Surveillance temps-réel des systèmes Homme-Machine. Application à l assistance à la conduite automobile

Transcription

1 Survellance temps-réel des systèmes Homme-Machne. Applcaton à l assstance à la condute automoble Mguel Gonzalez-Mendoza To cte ths verson: Mguel Gonzalez-Mendoza. Survellance temps-réel des systèmes Homme-Machne. Applcaton à l assstance à la condute automoble. Computer Scence. INSA de Toulouse, 004. French. <tel > HAL Id: tel Submtted on 5 Nov 008 HAL s a mult-dscplnary open access archve for the depost and dssemnaton of scentfc research documents, whether they are publshed or not. The documents may come from teachng and research nsttutons n France or abroad, or from publc or prvate research centers. L archve ouverte plurdscplnare HAL, est destnée au dépôt et à la dffuson de documents scentfques de nveau recherche, publés ou non, émanant des établssements d ensegnement et de recherche franças ou étrangers, des laboratores publcs ou prvés.

2 Année 004 THÈSE Présentée au Laboratore d Analyse et d Archtecture des Systèmes du CNRS En vue de l obtenton du ttre de Docteur de l Insttut Natonal des Scences Applquées de Toulouse Spécalté Systèmes Automatques par Mguel GONZALEZ MENDOZA Survellance temps réel des systèmes Homme Machne. Applcaton à l assstance à la condute automoble Soutenue le 6 Jullet 004, devant le jury : Drecteurs de thèse : Présdent : Rapporteurs : Examnateur : Invtés : André TITLI Professeur à l INSA de Toulouse Nel HERNANDEZ-GRESS Professeur à l ITESM CEM Danel ESTEVE Drecteur de recherche LAAS-CNRS Domnque MEIZEL Professeur à l ENSIL José Armando HERRERA-CORRAL Professeur à l ITESM CT Bruno JAMMES Maître de conférences à l UPS Serge BOVERIE Dr. Semens VDO Automotve S.A.S. Jérôme THOMAS Dr. ACTIA

3

4 A mon épouse Berence et à nos futurs Enfants A mes parents Mays et Mguel A mes frères Maurco et Mlton A toute ma Famlle et à mes Ams

5

6 Avant Propos Les travaux présentés dans cette thèse sont le résultat des recherches réalsées dans le Laboratore d Analyse et d Archtecture des Systèmes du Centre Natonal de la Recherche Scentfque, LAAS- CNRS, dans les groupes de recherche Dagnostc, Supervson et Condute qualtatfs, DISCO, et Mcrosystèmes et Intégraton des Systèmes, MIS. Je remerce à Monseur Jean-Claude LAPRIE et à Monseur Malk GHALLAB, ancen et actuel drecteur du LAAS, de m avor accuell dans cet établssement. J exprme toute ma grattude et reconnassance à mon drecteur de thèse Monseur André TITLI, Professeur à l Insttut Natonal des Scences Applquées de Toulouse, INSA, et cadre Scentfque au LAAS-CNRS, pour sa confance et son amté toute au long de ces années de traval. Sa forme très partculère d écouter, de dscuter et de proposer des dées clares et précses, a su drger sagement les mouvements de ce jeune chercheur, en me donnant, en même temps, un grand nveau d autonome et une manère plus élarge d apprécer le monde. Je lu remerce également de m avor mantenu sur la voe de la représentaton à partr de la connassance, notamment sur les systèmes d nférence flous, pour lesquels je voyas mons d ntérêt que pour la représentaton à partr des données. J adresse tous mes remercements à Monseur Nel HERNANDEZ GRESS, Professeur à l Insttut Technologque et d Etudes Supéreurs de Monterrey, ITESM, campus Estado de Mexco et codrecteur de thèse, de m avor soutenu tant au nveau scentfque comme au nveau personnel. Nos ntermnables dscussons sur l apprentssage, les réseaux de neurones, ans que sur la survellance du conducteur automoble et d autres nnombrables thèmes scentfques et personnelles, ont beaucoup apporté au déroulement de ces travaux. J espère que nos travaux conjonts ouvrront une vaste voe de recherche et que l on pourra développer, de manère toujours conjonte, au Mexque. Je remerce tout partculèrement Monseur Danel ESTEVE, Drecteur de Recherche CNRS, pour avor accepté la présdence de mon jury de thèse. Je lu remerce également pour nos nnombrables dscussons sur l hypovglance du conducteur et de m avor témogné toute sa confance dans le déroulement du projet Européen AWAKE et du projet Natonal PREDIT. J admre sa versatlté pour aborder n mporte quel sujet scentfque et pour gérer une quantté consdérable de traval «Chapeau!». Je sus reconnassant envers Monseur Domnque MEIZEL, Professeur à l Ecole Natonale Supéreure d'ingéneurs de Lmoges, ENSIL, ancen responsable du Groupe de Recherche Coopératon Homme Machne pour l Ade à la Condute, CHMAC, pour le professonnalsme avec lequel l a jugé mon traval de thèse, en tant que rapporteur. Ses remarques et commentares, lors du workshop AWAKE à Pars et du manuscrt lu-même, m ont adé à l améloraton des travaux. Mes remercements vont auss à Monseur José Armando HERRERA CORRAL, Professeur à l Insttut Technologque et d Etudes Supéreurs de Monterrey, ITESM, campus Toluca, pour avor accepté la lourde tâche de rapporteur. Ses remarques et nos dscussons sur l Intellgence Artfcelle, ont contrbué à l améloraton du manuscrt. C est grâce à lu que j a eu un premer aperçu de la Recherche Scentfque, du LAAS et de la France en générale. Je lu remerce pour son amté, ses consels et son

