Collecte et stockage des données sur le simulateur SiVIC

Les données recueillies sont une partie essentielle de l'expérimentation, car ce sont elles qui vont permettre l'étude du comportement. Il est donc important de décrire les données extraites du simulateur et le travail fait sur ces données.

2Dynamic Link Library

5.1.3.1 Type de données brutes

Les données sont collectées dans une base de données connectée au simulateur, ce qui per-met d'enregistrer les valeurs désirées directement, sans passer par des capteurs comme dans un véhicule instrumenté. Plusieurs solutions sont possibles, mais nous allons décrire notre système d'enregistrement de données. Nous avons travaillé avecSQL serverconnecté à notre logicielSiVIC modié.

Figure 54  Schéma relationnel de la base de données d'enregistrement des paramètres du simulateur

Ces données brutes sont enregistrées à une fréquence de 60 Hz, qui peut être augmentée ou diminuée (mais ceci n'est pas nécessaire pour nos expérimentations). Nous remarquons dans la gure54que la table  Participant  contient les données sur le sujet (avec la table  participant information ), la table  Vehicle  permet de contenir les données relatives à tous les véhicules présents dans la simulation (et que l'expérimentateur décide d'enregistrer), la table  Ego  contient les données relatives aux actions du sujet (comme la rotation du volant, la valeur de l'accélérateur, la couleur de la mire de suivi, etc.) et quelques données précalculées comme le TIV4 ou le TTC5 et la table  Secondary Task  contient les informations sur la double tâche (le temps exact de la question, le temps de la réponse, etc.)

Une partie de ces données brutes sont calculées en post traitement, c'est-à-dire qu'une fonc-tion lancée après le passage du sujet permet de remplir certaines cases laissées vides pendant l'expérimentation. Par exemple, la ligne  EcartLatéral  dans la table  Ego  est calculée a postériori, car il n'est pas aisé de calculer à 60 Hz la distance entre le centre de voie et le véhicule du sujet.

4Temps Inter-Véhiculaire

Comme nous pouvons le voir, à chaque nouveau participant, la base de données crée plusieurs champs dans la table  Participant  dénissant ainsi les diérentes phases de l'expérimentation en fonction du temps. Le temps dans la base de données est une référence, appelée Time Code. C'est grâce à cette clé primaire que nous allons pouvoir travailler les enregistrements. A la n de l'expérimentation, nous possédons la liste de tous les sujets, subdivisée en blocs permettant un tri à la fois en fonction des sujets, mais aussi en fonction de la tâche que nous étudions. Par exemple, si nous souhaitons extraire toutes les situations de conduite en zone urbaine, nous pouvons rapidement exécuter une requête SQL permettant de trier les enregistrements provenant de la table  vehicle , de la table  ego  et de la table  secondary task  correspondant au  nomBloc  relatif à un parcours en zone urbaine.

Un second type de données est collecté sous la forme d'enregistrements vidéographiques. 5.1.3.2 Travail sur les données

Les données stockées dans la base de données ou collectées dans un chier vidéo ne permettent pas directement d'extraire des résultats. Pour cela, il est nécessaire de travailler ces données, de leurs donner forme pour pouvoir ensuite réaliser des traitements statistiques qui permettront d'extraire des résultats utilisables pour la modélisation.

Tout d'abord, il faut synchroniser la(ou les) vidéo(s) enregistrée(s) pendant l'expérimenta-tion. Pour cela, si un quadravision permettant la synchronisation automatique des vidéos a été utilisé, il sut de tronquer le début de la vidéo au premier Time Code présent à la fois sur la vidéo et dans la base de données. En revanche, si une telle technologie n'était pas utilisable pendant l'expérimentation (ce qui était le cas pour celle concernant le suivi et les doubles tâches), il est nécessaire de synchroniser les vidéos entre elles. Il faut alors trouver le début de la vidéo corres-pondant au début de l'enregistrement dans la base de données, et ensuite vérier les potentielles dérives de vidéo (une seconde de vidéo ne correspond pas obligatoirement à une seconde de time code machine). En cas de dérive temporelle de la vidéo, il est peu probable de pouvoir récupérer la vidéo entièrement synchrone avec les données. Avec un traitement vidéo lourd, il est possible d'extrapoler des frames de la vidéo pour faire correspondre les données avec la vidéo, mais le travail est de taille et ne peut pas être appliqué à toutes les situations. Néanmoins, il est possible de réduire la taille des vidéos en se concentrant sur les moments pertinents de l'expérimentation et de travailler ensuite avec des vidéos plus courtes, donc moins sensibles aux dérives temporelles. Par ailleurs, les données brutes ne contiennent pas toutes les informations nécessaires à l'ob-servation de l'activité de conduite automobile : il faut extraire des valeurs ou calculer certaines variables a postériori. Ces calculs sont dénis (et eectués) par l'expérimentateur, car c'est lui qui est le plus à même de dénir les caractéristiques de la situation qu'il désire analyser. Pour ex-traire des données et calculer des valeurs non présentes dans la base de données, il est nécessaire d'interroger la base de données avec des requêtes SQL permettant de sélectionner, de modier, de créer de nouvelles tables, colonnes, etc.

Grâce à ce simulateur créé de toutes pièces, il nous est donc possible d'observer une partie de l'activité de conduite d'un conducteur humain dans le même environnement que notre modèle. C'est grâce à cela que nous pouvons désormais utiliser la méthode expérimentale pour étudier les points mis en avant tout au long de cet ouvrage. Nous allons débuter par l'étude de l'exploration cognitivo-perceptive.

Nous avons conduit trois expérimentations sur le simulateur que nous venons de décrire. La première concerne l'analyse des stratégies visuelles pour l'exploration cognitivo-perceptive de l'environnement, la seconde traite de la mise à jour de la représentation mentale par l'intégration perceptivo-cognitive d'informations perçues dans l'environnement (en s'intéressant aussi au pro-blème de la distraction visuelle), et la troisième abordera les processus cognitifs d'anticipation et de prise de décision en situation de tourne-à-gauche.

5.2 Expérimentation 1 : Analyse de stratégies visuelles pour