Modélisation du comportement piéton pour des rues plus sûres
Étudier comment les gens traversent les rues pour améliorer la sécurité avec des véhicules autonomes.
Yueyang Wang, Aravinda Ramakrishnan Srinivasan, Yee Mun Lee, Gustav Markkula
― 8 min lire
Table des matières
- Approches Actuelles pour Modéliser le Comportement des Piétons
- Modèles Mécaniques
- Modèles d'Apprentissage Machine
- Travaux Précédents
- Facteurs Clés dans le Comportement des Piétons en Traversée
- Mécanismes Sensori-Moteurs
- Développement du Modèle
- Collecte de Données
- Résultats Clés de l'Expérience
- Acceptation de l'Espace
- Temps d'Initiation de Traversée (TIT)
- Vitesse de Marche Moyenne
- Variantes du Modèle
- Modèle SM
- Modèle S
- Modèle M
- Conclusions et Implications
- Applications Pratiques
- Limitations
- Source originale
- Liens de référence
Comprendre comment les piétons se comportent en traversant la rue est super important, surtout avec le développement de véhicules autonomes (VA) qui vont partager la route avec les gens. Les piétons peuvent agir de manière complexe et imprévisible. Du coup, c'est essentiel de créer des modèles qui peuvent prédire comment les gens vont se comporter dans ces situations.
Approches Actuelles pour Modéliser le Comportement des Piétons
Il y a principalement deux types de modèles utilisés pour étudier le comportement des piétons : les modèles mécaniques et les modèles d'apprentissage machine.
Modèles Mécaniques
Les modèles mécaniques essaient d'expliquer comment les gens prennent des décisions en se basant sur leur compréhension et leur perception de leur environnement. Ces modèles se concentrent souvent sur les processus cognitifs, c'est-à-dire qu'ils examinent comment les gens pensent et font des choix. Cependant, ils ne fonctionnent pas toujours bien dans la vraie vie parce qu'ils peuvent être trop simplistes et peinent à s'adapter à différents environnements.
Modèles d'Apprentissage Machine
Les modèles d'apprentissage machine, en revanche, apprennent à partir de grands ensembles de données pour prédire comment les piétons pourraient se comporter. Ils peuvent être très précis mais présentent leurs propres défis. Par exemple, ils ont souvent besoin de beaucoup de données étiquetées pour s'entraîner. De plus, ils peuvent agir comme des "boîtes noires", ce qui rend difficile de savoir pourquoi ils font des prédictions spécifiques. Ils peuvent également ne pas bien fonctionner en dehors des scénarios sur lesquels ils ont été formés.
Travaux Précédents
Dans des recherches antérieures, des tentatives ont été faites pour combiner les forces des approches mécaniques et d'apprentissage machine. L'objectif était de créer des modèles qui peuvent prédire les décisions des piétons plus précisément en intégrant des connaissances issues des sciences cognitives.
Dans cette nouvelle étude, les chercheurs ont voulu s'appuyer sur les travaux précédents en ajoutant plus de détails sur la façon dont les piétons perçoivent leur environnement et l'effort physique impliqué dans la marche. Ils voulaient créer un modèle qui non seulement prend des décisions mais montre aussi comment une personne se déplace en traversant la rue.
Facteurs Clés dans le Comportement des Piétons en Traversée
En étudiant comment les gens traversent la rue, plusieurs éléments clés jouent un rôle dans leur processus décisionnel :
Mécanismes Sensori-Moteurs
Ces mécanismes impliquent comment les gens perçoivent leur environnement et comment cela affecte leurs choix.
Perception Bruyante
La perception des gens peut être floue ou bruyante pour diverses raisons, comme des différences individuelles de vue ou des conditions météorologiques défavorables. Ça peut influencer leur capacité à juger quand il est sûr de traverser la rue.
Aversion à l'Approche
L'aversion à l'approche fait référence à la façon dont les individus réagissent souvent plus fortement aux objets qui semblent venir vers eux rapidement. Cette perception peut influencer quand un piéton décide de traverser la route.