7 Avant Propos souten dans toutes les démarches admnstratves devant l ITESM, pour le Mastare, et le CONACyT, pour le DEA et le Doctorat. Je sus très reconnassant envers Monseur Bruno JAMMES, Maître de conférences à l'unversté Paul Sabater à Toulouse, pour l ensemble des travaux conjonts afn de mettre au pont le module de dagnostc de l hypovglance du conducteur automoble LAAS. Nos journées entères à vérfer le fonctonnement de l analyse en ondelettes et la constructon des caractérstques pertnentes au dagnostc de l hypovglance, ont donné ses fruts. Je lu remerce pour son amté, son souten, sa confance et l ntérêt qu l a porté à juger ce manuscrt. Un grand merc à Monseur Serge BOVERIE, responsable des Développements Avancés chez SIEMENS VDO Automotve et responsable du projet PREDIT, pour le temps qu l a passé à étuder mon manuscrt et pour les actvtés en commun qu l a géré pour les projets AWAKE et PREDIT. Il a su toujours guder les développements pour qu ls soent les plus compatbles possble avec les contrantes ndustrelles. Je remerce nfnment à Monseur Jérôme THOMAS, responsable des Développements des Dagnostcs chez ACTIA S. A., d avor accepté mon nvtaton pour fare parte de ce jury de thèse. Je lu remerce également pour toutes ses remarques lors du développement pour le fonctonnement temps réel du module de dagnostc LAAS. Son ade a été préceuse, partculèrement lors des quelques essas sur le camon Actros, dans le cadre du projet AWAKE, auxquels l m a nvté, afn de vérfer le fonctonnement de notre algorthme de dagnostc en lgne et l amélorer. Au LAAS j exprme ma reconnassance envers : Monseur Joseph AGUILAR-MARTIN, drecteur du Laboratore Européen LEA-SICA et ancen drecteur du groupe DISCO, de m avor toujours adé et supporté pour réalser les séjours en Catalogne et partcper aux dfférentes conférences. Son grand enthousasme, bonne humeur et dsponblté a crée une bonne ambance entre nos camarades. Madame Anne-Mare GUE, drecteur du groupe MIS, pour m avor toujours adé à effectuer les mssons au cours de ces années pour les projets. Madame Louse TRAVE-MASSUYES, drecteur du groupe DISCO, de m avor également soutenue lors des dfférentes mssons et de m avor nvté à partcper au réseau MONET. Je lu remerce également pour sa dsponblté et ces commentares par rapport au dagnostc. Monseur Alfredo SANTANA DIAZ, pour nos collaboratons sur la détecton de la basse de la vglance du conducteur et pour m avor ntrodut au monde des ondelettes. Monseur Sébasten BEYOU, stagare de DEA, pour sa contrbuton à ce traval de thèse. Mes collègues du groupe DISCO et MIS qu ont contrbué, avec son bon humeur à rendre plus convval mon séjour au LAAS : Tatana KEMPOWSKY, Juan Carlos HAMMON, Codrutsa BILEGAN, Therry MIQUEL, Vctor Hugo GRISALES, Clauda ISAZA, Antono ORANTES, Héctor HERNANDEZ, Jean Charles ATINE, Amed MOKHTARI, Sébasten REGIS, Patrck ABGRALL, Edouard DIEZ, Un grand merc au servce de documentaton, au servce de reproducton et au magasn pour leur constante dsponblté et amablté. Je tens également à remercer la geston du personnel et la geston fnancère pour leur amablté et effcacté. A mes camarades et ams du DEA Julen PETTRE et Patrce LANGOUET. A tous ceux dont le nom m échappe et que j a pu côtoyer dans ce grand laboratore et dont la lste serat trop longue. Ce traval a été effectué dans le cadre du programme Européen AWAKE et du projet natonal PREDIT. Les dées émanées des longues journées de dscusson sont ntégrées dans cette thèse. Je tens à remercer le consortum Européen et à nos partenares de m avor permt partcper à ces projets. Une pensée spécale pour :

