUTIL DE PILOTAGE DE LA PERFOMANCE TABLEAU DE BORD : SYSTEME D INFORMATION ET OUTIL DE PILOTAGE DE LA PERFOMANCE INTRODUCTION GENERALE La situation concurrentielle des dernières années a confronté les entreprises à des problèmes économiques.

Plus en détail

Comment organiser une séance d EPS

Comment organiser une séance d EPS Comment organiser une séance d EPS Ce qui est important pour l élève c est de : - comprendre quand il réussit quelle procédure reproductible a été utilisée et isolée pour cette procédure - apprendre pour

Plus en détail

STAF17 - REALISATION D'UN DISPOSITIF DE FORMATION ENTIEREMENT OU PARTIELLEMENT A DISTANCE

STAF17 - REALISATION D'UN DISPOSITIF DE FORMATION ENTIEREMENT OU PARTIELLEMENT A DISTANCE STAF 2001-2002 STAF17 - REALISATION D'UN DISPOSITIF DE FORMATION ENTIEREMENT OU PARTIELLEMENT A DISTANCE Présentation du cours Responsable : Daniel Peraya Assistante : Nathalie Deschryver TABLE DES MATIERES

Plus en détail

Qu entend-on par leadership?

Qu entend-on par leadership? Qu entend-on par leadership? Position d un leader Capacité à diriger L action de diriger Le leadership est une capacité reconnue à un membre d un groupe par les autres membres du groupe de pouvoir influencer

Plus en détail

Cette unité d'enseignement comprend les activités d'apprentissage suivantes : SORH1B08INTR Introduction à la GRH 30 h / 2 C

Cette unité d'enseignement comprend les activités d'apprentissage suivantes : SORH1B08INTR Introduction à la GRH 30 h / 2 C Haute École Louvain en Hainaut www.helha.be Année académique 2015-2016 Bachelier en gestion des ressources humaines HELHa Tournai 1 Rue Frinoise 12 7500 TOURNAI Tél : +32 (0) 69 89 05 06 Fax : +32 (0)

Plus en détail

Livre Blanc. Optimiser la gestion et le pilotage des opérations. Août 2010

Livre Blanc. Optimiser la gestion et le pilotage des opérations. Août 2010 Livre Blanc Optimiser la gestion et le pilotage des opérations Août 2010 Un livre blanc édité par : NQI - Network Quality Intelligence Tél. : +33 4 92 96 24 90 E-mail : info@nqicorp.com Web : http://www.nqicorp.com

Plus en détail

PHYSIQUE. 5 e secondaire. Optique PHY-5041-2 DÉFINITION DU DOMAINE D EXAMEN

PHYSIQUE. 5 e secondaire. Optique PHY-5041-2 DÉFINITION DU DOMAINE D EXAMEN PHYSIQUE 5 e secondaire Optique PHY-5041-2 DÉFINITION DU DOMAINE D EXAMEN MAI 1999 Quebec PHYSIQUE 5 e secondaire Optique PHY-5041-2 DÉFINITION DU DOMAINE D EXAMEN MAI 1999 Direction de la formation générale

Plus en détail

Décrets, arrêtés, circulaires

Décrets, arrêtés, circulaires Décrets, arrêtés, circulaires TEXTES GÉNÉRAUX MINISTÈRE DE L INTÉRIEUR Arrêté du 12 mai 2014 relatif au livret d apprentissage des catégories A1, A2 et A du permis de conduire NOR : INTS1409938A Publics

Plus en détail

Les Fiches documentaires du Pôle Etudes et Formation

Les Fiches documentaires du Pôle Etudes et Formation Les Fiches documentaires du Pôle Etudes et Formation Le référentiel d atelier, base indispensable à l approche des compétences professionnelles Benoit Janvier (2014), Ergothérapeute Conseiller Technique,

Plus en détail

Projet : Plan Assurance Qualité

Projet : Plan Assurance Qualité Projet : Document : Plan Assurance Qualité 2UP_SPEC_DEV1 VERSION 1.00 Objet Ce document a pour objectif de définir la démarche d analyse et de conception objet ainsi les activités liées. Auteur Eric PAPET

Plus en détail

L approche processus c est quoi?

