Incidence de la régulation d'un carrefour à feux sur le risque des usagers; Apprentissage d'indicateurs par sélection de données dans un flux

Résumé court
Dans le cadre de la régulation des carrefours à feux et du développement d'outils intégrés de gestion du trafic, notre recherche consiste à construire un système d'analyse des données d'observation d'un carrefour. Nous utilisons un dispositif expérimental d'observation automatique d'un carrefour réel basé sur des capteurs vidéo et une base d'enregistrements de scènes de trafic, qui nous permet de comparer l'incidence relative de deux stratégies, une stratégie de référence et une stratégie adaptative temps-réel, appelée CRONOS et développée à l'INRETS. 

Nous nous intéressons aux interactions entre véhicules et à leur relation à l'accident, appelée sévérité. Nous proposons une modélisation des interactions entre les véhicules dans un carrefour, et étudions particulièrement la zone de conflit. Nous mesurons les durées d'interactions et qualifions à chaque instant la sévérité des interactions détectées selon deux indicateurs, un indicateur de proximité et un indicateur de vitesse. Notre système modulaire détecte les interactions à l'aide de règles expertes explicites. Pour les indicateurs de sévérité, nous développons une méthode d'apprentissage générique, par sélection de données dans un flux. Cette méthode est testée sur l'apprentissage de l'indicateur de vitesse, et sur d'autres problèmes classiques. 

Nous utilisons le système développé pour traiter une partie des données de la base. Nous étudions les distributions des durées d'interaction selon les indicateurs de sévérité et mettons en évidence des différences entre les stratégies comparées. 

Mots-clefs: sécurité du trafic, interactions, indicateurs de sévérité, exposition au risque, apprentissage artificiel, sélection de données, algorithmes incrémentaux, combinaison d'hypothèses.