8 Alan GIRALT, Dr. SIEMENS VDO Automotve, pour nos travaux communs et nos longues dscussons sur le dagnostc de l hypovglance du conducteur automoble. Je lu remerce également pour l amté et la confance qu l m a témognée. Evangelos BEKIARIS, chercheur de l Insttut Hellénque du Transport en Grèce et responsable du projet Européen AWAKE, pour la confance et son support au cours de ces tros années de traval conjont. Alan MUZET, drecteur du Centre de Physologe Applquée du CNRS, CEPA-CNRS, pour son amté, sa confance et ses remarques afn de construre une référence physologque fable pour valder le système de dagnostc. Stella NIKOLAU, Ars POLYCHRONOPOULUS, Björn PETERS, Anna ANAUD, Claudo ANTONELLO, Karel BROOKHUIS, Dck DEWAARD, Rno BROUWER et tous nos autres partenares qu ont rendu le traval plus agréable et effcace. Sans eux, AWAKE n auras jamas été possble. J exprme toute ma grattude à mes ams et collègues à Toulouse. Ils ont été un fort souten pour Berence et pour mo pendant ces années en France ; Elva PALACIOS, Elsa RUBIO, Efraín LOPEZ, Clauda JARAMILLO, Antono MARIN et Andrea GALLARDO, César ZAMILPA et Dense Da LUZ, Gerardo Alejandro VELAZQUEZ et Ana HERNANDEZ, Juan Carlos ZUÑIGA et Sofía BERUMEN, Gustavo ARECHAVALETA et Margarta GUTIERREZ, Alfredo SANTANA et Marquídea PACHECO, Maro Alan GONZALEZ et Nazareth TELLEZ, Saul POMARES et Letta VALDES, Roberto REYNA et Danela DRAGOMIRESCU, Nel HERNANDEZ et Teresa OSORIO, Martín MOLINA et Yusdva ROMAN, Efraín JAIME et Martha HINOJOSA. Merc aux mllons de mexcans qu, par l ntermédare du CONACyT et de la SEP, ont partcpé avec leur souten fnancer. Je ne pourra jamas fnr de remercer ma chquta, Bere pour m avor soutenu et supporté, partculèrement dans les moments dffcles. Sa détermnaton, son courage et sa compréhenson ont été pour mo une source népusable de motvaton pour contnuer. Nous venons d aboutr une premère étape dans notre ve et nous commençons une autre avec l espor de cmenter un avenr plus solde pour nos futurs enfants et de pouvor contrbuer, dans la mesure du possble, avec notre pett gran de sable pour un monde melleur. Fnalement, merc à mes parents Mays et Mguel de m avor soutenu et gudé dans tous les moments crucales dans ma ve. Même s la ve est dure, ls nous ont fat vor, à mes frères et mo, qu elle est plene de satsfactons, s on traval dure et honnêtement. Ils sont un exemple à suvre et je leur en remerce nfnment. Merc à mes frères Maurco et Mlton. Ils ont toujours été un grand support pour mo, une compagne dans la ve que j appréce énormément et que j espère pouvor partager avec nos propres famlles.

9 v Avant Propos

10 v Table des Matères Table de Matères......v Table de Fgures....x Abrévatons.....x Introducton.... Chaptre I Facteurs mplqués dans la survellance de l opérateur human dans les systèmes homme machne I. Introducton...6 I. Les systèmes complexes...6 I.. L mpact de l automatsaton dans les systèmes complexes...7 I... Avantages de l automatsaton...7 I... Inconvénents de l automatsaton...7 I.. Les nteractons homme système...8 I... Coopératon homme système...8 I... Partage de tâches...0 I.3 Défallances dans les systèmes homme machne... I.3. La performance humane dans l nteracton homme machne... I.3. Charge de traval... I.3.3 Conscence de la stuaton... I.3.4 Survellance de système...3 I.3.5 Traval d équpe...4 I.3.6 Confance...4 I.3.7 Utlsablté et acceptaton...5 I.3.8 Erreur humane...5 I.4 Métrques sur la performance humane...6 I.4. Mesures physologques...6 I.4.. L actvté cérébrale...7 I.4.. L actvté cardaque...8 I.4..3 L actvté oculare...8

