EP4448365A1 - Procédé de supervision du fonctionnement d'un véhicule automobile - Google Patents

Procédé de supervision du fonctionnement d'un véhicule automobile

Info

Publication number
EP4448365A1
EP4448365A1 EP22835643.2A EP22835643A EP4448365A1 EP 4448365 A1 EP4448365 A1 EP 4448365A1 EP 22835643 A EP22835643 A EP 22835643A EP 4448365 A1 EP4448365 A1 EP 4448365A1
Authority
EP
European Patent Office
Prior art keywords
vehicle
supervision
automated
systems
ens
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
EP22835643.2A
Other languages
German (de)
English (en)
Inventor
Hussam ATOUI
John Jairo MARTINEZ
Vincente MILANES
Olivier SENAME
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 EP4448365A1 publication Critical patent/EP4448365A1/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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/04—Monitoring the functioning of the control system
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/06—Improving the dynamic response of the control system, e.g. improving the speed of regulation or avoiding hunting or overshoot
    • 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
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0002—Automatic control, details of type of controller or control system architecture
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
    • B60W50/0205—Diagnosing or detecting failures; Failure detection models
    • B60W2050/021—Means for detecting failure or malfunction
    • 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
    • B60W2556/00—Input parameters relating to data
    • B60W2556/10—Historical data
    • 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
    • B60W2556/00—Input parameters relating to data
    • B60W2556/20—Data confidence level
    • 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
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • 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
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • B60W2556/65—Data transmitted between vehicles
    • 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
    • B60W2756/00—Output or target parameters relating to data
    • B60W2756/10—Involving external transmission of data to or from the vehicle