L approche processus c est quoi? L approche processus c est quoi? D après FD X50-176 Management des processus (2005) AC X50-178 Management des processus, Bonnes pratiques et retours d expérience (2002) Introduction Termes et définitions

Plus en détail

Nouveaux enjeux de recherche en sécurité routière liés à l'automatisation des véhicules : conséquences sur l'activité de conduite

Nouveaux enjeux de recherche en sécurité routière liés à l'automatisation des véhicules : conséquences sur l'activité de conduite Institut français des sciences et technologies des transports, de l aménagement et des réseaux Nouveaux enjeux de recherche en sécurité routière liés à l'automatisation des véhicules : conséquences sur

Plus en détail

Evaluer des élèves de Seconde par compétences en Sciences Physiques

Evaluer des élèves de Seconde par compétences en Sciences Physiques Evaluer des élèves de Seconde par compétences en Sciences Physiques Introduction Depuis quelques années, le terme de «compétences» s installe peu à peu dans notre quotidien ; aussi bien dans la vie de

Plus en détail

RÉSUMÉ DU TRAVAIL DE DIPLÔME

RÉSUMÉ DU TRAVAIL DE DIPLÔME Filière d'informatique de gestion Travail de diplôme ÉTUDE ORACLE XE & APEX RÉSUMÉ DU TRAVAIL DE DIPLÔME AUTEUR: BRUNO DA COSTA RESPONSABLE DU PROJET: FABRICE CAMUS MANDANT: LABORATOIRE DE GÉNIE LOGICIEL

Plus en détail

PRÉSENTATION DE LA VALISE PÉDAGOGIQUE POUR UNE SITUATION DE «CHANGEMENT TARDIF DE DIRECTION»

PRÉSENTATION DE LA VALISE PÉDAGOGIQUE POUR UNE SITUATION DE «CHANGEMENT TARDIF DE DIRECTION» PRÉSENTATION DE LA VALISE PÉDAGOGIQUE POUR UNE SITUATION DE «CHANGEMENT TARDIF DE DIRECTION» Changement tardif de direction [9] Ce document fait partie d une «valise pédagogique» destinée à la sensibilisation

Plus en détail

PROJET ÉDUCATIF ÉCOLE ASSOMPTION

PROJET ÉDUCATIF ÉCOLE ASSOMPTION PROJET ÉDUCATIF ÉCOLE ASSOMPTION Titre de notre projet : L'estime de soi la clé de la réussite de nos jeunes (adultes en devenir). L'école Assomption se familiarise avec le concept de l'estime de soi.

Plus en détail

LA QUALITE DU LOGICIEL

LA QUALITE DU LOGICIEL LA QUALITE DU LOGICIEL I INTRODUCTION L'information est aujourd'hui une ressource stratégique pour la plupart des entreprises, dans lesquelles de très nombreuses activités reposent sur l'exploitation d'applications

Plus en détail

Ebauche Rapport finale

Ebauche Rapport finale Ebauche Rapport finale Sommaire : 1 - Introduction au C.D.N. 2 - Définition de la problématique 3 - Etat de l'art : Présentatio de 3 Topologies streaming p2p 1) INTRODUCTION au C.D.N. La croissance rapide

Plus en détail

TP3 : ETUDEE ET BIRT. Rapport Business Intelligence Filière 3 : " Systèmes d'information et Aide à la décision "

TP3 : ETUDEE ET BIRT. Rapport Business Intelligence Filière 3 :  Systèmes d'information et Aide à la décision Institut Supérieur d'informatique de Modélisation et de leurs Applications 24, Avenue des Landais BP 10 125 63 173 AUBIERE cedex. Rapport Business Intelligence Filière 3 : " Systèmes d'information et Aide

Plus en détail

Principes de management de la qualité

Principes de management de la qualité Principes de management de la qualité Hassen Ammar, consultant formateur en management PLUS CONSEIL: www.plusconseil.net PLUS CONSEIL ISO 9000 Les 8 huit principes de management Principe 1 Orientation

Plus en détail

Etude de cas. Porter l optimisation au plus haut niveau

Etude de cas. Porter l optimisation au plus haut niveau Etude de cas Porter l optimisation au plus haut niveau Après la mise en oeuvre du Quintiq Company Planner, Vlisco a réduit ses délais de production de 50%. L étape suivante, le déploiement du Scheduler,

Plus en détail

Examen intra LOG3000 Hiver 2014

Examen intra LOG3000 Hiver 2014 Examen intra LOG3000 Hiver 2014 Vendredi le 28 février 2014. Durée : 08h30 à 10h00 (total 1h30). Local : B-415. Total des points : 20. Pondération de l'examen dans la note finale : 35%. Sans documentation,

Plus en détail

Daylight. Management des projets, facteur humain et réussite des projets interactifs

Daylight. Management des projets, facteur humain et réussite des projets interactifs Daylight Management des projets, facteur humain et réussite des projets interactifs Daylight 2004 Management des projets, facteur humain et réussite de projets interactifs 1/5 Synthèse La prise en compte

