Résumé général

Cet article constitue la seconde partie d’une étude consacrée à l’analyse du comportement de conduite à partir des capteurs inertiels embarqués dans les smartphones. Alors que la première partie se focalisait sur la collecte et la prétraitement des données, cette suite vise à développer et valider des méthodes de classification des comportements de conduite. L’objectif principal est de proposer un cadre robuste permettant d’identifier automatiquement différents styles et événements de conduite à partir des signaux inertiels (accéléromètre, gyroscope, orientation). Cette démarche s’inscrit dans un contexte de mobilité intelligente où l’analyse fine du comportement au volant peut contribuer à la sécurité routière, aux assurances basées sur l’usage, et à la recherche en sciences du comportement.

Méthodologie

Le pipeline méthodologique repose sur une extraction rigoureuse de caractéristiques issues des signaux inertiels recueillis par smartphone en conditions réelles. Les données brutes d’accélération, de rotation (gyroscope) et d’orientation sont segmentées en fenêtres temporelles, puis transformées en vecteurs de caractéristiques statistiques et fréquentielles (moyenne, variance, énergie spectrale, etc.). Ces vecteurs alimentent plusieurs modèles de classification supervisée : un Support Vector Machine (SVM) à noyau RBF, un Random Forest, et un réseau de neurones convolutifs unidimensionnel (CNN 1D). Chaque modèle est entraîné et évalué via une validation croisée sur un jeu de données annotées manuellement, représentant diverses manœuvres et comportements de conduite (accélérations brusques, freinages, virages, conduite normale).

Résultats principaux

Les résultats montrent que le CNN 1D atteint la meilleure performance en termes de précision globale (supérieure à 90%), suivi du Random Forest et du SVM. La robustesse des modèles est examinée par une évaluation inter-appareils, démontrant une bonne généralisation malgré les variations de capteurs entre différents smartphones. Les auteurs soulignent l’importance d’une calibration fine des seuils de détection pour minimiser les faux positifs. La comparaison inter-utilisateurs confirme que les modèles peuvent capter des signatures comportementales distinctes, ce qui ouvre la voie à une personnalisation des analyses. Ces conclusions valident la pertinence d’utiliser des approches de deep learning sur données inertiels pour une classification fiable des comportements de conduite.

Apports pour RS3

Cette étude fournit une base solide pour RS3, notamment par l’intégration des étiquettes comportementales issues des modèles de classification dans la simulation d’événements inertiels. La démarche permet de calibrer précisément les seuils de détection des événements critiques (accélérations, freinages) en fonction des profils comportementaux identifiés. Ainsi, RS3 peut générer des données synthétiques réalistes et adaptées à différents styles de conduite, améliorant la pertinence des simulations pour la recherche et le développement.

Apports pour Telemachus

Pour Telemachus, les recommandations issues de cette étude portent sur la standardisation des métadonnées associées aux événements inertiels. Les champs tels que device_type (modèle de smartphone), imu_frequency (fréquence d’échantillonnage des capteurs) et confidence_event (score de confiance de la classification) sont essentiels pour garantir l’interopérabilité et la qualité des données collectées. Cette normalisation facilite l’agrégation et la comparaison des données issues de sources hétérogènes, renforçant la fiabilité des analyses comportementales dans Telemachus.

Citation Zotero

@inproceedings{cojocaru2022invehicle,
  title={In-Vehicle Smartphone Sensing for Driving Behaviour Analysis (Part II)},
  author={Cojocaru, I. and others},
  booktitle={RoCHI 2022},
  year={2022}
}