introduction.tex

%!TEX root = these.tex

%\chapterstar{INTRODUCTION}
% Pour des renseignements sur \chapterstar : voir le fichier macros.tex

\chapter*{Introduction} % "*" pour que l'introduction ne s'affiche pas dans la table des matières, sinon elle s'y affichera comme un chapitre d
% \mtcaddchapter
% \addstarredpart{Introduction} % Pour ajouter une partie ("part") fictive dans la table des matières
% \mtcaddpart
% \markboth{Introduction}{Introduction}  %% header manuel car sinon, ils me marquent le header du dernier \chapter{?} (on est dans un \chapter*{?} )
%\selectlanguage{francais}
\addcontentsline{toc}{chapter}{Introduction}
\mtcaddchapter % pour éviter décalage de minitoc


\section*{Contexte et problématique}
	La sélection de cibles en mouvement est une tâche récurrente dans de nombreuses applications allant des jeux vidéo aux simulations moléculaires interactives, en passant par les interfaces dédiées au contrôle aérien, par les vidéos interactives, comme les enregistrements d'événements sportifs ou la vidéo-surveillance, par la mécanique des fluides et les applications de défense et sécurité. Dans ce dernier domaine, la tâche de sélection peut être critique, compte tenu des enjeux.
	
	Si la sélection de cibles immobiles a fait l'objet de nombreuses études, la sélection de cibles en mouvement a été assez peu abordée dans la littérature scientifique, car les facteurs qui caractérisent ce mouvement peuvent être nombreux, variés et complexes : la rapidité des cibles, leur densité, leur occultation réciproque, l'imprévisibilité de leurs mouvements\ldots{} En effet, alors qu’avec des cibles statiques, certains modèles tels que la loi de Fitts permettent d’estimer la difficulté de sélection, cette estimation reste un problème ouvert pour des cibles mobiles.
	
	Pourtant, certains modèles caractérisant la sélection ou le pointage de cibles mobiles existent, mais ils sont généralement limités aux cibles de mouvements uniformes, c'est-à-dire rectilignes et de vitesse constante. Bien que potentiellement précis, ces modèles ne sauraient satisfaire l'ensemble des besoins liés à la sélection de cibles mobiles, et l'influence de facteurs décrivant le comportement dynamique d'une cible sur les performances de sélection reste à déterminer. De plus, l'expérience montre que la sélection de cibles mobiles est plus difficile qu'avec des cibles statiques, et il est important de mieux comprendre les facteurs qui contribuent à cette difficulté, tant pour caractériser les tâches impliquant la sélection de cibles mobiles que pour les faciliter.
	
	Par ailleurs, les techniques d'assistance à la sélection spécifiquement dédiées aux cibles mobiles sont peu nombreuses, ce qui est peut-être dû à la pauvreté de la littérature théorique, c'est-à-dire au manque de modèles. De telles techniques existent, mais sont généralement fondées sur les principes de la sélection statique, éventuellement adaptés à un contexte dynamique, plus que sur des recommandations spécifiques aux cibles mobiles. Leur efficacité est donc potentiellement sub-optimale. D'autres techniques tentent de prédire l'intention de l'utilisateur en analysant ses mouvements, toujours sans l'appui d'une analyse mathématique ou cinématique du problème, ce qui n'exclut pas une certaine efficacité. Cela laisse néanmoins supposer une marge d'amélioration possible.
	
	Enfin, la plupart des techniques existantes présentent des inconvénients significatifs, surtout pour les contextes les plus difficiles, à savoir ceux qui présentent les cibles les plus rapides, imprévisibles, nombreuses et occultées, comme c'est le cas dans le cadre de la simulation moléculaire interactive ou du jeu vidéo.

\section*{Plan du manuscrit}
	Dans le premier chapitre de ce manuscrit, nous dressons un inventaire des applications nécessitant une tâche de sélection de cible mobile. Dans chaque cas, nous détaillons le contexte, précisons la nature des besoins, des enjeux et des difficultés. Nous nous attardons volontairement sur les simulations de dynamique moléculaire, qui constituent la motivation originelle de ces travaux, mais n'oublions pas le contrôle des espaces terrestre, maritime, aérien et extra-atmosphérique, le sport, la surveillance des espaces publics ou les applications vidéoludiques. Ce chapitre est le résultat d'un travail d'entretiens avec des utilisateurs qui ont, dans leur vie quotidienne et pour leur domaine d'expertise, besoin de sélectionner des cibles mobiles. Nous avons également interrogés des experts de la plupart de ces domaines, afin de mieux en comprendre les enjeux.
	
	Dans le deuxième chapitre, nous faisons, après une revue de la théorie du pointage pour les cibles statiques et mobiles. Puis, nous établissons un état de l'art des techniques d'assistance à la sélection de cibles, que nous classifions selon leurs caractéristiques respectives, et notamment en fonction de leur pertinence pour la sélection de cibles mobiles.
	
	Le troisième chapitre vise à créer une taxinomie des environnements de sélection, c'est-à-dire des cibles elles-mêmes en fonction de leurs caractéristiques, mais aussi des environnements dans lesquels elles évoluent. Nous dressons une liste des critères nous permettant d'établir cette taxinomie, en les justifiant, puis nous les appliquons aux cibles et environnements détaillés dans le premier chapitre. Nous détaillons ensuite un modèle que nous avons développé pour décrire et surtout générer du mouvement aléatoire dans un cadre expérimental contrôlé. Enfin, nous caractériserons certains environnements de sélection en fonction des critères de ce modèle, de manière empirique, en analysant quantitativement des enregistrements vidéo de ces environnements.
	
	Dans le quatrième chapitre, nous décrivons l'évaluation empirique que nous avons menée pour caractériser les performances de sélection de cibles mobiles en fonction de la nature de leur mouvement décrit par les paramètres choisis. Nous examinons ainsi l'effet des paramètres de notre modèle de génération de mouvement sur les performances, d'abord séparément, puis ensemble. Nous nous appuyons sur ces mesures quantitatives et sur les impressions subjectives de nos sujets pour mieux comprendre l'origine des difficultés lors d'une tâche de sélection. Nous nous attardons sur les différents profils de vitesse du curseur selon la nature des mouvements des cibles, afin d'estimer l'importance des phases dites rapides et lentes au cours de la tâche. Puis, nous proposons une tentative de prédiction des performances de sélection fondée sur l'aire de l'enveloppe convexe de la trajectoire d'une cible mobile, qui dépend des valeurs choisies pour chaque paramètre de notre modèle.
	
	Dans le cinquième et dernier chapitre, nous proposons d'utiliser le modèle VFA pour modifier astucieusement et avantageusement les mouvements des cibles, afin d'en faciliter la sélection. Nous estimons les gains possibles. Ensuite, évaluons la validité de notre modèle d'estimation de la difficulté de sélection, et son intérêt potentiel pour faciliter la sélection de cibles mobiles, soit en ajustant les tailles des cibles selon leur difficulté, soit en modifiant des techniques d'aide à la sélection par prédiction intentionnelle. Nous étudions également l'apport potentiel d'une assitance pseudo-haptique, ainsi que d'une nouvelle technique combinant le principe de sélection en cascade et de prédiction intentionnelle. Enfin, proposons quelques pistes pour aller plus loin.