| Attributes | Values |
|---|
| type
| |
| Thesis advisor
| |
| Author
| |
| alternative label
| - Real-time monitoring of Human-Machine systems, application to driver assistance systems
|
| dc:subject
| - Apprentissage automatique
- Thèses et écrits académiques
- Systèmes homme-machine
- Systèmes d'aide à la décision
- Aide en ligne (informatique)
- Conduite automobile -- Simulateurs
- Interaction humain-machine
|
| preferred label
| - Surveillance temps-réel des systèmes Homme-Machine, application à l'assistance à la conduite automobile
|
| Language
| |
| Subject
| |
| dc:title
| - Surveillance temps-réel des systèmes Homme-Machine, application à l'assistance à la conduite automobile
|
| Degree granting institution
| |
| note
| - Notre travail se situe dans le cadre de la surveillance de systèmes homme-machine, où l'opérateur humain est un élément de décision dans la boucle. Ce type de systèmes nécessite une surveillance automatisée globale temps-réel, incluant la détection d'incidents techniques et de défaillances humaines. Partant de l'hypothèse que la partie technologique travaille \" correctement \" et/ou qu'elle est surveillée par un système de diagnostic, nous nous centrons sur la partie opérateur humain, la plus critique à surveiller. Nous présentons un système de diagnostic appliqué à la surveillance du conducteur automobile à partir d'informations fournies par des capteurs embarqués dans le véhicule. Les travaux ont été développés dans le cadre du projet Européen AWAKE et le projet national \" facteurs de dégradation de la vigilance et de la sécurité dans les transports \" de PREDIT. Nous proposons une stratégie générale de système temps-réel pour la surveillance du niveau de vigilance du conducteur (dynamique lente) et la surveillance du niveau de risque lié à la situation actuelle de conduite (dynamique instantanée), à travers : L'analyse temporelle et fréquentielle des signaux mécaniques (mesures de performance) par ondelettes et filtres, pour en extraire des caractéristiques dynamiques, statistiques et fréquentielles sur la dégradation de la conduite, L'apprentissage par SVM, méthode pour laquelle nous avons développé des stratégies d'implémentation adaptées pour un apprentissage en ligne et pour des problèmes de grande taille, La fusion par FIS, afin de profiter de l'expertise humaine et produire un diagnostic sur le niveau de risque lié à la sortie de la voie de circulation. La validation d'une telle approche à travers des EEG et EOG (mesures physiologiques) et des autoévaluations (mesures subjectives). Nous appliquons cette méthodologie à diverses expériences des programmes AWAKE et PREDIT réalisées sur des simulateurs ou des démonstrateurs
- Our work is within the framework of human-machine systems monitoring, in which the human operator is an element of decision in the loop. This type of systems requires a global automated real-time monitoring, including the detection of technical hitches and human faults. Assuming the technological part works \"correctly\" and/or that it is supervised by a diagnosis system, we are centered on the human operator part, the most critical to supervise. We present a diagnosis system applied to driver's monitoring based on information provided by onboard sensors. This work has been developed in the framework of the European project AWAKE and the national project \"factors of vigilance degradation and safety in transports\" of PREDIT. We propose a general strategy of real-time system for monitoring the level of vigilance of the driver (slow dynamics) and the monitoring of the level of risk related to the current situation (instantaneous dynamics), through: Temporal and frequential analysis of mechanical signals (performance measures) by wavelets and filters, to extract dynamic, statistical and frequential characteristics of driving degradation, SVM learning, for which we developed adapted implementation strategies for an on-line learning and large-scale problems, FIS fusion, in order to exploit the human expertise and to produce a diagnosis of the level of risk related to lane departure. Validation of such an approach through EEG and EOG (physiological measurements) and self evaluations (subjective measurements). We apply this methodology to various experiments under the framework of AWAKE and PREDIT carried out in simulators or demonstrators.
|
| dc:type
| |
| http://iflastandar...bd/elements/P1001
| |
| rdaw:P10219
| |
| has content type
| |
| is primary topic
of | |
| is rdam:P30135
of | |
![[RDF Data]](/fct/images/sw-rdf-blue.png)