11 v Table des Matères I.4. Mesures subjectves...9 I.4.. Autoévaluaton nstantanée...0 I.4.. Technque subjectve d évaluaton de charge de traval...0 I.4..3 Indce de charge de la tâche...0 I.4..4 Echelle d endormssement Karolnska...0 I.4.3 Mesures de performance... I.4.3. Métrques de performance de la charge de traval... I.4.3. Mesures de la charge de tâche... I.5. Survellance des systèmes homme machne...3 I.5. Les systèmes d assstance ntellgents...4 I.6 Concluson...4 Chaptre II Le prétratement des sgnaux, l analyse temporelle et fréquentel et extracton de caractérstques II. L ntérêt du prétratement...8 II. Analyse en temps contnu...8 II.. Fltrage lnéare statonnare...9 II.. La transformée de Fourer...9 II.3 La révoluton dscrète...30 II.3. L échantllonnage des sgnaux analogques...3 II.3. Fltres dscrets...3 II.3.. Fltrage lnéare statonnare dscret...3 II.3.. Sére de Fourer...33 II.3.3 Sgnaux fns...34 II.3.3. Convolutons crculares...34 II.3.3. Transformée de Fourer dscrète...34 II Transformée de Fourer rapde...35 II Convolutons rapdes...36 II.4 L analyse temps fréquence...36 II.4. Atomes temps fréquence...36 II.4. Transformée de Fourer à fenêtre...37 II.4.. Chox de la fenêtre...38 II.4.. Transformée de Fourer à fenêtre rapde...39 II.4.3 Transformée en ondelettes...39 II.4.3. Transformée en ondelettes dscrète...4 II.4.3. Transformée en ondelettes dyadques...4 II.4.4 Analyse en ondelettes...4 II.4.4. Régularté...4 II.4.4. Maxma de la transformée en ondelettes et détecton de sngulartés...43 II.4.5 Bases d ondelettes...44 II.5 Extracton de caractérstques...45 II.5. Analyse statstque...45 II.5.. Statstques du premer ordre...45 II.5.. Statstques du deuxème ordre...46 II.5. Analyse spectrale...46 II.5.3 Fenêtres d analyse...47 II.5 Concluson...47

12 v Chaptre III Technques d apprentssage et d ntellgence artfcelle pour la modélsaton de systèmes complexes III. Introducton...5 III. Modélsaton à partr des données...5 III.. L apprentssage statstque...5 III... Les machnes d apprentssage...5 III... Les fonctons de perte et la mnmsaton du rsque...5 III...3 Les tros problèmes prncpaux d apprentssage...5 III...4 Les prncpes d nducton...5 III.. Les machnes d apprentssage classques : l approche neuronale...55 III... Les machnes lnéares...55 III... Les machnes non lnéares...59 III...3 L estmaton de la densté...63 III...4 Remarques...66 III..3 Les machnes à vecteurs de support SVM...67 III..3. Règles de décson non lnéares...67 III..3. SVM pour la reconnassance de formes...69 III..3.3 SVM pour la régresson...7 III..3.4 SVM pour l estmaton de la densté...73 III..3.5 Remarques...74 III..4 Le mécansme d apprentssage des SVM...74 III..4. Caractérstques du problème d optmsaton quadratque SVM...74 III..4. Les algorthmes d optmsaton des problèmes quadratques...75 III..4.3 Implémentaton des SVM...78 III..4.4 Applcaton des SVM sur des bases de données...80 III.3 Modélsaton à partr de la connassance...8 III.3. Généraltés sur l ntellgence artfcelle...8 III.3.. Agents ntellgents...8 III.3.. Systèmes Experts...8 III.3. Les systèmes d nférence flous...83 III.3.3. Eléments d un système d nférence flou...83 III.3.3. Généraltés sur la logque floue...84 III Le mécansme de fuzzfcaton, d nférence et de défuzzfcaton...86 III Types de modèles flous...89 III Génératon de règles à partr de l expertse...94 III.4 Modélsaton à partr de la connassance et les données...94 III.4. Modèles flous conventonnels avec apprentssage...94 III.4.. Chox du nombre d ensembles flous...95 III.4.. Paramétrsaton des règles...95 III.4. Modèles neuro flous...96 III.4.. Les algorthmes de groupage par données (clusterng)...96 III.4..3 Le groupage SVM...98 III.4..4 Intalsaton des algorthmes de groupage...99 III.4.3 Identfcaton des modèles TS pour des systèmes MIMO...00 III.4.3. Structure d un modèle flou TS pour des systèmes MIMO...00 III.4.3. Méthode d dentfcaton...0 III Exemple d dentfcaton...0 III.5 Concluson...04

