Relation objective entre les questionnaires auto-déclarés et le

auto-déclarés et le comportement de conduite

sur simulateur

L’un des objectifs principaux de cette étude est de fournir une compréhension plus approfondie du comportement de conduite et de sa relation avec la préférence du modèle de perception du mouvement dans les simulateurs de conduite, l’idée

étant que le comportement de conduite auto-déclaré des conducteurs fournisse des informations permettant un meilleur paramétrage de la stratégie de restitution du mouvement. Ainsi, si les connaissances préalables du comportement des conduc- teurs sont disponibles, les MCA peuvent être améliorés et adaptés en fonction des désirs des conducteurs, rendant la simulation plus immersive, réaliste et agréable pour chaque conducteur. Pour ce faire, nous souhaitons compléter l’analyse subjec- tive de cette étude faite dans la partie précédente avec une analyse objective par la corrélation des mesures de performance obtenues lors de l’expérimentation.

D’après les résultats précédents (voir partie 5.3.5), nous pouvons constater que le comportement de conduite des groupes P0 et P2 est différent pour le style agressif du MDSI et pour le facteur infraction du DBQ. En effet, les résultats des corrélations de Pearson ont indiqué qu’il y avait une association positive significative entre ces deux facteurs (r = 0.597, p < 0.01). C’est pourquoi, dans cette partie, nous considérerons uniquement ces deux facteurs dans la comparaison du comportement de conduite et l’analyse objective des résultats entre les groupes P0 et P2. Les autres facteurs ne sont pas pris en compte car il n’y a pas de différences significatives entre les groupes de préférences. Ainsi, en utilisant la méthodologie expliquée dans la partie 5.2.7, nous avons calculé les valeurs minimales, maximales, moyennes et les écart-types (E-T) de tous les indicateurs de mouvement de conduite (vitesse, jerk et position latérale) pour chaque segment de route de la figure 56a. Ces indicateurs sont énumérés dans le tableau 19.

Indicateurs Min Max Moyenne E-T

Segment 1 Jerk x -224,23 198,65 0,09 0,02 Vitesse 0,00 66,65 25,46 3,01 Position latérale 0,00 0,56 0,14 0,07 Segment 2 Jerk y -9,95 15,91 -0,08 0,10 Vitesse 30,11 79,20 51,73 5,63 Position latérale 0,00 1,65 0,41 0,13 Segment 3 Jerk x -17,86 16,35 -0,04 0,04 Vitesse 34,35 120,20 81,00 7,00 Position latérale 0,00 1,15 0,27 0,14 Segment 4 Jerk y -9,25 17,92 0,03 0,03 Vitesse 41,63 97,39 61,66 9,39 Position latérale 0,00 1,75 0,41 0,24 Segment 5 Jerk y -19,12 54,81 0,01 0,03 Vitesse 1,17 112,33 74,77 8,86 TABLEAU 19 – Moyenne, écart-type (E-T), minimum et maximum des indicateurs

de mouvement.

Notre hypothèse est que si le comportement auto-déclaré des participants a une influence sur le MCA qu’ils choisissent, les indicateurs de mouvement auront une

corrélation positive avec les deux facteurs pour le groupe P2, car la stratégie M2 est celle qui fournit le plus ce type de comportement (voir partie 5.1.3). Au contraire, les indicateurs du groupe P0 n’auront pas une corrélation positive avec ces deux facteurs.

Le tableau 20 donne un aperçu des corrélations de Pearson entre les réponses des questionnaires de comportement pour les facteurs agressif et infractions, et les indicateurs de mouvement pour les groupes P0 et P2. Ces corrélations ont été établies pour chaque segment de route.

Nous observons que pour le groupe P0, aucune des mesures présentées n’a une corrélation significative avec le style agressif et seul l’écart-type de la position latérale présente une corrélation significative et fortement négative avec le facteur d’infraction (r = −0.805, p = 0.029). Ce résultat était attendu puisque le premier segment de route ne dure que 300 mètres et présente plusieurs manœuvres de démarrage et de freinage. En ce qui concerne le groupe P2, les corrélations de Pearson ont montré plusieurs relations fortes entre les facteurs et les mesures. En comparant le style agressif, la moyenne du jerk selon l’axe x sur le segment de route 1 (r = 0.648, p = 0.031), l’écart-type du jerk selon l’axe y sur les segments de route 2 (r = 0.810, p = 0.003), 4 (r = 0.658, p = 0.028) et 5 (r = 0.597, p = 0.049), et la vitesse moyenne sur les segments de route 2 (r = 0.618, p = 0.043) et 4 (r = 0.743, p = 0.009) présentent une corrélation fortement positive. En ce qui concerne les infractions, deux mesures ont une corrélation fortement positive avec ce facteur : la vitesse moyenne sur le segment 4 (r = 0.669, p = 0.024) et l’écart type de vitesse (r = 0.631, p = 0.037) et du jerk (r = 0.618, p = 0.043) sur le segment 5. Ce résultat confirme qu’il existe une différence entre les groupes P0 et P2 en fonction du comportement de conduite auto-déclaré par les conducteurs. Comme nous l’avions prévu dans l’hypothèse, les indicateurs du groupe P2 ont une forte corrélation positive avec les deux facteurs alors que le groupe P0 n’a aucune corrélation positive avec ces deux facteurs.

