[ Mise sur pied d’une architecture intelligente de prévention des accidents de la route par réseaux neuro-flous ]
Volume 27, Issue 2, September 2019, Pages 577–590
S. PERABI NGOFFE1, S. NDJAKOMO ESSIANE2, S. SAMSON NYATTE3, FLORENCE OFFOLE4, and MENGATTA MENGOUNOU GHISLAIN5
1 Département de Génie Industriel et Maintenance, Institut Universitaire de Technologie de Douala, Cameroon
2 Département de Génie Industriel et Maintenance, Institut Universitaire de Technologie de Douala, Cameroon
3 Département de Génie Industriel et Maintenance, Institut Universitaire de Technologie de Douala, Cameroon
4 Département de technologie automobile, Faculté de Génie Industriel Université de Douala, Cameroon
5 Département de Génie Industriel et Maintenance, Institut Universitaire de Technologie de Douala, Cameroon
Original language: French
Copyright © 2019 ISSR Journals. This is an open access article distributed under the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.
This paper proposes a neuro-fuzzy architecture that can be used in vehicles for the prevention of road accidents. The reaction time of a driver who is in an accident situation is predicted thanks to a network of neurons that admits the physiological and psychological parameters of the latter. To this neural network is associated a unit using the fuzzy logic which provides a modulated warning signal, for a prompt reaction of the driver. The results obtained at the output of the neural module show a match between the test and validation values whose best response is obtained with a correlation coefficient of around 0.98. The Matlab software was used to model our architecture and simulate certain scenarios. As a result, we obtained a ten-neuron network at the input layer and a neuron at the output layer. At the exit of the blur module, we observe the variation of the alert rate according to the anxiety, the inter-vehicle distance and the reaction time. The results show that, depending on the age, sex, accident history, driving experience and anxiety trait, the system calculates the reaction time and then proposes an appropriate warning signal. depending on the type of situation.
Author Keywords: Road safety, collision warning, neural networks, fuzzy logic, anxiety, reaction time.
Volume 27, Issue 2, September 2019, Pages 577–590
S. PERABI NGOFFE1, S. NDJAKOMO ESSIANE2, S. SAMSON NYATTE3, FLORENCE OFFOLE4, and MENGATTA MENGOUNOU GHISLAIN5
1 Département de Génie Industriel et Maintenance, Institut Universitaire de Technologie de Douala, Cameroon
2 Département de Génie Industriel et Maintenance, Institut Universitaire de Technologie de Douala, Cameroon
3 Département de Génie Industriel et Maintenance, Institut Universitaire de Technologie de Douala, Cameroon
4 Département de technologie automobile, Faculté de Génie Industriel Université de Douala, Cameroon
5 Département de Génie Industriel et Maintenance, Institut Universitaire de Technologie de Douala, Cameroon
Original language: French
Copyright © 2019 ISSR Journals. This is an open access article distributed under the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.
Abstract
This paper proposes a neuro-fuzzy architecture that can be used in vehicles for the prevention of road accidents. The reaction time of a driver who is in an accident situation is predicted thanks to a network of neurons that admits the physiological and psychological parameters of the latter. To this neural network is associated a unit using the fuzzy logic which provides a modulated warning signal, for a prompt reaction of the driver. The results obtained at the output of the neural module show a match between the test and validation values whose best response is obtained with a correlation coefficient of around 0.98. The Matlab software was used to model our architecture and simulate certain scenarios. As a result, we obtained a ten-neuron network at the input layer and a neuron at the output layer. At the exit of the blur module, we observe the variation of the alert rate according to the anxiety, the inter-vehicle distance and the reaction time. The results show that, depending on the age, sex, accident history, driving experience and anxiety trait, the system calculates the reaction time and then proposes an appropriate warning signal. depending on the type of situation.
Author Keywords: Road safety, collision warning, neural networks, fuzzy logic, anxiety, reaction time.
Abstract: (french)
Ce papier propose une architecture neuro-floue pouvant être utilisé dans les véhicules pour les préventions des accidents de la route. Le temps de réaction d’un conducteur qui se trouve en situation d’accident est prédit grâce à un réseau de neurones qui admet en entrée les paramètres physiologiques et psychologiques de ce dernier. A ce réseau de neurones, est associé une unité utilisant la logique floue qui fournit un signal d’alerte modulé, pour une prompte réaction du conducteur. Les résultats obtenus à la sortie du module neuronal montrent une adéquation entre les valeurs de test et de validation dont la meilleure réponse est obtenue avec un coefficient de corrélation avoisinant 0.98. Le logiciel Matlab a été utilisé afin de modéliser notre architecture et simuler certains cas de figures. De ce fait, nous avons obtenu un réseau à dix neurones à la couche d’entrée et un neurone à la couche de sortie. À la sortie du module flou on observe belle et bien la variation du taux d’alerte en fonction de l’anxiété, la distance inter véhicule et du temps de réaction. Les résultats obtenus montrent qu’en fonction de l’âge, le sexe, l’historique d’accident, l’expérience de conduite et le trait d’anxiété le système calcul le temps de réaction puis propose un signal d’alerte adapté en fonction du type de situation.
Author Keywords: Prévention routière, avertissement de collision, réseaux de neurones, logique floue, anxiété, Temps de réaction.
How to Cite this Article
S. PERABI NGOFFE, S. NDJAKOMO ESSIANE, S. SAMSON NYATTE, FLORENCE OFFOLE, and MENGATTA MENGOUNOU GHISLAIN, “An intelligent architecture of prevention of road accidents by neuro-fuzzy networks,” International Journal of Innovation and Applied Studies, vol. 27, no. 2, pp. 577–590, September 2019.
