EP4445346A1 - Procédé d'aide au maintien d'un véhicule sur la route lors d'un rétrécissement ou d'un élargissement de voie - Google Patents

Procédé d'aide au maintien d'un véhicule sur la route lors d'un rétrécissement ou d'un élargissement de voie

Info

Publication number
EP4445346A1
EP4445346A1 EP22822059.6A EP22822059A EP4445346A1 EP 4445346 A1 EP4445346 A1 EP 4445346A1 EP 22822059 A EP22822059 A EP 22822059A EP 4445346 A1 EP4445346 A1 EP 4445346A1
Authority
EP
European Patent Office
Prior art keywords
road
pos
motor vehicle
vehicle
singular
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP22822059.6A
Other languages
German (de)
English (en)
Inventor
Renaud DEBORNE
Raphael QUILLIARD
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ampere SAS
Original Assignee
Ampere SAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ampere SAS filed Critical Ampere SAS
Publication of EP4445346A1 publication Critical patent/EP4445346A1/fr
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/10—Path keeping
    • B60W30/12—Lane keeping
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/06—Road conditions
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
    • B60W2420/403—Image sensing, e.g. optical camera
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/18—Steering angle
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/10—Number of lanes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/53—Road markings, e.g. lane marker or crosswalk
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2710/00—Output or target parameters relating to a particular sub-units
    • B60W2710/20—Steering systems
    • B60W2710/207—Steering angle of wheels

