Identity switches en ADAS et vidéosurveillance : ce que coûte vraiment un tracking peu fiable

Un piéton traverse devant le véhicule. La caméra le détecte, le suit, lui attribue un identifiant. Puis une voiture passe entre les deux, une demi-seconde d'occlusion, et au moment où le piéton réapparaît, le système lui attribue un nouvel identifiant. Pour le module de décision, ce n'est plus la même personne. C'est une nouvelle cible, apparue de nulle part, à un mètre de la trajectoire.

C'est ce qu'on appelle un identity switch. Sur le papier, c'est une ligne dans un rapport de performance. En production, c'est ce qui sépare un freinage normal d'un arrêt d'urgence injustifié.

Cet article part d'une métrique technique, -46 % d'identity switches mesurés sur TrustalAI V-Tracking et explique ce qu'elle change vraiment, en euros et en sécurité, pour deux familles de systèmes : l'ADAS et la vidéosurveillance urbaine.

Qu'est-ce qu'un identity switch, concrètement ?

Un système de tracking ne se contente pas de détecter des objets image par image. Il doit relier ces détections dans le temps : comprendre que le piéton de la frame 100 est le même que celui de la frame 130. Chaque objet reçoit un identifiant qu'il doit conserver tant qu'il reste dans le champ.

Un identity switch survient quand cet identifiant change alors que l'objet, lui, n'a pas changé. Ou, à l'inverse, quand deux objets distincts héritent du même identifiant. Trois situations le provoquent en pratique :

• L'occlusion : un objet en cache un autre quelques frames, puis réapparaît. Le tracker l'a « perdu » et le ré-initialise comme un nouvel objet.

• Le croisement : deux trajectoires se croisent, et le système intervertit leurs identifiants au point de contact.

• La scène dense : trafic saturé, foule, parking, quand les objets sont nombreux et proches, l'association devient ambiguë et les erreurs d'identité se multiplient.

Le point important : un identity switch n'est presque jamais visible dans une métrique de performance moyenne. Un tracker peut afficher un excellent taux de détection global et commettre des erreurs d'identité précisément aux moments les plus critiques, l'occlusion, le croisement, la densité. La moyenne reste bonne. La décision locale, elle, devient fausse.

En ADAS : un identity switch, c'est un arrêt d'urgence injustifié

Reprenons le piéton occulté une demi-seconde. Avant l'occlusion, le système suivait une trajectoire continue, prédictible, à vitesse constante. Après le switch, il voit une cible « nouvelle », sans historique de mouvement, qu'il doit traiter comme une apparition soudaine à proximité immédiate.

La réaction la plus prudente que le module de décision puisse prendre face à une apparition non qualifiée, c'est freiner. Fort. C'est l'arrêt d'urgence injustifié, un phantom braking déclenché non pas par un danger réel, mais par une perte de continuité dans le suivi.

Les conséquences se mesurent à plusieurs niveaux. Sécurité d'abord : un freinage brusque sans raison apparente augmente le risque de collision arrière et dégrade la confiance du conducteur dans le système. Validation ensuite : chaque arrêt d'urgence injustifié est un événement à analyser, à documenter, à corriger avant homologation. Sur les niveaux d'autonomie SAE L3/L4, c'est du temps de validation et du coût de mise en conformité.

Le contexte réglementaire rend ce point central. L'EU AI Act (Règlement 2024/1689) classe l'ADAS parmi les systèmes à haut risque. La fiabilité de la perception n'est plus seulement un enjeu produit : elle devient une obligation de résultat documentable. Et quand une chaîne de perception multiplie les erreurs d'identité aux moments critiques, c'est précisément la fiabilité qu'on ne sait pas prouver.

Les incidents terrain rappellent l'enjeu. En avril 2026, une défaillance système a immobilisé plus d'une centaine de robotaxis Apollo Go à Wuhan, rapportée par TechCrunch et confirmée par CNN. Une perception qui décroche en scène dense ne reste pas un sujet de laboratoire : elle paralyse une flotte sur la voie publique.

En vidéosurveillance : un identity switch, c'est une fausse alerte

Changeons de décor. Une caméra de vidéoprotection urbaine suit les déplacements dans une rue passante. Le système est censé lever une alerte sur un comportement précis : un objet qui stationne trop longtemps, une trajectoire qui entre dans une zone interdite, une cible qui disparaît puis « réapparaît » ailleurs.

Un identity switch fausse chacun de ces déclencheurs. La même personne, recomptée comme deux individus, gonfle artificiellement un comptage de foule. Une cible qui change d'identifiant après une occlusion derrière un poteau peut déclencher une alerte « objet abandonné » ou « intrusion » alors qu'il ne s'est rien passé.

Le coût n'est pas théorique. Chaque fausse alerte mobilise un opérateur, parfois une intervention. À l'échelle d'une ville, les systèmes de surveillance génèrent des milliers d'alertes par jour, majoritairement des faux positifs. Au-delà du coût opérationnel, il y a un coût de confiance : un système qui « crie au loup » trop souvent finit ignoré, ce qui annule sa raison d'être.

Les benchmarks sectoriels donnent un ordre de grandeur : une perception plus fiable peut réduire les fausses alertes vidéo d'environ -50 % (Hanwha Vision, 2024). C'est un benchmark sectoriel, pas un résultat TrustalAI mais il situe l'ampleur du gaspillage qu'un tracking peu fiable entretient au quotidien.

