Alors que les véhicules autonomes de niveau 2 et 3 se généralisent, la question de la sécurité lors des transitions de contrôle avec l’humain reste brûlante. Un nouveau modèle, Driver-WM, ambitionne de révolutionner la compréhension de ce qui se passe à bord lorsqu’un conducteur doit reprendre la main, en tenant compte du contexte routier extérieur.

La plupart des systèmes actuels misent sur la prédiction de l’environnement extérieur : piétons, autres véhicules, panneaux. Mais l’intelligence embarquée, elle, reste souvent cantonnée à la reconnaissance d’états internes simples, sans réelle capacité à anticiper les réactions humaines sur plusieurs étapes. C’est précisément cette limite que Driver-WM entend dépasser.

Une architecture pensée pour le conducteur et le trafic (Driver-WM)

Driver-WM se distingue par son approche centrée sur le conducteur, tout en restant étroitement liée aux conditions de circulation à l’extérieur du véhicule. Le modèle fonctionne dans un espace latent compact, construit à partir de caractéristiques visuelles et linguistiques préalablement extraites. Deux flux d’information distincts traitent, d’un côté, les données sur le trafic extérieur, et de l’autre, les signaux internes au conducteur.

La véritable innovation réside dans la façon dont ces deux flux dialoguent. Un mécanisme de couplage directionnel, inspiré des réseaux de neurones à portes, ajuste dynamiquement l’influence du contexte routier sur les états internes du conducteur. Ce procédé, appelé « injection causale » par les chercheurs, permet de moduler les perturbations extérieures tout en respectant strictement la causalité temporelle. Ainsi, le modèle ne se contente pas de reconnaître une émotion ou un geste à un instant donné, il prévoit leur évolution sous l’effet d’événements extérieurs précis.

Anticiper les dynamiques à bord en situation réelle

Testé sur la base de données AIDE, qui recense des situations de conduite avec de forts mouvements et de vives réactions, Driver-WM s’est révélé particulièrement robuste. Le modèle parvient à anticiper sur le long terme les dynamiques du conducteur, même lors de séquences où les réactions humaines sont les plus imprévisibles. Il va au-delà de la simple reconnaissance, en alignant de façon fine la compréhension sémantique des événements de la route et des comportements à bord.

Driver-WM ne se limite pas à observer : il permet aussi d’explorer ce qui se produit quand le contexte extérieur change brusquement. Les interventions contrôlées menées par les chercheurs mettent en lumière le passage d’une information de la route vers l’habitacle, illustrant la manière dont une situation inhabituelle, comme une voiture qui freine soudainement, peut influencer l’état émotionnel ou comportemental du conducteur.

L’enjeu, à terme, est d’offrir aux systèmes d’automatisation de conduite une capacité de prévision multi-étapes, non seulement de l’environnement extérieur, mais aussi des réactions humaines à bord. Une telle avancée pourrait transformer la sécurité des véhicules semi-autonomes, en anticipant mieux les risques liés aux transitions de contrôle entre machine et conducteur.


Source originale : Driver-WM: A Driver-Centric Traffic-Conditioned Latent World Model for In-Cabin Dynamics Rollout via arxiv.org (29/06/2026)