Definitions

  • TITLE Process for supervising the operation of a motor vehicle.
  • the invention relates to a method for supervising the operation of a motor vehicle.
  • the invention also relates to a device for supervising the operation of a motor vehicle.
  • the invention also relates to a computer program implementing the mentioned method.
  • the invention finally relates to a recording medium on which such a program is recorded.
  • Document US20200174471 discloses a method for evaluating the performance of the autonomous vehicle by analyzing the overall behavior of the vehicle relative to its environment, this method using a reward system of the reinforcement learning algorithm type.
  • the object of the invention is to provide a device and a method for supervising the operation of a motor vehicle remedying the above drawbacks and improving the supervision devices and methods known from the prior art.
  • the invention makes it possible to produce a device and a method which are simple and reliable and which allow precise detection of the subsystem or subsystems which are at the origin of a malfunction.
  • the invention relates to a method for supervising the operation of a motor vehicle comprising an ordered set of at least two automated systems.
  • the process includes:
  • the iterations of the second monitoring step stop when an automated system obtains a negative rating.
  • the ordered set of at least two automated systems is made up, in order, of the following systems: a vehicle movement control system, then a decision-making, then a perception data processing system.
  • the motor vehicle comprises communication systems including vehicle-to-vehicle communication systems and/or vehicle-to-infrastructure communication systems, the motor vehicle further being equipped with a man-machine interface, and the first step of activating the supervision comprises receiving an evaluation of a behavior of the motor vehicle coming either from the man-machine interface, or from the communication systems.
  • the method comprises, following receipt of an evaluation of a behavior from the communication systems,
  • the third step of updating at least one automated system includes implementing a reinforcement learning algorithm or a switching system.
  • the invention further relates to a device for supervising the operation of a motor vehicle, the vehicle being equipped with an ordered set of at least two automated systems.
  • the device comprises hardware and/or software elements implementing the method as defined above, in particular hardware and/or software elements designed to implement the method as defined above, and/or the device comprising means for implementing the method as defined above.
  • the invention also relates to a computer program product comprising program code instructions recorded on a computer-readable medium to implement the steps of the method as defined above when said program runs on a computer.
  • the invention also relates to a computer program product downloadable from a communication network and/or recorded on a data carrier readable by a computer and/or executable by a computer, comprising instructions which, when the program is executed by the computer, lead it to implement the method as defined previously.
  • the invention also relates to a data recording medium, readable by a computer, on which is recorded a computer program comprising program code instructions for implementing the method as defined above.
  • the invention also relates to a computer-readable recording medium comprising instructions which, when executed by a computer, lead the latter to implement the method as defined above.
  • the invention also relates to a signal from a data medium, carrying the computer program product as defined previously.
  • Figure 1 shows a motor vehicle equipped with a supervision device.
  • Figure 2 is an alternative representation of a motor vehicle equipped with a supervision device.
  • Figure 3 represents a flowchart of an execution mode of a supervision method.
  • Figure 4 is an alternative representation of an execution mode of a supervision method.
  • Figure 5 illustrates the principle of a reinforcement learning algorithm.
  • Figure 6 is a first illustration of a given example of implementation of a supervision method.
  • Figure 7 is a second illustration of the given example of implementation of a supervision method.
  • Figure 8 is a third illustration of the example given for implementing a supervision method.
  • Figure 9 is a fourth illustration of a given example of implementation of a supervision method.
  • the motor vehicle 100 can be a motor vehicle of any type, in particular a passenger vehicle, a utility vehicle, a truck or even a public transport vehicle such as a bus or a shuttle.
  • the motor vehicle 100 is an autonomous vehicle and will be referred to as an “autonomous vehicle” in the remainder of the description. This illustration is therefore made on a non-limiting basis.
  • the motor vehicle could be a non-autonomous vehicle, equipped with a driving assistance system, in particular a driving assistance system corresponding to a level greater than or equal to level 2 of autonomy, i.e. that is to say corresponding to a partial autonomy of the vehicle.
  • the autonomous vehicle 100 mainly comprises the following elements:
  • a calculation unit 8 comprising a microprocessor 81, a local electronic memory 82 and communication interfaces 83 allowing the microprocessor 81 to communicate with the sensors 1, the communication systems 2, the man-machine interface 3, the system 5 for processing perception data, the system 6 for decision-making, and the system 7 for controlling the movement of the vehicle.
  • the sensors 1 of the environment of the autonomous vehicle 100 can comprise a set of cameras and/or lidars and/or radars for observing the 360-degree environment around the autonomous vehicle 100. They can further comprise a GPS and a unit inertial measurement devices used for locating the autonomous vehicle 100. The data from the sensors 1 are transmitted to the system 5 for processing perception data.
  • Communication systems 2 include vehicle-to-vehicle communication systems (V2V systems) or vehicle-to-infrastructure communication (V2i systems) enabling vehicles to exchange information with each other and with the infrastructure, particularly with regard to weather conditions.
  • V2V systems vehicle-to-vehicle communication systems
  • V2i systems vehicle-to-infrastructure communication
  • the man-machine interface 3 is intended for the driver or user of the autonomous vehicle 100. It allows the driver or user of the autonomous vehicle 100 to evaluate the behavior of his own vehicle or of a surrounding vehicle. It also makes it possible to inform the driver of the vehicle when responsibility for controlling his vehicle is assigned to him following a failure of at least one automated system.
  • the actuators 4 implement the movement of the autonomous vehicle 100; they include an engine torque actuator, a brake actuator and a steering wheel rotation actuator.
  • the perception data processing system 5 processes the data coming from the sensors 1 and from the communication systems 2, and constructs a representation of the environment of the autonomous vehicle 100.
  • the system 5 outputs the position of the vehicle and a description of all relevant objects around it.
  • the decision-making system 6 receives the data from the perception data processing system 5, which informs it of the current situation of the vehicle and its environment. Depending on these data, the system 6 adapts the behavior of the vehicle to the current situation. In particular, the system 6 can determine a decision of the autonomous vehicle 100, relating for example to a maneuver to change lanes, and/or to stay on the lane with a change of speed.
  • the system 6 comprises a navigation system whose role is to generate the movement and the behavioral planning of the vehicle. It acts before the vehicle motion control system 7 to adapt the response of the vehicle according to the current scenarios.
  • the vehicle motion control system 7 mainly consists of a longitudinal control subsystem, a lateral control subsystem and the chassis. System 7 generates commands to minimize an error between the real trajectory of the vehicle and the trajectory defined by the navigation, for example for lane following, speed following, etc.
  • the perception data processing system 5, the decision-making system 6 and the vehicle movement control system 7 are capable of receiving rewards or notes from the microprocessor 81 .
  • the autonomous vehicle 100 therefore comprises an ordered set ENS of automated systems, the ordered set comprising, in order, the following systems: the vehicle movement control system 7, then the decision making 6, then the perception data processing system 5.
  • Figure 2 is an alternative representation of a motor vehicle equipped with a supervision device according to the invention.
  • the computer 81 makes it possible to execute software comprising the following modules which communicate with each other:
  • a supervision activation module 811 which communicates with the communication systems 2, the man-machine interface 3 and the local memory 82, - a module 812 for supervising an automated system, which communicates with the perception data processing system 5, the decision-making system 6, the vehicle movement control system 7 and the local memory 82,
  • module 813 for updating an automated system which communicates with the perception data processing system 5, the decision-making system 6, the vehicle movement control system 7 and the local memory 82,
  • module 814 for transferring driving to a human driver, which collaborates with the man-machine interface 3 and the local memory 82.
  • the method comprises four steps E1 to E4.
  • a first step E1 the supervision of the ordered set ENS of automated systems is activated.
  • the activation of supervision is automatic. For example, it is performed when the autonomous vehicle 100 is started, then the set of subsystems is then periodically supervised, at a period P which can be fixed or dependent on the navigation context of the vehicle.
  • step E1 it is possible for example to use a time delay TEMPO associated with step E1.
  • the time delay is recorded in the local memory 82. It can assume two states: a so-called inactive state, and a so-called active state. By default the timer is in the inactive state. When a timer is started, then it goes into the active state. Then when the duration of the timer has elapsed, the timer goes into the inactive state. In the first embodiment of step E1, the state of the time delay TEMPO is tested.
  • the TEMPO time delay is activated by assigning it a duration P corresponding to the supervision period. The time delay then switches to the active state for a duration P. We then move on to step E2.
  • the activation of the supervision can comprise a reception of an evaluation of a behavior of the autonomous vehicle 100 resulting either from the man-machine interface 3, or from communication systems 2.
  • the genre of the vehicle control 100 is evaluated.
  • the genre of the vehicle control is recorded and updated in the local memory 82.
  • the vehicle control can be
  • step E1 if the vehicle is controlled by the ENS set of at least two automated systems. If the control of the vehicle is of the first kind T1, this means that the evaluation of a behavior of the vehicle is intended for a human driver of the vehicle. A score is then assigned to the human driver based on the assessment of EC behavior. It is transmitted to it via the man-machine interface 3. Then we loop back to step E1.
  • control of the vehicle is of the second type T2
  • the automated systems of the ENS set are successively supervised, the order of supervision of the systems being fixed. In the embodiment of the ENS assembly described, this amounts to first supervising the vehicle motion control system 7, then the decision-making system 6, then the perception data processing system 5.
  • the supervision of an automated system Si comprises two sub-steps:
  • the processing carried out in the sub-steps E21 and E22 depend on the evaluated subsystem Si.
  • the sub-steps E21 and E22 are iterated over the different systems Si.
  • a positive, negative or zero score is assigned as a function of the calculated difference.
  • the decision-making system 6 in the sub-step E21, it is possible to check whether a decision defined by the decision module 6 respects the constraints determined by the perception system 5. For example, it is possible check whether the decision respects the configuration of the surrounding traffic, the state of the traffic lights, etc. Then, in the sub-step E22, if the decision respects the configuration of the surrounding traffic, then a positive or zero score is assigned to the module decision-making module 6. Otherwise, a negative score is assigned to the decision-making module 6.