13 v Table des Matères Chaptre IV Le problème de la survellance du conducteur automoble. Les projets AWAKE et PREDIT IV. Introducton...07 IV.. Les enjeux de la sécurté routère...07 IV. Les systèmes d assstance à la condute...09 IV.. Taxonome des systèmes d assstance à la condute...09 IV..3 La tâche de condute...0 IV..3. Les capteurs de poston latérale et le contrôle assocé... IV..3. Les capteurs de dstance longtudnale et le contrôle assocé... IV.3 La survellance du conducteur automoble... IV.3. Généraltés... IV.3.. Mesures drectes du nveau de vglance... IV.3.. Mesures drectes de la performance de la condute...4 IV.3. Blan sur les systèmes de survellance du véhcule/conducteur...6 IV.3.. Quelques systèmes de survellance de la condute et de l état du conducteur...7 IV.3.. L analyse synthétque...4 IV.4 Les projets de recherche...5 IV.4. Le programme Européen AWAKE (Septembre 00 Septembre 004)...6 IV.4. Le projet natonal Hypovglance du Conducteur PREDIT (Mars 00 Mars 004)6 IV.4.3 Archtectures de fonctonnement...7 IV.4.3. L archtecture AWAKE...7 IV.4.3. L archtecture PREDIT...8 IV.5 Les essas...9 IV.5. Moyens expérmentaux...9 IV.5. Les campagnes d essas...3 IV.5.. Les essas sur démonstrateurs...3 IV.5.. Les essas sur smulateurs...33 IV.6 Développement du module de dagnostc de stuatons à rsque...34 IV.6. Archtecture du module de dagnostc de stuatons à rsque...34 IV.6. Module de Dagnostc Événementelle basé sur le temps de sorte de voe...35 IV.6.3 EDM basé sur vbreur de bord de route adaptatf...35 IV.6.4 Comparasons des dfférents approches EDM...38 IV.7 Détecton de l hypovglance du conducteur automoble...4 IV.7. Archtecture du module de détecton de l Hypovglance...4 IV.7.. Archtecture du HDM performance...4 IV.7.. Analyse temporelle et fréquentelle des sgnaux...43 IV.7..3 Fuson des caractérstques...46 IV.7..3 Dagnostc cumulé...47 IV.7. Evaluaton du HDM performance...48 IV.7.. Mesures de référence de la vglance...48 IV.7.. Valdaton...49 IV.7..3 Résultats...5 IV.8 Concluson...6 Concluson Générale Bblographe

14 x Table de Fgures Chaptre I Facteurs mplqués dans la survellance de l opérateur human dans les systèmes homme machne Fgure I. : Performance d un système homme machne comme une foncton des nveaux d autonome....0 Fgure I. : Métrques sur la performance humane : mesures physologques, mesures subjectves et mesures de performance...6 Fgure I.3 : Charge de traval et performance en 6 régons. Dans la régon D (désactvaton) l état de l opérateur est affecté. Dans la régon A, la performance est optmale, l opérateur peut se «débrouller» faclement avec les requêtes de la tâche. Dans les régons A et A3, la performance n est pas affectée mas l opérateur dot exercer plus d effort pour mantenr le nveau de performance. Dans la régon B, ce n est plus possble et la performance se dégrade, pendant que dans la régon C la performance est dans un nveau mnmum : l opérateur est surchargé...3 Fgure I.4 : Structure d un système homme machne survellé...3 Chaptre II Le prétratement des sgnaux, l analyse temporelle et fréquentel et extracton de caractérstques Fgure II. : Schéma d un système de percepton et de prétratement du sgnal...8 Fgure II. : (a) Sgnal x et sa transformée de Fourer x^. (b) Un échantllonnage unforme de rend sa transformée de Fourer pérodque. (c) Passe bas déal. (d) Le fltrage de (b) par (c) reconsttue x....3 Fgure II.3 : (a) Sgnal x et sa transformée de Fourer x^. (b) Replement spectral dû à un recouvrement des x^( k/t) pour dfférentes valeurs k (en pontllés). (d) Le fltrage de (b) par (c) génère un sgnal à base fréquence qu dffère de x...3 Fgure II.4 : Boîte de Hesenberg représentant un atome temps fréquence Fgure II.5 : Boîte de Hesenberg de deux atomes de Fourer à fenêtre g u, et g,...38 Fgure II.6 : a) L étalement de g est mesuré par sa largeur de bande et par l ampltude de ses lobes latéraux, stuées en = 0. b) Fenêtres g de support [ ½,½] : Hammng, Gaussenne, Hannng et Blackman Fgure II.7 : Boîte de Hesenberg de deux atomes de Fourer à fenêtre g u, et g,...40 Fgure II.8 : Ondelette «chapeau mexcan» pour = et sa transformée de Fourer...4 Fgure II.9 : Transformée en ondelettes réelle calculée avec une ondelette en chapeau mexcan. Les axes vertcaux et horzontaux représentent respectvement log s et u. Les échelles les plus fnes sont en haut. Les coeffcents nuls correspondent à du nor, donc à des partes régulères...4 Fgure II.0 : Modules maxmaux de Wx(u,s) de l exemple de la Fgure II