De la métrique au ROI : pourquoi -46 % d'identity switches change l'équation

Voici la traduction métier, la seule qui compte pour un décideur.

En ADAS, moins d'identity switches signifie moins de réinitialisations de trajectoire, donc moins d'apparitions « fantômes », donc moins d'arrêts d'urgence injustifiés. Chaque freinage évité est un risque de collision arrière en moins, une expérience conducteur préservée, et un événement de moins à instruire dans le dossier de validation.

En vidéosurveillance, moins d'identity switches signifie des comptages justes, des alertes qui correspondent à des événements réels, et des opérateurs qui traitent des incidents plutôt que du bruit. Le retour sur investissement se lit directement sur le taux de fausses interventions.

C'est ici que TrustalAI V-Tracking intervient. Le produit assure un tracking temps réel multi-objets, learning-free : aucun réentraînement, aucun accès à l'IP du modèle, il fonctionne sur le flux de détections existant. Ses métriques officielles (Client Deck 9.1, TRL9) :

Ces chiffres sont les métriques produit officielles de TrustalAI V-Tracking. Ils sont distincts du PoC VEDECOM (perception coopérative, fusion multi-capteurs) et des benchmarks sectoriels cités plus haut. Le confondre, ce serait surinterpréter une donnée exactement le contraire de ce qu'on cherche à apporter.

La différence de fond : fiabilité par prédiction vs monitoring agrégé

C'est la distinction qui structure tout le positionnement TrustalAI, et elle s'applique directement aux identity switches.

L'approche dominante du suivi de la qualité IA repose sur le monitoring agrégé : on observe le comportement du système après coup, sur des fenêtres de temps, à travers des moyennes. Taux de détection global, taux de switch sur une heure, courbes de performance. C'est utile pour piloter une tendance ou détecter une dérive des modèles (model drift) sur la durée.

Mais ce monitoring est par nature post-mortem. Quand une métrique agrégée signale une dégradation, l'arrêt d'urgence injustifié a déjà eu lieu. La fausse alerte est déjà partie. Le risque a déjà circulé dans l'opération.

La fiabilité par prédiction (per-prediction reliability) renverse la logique. Au lieu de mesurer la qualité moyenne après l'action, elle attache une métrique de confiance à chaque prédiction, en temps réel, avant que la décision aval ne soit prise. Concrètement, pour le tracking : le système ne se contente pas de dire « voici la cible 7 ». Il qualifie la fiabilité de cette association d'identité, à cet instant précis, pour que le module de décision sache s'il peut s'y fier.

C'est la différence entre savoir, en fin de journée, que le tracker a commis trop d'erreurs d'identité, et savoir, à l'instant T, que cette association-ci est fragile parce qu'on est en pleine occlusion. La première information sert à un rapport. La seconde sert à éviter le freinage.

Cette couche de fiabilité s'ajoute en brique de fiabilité au-dessus du modèle existant. Elle est compatible black-box, aucune modification du modèle de détection, aucun accès à ses poids et opère à 20 ms en edge, <100ms en cloud. Pour l'intégrateur système qui livre une cellule de perception sous obligation de résultat, c'est une preuve de fiabilité documentable ajoutée sans toucher à la chaîne en place.

Ce que cela change pour la conformité

L'EU AI Act et la Directive Machines (devenue Règlement 2023/1230) imposent une logique commune : passer d'une qualification figée à une assurance continue de la fiabilité, comme l'analyse Robotics & Automation News. Une métrique agrégée mensuelle ne suffit pas à démontrer qu'une décision précise était fiable au moment où elle a été prise.

La fiabilité par prédiction produit exactement la trace dont la conformité a besoin : pour chaque prédiction de suivi, une métrique de confiance horodatée. TrustalAI contribue à cette documentation de fiabilité sans pour autant certifier la conformité, qui reste du ressort des organismes compétents.

FAQ

Qu'est-ce qu'un identity switch en tracking vidéo ?

C'est une erreur où le système de suivi change l'identifiant d'un objet alors que l'objet n'a pas changé, ou attribue le même identifiant à deux objets distincts. Il survient surtout lors d'occlusions, de croisements de trajectoires ou en scène dense. Conséquence : le module de décision croit voir une cible nouvelle ou confond deux cibles.

Pourquoi un identity switch déclenche-t-il un arrêt d'urgence en ADAS ?

Quand un objet suivi change d'identifiant après une occlusion, le système perd son historique de mouvement et le traite comme une apparition soudaine à proximité. Face à une cible non qualifiée et proche, la réaction la plus prudente est de freiner fortement d'où un arrêt d'urgence injustifié, ou phantom braking, sans danger réel.

Quelle est la différence entre fiabilité par prédiction et monitoring agrégé ?

Le monitoring agrégé observe la performance moyenne après coup, sur des fenêtres de temps. La fiabilité par prédiction attache une métrique de confiance à chaque prédiction, en temps réel, avant la décision aval. La première sert à analyser une tendance ; la seconde permet d'éviter l'erreur au moment où elle se produit.

TrustalAI V-Tracking nécessite-t-il de réentraîner mon modèle ?

Non. TrustalAI V-Tracking est learning-free et compatible black-box : il fonctionne sur le flux de détections de votre modèle existant, sans réentraînement ni accès à son IP. La couche de fiabilité s'ajoute en plug-and-play et opère à 20 ms en edge, <80ms en cloud.