Évaluation du niveau de responsabilité dans les collisions impliquant des piétons à l’aide d’algorithmes d’apprentissage automatique

Pourquoi cela compte pour les piétons et conducteurs du quotidien

Traverser la rue ou conduire en ville paraît routinier, mais lorsqu’un accident survient, des vies peuvent basculer en un instant — suivi de questions douloureuses sur les responsabilités. Cette étude porte sur des collisions impliquant des piétons dans une ville espagnole et se demande si des outils informatiques modernes peuvent aider la police et les juges à déterminer la responsabilité de façon plus équitable et cohérente, en repérant des motifs cachés dans des données réelles d’accidents.

Transformer des accidents tragiques en données utiles

Les chercheurs ont rassemblé des informations détaillées provenant de 510 accidents réels à Badajoz, en Espagne, tous ayant fait l’objet de procédures judiciaires complètes. Pour chaque accident, ils ont enregistré la répartition finale de la responsabilité entre le conducteur et le piéton selon cinq catégories : des cas où le conducteur était entièrement responsable à ceux où la faute était partagée à parts égales. Parallèlement, ils ont codé 14 faits simples oui/non pour chaque dossier, regroupés en quatre domaines : comportement humain (alcool, drogues, attention, temps de réaction), technologie (contrôle du véhicule et visibilité des vêtements du piéton), environnement routier (emplacement et éclairage) et règles de la route (détention du permis, vitesse et usage du téléphone mobile).

Apprendre aux ordinateurs à reconnaître les schémas de responsabilité

Avec cet ensemble de données, l’équipe a testé plusieurs méthodes d’apprentissage automatique — des programmes informatiques qui apprennent des motifs à partir d’exemples. Ils ont comparé des approches bien connues et se sont concentrés sur trois qui ont le mieux fonctionné pour cette tâche : les arbres de décision, Naïve Bayes et les machines à vecteurs de support. Chaque modèle a été entraîné sur 60 % des accidents puis testé pour prédire les catégories de responsabilité sur les 40 % restants. Pour éviter que les modèles ne « mémorisent » simplement les données, les chercheurs ont utilisé des techniques de validation croisée et ont correctement équilibré les catégories moins fréquentes, comme les cas où la responsabilité était exactement de 50–50.

Épurer les signaux avant d’interroger la machine

Plus d’informations n’est pas toujours synonyme de mieux. L’équipe a d’abord vérifié si l’une des 14 variables racontait essentiellement la même chose qu’une autre. Ils ont constaté que l’usage d’alcool et de drogues pour conducteurs et pour piétons formait des paires fortement redondantes. Conserver une seule variable par paire a réduit la liste à 12 facteurs distincts. Les modèles entraînés sur cet ensemble plus épuré ont en réalité mieux performé : éliminer les informations redondantes a réduit le bruit et aidé les algorithmes à mieux distinguer les différents niveaux de responsabilité.

Quel modèle a gagné, et quels facteurs comptent vraiment

Sur de nombreux tests, l’arbre de décision est arrivé en tête. Il a atteint environ 78 % de précision globale avec l’ensemble réduit de 12 variables et s’est montré plus rapide et moins gourmand en ressources que les autres méthodes. Les arbres de décision ont un autre avantage : ils montrent naturellement quelles informations pèsent le plus dans la décision finale. Dans cette étude, le facteur le plus influent — représentant près de la moitié du poids décisionnel — était la validité du permis de conduire du conducteur. Venaient ensuite l’emplacement du piéton (en particulier s’il se trouvait sur ou près d’un passage pour piétons), l’état d’ébriété ou d’intoxication du conducteur et la distraction due à l’usage du téléphone par le conducteur. Les distractions du piéton, la visibilité des vêtements et l’éclairage ont aussi joué un rôle, mais dans une moindre mesure.

Du soutien en salle d’audience à des rues plus sûres

Certaines situations sont restées difficiles à juger pour les algorithmes, en particulier les cas rares où la responsabilité était exactement partagée entre conducteur et piéton. Les auteurs estiment que ces situations limites doivent encore être examinées attentivement par des experts humains. Néanmoins, les outils développés peuvent aider les juges et la police routière en fournissant un « second avis » objectif et fondé sur les données, en signalant quand des schémas correspondent à des décisions passées et en permettant aux professionnels de se concentrer sur les cas les plus complexes. Tout aussi important, les résultats indiquent des priorités claires en matière de prévention : faire respecter les règles de permis, lutter contre la conduite sous alcool ou drogues, limiter l’usage du téléphone au volant et protéger les piétons aux passages. En termes concrets, l’étude montre que des ordinateurs plus intelligents et des comportements plus sûrs peuvent aider à déterminer la responsabilité de façon plus équitable — et réduire le nombre de personnes victimes de ces situations tragiques.

Citation: Moreno-Sanfélix, A., Gragera-Peña, F.C. & Jaramillo-Morán, M.A. Evaluation of the level of responsibility in pedestrian crashes using machine learning algorithms. Sci Rep 16, 12093 (2026). https://doi.org/10.1038/s41598-026-42875-4

Mots-clés: sécurité des piétons, responsabilité routière, apprentissage automatique, arbres de décision, accidents routiers