CONTRIBUTION AUX DÉVELOPPEMENTS D’APPROCHES BASÉES SUR L’INTELLIGENCE ARTIFICIELLE POUR LA SÉCURITÉ ROUTIÈRE.

Abstract

Le réseau routier présente la moyenne la plus fréquentée par la majorité écrasante de la population mondiale, en plus le réseau routier se développe d’une vitesse très rapide, ce qui oblige les personnes à passer plus de temps dans les routes, ainsi choisir la vitesse pour se rendre le plus vite possible d’une point à l’autre, cette nouvelle exigence implique malheureusement l’augmentation des incidents routière. Il existe plusieurs raisons qui peuvent provoquer des incidents graves, ces incidents peuvent être classifiés en deux catégories, la première catégorie des incidents est lié au comportement humain, cette catégorie d’incident représente la grande majorité d’incident. La seconde catégorie des incidents est liée à l’état de la route ou/et l’état de la voiture. La distraction au volant est un facteur important dans la conduite. Cependant, il est difficile de lutter contre les phénomènes naturels, qui s’aggravent avec la fatigue et sont compliqués à détecter. Les défenseurs de la prévention font une pause toutes les deux heures, mais il n’y a aucun moyen de vérifier que la règle s’applique. Concrètement, l’envie d’arrivée vite prime sur le principe de précaution ! La supervision de la qualité de la route fait aussi partie des principaux axes de recherche dans le domaine de la sécurité routière, en exploitant les différentes techniques d’apprentissage automatique. Notre objectif est de proposer un système efficace et précis, afin de fournir un rapport complet et détaillé sur l’état de la route et d’anticiper la maintenance à effectuer sur la route, ou une aide à la décision si le système est utilisé en temps réel dans le cadre d’une voiture autonome par exemple. Pour cela nous avons proposé des solutions qui se basent sur des architectures de l’intelligence artificielle, notamment les modèles d’apprentissage en profondeur, ce type de modèles à prouver sa performance sur des données hétérogène et volumineuse, ce qui correspond bien à notre contexte de recherche dans les domaines sécurité routière, tel que nos travaux se basent sur des caméras ou des images qui reflètent le contexte à analyser. En conséquent, notre premier travail, c’est focaliser sur l’analyse des comportements des conducteurs sur la route, surtout que c’est devenu l’un des principaux sujets de iii recherche de ces dernières années, en particulier la somnolence, car elle constitue le facteur le plus élevé d’accidents et la première source de décès sur les routes. Cet article présente un moyen d’analyser et d’anticiper la somnolence d’un conduc teur en appliquant un réseau neuronal récurrent sur une séquence d’images du visage du conducteur. Nous avons utilisé un ensemble de données pour façonner et approuver notre modèle et avons mis en œuvre une architecture de réseau neuronal récurrent basée sur un modèle réseau de neurones récurrents à mémoire court terme et long terme dans un premier travail, et dans un second travail, on a utilisé le modèle de multicouche de réseaux convolutifs 3D pour détecter la somnolence du conducteur. Après une session d’entraînement, nous avons obtenu une précision prometteuse qui approche un taux d’acceptation de 92%, ce qui a permis de développer un système de surveillance des conducteurs en temps réel pour réduire les accidents de la route. Pour l’analyse de l’état de la route, on a utilisé une architecture de deep learning en deux étapes, la première étape consiste à lancer une Segmentation pour déterminer les côtés de la route et limiter la zone de détection des nids de poule, après la seconde étape est la détection des nids de poule qui sont incluse dans cette zone. Est en seconde partie une autre approche utilisée qui fusionne les deux architectures, cette approche se base sur une architecture Multinet, ce qui réduit le nombre de faux positifs détectés par le modèle, et réduit également les détections de nids de poule qui ne sont pas pertinents pour la détection, y compris les nids de poule sur le côté de la route ou sur le trottoir. Pour cela, chaque modèle a été entraîné sur des images issues d’une base de don nées publique, le résultat de notre approche a montré son efficacité en atteignant une précision 93%.