Model of the Driver's Physiological State in Conditionally Automated Driving

A cet égard, cette thèse vise à proposer une approche permettant d'évaluer l'état du

conducteur en continu dans le contexte spécifique de la conduite automatisée conditionnelle. Pour atteindre cet objectif, des techniques d'apprentissage automatique et des signaux physiologiques ont été utilisés pour évaluer l'état du conducteur. En particulier, la prédiction de quatre facteurs de risque a été effectuée, étant jugés critiques à ce niveau d'automatisation : la fatigue, la charge mentale, l'état affectif et la conscience de

situation.

 

La principale contribution de cette thèse est la conception, l'implémentation et la validation

d'un modèle qui évalue en continu l'état du conducteur à l'aide de signaux physiologiques

en conduite conditionnellement automatisée (L3-SAE). Cette contribution

principale comprend la réalisation de sous-contributions pour répondre à plusieurs questions

de recherche formulées : la collecte d'un ensemble de données physiologiques dans

le contexte spécifique de la conduite conditionnellement automatisée, la création d'un

pipeline pour entraîner des modèles d'apprentissage automatique capables de prédire les

facteurs de risque sélectionnés à partir des données collectées, et un système pour mesurer

la respiration de manière non-intrusive.

 

Les résultats ont montré que les différents facteurs de risque pouvaient être prédits avec

une précision allant de 73 à 99%. La fusion des signaux physiologiques a généralement

augmenté la précision, tout comme la segmentation des signaux. Les signaux physiologiques

(ou les caractéristiques) et la fenêtre temporelle optimale à utiliser pour prédire

chaque facteur de risque sont proposés à partir des résultats obtenus avec l'apprentissage

automatique. Les prédictions continues du modèle dans l'expérience finale étaient globalement cohérentes et sont encourageantes pour l'utilisation de ce type de modèle dans nosfutures voitures. En outre, le capteur développé pour mesurer la respiration de manière

non intrusive a prouvé que le rythme respiratoire pouvait être mesuré avec une erreur

de plus ou moins une respiration par seconde en moyenne par rapport à un capteur de

référence.