Pression Temporelle
Quand il y a une pression pour agir rapidement, comme lorsqu'une voiture s'approche rapidement, les piétons peuvent décider de traverser la rue plus rapidement.
Effort de Marche
Les gens prennent aussi en compte combien d'énergie ils dépenseront en marchant quand ils décident de la vitesse à laquelle ils vont traverser. Cet aspect n'a pas reçu beaucoup d'attention dans les études précédentes.
Contrôle de Vitesse Balistique
Les humains ajustent leur mouvement de manière non continue mais plutôt par étapes distinctes. Cela signifie que les gens ne peuvent pas ajuster leur vitesse en douceur mais plutôt faire des changements rapides selon la situation.
Développement du Modèle
Pour tester leur modèle mis à jour, les chercheurs ont mené une expérience où des individus devaient traverser la rue en toute sécurité entre deux véhicules approchants. Plusieurs facteurs ont été variés durant l'expérience, comme la vitesse des véhicules, l'intervalle de temps entre eux et si des signaux étaient donnés pour indiquer qu'un véhicule cédait le passage aux piétons.
Collecte de Données
Des données ont été collectées sur les actions des participants, y compris leurs décisions de traverser, le temps qu'il a fallu pour commencer à traverser, et leurs vitesses de marche. L'objectif était de mieux comprendre les différentes manières dont les piétons se comportent dans divers scénarios.
Résultats Clés de l'Expérience
Les résultats ont mis en lumière plusieurs comportements importants associés à la traversée des piétons :
Acceptation de l'Espace
L'acceptation de l'espace fait référence à la volonté d'un piéton de traverser la rue en fonction de la proximité d'un véhicule et de sa vitesse. L'étude a révélé que les piétons étaient plus susceptibles de traverser quand les véhicules circulaient à des vitesses plus élevées et qu'il y avait un plus grand écart entre les véhicules.
Temps d'Initiation de Traversée (TIT)
Le TIT est le temps qu'il faut à un piéton pour commencer à traverser une fois qu'il voit un écart. Les résultats ont indiqué que les piétons commençaient généralement à traverser plus tôt lorsque les véhicules approchaient rapidement et qu'ils avaient un plus grand écart de temps.
Vitesse de Marche Moyenne
Les participants ont montré qu'ils marchaient souvent plus vite quand ils faisaient face à un plus petit écart de temps, surtout dans des scénarios où les véhicules cédaient le passage. L'étude a trouvé que les piétons avaient tendance à marcher plus lentement quand ils n'étaient pas sûrs de leur décision de traverser.
Variantes du Modèle
Les chercheurs ont testé différentes versions de leur modèle pour voir comment elles prédisaient le comportement des piétons en se basant sur ces résultats :
Modèle SM
Ce modèle incluait tous les éléments sensoriels et moteurs précédemment discutés et a été le meilleur pour capturer le comportement des piétons.
Modèle S
Cette version se concentrait uniquement sur les aspects sensoriels et ne tenait pas compte des aspects moteurs. Bien qu'elle ait capturé certains comportements, elle ne performait pas aussi bien que le modèle SM.
Modèle M
Ce modèle incluait des aspects moteurs mais excluait des aspects sensoriels. Il était limité dans sa capacité à prédire le comportement des piétons comparé au modèle SM.
Conclusions et Implications
L'étude a conclu qu'incorporer à la fois des mécanismes sensoriels et moteurs dans les modèles de traversée des piétons est vital pour simuler avec précision comment les gens se comportent dans des situations réelles.
Applications Pratiques
Il y a plusieurs applications potentielles pour ce modèle amélioré :
Sécurité des VA : Le modèle peut aider à concevoir des véhicules autonomes qui peuvent mieux interagir avec les piétons, améliorant ainsi la sécurité routière.
Gestion du Trafic : Le modèle peut aider à créer des conceptions routières plus sûres et des systèmes de gestion du trafic en prédisant avec précision les comportements des piétons.
Environnements de Test : Le modèle peut être intégré dans des environnements de test virtuels pour les technologies de VA, offrant un moyen plus sûr d'évaluer comment les VA pourraient coexister avec les piétons.