Definitions

  • the present invention generally relates to the field of driver assistance systems.
  • Some motor vehicles are currently equipped with an image capture device designed to detect the position of lines marked on the ground and delimiting traffic lanes.
  • the position of the lines, around and in front of the vehicle makes it possible to implement guidance systems to aid driving.
  • These guidance systems can, for example, be centering systems maintaining the vehicle equidistant between a straight line and a left line (we speak of an LCA system - from the English "Lane Centering Assist").
  • the guidance systems can also be misled by poor detection of the position of the lines. For example, if the vehicle mistakes a shadow or reflection for a line, the guidance system can cause the vehicle to follow that shadow or reflection and therefore guide the vehicle out of the lane.
  • the widenings and narrowings of the track can deceive the guidance systems and/or lead them to follow non-optimal trajectories in terms of safety, distance traveled or energy consumed.
  • document LR3109920 discloses a method comprising steps of: - detection, on the basis of the variation of the difference in distance between the right and left lines, of a widening of said lane, then, when a widening is detected,
  • the present invention proposes a solution allowing better detection of road widenings and narrowings.
  • the invention proposes to rely on a very specific type of neural network, namely recurrent neural networks, to detect singular areas.
  • At least two parameters are calculated, including a parameter for detecting an increase in the number of traffic lanes, and a parameter for detecting a reduction in the number of traffic lanes;
  • the recurrent neural network comprises an input layer, an output layer, and at least a first hidden layer comprising a recurrence mechanism
  • the recurrence mechanism is of the LSTM type
  • said first hidden layer comprises several tens of neurons
  • the output layer is an activation layer and at least one other hidden densification layer is provided, which is located after said first hidden layer and whose number of neurons is equal to the number of neurons of the output layer.
  • the invention also relates to a method for assisting in maintaining a motor vehicle on a traffic lane of a road, comprising:
  • the LCA function is designed to calculate the steering setpoint differently, depending on whether the parameter indicates that the vehicle is in a singular zone or not. It is also designed here to calculate this setpoint differently depending on whether the parameter indicates that the vehicle is in a road widening or road narrowing zone.
  • a selection step from two lines of separation of right and left lanes located on either side of the motor vehicle, of a first line which deviates the least from the motor vehicle and / or its trajectory , and in which,
  • the steering angle setpoint is determined according to the position of said first line, and independently of the position of the other of the two right and left lane separation lines. [0021]Preferably, during said determination step, the steering angle setpoint is determined by considering that the width of the traffic lane measured before the singular zone does not vary within the singular zone.
  • the steering angle setpoint is determined according to the positions of the right and left lane separation lines located after the singular zone.
  • the invention also relates to a method for configuring a computer to help maintain a motor vehicle on a traffic lane of a road, comprising:
  • a step of learning a recurrent neural network making it possible to determine at least one detection parameter of a singular road zone within which the number of traffic lanes increases or decreases, said recurrent neural network receiving said base of data as training data, and
  • FIG-1 is a schematic view of a motor vehicle carrying a computer adapted to implement a driving assistance method according to the invention, and which is driving on a portion of road in front of which finds a singular area;
  • FIG.2 is a graph illustrating variations in vehicle position data automobile on a road
  • FIG-3 is a table illustrating a training database of a neural network
  • FIG.4 is a table illustrating in another form the values of the learning database of [Fig.3];
  • FIG.5 is a graph illustrating the variations over time of a first detection parameter of a singular road zone
  • FIG.6 is a graph illustrating the variations over time of a second detection parameter of a singular road zone
  • FIG.7 is a graph illustrating the variations over time of a third detection parameter of a singular road zone.
  • FIG.l there is shown a vehicle 100, here a motor vehicle, driving on a road 10.
  • This vehicle 100 can be of any type, for example car, truck, etc.
  • a steering system which makes it possible to act on the orientation of the steered wheels of the vehicle and which is controlled by a steering actuator.
  • the vehicle 100 is also equipped with an image capture device (not shown).
  • This image capture device is located at the front of the vehicle 100 to capture at regular intervals an image on which appears the road 100 taken by the vehicle, and in particular the markings printed on the road.
  • the image capture device may comprise a camera equipped with a wide-angle lens or a series of several cameras.
  • the vehicle 100 also includes a data processing computer unit, hereinafter referred to as a “computer”.
  • This computer comprises at least one processor, one memory and input and output interfaces. In practice, it may consist of several separate units each comprising a processor.
  • the computer is suitable for receiving the images captured by the camera(s). Thanks to its output interfaces, the computer is suitable for controlling F steering actuator.
  • the computer stores a computer application, consisting of computer programs comprising instructions whose execution by the processor(s) allows the computer to implement the method described below.
  • the computer is thus in particular able to implement a method for maintaining the vehicle in the center of its traffic lane.
  • a method is better known by the English acronym LCA (for “Lane Centering Assist”).
  • LCA for “Lane Centering Assist”.
  • this process is to detect the position of the center of the traffic lane based on the marking lines on the ground, and to control the steering actuator to maintain the vehicle in the central position.
  • the computer may include separate entities, one of which implements the driving assistance methods (including the LCA function) and in which the method described below afterwards will be programmed.
  • the method could be programmed in a separate entity, for example in an entity integrated into the camera.
  • FIG.1 there is shown an example of road 10 (country road, street, highway, etc.) on which vehicle 100 travels.
  • road 10 country road, street, highway, etc.
  • a road has one or more traffic lanes, allowing vehicles to overtake or cross each other. In the remainder of this presentation, only the traffic lanes of the road whose traffic directions are the same will be considered.
  • lane separation lines are generally separated from each other, from the roadside and from the lanes in the opposite direction by marking lines on the ground, hereinafter called “lane separation lines”.
  • the vehicle 100 travels on a road 10 which, on the left of the figure, comprises a single traffic lane 17 and, on the right, comprises two lanes of circulation 18, 19.
  • These different lanes are delimited (with respect to the aisles) by two lane separation lines 11, 13, namely a left aisle line 11 and a right aisle line 13. These lines are here represented as being continuous but they could alternatively be discontinuous.
  • the two traffic lanes 18, 19 are separated by a center line 12 shown in dotted lines but which could be continuous.
  • Such an area is defined as a portion of the road along which the number of traffic lanes varies, either increasing or decreasing.
  • this number increases so much that we will speak in the following of road widening. If it was reduced, we would rather speak of a narrowing of the road.
  • the number of traffic lanes increases from one to two.
  • the present invention proposes to calculate the steering setpoint at send to the steering actuator so that it is not deceived by a widening of the track 20.
  • the proposed method comprises two successive operations, including a singular zone detection operation then, when such a zone is detected, an operation for calculating the steering setpoint taking into account the presence of this singular zone.
  • the detection operation is implemented by the computer in several steps, repeated in a loop at regular time steps.
  • the first step consists in recording positioning data of the motor vehicle 100 on the road 10.
  • the processor is programmed in particular to detect, from the captured images, the position of the central lines 12 and of the left 11 and right 13 sides with respect to the vehicle 100, that is to say with respect to a repository linked to the vehicle 100.
  • the processor is programmed to implement known image processing algorithms.
  • the vehicle 100 rolls in a straight line along a main trajectory DI.
  • the main trajectory DI therefore corresponds to the direction of the vehicle 100 when the latter is traveling in a straight line. When turning, this trajectory would be curved.
  • the computer is then able to calculate, at a sight distance d v determined in front of the vehicle, the distance between the main trajectory DI and each marking line on the ground.
  • the sighting distance d v can be predetermined and fixed (for example equal to 100 meters) or it can vary according to the speed of the vehicle (it can for example be a distance that the vehicle travels in a determined period of time, for example equal to one second).
  • the computer determines at the sighting distance d v :
  • the computer determines, at each time step:
  • the computer calculates, by means of a recurrent neural network, at least one parameter Ps, Pm, Po for detection of singular zone 15.
  • these parameters can be used to calculate a steering instruction for the vehicle which allows the latter to stay well in the center of its traffic lane and to cross without difficulty and without danger. singular areas.
  • the neural network used here is of the recurrent type (better known by the English acronym RNN). It thus makes it possible to provide results which depend on the inputs provided to the network at the current time step, but also according to the inputs which have been provided at the previous time steps.
  • the recurrence mechanism chosen is the LSTM type (from the English “Long shortterm memory”, which can be translated as “short and long term memory”). Such a mechanism allows efficient training of a neural network by employing long-duration training sequences.
  • this neural network comprises an input layer, an output layer and two hidden layers, one of which includes the recurrence mechanism.
  • the input layer comprises at least four neurons in order to receive the values of the distances pos_L and pos_R and of the differences Diff_Nxt_L and Diff_Nxt_R. She in here comprises eight (see [Fig.4]) in order to receive:
  • the first hidden layer which receives as input the values transmitted by the neurons of the input layer and which comprises the LSTM recurrence mechanism, here comprises several tens of neurons. This number is preferably between 30 and 70, and here equal to 50, in order to obtain reliable results without overloading the calculations.
  • the second hidden layer is here a densification layer which receives as input the outputs of the fifty neurons of the first hidden layer and which comprises a number of neurons equal to the number of parameters to be calculated (here equal to three).
  • the exit layer could be formed by this densification layer.
  • this output layer is an activation layer with three neurons, located behind the densification layer.
  • This activation layer operates a “softmax” type function. More precisely, its neurons are able to calculate a 3-dimensional output vector, whose values Y correspond to the values of the parameters Ps, Pm, Po. Its neurons receive as input a 3-dimensional input vector X, and we can write :
  • This learning of the neural network is done by backpropagation of the error gradient, on a learning set.
  • the learning set corresponds to available data values.
  • the learning set obtained then comprises several sequences corresponding each rolling upstream, through and downstream of a unique area.
  • these distance and difference values are normalized so as to all take values between 0 and 1.
  • MinMaxScaler a tool known as MinMaxScaler can be used.
  • This tool makes it possible, when the table of the database 200 is filled, to perform successively, for each of the four columns (here for the pos_L column), a calculation of the following type:
  • the value 0 is assigned to the Ps and Pm parameters and the value 1 is assigned to the Po parameter.
  • the value 0 is assigned to the Po and Pm parameters and the value 1 is assigned to the Ps parameter.
  • the value assigned to the parameter Ps increases linearly so as to reach the value 1 before the end of the singular zone.
  • the value assigned to the parameter Po decreases linearly so as to reach the value 0 before the end of the singular zone.
  • the value assigned to the parameter Ps suddenly drops to 0 while that assigned to the parameter Po suddenly increases to be equal to 1.
  • the value 0 is assigned to the parameters Po and Ps and the value 1 is assigned to the parameter Pm.
  • the value assigned to the Pm parameter increases linearly so as to reach the value 1 before the end of the singular zone.
  • the value assigned to the parameter Po decreases linearly so as to reach the value 0 before the end of the singular zone.
  • the value assigned to the Pm parameter suddenly drops to 0 while the one assigned to the Po parameter suddenly increases to be equal to 1.
  • This new database 201 comprises eleven fields, namely:
  • This shifting step makes it possible to provide the network with its recurrence capacity. Indeed, the values of the first eight columns acquired at time f are then found associated with the values of the parameters that can be calculated at time t i+ i.
  • the optimization algorithm chosen for this purpose is here known as the Adam optimization algorithm (which is an extension of the stochastic gradient method). This method has indeed demonstrated acceptable results both in terms of speed and convergence.
  • This algorithm uses a cost function Le, which is here equal to the average of the errors in absolute value (better known by the acronym MAE - from the English “Minimum Absolute Error”), which can be written:
  • -y is the expected value, as given by one of the last three fields of the new database 201, and
  • -y. is the value predicted by the neural network being trained.
  • This learning is done in stages, in a loop. To know when to stop learning, it is planned to regularly evaluate the neural network using another database (obtained like the new 201 database, but based on other rolling sequences of the test vehicle).
  • the values of the first eight fields of this other database are provided as input to the neural network, at different time steps, and the difference between the results obtained (the predicted values y'.) is observed. and the expected results (y'i) provided by the last three fields of this other database.
  • the neural network is trained and ready to be used. It can therefore be exported and stored in the memory of the computer of the motor vehicle 100.
  • the vehicle is facing a widening of the road if the parameter Ps takes a value greater than 0.9, or facing a narrowing of the road if the parameter Pm takes a value greater than 0.9.
  • FIGS. 5 to 7 illustrate the variations of the parameters obtained when the motor vehicle 100 progresses on a road such as that illustrated in [Fig.l].
  • the neural network makes it possible to detect the widening of the road without difficulty, at a time when the two other parameters Pm, Po take substantially zero values.
  • the parameters Ps, Po vary substantially linearly when the vehicle 100 arrives at near road widening. This is normal since the neural network has been trained by submitting values to it which vary in this way when approaching each singular zone 15.
  • This trained neural network is then recorded in each of the motor vehicles of the same model as the test vehicle, and in particular in the motor vehicle 100.
  • the motor vehicle 100 is then able to implement two successive steps, including:
  • the computer is able to detect a singular zone 15.
  • this process is well known and consists in maintaining the center of gravity of the vehicle at an equal distance from the right and left lane separation lines located immediately on either side of the motor vehicle 100.
  • this process is modified so that the motor vehicle 100 does not end up straddling two lanes.
  • the selection step thus simply consists in observing whether the distance between the trajectory and the left line is less than the distance between the trajectory and the right line at the sighting distance d v .
  • the first line selected is that on the left, which makes it possible to keep the vehicle in the left lane. Otherwise, the first line selected is the one on the right, which allows to keep the vehicle in the right lane.
  • the guidance of the vehicle 100 is carried out according to the position of this first line, without taking into account the position of the other line 13 at the sighting distance d v .
  • the guidance may for example consist of following the first line 11 at a determined distance.
  • This determined distance can for example be the distance at which the vehicle 100 was located from the first line 11 when the widening was detected.
  • the LCA function makes it possible to determine a steering setpoint for the steering actuator of the vehicle which is suitable for crossing a road widening zone.
  • the computer When the computer detects such a narrowing, it determines whether the traffic lane taken upstream of the narrowing continues beyond this narrowing. If this is the case, the computer determines the steering instruction so as to keep the vehicle in its lane, taking into account the positions of the two lane separation lines located beyond the narrowing. If this is not the case, the vehicle can be steered so as to place itself between the two marking lines of the nearest traffic lane which continues beyond the narrowing of the lane, and this as soon as it arrives in the singular area.
  • the widening or narrowing of the route can be caused by a line detection error: this is then referred to as virtual widening or narrowing. Indeed, it can happen that a shadow or a reflection is confused with a marking line on the ground. In such a situation, the calculator will allow the zone to be passed without difficulty, in the same way as if an enlargement or contraction had actually taken place.
  • singular zone detection may be used for purposes other than to keep the vehicle in the center of its lane.
  • this detection could provide useful data to other vehicle driving assistance functions, in particular to the obstacle avoidance function (the indication of a singular zone which can help to find a trajectory of obstacle avoidance that stays on the road).

