Soutenance de thèse de Gaëtan PERROTTE

La conduite automobile change. L’arrivée de véhicules partiellement autonomes va impacter notre manière de conduire, faisant passer le conducteur du statut d’acteur à celui de superviseur de la conduite, entraînant une augmentation des états dégradés de conduite. Parmi eux, la somnolence au volant est impliquée chaque année dans une grande proportion d’accidents sur les routes. En conduite partiellement autonome, la détection de la somnolence reste primordiale puisque le conducteur doit être capable de reprendre le contrôle du véhicule dès que possible. De nouveaux indicateurs de la somnolence doivent donc être mis en lumière pour s’adapter à ce nouveau style de conduite. L’intérêt de ce travail de thèse porte sur la caractérisation posturale et physiologique (cardiaque et respiratoire) du spectre de la somnolence dans divers contextes expérimentaux mais également pour divers niveaux d'automatisation. De plus, des algorithmes d’intelligence artificielle ont été développés afin de détecter les états de somnolence à l’aide des données récoltées. Les résultats majeurs de cette thèse démontrent comment la conduite partiellement autonome peut mener à une aggravation des états de somnolence. Par ailleurs, la somnolence au volant semble avoir des manifestations physiologiques indépendantes du niveau d’automatisation, tandis que les indicateurs posturaux sont impactés par ce niveau d’automatisation. Enfin, l’utilisation d’algorithmes a permis de démontrer que la combinaison d’informations diverses tend à améliorer la détection des états de somnolence et ce, y compris lorsque certains de ces états sont difficilement détectables. De manière générale, les résultats ont mis en avant la grande variabilité inter- et intraindividuelle des indicateurs enregistrés et la difficulté à transférer les connaissances acquises par les algorithmes vers de nouveaux individus. La prise en compte de ces facteurs (i.e., la variabilité interindividuelle ou le niveau d’automatisation) sera donc un challenge pour la bonne mise au point des systèmes de supervision de demain.

Driving is changing. The arrival of partially autonomous vehicles will affect the way we drive, changing the role of the driver from that of an actor to that of a supervisor, leading to an increase in impaired driving. Among these, drowsiness at the wheel is involved in a large proportion of road accidents every year. In partially autonomous driving, the detection of drowsiness remains essential, as the driver must be able to return to the vehicle as soon as possible. Therefore, new indicators of drowsiness need to be developed to adapt to this new driving paradigm. This thesis focuses on the postural and physiological (cardiac and respiratory) characterisation of the drowsiness spectrum in different experimental contexts and for different levels of automation. In addition, artificial intelligence algorithms have been developed to detect states of drowsiness using the data collected. The main results of this thesis show how partially autonomous driving can lead to a worsening of the drowsiness states. Also, drowsiness at the wheel seems to have physiological manifestations that are independent of the level of automation, whereas postural indicators are affected by this level of automation. Finally, the use of algorithms showed that the combination of different types of information tends to improve the detection of drowsiness states, even if some of these states are difficult to detect. In general, the results highlighted the high inter- and intraindividual variability of the recorded indicators and the difficulty of transferring the knowledge acquired by the algorithms to new individuals. Taking these factors into account (i.e. interindividual variability or the level of automation) will therefore be a challenge for the successful development of tomorrow's monitoring systems.