Limitations
Bien que le modèle ait capturé de nombreux comportements observés, certains phénomènes n'étaient pas totalement représentés. Par exemple, les différences de comportements entre jeunes et vieux piétons n'étaient pas aussi claires. Des recherches futures visent à combler ces lacunes pour créer un modèle encore plus complet.
En se concentrant sur la façon dont les facteurs sensoriels et moteurs interagissent dans le comportement des piétons, cette recherche contribue à une meilleure compréhension de la façon de garantir des interactions sûres entre piétons et véhicules dans des espaces partagés.
Titre: Modeling Pedestrian Crossing Behavior: A Reinforcement Learning Approach with Sensory Motor Constraints
Résumé: Understanding pedestrian behavior is crucial for the safe deployment of Autonomous Vehicles (AVs) in urban environments. Traditional pedestrian behavior models often fall into two categories: mechanistic models, which do not generalize well to complex environments, and machine-learned models, which generally overlook sensory-motor constraints influencing human behavior and thus prone to fail in untrained scenarios. We hypothesize that sensory-motor constraints, fundamental to how humans perceive and interact with their surroundings, are essential for realistic simulations. Thus, we introduce a constrained reinforcement learning (RL) model that simulates the crossing decision and locomotion of pedestrians. It was constrained to emulate human sensory mechanisms with noisy visual perception and looming aversion. Additionally, human motor constraint was incorporated through a bio-mechanical model of walking. We gathered data from a human-in-the-loop experiment to understand pedestrian behavior. The findings reveal several phenomena not addressed by existing pedestrian models, regarding how pedestrians adapt their walking speed to the kinematics and behavior of the approaching vehicle. Our model successfully captures these human-like walking speed patterns, enabling us to understand these patterns as a trade-off between time pressure and walking effort. Importantly, the model retains the ability to reproduce various phenomena previously captured by a simpler version of the model. Additionally, phenomena related to external human-machine interfaces and light conditions were also included. Overall, our results not only demonstrate the potential of constrained RL in modeling pedestrian behaviors but also highlight the importance of sensory-motor mechanisms in modeling pedestrian-vehicle interactions.
Auteurs: Yueyang Wang, Aravinda Ramakrishnan Srinivasan, Yee Mun Lee, Gustav Markkula
Dernière mise à jour: 2024-09-22 00:00:00
Langue: English
Source URL: https://arxiv.org/abs/2409.14522
Source PDF: https://arxiv.org/pdf/2409.14522
Licence: https://creativecommons.org/licenses/by/4.0/
Changements: Ce résumé a été créé avec l'aide de l'IA et peut contenir des inexactitudes. Pour obtenir des informations précises, veuillez vous référer aux documents sources originaux dont les liens figurent ici.
Merci à arxiv pour l'utilisation de son interopérabilité en libre accès.
Liens de référence
- https://www.michaelshell.org/
- https://www.michaelshell.org/tex/ieeetran/
- https://www.ctan.org/pkg/ieeetran
- https://www.ieee.org/
- https://www.latex-project.org/
- https://www.michaelshell.org/tex/testflow/
- https://www.ctan.org/pkg/ifpdf
- https://www.ctan.org/pkg/cite
- https://www.ctan.org/pkg/graphicx
- https://www.ctan.org/pkg/epslatex
- https://www.tug.org/applications/pdftex
- https://www.ctan.org/pkg/amsmath
- https://www.ctan.org/pkg/algorithms
- https://www.ctan.org/pkg/algorithmicx
- https://www.ctan.org/pkg/array
- https://www.ctan.org/pkg/subfig
- https://www.ctan.org/pkg/fixltx2e
- https://www.ctan.org/pkg/stfloats
- https://www.ctan.org/pkg/dblfloatfix
- https://www.ctan.org/pkg/endfloat
- https://www.ctan.org/pkg/url
- https://mirror.ctan.org/biblio/bibtex/contrib/doc/
- https://www.michaelshell.org/tex/ieeetran/bibtex/