5.4

Discussion

L’étude présentée dans ce chapitre décrit une expérimentation de conduite dans un simulateur de conduite dynamique. Trois MCA fondés sur la commande prédictive (MPC) ont été implémentés et comparés grâce à une étude réalisée dans un simu- lateur de conduite dynamique à hautes performances. Les stratégies dépendaient du modèle mathématique utilisé dans la conception de la boucle de contrôle : la première, nommée M0, correspondait au modèle dynamique de la plateforme. Les deux autres stratégies intégraient en outre les modèles de perception du mouve- ment de [Young & Meiry, 1968]-[Young & Oman, 1969] et de [Telban & Cardullo, 2005], nommées respectivement M1 et M2.

Dans une premier temps nous avons comparé, subjectivement, les trois stratégies selon le mode de conduite : mode de conduite autonome « AD » ou mode de conduite

Agressif Groupe P0 Infractions Groupe P0 Agressif Groupe P2 Infractions Groupe P2 Segment 1 Moyenne jerk x -0.242 (.600) -0.230 (.620) 0.648 (.031) 0.534 (.090) E-T jerk x -0.291 (.527) 0.126 (.789) 0.405 (.216) 0.001 (.998) Moyenne vitesse -0.093 (.843) -0.096 (.837) 0.215 (.525) -0.026 (.939) E-T vitesse -0.537 (.214) -0.572 (.180) 0.132 (.698) 0.398 (.225) Moyenne pos. lat. -0.340 (.456) -0.739 (.058) -0.102 (.764) -0.409 (.212) E-T position latérale -0.352 (.438) -0.805 (.029) -0.162 (.635) -0.332 (.319)

Segment 2

Moyenne jerk y 0.615 (.142) 0.578 (.174) -0.08 (.816) -0.477 (.138) E-T jerk y -0.330 (.470) -0.710 (.074) 0.810 (.003) 0.468 (.146) Moyenne vitesse -0.573 (.179) -0.598 (.156) 0.618 (.043) 0.550 (.080) E-T vitesse -0.061 (.896) -0.492 (.262) 0.195 (.566) 0.191 (.573) Moyenne pos. lat. 0.338 (.458) 0.372 (.411) 0.209 (.538) -0.506 (.113) E-T position latérale 0.220 (.636) 0.480 (.276) 0.235 (.486) -0.592 (.055)

Segment 3

Moyenne jerk x 0.180 (.699) 0.140 (.764) 0.497 (.120) -0.154 (.651) E-T jerk x -0.335 (.463) -0.631(.128) 0.354 (.286) 0.273 (.416) Moyenne Vitesse -0.370 (.414) -0.140 (.765) 0.596 (.053) 0.567 (.069) E-T vitesse -0.222 (.632) -0.311 (.497) 0.101 (.768) 0.244 (.470) Moyenne pos. lat. 0.275 (.550) 0.144 (.758) -0.395 (.230) -0.115 (.736) E-T position latérale 0.244 (.598) -0.003 (.994) -0.175 (.607) -0.22 (.516)

Segment 4

Moyenne jerk y 0.094 (.841) 0.337 (.460) 0.466 (.149) 0.202 (.551) E-T jerk y -0.356 (.434) -0.555 (.195) 0.658 (.028) 0.404 (.218) Moyenne Vitesse -0.272 (.555) -0.154 (.741) 0.743 (.009) 0.669 (.024)

E-T vitesse -0.086 (.854) -0.606 (.149) 0.483 (.132) 0.345 (.298) Moyenne pos. lat. -0.295 (.521) 0.649 (.115) 0.413 (.207) -0.168 (.620) E-T position latérale -0.100 (.832) 0.648 (.116) 0.315 (.345) -0.246 (.466)

Segment 5

Moyenne jerk y -0.355 (.435) -0.387 (.391) 0.121 (.722) -0.379 (.251) E-T jerk y -0.342 (.453) -0.620 (.138) 0.597 (.049) 0.618 (.043)

Moyenne Vitesse -0.493 (.261) -0.491 (.263) 0.548 (.081) 0.360 (.277) E-T vitesse 0.573 (.179) 0.659 (.107) 0.415 (.204) 0.631 (.037)

Note : Les entrées du tableau sont les coefficients de corrélation de Pearson (r) avec la p-valeur entre parenthèses.

TABLEAU 20 – Corrélations pour les groupes P0 et P2 entre les indicateurs de

performance et les facteurs présentant une différence statistique significative dans le questionnaire du comportement de conduite : style agressif et infractions.

active « Libre ». Ensuite nous avons comparé ces deux modes entre eux. D’autre part, nous avons analysé les questionnaires de comportement de conduite auto- déclaré pour ainsi analyser son impact dans la préférence parmi les trois stratégies de contrôle. Dans le but d’adapter les MCA en fonction du type de conduite du

conducteur, nous avons comparé ces résultats avec les indicateurs de performance obtenus de l’étude utilisateur. Ceci nous a permis de valider les styles de conduite auto-déclaré avec le comportement de conduite associé dans le simulateur.