euroFOT CEESAR_Presentation_20100526

694 views

Published on

0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total views
694
On SlideShare
0
From Embeds
0
Number of Embeds
42
Actions
Shares
0
Downloads
21
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

euroFOT CEESAR_Presentation_20100526

  1. 1. EuroFOT Présentation mi-parcours CEESAR INRETS 26 mai 2010
  2. 2. Clément VAL Responsable Département Expérimentations et Sciences du Comportement CEESAR
  3. 3. Congestion • 50 Md € / an • 10% du réseau est embouteillé chaque jour
  4. 4. Efficacité énergétique et émissions • 80% de l’énergie • 85% des émissions (transport routier / tous transports)
  5. 5. Sécurité • 1.4 M d’accidents par an • Environ 40 000 morts • 2% du PIB
  6. 6. Plus de 90% des accidents causés par une erreur humaine
  7. 7. Sécurité tertiaire Mortels Biomécanique Corporels Sécurité secondaire Matériels Accidentologie Accidents Sécurité primaire
  8. 8. Sécurité tertiaire Sécurité secondaire Precrash Systèmes d’assistance Systèmes d’alerte Support à l’attention Comportement Ergonomie Education, expérience
  9. 9. Conduite naturelle & FOT
  10. 10. FOT ?
  11. 11. Comportement
  12. 12. Consortium ConsortiumConsortium Consortium Consortium Constructeurs Equipementiers Instituts de recherche Autres Vehicle Manufacturers Vehicle Manufacturers Vehicle Automotive AutomotiveAutomotive Suppliers Research Research Centres andCentres Organisations Other Organisations Automotive Suppliers Suppliers Suppliers Vehicle Manufacturers Manufacturers Universities and UniversitiesUniversities and Research Research Centres Organisations Other Organisations and Centres Universities Other Other European Center for Information Center for Information European European Center for Information European Center for Information and Communication Technologies and Communication Technologies and Communication Technologies and Communication Technologies EICT GmbH EICT GmbH EICT GmbH EICT GmbH euroFOT euroFOT iseuroFOT iseuroFOT is a Commission DGco-funded Integrated Project (IP) is a EuropeanEuropean Commission DG InformationInformation Society Integrated co-funded Integrated Project (IP) a Commission DG Information Society Society co-funded co-funded Project (IP) Project (IP) a European European Commission DG Information Society Integrated Duration:Duration: 40from Mayfrom May 40 Months,2008 until August 2011 40 Months, Months,40 Months,2008 until August 2011 Duration: Duration: August 2011 May 2008 until August 2011 2008 until from May from Total cost: !22cost: TotalMillion !22 Million!22Million EC contribution: !14 Million Total Million EC contribution: !14 Million Million !14 Million EC contribution: !14 !22 cost:Total cost: EC contribution: www.eurofot-ip.eu www.eurofot-ip.euwww.eurofot-ip.eu www.eurofot-ip.eu Contact: Contact: Contact: Coordinator: Aria Etemad, aetemad1@ford.com Etemad, aetemad1@ford.com Project Contact:Coordinator:Project Coordinator: Aria Project Project Coordinator: Aria Etemad, aetemad1@ford.com Aria Etemad, aetemad1@ford.com
  13. 13. LDW & IW MAN Volvo Trucks SCS BLIS Volvo Cars CEESAR Volvo Cars VW Fiat ACC Audi SafeHMI Ford BMW MAN Mercedes Volvo Trucks 35 CAN + Video Volvo Cars + Extra sensors VW CSW 150 Audi CAN + Video Ford 275 CAN Only FCW FEA Ford 460 Data Loggers in Total Volvo Trucks MAN Volvo Trucks Volvo Cars 1500 questionnaires to 50+ FEA Trucks 300 vehicles with LDW auto-logging
  14. 14. Centres d’essais
