Des survols « intelligents » pour la sécurisation des usagers vulnérables

Dans la réalisation d’analyses de sécurité routière, il est crucial d’avoir une compréhension détaillée des mouvements de tout le réseau analysé. Certains paramètres sont plus susceptibles de révéler des problématiques potentielles de sécurité, et font l’objet d’une analyse quasi-systématique dans les études de sécurisation. Parmi ces éléments clés, on trouve par exemple les origines et les destinations des déplacements, les trajets effectués, la vitesse pratiquée, la quantification des débits ou les créneaux disponibles.

Dans le passé, réaliser des relevés pour obtenir ces différents paramètres était assez coûteux. En effet, de tels relevés nécessitaient des observations à plusieurs points du réseau par différentes personnes en simultané, et des traitements de données nombreux par la suite.

L’équipe de FNX-INNOV a décidé de mettre à l’épreuve ces technologies dans le cadre d’une étude de sécurisation pour le secteur de la Polyvalente des Monts, étude réalisée avec la Ville de Sainte-Agathe-des-Monts et le Centre de services scolaire des Laurentides. La première étape de l’étude avait pour objectif d’établir le diagnostic de la situation actuelle en ce qui concerne la sécurité, et ce, tant sur le site de l’école que dans le secteur adjacent.

Les paragraphes qui suivent résument les grandes lignes des démarches de l’équipe de projet pour évaluer la technologie de relevé par drone, la méthodologie considérée et les conclusions de ces démarches.

Méthodologie

La méthodologie proposée pour l’évaluation de la technologie a été établie par l’équipe de projet après la réalisation de plusieurs tests à échelle réduite.

L’identification du secteur d’analyse doit inclure des origines et destinations significatives pour les déplacements à l’étude. Le site de l’école a ainsi été complété avec les rues adjacentes pour inclure les zones utilisées comme débarcadère ou stationnement (par les parents d’élèves ou par les employés), les traverses piétonnes à proximité du site et le débarcadère des bus scolaires. Ainsi défini, le secteur retenu pour l’analyse de la Polyvalente est un rectangle d’environ 300m par 180m.

Compte tenu des limitations liées au temps de vol pour un drone léger (20-30 min), il est nécessaire de bien cibler les périodes d’analyse. Généralement, les périodes les plus significatives sont directement liées aux débits de circulation (débits importants ou débits fortement conflictuels). Un comptage de circulation peut aider à identifier rapidement ces périodes. Pour le projet de l’école, ces périodes ont facilement été identifiées, car il s’agit des intervalles correspondant au début et à la fin de classes, soient entre 8h40 et 9h00 et entre 16h40 et 17h00.

Pour l’enregistrement vidéo, l’équipe de projet a utilisé un drone Mavic 2 Pro, en vol stationnaire à une altitude de 100 m, avec la caméra orientée à un angle de 35 degrés. L’enregistrement a été réalisé avec une qualité 4K et une fréquence de 30 cadres/s.

Il est à noter que l’utilisation des drones est strictement règlementée au Canada. Afin de faire voler un drone, il est requis d’avoir un permis de pilotage, de réserver l’espace aérien, de demander une autorisation pour l’utilisation du terrain au décollage et à l’atterrissage, de respecter des mesures de sécurité spécifiques, etc.

Le traitement préliminaire des vidéos a été réalisé automatiquement avec l’application TrafficSurvey de la compagnie DataFromSky pour extraire les données brutes et préparer l’analyse. Pour réaliser l’identification et la classification des objets en mouvement (véhicules, piétons, etc.), chaque objet est isolé en comparant les images successives composant la vidéo. Une fois les objets identifiés, le logiciel leur assigne une position pour chaque cadre. L’analyse automatique des positions successives se traduit ensuite par des données de direction, de vitesse, d’accélération. La dimension des objets, associée aux caractéristiques dynamiques de mouvement permet une classification fiable par autos, piétons, vélos, motocyclettes, camions, bus, etc.