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Mathematical Physics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Traffic Control Systems (AREA)

Abstract

L'invention concerne un procédé de détection sur une route (10) empruntée par un véhicule automobile (100) d'une zone singulière (15) au sein de laquelle le nombre de voies de circulation (17, 18, 19) croit ou décroit, comportant des étapes de : - relèvement de données de position (pos_L, pos_R) caractérisant la position du véhicule automobile par rapport aux lignes de séparation de voies (11, 12, 13) marquées sur la route, et - calcul, par un réseau de neurones récurrent, d'au moins un paramètre de détection de zone singulière, les données de position relevées étant fournies en entrée dudit réseau de neurones récurrent.

Description

Description
Titre de l'invention : Procédé d’aide au maintien d’un véhicule sur la route lors d’un rétrécissement ou d’un élargissement de voie
Domaine technique de l’invention
[0001] La présente invention concerne de manière générale le domaine des systèmes d’aide à la conduite.
[0002] Elle concerne plus particulièrement un procédé de détection, par un calculateur embarqué dans un véhicule circulant sur une route, de chaque zone singulière de la route au sein de laquelle le nombre de voies de circulation croit ou décroit.
[0003] Elle concerne également un procédé d’aide au maintien du véhicule automobile sur sa voie de circulation et une méthode de paramétrage du calculateur embarqué.
Etat de la technique
[0004] Certains véhicules automobiles sont actuellement équipés d’un dispositif de capture d’images conçu pour détecter la position de lignes marquées au sol et délimitant des voies de circulation. La position des lignes, autour et à l’avant du véhicule, permet de mettre en œuvre des systèmes de guidage pour aider à la conduite. Ces systèmes de guidage peuvent par exemple être des systèmes de centrage maintenant le véhicule à équidistance entre une ligne droite et une ligne gauche (on parle de système LCA - de l’anglais « Lane Centering Assist »).
[0005] L’élargissement de la route, par exemple dû à un dédoublement de la voie de circulation, un croisement ou à une sortie d’autoroute, peut néanmoins induire en erreur ces systèmes de guidage. Ainsi, dans le cas d’un dédoublement d’une unique voie de circulation en deux voies de circulation parallèles, le système de centrage risque de guider le véhicule à cheval entre les deux nouvelles voies, avant de brutalement ramener le véhicule sur l’une des deux voies lorsqu’ apparait le marquage entre ces deux voies. Le même type de problème est susceptible d’arriver lors des rétrécissements de route.
[0006] Les systèmes de guidage peuvent aussi être induits en erreur par une mauvaise détection de la position des lignes. Par exemple, si le véhicule confond une ombre ou un reflet avec une ligne, le système de guidage peut amener le véhicule à suivre cette ombre ou ce reflet et donc à guider le véhicule hors de la voie.
[0007] De façon générale, les élargissements et rétrécissements de voie peuvent tromper les systèmes de guidage et/ou les amener à suivre des trajectoires non-optimales en termes de sécurité, distance parcourue ou énergie consommée.
[0008] Pour limiter ces inconvénients, on connaît du document LR3109920 un procédé comprenant des étapes de : - détection, sur la base de la variation de l’écart de distance entre les lignes droite et gauche, d’un élargissement de ladite voie, puis, lorsqu’un élargissement est détecté,
- acquisition de la trajectoire du véhicule automobile,
- sélection, parmi les lignes droite et gauche, d’une ligne qui s’écarte le moins de la trajectoire, et
- guidage du véhicule automobile en fonction de ladite position de la ligne sélectionnée.
[0009] Ce procédé, s’il s’avère souvent efficace, présente parfois des dysfonctionnements que l’on souhaite prévenir.
Présentation de l’invention
[0010] Plus précisément, la présente invention propose une solution permettant une meilleure détection des élargissements et rétrécissements de route.
[0011] Ainsi, on propose selon l’invention un procédé de détection d’une zone singulière au sein de laquelle le nombre de voies de circulation croit ou décroit, comportant des étapes de :
- relèvement de données de position du véhicule automobile circulant sur la route par rapport aux lignes de séparation de voies marquées sur la route, et
- calcul, par un réseau de neurones récurrent, d’au moins un paramètre de détection de zone singulière, les données de position relevées étant fournies en entrée dudit réseau de neurones récurrent.
[0012] Ainsi, l’invention propose de s’appuyer sur un type bien particulier de réseaux de neurones, à savoir les réseaux de neurones récurrents, pour détecter des zones singulières.
[0013] Il s’avère en effet que ce type de réseaux permet, une fois entraîné, de réaliser de très bonnes détections lorsque le véhicule progresse le long d’une route et que la largeur de la route varie.
[0014] L’utilisation d’un réseau de neurones non récurent ne permettrait pas d’aboutir à des résultats aussi fiables que ceux trouvés ici.
[0015] Cette solution utilisant des réseaux de neurones s’applique parfaitement dans de nombreuses situations, par exemple dans les pays où l’on circule à droite ou à gauche de la route.
[0016] Elle donne de bons résultats lorsqu’elle est couplée à la fonction LCA non seulement sur les routes où le nombres de voies de circulation varie effectivement, mais aussi sur les routes où le nombre de voies de circulation reste constant mais où certaines lignes de marquage ne sont pas suffisamment visibles si bien que le calculateur embarqué dans le véhicule perçoit par erreur une variation du nombre de voies de circulation. En effet, grâce à l’invention, le nombre d’erreurs de détection de zones singulières s’avère réduit. En outre, en cas d’erreur, la solution de guidage employée dans la fonction LCA permet de passer la zone singulière sans problème et sans nécessiter de désactiver cette fonction. De cette façon, en pratique, il est rare que la fonction LCA se désactive de manière aléatoire et inconfortable pour le conducteur.
[0017] D’autres caractéristiques avantageuses et non limitatives du procédé de détection conforme à l’invention, prises individuellement ou selon toutes les combinaisons techniquement possibles, sont les suivantes :
- au moins deux paramètres sont calculés, dont un paramètre de détection d’un accroissement du nombre de voies de circulation, et un paramètre de détection d’une réduction du nombre de voies de circulation ;
- le réseau de neurones récurrent comporte une couche d’entrée, une couche de sortie, et au moins une première couche cachée comportant un mécanisme de récurrence ;
- le mécanisme de récurrence est de type LSTM ;
- ladite première couche cachée comporte plusieurs dizaines de neurones ;
- la couche de sortie est une couche d’activation et il est prévu au moins une autre couche cachée de densification, qui est située après ladite première couche cachée et dont le nombre de neurones est égal au nombre de neurones de la couche de sortie.
[0018] L’invention porte aussi sur un procédé d’aide au maintien d’un véhicule automobile sur une voie de circulation d’une route, comportant :
- une opération de détection d’une zone singulière de la route au sein de laquelle le nombre de voies de circulation croit ou décroit, selon un procédé de détection tel que précité, et
- une étape de détermination d’une consigne d’angle de braquage des roues directrices du véhicule automobile, en fonction du paramètre de détection de zone singulière calculé.
[0019] En d’autres termes, la fonction LCA est conçue pour calculer la consigne de braquage de manière différente, selon que le paramètre indique que le véhicule est dans une zone singulière ou non. Elle est en outre ici conçue pour calculer cette consigne de manière différente selon que le paramètre indique que le véhicule est dans une zone d’élargissement de route ou de rétrécissement de route.
[0020] Préférentiellement, lorsque ledit paramètre indique que le nombre de voies de circulation augmente :
- il est prévu une étape de sélection, parmi deux lignes de séparation de voies droite et gauche situées de part et d’autre du véhicule automobile, d’une première ligne qui s’écarte le moins du véhicule automobile et/ou de sa trajectoire, et dans lequel,
- au cours de ladite étape de détermination, la consigne d’angle de braquage est déterminée en fonction de la position de ladite première ligne, et indépendamment de la position de l’autre des deux ligne de séparation de voies droite et gauche. [0021] Préférentiellement, au cours de ladite étape de détermination, la consigne d’angle de braquage est déterminée en considérant que la largeur de la voie de circulation mesurée avant la zone singulière ne varie pas au sein de la zone singulière.
[0022] Préférentiellement, lorsque ledit paramètre indique que le nombre de voies de circulation baisse, la consigne d’angle de braquage est déterminée en fonction des positions des lignes de séparation de voies droite et gauche situées après la zone singulière.
[0023] L’invention concerne aussi une méthode de paramétrage d’un calculateur d’aide au maintien d’un véhicule automobile sur une voie de circulation d’une route, comprenant :
