Dans un contexte de développement des mobilités actives, les gestionnaires d'infrastructures ont besoin de données différenciées, pas seulement d'un comptage global.
Pour dimensionner les aménagements. Une voie verte qui accueille 80 % de cyclistes et 20 % de piétons ne se conçoit pas de la même manière qu'une voie à usage équilibré. La largeur de la voie, les zones de dépassement, les aires de repos, la signalétique et le revêtement dépendent tous du mix d'usagers réel. Un comptage global ne permet pas ce calibrage.
Pour évaluer les conflits d'usage. Sur une voie mixte, les conflits entre piétons et cyclistes (vitesse, dépassements, sentiment d'insécurité) sont liés au ratio entre les deux flux et aux pics de coprésence. Savoir qu'un samedi d'été en fin de matinée 70 % des passages sont des cyclistes permet d'anticiper les zones de tension et d'adapter la gestion du site.
Pour justifier des financements différenciés. Les programmes AVELO financent des aménagements cyclables. Les programmes de valorisation des espaces naturels financent des cheminements piétons. Un dossier qui s'appuie sur des données différenciées peut solliciter les deux sources de financement de manière crédible. Un dossier avec un comptage global ne peut pas démontrer que l'infrastructure sert prioritairement les cyclistes ou les piétons.
Pour produire des indicateurs de mobilité active cohérents. Les observatoires régionaux et nationaux des mobilités actives demandent des données différenciées pour alimenter leurs indicateurs. Une collectivité capable de déclarer « nous avons mesuré 4 200 cyclistes et 1 800 piétons par semaine sur cet axe » contribue à des bases de données territoriales beaucoup plus utiles qu'une collectivité qui déclare « nous avons mesuré 6 000 passages ».
Pour distinguer un piéton d'un cycliste, un capteur doit analyser au moins un des signaux suivants : la taille ou la forme du sujet détecté, sa vitesse de déplacement, son empreinte au sol ou sa signature énergétique.
La taille et la forme. Un cycliste sur son vélo occupe une surface verticale plus haute et plus large qu'un piéton debout. Sur un capteur thermique, la signature d'un cycliste en mouvement est caractéristique : masse étendue horizontalement (le vélo), point chaud au niveau du buste. Un piéton présente une signature plus étroite et plus verticale.
La vitesse. Un cycliste se déplace typiquement entre 12 et 25 km/h sur une voie verte. Un piéton entre 3 et 6 km/h. Cette différence de vitesse est un signal discriminant fort que les capteurs avec analyse de trajectoire peuvent exploiter.
L'empreinte au sol. Les capteurs enterrés (boucles inductives, pneumatiques) détectent l'empreinte physique au sol : roue de vélo vs pied humain, masse métallique vs absence de masse. Ces signaux permettent une différenciation sur certains profils, mais avec des limites importantes (vélos cargo, trottinettes, PMR en fauteuil motorisé).
La combinaison de plusieurs signaux. Les capteurs les plus performants ne s'appuient pas sur un seul signal mais sur une combinaison — taille + vitesse + forme — analysée par un algorithme de classification. Cette approche est plus robuste que les méthodes monosignal, car elle maintient une précision acceptable même quand l'un des signaux est bruité ou ambigu.
Toutes les technologies de comptage ne sont pas égales face à la classification multi-flux. Voici l'état réel de chaque grande famille.
C'est aujourd'hui la technologie qui offre le meilleur rapport précision / facilité d'installation pour la classification piétons / cyclistes en extérieur. Le double capteur stéréoscopique analyse la scène en trois dimensions, ce qui permet de mesurer la hauteur et la largeur du sujet détecté avec une bonne précision.
L'algorithme de classification analyse en temps réel la signature thermique, la hauteur, la largeur et la vitesse de chaque passage. Les taux de classification correcte atteignent 90 à 95 % en conditions normales — ce qui est largement suffisant pour les usages territoriaux. Le tout sans image, sans identifiant, en conformité native avec le RGPD.
Limite principale : les passages simultanés d'un piéton et d'un cycliste côte à côte peuvent générer une confusion de classification. Les configurations très denses restent difficiles à gérer parfaitement pour n'importe quelle technologie.
Les capteurs radar mesurent la vitesse et la direction des objets en mouvement. Ils peuvent distinguer des flux de vitesses très différentes (piéton à 4 km/h vs cycliste à 20 km/h) avec une bonne fiabilité. En revanche, deux usagers de vitesse similaire (un piéton rapide et un cycliste lent) peuvent être mal classifiés.
Les radars sont robustes par mauvais temps et de nuit, mais leur précision de classification est généralement inférieure à celle des capteurs thermiques stéréoscopiques. Ils sont mieux adaptés aux voies rapides où la différence de vitesse entre flux est marquée.
Les caméras associées à un logiciel d'analyse vidéo offrent théoriquement la classification la plus riche : forme, taille, vitesse, comportement, couleur. Mais elles posent des problèmes majeurs de conformité RGPD (même floutées, elles captent des données visuelles dans un espace public), nécessitent une infrastructure électrique permanente et génèrent des coûts d'exploitation significatifs.