  15. 15. the first prototype vehicles. These prototype vehicles will be on procedure, in a pilot experiment before the real euroFOT lts ults Méthode Function Identification Socio-Economic & Description Cost Benefit Analysis Use Cases Impact Assessment Research Questions Research Questions Preparing & Hypothesis & Hypothesis Analysis Analysis Performance Indicators & Legal & Ethical Issues Data Analysis Study Design Database Measures & Sensors Measures Performance Indicators Data Acquisition oFOT project oFOT project objectives, Driving r objectives, stallation, and a stallation, test a sive pilot and nsive pilot test ” ”
  16. 16. Difficultés attendues • Techniques • Logistiques • Ethiques et légales • Scientifiques
  17. 17. Hélène Tattegrain Researcher INRETS / LESCOT
  18. 18. Conception du FOT Etude du limiteur et du régulateur de vitesse
  19. 19. Objectifs • Etudier les comportements réels de l’usage de systèmes de transport intelligents en milieu écologique • Avantages • Nombreuses situations écologiques • Usages réels : risque, détournement, appropriation • Contraintes • Uniquement observation des comportements • Opinion des utilisateurs globales • Automatisation du recueil nécessaire  Méthode itérative pour la conception du FOT
  20. 20. Processus de conception du FOT Que veut-on Hypothèses de Que veut-on mesurer recherche analyser Protocole Plan expérimental Itératif d’analyse Comment Comment peut-on le peut-on mesurer Indicateurs de performance l’analyser Variables situationnelles
  21. 21. Description des hypothèses 1/4 • Déclaration spécifique liant une cause à un effet et basée sur un mécanisme liant les deux. • Evaluée avec des moyens statistiques en analysant des indicateurs de performance spécifiques dans des scénarios spécifiques. • Prévoie la direction du changement attendu. • S= Sécurité, E= Environnement, • U= Usage, A= Acceptabilité • M= Mobilité, D= Comportement du conducteur,
  22. 22. Description des hypothèses 2/4 • Raison : Pourquoi évaluons-nous cette hypothèse ? • Situations de Comparaison : Situation qui sera utilisée pour la comparaison dans une analyse. 1) Conduite de référence (AUCUN SL/CC) comparée à conduite avec systèmes (SL/CC disponibles) 2) Conduite avec systèmes comparée à une référence extérieure (par exemple une base de données d'accident ou un modèle d'émission de CO2) 3) Conduite avec systèmes comparée entre type de conducteur différent ou situation routière différente 4) Avis du conducteur enregistré plusieurs fois 5) Conduite avec systèmes enregistrée plusieurs fois • Cas d'Utilisation et Scénario 1) N'importe quel scénario où la vitesse n'est au-dessus de 30 km/h 2) Aucun cas d'utilisation particulier 3) N'importe quel scénario
  23. 23. Description des hypothèses 2/3 • Facteurs Contrôlés facteurs constants dans une analyse A - Activation-SL B - CC Activation C - Caractéristique du conducteur (chercheur de sensation) D - Type de Route - Densité d'Intersection E F - Vitesse s'étend G – Météo • Facteurs variables non gardés constants dans une analyse, ayant de l'influence sur les résultats a - Densité de trafic b - Type de Route c - Temps absolu (jour/semaine) d - Météo e - Limitations de vitesse l – Pente de la route f – Rayon de courbure g - Caractéristique du conducteur (chercheur de sensation) k - Température du moteur m - Caractéristique de Conducteur (âge) p - Caractéristiques du système q - Limitation de vitesse contextuelle r – Nombre de km avec système activé
  24. 24. Description des hypothèses 4/4 • Indicateur(s) de performance Indicateur quantitatif ou qualitatif, tiré d'une ou plusieurs mesures, convenues à l'avance, exprimé comme un pourcentage, un index, une note ou une autre valeur, contrôlé à intervalles réguliers ou irréguliers peut être comparé à un ou plusieurs critères.
