Un cadre de prédiction dynamique du risque de changement de voie basé sur la reconnaissance de l’intention de conduite sur surfaces verglacées et enneigées

Pourquoi les changements de voie hivernaux comptent

Pour quiconque a serré le volant un peu plus fort sur une autoroute enneigée, les changements de voie peuvent sembler la partie la plus inquiétante de la conduite hivernale. Le revêtement glissant, les distances de freinage accrues et les réactions nerveuses augmentent la probabilité qu’une simple manœuvre de dépassement d’un véhicule plus lent tourne mal. Cette étude explore comment prévoir le danger d’un changement de voie plusieurs secondes avant qu’il ne se produise, en se fondant non seulement sur le comportement du véhicule sur la route, mais aussi sur le regard et les réactions du conducteur à l’intérieur du véhicule. L’objectif est de fournir aux voitures du futur et aux systèmes d’assistance au conducteur un avertissement suffisant pour prévenir les collisions sur les routes verglacées et enneigées.

Examiner de près la conduite hivernale

Pour étudier en toute sécurité les situations à risque, les chercheurs ont construit un simulateur de conduite très réaliste plutôt que d’envoyer des personnes sur de véritables autoroutes glacées. Des volontaires étaient assis dans une cabine complète de voiture montée sur une plateforme à mouvement, face à un large écran courbé qui recréait une vraie voie express chinoise en conditions normales et enneigées. L’autoroute virtuelle présentait un trafic modéré, avec des voitures et des camions alentours évoluant naturellement. Parallèlement, trois types de données ont été enregistrés à haute fréquence : le mouvement des véhicules sur la route, les mouvements oculaires et de tête du conducteur, et des signaux corporels tels que l’activité cardiaque et cutanée. Ce riche mélange d’informations a capturé non seulement la position et la vitesse du véhicule, mais aussi le niveau de tension, de concentration et d’activité du conducteur lorsqu’il se préparait à changer de voie.

De l’intention du conducteur à l’alerte précoce

Un point clé de ce travail est que le danger ne commence pas lorsque le véhicule commence réellement à dériver vers la voie voisine. Il commence lorsque le conducteur pense d’abord à effectuer la manœuvre. Sur routes verglacées, cette « période d’intention » a été estimée en moyenne à environ 6,1 secondes — plus d’un tiers de plus que sur chaussée sèche — car les conducteurs ont besoin de plus de temps pour vérifier les rétroviseurs, juger les interstices et se rassurer. L’équipe a utilisé un type avancé de réseau de neurones récurrent pour reconnaître cette intention cachée à partir de séries temporelles. En alimentant le modèle Multi‑BiLSTM avec le comportement de la direction, les mouvements oculaires, les signaux corporels et le mouvement des véhicules voisins, il pouvait déterminer si le conducteur préparait un changement de voie à gauche, à droite, ou restait simplement dans sa voie, avec une précision d’environ 96–98 % même en conditions hivernales.

Transformer des mouvements complexes en un score de risque

La reconnaissance de l’intention n’est qu’une partie de l’équation ; l’autre consiste à juger à quel point le changement de voie envisagé sera risqué. Les chercheurs ont combiné deux concepts qui saisissent le danger sous des angles différents. L’un décrit dans combien de temps deux véhicules entreraient en collision si leurs vitesses et trajectoires restaient inchangées, tandis que l’autre compare la distance nécessaire pour s’arrêter en toute sécurité à la distance réellement disponible, en tenant compte de l’adhérence réduite sur glace et neige. Ces mesures, traduisant à la fois le timing et l’espacement, ont été converties en probabilités d’exposition et de gravité puis fusionnées en un seul indice de risque de changement de voie. Plutôt que d’adopter des seuils définis manuellement, l’équipe a laissé un algorithme de clustering regrouper des millions d’instants simulés en trois classes naturelles : faible, moyenne et élevée. La plupart des situations relevaient du faible risque, mais les routes enneigées ont produit beaucoup plus d’événements de risque moyen et élevé que les routes normales.

Modèles intelligents pour des décisions en une fraction de seconde

Pour prédire dans quelle classe de risque tomberait un changement de voie, les auteurs ont entraîné un modèle d’apprentissage automatique rapide à base d’arbres appelé LightGBM. Il s’est appuyé uniquement sur un ensemble soigneusement sélectionné de caractéristiques extraites de la période d’intention du conducteur — telles que l’activité de la direction, les signaux de stress corporel, le mouvement du véhicule et les distances aux véhicules environnants — ainsi que sur l’étiquette de risque pré-calculée à partir de l’exécution ultérieure de la manœuvre. Comparé à d’autres méthodes populaires comme les forêts aléatoires, les machines à vecteurs de support et XGBoost, le modèle LightGBM est arrivé en tête. Il a correctement classé le risque de changement de voie hivernal dans environ 97,5 % des cas et s’est montré particulièrement efficace pour éviter l’erreur la plus dangereuse : qualifier de « faible risque » une manœuvre réellement à haut risque. La conception du modèle permet également aux ingénieurs d’identifier quels facteurs poussent le plus fortement une situation vers le danger, contribuant à la transparence du système.

Ce que cela signifie pour des routes hivernales plus sûres

En termes clairs, cette étude montre que les voitures peuvent être enseignées à « sentir » non seulement à quel point la route est glissante et à quelle distance se trouvent les autres véhicules, mais aussi quand un conducteur est sur le point d’agir et si cette action est susceptible d’être sécuritaire. En combinant la reconnaissance précoce de l’intention avec une vue détaillée du risque, le cadre proposé pourrait alimenter de futurs systèmes d’assistance qui avertissent le conducteur, ajustent la vitesse ou retardent même un changement de voie lorsque les conditions sont défavorables. Bien que le travail soit basé sur des données de simulateur et qu’il se concentre sur des scénarios autoroutiers avec un nombre limité de véhicules à proximité, il jette des bases importantes pour des véhicules intelligents et connectés qui s’entraident pour circuler sur routes verglacées et enneigées avec moins de surprises et moins d’accidents.

Citation: Zhao, W., Du, X., Wang, Z. et al. A dynamic risk prediction framework of lane-changing behavior based on driving intention recognition on icy and snowy surfaces. Sci Rep 16, 9572 (2026). https://doi.org/10.1038/s41598-025-21369-9

Mots-clés: sécurité de la conduite hivernale, risque de changement de voie, intention du conducteur, véhicules intelligents, apprentissage automatique dans le trafic