- un roulage d’entraînement dans un environnement réel ou virtuel au cours duquel un véhicule de test roule sur des portions de route comprenant des zones singulières, et pendant lequel sont mémorisées, d’une part, des données de position relatives à la position du véhicule de test par rapport aux lignes de séparation de voies marquées sur la portion de route empruntée, et, d’autre part, des informations indiquant si ladite portion de route est une zone singulière au sein de laquelle le nombre de voies de circulation croit ou décroit,
- une étape d’élaboration d’une base de données comportant, pour différents instants successifs, lesdites données de position et lesdites informations mémorisées,
- une étape d’apprentissage d’un réseau de neurones récurrent permettant déterminer au moins un paramètre de détection d’une zone singulière de route au sein de laquelle le nombre de voies de circulation croit ou décroit, ledit réseau de neurones récurrent recevant ladite base de données en tant que donnée d’apprentissage, et
- une sauvegarde du réseau de neurones récurrent dans le calculateur du véhicule automobile.
[0024] Bien entendu, les différentes caractéristiques, variantes et formes de réalisation de l'invention peuvent être associées les unes avec les autres selon diverses combinaisons dans la mesure où elles ne sont pas incompatibles ou exclusives les unes des autres.
Description détaillée de l’invention
[0025] La description qui va suivre en regard des dessins annexés, donnés à titre d’exemples non limitatifs, fera bien comprendre en quoi consiste l’invention et comment elle peut être réalisée.
[0026] Sur les dessins annexés :
[0027] [Fig-1] est une vue schématique d’un véhicule automobile embarquant un calculateur adapté à mettre en œuvre un procédé d’aide à la conduite conforme à l’invention, et qui roule sur une portion de route devant laquelle se trouve une zone singulière ;
[0028] [Fig.2] est un graphique illustrant les variations de données de position du véhicule automobile sur une route ;
[0029] [Fig-3] est un tableau illustrant une base de données d’apprentissage d’un réseau de neurones ;
[0030] [Fig.4] est un tableau illustrant sous une autre forme les valeurs de la base de données d’apprentissage de la [Fig.3] ;
[0031] [Fig.5] est un graphique illustrant les variations au cours du temps d’un premier paramètre de détection d’une zone singulière de route ;
[0032] [Fig.6] est un graphique illustrant les variations au cours du temps d’un second paramètre de détection d’une zone singulière de route ;
[0033] [Fig.7] est un graphique illustrant les variations au cours du temps d’un troisième paramètre de détection d’une zone singulière de route.
[0034] Sur la [Fig.l], on a représenté un véhicule 100, ici un véhicule automobile, roulant sur une route 10.
[0035] Ce véhicule 100 peut être de tout type, par exemple voiture, camion...
[0036] Il est prévu pour fonctionner de façon autonome ou semi autonome pour aider le conducteur du véhicule à rouler sans danger.
[0037] Il comporte à cet effet un système de direction qui permet d’agir sur l’orientation des roues directrices du véhicule et qui est commandé par un actionneur de direction.
[0038] Le véhicule 100 est en outre équipé d’un dispositif de capture d’images (non représenté). Ce dispositif de capture d’images est situé à l’avant du véhicule 100 pour capter à intervalle régulier une image sur laquelle apparait la route 100 empruntée par le véhicule, et notamment les marquages imprimés sur la route. Pour imager la route, le dispositif de capture d’images peut comprendre une caméra équipée d’un objectif grand angle ou une série de plusieurs caméras.
[0039] Le véhicule 100 comprend aussi une unité informatique de traitement de données, ci- après appelée « calculateur ». Ce calculateur comporte au moins un processeur, une mémoire et des interfaces d'entrée et de sortie. En pratique, il peut être constitué de plusieurs unités distinctes comportant chacune un processeur.
[0040] Grâce à ses interfaces d'entrée, le calculateur est adapté à recevoir les images capturées par la ou les caméras. Grâce à ses interfaces de sortie, le calculateur est adapté à commander F actionneur de direction.
[0041] Grâce à sa mémoire, le calculateur mémorise une application informatique, constituée de programmes d’ordinateur comprenant des instructions dont l’exécution par le (ou les) processeur permet la mise en œuvre par le calculateur du procédé décrit ci-après.
[0042] Le calculateur est ainsi notamment en mesure de mettre en œuvre un procédé de maintien du véhicule au centre de sa voie de circulation. Un tel procédé est plus connu sous l’acronyme anglais LCA (pour « Lane Centering Assist »). En résumé, ce procédé consiste à détecter la position du centre de la voie de circulation en se basant sur les lignes de marquage au sol, et à piloter l’actionneur de direction pour maintenir le véhicule en position centrale.
[0043] Comme cela a été précisé ci-dessus, le calculateur peut comporter des entités distinctes, dont l’une qui met en œuvre les procédés d’aide à la conduite (dont la fonction LCA) et dans laquelle le procédé décrit ci-après sera programmé. En variante, le procédé pourrait être programmé dans une entité distincte, par exemple dans une entité intégrée à la caméra.
[0044] Sur la [Fig.1], on a représenté un exemple de route 10 (route de campagne, rue, autoroute...) sur laquelle circule le véhicule 100.
[0045] Une route comporte une ou plusieurs voies de circulation, permettant aux véhicules de se doubler ou de se croiser. Dans la suite de cet exposé, on ne considérera que les voies de circulation de la route dont les sens de circulation sont les mêmes.
[0046] Ces voies de circulation sont généralement séparées les unes des autres, du bas-côté et des voies en sens inverse par des lignes de marquage au sol, ci-après appelées « lignes de séparation de voies ».
[0047] Ainsi, dans l’exemple illustré sur la [Fig.l], le véhicule 100 circule sur une route 10 qui, à gauche de la figure, comprend une seule voie de circulation 17 et, à droite, comporte deux voies de circulation 18, 19.
[0048] Ces différentes voies sont délimitées (par rapport aux bas-côtés) par deux lignes de séparation de voies 11, 13, à savoir une ligne de bas-côté gauche 11 et une ligne de bas-côté droite 13. Ces lignes sont ici représentées comme étant continues mais elles pourraient en variante être discontinues.
[0049] Les termes « droite » et « gauche » font ici référence à la droite et à la gauche du véhicule 100 lorsque celui-ci est vu par l’arrière.
[0050] Les deux voies de circulation 18, 19 sont quant à elles séparées par une ligne centrale 12 représentée en pointillés mais qui pourrait être continue.
[0051] La portion de la route illustrée sur cette [Fig.l] comporte une zone singulière 15.
[0052] Une telle zone est définie comme une portion de la route le long de laquelle le nombre de voies de circulation varie, soit en augmentant, soit en baissant. Ici, ce nombre augmente si bien qu’on parlera dans la suite d’élargissement de route. S’il se réduisait, on parlerait plutôt de rétrécissement de route. Dans l’exemple illustré, le nombre de voies de circulation passe de un à deux.
[0053] La difficulté dans une telle zone singulière est que les lignes de bas-côté gauche 11 et droite 13 divergent progressivement et que la ligne centrale n’est pas encore marquée.
[0054] Par conséquent, si cette zone singulière n’est pas détectée, le risque est que le véhicule reste au milieu de la route puis se retrouve à cheval sur la ligne centrale 12.
[0055] Par conséquent, la présente invention propose de calculer la consigne de braquage à envoyer à l’actionneur de direction de manière qu’elle ne soit pas trompée par un élargissement de la voie 20.
[0056] La méthode proposée comporte deux opérations successives, dont une opération de détection de zone singulière puis, lorsqu’une telle zone est détectée, une opération de calcul de la consigne de braquage en tenant compte de la présence de cette zone singulière.
[0057] L’opération de détection est mise en œuvre par le calculateur en plusieurs étapes, répétées en boucle à pas de temps réguliers.
[0058] La première étape consiste à relever des données de positionnement du véhicule automobile 100 sur la route 10.
[0059] Le processeur est notamment programmé pour détecter, à partir des images capturées, la position des lignes centrale 12 et de bas-côtés gauche 11 et droite 13 par rapport au véhicule 100, c’est-à-dire par rapport à un référentiel lié au véhicule 100. Pour cela, le processeur est programmé pour mettre en œuvre des algorithmes de traitement d’images connus.
[0060] A titre d’exemple, ici, comme le montre la [Fig.l], le véhicule 100 roule en ligne droite selon une trajectoire principale DI. La trajectoire principale DI correspond donc à la direction du véhicule 100 lorsque celui-ci roule en ligne droite. En virage, cette trajectoire serait courbe.
[0061] Alors, le calculateur est alors en mesure de calculer, à une distance de visée dv déterminée à l’avant du véhicule, la distance entre la trajectoire principale DI et chaque ligne de marquage au sol.
[0062] La distance de visée dv peut être prédéterminée et fixe (par exemple égale à 100 mètres) ou elle peut varier en fonction de la vitesse du véhicule (il peut par exemple s’agir d’une distance que le véhicule parcourt en un laps de temps déterminé, par exemple égal à une seconde).
[0063] Ici, à chaque pas de temps, le calculateur détermine à la distance de visée dv :
- la distance pos_L entre la trajectoire principale DI et la ligne de gauche (celle située immédiatement à côté du véhicule),
- la distance pos_R entre la trajectoire principale DI et la ligne de droite (celle située immédiatement à côté du véhicule),
- la distance pos_Nxt_L entre la trajectoire principale DI et la ligne de bas-côté gauche, et