Elles restent pertinentes dans des contextes très spécifiques — entrées de sites privés avec contrôle d'accès, zones à forte densité où la richesse des données justifie les contraintes — mais elles ne sont pas adaptées aux usages territoriaux courants.
Ces technologies enterrées permettent une différenciation limitée : la boucle inductive détecte les masses métalliques (vélos classiques oui, piétons non) ; le tube pneumatique peut distinguer deux roues rapprochées (vélo) de frappes alternées (piéton) avec des algorithmes adaptés.
Mais elles ne produisent pas une classification fiable sur les flux mixtes complexes et ne détectent pas les vélos à cadre carbone, les trottinettes électriques ou les fauteuils roulants motorisés. Pour une voie verte à usage vraiment mixte, ces technologies sont insuffisantes.
Même les meilleures technologies de classification ont des limites que tout utilisateur doit connaître.
Les profils atypiques. Un cycliste qui marche à côté de son vélo (pour franchir un obstacle ou s'arrêter) sera classé comme piéton. Un piéton qui pousse une poussette volumineuse peut être classé comme cycliste sur certains capteurs. Les enfants à vélo ont une signature très différente des adultes à vélo. Ces cas marginaux génèrent des erreurs de classification ponctuelles.
Les passages simultanés. Lorsqu'un piéton et un cycliste passent au même moment dans le champ de détection, les capteurs les moins sophistiqués peuvent les compter comme un seul passage ou les classifier incorrectement. Les capteurs stéréoscopiques gèrent mieux cette situation grâce à leur analyse en profondeur, mais pas parfaitement.
Les vitesses atypiques. Un cycliste très lent (qui observe un paysage, qui cherche son chemin) peut avoir une vitesse proche de celle d'un piéton rapide. Dans ce cas, la classification basée sur la vitesse seule est peu fiable. Les capteurs combinant vitesse et forme s'en sortent mieux.
La dégradation nocturne. Sur les voies peu éclairées, certaines technologies voient leur précision de classification se dégrader la nuit. Les capteurs thermiques sont moins affectés car ils ne dépendent pas de la lumière visible, mais les variations de température ambiante nocturne peuvent modifier la signature thermique.
La marge d'erreur de classification vs la marge d'erreur de comptage. Un capteur peut avoir une excellente précision de comptage global (95–98 %) mais une précision de classification moins bonne (88–92 %). Ces deux métriques sont distinctes et doivent être demandées séparément au fournisseur. Un capteur qui compte bien mais classe mal ne répond pas au besoin si la distinction piétons / cyclistes est l'objectif principal.
Pour éviter les mauvaises surprises, voici les questions à poser systématiquement à tout fournisseur de capteur multi-flux.
Quelle est la précision de classification (pas seulement de comptage) sur des voies mixtes ? Demander des données de validation sur des sites similaires au vôtre : même type de voie, même mix d'usagers, même contexte environnemental.
Quel algorithme est utilisé pour la classification ? Un algorithme monosignal (vitesse seule ou taille seule) est moins robuste qu'un algorithme multimodal combinant plusieurs paramètres. La transparence sur la méthode est un indicateur de sérieux.
Comment le capteur se comporte-t-il sur les profils atypiques ? Cyclistes lents, piétons rapides, vélos cargo, trottinettes, fauteuils roulants — demander comment chaque profil est traité et classifié.
La précision de classification est-elle maintenue de nuit et par mauvais temps ? Les conditions dégradées révèlent les limites réelles des technologies.
Peut-on obtenir les données brutes de classification pour contrôle qualité ? Un fournisseur qui ne permet pas d'accéder aux données de classification détaillées rend impossible tout audit de la qualité des données.
La classification multi-flux avec un seul capteur est possible et fiable dans la plupart des configurations standard. Mais il existe des situations où un dispositif plus élaboré est nécessaire.
Un capteur unique suffit sur une voie à usage mixte piétons/cyclistes avec une largeur de 2 à 4 mètres, des flux séparés dans le temps (peu de passages simultanés) et des profils d'usagers standards (adultes, vitesses normales). Dans ce contexte, un capteur thermique stéréoscopique bien installé produit une classification fiable à 90–95 %.
Un capteur unique ne suffit pas sur une voie très large (plus de 5 mètres) où les flux se croisent en permanence, sur un site à très haute densité avec de nombreux passages simultanés, ou dans des configurations où des profils très atypiques (vélos cargo larges, engins de mobilité non standard) représentent une part significative des flux.
Deux capteurs complémentaires — l'un orienté vers les flux de gauche, l'autre vers les flux de droite — peuvent résoudre les problèmes de voies très larges ou de flux bidirectionnels intenses.
Un capteur + un audit de validation manuelle ponctuel (comptage manuel sur quelques journées de référence) permet de calibrer les algorithmes de classification et de valider la fiabilité du dispositif sur un site spécifique. Cette démarche est recommandée pour les sites à enjeux importants où la précision de classification conditionne des décisions d'investissement significatives.
.svg)
