Simulation des représentations mentales et des eets de la distraction visuelle 131

La simulation et la visualisation des représentations mentales du conducteur étaient l'un des enjeux majeurs de notre travail. En eet, observer ces représentations, c'est accéder aux états internes du système cognitif humain et visualiser  en dynamique  l'activité mentale du conduc-teur. Il était donc primordial de pouvoir visualiser ces représentations et analyser leurs diérences potentielles avec la réalité situationnelle. Grâce à l'utilisation de plusieurs machines, il est pos-sible d'avoir plusieurs écrans achant en même temps les diérentes simulations synchronisées de l'environnement routier virtuel d'un côté et des représentations mentales de l'autre.

Pour illustrer les capacités de notre modèle de simulation numérique, nous allons présenter ici trois exemples de simulations obtenues dans le cadre d'une situation de suivi de véhicule en zone urbaine, avec arrivée à hauteur d'un carrefour à feux. Si la tâche de conduite du modèle reste toujours la même, c'est-à-dire suivre un véhicule en maintenant une distance de sécurité acceptable, ces trois simulations renvoient à trois scénarii diérents.

Scénario 1 : suivi en approche carrefour à feux verts

Dans le cadre du premier scénario, le suivi est réalisé alors que les feux tricolores restent au vert durant le franchissement du carrefour. Le modèle réalise la tâche de suivi correctement et traverse le carrefour sans aucun problème particulier.

Nous voyons sur chaque image de la gure45, à droite le monde réel et l'÷il virtuel, à gauche la représentation mentale. Au début de la situation (g 45(a)), le véhicule blanc (que le modèle doit suivre) roule normalement. Ensuite, le modèle du conducteur observe le feu (g 45(b)) en déplaçant son ÷il virtuel en direction des feux tricolores, puis il repose le regard sur la scène avant et la situation suit son cours normalement (g45(c)).

(a) (b)

(c)

Figure 45  Simulation de suivi en approche de carrefour à feux (verts)

CodeQR 5: http ://youtu.be/P7RFhDVgeB8

Scénario 2 : suivi en carrefour avec changement de couleur des feux

Dans le second scénario, la tâche de conduite reste la même, mais la couleur des feux change alors que le véhicule précédent s'approche du carrefour. Celui-ci va donc freiner puis s'arrêter. La gure 46 ainsi que le codeQR 6présentent le résultat de cette simulation.

Le modèle arrive au niveau de l'intersection en regardant le véhicule le précédant (g46(a)). Grâce à cette observation continue du véhicule suivi, le modèle met en permanence à jour sa représentation mentale et il intègre rapidement le changement de couleur des feux de stop du véhicule le précédant (g 46(b)). Il va donc prendre en compte cette information pour engager le freinage nécessaire et s'arrêter (g 46(c)).

(a) (b)

(c)

Figure 46  Simulation de suivi en carrefour avec changement de la couleur des feux

CodeQR 6: http ://youtu.be/0sn-A1thsLg

Scénario 3 : suivi en carrefour avec tâche de distraction visuelle

Dans le troisième scénario, la tâche de conduite reste toujours la même, mais une distraction visuelle est générée une seconde avant que les feux tricolores ne changent de couleur. Le véhicule précédent freine pour s'arrêter au feu. La gure 47 ainsi que le codeQR7 présentent le résultat de cette simulation.

Le modèle se présente à l'intersection en observant le véhicule situé devant lui (g 47(a)). Lorsque la tâche de distraction visuelle apparaît, le modèle tourne son regard en direction de l'écran placé dans l'habitacle du véhicule (g47(b)). Nous pouvons remarquer sur cette vue que le feu est passé à l'orange dans le monde réel, mais qu'il est encore vert dans la représentation mentale du modèle. Une fois la double tâche réalisée, le modèle repositionne l'÷il virtuel sur la scène avant (g 47(c)) et découvre la diérence de position entre le véhicule réel et sa représen-tation. 100 ms après, le modèle met à jour sa représentation (g47(d)), cela entraîne un freinage d'urgence du modèle puisqu'il a détecté la présence d'un véhicule dans la zone enveloppe rouge. Ce freinage n'est pas susant pour stopper le véhicule, l'accident est inévitable (g47(e)).

(a) (b)

(c) (d)

(e)

Figure 47  Simulation de suivi en carrefour à feux, avec tâche secondaire de distraction visuelle et changement de la couleur des feux

CodeQR 7: http ://youtu.be/k9QAAVkooVY

L'erreur simulée dans ce dernier scénario provient du fait que le modèle n'a pas accordé son attention visuelle aux bonnes sources d'information de l'environnement pour éviter l'accident. Il s'est laissé distraire en considérant, durant sa consultation de l'écran, que le feu est resté vert et que le véhicule blanc n'a pas changé de vitesse. Mais lorsque le feu change de couleur et que le véhicule suivi freine, sa représentation mentale devient erronée et se diérencie de plus en plus de la situation réelle au fur et à mesure que le temps passe. C'est en positionnant de nouveau l'÷il virtuel sur la route qu'il découvre une forte diérence entre sa représentation et la réalité. Une fois l'erreur découverte, il freine en urgence, mais de façon trop tardive pour éviter la collision.

4.6.3 Simulation du cycle d'exploration et d'intégration de l'information et visualisation des stratégies visuelles

Dans cette dernière série de simulations, nous allons nous intéresser aux stratégies visuelles mises en ÷uvre par le modèle. Ces stratégies visuelles sont le résultat émergent d'un cycle per-ceptif reposant sur deux processus complémentaires : l'exploration perceptive et l'intégration

cognitive. Grâce à notre modèle informatique, il est possible de simuler le processus de recherche active d'informations dans l'environnement et de visualiser en retour le produit du processus d'intégration réalisé par l'÷il virtuel, en observant la mise à jour dynamique des représentations mentales du modèle.