- la distance pos_Nxt_R entre la trajectoire principale DI et la ligne de bas-côté droite.
[0064] Dans l’exemple illustré sur la [Fig.l], on notera que les distances pos_L et pos_Nxt_L sont égales puisque les lignes de gauche et de bas-côté gauche sont confondues. [0065] Sur un autre exemple illustré sur la [Fig.2], on a représenté les variations de ces quatre distances au cours du temps t (sur une portion de route différente de celle illustrée sur la [Fig.1]). On observe sur la zone Z0 que la distance pos_Nxt_R présente une variation importante par rapport à la distance pos_R, ce qui permet de détecter une zone singulière. Il est donc proposé de détecter une zone singulière sur la base de l’écart entre ces distances.
[0066] Pour cela, le calculateur détermine, à chaque pas de temps :
- la différence Diff_Nxt_L entre la distance pos_L et la distance pos_Nxt_L, et
- la différence Diff_Nxt_R entre la distance pos_R et la distance pos_Nxt_R.
[0067] Puis, au cours d’une seconde étape, le calculateur calcule, au moyen d’un réseau de neurones récurrent, au moins un paramètre Ps, Pm, Po de détection de zone singulière 15.
[0068] Ces paramètres sont ici des taux de probabilité que le véhicule se trouve dans une zone singulière ou non.
[0069] Trois paramètres sont ici calculés, à savoir :
- un paramètre Ps de probabilité d’occurrence d’un élargissement de route,
- un paramètre Pm de probabilité d’occurrence d’un rétrécissement de route,
- un paramètre Ps de probabilité d’absence d’élargissement et de rétrécissement de route.
[0070] Comme cela sera expliqué plus loin dans l’exposé, ces paramètres pourront être utilisés pour calculer une consigne de braquage du véhicule qui permette à ce dernier de bien rester au centre de sa voie de circulation et de traverser sans difficulté et sans danger les zones singulières.
[0071] Mais avant cela, on peut décrire le réseau de neurones utilisé et la manière selon laquelle ce réseau est réglé (on parle d’entraînement ou d’apprentissage).
[0072] Le réseau de neurones utilisé est ici de type récurent (plus connu sous l’acronyme anglais RNN). Il permet ainsi de fournir des résultats qui dépendent des entrées fournies au réseau au pas de temps courant, mais également en fonction des entrées qui ont été fournies aux pas de temps précédents.
[0073] Ici, le mécanisme de récurrence choisi est le type LSTM (de l’anglais « Long shortterm memory », ce que l’on peut traduire « à mémoire court et long terme »). Un tel mécanisme permet de réaliser un entraînement efficace d’un réseau de neurones en employant des séquences d’entraînement de longues durées.
[0074] Plus précisément ici, ce réseau de neurones comporte une couche d’entrée, une couche de sortie et deux couches cachées dont l’une comprend le mécanisme de récurrence.
[0075] La couche d’entrée comporte au moins quatre neurones afin de recevoir les valeurs des distances pos_L et pos_R et des différences Diff_Nxt_L et Diff_Nxt_R. Elle en comporte ici huit (voir [Fig.4]) afin de recevoir :
- la valeur du pas de temps f (i étant un indice variant entre 0 et N, où N dépend de la longueur de la séquence considérée),
- les valeurs des distances pos_L et pos_R,
- les valeurs des différences Diff_Nxt_L et Diff_Nxt_R,
- les valeurs des paramètres Psti.i, Pm„ PoN 4 calculés au pas de temps précédent.
[0076] La première couche cachée, qui reçoit en entrée les valeurs transmises par les neurones de la couche d’entrée et qui comporte le mécanisme de récurrence LSTM, comporte ici plusieurs dizaines de neurones. Ce nombre est préférentiellement compris entre 30 et 70, et ici égal à 50, afin d’obtenir des résultats fiables sans pour autant surcharger les calculs.
[0077] La seconde couche cachée est ici une couche de densification qui reçoit en entrée les sorties des cinquante neurones de la première couche cachée et qui comporte un nombre de neurones égal au nombre de paramètres à calculer (ici égal à trois).
[0078] La couche de sortie pourrait être formée par cette couche de densification.
[0079] Toutefois, pour faciliter la mise au point du réseau de neurones et obtenir des résultats sensiblement plus fiables, cette couche de sortie est une couche d’activation à trois neurones, située derrière la couche de densification.
[0080] Cette couche d’activation opère une fonction de type « softmax ». Plus précisément, ses neurones sont en mesure de calculer un vecteur de sortie de dimension 3, dont les valeurs Y, correspondent aux valeurs des paramètres Ps, Pm, Po. Ses neurones reçoivent en entrée un vecteur d’entrée X de dimension 3, et on peut écrire :
[0081] [Math.l]
[0082] Ce réseau de neurones récurrent étant bien décrit, on pourra brièvement expliquer comment il est réglé (c’est-à-dire comment les valeurs des poids et des biais assignés à chaque neurone sont ajustées).
[0083] Cet apprentissage du réseau de neurones se fait par rétropropagation du gradient de l’erreur, sur un set d’apprentissage.
[0084] Le set d’apprentissage correspond à des valeurs de données à disposition.
[0085] Pour obtenir ce set d’apprentissage, il est prévu de faire rouler un véhicule de test sur des routes présentant des zones singulières 15 et d’enregistrer les distances pos_L, pos_R, pos_Nxt_L, pos_Nxt_R sur des tronçons de route comportant chacun l’une de ces zones singulières. L’enregistrement est réalisé de la même manière que précité, à une distance de visée dv.
[0086] Le set d’apprentissage obtenu comporte alors plusieurs séquences correspondant chacune à un roulage en amont, au travers et en aval d’une zone singulière.
[0087] On notera que ces roulages pourront être réalisés dans un environnement réel ou dans un environnement virtuel.
[0088] Comme le montre la [Fig.3], il est possible de stocker les données issues de chaque séquence de roulage dans une table d’une base de données 200. Il est ainsi possible d’y enregistrer :
- la valeur du pas de temps f,
- les valeurs des distances pos_L et pos_R (notées dlti et d2ti),
- les valeurs des différences Diff_Nxt_L et Diff_Nxt_R (notées d3ti et d4ti).
[0089] De manière préférentielle, ces valeurs de distances et de différences sont normalisées de façon à prendre toutes des valeurs comprises entre 0 et 1.
[0090] On peut pour cela utiliser un outil connu sous le nom de MinMaxScaler.
[0091] Cet outil permet, lorsque la table de la base de données 200 est remplie, de réaliser successivement, pour chacune des quatre colonnes (ici pour la colonne pos_L), un calcul du type de celui-ci :
[0093] Il est ensuite prévu de compléter les trois dernières colonnes de cette table par des informations indiquant si le nombre de voies de circulation variait ou non, à chaque instant de la séquence considérée.
[0094] Ici, ces trois dernières colonnes de la table de la base de données 200 sont plus précisément complétées en affectant une valeur Psti, Pmti, Poti à chaque paramètre Ps, Pm, Po pour chaque instant f.
[0095] Ces valeurs sont par exemple saisies manuellement.
[0096] Pour cela, en l’absence de zone singulière, la valeur 0 est affectée aux paramètre Ps et Pm et la valeur 1 est affectée au paramètre Po.
[0097] En présence d’une zone singulière d’élargissement de route, la valeur 0 est affectée aux paramètre Po et Pm et la valeur 1 est affectée au paramètre Ps. Toutefois, au moment où l’élargissement de route débute, la valeur affectée au paramètre Ps croît linéairement de manière à atteindre la valeur 1 avant la fin de la zone singulière. A contrario, la valeur affectée au paramètre Po décroît linéairement de manière à atteindre la valeur 0 avant la fin de la zone singulière. Au moment où l’élargissement se finit, la valeur affectée au paramètre Ps chute brutalement à 0 tandis que celle affectée au paramètre Po augmente brutalement pour être égale à 1.
[0098] En présence d’une zone singulière de rétrécissement de route, la valeur 0 est affectée aux paramètre Po et Ps et la valeur 1 est affectée au paramètre Pm. Toutefois, au moment où le rétrécissement de route débute, la valeur affectée au paramètre Pm croît linéairement de manière à atteindre la valeur 1 avant la fin de la zone singulière. A contrario, la valeur affectée au paramètre Po décroît linéairement de manière à atteindre la valeur 0 avant la fin de la zone singulière. Au moment où le rétrécissement se finit, la valeur affectée au paramètre Pm chute brutalement à 0 tandis que celle affectée au paramètre Po augmente brutalement pour être égale à 1.
[0099] Ainsi est-il possible de compléter la base de données 200 illustrée sur la [Fig.3].
[0100] Pour entraîner le réseau de neurones, on pourrait lui soumettre successivement les valeurs associées à chaque ligne de cette base de données, de manière à lui apprendre à fournir en sortie des valeurs de paramètres Ps, Pm, Po cohérentes avec les valeurs de distances et différences mesurées.
[0101] Toutefois, ici, pour obtenir un réseau de neurones plus réactif et plus précis, il est tout d’abord prévu de réarranger les données saisies dans la base de données 200.
[0102] Pour cela, au cours d’une étape de décalage temporel, une nouvelle base de données 201 est générée (voir [Fig.4]).
[0103] Cette nouvelle base de données 201 comporte onze champs, à savoir :
- la valeur du pas de temps f,
- les valeurs Psti, Pmti, Poti des paramètres saisis à l’instant f correspondant,
- les valeurs dlti, d2ti des distances pos_L et pos_R,
- les valeurs d3ti, d4ti des différences Diff_Nxt_L et Diff_Nxt_R, et
- les valeurs Psti+i, Pmti+i, Poti+i des paramètres saisis à l’instant ti+i correspondant.