  • the sub-step E21 it is possible to check the consistency between the current perceptions provided by the perception system 5 at the time T of supervision, and the perceptions provided by the system of perception 5 at a previous instant T-dT. For example, one can check whether ghost tracks have appeared between the instants T-dT and T, or one can detect an uncertainty on the localization of a vehicle or an object between the instants T-dT and T. One can moreover detect images altered due to bad weather conditions. Then, in sub-step E22, depending on the results of sub-step E21, a positive or negative or zero rating is assigned to the perception system.
  • each automated system Si supervised in step E2 obtains a positive, negative or zero score Ni.
  • the notes Ni obtained are recorded in the local memory 82 in order to be processed during the subsequent execution of step E3 for updating at least one automated system Si.
  • step E2 is interrupted as soon as an automated system Si obtains a negative score Ni.
  • This preferential mode of execution of step E2 is illustrated by FIG. 4 and described below.
  • a first step 140 it is tested whether the vehicle movement control system 7 has achieved its objectives:
  • a negative reward is transmitted to the system 7 and one goes directly to step E3.
  • step 150 it is tested whether the decision-making system 6 has achieved its objectives:
  • a neutral reward is transmitted to the system 6; then continues on a sixth step 160 and
  • a negative reward is transmitted to the system 6 and one goes directly to step E3.
  • step 161 a negative reward is transmitted to the perception data processing system 5 and the process continues directly with step E3,
  • step 162 a neutral reward is transmitted to the system 5; then goes on to step E4 of transfer of driving to a human driver.
  • step E2 applied to the system for controlling the movement of the vehicle 7
  • step E3 for updating of the system 7 for controlling the movement of the vehicle without carrying out supervision either of the system 6 of decision-making, or of the system 5 of perception.
  • step E2 applied to the decision-making system 6
  • the decision-making system 6 obtains a negative score
  • step E3 for updating the system 6 of decision-making without carrying out supervision of the system 5 of perception.
  • step E1 When a negative evaluation of a behavior of the autonomous vehicle 100 (coming from the man-machine interface 3 or from the communication systems 2) has been processed in step E1, it is expected to determine in step E2 which automated system If is causing the negatively rated behavior. However, it may happen that no automated system Si obtains a negative score when performing step E2. We are thus in a situation where the supervision of the systems carried out in step E2 does not determine any possible source of the behavior of the autonomous vehicle, and therefore no means of correcting the behavior evaluated as negative. In this case, we move on to step E4 of transferring driving to a human driver.
  • step E3 at least one automated system Si of the ordered set ENS is updated according to a score Ni assigned to the at least one automated system Si.
  • Step E3 includes the implementation of an adaptation of each automated system Si having obtained a score Ni during the execution of step E2.
  • the adaptation includes setting implementation of a reinforcement learning algorithm RLi and/or the adaptation comprises the implementation of a switching system SWj.
  • the term “adaptation” of a system Si designates a learning process or an improvement or an update of the system Si by taking into account a score Ni obtained during the execution of step E2 .
  • Figure 5 illustrates the principle of an RLi reinforcement learning algorithm applied to a trained Si system.
  • the system Si receives information on the state of an environment Ej(t), comprising a set of data describing a current situation. From this information, the system Si selects an action to be performed A(t), which modifies the state of the environment (the new state being Ei(t+dt)) and generates a reward Ri(t+dt) for the system Si.
  • the objective of such an algorithm is to maximize the reward Ri after a certain number of iterations of the algorithm.
  • the learning algorithm RLi could use a learning method of the Q-Learning type, which allows the system Si to learn a strategy to determine which action To perform in each state Ei of the system. It works by learning a function Qi which makes it possible to determine the potential gain, Qj(Ej(t), (t)), i.e. the long-term reward brought by the choice of an action Aj(t) in a state Ej(t) following an optimal policy.
  • Qj(Ej(t), (t) i.e. the long-term reward brought by the choice of an action Aj(t) in a state Ej(t) following an optimal policy.
  • One of the advantages of the learning method by Q-learning is that it does not depend on the definition of an evolution model or a control strategy previously defined by the user but is based directly on the interaction of the system with its environment and the reward received at each step.
  • the adaptation of an autonomous system Si includes the implementation of a learning algorithm RLj
  • the positive or zero score obtained by an automated system Si during the execution of step E2 makes it possible to improve the robustness of the system, in particular by saving in the local memory 82 the parameters of the system Si applied during the scenario associated with obtaining the positive or zero score, in particular by saving the data received at the input of the system and the data provided in exit from the Si system.
  • the adaptation of an autonomous system Si can include the implementation of a switched system SWi.
  • a switching system SWi is composed of a set of subsystems SSWk and a logic law L (or switching controller L) which indicates which subsystem SSWk is active.
  • a Q-learning algorithm could cooperate with an Li switching controller designed for the purpose of supervising the SW switching system.
  • a first type of adaptation implementing a reinforcement learning algorithm RLj
  • a second type of adaptation implementing a switching system SW
  • the search for stability of the system Si For example, in the case of a system 7 for controlling the movement of the vehicle 7, the stability of the system is essential for reasons of safety of the movement of the vehicle.
  • an adaptation of the second type will preferably be used, that is to say an adaptation implementing an SW switching system.
  • the system Si to be adapted manages a large number of data
  • the use of a reinforcement learning algorithm is particularly advantageous for adapting the decision-making system 6 .
  • this type of algorithm makes it possible to manage a large number of physical and measured data, then to evaluate the links between the data describing the environment of the vehicle and a decision taken by the decision-making system 6 .
  • RLi reinforcement learning algorithms offer an alternative solution to modeling; they make it possible to manage the increasing complexity of the system by providing an intermediate solution comprising a first part of exploratory processing and a second part of data exploitation processing, the first and second parts together making it possible to infer a behavior of the system Si.
  • FIGS. 6 to 9 An example of implementation of a supervision method according to the invention is described by FIGS. 6 to 9.
  • the simulation described relates to an autonomous lane change of the autonomous vehicle 100.
  • the graph G1 of figure 6 represents
  • the lateral distance expressed in meters between the position 301, 302, 303 of the autonomous vehicle and the target trajectory 201 .
  • the autonomous vehicle 100 initiates a lane change maneuver when it is located at a lateral distance from the target trajectory 201 equal to 3 meters, as represented by point A in FIG. 6.
  • the perception data processing system 5 identifies the presence of a truck located at an ordinate 202 equal to ⁇ 1 meter, that is to say at a lateral distance of 1 meter from the target trajectory and at a lateral distance 4 meters from the autonomous vehicle 100 at the start of the maneuver (that is to say at point A).
  • the decision-making system 6 transmits to the movement control system 7
  • the objective of the movement control system 7 is to follow the trajectory smoothly (in particular by applying a low steering force) while respecting the lateral constraints requested.
  • the system 7 is evaluated according to the following criteria:
  • step E3 the learning of system 7 is reinforced by processing the positive note Ni.
  • the learning of system 7 is based on the use of a switching system SWi, which can switch between three different versions 71, 72, 73 of system 7.
  • Figure 7 represents, in a G2 graph:
  • Figure 8 represents, in a G3 graph:
  • FIG. 9 represents, in a graph G4, the score assigned 601, 602, 603 respectively to each of the first, second and third versions 71, 72, 73 of system 7.
  • Figures 6 and 7 illustrate the fact that the first version 71 of the system 7 did not allow the autonomous vehicle 100 to respect the lateral limit 203. In the step E22, the first version 71 of the system 7 therefore obtains a score N71 strongly negative, notably -6, as shown in Figure 9.
  • step E3 the note N71 is then transmitted to the system 7 which is thus informed that it must be improved.
  • a second version 72 of system 7 is then used instead of the first version 71.
  • Figures 6 and 7 illustrate the fact that the second version 72 of system 7 allowed the autonomous vehicle 100 to respect the lateral limit 203.
  • FIG. 8 illustrates the fact that the second version 72 has exceeded the authorized limit in terms of steering speed 502.
  • the second version 72 of the system 7 therefore obtains a slightly negative rating N72, as illustrated by Figure 9.
  • step E3 the note N72 is then transmitted to the system 7 which is thus informed that it must be improved again.
  • a third version 73 of system 7 is then used instead of the second version 72.
  • Figures 6 and 7 illustrate the fact that the third version 73 of system 7 has enabled the autonomous vehicle 100 to respect the lateral limit 203.
  • Figure 8 illustrates the fact that the third version 73 has only temporarily exceeded the authorized limit in terms of steering speed 502.
  • the third version 72 of system 7 therefore obtains a positive note N73, as shown in figure 9.
  • control of the vehicle is transferred to a user of the autonomous vehicle 100.
  • the automated systems Si are then no longer active.
  • the genre of the vehicle control is then updated in the local memory 82, as being of the first genre T1.
  • the supervision method according to the invention makes it possible to evaluate, validate and improve any autonomous driving assistance system (ADAS system) or any automated system of an autonomous vehicle.
  • ADAS system autonomous driving assistance system
  • the supervision process assigns individual ratings (or rewards) to the behavior of each supervised system, these ratings being able to be positive or negative.
  • the first effect of this is to determine the source of any malfunction and thus to take measures to individually secure the operation of each supervised system.
  • This has the second effect of improving the operation of each supervised system by memorizing the data resulting from the experience of the autonomous vehicle, in particular when a supervised system obtains a positive score.
  • the experience of each supervised system can be capitalized using, for example, a reinforcement learning algorithm or a switching system.
  • the supervision method according to the invention can be implemented in different circumstances.
  • supervision can intervene during the calibration phase of the autonomous vehicle, to train each automated system of the autonomous vehicle 100 before the sale of the vehicle.
  • the supervision can intervene during the current use of the autonomous vehicle 100 by a user.
  • Supervision can then be periodic.
  • the supervision can be triggered punctually following a negative evaluation of a behavior of the autonomous vehicle 100, the evaluation possibly coming from data from V2V or V2i networks, or from a man-machine interface of the autonomous vehicle 100 .
  • the supervision When it generates a negative score, the supervision signals a problem to be solved and leads to an improvement of the supervised system and/or the transfer of driving to a user of the autonomous vehicle 100.
  • the supervision method also applies to a human driver of the autonomous vehicle 100.
  • the supervision method transmits ratings to the human driver via a man-machine interface, these ratings being able to be determined according to evaluations issued by a surrounding vehicle or surrounding infrastructure.
  • the supervision method according to the invention thus has several advantages.
  • the supervision method according to the invention improves vehicle performance, reliability and safety, in particular by improving the vehicle's adaptability to normal and critical situations.
  • the supervision method according to the invention enables the vehicle to improve its operation over the course of its use, by acquiring knowledge of the situations encountered.
  • the supervision method according to the invention is applicable to any automated system equipping the vehicle. It can also apply to a human driver of the vehicle.

