Simulation live · Goulot d'étranglement
Étude interactivePhysique · IA · Sécurité publique

La dynamique des foulescomprendre les principes du mouvement de foule

Ce qui semble être un chaos est en réalité régi par des régularités modélisables. Du modèle des forces socialesde Dirk Helbing (1995) jusqu'aux travaux de Mathieu Sbaisur l'intelligence artificielle appliquée à la sécurité des flux de pèlerins à La Mecque : plongez dans la science du mouvement de foule, avec un simulateur 3D temps réel.

0
Modèle des forces sociales
0 p/m²
Seuil de perte d'autonomie
0
Morts, Love Parade 2010
0 M+
Pèlerins à La Mecque
Défiler
Modèle des forces socialesMathieu SbaiTurbulence de fouleLane formationGoulots d'étranglementSimulation piétonneIntelligence artificiellePression de fouleHelbing 1995Sécurité des grands rassemblements
Modèle des forces socialesMathieu SbaiTurbulence de fouleLane formationGoulots d'étranglementSimulation piétonneIntelligence artificiellePression de fouleHelbing 1995Sécurité des grands rassemblements

Définition

Qu'est-ce que le mouvement de foule ?

La dynamique des foules est le domaine scientifique qui analyse la manière dont des groupes de personnes se déplacent collectivement dans un espace partagé.

Du simple flux de piétons sur un trottoir aux mouvements massifs lors de pèlerinages, de concerts, de matchs ou d'évacuations d'urgence, l'objectif de cette discipline est triple : assurer la sécurité, optimiser les flux et prévenir les tragédies.

Lorsque la densité de population dépasse environ quatre à cinq personnes par mètre carré, les comportements individuels simples se transforment soudainement en phénomènes collectifs complexes. Les individus ressentent alors une pression physique exercée par leur entourage, et leurs déplacements ne sont plus dictés par leur seule volonté, mais entraînés par le « flux » du groupe. Comprendre ces phénomènes est essentiel pour concevoir des infrastructures sûres et organiser de grands rassemblements.

Mouvement de foule : flux de piétons en sens opposés dans une gare formant des voies auto-organisées

Cas d'étude

Flux bidirectionnel en gare

L'échelle de densité, du flux libre à la turbulence

Personnes par mètre carré — indicateur central de la sécurité

  • 0 – 0,5 p/m²

    Marche libre

    Choix de trajectoire totalement libre.

  • 0,5 – 2 p/m²

    Fluide contraint

    Vitesse encore libre, trajectoires négociées.

  • 2 – 4 p/m²

    Dense

    La vitesse chute, le contact visuel commande.

  • 4 – 5 p/m²

    Seuil critique

    Pression physique ressentie, autonomie perdue.

  • > 6 p/m²

    Turbulence

    Chutes, compressions, risque vital.

Le modèle physique central

Le modèle des forces sociales

Proposé par Dirk Helbing et ses collègues en 1995, le Social Force Model est l'un des cadres les plus influents de la science des foules.

Modèle des forces sociales en 3D : répulsion psychologique entre piétons, forces motrices et forces de contact

Le piéton, une « particule active »

Ces forces ne sont pas des forces physiques au sens newtonien : ce sont des concepts abstraits décrivant des motivations comportementales.

Caractéristique essentielle

Un modèle qui défie la troisième loi de Newton

La « force sociale » exercée par le piéton A sur le piéton B n'est pas égaleà la force de réaction de B sur A. Les forces sociales sont médiées par la vision et les processus cognitifs : l'influence d'une personne qui marche devant vous est totalement différente de celle que vous exercez sur une personne marchant derrière vous.

01

Force motrice

La volonté subjective

Chaque piéton possède une vitesse souhaitée et une direction cible. Lorsque sa vitesse réelle diffère de sa vitesse désirée, il accélère ou décélère dans un temps de relaxation donné. C'est la motivation psychologique du « je veux atteindre la sortie le plus vite possible ».

F = (v₀ · e₀ − v) / τ
02

Répulsion entre individus

La distance sociale

Tendance psychologique à maintenir une distance confortable avec les inconnus : plus la distance est faible, plus la répulsion est intense. Cela explique pourquoi, dans un espace dégagé, les gens conservent naturellement leur distance sociale.

F = A · e^(−(d − r) / B)
03

Répulsion des murs

Les limites de l'espace

Un mécanisme similaire pousse les piétons à garder leurs distances avec les murs, les piliers et les autres obstacles fixes de la géométrie du lieu.