[0104] Cette étape de décalage permet d’apporter au réseau sa capacité de récurrence. En effet, les valeurs des huit premières colonnes acquises à l’instant f se retrouvent alors associées aux valeurs des paramètres calculables à l’instant ti+i.
[0105] Les trois derniers champs de cette table sont ainsi utilisés pour réaliser la rétropro- pagation qui permettra d’ajuster les valeurs de poids et des biais assignés à chaque neurone.
[0106] L’algorithme d’optimisation choisi à cet effet est ici connu sous le nom d’algorithme d’optimisation Adam (qui est une extension de la méthode du gradient stochastique). Cette méthode a en effet démontré des résultats acceptables tant en termes de rapidité que de convergence. Cet algorithme utilise une fonction de coût Le, qui est ici égale à la moyenne des erreurs en valeur absolue (plus connue sous l’acronyme MAE - de l’anglais « Minimum Absolute Error »), ce que l’on peut écrire :
[0108] Dans cette équation :
- N est le nombre de pas de temps de la séquence considérée,
- y; est la valeur attendue, telle que donnée par l’un des trois derniers champs de la nouvelle base de données 201, et
- y. est la valeur prédite par le réseau de neurones en cours d’apprentissage.
[0109] Cet apprentissage se fait par étapes, en boucle. Pour savoir quand arrêter l’apprentissage, il est prévu d’évaluer régulièrement le réseau de neurones à l’aide d’une autre base de données (obtenue comme la nouvelle base de données 201, mais sur la base d’autres séquences de roulage du véhicule de test).
[0110] Pour cela, on fournit en entrée du réseau de neurones les valeurs des huit premiers champs de cette autre base de données, aux différents pas de temps, et on observe la différence entre les résultats obtenus (les valeurs prédites y'.) et les résultats attendus (y’i) fournies par les trois derniers champs de cette autre base de données.
[0111] On utilise pour réaliser cette évaluation la fonction mathématique d’erreur quadratique moyenne Fm, qui s’exprime ici sous la forme suivante.
[0113] On peut alors continuer à entraîner le réseau en lui soumettant de nouvelles séquences tant que le résultat de cette fonction mathématique Fm est supérieur à un seuil, et d’arrêter lorsqu’il passe sous ce seuil.
[0114] Dès lors, on considère que le réseau de neurones est entraîné et prêt à être utilisé. Il peut donc être exporté et stocké dans la mémoire du calculateur du véhicule automobile 100.
[0115] On comprend alors comment, à l’aide de ce réseau de neurones, le calculateur est en mesure de déterminer si le véhicule se trouve ou non à proximité d’une zone singulière 15.
[0116] Il suffit en effet de lui soumettre à intervalles de temps réguliers (de préférence le même intervalle que lors de l’entraînement du réseau) les valeurs des distances et différences mesurées ainsi que les valeurs des paramètres calculés au pas de temps précédent.
[0117] On considère alors que le véhicule se trouve face à un élargissement de route si le paramètre Ps prend une valeur supérieure à 0,9, ou face à un rétrécissement de route si le paramètre Pm prend une valeur supérieure à 0,9.
[0118] Les figures 5 à 7 illustrent alors les variations des paramètres obtenus lorsque le véhicule automobile 100 progresse sur une route telle que celle illustrée sur la [Fig.l]. On remarque sur la [Fig.5] que le réseau de neurones permet de détecter sans difficulté l’élargissement de route, à un instant où les deux autres paramètres Pm, Po prennent des valeurs sensiblement nulles. On observe en outre sur les figures 5 et 7 que les paramètres Ps, Po varient sensiblement linéairement lorsque le véhicule 100 arrive à proximité de l’élargissement de route. Ceci est normal puisque le réseau de neurones a été entraîné en lui soumettant des valeurs qui varie de cette manière à l’approche de chaque zone singulière 15.
[0119] A ce stade, on a bien décrit le réseau de neurones employé et la manière selon laquelle il a été entraîné.
[0120] Ce réseau de neurones entraîné est alors enregistré dans chacun des véhicules automobiles du même modèle que le véhicule de test, et notamment dans le véhicule automobile 100.
[0121] Comme cela a été expliqué dans la première partie de cet exposé, le véhicule automobile 100 est alors en mesure de mettre en œuvre deux étapes successives, dont :
- une étape qui consiste à relever des données de positionnement du véhicule automobile 100 sur la route 10, et
- une étape au cours de laquelle le calculateur calcule, au moyen d’un réseau de neurones récurrent, au moins trois paramètres Ps, Pm, Po de détection de zone singulière 15.
[0122] Ainsi le calculateur est-il en mesure de détecter une zone singulière 15.
[0123] Une fois la zone singulière 15 détectée, il est prévu de mettre en œuvre le processus de maintien du véhicule 100 au centre de sa voie de circulation.
[0124] En dehors des zones singulières, ce processus est bien connu et consiste à maintenir le centre de gravité du véhicule à égale distance des lignes de séparation de voie droite et gauche situées immédiatement de part et d’autre du véhicule automobile 100.
[0125] Lorsqu’une zone singulière 15 est détectée, ce processus est modifié de façon à ce que le véhicule automobile 100 ne se retrouve pas à cheval entre deux voies.
[0126] On peut alors tout d’abord considérer l’éventualité d’un élargissement de route tel que celui illustré sur la [Fig.l].
[0127] Dans une telle éventualité, au cours d’une seconde opération, le calculateur met en œuvre des étapes :
- d’acquisition de la trajectoire principale DI du véhicule automobile 100,
- de sélection, parmi les lignes de séparation de voie droite et gauche situées immédiatement de part et d’autre du véhicule automobile 100, d’une première ligne 11 qui s’écarte le moins de la trajectoire principale Dl, et
- de guidage du véhicule automobile en fonction de la position de la première ligne 11.
[0128] L’étape de sélection consiste ainsi simplement à observer si la distance entre la trajectoire et la ligne gauche est inférieure à la distance entre la trajectoire et la ligne droite à la distance de visée dv. Dans cette éventualité (cas de la [Fig.l]), la première ligne sélectionnée est celle de gauche, ce qui permet de maintenir le véhicule sur la voie de gauche. Sinon, la première ligne sélectionnée est celle de droite, ce qui permet de maintenir le véhicule sur la voie de droite.
[0129] Une fois que la première ligne 11 est sélectionnée, le guidage du véhicule 100 est effectué en fonction de la position de cette première ligne, sans prendre en compte la position de l’autre ligne 13 à la distance de visée dv.
[0130] Dans ce cas, le guidage peut par exemple consister à longer la première ligne 11 à une distance déterminée. Cette distance déterminée peut par exemple être la distance à laquelle le véhicule 100 se situait de la première ligne 11 lorsque l’élargissement a été détecté.
[0131] En pratique, puisque la fonction LCA de maintien du véhicule au centre de sa voie de circulation nécessite, pour fonctionner, de détecter deux lignes de marquage au sol, on peut soumettre à l’algorithme la position de la première ligne et la position d’une seconde ligne virtuelle. Cette seconde ligne virtuelle sera alors tracée de manière à s’étendre en parallèle de la première ligne, à une distance de celle-ci égale à la largeur de la voie de circulation mesurée en amont de l’élargissement de voie.
[0132] De cette façon, la fonction LCA permet de déterminer une consigne de pilotage de l’actionneur de direction du véhicule qui est adaptée à la traversée d’une zone d’élargissement de route.
[0133] D’autres manières de procéder pour déterminer la consigne de pilotage sont décrites dans le document FR3109920 et pourraient également être utilisées.
[0134] On peut maintenant considérer l’éventualité d’un rétrécissement de voies.
[0135] Lorsque le calculateur détecte un tel rétrécissement, il détermine si la voie de circulation empruntée en amont du rétrécissement perdure au-delà de ce rétrécissement. Si c’est le cas, le calculateur détermine la consigne de pilotage de façon à maintenir le véhicule sur sa voie de circulation, en considérant les positions des deux lignes de séparation de voie situées au-delà du rétrécissement. Si tel n’est pas le cas, le véhicule peut être piloté de manière à se placer entre les deux lignes de marquage de la voie de circulation la plus proche qui perdure au-delà du rétrécissement de voie, et ceci dès son arrivée dans la zone singulière.
[0136] D’autres méthodes pourraient bien entendu être employées.
[0137] A ce stade, on pourra noter que l’élargissement ou le rétrécissement de route peut être causé par une erreur de détection d’une ligne : on parle alors d’élargissement ou de rétrécissement virtuel. En effet, il peut arriver qu’une ombre ou un reflet soit confondu avec une ligne de marquage au sol. Dans une telle situation, le calculateur permettra de passer la zone sans difficulté, de la même façon que si un élargissement ou rétrécissement avait effectivement lieu.
[0138] La présente invention n’est nullement limitée au mode de réalisation décrit et représenté, mais l’homme du métier saura y apporter toute variante conforme à l’invention. [0139] En particulier, la détection de zone singulière pourra être utilisée à d’autres fins que pour maintenir le véhicule au centre de sa voie. Par exemple, cette détection pourra fournir des données utiles à d’autres fonctions d’aide à la conduite du véhicule, notamment à la fonction d’évitement d’obstacles (l’indication d’une zone singulière pouvant aider à trouver une trajectoire d’évitement d’obstacle qui reste sur la route).