  25. 25. Exemple d’hypothèse Domaine U1 La fonction de SL sera utilisée plus sur des routes urbaines et des Hypothèse routes avec beaucoup d'intersections. Respecter la limitation de vitesse sans avoir a contrôler la vitesse en Raison zone urbaine Situations de 3) Conduite avec systèmes comparée entre situations routières Comparaison différentes UC/Scénario N'importe quel scénario où la vitesse est au-dessus de 30 km/h Facteurs A - SL Activation D – type de route G – Météo Contrôlés E - Densité d'intersection F - Vitesse (vitesse > 30km/h) Facteurs a - densité de trafic q - limitation de vitesse contextuelle variables b - type de Route Indicateurs de performance nombre de km avec le système activé
  26. 26. Hypothèses pour les deux systèmes1/2 • Comportement du conducteur • L'utilisation SL/CC réduira la vitesse moyenne du véhicule • L'utilisation SL/CC réduira le nombre d’excès de vitesse • L'utilisation SL/CC augmentera le nombre de jerks importants • Sécurité • La pénétration importante des SL/CC diminuera le nombre d'accidents • La pénétration importante des SL/CC diminuera la sévérité des accidents • Usage • Pour les CC/SL la vitesse choisie sera au-dessous de la vitesse légale pour des conducteurs « non-chercheurs de sensation » • Pour les CC/SL la vitesse choisie sera juste au dessus de la vitesse légale (juste pour éviter des amendes) pour des conducteurs « chercheurs de sensation »
  27. 27. Hypothèses pour les deux systèmes 2/2 • Environnement • L'utilisation SL/CC réduira la consommation de carburant et l'émission de CO2 • Acceptabilité • Le niveau d'acceptation et la confiance augmentera avec l'expérience du SL/CC • L'utilisation du SL/CC augmentera le confort et le plaisir de conduire • Certaines caractéristiques (fonctions) des SL/CC en termes de facilité d'emploi influenceront l'acceptation. • Certaines caractéristiques(fonctions) du système SL/CC, en terme d'utilité, influenceront l'acceptation d'utilisateur ? • SL/CC l'utilisation des système augmentera en fonction du temps. • La charge de travail du conducteur diminuera en fonction du temps avec l'utilisation de système SL/CC. • Les pratiques de l’utilisateur (heuristiques, règles) changeront en fonction du temps pendant le FOT.
  28. 28. Hypothèses spécifiques à un système • Usage • La fonction SL sera plus utilisée sur des routes urbaines et des routes avec beaucoup d'intersections • La fonction CC sera utilisée plus sur autoroutes et sur routes avec peu d'intersections • Sécurité • L'utilisation CC augmentera le temps de réaction pour freiner
  29. 29. Indicateurs objectifs de performance 1/2 • Activation des systèmes • Nombre de km avec le système activé • Pourcentage de km avec le système activé • Vitesse • Distribution (moyenne speed ,écart type ,max) • Evolution de la vitesse (distribution instantanée) • Moyenne de la différence entre la vitesse et la vitesse limite • Excès de vitesse • Fréquence des excès/km • Pourcentage de temps au dessus de la vitesse limite • Moyenne des différences entre la vitesse et la vitesse limite
  30. 30. Indicateurs objectifs de performance 2/2 • Accélération • Fréquence du jerk longitudinal • Position des pieds • Temps entre de début du mouvement et le début du freinage • Pourcentage de temps avec les pieds sur les pédales d’accélérateur et de frein • Distances moyenne, max et min entre la pied et la pédale de frein • Consommation de carburant • Histogramme de consommation [par variable situationnelle. /événement] • Moyenne de consommation (1) calculée total • Moyenne de consommation (1) calculée par le moteur
  31. 31. Indicateurs subjectifs de performance • Questionnaires • Utilité perçue • Satisfaction perçue • Acceptabilité sociale, confiance perçues • Efficacité perçue • Facilité d’utilisation perçue • Charge mentale subjective • Usages déclarés
  32. 32. Plan expérimental • Besoins • Beaucoup d’hypothèses mesurent une évolution  Nécessité d’une référence de conduite sans système • Etalonner les indicateurs de performance  Nécessité de données vidéo • Résultats quantitatif  Besoin d’une large période de recueil • Contraintes • Temps d’analyse, coût d’équipement , coût de stockage de données  5 véhicules suréquipés sur 1.5 mois et 35 véhicules moins équipés sur un an Chaque participant aura les deux types de véhicules
  33. 33. Plan expérimental 7 vagues de 5 conducteurs M1 M2 M3 M4 M5 M6 M7 M8 M9 M10 M11 M12 M13 M14 Véhicule participant Véhicule suréquipé Expérimentation Référence
  34. 34. Processus de conception du FOT Que veut-on Hypothèses de Que veut-on mesurer recherche analyser Protocole Plan expérimental Itératif d’analyse Comment Comment peut-on le peut-on mesurer Indicateurs de performance l’analyser Variables situationnelles
  35. 35. Guillaume Saint Pierre Chargé de Recherche LIVIC (INRETS / LCPC)
  36. 36. Analyse de données De la base de données à l’analyse coûts-bénéfices
  37. 37. Processus de conception du FOT Que veut-on Hypothèses de Que veut-on mesurer recherche analyser Protocole Plan expérimental Itératif d’analyse Comment Comment peut-on le peut-on mesurer Indicateurs de performance l’analyser Variables situationnelles
  38. 38. Plan 1. Introduction : Des données complexes pour des analyses multiples 2. Répondre aux hypothèses 3. Analyse globale des impacts 1. Méthode indirecte 2. Méthode directe 4. Planning
  39. 39. 1. Des données complexes pour des analyses multiples cap teu rs Carto graph Analyse d’impacts: ie • Sécurité • Mobilité vide o BDD • Environnement s ai re n on e sti qu
  40. 40. Objectifs du projet EuroFOT • Evaluer l’acceptabilité et l’utilisabilité du système. • Analyser les effets sur le comportement de conduite, la charge mentale, et étudier les effets d’apprentissage. • Identifier les effets des systèmes sur la sécurité, la mobilité et l’environnement. • Mener une analyse socio-économique de type coût/ bénéfice.
