Un nouveau regard sur le mal des transports dans les véhicules automatisés

Les véhicules automatiques et les simulateurs de conduite deviennent de plus en plus fréquents, mais ils peuvent provoquer le Mal des transports chez de nombreux utilisateurs. Quand les gens passent de conducteurs à passagers, ils se mettent souvent à faire des activités comme lire ou utiliser des appareils, ce qui peut aggraver les sensations de nausée. De même, dans les simulateurs de conduite, les effets visuels peuvent tromper le cerveau en lui faisant croire qu'il y a du mouvement, provoquant de l'inconfort même quand il y a peu ou pas de mouvement réel. Ces problèmes viennent d'un conflit entre ce que le corps ressent et ce que les yeux perçoivent, ce qui mène au mal des transports.

#Sensibilité individuelle au mal des transports

Tout le monde ne ressent pas le mal des transports de la même manière. Certaines personnes y sont plus sensibles que d'autres. Cette différence dans la réaction au mouvement doit être prise en compte lorsqu'on étudie le mal des transports. Une nouvelle approche combine un modèle qui fait une moyenne des réponses de groupes avec un autre modèle qui se concentre sur les réactions individuelles pour mieux comprendre ces différences.

#L'importance de la vision dans le mal des transports

Les entrées visuelles jouent un rôle clé dans les simulateurs de conduite. La façon dont une personne voit le mouvement peut énormément influencer ce qu'elle ressent. Par exemple, des indices visuels supplémentaires peuvent rendre quelqu'un plus malade si les visuels ne correspondent pas au mouvement physique qu'il ressent. Donc, capturer les effets de la vision est crucial pour évaluer avec précision le mal des transports dans les environnements de conduite réels et simulés.

#Le cadre du modèle

Un nouveau cadre de modèle intègre deux parties : une qui génère des conflits sensoriels et une autre qui cumule ces conflits dans le temps. Ce modèle combiné vise à capturer les Différences individuelles dans la façon dont les gens vivent le mal des transports. Au lieu de se fier uniquement aux moyennes de groupe, ce cadre personnalise les prévisions en utilisant des données spécifiques à chaque individu.

#Modèle de génération de conflits

Le modèle de génération de conflits se concentre sur la façon dont le cerveau traite différentes entrées sensorielles, comme les informations des yeux et des capteurs d'équilibre dans l'oreille interne. Ce modèle doit prédire avec précision comment les conflits sensoriels apparaissent pendant la conduite. Il inclut des données visuelles pour comprendre comment différentes conditions de vision pourraient impacter l'expérience du mal des transports d'une personne.

#Modèle d'accumulation de conflits

Le modèle d'accumulation de conflits prend les conflits générés par le premier modèle et suit comment ils s'accumulent dans le temps. Cette partie du cadre aide à estimer le niveau de mal des transports qu'une personne pourrait ressentir à mesure que ces conflits s'accumulent. Il utilise des paramètres pour définir à quelle vitesse ces effets se font sentir et combien de temps ils durent. De cette manière, le modèle peut prendre en compte à la fois les réactions immédiates et les effets à long terme, comme la récupération lorsque le mouvement s'arrête.

#Données et expériences

Pour tester ce cadre de modèle, deux ensembles de données existants ont été analysés. Le premier ensemble concernait des participants vivant une manœuvre de conduite spécifique avec différentes conditions visuelles. Le deuxième ensemble comparait les réponses de la conduite réelle à celles dans un simulateur. Les deux ensembles de données ont aidé à mettre en lumière les différences individuelles dans la susceptibilité au mal des transports.

#Ensemble de données Slalom Drive

Dans l'expérience Slalom Drive, les participants conduisaient une voiture avec soit une vue extérieure, soit aucune vue du tout. Les résultats ont montré que ceux ayant une vue extérieure signalaient un mal des transports plus sévère que ceux sans vue. Cet ensemble de données aide à illustrer l'effet des conditions visuelles sur le mal des transports et fournit une base pour tester le nouveau cadre de modèle.