15 x Table des Fgures Chaptre III Technques d apprentssage et d ntellgence artfcelle pour la modélsaton de systèmes complexes Fgure III. : a) Estmaton d une foncton par un hyperplan, décrvant seulement les dépendances lnéares, et par une courbe snus de haute fréquence, approxmant la foncton en ses échantllons mas sans la décrre réellement. b) La borne réelle du rsque est un comproms entre le rsque emprque (erreur d apprentssage) et l ntervalle de confance (capacté de l ensemble de fonctons S k utlsées)...54 Fgure III. : a) Le neurone bologque et b) le perceptron...55 Fgure III.3 : Les fonctons d actvaton les plus utlsées. De gauche à drote : sgmoïdale, gaussenne, tangente hyperbolque et snusoïdale Fgure III.4 : Des fonctons de perte et leurs modèles de densté correspondants. De gauche à drote : gaussenne, Laplacenne, robuste de Huber et nsensble...57 Fgure III.5 : Exemple de perceptron multcouche (tros couches cachées) Fgure III.6 : La constructon d hyperplans séparateurs dans l espace des caractérstques est équvalente à la constructon de fonctons de décson non lnéares dans l espace d entrée. Donc, des données lnéarement nséparables dans l espace d entrée peuvent être lnéarement séparées dans l espace des caractérstques...68 Fgure III.7 : L hyperplan séparateur optmal (avec la plus grande marge) est unque et peut être défn à l ade des vecteurs de support (entourés). Dans le cas non lnéarement séparable, le ème pont a une varable de relaxaton assocée représentant l ampltude de l erreur de classfcaton Fgure III.8 : L estmaton de la régresson à vecteurs de support utlsant la foncton de perte -nsensble. Les vecteurs de support (avec 0< <C), entourés, sont dans à partr de l hyperplan. Les autres vecteurs sont dans la zone (avec =0) où hors zone (avec =C)....7 Fgure III.9 : L estmaton de densté construte à partr de l hyperplan séparateur optmal, défn à l ade des vecteurs de support (entourés) Fgure III.0 : Schéma général de l archtecture d un système expert...8 Fgure III. : Composants basques d un système d nférence flou...83 Fgure III. : Fonctons d appartenance : sngleton, trangulare, trapézoïdale, gaussenne Fgure III.3 : Modfcateurs lngustques : plus ou mons pett, pas très pette, plutôt grande...85 Fgure III.4 : Parttonnement à l ade des fonctons trapézoïdales sur, avec k =3 pour la varable x et k =3 pour la varable x. Le parttonnement de l espace d entrée est composé de neuf règles. Les ares grsées de la parte basse de la fgure montrent les régons de recouvrement des ensembles flous...87 Fgure III.5 : Parttonnement par groupage (clusterng) à l ade de tros ensembles flous multdmensonnels A, A, et A 3, et leur projecton respectve sur chaque axe pour leur nterprétaton lngustque. Seulement tros règles exstent...87 Fgure III.6 : Représentaton du mécansme d nférence max mn (Mamdan). A est l ensemble flou d entrée et B est l ensemble flou de sorte. La défuzzfcaton de B par COG est y g et par MOM est y m.90 Fgure III.7 : Modèle flou relatonnel dans, avec k =3 pour la varable x et k =3 pour la varable x. La relaton R du parttonnement de l espace d entrée est composée d un total de neuf règles...9 Fgure III.8 : Modèle flou Takag Sugeno dans, avec k =3 pour la varable x et k =3 pour la varable x. La partton de l espace d entrée est composée de neuf règles (bas). La sorte y est une approxmaton lnéare par morceaux d une foncton non lnéare (haut) Fgure III.9 : Normes des dstances : Eucldenne (cercle), Mahalonobs (ellpsoïde orenté) et SVM (ensemble non convexe)...98 Fgure III.0 : La groupage soustractf (de gauche à drote) : l ensemble aléatore de 00 ponts, les groupes dentfés et leurs centres (entourés), les fonctons d appartenance gaussennes Fgure III. : Entrée pour l dentfcaton : relaton de dluton des eaux usées. Sortes pour l dentfcaton : bomasse, substrat énergétque et substrat xénobotque...0 Fgure III. : Comparason entre la sorte du processus et les sortes FCM-Flou, GK-Flou et SVM-Flou....03