Claims

Revendications
[Revendication 1] Procédé de détection sur une route (10) empruntée par un véhicule automobile (100) d’une zone singulière (15) au sein de laquelle le nombre de voies de circulation (17, 18, 19) croit ou décroit, comportant des étapes de :
- relèvement de données de position (pos_L, pos_R, pos_Nxt_L, pos_Nxt_R) caractérisant la position du véhicule automobile (100) par rapport aux lignes de séparation de voies (11, 12, 13) marquées sur la route (10), et
- calcul, par un réseau de neurones récurrent, d’au moins un paramètre (Ps, Pm, Po) de détection de zone singulière (15), les données de position (pos_L, pos_R, pos_Nxt_L, pos_Nxt_R) relevées étant fournies en entrée dudit réseau de neurones récurrent.
[Revendication 2] Procédé de détection selon la revendication précédente, dans lequel au moins deux paramètres (Ps, Pm, Po) sont calculés, dont un paramètre de détection d’un accroissement du nombre de voies de circulation (17, 18, 19), et un paramètre de détection d’une réduction du nombre de voies de circulation (17, 18, 19).
[Revendication 3] Procédé de détection selon l’une des revendications précédentes, dans lequel ledit paramètre (Ps, Pm, Po) est un taux de probabilité qu’une zone de la route (10) est une zone singulière (15).
[Revendication 4] Procédé de détection selon l’une des revendications précédentes, dans lequel le réseau de neurones récurrent comporte une couche d’entrée, une couche de sortie, et au moins une première couche cachée comportant un mécanisme de récurrence.
[Revendication 5] Procédé de détection selon la revendication précédente, dans lequel le mécanisme de récurrence est de type LSTM.
[Revendication 6] Procédé de détection selon l’une des deux revendications précédentes, dans lequel ladite première couche cachée comporte plusieurs dizaines de neurones.
[Revendication 7] Procédé de détection selon l’une des trois revendications précédentes, dans lequel la couche de sortie est une couche d’activation et il est prévu au moins une autre couche cachée de densification, qui est située après ladite première couche cachée et dont le nombre de neurones est égal au nombre de neurones de la couche de sortie.
[Revendication 8] Procédé d’aide au maintien d’un véhicule automobile (100) sur une voie de circulation (17, 18, 19) d’une route (10), comportant : - une opération de détection d’une zone singulière (15) de la route (10) au sein de laquelle le nombre de voies de circulation (17, 18, 19) croit ou décroit, selon un procédé de détection conforme à l’une des revendications précédentes, et
- une étape de détermination d’une consigne d’angle de braquage des roues directrices du véhicule automobile, en fonction du paramètre (Ps, Pm, Po) de détection de zone singulière (15) calculé.
[Revendication 9] Procédé d’aide selon la revendication précédente, dans lequel, lorsque ledit paramètre indique que le nombre de voies de circulation augmente :
- il est prévu une étape de sélection, parmi deux lignes de séparation de voies (11, 12, 13) droite et gauche situées de part et d’autre du véhicule automobile (100), d’une première ligne qui s’écarte le moins du véhicule automobile (100) et/ou d’une trajectoire du véhicule automobile (100), et dans lequel,
- au cours de ladite étape de détermination, la consigne d’angle de braquage est déterminée en fonction de la position de ladite première ligne, et indépendamment de la position de l’autre des deux ligne de séparation de voies (11, 12, 13) droite et gauche.
[Revendication 10] Procédé d’aide selon la revendication précédente, dans lequel, au cours de ladite étape de détermination, la consigne d’angle de braquage est déterminée en considérant que la largeur de la voie de circulation mesurée avant la zone singulière (15) ne varie pas au sein de la zone singulière (15).
[Revendication 11] Procédé d’aide selon l’une des trois revendications précédentes, dans lequel, lorsque ledit paramètre indique que le nombre de voies de circulation baisse, la consigne d’angle de braquage est déterminée en fonction des positions des lignes de séparation de voies (11, 12, 13) droite et gauche situées après la zone singulière (15).
[Revendication 12] Méthode de paramétrage d’un calculateur d’aide au maintien d’un véhicule automobile (100) sur une voie de circulation (17, 18, 19) d’une route (10), comprenant :
- un roulage d’entraînement dans un environnement réel ou virtuel au cours duquel un véhicule de test roule sur des portions de route comprenant des zones singulières, et pendant lequel sont mémorisées, d’une part, des données de position (pos_L, pos_R, Dif_Nxt_L, Dif_Nxt_R) relatives à la position du véhicule de test par rapport aux lignes de séparation de voies (11, 12, 13) marquées sur la portion de 18 route (10) empruntée, et, d’autre part, des informations indiquant si ladite portion de route est une zone singulière au sein de laquelle le nombre de voies de circulation (17, 18, 19) croit ou décroit,
- une étape d’élaboration d’une base de données (200) comportant, pour différents instants successifs (f), lesdites données de position (pos_L, pos_R, Dif_Nxt_L, Dif_Nxt_R) et lesdites informations mémorisées,
- une étape d’apprentissage d’un réseau de neurones récurrent permettant déterminer au moins un paramètre (Ps, Pm, Po) de détection d’une zone singulière (15) de route (10) au sein de laquelle le nombre de voies de circulation (17, 18, 19) croit ou décroit, ledit réseau de neurones récurrent recevant ladite base de données (200) en tant que donnée d’apprentissage, et
- une sauvegarde du réseau de neurones récurrent dans le calculateur du véhicule automobile (100).
EP22822059.6A 2021-12-10 2022-11-24 Procédé d'aide au maintien d'un véhicule sur la route lors d'un rétrécissement ou d'un élargissement de voie Pending EP4445346A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2113268A FR3130230B1 (fr) 2021-12-10 2021-12-10 Procédé d’aide au maintien d’un véhicule sur la route lors d’un rétrécissement ou d’un élargissement de voie
PCT/EP2022/083129 WO2023104532A1 (fr) 2021-12-10 2022-11-24 Procédé d'aide au maintien d'un véhicule sur la route lors d'un rétrécissement ou d'un élargissement de voie

