TEMPEST identifie les conducteurs à partir de données de conduite

OOndine

TEMPEST est un modèle d’apprentissage automatique conçu pour identifier des conducteurs à partir de données de conduite multimodales, selon une étude publiée sur arXiv. Il transforme des fenêtres de conduite de 60 secondes en représentations numériques compactes, appelées embeddings, chacune composée de 96 dimensions. Ces fenêtres permettent au modèle de traiter plusieurs types de données de conduite sur une durée définie. Son architecture repose sur un réseau convolutif temporel et une méthode d’entraînement qui vise à séparer les conducteurs dans un espace angulaire normalisé. Cette méthode utilise une fonction de perte ArcFace, avec une marge angulaire additive pour distinguer les profils. En pratique, le modèle construit ainsi des représentations destinées à différencier les conducteurs plutôt qu’à simplement décrire une fenêtre de conduite. Un point important concerne l’ajout de nouveaux profils : TEMPEST peut intégrer des conducteurs supplémentaires sans réentraîner le modèle ni réajuster son classifieur. Lors d’une évaluation temporelle menée sur un jeu de données comprenant 45 conducteurs, le système atteint 91,71 % de précision Rank-1. Ce résultat dépasse de 17,9 points de pourcentage celui du meilleur modèle classique testé dans la même évaluation. La comparaison porte donc sur ce jeu de données et sur les modèles classiques évalués dans cette expérience. Les résultats indiquent une performance élevée dans ce cadre précis, mais ne suffisent pas à établir les mêmes performances sur des données plus vastes. TEMPEST associe ainsi des représentations compactes à l’ajout dynamique de conducteurs, avec des performances mesurées sur un groupe de 45 personnes.