Plus en détail

Système. Introduction aux systèmes informatiques

Système. Introduction aux systèmes informatiques Introduction aux systèmes informatiques Système Un système est une collection organisée d'objets qui interagissent pour former un tout Objets = composants du système Des interconnexions (liens) entre les

Plus en détail

Appréhender les interfaces utilisateur (UI)

Appréhender les interfaces utilisateur (UI) Aides humaines, techniques animalières et mobilité Utiliser l outil informatique Appréhender les interfaces utilisateur (UI) Qu est-ce que le Hardware et le Software? Hardware (matière dure, le matériel)

Plus en détail

CONSEILS METHODOLOGIQUES POUR LA REDACTION DU SUPPORT POWER POINT POUR L EPREUVE CPPC

CONSEILS METHODOLOGIQUES POUR LA REDACTION DU SUPPORT POWER POINT POUR L EPREUVE CPPC CONSEILS METHODOLOGIQUES POUR LA REDACTION DU SUPPORT POWER POINT POUR L EPREUVE CPPC I. Introduction Comme nous vous l avons expliqué dans le support «Déroulement de l épreuve de CPPC», vous devez produire

Plus en détail

EVALUATION FINALE CVE/071. Projet d appui au Programme national d Emploi et de Formation professionnelle

EVALUATION FINALE CVE/071. Projet d appui au Programme national d Emploi et de Formation professionnelle EVALUATION FINALE CVE/071 Projet d appui au Programme national d Emploi et de Formation professionnelle FICHE SYNTHÉTIQUE Pays Titre long du projet Titre court du projet Code LuxDev Cap-Vert Projet d appui

Plus en détail

Intégration de la flotte privée et du transport sous traité

Intégration de la flotte privée et du transport sous traité Intégration de la flotte privée et du transport sous traité Des coûts réduits et un service de meilleure qualité grâce à l'intégration dynamique et multimode de la flotte privée et du transport sous traité

Plus en détail

L'apprentissage. La majeure partie des conduites sociales n est pas innée mais acquise par apprentissage.

L'apprentissage. La majeure partie des conduites sociales n est pas innée mais acquise par apprentissage. L'apprentissage 1 Définitions a. Approche globale La majeure partie des conduites sociales n est pas innée mais acquise par apprentissage. Un apprentissage est l acquisition d un nouveau savoir. Dans la

Plus en détail

Identification des besoins : la méthode des Focus Group. Définition et descriptif de la méthode

Identification des besoins : la méthode des Focus Group. Définition et descriptif de la méthode Identification des besoins : la méthode des Focus Group Définition et descriptif de la méthode Identifier les besoins des utilisateurs Le Focus Group Le Focus Group est une activité de groupe ayant pour

Plus en détail

Vitesse et distance d arrêt

Vitesse et distance d arrêt Vitesse et distance d arrêt Mathématiques 3e Compétences du Répertoire des connaissances et des comportements des usagers de l espace routier Connaître les risques liés aux conditions météo (freinage,

Plus en détail

Bachelier en Informatique et systèmes Finalité technologie de l'informatique

Bachelier en Informatique et systèmes Finalité technologie de l'informatique Haute École Louvain en Hainaut www.helha.be Année académique 2015-2016 Catégorie Technique Bachelier en Informatique et systèmes Finalité technologie de l'informatique HELHa Tournai 1 Rue Frinoise 12 7500

Plus en détail

Guide de la formation à la gestion et la comptabilité IDECO

Guide de la formation à la gestion et la comptabilité IDECO La connaissance n est pas un objet comme les autres La connaissance est une information à laquelle vous donnez du sens. Ce processus de construction des connaissances est de ce fait très personnel, lié

Plus en détail

COBIT (v4.1) INTRODUCTION COBIT

COBIT (v4.1) INTRODUCTION COBIT COBIT (v4.1) Un référentiel de «bonnes pratiques» pour l informatique par René FELL, ABISSA Informatique INTRODUCTION Le Service Informatique (SI) est un maillon important de la création de valeur dans

Plus en détail

Dossier projet isn 2015 par Victor Gregoire

Dossier projet isn 2015 par Victor Gregoire Dossier projet isn 2015 par Victor Gregoire Plan: I) But du projet: créer un jeu de blackjack fonctionnel et le poster sur une page web mise en ligne. Le jeu sera developpé en C++ a l'aide de code blocks.

Plus en détail

Francq, B. et Maroy, C. (1996). Formation et socialisation au travail. Bruxelles : De Boeck Université.