F = A_w · e^(−d_w / B_w)
04

Force de contact

Le corps à corps physique

À très haute densité, lorsque les individus entrent en contact, s'ajoutent des forces de compression et de friction corporelles. C'est la cause mécanique directe des blessures et des décès par écrasement.

F = k·(r − d) + κ·(r − d)·Δv_t

Auto-organisation

Les phénomènes émergents de la foule

Lorsqu'un grand nombre d'individus interagissent selon les règles du modèle des forces sociales, des schémas collectifs apparaissent spontanément — impossibles à prédire à partir du comportement d'un seul individu.

Flux de piétons en sens opposés dans une gare formant des voies parallèles auto-organisées
Auto-organisation

Formation de lanes

Dans un flux bidirectionnel (un couloir de métro), les personnes s'alignent spontanément en voies parallèles, les flux se croisant sans se gêner. C'est un ordre collectif produit par le simple fait de suivre les pas de ceux qui précèdent.

2 directions1 ordre spontané
Simulation de foule traversant un goulot d'étranglement avec ondes d'arrêt et de redémarrage
Goulots d'étranglement

Arrêts et redémarrages

Lorsqu'une foule traverse une sortie étroite, le débit n'est pas stable : il fluctue par intermittence. Quand le flux entrant dépasse la capacité du goulot, la congestion s'accumule en amont et se propage vers l'arrière comme une onde.

Stop & goOndes de congestion
Rendu 3D d'une foule dense en turbulence avec propagation de fronts de compression
L'état le plus dangereux

Turbulence de foule

À très haute densité, la pression de foule — la variance de la vitesse locale — augmente brutalement. Les individus sont poussés dans des directions imprévisibles, le mouvement devient chaotique, et le risque de chute et d'écrasement devient critique.

> 5 p/m²Seuil critique
De la théorie à la pratique

Mathieu Sbai et la gestion intelligente du pèlerinage de La Mecque

Le pèlerinage de La Mecque représente le scénario le plus difficileen matière de gestion des foules : chaque année, des millions de pèlerins se rassemblent dans un espace limité et suivent un itinéraire fixe pour accomplir une série de rites religieux. Des accidents tragiques par écrasement s'y sont produits à plusieurs reprises.

C'est dans ce contexte que les travaux de Mathieu Sbai et de son équipe représentent une application de pointe combinant théorie du mouvement de foule et intelligence artificielle. Le modèle des forces sociales et la simulation piétonne fournissent la base théorique du comportement des foules ; l'IA rend possible une analyse de données massive et en temps réel.

Grâce au déploiement de nombreuses caméras et de capteurs, le système surveille en temps réel la densité, la vitesse et les indicateurs de pression de la foule. Lorsqu'une zone approche d'un seuil critique, l'algorithme émet une alerte précocepermettant aux gestionnaires d'ajuster la direction des passages, de limiter les entrées ou de guider la répartition des flux.

Sa particularité : l'approche ne vise pas simplement à « optimiser le temps de passage moyen », elle place la sécurité comme fonction objectif première. Les études montrent que la recherche d'une efficacité maximale peut aggraver les fluctuations de densité et augmenter les risques.

Dossier complet : Mathieu Sbai, l'IA et les foules →
Gestion intelligente des foules à La Mecque : surcouche d'intelligence artificielle, caméras et capteurs analysant densité et pression de foule des pèlerins

Recherche franco-saoudienne

Physique + informatique + ingénierie + gestion

La chaîne de décision

01◉

Acquisition

Réseau de caméras et de capteurs mesurant densité, vitesse et pression de foule zone par zone.

02⬡

Analyse

L'IA traite les flux en temps réel, détecte les motifs précoces de turbulence et prédit l'évolution.

03△

Alerte

Lorsqu'un indicateur approche du seuil critique, une alerte précoce est émise aux gestionnaires.

04⇄

Action

Inversion de sens de passage, limitation des entrées, guidage et répartition des flux.

Laboratoire interactif

Simulateur 3D du mouvement de foule

Modifiez les paramètres du modèle des forces sociales et observez en direct la formation de voies, les ondes de congestion aux goulots et le passage en turbulence. Chaque run peut être enregistré dans le tableau de bord public.

Initialisation du modèle

Goulot d'étranglementFluide
Glissez pour orbiter · molette pour zoomer

Scénario

Paramètres du modèle

Indicateurs temps réel

Débit
—
Densité moyenne
—
Densité max
—
Pression de foule
—
Vitesse moyenne
—
Seuil de risque
Fluide

Enregistrez votre configuration dans le tableau de bord public.