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Traffic Control Systems (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

Procédé de supervision du fonctionnement d'un véhicule automobile comprenant un ensemble ordonné d'au moins deux systèmes automatisés, caractérisé en ce qu'il comprend - une première étape d'activation de la supervision de l'ensemble ordonné de systèmes automatisés, - des itérations d'une deuxième étape de supervision d'un système automatisé, chaque itération étant appliquée successivement, selon l'ordre de l'ensemble ordonné, à l'un des systèmes automatisés, la deuxième étape comprenant : • une sous-étape de mesure d'une performance du système automatisé en cours de supervision, et optionnellement, • une sous-étape d'attribution d'une note positive, négative ou nulle au système automatisé en cours de supervision en fonction de la performance mesurée, et, - une troisième étape de mise à jour d'au moins un système automatisé de l'ensemble ordonné en fonction de la note attribuée à l'au moins un système automatisé.

Description

TITRE : Procédé de supervision du fonctionnement d’un véhicule automobile.
L’invention concerne un procédé de supervision du fonctionnement d’un véhicule automobile. L’invention porte encore sur un dispositif de supervision du fonctionnement d’un véhicule automobile. L’invention porte également sur un programme d’ordinateur mettant en œuvre le procédé mentionné. L’invention porte enfin sur un support d’enregistrement sur lequel est enregistré un tel programme.
Le développement des véhicules autonomes impose de pouvoir garantir un niveau de sécurité des systèmes automatisés mis en œuvre dans ce type de véhicule. Cela implique notamment d’être en capacité d’évaluer l’efficacité des systèmes automatisés dans tout type de situation, dont des situations critiques telles que des changements de voie soudains, des évitements de collision, la défaillance de capteurs, des manœuvres agressives effectuées par les véhicules environnants.
On connaît du document US20200174471 un procédé évaluant les performances du véhicule autonome par analyse du comportement global du véhicule relativement à son environnement, ce procédé utilisant un système de récompense de type algorithme d'apprentissage par renforcement.
Toutefois, cette solution présente des inconvénients. En particulier, l’évaluation globale du comportement du véhicule ne permet pas de détecter précisément le ou les sous-systèmes qui pourraient être à l’origine d’un dysfonctionnement.
Le but de l’invention est de fournir un dispositif et un procédé de supervision du fonctionnement d’un véhicule automobile remédiant aux inconvénients ci-dessus et améliorant les dispositifs et procédés de supervision connus de l’art antérieur. En particulier, l’invention permet de réaliser un dispositif et un procédé qui soient simples et fiables et qui permettent une détection précise du ou des sous-systèmes qui sont à l’origine d’un dysfonctionnement.
A cet effet, l’invention porte sur un procédé de supervision du fonctionnement d’un véhicule automobile comprenant un ensemble ordonné d’au moins deux systèmes automatisés. Le procédé comprend :
- une première étape d’activation de la supervision de l’ensemble ordonné de systèmes automatisés,
- des itérations d’une deuxième étape de supervision d’un système automatisé, chaque itération étant appliquée successivement, selon l’ordre de l’ensemble ordonné, à l’un des systèmes automatisés, la deuxième étape comprenant :
• une sous-étape de mesure d’une performance du système automatisé en cours de supervision, et optionnellement,
• une sous-étape d’attribution d’une note positive, négative ou nulle au système automatisé en cours de supervision en fonction de la performance mesurée, et,
- une troisième étape de mise à jour d’au moins un système automatisé de l’ensemble ordonné en fonction de la note attribuée à l’au moins un système automatisé.
Dans un mode de réalisation, les itérations de la deuxième étape de supervision s'interrompent lorsqu’un système automatisé obtient une note négative.
Dans un mode de réalisation l’ensemble ordonné d’au moins deux systèmes automatisés, est constitué, dans l’ordre, des systèmes suivants : un système de contrôle du déplacement du véhicule, puis un système de prise de décision, puis un système de traitement des données de perception.
Dans un mode de réalisation, le véhicule automobile comprend des systèmes de communication incluant des systèmes de communication entre véhicules et/ou des systèmes de communication de véhicule à une infrastructure, le véhicule automobile étant en outre équipé d’une interface homme-machine, et la première étape d’activation de la supervision comprend une réception d’une évaluation d’un comportement du véhicule automobile issue soit de l’interface homme-machine, soit des systèmes de communication.
Dans un mode de réalisation, le procédé comprend, suite à la réception d’une évaluation d’un comportement issue des systèmes de communication,
- une détermination d’un contrôle du véhicule d’un premier genre si le véhicule est contrôlé par un conducteur humain, ou une détermination d’un contrôle du véhicule d’un second genre si le véhicule est contrôlé par l’ensemble d’au moins deux systèmes automatisés, puis
- si le contrôle du véhicule est du premier genre, une transmission à l’interface homme-machine d’une note attribuée au conducteur humain, la note étant déterminée à partir de l’évaluation du comportement du véhicule automobile.
Dans un mode de réalisation, la troisième étape de mise à jour d’au moins un système automatisé comprend la mise en œuvre d’un algorithme d’apprentissage par renforcement ou un système à commutation.
L’invention porte en outre sur un dispositif de supervision du fonctionnement d’un véhicule automobile, le véhicule étant équipé d’un ensemble ordonné d’au moins deux systèmes automatisés. Le dispositif comprend des éléments matériels et/ou logiciels mettant en œuvre le procédé tel que défini précédemment, notamment des éléments matériels et/ou logiciels conçus pour mettre en œuvre le procédé tel que défini précédemment, et/ou le dispositif comprenant des moyens de mettre en œuvre le procédé tel que défini précédemment.
L’invention porte également sur un produit programme d’ordinateur comprenant des instructions de code de programme enregistrées sur un support lisible par ordinateur pour mettre en œuvre les étapes du procédé tel que défini précédemment lorsque ledit programme fonctionne sur un ordinateur. L’invention porte également sur un produit programme d’ordinateur téléchargeable depuis un réseau de communication et/ou enregistré sur un support de données lisible par un ordinateur et/ou exécutable par un ordinateur, comprenant des instructions qui, lorsque le programme est exécuté par l’ordinateur, conduisent celui-ci à mettre en œuvre le procédé tel que défini précédemment.
L’invention porte encore sur un support d’enregistrement de données, lisible par un ordinateur, sur lequel est enregistré un programme d’ordinateur comprenant des instructions de code de programme de mise en œuvre du procédé tel que défini précédemment. L’invention porte encore sur un support d'enregistrement lisible par ordinateur comprenant des instructions qui, lorsqu'elles sont exécutées par un ordinateur, conduisent celui-ci à mettre en œuvre le procédé tel que défini précédemment.
L’invention porte encore sur un signal d'un support de données, portant le produit programme d'ordinateur tel que défini précédemment.
Le dessin annexé représente, à titre d’exemple, un mode de réalisation d’un dispositif de supervision selon l’invention et un mode d’exécution d’un procédé de supervision selon l’invention. [Fig. 1 ] La figure 1 représente un véhicule automobile équipé d’un dispositif de supervision.
[Fig. 2] La figure 2 est une représentation alternative d’un véhicule automobile équipé d’un dispositif de supervision.
[Fig. 3] La figure 3 représente un ordinogramme d’un mode d’exécution d’un procédé de supervision.
[Fig. 4] La figure 4 est une représentation alternative d’un mode d’exécution d’un procédé de supervision.
[Fig. 5] La figure 5 illustre le principe d’un algorithme d’apprentissage par renforcement.
[Fig. 6] La figure 6 est une première illustration d’un exemple donné de mise en œuvre d’un procédé de supervision.
[Fig. 7] La figure 7 est une deuxième illustration de l’exemple donné de mise en œuvre d’un procédé de supervision.
[Fig. 8] La figure 8 est une troisième illustration de l’exemple donné de mise en œuvre d’un procédé de supervision.
[Fig. 9] La figure 9 est une quatrième illustration d’un exemple donné de mise en œuvre d’un procédé de supervision.
Un exemple d’un véhicule automobile 100 équipé d’un mode de réalisation d’un dispositif de supervision du fonctionnement d’un véhicule automobile est décrit ci-après en référence à la figure 1 .
Le véhicule automobile 100 peut être un véhicule automobile de n’importe quel type, notamment un véhicule de tourisme, un véhicule utilitaire, un camion ou encore un véhicule de transport en commun tel qu’un bus ou une navette. Selon le mode de réalisation décrit, le véhicule automobile 100 est un véhicule autonome et sera désigné "véhicule autonome" dans la suite de la description. Cette illustration est donc faite à titre non limitatif. Notamment le véhicule automobile pourrait être un véhicule non autonome, équipé d’un système d'aide à la conduite, notamment un système d'aide à la conduite correspondant à un niveau supérieur ou égal au niveau 2 d’autonomie, c’est-à-dire correspondant à une autonomie partielle du véhicule.