Pour illustrer ce fonctionnement, nous allons nous intéresser aux stratégies visuelles du mo-dèle en situation de tourne-à-gauche dans le cadre du même carrefour à feux que les situations précédentes. Dans cette situation, le véhicule de notre modèle arrive à l'intersection tandis que deux véhicules circulent à contresens. Nous allons décrire deux prises de décision diérentes, en fonction des conits de zones enveloppes détectés et du niveau de risque accepté par le conduc-teur, en termes d'écart inter-véhiculaire minimal pour engager la man÷uvre de tourne-à-gauche. Ces simulations ont donné lieu à des hypothèses de recherche pour une expérimentation réalisée auprès de conducteurs humains que nous décrivons en section 5.2p.150.

Tourne-à-gauche sans conit

Dans ce premier scénario, notre conducteur virtuel détecte la présence de véhicules circulant à contresens, et prend la décision de tourner à gauche après le second véhicule. La gure 48 et le codeQR 8présentent le résultat de cette simulation.

(a) (b)

(c) (d)

Figure 48  Situation tourne-à-gauche sans conit de zones enveloppes

CodeQR 8: http ://youtu.be/sWew6qwrXJ0

Nous remarquons qu'à l'arrivée sur l'intersection, les véhicules à contresens sont présents au loin dans le monde réel, mais pas encore dans la représentation du conducteur (g 48(a)). Suite à l'exploration perceptive préconisée dans les zones du schéma tactique (codeQR8), cette partie

de l'espace est observée par le modèle en approche de l'intersection, et ces véhicules sont alors intégrés dans sa représentation mentale (g48(b)). Notre véhicule prend la décision de traverser la voie opposée une fois la dernière voiture passée (g48(c)), pour nir son tourne-à-gauche sans encombre (g 48(d))

Tourne-à-gauche avec conit

Dans ce second scénario, notre conducteur virtuel détecte bien la présence de véhicules circu-lant à contresens, mais il engage cette fois-ci la man÷uvre de tourne-à-gauche avant le passage du second véhicule, en traversant sa zone enveloppe Rouge. La gure 49et le codeQR 9présentent le résultat de cette simulation.

(a) (b)

(c) (d)

Figure 49  Situation tourne-à-gauche avec conit important de zones enveloppes

CodeQR 9: http ://youtu.be/Rs5n13kUTh4

Comme pour le scénario précédent, le modèle n'a pas encore intégré les véhicules circulant à contresens en début de séquence (g 49(a)), et ce n'est qu'après le déploiement d'une stratégie visuelle appropriée (codeQR9) qu'il va obtenir ces informations (g 49(b)). Mais à la diérence de la situation précédente, notre modèle engage ici le tourne-à-gauche malgré le conit critique que cela entraîne avec les zones enveloppes du véhicule opposé (g49(c)), pour nir rapidement son tourne-à-gauche sans accident (g49(d)). Cette man÷uvre délibérée (il ne s'agit pas en eet ici d'une mauvaise perception puisque le véhicule opposé est bien intégré dans la représentation mentale) pourrait correspondre à ce que ferait un conducteur extrêmement pressé et/ou ayant un style de conduite particulièrement aggressif, ou  sportif . Mais il y a de fortes chances pour qu'il ait, dans ce cas, le sentiment de prendre (s'il s'agit d'un jugement précédant la man÷uvre)

ou d'avoir pris (s'il s'agit d'un jugement a posteriori) un certain risque. Cette question sera investiguée expérimentalement dans le chapitre suivant.

Enn, nous voulons souligner ici que les stratégies visuelles déployées par le modèle sont le résultat émergent du processus de gestion des requêtes perceptives générées par le module tactique, ayant une valeur de priorité élevée de 8 sur 10. Ces requêtes sont issues des zones d'explorations perceptives contenues dans le schéma de conduite de tourne-à-gauche utilisé par le module tactique, imposant d'explorer certaines zones de l'environnement routier au fur et à mesure que le modèle progresse sur sa trajectoire. Pour ce qui est des durées de xation contenues dans ces requêtes perceptives, comprises entre 150 et 400 ms, elles se basent sur des valeurs observées auprès de conducteurs humains.

Au nal, nous avons aussi montré dans cette section comment notre modèle de conducteur implanté sur SiVIC pouvait élaborer et mettre à jour dynamiquement ses représentations men-tales de la situation à partir des informations prélevées dans l'environnement par l'÷il virtuel puis intégrées cognitivement. La visualisation des représentations mentales issue de notre outil de simulation numérique permet ainsi de rendre compte des diérences entre les représentations et la réalité objective. Ces diérences peuvent être la conséquence d'une absence d'observation de l'environnement (parce que l'attention du conducteur se porte sur d'autres choses), d'une impossibilité de perception par l'÷il virtuel (information trop peu saillante, par exemple), ou d'une non-intégration de l'information dans le module tactique. Ces diérences peuvent être le résultat d'un processus sélectif ecace (comme nous l'avons vu dans le premier chapitre, un bon conducteur ne doit pas intégrer toutes les informations, mais privilégier celles qui font sens pour son activité), mais elles peuvent aussi être la conséquence d'erreurs (eet de la distraction, par exemple, ou application d'un schéma de conduite inadéquat) que notre modèle informatique peut permettre de simuler et de visualiser, non seulement du point de vue de l'activité compor-tementale observable, mais aussi du point de vue de l'activité mentale, inobservable lorsqu'on s'intéresse aux conducteurs humains.