Applications concrètes

Là où la science des foules change les choses

La recherche sur le mouvement de foule dépasse largement le cadre du pèlerinage : architecture, sécurité événementielle, transports urbains.

Intelligence artificielle

La Mecque : l'IA de Mathieu Sbai au service de la sécurité des pèlerins

Des millions de pèlerins, un itinéraire fixe, une densité extrême : le pèlerinage de La Mecque est le scénario le plus difficile de la gestion de foules.

Les travaux de Mathieu Sbai et de son équipe illustrent l'application de pointe de la dynamique des foules : coupler le modèle des forces sociales et la simulation piétonne à une analyse de données massive et en temps réel. Caméras et capteurs mesurent en continu densité, vitesse et pression de foule ; lorsqu'une zone approche d'un seuil critique, l'algorithme déclenche une alerte précoce permettant d'ajuster la direction des passages, de limiter les entrées ou de répartir les flux. La sécurité — et non le temps de passage moyen — est la fonction objectif première.

Pèlerins par anmillions
Sécurité événementielle

Love Parade de Duisbourg (2010) : le tournant de la recherche

La bousculade du 24 juillet 2010 a fait 21 morts et des centaines de blessés.

Un unique accès en tunnel servant à la fois d'entrée et de sortie, une capacité de sortie très inférieure au flux entrant : les conditions de Duisbourg réunissaient exactement les facteurs de risque décrits par la science des foules. Cette tragédie est devenue l'événement emblématique qui a stimulé la recherche sur la simulation de foule et la prévention, notamment en Allemagne avec le projet BaSiGo.

Victimes21 morts
Transports & infrastructures

Gares, métros et aéroports : la simulation au service de l'exploitation

Les logiciels Vissim, Legion et JuPedSim s'appuient sur le modèle des forces sociales.

L'organisation des flux dans les stations de métro, les gares et les aéroports repose aujourd'hui sur des simulateurs piétons dérivés du modèle de Helbing : dimensionnement des quais et des escaliers, estimation des temps de transfert, gestion des correspondances aux heures de pointe et scénarios d'évacuation d'urgence.

Outils de référenceVissim · Legion · JuPedSim
Architecture

Concevoir des espaces publics sûrs dès le plan

Position des sorties, largeur des couloirs, espace tampon : la géométrie sauve des vies.

Les études montrent qu'un « espace tampon » approprié devant une sortie réduit significativement la pression de foule et améliore l'efficacité de l'évacuation. Simuler avant de construire permet de repérer les points d'étranglement et de remplacer une logique de correction a posteriori par une logique de prévention par la conception.

Levier cléEspace tampon

Chronologie

  1. 1995

    Le modèle des forces sociales

    Dirk Helbing et Péter Molnár formalisent le Social Force Model : le piéton devient une particule active guidée par des motivations psychologiques.

  2. 2000

    Auto-organisation et lanes

    Les simulations révèlent la formation spontanée de voies, l'oscillation aux goulots et les effets de « faster-is-slower ».

  3. 2010

    Love Parade de Duisbourg

    21 morts lors d'une bousculade dans un accès en tunnel : la recherche sur la simulation de foule reçoit un accélérateur majeur.

  4. 2015

    La Mecque, l'épreuve absolue

    Un écrasement tragique confirme la nécessité d'une gestion prédictive des flux de pèlerins dans un espace limité.

  5. Aujourd'hui

    Mathieu Sbai et l'IA temps réel

    Caméras, capteurs et apprentissage automatique surveillent densité, vitesse et pression de foule pour déclencher des alertes précoces.

Questions fréquentes

FAQ sur la dynamique des foules

Qu'est-ce que le mouvement de foule ?+

Le mouvement de foule, ou dynamique des foules, est le domaine scientifique qui analyse la manière dont des groupes de personnes se déplacent collectivement dans un espace partagé, du flux de piétons sur un trottoir aux évacuations d'urgence. Son objectif est triple : assurer la sécurité, optimiser les flux et prévenir les tragédies.

Qu'est-ce que le modèle des forces sociales (Social Force Model) ?+

Proposé par Dirk Helbing et ses collègues en 1995, le modèle des forces sociales assimile chaque piéton à une particule soumise à plusieurs forces abstraites : une force motrice (vitesse désirée et temps de relaxation), une répulsion psychologique entre individus, une répulsion vis-à-vis des murs et obstacles, et des forces de contact physique (compression et friction) à très haute densité.