Le véhicule autonome 100 comprend principalement les éléments suivants :
- des capteurs 1 de l’environnement du véhicule autonome 100,
- des systèmes 2 de communication,
- une interface homme-machine 3,
- des actionneurs 4 du véhicule automobile,
- un système 5 de traitement des données de perception,
- un système 6 de prise de décision,
- un système 7 de contrôle du déplacement du véhicule,
- une unité de calcul 8, comprenant un microprocesseur 81 , une mémoire électronique locale 82 et des interfaces de communication 83 permettant au microprocesseur 81 de communiquer avec les capteurs 1 , les systèmes 2 de communication, l’interface homme-machine 3, le système 5 de traitement des données de perception, le système 6 de prise de décision, et le système 7 de contrôle du déplacement du véhicule.
Les capteurs 1 de l’environnement du véhicule autonome 100, peuvent comprendre un ensemble de caméras et/ou lidars et/ou radars pour observer l’environnement à 360 degrés autour du véhicule autonome 100. Ils peuvent comprendre en outre un GPS et une unité de mesure inertielle utilisés pour la localisation du véhicule autonome 100. Les données issues des capteurs 1 sont transmises au système 5 de traitement des données de perception.
Les systèmes 2 de communication comprennent des systèmes de communication entre véhicules (systèmes V2V) ou des systèmes de communication de véhicule à infrastructure (systèmes V2i) permettant aux véhicules d'échanger des informations entre eux, et avec les infrastructures, notamment en ce qui concerne les conditions météorologiques.
L’interface homme-machine 3 est destinée au conducteur ou utilisateur du véhicule autonome 100. Elle permet au conducteur ou utilisateur du véhicule autonome 100 d’évaluer le comportement de son propre véhicule ou d’un véhicule environnant. Elle permet également d’informer le conducteur du véhicule lorsque la responsabilité du contrôle de son véhicule lui est attribuée suite à une défaillance d’au moins un système automatisé.
Les actionneurs 4 mettent en œuvre le déplacement du véhicule autonome 100 ; ils comprennent un actionneur de couple moteur, un actionneur de freins et un actionneur de rotation des roues directrices.
Le système 5 de traitement des données de perception traite les données issues des capteurs 1 et des systèmes 2 de communication, et construit une représentation de l’environnement du véhicule autonome 100. Le système 5 fournit en sortie la position du véhicule et une description de tous les objets pertinents qui l'entourent.
Le système 6 de prise de décision reçoit les données issues du système 5 de traitement des données de perception, qui l’informent de la situation courante du véhicule et de son environnement. En fonction de ces données, le système 6 adapte le comportement du véhicule à la situation courante. Notamment, le système 6 peut déterminer une décision du véhicule autonome 100, portant par exemple sur une manœuvre de changement de voie, et/ou de maintien sur la voie avec un changement de vitesse. Le système 6 comprend un système de navigation dont le rôle est de générer le mouvement et la planification comportementale du véhicule. Il agit avant le système 7 de contrôle du déplacement du véhicule pour adapter la réponse du véhicule en fonction des scénarios actuels.
Le système 7 de contrôle du déplacement du véhicule se compose principalement d’un sous-système de contrôle longitudinal, d’un sous- système de contrôle latéral et du châssis. Le système 7 génère des commandes pour minimiser une erreur entre la trajectoire réelle du véhicule et la trajectoire définie par la navigation, par exemple pour un suivi de voie, un suivi de vitesse...
Le système 5 de traitement des données de perception, le système 6 de prise de décision et le système 7 de contrôle du déplacement du véhicule sont aptes à recevoir des récompenses ou notes issues du microprocesseur 81 .
Dans le mode de réalisation décrit, le véhicule autonome 100 comprend donc un ensemble ordonné ENS de systèmes automatisés, l’ensemble ordonné comprenant, dans l’ordre, les systèmes suivants : le système de contrôle du déplacement du véhicule 7, puis le système de prise de décision 6, puis le système de traitement des données de perception 5.
La figure 2 est une représentation alternative d’un véhicule automobile équipé d’un dispositif de supervision selon l’invention.
Dans le mode de réalisation de l’invention, le calculateur 81 permet d’exécuter un logiciel comprenant les modules suivants qui communiquent entre eux :
- un module 811 d’activation de la supervision, qui communique avec les systèmes 2 de communication, l’interface homme-machine 3 et la mémoire locale 82, - un module 812 de supervision d’un système automatisé, qui communique avec le système de traitement des données de perception 5, le système de prise de décision 6, le système de contrôle du déplacement du véhicule 7 et la mémoire locale 82,
- un module 813 de mise à jour d’un système automatisé, qui communique avec le système de traitement des données de perception 5, le système de prise de décision 6, le système de contrôle du déplacement du véhicule 7 et la mémoire locale 82,
- un module 814 de de transfert de la conduite à un conducteur humain, qui collabore avec l’interface homme-machine 3 et la mémoire locale 82.
Un mode d’exécution du procédé de commande d’un véhicule autonome est décrit ci-après en référence à la figure 3. Le procédé comprend quatre étapes E1 à E4.
Dans une première étape E1 on active la supervision de l’ensemble ordonné ENS de systèmes automatisés.
Dans un premier mode de réalisation, l’activation de la supervision est automatique. Par exemple, elle s’effectue au démarrage du véhicule autonome 100, puis l’ensemble de sous-systèmes est ensuite périodiquement supervisé, à une période P qui peut être fixe ou dépendante du contexte de navigation du véhicule.
Dans le premier mode de réalisation de l’étape E1 , on peut par exemple utiliser une temporisation TEMPO associée à l’étape E1 . La temporisation est enregistrée dans la mémoire locale 82. Elle peut prendre deux états : un état dit inactif, et un état dit actif. Par défaut la temporisation est dans l’état inactif. Lorsqu’une temporisation est démarrée, alors elle passe dans l’état actif. Puis lorsque la durée de la temporisation s’est écoulée, la temporisation passe dans l’état inactif. Dans le premier mode de réalisation de l’étape E1 , on teste l’état de la temporisation TEMPO.
Si la temporisation est inactive, alors on active la temporisation TEMPO en lui affectant une durée P correspondant à la période de supervision. La temporisation passe alors à l’état actif pendant une durée P. On enchaine ensuite sur l’étape E2.
Dans un deuxième mode de réalisation complémentaire ou alternatif au premier mode de réalisation, l’activation de la supervision peut comprendre une réception d’une évaluation d’un comportement du véhicule autonome 100 issue soit de l’interface homme-machine 3, soit des systèmes de communication 2.
En d’autres termes, une évaluation d’un comportement du véhicule autonome 100 a été émise
- soit par un conducteur ou un passager du véhicule autonome 100 via l’interface homme-machine 3,
- soit par un conducteur ou passager d’un véhicule environnant ou d’une infrastructure environnante, l’évaluation étant reçue via les systèmes de communication 2.
Dans le deuxième mode de réalisation, on évalue le genre du contrôle du véhicule 100. Avantageusement le genre du contrôle du véhicule est enregistré et mis à jour dans la mémoire locale 82. Le contrôle du véhicule peut être
- d’un premier genre T1 si le véhicule est contrôlé par un conducteur humain,
- ou d’un second genre T2 si le véhicule est contrôlé par l’ensemble ENS d’au moins deux systèmes automatisés. Si le contrôle du véhicule est du premier genre T1 , cela signifie que l’évaluation d’un comportement du véhicule est destinée à un conducteur humain du véhicule. Une note est alors attribuée au conducteur humain en fonction de l’évaluation du comportement EC. Elle lui est transmise via l’interface homme-machine 3. Puis on reboucle sur l’étape E1.
Si le contrôle du véhicule est du deuxième genre T2, cela signifie que l’évaluation d’un comportement du véhicule doit être analysée en fonction des systèmes automatisés de l’ensemble ENS. On enchaine alors sur l’étape E2.
Dans la deuxième étape E2, on supervise successivement les systèmes automatisés de l’ensemble ENS, l’ordre de supervision des systèmes étant fixe. Dans le mode de réalisation de l’ensemble ENS décrit, cela revient à superviser d’abord le système de contrôle du déplacement du véhicule 7, puis le système de prise de décision 6, puis le système de traitement des données de perception 5.
La supervision d’un système automatisé Si comprend deux sous-étapes :
- une sous-étape E21 de mesure d’une performance Pi du système automatisé Si, et optionnellement,
- une sous-étape E22 d’attribution d’une note Ni positive, négative ou nulle au système automatisé Si en fonction de la performance mesurée Pi.
Dans la suite du document les termes de « note » ou de « récompense » sont indifféremment utilisés pour désigner une évaluation chiffrée du fonctionnement d’un système automatisé Si.
Les traitements effectués dans les sous-étapes E21 et E22 dépendent du sous-système évalué Si. Les sous-étapes E21 et E22 sont itérées sur les différents systèmes Si. Par exemple, en ce qui concerne la supervision du système de contrôle du déplacement du véhicule 7, dans la sous-étape E21 , on peut calculer un écart entre une première trajectoire appliquée par le véhicule autonome 100 et une deuxième trajectoire idéale qui a été précédemment déterminée par le module de prise de décision 6. Dans la sous-étape E22, on attribue une note positive, négative ou nulle en fonction de l’écart calculé.
