Le développement récent des Loisirs Motorisés Hors Route (LMHR) suscite une controverse et de vives réactions dans les milieux du sport et de la protection de l'environnement. Le phénomène est encore peu étudié, à la fois du fait qu'il est récent, que l'argumentation relève de plusieurs disciplines et que les loisirs motorisés, s'ils font partie sans problème de l'outdoor recreation nord-américaine, sont rejetés en France par les autres sportifs et ne sont pas reconnus de façon évidente comme relevant du domaine d'une discipline particulière.<p>Afin de combler un manque dans la littérature scientifique française, cette thèse vise à apporter une connaissance fine de la dynamique de la controverse – en tant qu'échange d'arguments génériques – et des conflits dont les LMHR font l'objet. Elle présente deux originalités majeures : sa thématique et son approche combinant les théories de l'acteur-réseau avec les outils de visualisation et d'analyse de réseau basés sur la théorie des graphes. Cette construction théorique et méthodologique visait à interroger les interrelations entre la controverse portée par des collectifs présents sur la scène nationale et les conflits et interactions sur le terrain. Pour cela, nous avons mené des enquêtes sur quatre scènes : la scène nationale (composée de collectifs pro et anti-motorisé, de Fédérations, de constructeurs, de gestionnaires et décideurs et d'élus) ; deux scènes locales conflictuelles où des démarches de gestion sont en cours (le PNR du Pilat et les Chambarans) ; une scène locale où aucun conflit n'est visible sur la scène publique (le canton de La Grave – Villar d'Arène).<p>Nos résultats montrent, que bien que la controverse trouve ses racines dans des conflits sur le terrain, il n'existerait pas de coprésence entre acteurs qui s'opposent. D'abord, en l'absence de conflit, la scène de La Grave apparaît déconnectée du reste du réseau. Ensuite, les détracteurs des LMHR se mobilisent dans la controverse mais ne cherchent pas directement à agir sur le terrain. Par contre, les défenseurs de la pratique s'impliquent, eux, aux deux niveaux. Enfin, les gestionnaires et agents de la police de l'environnement confrontés à la gestion des activités, nouent des liens sur le terrain et au niveau national, à la fois avec les défenseurs et les détracteurs des LMHR ; devenant parfois des acteurs-passerelles.<p>D'un point de vue théorique et méthodologique, les outils de visualisation et d'analyse de réseau ont montré leur intérêt dans le cadre d'une approche par l'acteur-réseau ; les perspectives apparaissent riches. / Doctorat en Sciences / info:eu-repo/semantics/nonPublished

<div>With more and more videos taken from dash cams on thousands of cars, retrieving these videos and searching for important information is a daunting task. The purpose of this work is to mine some key road and vehicle motion attributes in a large-scale driving video data set for traffic analysis, sensing algorithm development and autonomous driving test benchmarks. Current sensing and control of autonomous cars based on full-view identification makes it difficult to maintain a high-frequency with a fast-moving vehicle, since computation is increasingly used to cope with driving environment changes.</div><div><br></div><div>A big challenge in video data mining is how to deal with huge amounts of data. We use a compact representation called the road profile system to visualize the road environment in long 2D images. It reduces the data from each frame of image to one line, thereby compressing the video clip to the image. This data dimensionality reduction method has several advantages: First, the data size is greatly compressed. The data is compressed from a video to an image, and each frame in the video is compressed into a line. The data size is compressed hundreds of times. While the size and dimensionality of the data has been compressed greatly, the useful information in the driving video is still completely preserved, and motion information is even better represented more intuitively. Because of the data and dimensionality reduction, the identification algorithm computational efficiency is higher than the full-view identification method, and it makes the real-time identification on road is possible. Second, the data is easier to be visualized, because the data is reduced in dimensionality, and the three-dimensional video data is compressed into two-dimensional data, the reduction is more conducive to the visualization and mutual comparison of the data. Third, continuously changing attributes are easier to show and be captured. Due to the more convenient visualization of two-dimensional data, the position, color and size of the same object within a few frames will be easier to compare and capture. At the same time, in many cases, the trouble caused by tracking and matching can be eliminated. Based on the road profile system, there are three tasks in autonomous driving are achieved using the road profile images.</div><div><br></div><div>The first application is road edge detection under different weather and appearance for road following in autonomous driving to capture the road profile image and linearity profile image in the road profile system. This work uses naturalistic driving video data mining to study the appearance of roads, which covers large-scale road data and changes. This work excavated a large number of naturalistic driving video sets to sample the light-sensitive area for color feature distribution. The effective road contour image is extracted from the long-time driving video, thereby greatly reducing the amount of video data. Then, the weather and lighting type can be identified. For each weather and lighting condition obvious features are I identified at the edge of the road to distinguish the road edge. </div><div><br></div><div>The second application is detecting vehicle interactions in driving videos via motion profile images to capture the motion profile image in the road profile system. This work uses visual actions recorded in driving videos taken by a dashboard camera to identify this interaction. The motion profile images of the video are filtered at key locations, thereby reducing the complexity of object detection, depth sensing, target tracking and motion estimation. The purpose of this reduction is for decision making of vehicle actions such as lane changing, vehicle following, and cut-in handling.</div><div><br></div><div>The third application is motion planning based on vehicle interactions and driving video. Taking note of the fact that a car travels in a straight line, we simply identify a few sample lines in the view to constantly scan the road, vehicles, and environment, generating a portion of the entire video data. Without using redundant data processing, we performed semantic segmentation to streaming road profile images. We plan the vehicle's path/motion using the smallest data set possible that contains all necessary information for driving.</div><div><br></div><div>The results are obtained efficiently, and the accuracy is acceptable. The results can be used for driving video mining, traffic analysis, driver behavior understanding, etc.</div>