  41. 41. Enjeux • Aucun précédent Européen sur l’analyse des FOT • Des dizaines de milliers d’heures de route • Quelques centaines (milliers) d’évènements à repérer, extraire et analyser • Comment analyser un jeu de données gigantesque et déstructuré afin d’aboutir à une analyse coût/bénéfice fiable ?
  42. 42. 2. Répondre aux hypothèses de recherche  Utilisation d’indicateurs reliés au phénomène étudié (Performance indicators, PI).  Analyses de variance (comparaison de moyennes avec/ sans).  Approche descriptive qui moyenne le comportement des conducteurs selon les situations.  Description des situations à l’aide de variables (Type de route, nbre de voies, météo, niveau de congestion, limitation de vitesse etc.)
  43. 43. Calcul des PI • PI objectifs  Obtenus grâce aux capteurs embarqués  Ils sont agrégés selon les situations de conduite  Les situations de conduite sont des combinaisons de variables de situation (type de route, limitation de vitesse etc.) • PI subjectifs  Obtenus grâce aux questionnaires  Indicateurs globaux : Ne sont pas reliés aux situations de conduite
  44. 44. Test statistique d’une hypothèse • Idée de fond :  Prendre une décision entre deux hypothèses  H0 : Il n’y a pas de différence avec/sans le système  H1 : Il y a une différence  Si les données mesurées lors du FOT « avec » système sont « significativement » différentes, on accepte H1.  Accepter H0 n’est pas une preuve que le système n’a pas d’effet… • Quel seuil de significativité choisir ?
  45. 45. Exemple : Utiliser le CC réduit la consommation de carburant Fuel consumptions • Facteurs contrôlés : Etat du CC, Densité Baseline during baseline Trip_1 L/100km de trafic Driver_1 ... Trip_n1 L/100km ... • Facteurs variables : Type de route, type de Trip_1 L/100km conducteur, vitesses limites, pente, Driver_k ... Trip_nk L/100km température Experiment Trip_n1+1 (only data with SL L/100km “on”) (split in different • PI : Consommation en l/100km parts according to SL usage) Driver_1 ... • Méthode : Analyse de la variance Trip_n1’ L/100km (split in different parts according to SL usage) • Construction de tables différentes pour ... chaque facteur variable Trip_nk+1 L/100km (split in different parts according to SL • Cette approche ne tient pas compte de Driver_k usage) ... scenarios types : Les sommets de côte par Trip_nk’(split in exemple different parts according to SL usage) L/100km
  46. 46. 3. Impact global • Objectifs  Analyser les effets de la fonction testée au niveau National/Européen,  Concernant l’impact sur le trafic, la mobilité et l’environnement.  Etudier plusieurs taux de pénétration.  Permettre une analyse coût/bénéfice.
  47. 47. Evaluations indispensables pour une ACB • Impact sur le trafic  Effets directs : Temps de trajet, homogénéisation du trafic, réduction des congestions  Effets indirects : Réduction du nombre de situations accidentogènes liées aux congestions • Impact sur la sécurité  Réduction du nombre de situations accidentogènes liées au système (modélisation).  Réduction de la gravité des accidents liés au système • Impact sur l’environnement : Consommation et émissions de CO2  Liés aux effets du système  Liés aux effets indirects sur le trafic
  48. 48. Hypothèses communes nécessaires CAN Only Additional Hypotheses for impact assessment - Direct route Vehicles Fully instrumented Vehicles Safety Function x decreases the average speed OK OK Safety Function x decreases the variation in speed OK OK Safety Function X decreases the share of critical THW OK OK Safety Function X decreases the share of critical TTC OK OK Safety Function X decreases the share of critical TLC   OK Safety Function X decreases the number of unintended line crossings   OK Safety Function X decreases the number of heavy steering jerks OK OK Safety Function X decreases the frequency and duration of hard braking OK OK Safety Function X decreases the frequency and duration of hard accelerationOK OK Mobility Function X increases the number of trips OK OK Function X increases the number of vehicle km travelled (per road Mobility category) OK OK Environment Function X decreases the fuel consumption per km OK OK
  49. 49. Différentes approches • Méthode indirecte  Utilisation des données FOT comme entrée de modèle de comportement du conducteur  Modélisation des interactions avec les autres véhicules  Simule différents taux de pénétration • Méthode directe  Utiliser directement les données issues du FOT  Projeter à l’échelle nationale en extrapolant les situations observées  Mais peu fiable pour des systèmes interagissant avec le trafic
  50. 50. Méthode indirecte : Simulation de trafic • Pour la France : Utilisation de ITS Modeler (TNO). • Permet de répondre aux questions environnementales, et d’étudier différents taux de pénétration.