16 x Chaptre IV Le problème de la survellance du conducteur automoble. Les projets AWAKE et PREDIT Fgure IV. : L automoble et quelques sous-systèmes.. 09 Fgure IV. : Modèle fonctonnel de condute automoble.... Fgure IV.3 : Vue générale du ELS...4 Fgure IV.4 : Extracton de l ndce VHAL. SH représente la zone de mouvements lents et MH représente la zone de mouvements rapdes...5 Fgure IV.5 : Le temps de sorte de voe, tlc. haut) tlc gauche, mleu) poston latérale, bas) tlc drot...6 Fgure IV.6 : Système de détecton de somnolence de Toyota....7 Fgure IV.7 : Système de détecton de somnolence et d nattenton et système de support de manten du véhcule sur la voe de Nssan...8 Fgure IV.8 : Le système SafeTRACK....8 Fgure IV.9 : Système de détecton de somnolence de DC...9 Fgure IV.0 : Capteur de suv du regard de DC....9 Fgure IV. : Le système ntellgent d ade au conducteur de Honda...0 Fgure IV. : Système de détecton PERCLOS....0 Fgure IV.3 : Smulateur de condute VIRTEX de Ford et le premer système LDW commercalsé massvement en Amérque.... Fgure IV.4 : Système de suv du regard de Delph.... Fgure IV.5 : Schéma fonctonnel AWAKE....8 Fgure IV.6 : Schéma fonctonnel PREDIT....8 Fgure IV.7 : Véhcule d expérmentaton CopTech, LAAS-CNRS....9 Fgure IV.8 : Véhcule d expérmentaton Laguna, Semens-VDO...30 Fgure IV.9 : Smulateur de condute PAVCAS, CEPA-CNRS Fgure IV.0 : Smulateurs de condute automoble également partcpant dans le projet AWAKE...3 Fgure IV. : Les véhcules démonstrateur AWAKE....3 Fgure IV. : Schéma fonctonnel du module de détecton de stuatons à rsque Fgure IV.3 : a) Fonctons d appartenance d entrée pour la dstance latérale et y ( close et far ). b) Fonctons d appartenance d entrée pour la premère dérvée de la dstance latérale y ( small, med et large ). c) Fonctons d appartenance d entrée pour le temps de correcton t nc ( short et long )...37 Fgure IV.4 : a) Fonctons d appartenance de sorte pour VRBS adj ( tgthten, none et wden ). b) Exemple de réglage du VRBS utlsant y et y seulement...38 Fgure IV.5 : Exemple de la trajectore du véhcule, montrant l effet du VRBS (lgne en tré long) et du VRBS (lgne en tré court) pour le conducteur C3. Le carré représente un avertssement du vbreur placé à 0.5 m. et le trangle un avertssement du tlc...40 Fgure IV.6 : Le VRBS (lgne en tré cout), comparé à l évoluton du VRBS (lgne en tré long), génère un avertssement (cercle) pour le conducteur C3. Il n y a pas d avertssement du vbreur à 0.5 m. mas une détecton du tlc (trangle)....4 Fgure IV.7 : Schéma fonctonnel du module de détecton de l Hypovglance....4 Fgure IV.8 : Schéma fonctonnel du module HDM performance...43 Fgure IV.9 : a) Spectre en fréquence de la poston latérale pour un conducteur typque. b) Echelles d analyse défnes par l ondelette B-splne...44 Fgure IV.30 : a) Spectre en fréquence de l angle du volant pour un conducteur typque. b) Echelles d analyse défnes par l ondelette B-splne Fgure IV.3 : Détecton de ruptures dans la poston latérale (LP) et l angle du volant (SWA) utlsant l ondelette B-Splne Fgure IV.3 : Exemple à deux dmensons de la constructon de la classe normale. a) Borne apprse par les SVM b) Modèle de densté assocée...46

17 x Table des Fgures Fgure IV.33 : Hypothèse de récupératon de la vglance lors de une phase de basse vglance observée Fgure IV.34 : Influence du nombre de non détectons par rapport à la fréquence...49 Fgure IV.35 : Coeffcent de corrélaton de l ensemble formé par les caractérstques de condute et les références (bornes extrêmes). La lgne dagonale représente le nveau (corrélaton d une varable par rapport à elle-même) Fgure IV.36 : Résultats pour le conducteur C0...5 Fgure IV.37 : Résultats pour le conducteur C Fgure IV.38 : Résultats pour le conducteur C Fgure IV.39 : Résultats pour le conducteur C Fgure IV.40 : Résultats pour le conducteur C Fgure IV.4 : Résultats pour le conducteur C Fgure IV.4 : Résultats pour le conducteur C Fgure IV.43 : Résultats pour le conducteur C Fgure IV.44 : Résultats pour le conducteur C Fgure IV.45 : Résultats pour le conducteur C0.. 6