En ce qui concerne la supervision du système de prise de décision 6, dans la sous-étape E21 , on peut vérifier si une décision définie par le module de décision 6 respecte les contraintes déterminées par le système de perception 5. Par exemple, on peut vérifier si la décision respecte la configuration du trafic environnant, l’état des feux de circulation... Puis, dans la sous-étape E22, si la décision respecte la configuration du trafic environnant, alors on attribue une note positive ou nulle au module de prise de décision 6. Sinon on attribue une note négative au module de prise de décision 6.
En ce qui concerne la supervision du système de perception 5, dans la sous-étape E21 , on peut vérifier la cohérence entre les perceptions courantes fournies par le système de perception 5 à l’instant T de supervision, et les perceptions fournies par le système de perception 5 à un précédent instant T-dT. Par exemple, on peut vérifier si des pistes fantômes sont apparues entre les instants T-dT et T, ou on peut détecter une incertitude sur la localisation d’un véhicule ou d’un objet entre les instants T-dT et T. On peut par ailleurs détecter des images altérées du fait de mauvaises conditions météorologiques. Puis, dans la sous-étape E22, en fonction des résultats de la sous-étape E21 , on attribue une note positive ou négative ou nulle au système de perception.
Ainsi, chaque système automatisé Si supervisé dans l’étape E2 obtient une note Ni positive, négative ou nulle. Dans un mode de réalisation, les notes Ni obtenues sont enregistrées dans la mémoire locale 82 afin d’être traitées lors de l’exécution ultérieure de l’étape E3 de mise à jour d’au moins un système automatisé Si.
De plus, dans un mode de réalisation préférentiel, l’itération de la deuxième étape E2 s'interrompt dès qu’un système automatisé Si obtient une note Ni négative. Ce mode d’exécution préférentiel de l’étape E2 est illustré par la figure 4 et décrit ci-après.
Dans une première étape 140, on teste si le système 7 de contrôle des mouvements du véhicule a atteint ses objectifs :
- si oui, dans une deuxième étape 142, on transmet une récompense neutre au système 7; puis on enchaîne sur une troisième étape 150 et
- si non, dans une quatrième étape 141 on transmet une récompense négative au système 7 et on enchaine directement sur l’étape E3.
Dans la troisième étape 150, on teste si le système 6 de prise de décision a atteint ses objectifs :
- si oui, dans une cinquième étape 152, on transmet une récompense neutre au système 6; puis enchaine sur une sixième étape 160 et
- si non, dans une septième étape 151 , on transmet une récompense négative au système 6 et on enchaine directement sur l’étape E3.
Dans la sixième étape 160, on teste si les capteurs 1 sont défaillants :
- si non, dans une huitième étape 161 on transmet une récompense négative au système 5 de traitement des données de perception et on enchaine directement sur l’étape E3,
- si oui, dans une neuvième étape 162 on transmet une récompense neutre au système 5; puis enchaine sur l’étape E4 de transfert de la conduite à un conducteur humain. Ainsi, lors de l’itération de l’étape E2 appliquée au système de contrôle du déplacement du véhicule 7, si le système 7 de contrôle du déplacement du véhicule obtient une note négative, on enchaine directement sur l’étape E3 de mise à jour du système 7 de contrôle du déplacement du véhicule sans effectuer de supervision ni du système 6 de prise de décision, ni du système 5 de perception.
De même, si, lors de l’itération de l’étape E2 appliquée au système 6 de prise de décision, le système 6 de prise de décision obtient une note négative, on enchaine directement sur l’étape E3 de mise à jour du système 6 de prise de décision sans effectuer de supervision du système 5 de perception.
Lorsqu’une évaluation négative d’un comportement du véhicule autonome 100 (issue de l’interface homme machine 3 ou des systèmes de communication 2) a été traitée dans l’étape E1 , on s’attend à déterminer dans l’étape E2 quel système automatisé Si est à l’origine du comportement évalué négativement. Il peut toutefois arriver qu’aucun système automatisé Si n’obtienne de note négative lors de l’exécution de l’étape E2. On se trouve ainsi dans une situation où la supervision des systèmes effectuée dans l’étape E2 ne détermine aucune source possible du comportement du véhicule autonome, et donc aucun moyen de corriger le comportement évalué comme négatif. Dans ce cas, on enchaine sur l’étape E4 de transfert de la conduite à un conducteur humain.
Dans l’étape E3, on met à jour au moins un système automatisé Si de l’ensemble ordonné ENS en fonction d’une note Ni attribuée à l’au moins un système automatisé Si.
L’étape E3 comprend la mise en œuvre d’une adaptation de chaque système automatisé Si ayant obtenu une note Ni lors de l’exécution de l’étape E2. Dans un mode de réalisation, l’adaptation comprend la mise en œuvre d’un algorithme d’apprentissage par renforcement RLi et/ou l’adaptation comprend la mise en œuvre d’un système à commutation SWj.
Dans la suite du document le terme « adaptation » d’un système Si désigne un apprentissage ou une amélioration ou une mise à jour du système Si par la prise en compte d’une note Ni obtenue lors de l’exécution de l’étape E2.
La figure 5 illustre le principe d’un algorithme d’apprentissage par renforcement RLi appliqué à un système Si faisant l’objet d’un apprentissage. A chaque cycle, le système Si reçoit des informations sur l'état d’un environnement Ej(t), comprenant un ensemble de données décrivant une situation courante. A partir de ces informations, le système Si sélectionne une action à exécuter A(t), qui modifie l'état de l'environnement (le nouvel état étant Ei(t+dt)) et génère une récompense Ri(t+dt) pour le système Si. L’objectif d’un tel algorithme est de maximiser la récompense Ri après un certain nombre d’itérations de l’algorithme.
En variante, l’algorithme d’apprentissage RLi pourrait utiliser une méthode d’apprentissage de type Q-Learning, qui permet au système Si d'apprendre une stratégie pour déterminer quelle action A effectuer dans chaque état Ei du système. Elle fonctionne par l'apprentissage d'une fonction Qi qui permet de déterminer le gain potentiel, Qj(Ej(t), (t)), c'est- à-dire la récompense sur le long terme apportée par le choix d'une action Aj(t) dans un état Ej(t) en suivant une politique optimale. Un des avantages de la méthode d’apprentissage par Q-learning est qu'elle ne dépend pas de la définition d'un modèle d'évolution ou d'une stratégie de contrôle préalablement définis par l'utilisateur mais est basée directement sur l'interaction du système avec son environnement et la récompense reçue à chaque étape. Ainsi, lorsque l’adaptation d’un système autonome Si comprend la mise en œuvre d’un algorithme d’apprentissage RLj, la note positive ou nulle obtenue par un système automatisé Si lors de l’exécution de l’étape E2 permet d’améliorer la robustesse du système, notamment en sauvegardant dans la mémoire locale 82 les paramètres du système Si appliqués lors du scenario associé à l’obtention de la note positive ou nulle, notamment en sauvegardant les données reçues en entrée du système et les données fournies en sortie du système Si.
Alternativement, l’adaptation d’un système autonome Si peut comprendre la mise en œuvre d'un système à commutation SWi. Un système à commutation SWi est composé d’un ensemble de sous-systèmes SSWk et d’une loi logique L (ou contrôleur de commutation L) qui indique quel est le sous-système SSWk actif.
Dans un mode de réalisation, un algorithme de Q-learning pourrait coopérer avec un contrôleur de commutation Li conçu dans le but de superviser le système à commutation SW.
Le choix entre un premier type d’adaptation, mettant en œuvre un algorithme d’apprentissage par renforcement RLj, et un deuxième type d’adaptation, mettant en œuvre un système à commutation SW, peut être guidé par la recherche de stabilité du système Si. Par exemple, dans le cas d’un système 7 de contrôle du déplacement du véhicule 7, la stabilité du système est primordiale pour des raisons de sécurité du déplacement du véhicule. Dans ce cas, on utilisera préférentiellement une adaptation du deuxième type, c’est-à-dire une adaptation mettant en œuvre un système à commutation SW.
Alternativement, lorsque le système Si à adapter gère un grand nombre de données, il peut être plus avantageux d’utiliser une adaptation du premier type, c’est-à-dire mettant en œuvre un algorithme d’apprentissage par renforcement RU Par exemple, l’utilisation d’un algorithme d’apprentissage par renforcement est particulièrement avantageuse pour adapter le système 6 de prise de décision. En effet, ce type d’algorithme permet de gérer un grand nombre de données physiques et mesurées, puis d’évaluer des liens entre les données décrivant l’environnement du véhicule et une décision prise par le système 6 de prise de décision.
En d’autres termes, la complexité de la tâche de conduite et l'imprévisibilité de l'environnement rendent difficile la modélisation de la situation actuelle et du risque qui y est associé. Les algorithmes d’apprentissage par renforcement RLi offrent une solution alternative à la modélisation ; ils permettent de gérer la complexité croissante du système en fournissant une solution intermédiaire comprenant une première partie de traitement exploratoire et une deuxième partie de traitement d’exploitation des données, les première et deuxième parties permettant ensemble d'inférer un comportement du système Si.