  51. 51. Méthode directe : comment évaluer les effets sur la sécurité ? • Une littérature abondante sur les mécanismes d’accident : TRACE, eIMPACT, AIDE, etc. • Mais pas de consensus européen sur une méthodologie. • Tentative de mettre en place une méthodologie nouvelle adaptée à chaque système.
  52. 52. Principe • Evaluer l’impact sur la sécurité signifie transformer les données FOT (vit, TIV, etc.) en nombre de morts (et/ou blessés grâves). • Impact sécurité = Proba d’accident * grâvité * exposition au risque • Risque :  Risque d’accident = Proba d’accident * grâvité • Comment déterminer ce risque ? • Et l’exposition au risque ?
  53. 53. Plusieurs choix • Utilisation de relations entre vitesse moyenne et risque/ gravité (Nilsson) • Détailler le risque d’accident selon les situation (combinaisons SV variables) et utiliser les BDD d’accident Européennes pour extrapoler (Matrices de risque) • Etudier en détail chaque « type » d’accident potentiellement modifié par la fonction  Utilisation de modèles physiques  Détection des situations de conflits et de presque-accident
  54. 54. Problèmes • Bases de données d’accident françaises insuffisamment détaillées, confidentielles, ou non-représentatives  Impossibilité d’extrapoler à partir des données FOT de type « conflits » ou presque accidents • Usage intensif de la vidéo difficile pour la détection de conflits. Mais indispensable … • Très grand nombre de situations de conduites différentes : risque de données insuffisantes
  55. 55. Pour SL/CC • Tentative de combiner les différentes approches :  Détection des conflits et des presque-accidents  Approche moyenne (ex du LAVIA)  Matrice de risque (combinaisons de SV)  Simulation (ITS Modeler) • Mais extrapolation à la France rendue difficile par manque d’information disponible.
  56. 56. 4. Planning • Mars 2010 : 1er concept méthodologique • Avril-Mai 2010 : visite aux USA (VTTI, UMTRI, Volpe Center)  Six personnes expérimentées en accidentologie, sécurité routière, technique automobile, psychologie, facteurs humains, et statistique. • Juin 2010 : second concept methodologique • Sept 2010 : methodologie OK • Fin 2010 : Outils prêts
  57. 57. Processus de conception du FOT Que veut-on Hypothèses de Que veut-on mesurer recherche analyser Protocole Plan expérimental Itératif d’analyse Comment Comment peut-on le peut-on mesurer Indicateurs de performance l’analyser Variables situationnelles
  58. 58. Michael Regan, PhD Research Director Adjunct Professor INRETS Chalmers University of Technology, Sweden
  59. 59. Subjective data collection in Field Operational Tests
  60. 60. Overview • Objective data • Subjective data • Why is subjective data important in FOTs? • The euroFOT questionnaire • Conclusion
  61. 61. Objective Data • Objective data are observations that do not involve personal feelings and which are based on observable facts • eg vehicle speed, driver eye glance location, and time to collision. • Objective data are derived from on-board sensors – such as radar, video, eye tracking systems etc and are recorded by a data acquisition system equipped to vehicle.