18 x Abrévatons Chaptre I Facteurs mplqués dans la survellance de l opérateur human dans les systèmes homme machne ANS système nerveux autonome autonomc nervous system CNS système nerveux central central nervous system ECG électrocardogramme electrocardogram EEG électroencéphalogramme electroencephalogram EOG électrooculogramme electrooculogram HMI nteracton homme machne human machne nteracton HP pérode du coeur heart perod HR fréquence cardaque heart rate IBI l ntervalle ntra battement nter-beat nterval PNS système nerveux parasympathque parasympathetc nervous system KSS échelle d endormssement Karolnska Karolnska sleepness scale PNS système nerveux pérphérque pherperal nervous system SNS système nerveux sympathque sympathetc nervous system Chaptre II Le prétratement des sgnaux, l analyse temporelle et fréquentel et extracton de caractérstques DFT transformée de Fourer dscrète dscret Fourer transform DWT transformée en ondelettes dscrète dscret wavelet transform F transformée de Fourer Fourer transform FFT transformée de Fourer rapde fast Fourer transform FIR fltres à réponse fne fnte mpulse response IIR fltres à réponse nfne nfnte mpulse response STFT transformée de Fourer à court terme short-tme Fourer transform W transformée en ondelettes wavelet transform Chaptre III Technques d apprentssage et d ntellgence artfcelle pour la modélsaton de systèmes complexes ANFIS système d nférence flou basé sur des réseaux adaptatfs adaptve-network-based fuzzy nference system ANN réseaux de neurones artfcels artfcal neural networks COG centre de gravté center of gravty DF foncton de décson où foncton dscrmnante decson functon or descrmnant functon EM maxmsaton de l espérance expectaton maxmzaton EQP problème d optmsaton quadratque avec des contrantes égalté equally constraned quadratc programs

19 xv FCM C moyennes floues fuzzy c means FCRM modèles de c régresson floue fuzzy c regresson model FIS systèmes d nférence flou fuzzy nference systems GG Gath Geva Gath Geva GK Gustafson Kessel Gustafson-Kessel GMM modèles de combnason gaussenne gaussan mxture models d ndépendant et dentquement dstrbué ndependent and dentcally dstrbuted KDE estmaton de la densté par kernels kernel densty estmaton knn k plus proche vosn k nearest neghbor LMS mondres carrées least mean squares LVQ apprentssage à quantfcaton vectorelle learnng vector quantzaton ML maxmum de vrasemblance maxmum lkelhood MLP perceptron multcouches mult layer perceptron MOM moyenne des maxmums mean of maxma PCM c moyennes floues possblstes possblstc c means PDF foncton de densté de probablté probablty densty functon RBF réseaux de fonctons à base radale radal bass functons RDA analyse dscrmnante régularsée regularzed dscrmnant analyss SLP perceptron monocouche sngle layer perceptron SSDP symétrque sem défne postve symmetrc sem defnte postve SVC classfcaton à vecteurs de support support vector classfcaton SVDE estmaton de densté à vecteurs de support vector densty estmaton support SVM machnes à vecteurs de support support vector machnes SVR régresson à vecteurs de support support vector regreson Chaptre IV Le problème de la survellance du conducteur automoble. Les projets AWAKE et PREDIT ADAS système avancé pour l ade à la condute advanced drvng assstance system ACC régulateur de vtesse adaptatf adaptve cruse control CAS systèmes d évtement de collson collson avodance systems ELS capteur de mouvement des paupères eye ld sensor GPS système de postonnement global US global postonng system IHCC régulateur de vtesse ntellgent pour ntellgent hghway cruse control autoroute ITS systèmes de transport ntellgents ntellgent transportaton systems LDW avertsseur de sorte de voe lane departure warnng LKAS système de manten du véhcule sur la lane-keepng assstance system voe PERCLOS pourcentage de fermeture des yeux percentage of closure of eyes RBS vbreurs des bords latéraux de la route rumble strps RDW avertssement de sorte de route road departure warnng SVRD sortes de route mono véhcule sngle-vehcle road departure TLC temps de crossement tme to lane crossng VRBS vbreur vrtuel du bord de route vrtual rumble strp

20