Un exemple de mise en œuvre d’un procédé de supervision selon l’invention est décrit par les figures 6 à 9. La simulation décrite porte sur un changement de voie autonome du véhicule autonome 100.
Le graphe G1 de la figure 6 représente
- sur l’axe des abscisses, la distance longitudinale exprimée en mètres parcourue par le véhicule autonome 100 depuis le début de la manœuvre, et
- sur l’axe des ordonnées la distance latérale exprimée en mètres entre la position 301 , 302, 303 du véhicule autonome et la trajectoire cible 201 .
La trajectoire cible 201 est représentée par la droite Y=0 sur le graphe G1 . Le véhicule autonome 100 initie une manœuvre de changement de voie alors qu’il se situe à une distance latérale de la trajectoire cible 201 égale à 3 mètres, comme cela est représenté par le point A de la figure 6.
Le système 5 de traitement des données de perception identifie la présence d’un camion situé à une ordonnée 202 égale à -1 mètre, c’est-à- dire à une distance latérale de 1 mètre de la trajectoire cible et à une distance latérale de 4 mètres du véhicule autonome 100 au début de la manœuvre (c’est-à-dire au point A).
A partir des informations issues du système 5 de traitement des données de perception, le système 6 de prise de décision transmet au système 7 de contrôle du déplacement
- une première consigne pour imposer une limite minimale de distance latérale 203 entre la trajectoire cible 201 le véhicule autonome 100 égale à -0,6m, et
- une deuxième consigne pour garantir un confort de conduite en limitant la valeur absolue de la vitesse de braquage à 0,2 radian par seconde.
Selon les consignes déterminées par le système 6 de prise de décision, l'objectif du système 7 de contrôle du déplacement est de suivre la trajectoire en douceur (notamment en appliquant un faible effort de braquage) tout en respectant les contraintes latérales demandées.
En conséquence, dans l’itération de l’étape E2 de supervision appliquée au système 7 de contrôle du déplacement, et plus particulièrement dans la sous-étape E21 , on évalue le système 7 selon les critères suivants :
- une premier critère selon lequel le véhicule autonome 100 ne doit pas franchir la limite 203 correspondant à une distance latérale de -0,6 mètres entre la trajectoire cible 201 et la position du véhicule autonome, comme cela est représenté par la figure 7, et
- un deuxième critère selon lequel le véhicule autonome doit maintenir une vitesse de braquage comprise entre une valeur minimale 204 égale à -0,2 radian par seconde et une valeur maximale 205 égale à 0,2 radian par seconde, comme cela est représenté par la figure 8.
Tant que le véhicule respecte les premier et deuxième critères,
- dans la sous-étape E22, on attribue une note Ni positive au système 7 de contrôle du déplacement, et
- dans l’étape E3, on renforce l’apprentissage du système 7 en traitant la note Ni positive.
Dans l’exemple décrit par les figures 6 à 9, l’apprentissage du système 7 repose sur l’utilisation d’un système à commutation SWi, qui peut commuter entre trois versions différentes 71 , 72, 73 du système 7.
La figure 7 représente, dans un graphe G2:
- l’évolution temporelle 401 de la distance latérale en mètres entre la position courante du véhicule autonome 100 et la trajectoire cible lors de l’utilisation de la première version 71 du système 7,
- l’évolution temporelle 402 de la distance latérale en mètres entre la position courante du véhicule autonome 100 et la trajectoire cible lors de l’utilisation de la deuxième version 72 du système 7,
- l’évolution temporelle 403 de la distance latérale en mètres entre la position courante du véhicule autonome 100 et la trajectoire cible lors de l’utilisation de la troisième version 73 du système 7.
La figure 8 représente, dans un graphe G3:
- l’évolution temporelle 501 de la distance latérale en mètres entre la position courante du véhicule autonome 100 et la trajectoire cible lors de l’utilisation de la première version 71 du système 7,
- l’évolution temporelle 502 de la distance latérale en mètres entre la position courante du véhicule autonome 100 et la trajectoire cible lors de l’utilisation de la deuxième version 72 du système 7, - l’évolution temporelle 503 de la distance latérale en mètres entre la position courante du véhicule autonome 100 et la trajectoire cible lors de l’utilisation de la troisième version 73 du système 7.
La figure 9 représente, dans un graphe G4, la note attribuée 601 , 602, 603 respectivement à chacune des première deuxième et troisième versions 71 , 72, 73 du système 7.
Les figures 6 et 7 illustrent le fait que la première version 71 du système 7 n’a pas permis au véhicule autonome 100 de respecter la limite latérale 203. Dans l’étape E22, la première version 71 du système 7 obtient donc une note N71 fortement négative, notamment -6, comme cela est illustré par la figure 9.
Dans l’étape E3, la note N71 est alors transmise au système 7 qui est ainsi informé qu’il doit être amélioré.
Une deuxième version 72 du système 7 est alors utilisée à la place de la première version 71. Les figures 6 et 7 illustrent le fait que la deuxième version 72 du système 7 a permis au véhicule autonome 100 de respecter la limite latérale 203. Toutefois, la figure 8 illustre le fait que la deuxième version 72 a dépassé la limite autorisée en termes de vitesse de braquage 502. Dans l’étape E22, la deuxième version 72 du système 7 obtient donc une note N72 faiblement négative, comme cela est illustré par la figure 9.
Dans l’étape E3, la note N72 est alors transmise au système 7 qui est ainsi informé qu’il doit être à nouveau amélioré.
Une troisième version 73 du système 7 est alors utilisée à la place de la deuxième version 72. Les figures 6 et 7 illustrent le fait que la troisième version 73 du système 7 a permis au véhicule autonome 100 de respecter la limite latérale 203. De plus, la figure 8 illustre le fait que la troisième version 73 n’a dépassé que transitoirement la limite autorisée en termes de vitesse de braquage 502. Dans l’étape E22, la troisième version 72 du système 7 obtient donc une note N73 positive, comme cela est illustré par la figure 9.
Dans une étape E4, on transfère le contrôle du véhicule à un usager du véhicule autonome 100. Les systèmes automatisés Si ne sont alors plus actifs. Le genre du contrôle du véhicule est alors mis à jour dans la mémoire locale 82, comme étant du premier genre T1.
Finalement, le procédé de supervision selon l’invention permet d’évaluer, de valider et d’améliorer tout système autonome d’aide à la conduite (système ADAS) ou tout système automatisé d’un véhicule autonome.
Pour cela, le procédé de supervision attribue des notes individuelles (ou récompenses) au comportement de chaque système supervisé, ces notes pouvant être positives ou négatives. Cela a pour premier effet de déterminer la source d’un éventuel dysfonctionnement et ainsi de prendre des mesures pour sécuriser individuellement le fonctionnement de chaque système supervisé. Cela a pour second effet d’améliorer le fonctionnement de chaque système supervisé en mémorisant les données issues de l’expérience du véhicule autonome, notamment lorsqu’un système supervisé obtient une note positive. L’expérience de chaque système supervisé peut être capitalisée en utilisant, par exemple, un algorithme d’apprentissage par renforcement ou un système à commutation.
Le procédé de supervision selon l’invention peut être mis en œuvre dans différentes circonstances.
En premier lieu, la supervision peut intervenir lors de la phase de calibrage du véhicule autonome, pour entrainer chaque système automatisé du véhicule autonome 100 avant la mise en vente du véhicule. En deuxième lieu, la supervision peut intervenir lors de l’utilisation courante du véhicule autonome 100 par un usager. La supervision peut alors être périodique. En complément ou alternativement, la supervision peut être déclenchée ponctuellement suite une évaluation négative d’un comportement du véhicule autonome 100, l’évaluation pouvant provenir de données issues de réseaux V2V ou V2i, ou d’une interface homme- machine du véhicule autonome 100.
Lorsqu’elle génère une note positive, la supervision permet alors de capitaliser l’apprentissage d’une expérience dans laquelle, par exemple, une décision prise par le véhicule autonome a été particulièrement bien adaptée à une situation de conduite délicate.
Lorsqu’elle génère une note négative, la supervision signale un problème à résoudre et entraine une amélioration du système supervisé et/ou le transfert de la conduite à un usager du véhicule autonome 100.
Le procédé de supervision s’applique également à un conducteur humain du véhicule autonome 100. Dans ce cas, le procédé de supervision transmet des notes au conducteur humain via une interface homme machine, ces notes pouvant être déterminées en fonction d’évaluations émises par un véhicule environnant ou une infrastructure environnante.
Le procédé de supervision selon l'invention présente ainsi plusieurs avantages.
En premier lieu, il améliore les performances, la fiabilité et la sécurité du véhicule, notamment en améliorant l'adaptabilité du véhicule face aux situations normales et critiques. De plus, le procédé de supervision selon l’invention permet au véhicule d’améliorer son fonctionnement au fil de son utilisation, en acquérant des connaissances sur les situations rencontrées. Le procédé de supervision selon l’invention est applicable à tout système automatisé équipant le véhicule. Il peut également s’appliquer à un conducteur humain du véhicule.