  62. 62. Subjective Data (1) • Subjective data are observations that involve personal feelings, attitudes, and perceptions. •  eg subjective mental workload, perceived satisfaction, trust …
  63. 63. Subjective Data (2) • Subjective data for Field Operational Tests are usually derived from three main sources: - questionnaires - interviews (with individual drivers) - focus groups
  64. 64. Subjective Data (3) • In euroFOT, we are relying on a questionnaire to collect subjective data :  - to ensure that the same data is collected in the same way by each of the vehicle management centres across Europe - to minimize the time required to collect the required information - to enable us to collect the information we need at specific points in time during the study - to make it easier to aggregate and harmonize the analysis of the subjective data by the different VMCs
  65. 65. Why is Subjective Data Important? • to obtain insights that cannot be obtained by objective methods • to collect data that cannot, for technical reasons, be collected by the vehicle data acquisition system • to understand why a hypothesis tested does not yield an expected result • to test whether the systems under investigation have a differential effect on different driver sub-groups • to understand why the system is effective
  66. 66. euroFOT questionnaire (1) • The euroFOT questionnaire is divided into six parts. • It is designed to collect subjective data that will enable us to answer, for each of the functions being evaluated, several specific questions.   • Subjective data will be collected before, during and after drivers have interacted with the systems - so we can assess changes over time eg changes in subjective mental workload and driver acceptance
  67. 67. euroFOT questionnaire (2)  why do drivers choose not to participate in the study?  what is the impact of the system on driver subjective mental workload?  Is the system acceptable to drivers?:  perceived usefulness  perceived satisfaction  perceived social acceptability  affordability  trust  perceived effectiveness  perceived ease of use
  68. 68. euroFOT questionnaire (3)  What are the driver characteristics that could influence the impact of the systems on driving performance and behaviour? :  Accident record  Experience with in-vehicle technologies  Experience with other technologies  Attitude toward target behaviours  Demographic data (eg age, gender)  Personality (sensation seeking)  Travel patterns (by road type/time of day)  Driving behaviour (self reported targeted behaviours)  Social influence (degree to which significant others influence the driver)
  69. 69. euroFOT questionnaire (4)  Do drivers misuse or abuse the systems – do they use the system in ways not intended by the designers of the system?  Do drivers intend to use the system after the study is over?  Does the way in which drivers interact with the system change over time? And how?
  70. 70. Conclusions There are 3 main challenges for euroFOT in collecting subjective data using questionnaires.   Questionnaires need to be short, as previous experience with FOTs has shown that drivers will not complete them if they are too long, or if there are too many .  The Field Operational Test is a maturing methodology, and for some information that we wish to collect in euroFOT there currently exist no valid, reliable and standardised measures. We had to develop our own measures.  The questionnaires must be designed so that data that are collected can be easily analysed.
  71. 71. Logistique
  72. 72. Recrutement • Réseau Renault • 35 conducteurs > 5 conducteurs par vague • Véhicules neufs (Clio & Laguna) • 30-59 ans (puis 25-30 ans si nécessaire) • Hommes - Femmes • Ouest de la région parisienne • Kilométrage / an > 15 000
  73. 73. Protocole expérimental 7 vagues de 5 conducteurs M1 M2 M3 M4 M5 M6 M7 M8 M9 M10 M11 M12 M13 M14
  74. 74. Protocole expérimental A fait l’objet de deux procédures liées aux aspects éthiques et légaux auprès de : • la CNIL • du CPP Ile de France II
  75. 75. Protocole expérimental Recrutement 10 s 2s 16 s 2s 16 s 2s Achat Livraison
  76. 76. Protocole expérimental Recrutement 10 s 2s 16 s 2s 16 s 2s Achat Livraison Entretien téléphonique (20’) • Conformité avec les critères d’inclusion • Rendez-vous pour le recrutement
