Une IA repère les décors routiers qui font monter le stress au volant

Au volant, le stress ne vient pas seulement d’un embouteillage, de la météo ou de la crainte d’être en retard. Ce que le conducteur voit autour de lui compte aussi : une intersection chargée, des piétons à surveiller, des véhicules volumineux ou une accumulation de panneaux peuvent augmenter la difficulté perçue d’une situation. Des chercheurs de l’Universitat Oberta de Catalunya (UOC) ont développé un modèle d’intelligence artificielle pour repérer ces sources visuelles de stress dans l’environnement routier.

Les travaux sont dirigés par Cristina Bustos, membre du groupe Intelligence Artificielle pour le Bien-Être Humain (AIWELL). Leur ambition n’est pas de diagnostiquer l’état émotionnel d’une personne à partir de son visage ou de son rythme cardiaque. L’approche consiste à étudier le décor de la route lui-même afin d’identifier les caractéristiques susceptibles de rendre la conduite plus tendue et plus exigeante.

Cette distinction est importante. Un même carrefour peut être vécu très différemment selon l’expérience du conducteur, le trafic ou les circonstances. Mais une IA capable de signaler les contextes visuellement complexes peut fournir une information utile aux concepteurs d’infrastructures comme aux futurs systèmes d’assistance embarqués.

Ce que l’IA cherche dans le paysage routier

La recherche part d’une idée simple : le paysage routier n’est jamais neutre. Chaque élément visible réclame potentiellement une part de l’attention du conducteur. Il faut détecter un piéton qui s’approche d’un passage, anticiper la trajectoire d’un autre véhicule, lire un panneau, distinguer une information utile d’une publicité et conserver une vue d’ensemble de la circulation.

Dans une scène encombrée, ces sollicitations se superposent. Cette accumulation peut accroître la charge cognitive, c’est-à-dire l’effort mental nécessaire pour comprendre une situation, décider et agir. Or, lorsque l’attention est fortement mobilisée, la conduite peut devenir plus éprouvante.

Le modèle étudié à l’UOC examine notamment les conditions de circulation, la présence de piétons et les caractéristiques de l’environnement urbain. Les chercheurs ont relevé que certains objets ou aménagements contribuent davantage à la complexité ressentie par les automobilistes.

Une méthode fondée sur les images, pas sur le corps du conducteur

L’originalité de cette recherche tient à son choix méthodologique. Le modèle se concentre exclusivement sur les données visuelles de l’environnement routier. Il analyse des images et des vidéos de scènes de conduite, sans recourir à des signaux physiologiques, comme la fréquence cardiaque ou la transpiration, ni aux manœuvres réalisées par le véhicule.

Cette approche diffère de nombreux dispositifs qui évaluent l’état d’un conducteur à l’aide de caméras orientées vers son visage, de capteurs embarqués ou de données liées à la conduite. Ici, l’objet de l’analyse est la route, son mobilier, ses usagers et les informations visuelles qu’elle présente.

Les chercheurs indiquent qu’il s’agit de la première étude consacrée exclusivement à l’aspect visuel du contexte routier pour analyser les sources de stress. L’intérêt est double : d’une part, comprendre comment un espace urbain peut devenir plus ou moins difficile à parcourir ; d’autre part, bâtir des outils capables de détecter ces situations sans avoir à collecter de données corporelles sur les automobilistes.

SVM et réseaux neuronaux : comment le modèle apprend à reconnaître les situations difficiles

Pour examiner ces scènes, l’équipe a utilisé plusieurs techniques d’apprentissage automatique. Parmi elles figurent les machines à vecteurs de support, souvent désignées par l’acronyme SVM, et les réseaux neuronaux convolutifs, ou CNN.

Les SVM sont des modèles capables de classer des données en cherchant une frontière entre différentes catégories. Dans un contexte visuel, ils peuvent aider à distinguer des configurations associées à différents niveaux de difficulté ou de stress. Les CNN, eux, sont particulièrement adaptés aux images : ils repèrent progressivement des motifs visuels, puis des objets et des structures plus complexes dans une scène.

Concrètement, ce type de système peut apprendre à reconnaître qu’un environnement comprend plusieurs véhicules, des piétons, des panneaux et d’autres éléments qui se disputent l’attention. L’IA ne raisonne pas comme un conducteur humain, et elle ne comprend pas nécessairement le sens complet d’une situation. Elle détecte plutôt des régularités dans les données visuelles à partir desquelles elle peut établir une évaluation.

Les résultats rapportés mettent particulièrement en avant la présence de piétons et de véhicules plus imposants. Ces éléments peuvent rendre l’expérience de conduite plus complexe, car ils exigent une vigilance renforcée et modifient l’anticipation du conducteur. Les panneaux de signalisation, les publicités et les passages piétons sont également cités comme des composantes qui peuvent perturber l’attention lorsqu’ils s’accumulent dans l’espace urbain.

