Un nouveau modèle de prédiction de trajectoire pour les véhicules autonomes dans les zones de travaux.

Le problème de la prédiction du mouvement dans des conditions routières dynamiques.

Prédiction de trajectoire. les véhicules autonomes dans les zones de travaux, c'est l'un des défis les plus difficiles dans le domaine de la mobilité. Les changements dans la disposition de la chaussée, les passages temporaires et la présence d'ouvriers sur la route créent un environnement à forte incertitude. Les recherches montrent que ce sujet est encore insuffisamment étudié : il existe un nombre limité de données spécialisées et une absence d'évaluation systématique des solutions. Dans des conditions réelles, ces zones sont souvent imprévisibles, ce qui rend difficile pour les véhicules autonomes de prendre des décisions éclairées.

WZDrive-Data est le premier ensemble de données multimodales collectées de manière dépendante de l'humain dans les zones de travaux. Il contient 1 183 segments de conduite avec la participation de 33 participants qui ont conduit un véhicule dans un simulateur avec des animations de robots en train de travailler et une réalité virtuelle contrôlée par l'utilisateur. Au cours de l'expérience, non seulement la trajectoire a été enregistrée, mais aussi les signaux visuels et de contrôle des participants, ce qui a permis d'analyser à la fois les comportements humains et les interactions avec l'environnement.

Le nouveau modèle WZDrive et ses résultats comparatifs.

Sur la base de l'ensemble de données WZDrive-Data, un nouveau modèle de prédiction de trajectoire a été développé : WZDrive. Le modèle utilise une approche multimodale, combinant des données provenant des signaux humains (par exemple, la direction du regard, le mouvement du volant) avec des informations sur la scène et la trajectoire. Son objectif principal était d'améliorer la précision de la prédiction dans des conditions à haut risque et à forte variabilité. Dans les tests comparatifs, le modèle a atteint une valeur moyenne de minADE (K=6) de 1,09 m et de minFDE (K=6) de 2,12 m, ce qui signifie que les trajectoires prédites étaient en moyenne à moins d'un mètre de la trajectoire réelle dans le cas des trajectoires les plus probables.

WZDrive a obtenu de meilleurs résultats que l'état de la technique le plus performant jusqu'à présent : une réduction de minADE (K=6) de 7,18 % et de minFDE (K=6) de 13,18 %. Ces chiffres montrent que le modèle améliore non seulement la précision des prédictions, mais réduit également considérablement le risque de prendre de mauvaises décisions dans des conditions difficiles. Les résultats sont particulièrement importants pour la sécurité : même une petite différence dans la prédiction de la trajectoire peut avoir un impact sur l'évitement d'une collision avec un travailleur ou un autre véhicule.

Importance et limites de l'étude

L'étude WZDrive montre que l'intégration des données humaines dans le processus d'apprentissage des modèles peut améliorer considérablement leur efficacité dans des conditions difficiles. Tout d'abord, cette approche permet de prendre en compte non seulement les changements physiques dans l'environnement, mais aussi les comportements humains, qui sont essentiels dans les zones de travaux. Cela peut conduire à des systèmes de conduite autonome plus flexibles et plus sûrs, en particulier dans les villes où les zones de travaux sont courantes.

Il est important de noter que les résultats ont été obtenus dans un environnement simulé. Le manque de données provenant de conditions routières réelles signifie que la précision du modèle dans le monde physique peut varier. De plus, l'ensemble de données ne comprend que 33 participants et un nombre limité de scénarios, ce qui peut affecter sa représentativité. Des recherches supplémentaires sont nécessaires pour étendre l'ensemble de données et effectuer des tests dans des conditions réelles afin d'évaluer la scalabilité et la durabilité du modèle.

L'avenir de la conduite autonome dans des environnements complexes

WZDrive est une avancée dans le développement de systèmes autonomes capables de faire face à des conditions imprévisibles. Si ces modèles sont déployés dans les véhicules, ils peuvent améliorer considérablement la sécurité routière, en particulier là où il y a des changements d'infrastructure et la présence de personnes. L'étude montre que la prédiction de la trajectoire ne peut pas être basée uniquement sur les données des capteurs : il est essentiel de comprendre les comportements humains et les interactions dans l'environnement.

L'avenir de ce type de technologie dépend du développement continu des ensembles de données, des tests en conditions réelles et de la collaboration entre les chercheurs, les fabricants de véhicules et les autorités chargées des transports. WZDrive n'est pas une solution prête à être déployée à grande échelle, mais il constitue une étape importante vers la création de systèmes capables de fonctionner en toute sécurité même dans les situations routières les plus complexes. Cela pourrait être la clé d'une autonomie complète dans les environnements urbains et les zones de travaux.