  77. 77. Protocole expérimental Recrutement 10 s 2s 16 s 2s 16 s 2s Achat Livraison Rendez-vous 1 : Recrutement (2h00) • Présentation de CEESAR / INRETS et de EuroFOT • Présentation de l’instrumentation • Présentation et signature des documents conducteurs • Prise du prochain rendez-vous
  78. 78. Accords avec le participant • Notice d’information • Consentement libre et éclairé • Formulaire d’accord de participation • Autorisation d’utilisation d’image • Conditions générales de prêt de véhicule
  79. 79. Protocole expérimental Recrutement 10 s 2s 16 s 2s 16 s 2s Achat Livraison Rendez-vous 2 : Instrumentation (4h30) • Instrumentation • Questionnaire Time 1 • Explication: hotline, équipements • Formation RV/LV • Prise du prochain rendez-vous
  80. 80. Protocole expérimental Recrutement 10 s 2s 16 s 2s 16 s 2s Achat Livraison Rendez-vous 3 (20’) • Permutation des véhicules > véhicule CEESAR • Prise du prochain rendez-vous
  81. 81. Protocole expérimental Recrutement 10 s 2s 16 s 2s 16 s 2s Achat Livraison Rendez-vous 4 (40’) • Permutation des véhicules > véhicule personnel • Questionnaire Time 2 • Prise du prochain rendez-vous
  82. 82. Protocole expérimental Recrutement 10 s 2s 16 s 2s 16 s 2s Achat Livraison Rendez-vous 5 (20’) • Permutation des véhicules > véhicule CEESAR • Prise du prochain rendez-vous
  83. 83. Protocole expérimental Recrutement 10 s 2s 16 s 2s 16 s 2s Achat Livraison Rendez-vous 6 (40’) • Permutation des véhicules > véhicule personnel • Questionnaire Time 3 • Prise du prochain rendez-vous
  84. 84. Protocole expérimental Recrutement 10 s 2s 16 s 2s 16 s 2s Achat Livraison Rendez-vous 7 (40’) • Permutation des véhicules > véhicule CEESAR • Prise du dernier rendez-vous • Démontage de l’instrumentation
  85. 85. Protocole expérimental Recrutement 10 s 2s 16 s 2s 16 s 2s Achat Livraison Rendez-vous 8 (60’) • Récupération du véhicule CEESAR • Questionnaire Time 4 • Débriefing
  86. 86. Logistique • Hotline • Scénarios de défaillance pour l’ensemble du système «FOT» ‣ Actions à entreprendre par le CEESAR et/ou le participant
  87. 87. « Don't undertake a project unless it is manifestly important and nearly impossible » Edwin Land 1909-1991
  88. 88. Instrumentation
  89. 89. Requis • Bas coût • Quasi invisible • Fonctionnement autonome • Données protégées • Télétransmission des données • Homologation
  90. 90. Objectifs Instrumentation légère Instrumentation intégrale 5 véhicules Ceesar 35 véhicules clients «CAN, GPS,Video, «CAN, GPS» Radar» + + BDD géographique Position des pieds Interdistance Suivi de voie Suivi du regard
  91. 91. Instrumentation Légère DATALOGGER ECU ECU ECU ECU
  92. 92. Datalogger • architecture ARM • 4 CAN, GPS, RS232, USB, carte SD • Modem Data GPRS • OS : Linux • Applicatif : C / Python
  93. 93. Radar • TRW / Autocruise AC20 • Gyromètre intégré • Lentille noire • Montage mécanique par bridage
  94. 94. Intégration
  95. 95. Instrumentation Intégrale Légère VIDEOLOGGER DATALOGGER ECU ECU ECU ECU
  96. 96. Videologger • Embarquable • Fichiers facilement exploitables • Autonome • synchronisation • Abordable précise à l’image • Au moins 4 canaux
  97. 97. Videologger • PC embarquable, 80Go • Encodeur IP, 4 voies • Format H.264 • OS : Windows XP
  98. 98. Cameras • N&B • CCD SuperHAD Ex-view • Objectifs interchangables
  99. 99. Cameras
  100. 100. Cameras
  101. 101. Cameras
  102. 102. Cameras
  103. 103. Synchronisation < 40 ms 
  104. 104. Position des pieds Solution LIVIC
  105. 105. Position sur la voie Mobileye AWS
  106. 106. Instrumentation Intégrale : eyetracker ? VIDEOLOGGER DATALOGGER ECU ECU ECU ECU
  107. 107. Instrumentation Instrumentation légère Instrumentation intégrale 5 véhicules Ceesar 35 véhicules clients   «CAN, GPS,Video, «CAN, GPS» Radar» + + BDD géographique  Position des pieds  Interdistance  Suivi de voie  Suivi du regard 
  108. 108. Intégration (Souvenirs)
  109. 109. Intégration
  110. 110. Gestion de données
  111. 111. Mo / h h / Mois Mois Véhicules 1000 80 12 5 25 80 12 5 14 80 13,5 35 60 80 13,5 40
  112. 112. Objectifs • Robustesse • Efficacité • Qualité • Interactivité • Généricité & Exhaustivité • «Scalabilité»
  113. 113. Architecture client client cluster client serveur base de d’applications données flotte
  114. 114. Tâches • Télétransmission • Conversion • Synchronisation et harmonisation • Traitement • Visualisation & annotation • Stockage • Analyse
  115. 115. Télétransmission Upload Processor Fleet Manager CMS CORE Diagnostic Configuration SOAP Interface Crossbar Manager Management GUI