Ce que le modèle mesure, et ce qu’il ne mesure pas

L’approche visuelle ouvre des perspectives concrètes, mais elle possède aussi des limites intrinsèques. Le niveau de stress réel dépend de nombreux facteurs qui ne sont pas tous visibles dans une image : fatigue, expérience, santé, habitudes de conduite, bruit dans l’habitacle ou urgence personnelle.

L’intérêt du travail de l’UOC est donc moins de produire un verdict psychologique sur chaque automobiliste que de mettre au jour des propriétés de l’environnement. Cela peut suffire à éclairer des décisions d’aménagement ou à déclencher une assistance prudente au moment opportun.

Des routes moins anxiogènes grâce à l’urbanisme

Les implications dépassent largement l’automobile connectée. Si certaines configurations routières sollicitent excessivement l’attention, les urbanistes et les autorités de circulation peuvent agir sur l’environnement. La lisibilité d’une intersection, l’organisation des flux, le placement de la signalisation ou la réduction des distractions visuelles sont autant de leviers envisageables.

Il ne s’agit évidemment pas de supprimer les passages piétons ou les panneaux nécessaires à la sécurité. Le défi consiste à rendre les informations importantes plus claires, mieux hiérarchisées et plus faciles à percevoir. Une signalisation utile mais noyée au milieu d’éléments concurrents ne produit pas le même effet qu’une information visible au bon endroit, au bon moment.

Cette approche peut aussi aider à identifier les endroits où l’attention est la plus sollicitée : carrefours compliqués, zones très fréquentées, sections où cohabitent véhicules, piétons et multiples signaux. Les collectivités pourraient alors tester des modifications ciblées, par exemple une meilleure gestion des flux ou une conception d’intersection plus sûre.

La sécurité routière ne dépend pas uniquement du comportement individuel. Elle résulte aussi de la manière dont les routes sont conçues. En mettant l’accent sur l’expérience visuelle des conducteurs, cette recherche rappelle qu’un aménagement peut soit simplifier la prise de décision, soit l’alourdir.

Vers des assistants de conduite attentifs au contexte

Les résultats pourraient également nourrir de futurs assistants de conduite intelligents. Un tel système pourrait surveiller l’environnement en temps réel et identifier l’approche d’une scène visuellement dense : arrivée à une zone piétonne, circulation complexe, présence de véhicules imposants ou multiplication d’éléments à surveiller.

L’assistant pourrait alors adapter sa manière d’informer le conducteur. L’enjeu ne serait pas de l’inonder d’alertes supplémentaires, ce qui risquerait d’ajouter du stress, mais de fournir un avertissement pertinent ou de limiter les distractions inutiles. Une assistance bien conçue peut aider à anticiper une difficulté sans se substituer au jugement humain.

Cette piste est particulièrement intéressante pour les systèmes d’aide à la conduite, qui utilisent déjà des caméras et d’autres capteurs pour observer l’environnement. Le modèle de l’UOC apporterait une couche d’interprétation supplémentaire : au-delà de la détection d’un objet, il chercherait à apprécier la complexité visuelle globale de la scène.

Il reste toutefois une étape essentielle entre un résultat de recherche et une fonction embarquée dans un véhicule. Un système destiné à assister un conducteur devrait être testé dans des conditions variées, rester fiable face aux aléas de la route et éviter de distraire davantage la personne qu’il prétend aider.

Ce qu’il faut surveiller

Les chercheurs envisagent d’élargir les données utilisées afin de développer des modèles multimodaux. Dans ce type d’approche, les images pourraient être combinées à d’autres informations pour obtenir une lecture plus fine des situations de conduite. Les données physiologiques et les mouvements du véhicule, écartés dans cette étude, constituent des pistes possibles pour compléter l’analyse visuelle.

Cette évolution devra poser une question centrale : comment améliorer la sécurité et le bien-être sans transformer l’habitacle en espace de surveillance permanente ? L’analyse de l’environnement extérieur présente l’avantage de se concentrer sur la route, mais tout système connecté soulève des enjeux de fiabilité, de transparence et de protection des données selon les informations qu’il traite.

À ce stade, les travaux de l’UOC montrent surtout qu’une IA peut aider à rendre visible ce que les conducteurs ressentent parfois confusément : certains décors routiers demandent plus d’efforts que d’autres. Mieux les identifier pourrait contribuer à concevoir des villes, des routes et des assistants de conduite moins stressants, avec un objectif concret, faciliter une conduite plus sûre et plus sereine.