Claims

24 REVENDICATIONS
1 . Procédé de supervision du fonctionnement d’un véhicule automobile (100) comprenant un ensemble ordonné (ENS) d’au moins deux systèmes automatisés (Si, Si,... , SN), caractérisé en ce qu’il comprend
- une première étape (E1 ) d’activation de la supervision de l’ensemble ordonné (ENS) de systèmes automatisés,
- des itérations d’une deuxième étape (E2) de supervision d’un système automatisé (Si), chaque itération étant appliquée successivement, selon l’ordre de l’ensemble ordonné (ENS), à l’un des systèmes automatisés (Si, Si,... , SN), la deuxième étape (E2) comprenant :
• une sous-étape (E21 ) de mesure d’une performance (Pi) du système automatisé (Si) en cours de supervision, et optionnellement
• une sous-étape (E22) d’attribution d’une note (Ni) positive, négative ou nulle au système automatisé (Si) en cours de supervision en fonction de la performance mesurée (Pi) et,
- une troisième étape (E3) de mise à jour d’au moins un système automatisé (Si) de l’ensemble ordonné (ENS) en fonction de la note (Ni) attribuée à l’au moins un système automatisé (Si).
2. Procédé de supervision selon la revendication précédente, caractérisé en ce que les itérations de la deuxième étape (E2) de supervision s'interrompent lorsqu’un système automatisé (Si) obtient une note (Ni) négative.
3. Procédé de supervision selon l’une des revendications précédentes, caractérisé en ce que l’ensemble ordonné (ENS) d’au moins deux systèmes automatisés (Si, Si,... , SN), est constitué, dans l’ordre, des systèmes suivants : un système (7) de contrôle du déplacement du véhicule, puis un système (6) de prise de décision, puis un système (5) de traitement des données de perception.
4. Procédé de supervision selon l’une des revendications précédentes, le véhicule automobile (100) comprenant des systèmes de communication (2) incluant des systèmes de communication entre véhicules et/ou des systèmes de communication de véhicule à une infrastructure, le véhicule automobile (100) étant en outre équipé d’une interface homme-machine (3), caractérisé en ce que la première étape (E1 ) d’activation de la supervision comprend une réception d’une évaluation d’un comportement (EC) du véhicule automobile (100) issue soit de l’interface homme-machine (3), soit des systèmes de communication (2).
5. Procédé de supervision selon la revendication précédente, caractérisé en ce qu’il comprend, suite à la réception d’une évaluation d’un comportement (EC) issue des systèmes de communication (2),
- une détermination d’un contrôle du véhicule d’un premier genre (T1 ) si le véhicule est contrôlé par un conducteur humain, ou une détermination d’un contrôle du véhicule d’un second genre (T2) si le véhicule est contrôlé par l’ensemble (ENS) d’au moins deux systèmes automatisés, puis
- si le contrôle du véhicule est du premier genre (T1 ), une transmission à l’interface homme-machine (3) d’une note attribuée au conducteur humain, la note étant déterminée à partir de l’évaluation du comportement (EC) du véhicule automobile (100).
6. Procédé de supervision selon l’une des revendications précédentes, caractérisé en ce que la troisième étape (E3) de mise à jour d’au moins un système automatisé comprend la mise en œuvre d’un algorithme d’apprentissage par renforcement (RL) ou un système à commutation (SWi). Dispositif (8) de supervision du fonctionnement d’un véhicule automobile (100), le véhicule étant équipé d’un ensemble ordonné (ENS) d’au moins deux systèmes automatisés (Si, Si, ... , SN), le dispositif comprenant des éléments (81 , 82, 83, 811 , 812, 813, 814) matériels et/ou logiciels mettant en œuvre le procédé selon l’une des revendications 1 à 6. Produit programme d’ordinateur comprenant des instructions de code de programme enregistrées sur un support lisible par ordinateur pour mettre en œuvre les étapes du procédé selon l’une quelconque des revendications 1 à 6 lorsque ledit programme fonctionne sur un ordinateur. Support d’enregistrement de données, lisible par un ordinateur, sur lequel est enregistré un programme d’ordinateur comprenant des instructions de code de programme de mise en œuvre du procédé selon l’une des revendications 1 à 6 ou selon la revendication 8. Signal d'un support de données, portant le produit programme d'ordinateur selon la revendication 8.
EP22835643.2A 2021-12-14 2022-12-12 Procédé de supervision du fonctionnement d'un véhicule automobile Pending EP4448365A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2113515A FR3130238B1 (fr) 2021-12-14 2021-12-14 Procédé de supervision du fonctionnement d’un véhicule automobile.
PCT/EP2022/085294 WO2023110706A1 (fr) 2021-12-14 2022-12-12 Procédé de supervision du fonctionnement d'un véhicule automobile

Publications (1)

Publication Number Publication Date
EP4448365A1 true EP4448365A1 (fr) 2024-10-23

Family

ID=81448709

Family Applications (1)

Application Number Title Priority Date Filing Date
EP22835643.2A Pending EP4448365A1 (fr) 2021-12-14 2022-12-12 Procédé de supervision du fonctionnement d'un véhicule automobile

Country Status (5)

Country Link
US (1) US20250065893A1 (fr)
EP (1) EP4448365A1 (fr)
CN (1) CN118401423A (fr)
FR (1) FR3130238B1 (fr)
WO (1) WO2023110706A1 (fr)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20260049839A1 (en) * 2024-08-15 2026-02-19 Fnv Ip B.V. Road survey data acquisition with automatic determination of start and end points for road sections and segments

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5898746B1 (ja) * 2014-09-29 2016-04-06 富士重工業株式会社 車両の走行制御装置
DE102015217275A1 (de) * 2015-09-10 2017-03-16 Robert Bosch Gmbh Verfahren und Vorrichtung zum Bestimmen, ob ein Kraftfahrzeug momentan manuell oder automatisch geführt wird
US11169536B2 (en) * 2018-04-09 2021-11-09 SafeAI, Inc. Analysis of scenarios for controlling vehicle operations
US11131992B2 (en) 2018-11-30 2021-09-28 Denso International America, Inc. Multi-level collaborative control system with dual neural network planning for autonomous vehicle control in a noisy environment
CN113748316B (zh) * 2018-12-26 2024-01-02 北京航迹科技有限公司 用于车辆遥测的系统和方法
CN112424847B (zh) * 2019-06-14 2023-02-17 北京航迹科技有限公司 用于监控车辆的系统和方法
US12258027B1 (en) * 2021-02-26 2025-03-25 Zoox, Inc. Fault detection in vehicle control systems
EP4230493A3 (fr) * 2021-04-30 2023-11-01 Netradyne, Inc. Groupes de risques pour conducteur pouvant être pris en charge
US12017668B1 (en) * 2021-09-29 2024-06-25 Zoox, Inc. Limited vehicular operation with a faulted component
US20230152791A1 (en) * 2021-11-12 2023-05-18 Nec Laboratories America, Inc. Multi-modality data analysis engine for defect detection

Also Published As

Publication number Publication date
WO2023110706A1 (fr) 2023-06-22
US20250065893A1 (en) 2025-02-27
FR3130238B1 (fr) 2024-03-15
CN118401423A (zh) 2024-07-26
FR3130238A1 (fr) 2023-06-16

Similar Documents

Publication Publication Date Title
US11724708B2 (en) Fail-safe handling system for autonomous driving vehicle
EP3660734A1 (fr) Prédiction de comportement d'objets en temps réel
EP3491475A1 (fr) Système de pilotage d'un véhicule autonome
US11256251B2 (en) Enabling remote control of a vehicle
CN116881707A (zh) 自动驾驶模型、训练方法、装置和车辆
US20210118245A1 (en) Performance monitoring and evaluation of a vehicle adas or autonomous driving feature
FR3117223A1 (fr) Système et procédé de contrôle de véhicule à base d’apprentissage machine
EP2199826A1 (fr) Procédé de détection d'un objet cible pour véhicule automobile
US12024100B2 (en) Device-level fault detection
EP4077086A1 (fr) Procédé de détermination d'un profil de vitesse d'un vehicule automobile à accélération non prédéterminée
US11887409B2 (en) Device health code broadcasting on mixed vehicle communication networks
FR3079954A1 (fr) Apprentissage automatique predictif pour la prediction d'une vitesse future d'un vehicule automobile en mouvement sur une route
EP4448365A1 (fr) Procédé de supervision du fonctionnement d'un véhicule automobile
WO2020048770A1 (fr) Prédiction d'un paramètre de recalage cartographique par apprentissage profond
FR2962959A1 (fr) Systeme d'assistance de conduite avec commande des freins
FR3102879A1 (fr) Système et procédé de gestion de la position d’un véhicule autonome.
CN119781437A (zh) 基于v2x的车辆故障预测方法、装置及计算机设备
US12606182B2 (en) Vehicle and method of evaluating performance of autonomous driving device
WO2022243151A1 (fr) Procédé de localisation pour véhicule autonome
EP4248367A1 (fr) Dispositif apprenant pour système cyber-physique mobile
JP7391136B2 (ja) 車両制御装置、車両管制装置、車両制御システム、車両運行システム及び車両運行方法
CA3078350A1 (fr) Plateforme et procede de supervision d'une infrastructure pour vehiculesde transport, vehicule, systeme de transport et programme d'ordinateur associes
US20240249180A1 (en) Systems and methods for adjustment-based causally robust prediction
US20260054717A1 (en) Computer-based vehicle management through a vehicle-to-vehicle network
FR3143514A1 (fr) Procédé de gestion automatisée de la vitesse longitudinale d’un véhicule automobile.

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: 20240613

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: 20260331