Publications (1)

Publication Number Publication Date
EP4445346A1 true EP4445346A1 (fr) 2024-10-16

Family

ID=80225595

Family Applications (1)

Application Number Title Priority Date Filing Date
EP22822059.6A Pending EP4445346A1 (fr) 2021-12-10 2022-11-24 Procédé d'aide au maintien d'un véhicule sur la route lors d'un rétrécissement ou d'un élargissement de voie

Country Status (4)

Country Link
US (1) US20250026342A1 (fr)
EP (1) EP4445346A1 (fr)
FR (1) FR3130230B1 (fr)
WO (1) WO2023104532A1 (fr)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119160212B (zh) * 2024-08-13 2025-10-31 西北工业大学 基于神经网络的事件触发mpc自动驾驶车辆避碰方法

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170242443A1 (en) * 2015-11-02 2017-08-24 Peloton Technology, Inc. Gap measurement for vehicle convoying
KR102860913B1 (ko) * 2016-10-31 2025-09-16 모빌아이 비젼 테크놀로지스 엘티디. 차로 병합 및 차로 분리의 항법을 위한 시스템 및 방법
FR3069222B1 (fr) * 2017-07-18 2020-09-25 Renault Sas Procede de fonctionnement d'un systeme d'assistance a la conduite du type assistance au centrage d'un vehicule dans une voie de circulation
US10402995B2 (en) * 2017-07-27 2019-09-03 Here Global B.V. Method, apparatus, and system for real-time object detection using a cursor recurrent neural network
WO2019067542A1 (fr) * 2017-09-28 2019-04-04 D5Ai Llc Optimisation conjointe d'ensembles en apprentissage profond
CN109858309B (zh) * 2017-11-30 2021-04-20 东软睿驰汽车技术（上海）有限公司 一种识别道路线的方法和装置
US10578456B2 (en) * 2018-03-28 2020-03-03 Intel Corporation Safety enhanced computer assisted driving method and apparatus
US11378654B2 (en) * 2018-08-02 2022-07-05 Metawave Corporation Recurrent super-resolution radar for autonomous vehicles
US11155259B2 (en) * 2018-09-13 2021-10-26 Honda Motor Co., Ltd. System and method for egocentric-vision based future vehicle localization
US10495476B1 (en) * 2018-09-27 2019-12-03 Phiar Technologies, Inc. Augmented reality navigation systems and methods
US11829275B2 (en) * 2018-10-17 2023-11-28 Toyota Research Institute, Inc. Systems and methods for automatic test generation
US11608083B2 (en) * 2019-09-18 2023-03-21 Honda Motor Co., Ltd. System and method for providing cooperation-aware lane change control in dense traffic
US11125575B2 (en) * 2019-11-20 2021-09-21 Here Global B.V. Method and apparatus for estimating a location of a vehicle
FR3109920B1 (fr) 2020-05-07 2022-06-03 Renault Sas Procédé de guidage d’un véhicule automobile
US11843266B2 (en) * 2021-02-02 2023-12-12 Honeywell International, Inc. Dynamic non-linear optimization of a battery energy storage system

Also Published As

Publication number Publication date
WO2023104532A1 (fr) 2023-06-15
FR3130230A1 (fr) 2023-06-16
US20250026342A1 (en) 2025-01-23
FR3130230B1 (fr) 2023-11-03

Similar Documents

Publication Publication Date Title
EP3994042B1 (fr) Procédé de détermination d'une trajectoire d'évitement d'un véhicule automobile
EP4025468B1 (fr) Dispositif de commande prédictif du mouvement d'un véhicule automobile
EP1071986B1 (fr) Procede pour la generation d'une trajectoire horizontale d'evitement de zones dangereuses pour un aeronef
FR3041590A1 (fr) Systeme de commande de la direction d'un vehicule automobile en cas de collision imminente avec un obstacle
EP1268255A1 (fr) Procede et dispositif pour la prise en charge du parcage en creneau de vehicules motorises
CA2257337A1 (fr) Procede de pilotage automatique d'un vehicule pour l'evitement lateral d'une zone fixe
EP4294688B1 (fr) Procédé d'activation d'un système d'évitement d'obstacle pour véhicule automobile
EP3519267A1 (fr) Assistance à la conduite sur voie rapide à chaussées séparées par un rail de sécurité
WO2020182622A1 (fr) Procede de selection pour un vehicule automobile d'une voie de circulation d'un rond-point
FR2850196A1 (fr) Procede de mise en oeuvre d'un vehicule automobile
EP4445346A1 (fr) Procédé d'aide au maintien d'un véhicule sur la route lors d'un rétrécissement ou d'un élargissement de voie
FR3125196A1 (fr) Unité de traitement des données de déplacement d’un véhicule à inclinaison
EP4402030A1 (fr) Procédé d'évitement d'obstacles
EP0927677A1 (fr) Système de commande d'une direction intelligente de véhicule automobile
EP4211008B1 (fr) Procédé et dispositif de partitionnement d'une zone d'élargissement d'une voie de circulation délimitée par deux bords
WO2011023860A2 (fr) Procede et dispositif de guidage d'un vehicule par rapport a une catenaire
EP3882096A1 (fr) Procédé de gestion automatisée de la vitesse longitudinale d'un véhicule
EP1375235A1 (fr) Procédé de régulation adaptative de la distance entre deux véhicules mobiles
FR3098175A1 (fr) Procédé de détermination d’une vitesse de passage en courbe pour un véhicule automobile mettant en œuvre une fonction de régulation de vitesse
EP3983273B1 (fr) Procédé de détermination de la vitesse maximale autorisée pour un véhicule automobile mettant en ?uvre une fonction de régulation de vitesse
WO2018069061A1 (fr) Procede d'elaboration d'une consigne de supervision de pilotage d'un organe de conduite d'un vehicule automobile
FR3143812A1 (fr) Système analytique d’une manœuvre de stationnement manuelle d’un véhicule
WO2021224245A1 (fr) Procédé de guidage d'un véhicule automobile
EP4211009B1 (fr) Procédé et dispositif d'aide au positionnement latéral d'un véhicule
WO2019229345A1 (fr) Franchissement autonome d'une zone de passage obligé d'une route

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20240610

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC ME MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20250715