Les drones et les aéronefs télécommandés (UAV – unmanned aerial vehicule) sont de plus en plus autonomes. Ce qui permet de réduire significativement le nombre d’opérateurs aux commandes lors des missions préprogrammées. Par ailleurs, les facteurs humains demeurent particulièrement préoccupants quant à la sécurité des vols d’UAV, car les systèmes autonomes, de plus en plus diversifiés et dont le fonctionnement est de plus en plus complexe, nécessitent des périodes de contrôle et de supervision de plus en plus longues. En conséquence, les facteurs humains représentent aujourd’hui plus que les 2/3 des causes d’incident ou d’accident d’UAV. Une surveillance continue de l’état émotionnel et du stress des opérateurs permettrait de limiter la surcharge mentale durant les longues périodes de travail et minimiserait les occasions d’erreurs critiques. Plusieurs méthodes de surveillance de ce type existent : capteurs de fréquence cardiaque, analyse sanguine, etc. Or, elles sont pour la plupart intrusives et donc moins pratiques. C’est pourquoi plusieurs chercheurs s’intéressent au développement d’autres techniques d’évaluation du stress, notamment à partir des indicateurs psychologiques que peuvent révéler les émotions faciales. Avec les récentes avancées en intelligence artificielle (IA) et vision par ordinateur, il devient possible de combiner l’analyse des émotions faciales à l’évaluation de l’état émotionnel et l’opérateur. L’intégration de l’IA pourrait éventuellement permettre d’évaluer rapidement et adéquatement l’état de l’opérateur, de limiter l’impact des facteurs humains sur les incidents, et même d’optimiser la collaboration entre l’opérateur et le drone.

Drones and other unmanned aerial vehicles (UAVs) are increasingly autonomous. This makes it possible to significantly reduce the number of operators at the controls during pre-programmed missions. Moreover, human factors remain of particular concern with regard to the safety of UAV flights, since autonomous systems, which are increasingly diversified and whose operations are more and more complex, require longer periods of control and supervision. As a result, human factors now account for more than two-thirds of the causes of UAV incidents and accidents. Continuous monitoring of the emotional state and stress of operators would limit mental overload during long work periods and minimise opportunities for critical errors. There are several methods of such monitoring, such as heart rate sensors, blood tests, etc., which are available. However, most of them are intrusive and therefore less practical. This is why several researchers are interested in developing other stress assessment techniques, particularly based on the psychological indicators that can be revealed by facial emotions. With recent advances in artificial intelligence (AI) and computer vision, it is becoming possible to combine the analysis of facial emotions with the evaluation of the emotional state and the operator. The integration of AI could eventually make it possible to quickly and adequately assess the operator’s state, limit the impact of human factors on incidents, and even optimise collaboration between the operator and the UAV.

Vous verrez comment l’informatique affective permet de modéliser une émotion et de la représenter.
Vous découvrirez les étapes permettant la détection d’une émotion à partir d’une image de visage.
Vous apprendrez comment l’IA et les modèles qui en sont issus peuvent être entraînés pour apprendre à détecter les différentes émotions.
Vous verrez comment ces techniques peuvent mener à la création d’outils d’interaction humain-machine efficace.
You will see how affective computing allows you to model an emotion and represent it.
You will discover the steps enabling the detection of an emotion from a facial image.
You will learn how AI and the models derived from it can be trained to learn how to detect different emotions.
You will see how these techniques can lead to the creation of effective human-machine interaction tools.