Un traitement semi-automatique est également possible dans le cas des vidéos n’offrant pas une bonne résolution. Pour le projet présenté, ce traitement supplémentaire a été nécessaire afin d’assurer une détection de 100 % pour certains écoliers qui n’étaient que partiellement détectés par le traitement initial, soient les écoliers à plus de 200 m.

À la fin de cette étape, la représentation visuelle des données offre déjà des informations très utiles pour le diagnostic de sécurité (voir figure 2, en rouge les trajets des piétons, en vert les autos et en violet les bus). On peut ainsi facilement identifier les zones de conflit véhicules-piétons, les cas de non-respect du Code de la route ou les manœuvres dangereuses par exemple.

• Traitement automatique des données brutes pour obtenir les débits aux intersections et les trajets empruntés entre les intersections – En configurant graphiquement des « portes » virtuelles sur l’image de référence, le logiciel peut fournir rapidement toutes les informations concernant les objets ayant traversé chaque paire de deux « portes ». Ce module d’analyse permet non seulement de réaliser rapidement les comptages aux intersections, mais aussi de fournir les matrices origine-destination dans le secteur d’analyse. De plus, d’autres informations sont faciles à obtenir par ce traitement, comme les temps de déplacement entre deux « portes » ou les temps d’arrêt.
• Traitement automatique des données brutes pour identifier les possibles accidents évités (« near misses »), soient les objets dont les trajectoires, les vitesses et/ou les accélérations auraient pu mener à une collision.
• Traitement automatique pour le calcul de créneaux disponibles dans les flux véhiculaires (n’a pas été évalué dans le cadre du projet).

Des informations ont été extraites notamment pour compléter les données de comptage, pour identifier les manœuvres et les arrêts des autos avant la fin des classes, et pour qualifier l’importance relative des trajets des étudiants et des trajets des bus.

Il faut souligner que l’interprétation des données n’est pas nécessairement différente d’un projet ne bénéficiant pas de l’analyse de vidéos par drone. Les principes gouvernant les études de sécurité demeurent les mêmes, cependant l’utilisation de l’intelligence artificielle et l’automatisation partielle du traitement de données offrent sensiblement plus d’informations pertinentes aux professionnels dans ce domaine.
Dans le cadre du projet présent, plusieurs analyses ont ainsi été simplifiées significativement par l’utilisation de données issues des vidéos aériennes :

• L’identification des zones importantes de conflit autos-piétons et le traitement subséquent de ces zones.
• L’analyse des accidents évités pour identifier les causes et proposer des améliorations aux aménagements.
• L’analyse des cas de non-respect du code de la route ou des comportements à risque.

Conclusions et perspectives

L’utilisation des vidéos aériennes en conjonction avec des logiciels IA ouvre l’accès à des informations détaillées sur les dynamiques de mobilité, informations qui sont autrement bien plus difficiles à collecter par les moyens habituels. Il faut cependant mentionner que l’utilisation des drones a pour le moment des limitations, particulièrement en ce qui concerne la durée de vol continu (maximum 40 minutes pour les meilleures modèles), l’encadrement légal très strict et, dans une certaine mesure, la dépendance du relevé à des conditions météo acceptables. La durée de vol peut toutefois être prolongée, pour certains types de drones, par l’utilisation d’un système de tethering (alimentation du drone par câble).

En ce qui concerne le logiciel IA évalué, les limitations sont surtout liées à la qualité des images vidéo. Des essais successifs ont permis de recommander l’enregistrement à 4K, à une hauteur de 60 m sous un angle de maximum 30 degrés par rapport à la verticale. Ces conditions permettent au logiciel de bien détecter et classifier les mouvements, sans avoir à recourir à des corrections supplémentaires.

Enfin, les visuels issus des analyses automatiques de données avec le logiciel IA deviennent aussi de puissants supports pour la présentation des résultats des études, simplifiant la compréhension des problématiques identifiées.

Suivant l’évaluation sur plusieurs projets au cours de l’année, le département de Transport et Mobilité intelligente de FNX-INNOV a décidé d’introduire la pratique d’utilisation des vidéos aériennes et de traitement d’images par logiciels IA sur tous les projets pouvant y bénéficier et d’optimiser la méthodologie de traitement pour chaque type de projet.