Chloé Moreau
Une équipe de chercheurs dirigés par l’UCL a développé une nouvelle méthode pour déterminer les niveaux d’attention des conducteurs et leur préparation à répondre aux signaux d’avertissement lors de l’utilisation du manner pilote automatique.
La recherche, publiée dans Cognitive Exploration : Ideas and Implications, a révélé que le niveau d’attention des gens et leur focus dans les activités à l’écran peuvent être détectés à partir de leurs mouvements oculaires.
Les résultats suggèrent une nouvelle façon de déterminer l’état de préparation des conducteurs utilisant le manner pilote automatique pour répondre aux signaux du monde réel, tels que les demandes de prise de contrôle de la voiture.
Bien que les voitures sans conducteur entièrement autonomes ne soient pas encore disponibles pour un utilization staff, des voitures dotées d’un method pilote automatique « sans conducteur » sont disponibles pour un usage industrial privé dans certaines régions, notamment en Allemagne et dans certains États américains.
Lorsqu’il utilise le mode pilote automatique, les conducteurs peuvent lâcher le volant et participer à d’autres activités, comme jouer à des jeux sur l’écran central intégré à leur voiture.
Toutefois, les modèles actuels peuvent obliger le conducteur à reprendre le contrôle de la voiture à certains moments. Par exemple, les conducteurs peuvent utiliser le method « pilote automatique » lors d’un embouteillage sur une autoroute. Mais une fois que l’embouteillage est dissipé et que l’autoroute autorise des vitesses supérieures à 40 mph, l’IA enverra un sign de « prise de contrôle » au conducteur, indiquant qu’il doit reprendre le contrôle complete de la conduite.
Les chercheurs ont testé s’il était probable de détecter si une personne était trop absorbée par une autre tâche pour réagir rapidement à un tel signal de « prise de contrôle ».
Pour ce faire, l’équipe a testé 42 members dans le cadre de deux expériences, en utilisant une procédure qui imitait un scénario de « prise de contrôle » tel qu’utilisé dans certains modèles avancés de voitures dotées d’un mode pilote automatique.
Les participants devaient rechercher certains éléments cibles sur un écran d’ordinateur avec de nombreuses formes colorées et s’attarder sur les cibles pour montrer qu’ils les avaient trouvées.
Les tâches de recherche étaient soit faciles (c’est-à-dire que les contributors devaient repérer une forme étrange en « L » parmi plusieurs formes en « T »), soit plus exigeantes (c’est-à-dire que les members devaient repérer un agencement spécifique des get-togethers de la forme et leur couleur).
À des times ultérieurs de leur tâche de recherche, une tonalité retentissait et les contributors devaient arrêter de regarder l’écran aussi vite qu’ils le pouvaient et appuyer sur un bouton en réponse.
Les chercheurs ont surveillé le temps écoulé entre le sign sonore et le second où les individuals appuyaient sur le bouton, tout en analysant la façon dont leurs yeux se déplaçaient sur l’écran pendant leur recherche, pour voir si les niveaux d’attention portés à la tâche pouvaient être détectés à partir d’un changement dans leur regard.
Ils ont constaté que lorsque la tâche exigeait as well as d’attention, les members mettaient plus de temps à arrêter de regarder l’écran et à répondre à la tonalité.
L’analyse a montré qu’il était feasible de détecter le niveau d’attention des participants à partir de leurs mouvements oculaires. Un schéma de mouvements oculaires impliquant des fixations plus longues et une distance de déplacement oculaire additionally courte entre tous les éléments indiquait que la tâche exigeait furthermore d’attention.
Les chercheurs ont également formé un modèle d’apprentissage automatique sur ces données et ont découvert qu’ils pouvaient prédire si les members étaient engagés dans une tâche facile ou exigeante en fonction de leurs mouvements oculaires.
L’auteur principal, le professeur Nilli Lavie (Institut des neurosciences cognitives de l’UCL), a déclaré : « La technologie des voitures sans conducteur progresse rapidement et promet une expérience de conduite furthermore agréable et productive, où les conducteurs peuvent utiliser leur temps de trajet pour d’autres tâches autres que la conduite.
“Cependant, la grande issue est de savoir si le conducteur sera capable de reprendre la conduite rapidement après avoir reçu un sign de prise de contrôle s’il est pleinement engagé dans une autre activité.
“Nos résultats montrent qu’il est possible de détecter le niveau d’attention d’un conducteur et sa volonté de répondre à un signal d’avertissement, simplement en surveillant son regard.
“Il est frappant de constater que les gens peuvent être tellement absorbés par leur activité à l’écran qu’ils ignorent le reste du monde qui les entoure. Même s’ils sont conscients qu’ils devraient être prêts à arrêter leur tâche et à répondre aux tonalités aussi rapidement que feasible. ils mettent in addition de temps à le faire lorsque leur notice est absorbée par l’écran.
“Nos recherches montrent que les signaux d’alarme peuvent ne pas être détectés assez rapidement dans de tels cas.”
Des ensembles de données moreover volumineux sont nécessaires pour entraîner l’apprentissage automatique et le rendre in addition précis.
La recherche a été financée par JLR et le Conseil de recherche en ingénierie et en sciences physiques dans le cadre du programme To Autonomy : Wise and Related Manage (TASCC), financé conjointement.
