Une physique de panique peut-elle expliquer les mouvements d’une foule ?

De plus en plus, l’analyse des images, des données, appliquée à des lois de physique et de statistique permettent de comprendre le mouvement d’une foule. Cette science des foules pour anticiper le comportement des personnes en cas d’accident ou d’attaque terroriste. Mais il ne faut pas non plus réduire la foule à de simples chiffres.


Des manifestants se précipitent sur une colline après la panique qui a éclaté lors de la Love Parade à Duisburg, en Allemagne, le 24 juillet 2010 - Crédit : Erik Wifferes/Afp/Getty
Des manifestants se précipitent sur une colline après la panique qui a éclaté lors de la Love Parade à Duisburg, en Allemagne, le 24 juillet 2010 - Crédit : Erik Wifferes/Afp/Getty

Lorsque des personnes se rassemblent dans une foule, des relations physiques et émotionnelles définissent leurs mouvements, leur état d’esprit et leur volonté d’agir. La compréhension des foules peut nous aider à gérer la panique provoquée par un attentat terroriste; une des foules est essentielle à la gestion de nombreuses urgences, en particulier lorsque la densité devient dangereusement élevée. La panique ou le chaos dans une foule peuvent tuer ou blesser des centaines de personnes, comme lors de la Love Parade en Allemagne en 2010, lorsque des milliers de personnes ayant assisté à un festival de musique de danse électronique se sont accumulées alors qu’elles tentaient de pénétrer dans un tunnel étroit. 21 personnes sont mortes d’asphyxie.

L’émergence d’une science des foules

La et la sécurité publique exigent que nous développions une science complète des foules utilisant un éventail de disciplines. Aujourd’hui, les travaux de psychologues sociaux montrent que les foules sont influencées par la personnalité de chaque membre. Ainsi, les foules peuvent incarner un altruiste et utile, mais également le contraire. Et nous pouvons maintenant approfondir la science des foules en incorporant l’analyse quantitative à l’aide de la classique et statistique, de la science informatique et de la théorie des systèmes complexes, l’étude de groupes d’entités en interaction.

L’émergence est un concept pertinent de la théorie de la complexité, qui se produit lorsque les interactions entre les entités produisent un comportement de groupe qui n’aurait pu être prédit à partir des propriétés d’un élément individuel. Par exemple, des molécules de H2O en mouvement aléatoire dans de l’eau liquide se lient soudainement à zéro degré Celsius pour former de la glace solide; les étourneaux en vol se forment rapidement en un troupeau ordonné.

Les piétons comme des électrons

Un comportement émergent peut être prédit si l’interaction entre les entités est connue, comme l’ont montré des chercheurs de l’Université du Minnesota en 2014, qui ont déterminé comment deux personnes en mouvement interagissaient et, partant de là, comment une foule se déplaçait.1 Les chercheurs ont d’abord étudié une idée inspirée de la physique, en partant de l’hypothèse selon laquelle, comme les électrons, les piétons évitent les collisions en se repoussant à mesure qu’ils se rapprochent. Mais les bases de données vidéo ont montré à la place que lorsque les gens voient qu’ils sont sur le point de se heurter, alors ils changent de chemin. À partir de là, les chercheurs ont déduit une équation de ce qui équivaut à une force de répulsion universelle entre deux personnes, basée sur le temps écoulé avant la collision et non sur la distance.

La formule reproduit avec succès les caractéristiques du monde réel émergentes, telles que la formation d’une configuration semi-circulaire en attendant de passer dans un passage étroit ou le développement intempestif de voies indépendantes alors que ses membres se dirigent vers différentes sorties. Cela permet par exemple de simuler le comportement de la foule pour concevoir des itinéraires d’évacuation.