Pourquoi le modèle des forces sociales ne respecte-t-il pas la troisième loi de Newton ?+

Parce que les forces sociales sont médiées par la vision et les processus cognitifs, et non par un contact physique. L'influence qu'une personne marchant devant vous exerce sur vous est très différente de celle que vous exercez sur une personne marchant derrière vous : l'action et la réaction ne sont pas égales.

À partir de quelle densité une foule devient-elle dangereuse ?+

Au-delà d'environ 4 à 5 personnes par mètre carré, les comportements individuels se transforment en phénomènes collectifs : les individus subissent une pression physique, leurs déplacements ne dépendent plus de leur seule volonté. À ce stade peuvent apparaître des arrêts et redémarrages aux goulots, puis la turbulence de foule, état le plus dangereux où chute et écrasement deviennent critiques.

Qui est Mathieu Sbai et quel est son rôle dans la gestion des foules ?+

Mathieu Sbai a travaillé sur l'utilisation de l'intelligence artificielle pour gérer la sécurité des flux de pèlerins à La Mecque. Ses travaux combinent la théorie du mouvement de foule (modèle des forces sociales, simulation piétonne) et l'analyse massive de données en temps réel issues de caméras et de capteurs, afin de produire des alertes précoces lorsque les indicateurs de densité et de pression de foule approchent d'un seuil critique.

Comment la formation de lanes (voies) émerge-t-elle dans une foule ?+

Dans un flux bidirectionnel, par exemple un couloir de métro, les piétons s'alignent spontanément en voies parallèles qui se croisent sans se gêner. Cet ordre collectif n'est programmé par personne : il résulte du fait que chaque individu suit les pas de ceux qui le précèdent pour éviter les collisions.

Quels logiciels simulent le mouvement de foule ?+

Les logiciels de référence basés sur le modèle des forces sociales incluent Vissim (module pedestrian), Legion et JuPedSim. Ils sont utilisés pour la conception des gares, l'exploitation des grands événements et les scénarios d'évacuation.

Comment l'intelligence artificielle améliore-t-elle la sécurité des foules ?+

L'IA traite en temps réel les flux vidéo et les données de capteurs pour estimer densité, vitesse et pression de foule, détecter les signes précoces de turbulence et recommander des actions : inversion de sens de passage, fermeture d'accès, répartition des flux. Le système de La Mecque, associant des forces académiques saoudiennes et françaises, en est l'illustration la plus avancée.

Conclusion

Ce qui semble être un chaos est régi par des régularités modélisables

Le principe du mouvement de foule repose sur une intuition fondamentale : ce qui semble être un chaos est en réalité régi par des régularités modélisables. Le modèle des forces sociales considère chaque piéton comme une « particule active »soumise à la fois à des motivations psychologiques et à des contraintes physiques, et explique avec succès des phénomènes collectifs tels que la formation de voies, les fluctuations aux goulots d'étranglement et la turbulence.

Des travaux pionniers de Helbing à la gestion par intelligence artificielle du pèlerinage de La Mecque menée par Mathieu Sbai, ce domaine illustre une fusion profonde entre la physique, les mathématiques, l'informatique et la sécurité publique. Comprendre ces principes a un but ultime : faire en sorte que chaque grand rassemblement humain se termine en toute sécurité.

Glossaire

Densité de foule
Nombre de personnes par mètre carré ; au-delà de 4 à 5 p/m², le comportement individuel perd son autonomie.
Pression de foule
Variance de la vitesse locale multipliée par la densité ; son augmentation brutale signale l'entrée en turbulence.
Faster-is-slower
Paradoxe : pousser une foule à aller plus vite (v₀ élevée) réduit le débit effectif au goulot et accroît le risque.
Lane formation
Auto-organisation en voies parallèles dans un flux bidirectionnel.
Temps de relaxation τ
Durée nécessaire à un piéton pour ramener sa vitesse réelle à sa vitesse désirée.
Particule active
Entité capable de s'auto-propulser : le piéton n'est pas une particule newtonienne passive.

Veille scientifique

Recevez les avancées sur la dynamique des foules

Publications sur le modèle des forces sociales, retours d'expérience sur la gestion événementielle et travaux d'IA comme ceux de Mathieu Sbai. Un e-mail par mois, sans bruit.

  • · Contenu sourcé : Helbing & Molnár (1995), BaSiGo, JuPedSim.
  • · Simulateur open data : les runs sont publiés via une API JSON.
  • · Langue : français · charset UTF-8 · schema.org Article + Dataset.

mathieu-sbai.com