Abstract FR:

Ce travail s'inscrit dans le cadre des programmes de recherche europeens drive et prometheus dont le but principal est la conception d'un copilote automobile. Le probleme d'une securite automobile active peut, en principe, etre resolu par un systeme a base de regles avec cependant des limites liees a la variabilite des caracteristiques de conduite d'un conducteur a l'autre et de l'etat de vigilance d'un meme conducteur. Aussi, dans l'optique d'une approche plus globale, nous avons explore l'utilisation de reseaux neuronaux pour reconnaitre des situations de conduite dangereuse. Malheureusement, une limitation pratique importante vient de la difficulte de choisir une structure de reseau (nombre de couches, nombre de neurones/couche) adequate pour realiser la fonction desiree. Aussi, nous proposons une methode pour construire, de facon incrementale, un reseau neuronal multicouche fonctionnant comme une machine parite. Un apprentissage de type perceptron est effectue unite par unite afin de minimiser une erreur de classification. Basee sur une correction d'erreur successive dans la couche cachee, la procedure de croissance converge en un nombre fini de neurones. Le calcul de la sortie du reseau se ramene ensuite a la mise en uvre d'une fonction parite. La simplicite de cette strategie, appelee offset, rend possible une realisation materielle, essentielle dans l'application traitee. Pour reconnaitre en temps reel des situations de danger en conduite automobile, l'algorithme offset s'integre dans une architecture modulaire. Nous montrons, dans le cadre de cette application, que la cooperation de plusieurs reseaux de neurones non seulement ameliore les performances en generalisation mais aussi permet de reduire le temps d'apprentissage. De facon plus generale et dans une certaine mesure, une telle approche favorise l'interpretation des resultats et ameliore ainsi les possibilites de mise au point des reseaux de grande complexite