  116. 116. Demo
  117. 117. Conversion & Synchronisation Synchronization Upload Processor Conversion Tool Tool Fleet Manager DATA MANAGER CMS CORE Diagnostic Configuration SOAP Interface Crossbar Manager Management GUI
  118. 118. Conversion DBC Configuration NAVTEQ Conversion Tool
  119. 119. Conversion Fichier Matlab Standard
  120. 120. Synchronisation Synchronization Tool
  121. 121. Synchronisation Configuration Synchronization Tool
  122. 122. Synchronisation Modèle de données Fichier Matlab Harmonisé
  123. 123. Modèle de données • Signaux • Evénements • Situations • Scalaires
  124. 124. Traitement A3 A1 A5A2 A6 Signaux Evénements Situations Scalaires
  125. 125. Traitement Modèle de données Signaux Evénements Situations Scalaires Données agrégées
  126. 126. Traitement
  127. 127. Stockage Trajets Conducteurs Situations Description des événements Véhicules Evénements Signaux Description Description des signaux des événements Description des process
  128. 128. Analyse Trajets Conducteurs Situations Description des événements Véhicules Evénements Signaux Description Description des signaux des événements Description des process
  129. 129. Processus Traitement Stockage Preprocessing Analyse
  130. 130. Processus complexe • Nouvelles versions d’algorithmes... • Nouveaux signaux dérivés... • Nouveaux types de données agrégées, nouveaux attributs... ➡ Evolution du modèle de données, pendant et après l’expérimentation Modèle de donnéesde données Modèle Modèle de données
  131. 131. Processus complexe • Création manuelle, validation, invalidation des évènements. • Edition interactive d’attributs des évènements. ➡ Conflit avec l’évolution des algorithmes de classification ?
  132. 132. Processus complexe • Plusieurs analystes / codeurs travaillent en même temps. • Chaque itération peut être très coûteuse en calcul.
  133. 133. Processus complexe assisté ? • Automatiser les tâches et éliminer tout calcul redondant (dépendance, contrôle de version) • Donner un cadre strict aux tâches manuelles (évolution du modèle, annotation...), contrôler et automatiser leur impact. • Prendre en charge l’assurance qualité
  134. 134. Processus complexe assisté FRAMEWORK
  135. 135. Synchronization Upload Processor Conversion Tool Tool Fleet Manager DATA MANAGER CMS CORE Diagnostic Configuration SOAP Interface Crossbar Manager Management GUI
  136. 136. Trip visualization & User defined algorithms Trip Model Frontend annotation PROCESSING FRAMEWORK Synchronization onversion Tool DATA MODEL Tool DATA MANAGER DATA MANAGER CMS CORE CMS CORE Diagnostic Configuration Crossbar Manager
  137. 137. orithms Trip Model Frontend AMEWORK DATA MODEL SQL Interface
  138. 138. Demo
  139. 139. Objectifs • Robustesse  • Efficacité  • Qualité  • Interactivité  • Généricité & Exhaustivité  • «Scalabilité» 
  140. 140. • Observation des usages du système de transport. (Globalité: pas seulement safety, pas seulement véhicule) • Puissance statistique & observation des évènements rares • Industrialisation des outils et méthodes • Contrainte au pragmatisme et au réalisme, pour les concepteurs comme pour les chercheurs (Expérimentation sur le terrain de concepts matures)
  141. 141. • Concevoir le système «euroFOT», c’est : - Mettre en place une flotte de véhicules connectés - Rapatrier, et traiter en quasi temps réel des données concernant les véhicules, la conduite et l’environnement - Fusionner ces données à celles émanant d’autres bases (par exemple : données cartographiques) - Utiliser les indicateurs obtenus comme entrée de modèles de trafic afin d’obtenir des prédictions. = toutes compétences techniques et conceptuelles nécessaires à la mise en place d’un ITS
  142. 142. • Innovation ~= technologie (expérimentations sur le terrain permettent d’identifier aussi les freins non technologiques) • Aujourd’hui couteux mais : - mutualisable - technologie gratuite (presque) - voiture connectée = réalité • Excellent support de comm’ grand public
  143. 143. Diagnostic du système de transport produit A produit B produit C Les compétences développées permettent l’évaluation de produits
  144. 144. produit «ITS» Diagnostic temps réel du système de transport Les compétences développées sont également au coeur de produits futurs
  145. 145. « The best way to predict the future is to invent it » Alan Kay 1940-

×