Introduction
Toute personne qui prend le volant d'une moto ou d'un scooter le sait : un véhicule à deux roues exige une réaction immédiate. Et si l'on ajoute un délai strict — par exemple, lorsqu'il faut arriver à destination à temps — la situation devient réellement dangereuse. Le stress lié à la pression du temps dégrade l'évaluation des distances, augmente le temps de prise de décision et pousse à prendre des risques injustifiés. La plupart des systèmes d'aide au conducteur existants n'évaluent que l'état physique du mouvement, ignorant le contexte psychologique.
Une équipe de recherche a présenté le framework MotoSafety, qui résout ce problème à la périphérie du réseau. Le modèle fonctionne directement sur l'appareil, sans envoyer de données dans le cloud, et prend en compte non seulement la trajectoire, mais aussi le degré de pression temporelle. Cette approche permet d'alerter le conducteur sur un risque de collision à des moments où il ne le remarque pas lui-même.
Jeu de données et conditions des expériences en simulateur
Pour apprendre au modèle à comprendre l'impact des délais, les auteurs ont construit un vaste jeu de données basé sur un simulateur. 51 personnes ont participé aux expériences, chacune effectuant trois trajets. Au total, cela représente 153 sessions de simulation, et l'échantillon final comprend plus de 129 000 fenêtres annotées de séries temporelles multivariées.
Les scénarios différaient par le degré de pression temporelle : sans contrainte de temps (No TP), avec un délai modéré (Low TP) et avec un délai strict (High TP). Cette répartition a permis d'isoler l'influence du stress comme variable distincte.
Pour chaque fenêtre temporelle, 64 attributs ont été enregistrés. Il ne s'agit pas seulement de la vitesse et de l'accélération, mais aussi des paramètres de direction, de la distance aux objets les plus proches, ainsi que des indicateurs de violation des règles. Grâce à cette exhaustivité des données, le modèle peut distinguer les manœuvres dangereuses causées par l'inexpérience de celles provoquées par la volonté d'arriver à temps.
Comment fonctionne MotoSafety
L'idée clé du framework est le concept de learned temporal importance (LTI). Au lieu de traiter tous les instants avec le même poids, le modèle identifie lui-même quels segments du trajet sont réellement critiques pour la prédiction du risque. Par exemple, un changement brusque de trajectoire une seconde avant une collision potentielle est plus important qu'un mouvement rectiligne uniforme de cinq secondes. Cela réduit les coûts de calcul tout en augmentant la précision.
Architecture et performances
Sur le plan technique, MotoSafety semble très attractif pour une mise en œuvre réelle. Seulement 1,15 million de paramètres, et une latence de 0,135 milliseconde par exemple sur un processeur peu coûteux. Comparez cela aux réseaux de neurones massifs qui nécessitent des serveurs avec GPU — ici, une puce embarquée compacte suffit.
Sur les données de test, le modèle a atteint 94,97 % de précision et 99,33 % d'aire sous la courbe ROC. Ce sont d'excellents résultats pour des systèmes d'évaluation des risques. Il a également surpassé dix algorithmes de référence, y compris de puissants transformeurs comme TimesNet et LLM4TS. L'erreur de prédiction était de 0,039 MSE et 0,094 MAE — soit 4,4 fois moins que Time-LLM et iTransformer, considérés comme de solides références en séries temporelles.
Prise en compte de la pression temporelle comme biais inductif
Le résultat de l'utilisation de l'étiquette de pression temporelle est particulièrement intéressant. Si l'on fournit au modèle la valeur réelle du niveau de stress (ground truth) comme caractéristique supplémentaire, la précision passe de 94,09 % à 94,97 %. L'augmentation semble modeste, mais pour des tâches de sécurité, c'est une différence significative — sur des centaines de milliers de trajets, elle pourrait prévenir de nombreux accidents.
Plus important encore, le modèle peut prédire lui-même le niveau de pression temporelle. Dans ce cas, la précision ne chute qu'à 94,82 % — seulement 0,15 point de pourcentage de moins qu'avec les étiquettes réelles. Cela ouvre la voie à une utilisation du système dans le monde réel, où l'on ne connaît pas à l'avance l'état psychologique du conducteur. MotoSafety est capable d'évaluer le degré de pression temporelle à partir du style de conduite, puis d'ajuster la prédiction du risque.
Compacité et fonctionnement à la périphérie du réseau
Pour une utilisation en série, la simplicité d'intégration est cruciale. Et ici aussi, le framework montre d'excellents résultats. Si l'on retire la plupart des capteurs et que l'on ne conserve que 21 signaux provenant de l'IMU et du GPS, la précision reste à 93,91 %. Cela signifie que le système peut fonctionner à partir d'un simple smartphone fixé au guidon, ou d'un module peu coûteux intégré au casque.
Le faible nombre de caractéristiques réduit les coûts de production et la consommation d'énergie. De plus, grâce à l'autonomie totale de l'appareil, les problèmes de latence de communication et de confidentialité des données disparaissent. Tous les calculs sont effectués localement — le conducteur ne dépend pas d'Internet et ne transmet pas ses déplacements à des serveurs externes.
Transférabilité vers d'autres domaines
L'architecture LTI s'est avérée être non seulement une bonne solution pour les deux-roues motorisés. Les auteurs l'ont testée sur des tâches de reconnaissance d'activité humaine — la précision y a atteint 97,66 %. Et sur des séries temporelles cliniques (par exemple, des données de patients en soins intensifs), le modèle a obtenu 99,65 %. Cela confirme que l'idée d'apprendre l'importance de segments temporels individuels est universelle : elle peut fonctionner dans divers domaines où il existe des flux de signaux provenant de capteurs.
Conclusions
Ce travail s'inscrit dans la logique du Safe System Approach — un concept qui déplace l'attention de la recherche d'un coupable vers la création d'un environnement sûr. Les systèmes de transport intelligents basés sur de tels algorithmes pourraient alerter le motocycliste à l'avance d'un danger et compenser les erreurs causées par le stress.
Bien sûr, les données de simulation diffèrent toujours des routes réelles. Mais la latence de 0,135 milliseconde, la compacité du modèle et sa robustesse face à la réduction du nombre de caractéristiques font de MotoSafety un candidat réel pour le prototypage sur de vrais véhicules. Si les prochaines étapes réussissent, nous pourrions voir des systèmes qui comprennent vraiment quand un conducteur est pressé — et l'aident à ne pas prendre de risques.