Francq, B. et Maroy, C. (1996). Formation et socialisation au travail. Bruxelles : De Boeck Université. Compte rendu Ouvrage recensé : Francq, B. et Maroy, C. (1996). Formation et socialisation au travail. Bruxelles : De Boeck Université. par Pierre Doray Revue des sciences de l'éducation, vol. 24, n 2,

Plus en détail

Quelques conseils pour le choix des indicateurs

Quelques conseils pour le choix des indicateurs IDENTIFIER LES INDICATEURS ET LES CIBLES Pourquoi se doter d indicateurs de suivi Étant donné l aspect dynamique du contexte dans lequel s inscrit votre projet, il est important de mesurer de façon continue

Plus en détail

NOTE D INFORMATION ETUDES DE SÉCURITÉ EN INTERSECTION AVEC LE LOGICIEL SECAR

NOTE D INFORMATION ETUDES DE SÉCURITÉ EN INTERSECTION AVEC LE LOGICIEL SECAR NOTE D INFORMATION Circulation Sécurité Equipement Exploitation Auteur : SETRA - CSTR 113 ETUDES DE SÉCURITÉ EN INTERSECTION AVEC LE LOGICIEL SECAR Editeur : Mars 1998 Le logiciel SECAR est un système

Plus en détail

Université de Bangui. Modélisons en UML

Université de Bangui. Modélisons en UML Université de Bangui CRM Modélisons en UML Ce cours a été possible grâce à l initiative d Apollinaire MOLAYE qui m a contacté pour vous faire bénéficier de mes connaissances en nouvelles technologies et

Plus en détail

Evelina NASONOVA. Introduction :

Evelina NASONOVA. Introduction : MEMOIRE SCHEMA DIRECTEUR DEVELOPPEMENT DURABLE POUR UNE USINE RENAULT DANS LE MONDE SOUTENU LE 21 NOVEMBRE 2006 A L ECOLE NATIONALE DES PONTS ET CHAUSSEES Evelina NASONOVA Ce travail a été réalisé au sein

Plus en détail

Le Répertoire National des Certifications Professionnelles (RNCP) Résumé descriptif de la certification

Le Répertoire National des Certifications Professionnelles (RNCP) Résumé descriptif de la certification 1 sur 8 26/09/2013 16:49 Le Répertoire National des Certifications Professionnelles (RNCP) Résumé descriptif de la certification Intitulé Licence : Licence Sciences, technologies, santé mention Informatique

Plus en détail

Mission de pédagogie universitaire Université Saint-Joseph Glossaire 1

Mission de pédagogie universitaire Université Saint-Joseph Glossaire 1 glossaire Les définitions succinctes, présentées dans ce glossaire, sont, en grande partie, tirées des chapitres du Manuel. Elles sont en harmonie avec les références relatives au Processus de Bologne.

Plus en détail

ADAPTER LA METHODE AUX OBJECTIFS DE L ENQUETE

ADAPTER LA METHODE AUX OBJECTIFS DE L ENQUETE Déchets : outils et exemples pour agir Fiche méthode n 1 www.optigede.ademe.fr ADAPTER LA METHODE AUX OBJECTIFS DE L ENQUETE Origine et objectif de la fiche : Les retours d expérience des collectivités

Plus en détail

PROJET DE FIN D ÉTUDES Asservissement visuel d un robot parallèle à câbles pour la réalisation d une fresque verticale de grande taille

PROJET DE FIN D ÉTUDES Asservissement visuel d un robot parallèle à câbles pour la réalisation d une fresque verticale de grande taille Résumé de PFE PROJET DE FIN D ÉTUDES Asservissement visuel d un robot parallèle à câbles pour la réalisation d une fresque verticale de grande taille Introduction Dans le domaine de la robotique, la robotique

Plus en détail

Canevas concernant la formation individualisée encadrée

Canevas concernant la formation individualisée encadrée Canevas concernant la A Description générale La formation individualisée se déroule en deux temps dans le même groupe. Une période d observation (3 séances) est suivie d une période de co-animation (6

Plus en détail

Épreuve n 11 : contrôle de gestion

Épreuve n 11 : contrôle de gestion Épreuve n 11 : contrôle de gestion Nature : épreuve écrite portant sur l étude d une ou de plusieurs situations pratiques et/ou un ou plusieurs excercices et/ou une ou plusieurs questions. Durée : 4 heures.

Plus en détail

différence groupe-conseil en statistique

différence groupe-conseil en statistique Vais-je atteindre mon objectif cette année? Par Martin Carignan, associé chez Différence www.difference-gcs.com Contexte Les gestionnaires sont souvent évalués sur des résultats mesurés par des indicateurs

Plus en détail