La

Pour être utile en cas d’urgence, l’analyse de la foule doit également prendre en compte la contagion émotionnelle. La propagation de la peur peut changer le comportement émergent, comme l’ont montré des chercheurs de l’Université de technologie K N Toosi en Iran. En 2015, ils ont créé une version informatique d’un espace public peuplé de centaines d’adultes et d’enfants simulés, ainsi que de gardes de sécurité qui dirigeaient les gens vers les sorties.2 En supposant que les participants réagissent à un événement dangereux, la simulation les a amenés à un niveau de peur et de mouvement paniqué et aléatoire au moment où ils ne trouvaient pas de sortie.

Dans le cadre de la simulation, les chercheurs ont constaté qu’entre 18 et 99 % des personnes pouvaient s’échapper, en fonction de la combinaison des participants. Le plus grand nombre d’évasions n’a pas eu lieu avec le plus petit ou le plus grand nombre de personnes ou d’agents de sécurité, mais avec des valeurs intermédiaires. Cela montre que l’état émotionnel d’une foule peut mener sa dynamique à une étape non linéaire compliquée.

L’énergie cinétique d’une foule

Nous pouvons déterminer l’émotion des individus dans une foule réelle en observant leur comportement physique. En 2018, une équipe dirigée par Hui Yu de l’Université de Portsmouth au Royaume-Uni a utilisé l’énergie cinétique, l’énergie du mouvement en physique, pour servir de jauge permettant de déterminer le moment où une foule entre dans un état émotionnel anormal.3 Les membres de la foule fuyant un événement dangereux, tel qu’une explosion, ont augmenté l’énergie cinétique, qui peut être détectée dans des images vidéo de foule en temps réel. À l’aide de techniques de , les chercheurs ont calculé la vitesse des pixels qui composent les images, à partir de laquelle ils ont identifié la partie la plus énergique de la foule.

Les chercheurs ont appliqué leur méthode à l’ensemble de données de clips vidéo rassemblés par l’informaticien Nikolaos Papanikolopoulos et ses collègues de l’Université du Minnesota.4 Ces clips montrent des foules de personnes réelles réagissant à des situations d’urgence simulées. Initialement, les sujets marchent normalement, puis se dispersent soudainement et courent dans toutes les directions. L’ d’énergie a rapidement détecté ces transitions et les chercheurs ont conclu que la méthode pouvait détecter automatiquement les comportements inhabituels et potentiellement dangereux lors de rassemblements publics.

Le modèle CubeP

L’informaticien Dinesh Manocha de l’Université du Maryland et ses collègues ont également établi des liens entre les émotions et les actions dans leur modèle CubeP, qui associe l’analyse de facteurs de la physique, de la et de la .5 Ces trois facteurs sont étroitement liés au cours de l’activité physique et des réactions émotionnelles qui caractérisent une foule en crise. CubeP utilise la physique de base des forces et des vitesses pour calculer l’effort physique d’une personne en mouvement. CubeP intègre également le modèle de contagion émotionnelle mis au point en 2015 par l’ingénieur informaticien Funda Durupinar de l’Université de Bilkent en Turquie et ses collègues, qui inclut des profils de personnalité typiques qui déterminent la réaction d’une personne au stress.6

CubeP ajoute une mesure physiologique du niveau de panique pour chaque personne, basée sur l’effort physique. Cela affecte le rythme cardiaque, qui est connu pour indiquer le degré de peur. Tout cela est combiné pour prédire la vitesse et la direction du mouvement pour chaque membre de la foule.

Les chercheurs ont testé CubeP dans des simulations informatiques d’une foule réagissant à un événement dangereux, avec des résultats réalistes. Une personne virtuelle proche de la menace panique et court rapidement. Un individu plus distant réagit à la contagion émotionnelle par la peur et le comportement d’évasion, même si c’est beaucoup plus tard. Les chercheurs ont également appliqué CubeP à l’ensemble de données de l’Université du Minnesota et à des vidéos de situations d’urgence réelles, telles que celles du métro de Shanghai en 2014 et celles situées à l’extérieur du Parlement britannique en 2017. Dans tous ces cas, les simulations CubeP du comportement de la foule étaient raisonnablement proches de la réalité et plus proches que l’approche de Durupinar et d’autres modèles qui ne fusionnent pas les facteurs physiques, psychologiques et physiologiques.