#Ensemble de données Voiture et Simulateur

Le deuxième ensemble de données examinait des participants conduisant à la fois dans une vraie voiture et dans un simulateur. Les résultats ont montré que les participants ressentaient des niveaux différents d'inconfort dans chaque environnement, prouvant encore plus la nécessité de considérer les différences individuelles en matière de mal des transports. Cet ensemble de données a été essentiel pour démontrer la capacité du modèle à se généraliser à travers diverses situations.

#Précision du modèle et personnalisation

L'objectif de ce nouveau modèle est de fournir des prévisions précises des niveaux de mal des transports pour les individus. En se concentrant sur des paramètres personnalisés, le modèle vise à améliorer la précision par rapport aux méthodes traditionnelles basées sur des moyennes de groupe, qui ne tiennent pas compte des différences individuelles.

#Réduction des paramètres

Pour faciliter l'utilisation du modèle, les chercheurs ont cherché à réduire le nombre de paramètres nécessaires pour des prévisions précises. En utilisant des recherches existantes et des valeurs médianes d'études antérieures, ils ont déterminé que seulement deux paramètres étaient nécessaires pour capturer efficacement les différences individuelles en matière de mal des transports. Cette réduction simplifie non seulement le modèle, mais diminue également le temps de calcul nécessaire pour estimer les paramètres.

#Résultats

Les résultats des deux ensembles de données ont confirmé que le nouveau cadre de modèle surpassait les méthodes traditionnelles. En comparant les modèles individuels aux modèles basés sur des moyennes de groupe, l'approche personnalisée a montré une réduction significative de l'erreur de prédiction. Le nouveau modèle a pu s'adapter aux réponses individuelles plus précisément avec moins de paramètres, améliorant sa faisabilité pour des applications en temps réel.

#L'impact de la vision sur le mal des transports

La vision a un impact profond sur les niveaux de mal des transports. Le cadre permet des simulations qui prennent en compte différentes conditions de vision, comme ne pas avoir de vue ou voir l'environnement extérieur. Cette adaptabilité est cruciale pour comprendre comment différentes expériences visuelles influencent le mal des transports dans les environnements réels et simulés.

#Applications pratiques

Les informations tirées de ce cadre de modèle ont plusieurs applications pratiques. Elles peuvent être utilisées dans le développement de nouveaux algorithmes de simulation de mouvement pour les simulateurs de conduite, ce qui pourrait aider à minimiser ou à prévenir le mal des transports chez les participants. De plus, ce cadre peut améliorer la conception des véhicules automatisés en leur permettant d'ajuster les styles de conduite en temps réel en fonction de la susceptibilité d'un individu au mal des transports.

#Limites et travaux futurs

Bien que le nouveau cadre de modèle montre un grand potentiel, il y a quelques limites. Par exemple, il a du mal à prédire avec précision les niveaux de mal des transports pour les individus qui vivent des changements rapides dans leur réaction au mouvement en fonction des conditions visuelles. Pour aborder cette limite, il pourrait être nécessaire d'ajuster le modèle pour inclure des paramètres supplémentaires qui représentent mieux la perception sensorielle individuelle.

De plus, la performance du modèle est influencée par le type de données de mouvement utilisées. Utiliser des données de mouvement de la tête est idéal, car cela reflète plus précisément l'expérience des individus. Cependant, lorsque les données de mouvement de la tête ne sont pas disponibles, d'autres méthodes pourraient être nécessaires pour estimer cette information.

#Conclusion

Cette nouvelle approche pour modéliser le mal des transports présente des avancées significatives dans la compréhension des différences individuelles en matière de susceptibilité. En combinant les entrées visuelles et les paramètres personnels, le cadre du modèle fournit une prédiction plus précise des niveaux de mal des transports pendant la conduite. En fin de compte, ce travail ouvre la voie à de meilleures expériences tant dans les véhicules automatisés que dans les simulateurs de conduite, contribuant à créer des environnements plus confortables pour les utilisateurs. De futures recherches et perfectionnements de ce modèle amélioreront son efficacité et élargiront ses applications dans des scénarios du monde réel.