Eye movement analysis in dynamic scenes: presentation and application of different methods in bend taking during car driving

Résumé Fr En

L’oculométrie est une technique qui offre l’opportunité d’investiguer, au travers des mouvements des yeux, ce qui se trouve derrière les yeux : notre cerveau. L’oculométrie moderne bénéficie, entre autres domaines, à la recherche en psychologie ergonomique. Parmi la variété des situations étudiées en psychologie ergonomique, l’activité de conduite automobile a fait l’objet de nombreuses études dont un bon nombre font appel à l’oculométrie. Les analyses des données oculo­métriques ont progressé à mesure du développement de cette technique, et sont aujourd’hui nombreuses et abouties en ce qui concerne l’analyse des parcours oculaires sur des images statiques. En revanche, dans le cadre de l’étude de la conduite automobile, comme des activités dynamiques en général, les images présentées au conducteur sont dépendantes à la fois de l’environnement de conduite, mais aussi de ses propres actions sur le véhicule via le volant et les pédales, ce qui rend les techniques d’analyse habituelles des données oculométriques moins pertinentes. Face à cette situation, les chercheurs ayant un intérêt pour l’étude de la conduite automobile ont développé plusieurs techniques d’analyse des mouvements oculaires qui peuvent être regroupées en quatre classes de méthodes. Les quatre méthodes se définissent par rapport à l’analyse des positions du regard (1) dans un référentiel écran en deux dimensions, (2) selon des zones d’intérêt fixes définies dans ce même référentiel écran, (3) selon des zones d’intérêt dynamiques définies dans un référentiel relatif à la tâche de conduite (correspondant à un élément de la scène visuelle qui se déplace dans celle-ci) et (4) dans un référentiel défini sur un point dynamique de la scène visuelle (un point de la scène visuelle qui se déplace dans celle-ci). Afin de caractériser l’influence de la méthode d’analyse sur l’interprétation des résultats, chacune de ces quatre classes de méthodes a été présentée et appliquée ici à la prise de virage en conduite automobile simulée en condition de conduite classique et en conduite hautement automatisée. En condition hautement automatisée, l’assistance maintenait le véhicule dans sa voie en agissant directement sur le volant sans aucune intervention de la part du conducteur. Dix-huit conducteurs ont pris part à une étude sur simulateur de conduite où les positions du regard ont été enregistrées. Une variabilité importante dans l’interprétation des données est apparue selon la méthode d’analyse considérée. À l’appui des résultats collectés via les quatre classes de techniques d’analyse et des connaissances relatives à la prise d’informations visuelles en virage, il apparaît qu’un point ou une zone dynamique dans la scène visuelle sont mieux à même de rendre compte des modifications des stratégies de prise d’informations visuelles dans le contexte dynamique de la conduite automobile. Ces méthodes ont permis de mettre en avant et de spécifier une différence dans les prises d’informations visuelles en présence de l’assistance et comparativement à la condition non assistée. La discussion est destinée à éclairer le lecteur au regard du choix de la technique d’analyse des mouvements oculaires en présentant les avantages et les limites de chacune des quatre classes de méthode, ainsi que l’impact du choix de la méthode d’analyse des données oculaires sur l’analyse ergonomique des situations considérées et les enjeux sécuritaires associés.

Eye movement analysis offers the possibility to investigate what is behind the eyes: our brain. Among the variety of activities studied by cognitive ergonomics, car driving received particular attention regarding visual exploration. Here, the four main techniques used to analyse eye movement data while driving have been applied to gaze positions analysis while negotiating bends under manual and highly automated driving. Gaze positions of eighteen drivers were recorded on a driving simulator. (1) Gaze plots and (2) areas of interest analysis based on the visual scene (without information on displayed images) did not reveal detailed differences between manual and highly automated driving, whereas (3) dynamic areas of interest and (4) dynamic point based on a dynamic element of the driving scene showed a disengagement from visual information required to steer the vehicle in bends in highly automated driving. These results help researchers to better characterize visual search in bend taking and by consequence to understand the degradations of the driving performance in highly automated driving.