Attention à réduction de la foule à de simples chiffres

Cette amélioration illustre le pouvoir d’une science multidisciplinaire des foules. Au fur et à mesure de l’accumulation des connaissances, elles seront sûrement utiles pour la conception architecturale et la planification en cas de catastrophe. Les résultats pourraient toutefois conduire à une surveillance accrue des foules dans les espaces publics, un phénomène qui suscite actuellement des inquiétudes chez l’Union américaine des libertés civiles au sujet de la et du risque d’abus.7

On perd et on gagne des choses en réduisant le comportement de la foule à de simples chiffres. La comparaison de modèles à des données réelles fournira des informations utiles sur la dynamique de la foule, mais nous avons également besoin d’une compréhension approfondie de la psychologie. Elias Canetti, l’auteur du prix Nobel ayant écrit le classique Crowds and Power (1960), prévoyait le jour où ce partenariat contribuerait à décoder le code de la foule. En considérant l’importance d’une certaine densité critique dans le comportement de la foule, il a écrit: Un jour, il sera peut-être possible de déterminer cette densité avec plus de précision et même de la mesurer. Nous pouvons maintenant mesurer et analyser ces quantités, mais nous avons également besoin des visions élargies des sciences humaines et sociales pour nous dire ce qu’elles signifient réellement.

Traduction d’un article sur Aeon par Sidney Perkowitz, professeur émérite de physique à l’université Emory à Atlanta.

Aeon counter – do not remove

Sources

1.
Universal Power Law Governing Pedestrian Interactions . motion.cs.umn.edu. http://motion.cs.umn.edu/PowerLaw/. Published November 28, 2018. Accessed November 28, 2018.
2.
Agent-based Crowd Simulation Considering Emotion Contagion for Emergency Evacuation Problem – Semantic Scholar. semanticscholar.org. https://www.semanticscholar.org/paper/Agent-based-Crowd-Simulation-Considering-Emotion-Faroqi-Mesgari/19fe091a69ca809c65221dba6fddf6cdd6082a5b. Published November 28, 2018. Accessed November 28, 2018.
3.
Zhang X, Zhang Q, Hu S, Guo C, Yu H. Energy Level-Based Abnormal Crowd Behavior Detection. Sensors (Basel). 2018;18(2):423. [PMC]
4.
Monitoring Human Activity. mha.cs.umn.edu. http://mha.cs.umn.edu/. Published November 28, 2018. Accessed November 28, 2018.
5.
A unified crowd simulation model revealing relationships among “Physiology-Psychology-Physics” factors. arxiv.org. https://arxiv.org/abs/1801.00216. Published November 28, 2018. Accessed November 28, 2018.
6.
Durupinar F, Gudukbay U, Aman A, Badler NI. Psychological Parameters for Crowd Simulation: From Audiences to Mobs. I. 2016;22(9):2145-2159. doi:10.1109/tvcg.2015.2501801
7.
What’s Wrong With Public Video Surveillance? American Civil Liberties Union. https://www.aclu.org/other/whats-wrong-public-video-surveillance. Published November 28, 2018. Accessed November 28, 2018.
Frankenstein: How a Monster Became an Icon: the Science and Enduring Allure of Mary Shelley’s Creation (Broché)

By (author):  Sidney Perkowitz, Eddy Von Mueller

Neuf: EUR 15,73 EUR En stock

This title will be released on May 14, 2019.

buy now

N'oubliez pas de voter pour cet article !
1 étoile2 étoiles3 étoiles4 étoiles5 étoiles (Pas encore de vote)
Loading...

Houssen Moshinaly

Rédacteur en chef d'Actualité Houssenia Writing. Rédacteur web depuis 2009 et vulgarisateur scientifique.

Je m'intéresse à tous les sujets scientifiques allant de l'Archéologie à la Zoologie. Je ne suis pas un expert, mais j'essaie d'apporter mes avis éclairés sur de nombreux sujets scientifiques.

Pour me contacter personnellement :

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *