FR2822576A1 - Procede de reconnaissance du trafic routier - Google Patents
Procede de reconnaissance du trafic routier Download PDFInfo
- Publication number
- FR2822576A1 FR2822576A1 FR0103884A FR0103884A FR2822576A1 FR 2822576 A1 FR2822576 A1 FR 2822576A1 FR 0103884 A FR0103884 A FR 0103884A FR 0103884 A FR0103884 A FR 0103884A FR 2822576 A1 FR2822576 A1 FR 2822576A1
- Authority
- FR
- France
- Prior art keywords
- traffic
- vehicle
- road
- binary
- distance
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
L'invention concerne un procédé de reconnaissance du trafic routier à partir d'informations concernant des cibles détectées dans l'environnement d'un véhicule, en situation de conduite comme à l'arrêt, équipé de moyens de détection et d'un calculateur électronique, tel qu'après une phase d'apprentissage au cours de laquelle est générée une carte topologique du trafic selon sa densité puis mémorisée dans le calculateur embarqué, il comporte une phase de reconnaissance au cours de laquelle est élaborée en temps réel une trace binaire constituée de plusieurs vecteurs binaires codés représentant différentes variables caractéristiques de la situation routière instantanée dans laquelle se trouve le véhicule, ladite trace binaire étant ensuite positionnée sur la carte topologique mémorisée pour établir un diagnostic en temps réel de la situation de trafic.
Description
<Desc/Clms Page number 1>
La présente invention concerne un procédé de reconnaissance du trafic routier, en avant et en arrière d'un véhicule automobile, par génération d'une carte topologique représentant différentes situations de trafic.
Il existe actuellement un procédé de détection de la situation de trafic avec une classification floue, décrit dans la demande de brevet allemand, dont le numéro de dépôt est DE 198 07793. 9 au nom de DDG GESELSCHAFT FÜR VERKEHRSDATEN. Il concerne la création d'informations routières représentant la situation de trafic d'un réseau routier, par traitement de mesures du trafic acquises à différents moments, par rue observée. On sauvegarde ces valeurs selon le lieu et l'instant de leur acquisition et par catégorie de valeurs dans des fenêtres d'archives constamment actualisées, qui couvrent une période précise et qui discrétisent le lieu et le temps en intervalles. Après filtrages selon différentes caractéristiques, le procédé crée un vecteur de caractéristiques se rapportant à chaque lieu du réseau routier et décrivant la situation de trafic local. Les moyens de cette détection ne sont pas embarqués sur le véhicule. De plus, cette antériorité ne permet pas de décrire une situation de trafic, à l'arrêt ou en roulage, à partir de descripteurs symboliques.
Pour pallier ces inconvénients, l'invention propose un procédé de reconnaissance du trafic routier à partir d'informations concernant des cibles détectées dans l'environnement du véhicule, équipé de moyens de détection et d'un calculateur électronique, caractérisé en ce que : après une phase d'apprentissage au cours de laquelle est générée une carte topologique du trafic selon sa densité puis mémorisée dans le calculateur embarqué, il comporte une phase de reconnaissance au cours de laquelle est élaborée en temps réel une trace binaire constituée de plusieurs vecteurs binaires codés représentant différentes variables qualitatives caractéristiques de la situation routière instantanée dans laquelle se trouve le véhicule, ladite trace binaire étant ensuite positionnée sur la carte topologique mémorisée pour établir un diagnostic en temps réel de la situation de trafic.
Selon une autre caractéristique de l'invention, la phase d'apprentissage, destinée à générer une carte topologique du trafic selon sa densité, d'une part est réalisée à partir d'une base constituée d'une multitude de situations de
<Desc/Clms Page number 2>
trafic pour chacune desquelles elle comporte les étapes suivantes de préparation de ladite base : - construction d'un graphe valué modélisant une scène routière par représentation symbolique des distances entre les véhicules successifs d'une même voie de circulation pour chacune des voies interceptées par les moyens de détection de cibles ; - codage binaire de différentes variables qualitatives déterminées, caractéristiques de ladite scène routière modélisée précédemment ; - concaténation desdites variables codées aboutissant à la création d'une trace binaire constituée de vecteurs binaires caractéristiques de ladite situation de trafic de la scène routière et d'autre part comporte une étape finale de réalisation d'une carte topologique comportant plusieurs cellules représentant chacune une situation de trafic décrite symboliquement par un vecteur binaire prototype généré par un algorithme d'apprentissage déterminé et étiqueté selon la densité du trafic.
Ce procédé permet une reconnaissance complète de la densité du trafic, qualifiée de fluide, normal ou dense par exemple, en avant et/ou en arrière du véhicule, à partir de descripteurs symboliques qui sont ensuite codés. Une des variables considérées comme qualitatives pour la définition d'une situation de trafic est en particulier la distance entre le véhicule et les autres véhicules qui le précèdent ou le suivent, qui est alors prise en compte pour le codage selon l'invention.
Selon une autre caractéristique de l'invention, ce procédé de reconnaissance du trafic routier est réalisé par un calculateur électronique embarqué sur le véhicule.
Une application particulièrement intéressante du procédé selon l'invention concerne la régulation de la distance entre deux véhicules mobiles, qui peut être modulée en fonction des conditions de trafic routier.
D'autres caractéristiques et avantages de l'invention apparaîtront à la lecture de la description du procédé illustrée par les figures suivantes qui sont : - la figure 1 : un exemple de représentation de différentes modalités de la distance entre deux véhicules ;
<Desc/Clms Page number 3>
- les figures 2a et 3a : deux exemples de représentation de scènes routières ; - les figures 2b et 3b : les graphes valués correspondant aux deux 5 x scènes routières ; - les figures 4,5a, 5b, 6 et 7 : des exemples de codage de différentes variables qualitatives, représentatives d'une situation de trafic routier ; - la figure 8 : une trace binaire caractérisant une situation instantanée de trafic ; - ! es figures 8a à 8e : des détails de la trace binaire de la figure 8 ; - la figure 9 : un exemple de carte topologique selon l'invention.
Etant donné un véhicule automobile équipé d'une part de moyens de détection de cibles situées dans l'environnement du véhicule et d'autre part d'un calcul électronique recevant en particulier les informations délivrées par ces moyens de détection, selon une caractéristique essentielle, le procédé de reconnaissance du trafic routier comporte une première phase d'apprentissage au cours de laquelle est générée une carte topologique à partir d'une base des différentes situations de trafic susceptibles d'être rencontrées par un véhicule et classées selon des variables caractéristiques de la densité du trafic. Cette phase d'apprentissage est réalisée au cours d'essais sur véhicule, avant toute implantation de la carte topologique dans le calculateur du véhicule qui l'utilisera alors dans les phases de diagnostic en temps réel du trafic routier.
Selon l'invention, la préparation d'une base constituée d'une multitude de situations de trafic comporte tout d'abord la construction d'un graphe modélisant une scène routière, dans le but d'obtenir une représentation symbolique d'une situation du trafic la plus proche possible de la réalité. Pour cela, il utilise les informations délivrées par au moins un des moyens de détection de cibles situées dans l'environnement avant du véhicule. Dans le cas d'un véhicule régulé en distance et en vitesse, de type ACC-Adaptative Cruise Control-, le moyen de détection est un radar ou un lidar situé à l'avant du véhicule. Ce peut être aussi une caméra. Il peut y avoir également plusieurs moyens de détection, l'un vers l'avant, un autre vers l'arrière, et deux autres sur les côtés du véhicule.
Les différents moyens de détection de cibles délivrent les informations suivantes, lors d'une situation de conduite ou d'arrêt du véhicule :
<Desc/Clms Page number 4>
le nombre de cibles mobiles détectées ; le nombre de cibles fixes détectées ; - les coordonnées géographiques desdites cibles ; la vitesse de chaque cible ; l'accélération de chaque cible ; - la vitesse du véhicule régulé ; - le sens de déplacement desdites cibles détectées par rapport à celui du véhicule régulé, que ces sens soient identiques ou opposés.
A un instant donné t, la scène routière du véhicule régulé VAcc est représentée à l'aide d'un graphe valué. La figure 1 est un exemple de représentation des cinq modalités de la distance entre deux véhicules, qualifiées de façon non limitative. Ces cinq modalités sont par exemple : distance très longue (TL), distance longue (L), distance moyenne (M), distance courte (C), distance très courte (TC). Ces distances sont représentées par des barrettes en traits respectivement doubles et pleins, pleins, en pointillés, interrompus, doubles et interrompus.
La figure 2a représente schématiquement une scène routière, à un instant donné t, composée de trois voies de circulation VACC, VD et VG qui sont respectivement la voie de circulation du véhicule régulé Vacs, la voie qui est à sa droite et la voie qui est à sa gauche. Sur la voie centrale où se trouve le véhicule VAcc, un véhicule V4 se situe à une distance qualifiée de longue.
Sur la voie de droite Vo, circulent trois véhicules dont le premier et le plus proche V, est à une distance très courte du véhicule régulé Vacs, dont le deuxième V2 est lui-même à une distance très courte du premier V1, et dont le troisième Vs est à une distance courte du deuxième V2.
Sur la voie de gauche VG, circulent deux véhicules V3 et V6 séparés par une distance très longue l'un de l'autre, mais dont le premier V3 est à une distance moyenne du véhicule régulé VACC.
La figure 2b représente le graphe valué construit à partir de la scène routière de la figure 2a. Pour chacune des trois voies de circulation, les
<Desc/Clms Page number 5>
véhicules sont reliés entre eux par des barrettes de différentes sortes suivant la distance qui les sépare.
Le véhicule VAAC est relié sur sa voie de circulation vacs au véhicule V4 par une barrette en trait plein, sur la voie de gauche au véhicule V3 par une barrette en traits pointillés, le véhicule V3 qui est lui-même relié au véhicule V6 par une barrette en traits doubles et pleins, et sur la voie de droite au véhicule V, par une barrette en traits doubles et interrompus, le véhicule V1 étant luimême relié au véhicule V2 par une barrette en traits doubles et interrompus. Le véhicule Vs est relié au véhicule V2 par une barrette en traits interrompus.
A l'instant suivant, t + At, la scène routière aura changé et le graphe valué obtenu aussi.
La figure 3a représente schématiquement une deuxième scène routière, composée encore de trois voies de circulation, la voie centrale étant occupée par le véhicule régulé VAcc qui dispose de moyens de détection de cibles vers l'avant et vers l'arrière. Par contre, dans le cas où il n'est pas équipé de capteur latéral, il ne peut détecter la présence d'une cible V2 sur sa voie de droite et son calculateur électronique ne peut en tenir compte pour construire le graphe valué de la figure 3b.
Sur la voie centrale V ACC circule le véhicule régulé VACC, derrière un véhicule V, situé à grande distance et devant deux véhicules suiveurs, le plus proche V4 et le plus lointain Vs situé à une distance moyenne de V4.
Sur la voie de gauche, deux véhicules V6 et V3 circulent à une distance très longue du véhicule régulé VAcc, l'un V6 à l'avant et l'autre V3 à l'arrière de VAcc. Sur la voie de droite, le véhicule V2 est à côté du véhicule VAcc et n'est pas détecté.
Le graphe valué de la figure 3b relie le véhicule régulé VACC au véhicule précédent V, par une barrette à deux traits pleins, et au véhicule suivant V4 par une barrette en traits doubles et interrompus, qui est lui-même relié au véhicule suivant Vs par une barrette en traits pointillés. Sur la voie de gauche, les véhicules V3 et V6, situés à une distance moyenne du véhicule régulé VAcc, sont reliés au véhicule V ACC par une barrette en traits pointillés.
<Desc/Clms Page number 6>
Après cette première étape de construction d'un graphe valué modélisant la scène routière, et en particulier la position et la distance entre les différents véhicules, la seconde étape du procédé de reconnaissance du trafic consiste à coder les différentes variables qualitatives d'une situation de trafic, telles que la vitesse du véhicule régulé et celle des cibles détectées, le nombre de cibles détectées, le type de réseau routier, la distance entre les véhicules et des informations sur l'occupation des voies de circulation.
Concernant la vitesse du véhicule et celle des cibles, elle est codée par exemple selon plusieurs plages de vitesses, de 50 km/h chacune, soit :
0 à 50 km/h ; 50 à 100 km/h ; 100 à 150 km/h et 150 à 200 km/h
Ces quatre modalités proposées sont désignées, pour un véhicule donné, par un vecteur de quatre cases, dans un exemple non limitatif, et ce codage est appelé codage disjonctif complet.
0 à 50 km/h ; 50 à 100 km/h ; 100 à 150 km/h et 150 à 200 km/h
Ces quatre modalités proposées sont désignées, pour un véhicule donné, par un vecteur de quatre cases, dans un exemple non limitatif, et ce codage est appelé codage disjonctif complet.
Lorsque la vitesse d'un véhicule est située dans une des quatre plages de vitesses, la case correspondante du vecteur contient un 1 , les trois autres contenant un 0 . Ainsi, pour un véhicule circulant à la vitesse de 120 km/h, le vecteur sera composé de deux cases avec un 0 , d'une troisième case avec un 1 et d'une quatrième case avec un 0 comme le montre la figure 4.
Concernant le nombre de cibles détectées, sachant qu'un radar peut détecter actuellement jusqu'à huit cibles, le procédé utilise un codage additif, c'est-à-dire que le vecteur correspondant comporte huit cases, une case par cible détectable. Quand une cible est détectée, une case comporte un 1 . La figure 5a est un exemple de vecteur codé pour deux cibles détectées, pour lequel les deux premières cases comportent chacune un 1 , les six autres ayant un 0 . La figure 5b est un autre exemple de vecteur codé pour sept cibles détectées, pour lequel les sept premières cases comportent un 1 , la dernière ayant un 0 .
Pour le type de réseau routier emprunté par le véhicule régulé, le radar peut détecter trois voies et le codage du vecteur désignant ces trois modalités est du type additif par exemple. Le vecteur correspondant comprend trois
<Desc/Clms Page number 7>
cases, comme le montre la figure 6, représentant le cas d'une route à deux voies. Les deux premières cases comportent un 1 , la dernière ayant un O .
A propos de la distance entre deux véhicules, le graphe valué de la scène routière, décrit auparavant, apporte beaucoup d'informations, sur le nombre de véhicules concernés par type de distance et pour chaque voie de circulation en particulier. C'est pourquoi, chaque voie est représentée par un vecteur à cinq cases correspondant aux cinq modalités de distance, de très longue à très courte. Comme le montre la figure 7, chacune des cases comporte un vecteur à huit cases, représentant le nombre de distances intervéhicules correspondant à la modalité de ladite case et codé selon un codage additif.
Le procédé prévoit de plus le codage du type de distance entre le véhicule V ACC et le premier véhicule, situé à l'avant et/ou à l'arrière, dans la même voie de circulation. Cette distance est représentée par un vecteur à cinq cases, correspondant aux cinq modalités de distance.
Dans le cas particulier de la scène routière représentée sur la figure 1, le graphe de la voie de gauche VG comprend un véhicule à une distance moyenne (M) et un véhicule à une distance très longue (TL) du véhicule régulé VACC.
Selon une autre caractéristique, le procédé prévoit aussi le codage de la présence d'un véhicule sur une des voies de circulation. Ainsi, le vecteur représentant cette variable comporte quatre cases, comprenant différentes modalités suivant l'endroit où se trouve ce véhicule par rapport au véhicule VAcc-Par exemple, les modalités sont : - Ce : il n'y a aucun véhicule sur la voie du véhicule V ACC et sur les autres voies ; - Cl : il n'y a personne devant le véhicule VACC mais il y a un véhicule sur au moins une autre voie ; - C2 : il y a au moins un véhicule sur la voie du véhicule V ACC et aucun véhicule sur au moins une des autres voies ; - C3 : il y a des véhicules sur toutes les voies de circulation.
<Desc/Clms Page number 8>
Ces variables qualitatives caractéristiques d'une situation routière étant codées en binaire, la préparation d'une base de situations routières dans la phase d'apprentissage comprend une troisième étape de concaténation desdites variables pour aboutir à la création d'une trace binaire constituée des différents vecteurs binaires les représentant.
La figure 8 représente un exemple non limitatif de trace binaire caractérisant une situation de trafic, à un instant donné, pour un véhicule muni d'un seul radar à l'avant. Dans le cas d'un véhicule muni de deux radars, une première trace binaire est élaborée pour une situation de trafic à l'avant et une deuxième trace binaire pour une situation à l'arrière. Les variables de ces traces binaires appartiennent à l'espace des données binaires, pour faciliter le codage.
Le premier vecteur vl, à cinq cases, représente la distance entre le véhicule régulé VACC et le premier véhicule situé devant ou derrière lui, dans la même voie de circulation. Le deuxième vecteur v2, à une case, représente la présence ou l'absence d'un véhicule dans la voie du véhicule régulé. Le troisième vecteurs3, à quatre cases, représente la présence de véhicules sur les différentes voies de circulation. Les trois vecteurs vs à V6 suivants sont divisés chacun en cinq cases, correspondant aux cinq modalités de distance possibles, chaque case étant elle-même divisée en huit cases représentant le nombre de distances par modalités et par type de voies. Les figures 8a à 8e représentent des détails de certaines cases des trois vecteurs V4 à v6. Un septième vecteur V7, à huit cases, représente le nombre de véhicules détectés par le radar.
On peut envisager d'autres variables qualitatives représentatives d'une situation de trafic, comme par exemple la vitesse du véhicule régulé, la vitesse moyenne des véhicules sur chaque voie de circulation, la distance entre le véhicule régulé et le premier véhicule sur chacune des voies adjacentes.
Le procédé consiste ensuite, à partir d'une base constituée d'un grand nombre de traces binaires représentant beaucoup de situations routières, à générer une carte topologique, c'est-à-dire un ensemble de classes liées entre elles sous forme d'une grille, par application de l'algorithme basé sur
<Desc/Clms Page number 9>
les réseaux de neurones, appelé Bin Batch en particulier. Chaque cellule de la carte représente une situation de trafic décrite par un vecteur caractéristique appelé prototype. Ainsi, la construction de cette carte se fait lors de la phase d'apprentissage, avec des données qualitatives non étiquetées dans le temps et dans l'espace, et hors véhicule. Cette carte topologique est ensuite chargée dans le calculateur électronique du véhicule, destiné à la reconnaissance du trafic.
La figure 9 est un exemple non limitatif de carte topologique à vingt cinq cellules correspondant à vingt cinq classes, étiquetées chacune selon la densité de trafic, qui peut être qualifiée selon trois modalités, notamment dense D, normale N ou fluide F. Dans la phase d'apprentissage, chaque cellule de la carte comporte un premier nombre représentant le nombre d'exemples captés dans cette phase d'apprentissage et un second nombre représentant un indice de similarité desdits exemples captés, indice inférieur à 1.
Cette carte délivre un ordre topologique des différentes situations de trafic : les classes voisines sur la carte reproduisent la dissemblance entre les différentes situations. Deux classes ou neurones peuvent être proches sur la carte et représenter une situation de trafic fluide, tout en ayant chacun un représentant différent. Le mouvement sur la carte reproduit la transition entre les différentes situations rencontrées en roulant ou observées à l'arrêt.
Le procédé comporte ensuite une phase de reconnaissance du trafic, en temps réel sur véhicule.
Ainsi, alors que le conducteur circule avec son véhicule, le calculateur de reconnaissance embarqué sur le véhicule d'une part contient la carte topologique représentée par les vecteurs caractéristiques et d'autre part calcule une trace binaire à chaque intervalle de temps prédéfini.
Lorsque le véhicule est muni de deux radars, un à l'avant et un autre à l'arrière, le calculateur électronique contient deux cartes topologiques. Chaque trace binaire instantanée est alors affectée à la classe la plus proche, décidée à partir de la carte, selon une distance ou une fonction d'affectation codée dans le calculateur.
<Desc/Clms Page number 10>
En phase de reconnaissance, le calculateur électronique calcule la trace la plus proche au sens de la distance binaire. La dissemblance entre les différentes classes est reproduite par le maillage de la carte topologique et chaque situation de trafic est représentée par un ensemble de neurones, chacun d'eux représentant un type de densité. Ainsi, dans la carte de la figure 9, le neurone (4,4) correspond à une situation de trafic plus dense que celle du neurone (3,1). On remarque que certains neurones représentent des classes intermédiaires. Une densité de trafic fluide passe par un neurone de la partition de trafic normal avant de devenir une situation de trafic dense.
Ce procédé de reconnaissance du trafic a pour objectif et avantage d'être associé aux systèmes d'aide à la conduite, tels que les régulateurs de vitesse et de distance ACC ou ADAPT entre autres, aux systèmes d'aide au recul ou à la décélération, dans le but de les améliorer. Ils proposent alors de nouvelles stratégies de contrôle de l'accélération ou du freinage du véhicule adaptées à l'environnement c'est-à-dire aux conditions de trafic. Ainsi, si le véhicule se trouve dans une situation de trafic dense, le système ACC peut prendre en considération cette information de telle sorte que son calculateur va adapter la loi de régulation de la distance et de la vitesse du véhicule, sans l'intervention du conducteur. Dans le cas particulier d'une situation du trafic à l'avant et à l'arrière du véhicule, le calculateur peut piloter un freinage moindre si le véhicule se trouve dans une situation de trafic dense dans les deux directions de circulation. La loi de régulation de la vitesse et de la distance est donc dépendante de la situation de trafic.
De plus, la loi de régulation ACC peut différer selon le représentant de deux neurones voisins sur la carte qui correspondent à deux situations distinctes de même densité de trafic.
Le procédé peut aussi avantageusement réaliser le regroupement de toutes les situations de trafic similaires dans une même région de la carte topologique et la loi de régulation ACC n'opèrera alors que des adaptations minimes.
<Desc/Clms Page number 11>
Selon une autre caractéristique de l'invention, le procédé peut décomposer la densité du trafic en plusieurs niveaux, pour une analyse plus fine et plus efficace, par exemple très fluide, fluide,... normal,... dense, très dense. En comptant cette information avec l'ordre topologique de la densité, le procédé peut autoriser la prédiction du passage d'une situation de trafic fluide à une situation de trafic dense. Dans une carte topologique, un neurone peut servir de classe intermédiaire et le passage par celui-ci permet de préparer la loi de régulation ACC qu'il sera nécessaire d'utiliser.
Un autre avantage du procédé selon l'invention réside dans le fait que le vecteur caractéristique d'une classe de la carte topologique peut être interprété pour comprendre l'action du conducteur. Ainsi, en phase de régulation ACC, si le conducteur change la vitesse de consigne, par action sur les commandes au volant, son action est comprise par lecture de la trace binaire qui indique la répartition des véhicules cibles sur les voies de circulation, en avant et/ou en arrière du véhicule. Il est de plus facile de savoir si un véhicule va dépasser le véhicule régulé.
Claims (10)
- REVENDICATIONS 1. Procédé de reconnaissance du trafic routier à partir d'informations concernant des cibles détectées dans l'environnement d'un véhicule, en situation de conduite comme à l'arrêt, équipé de moyens de détection et d'un calculateur électronique, caractérisé en ce que : après une phase d'apprentissage au cours de laquelle est générée une carte topologique du trafic selon sa densité puis mémorisée dans le calculateur embarqué, il comporte une phase de reconnaissance au cours de laquelle est élaborée en temps réel une trace binaire constituée de plusieurs vecteurs binaires codés représentant différentes variables caractéristiques de la situation routière instantanée dans laquelle se trouve le véhicule, ladite trace binaire étant ensuite positionnée sur la carte topologique mémorisée pour établir un diagnostic en temps réel de la situation de trafic.
- 2. Procédé de reconnaissance du trafic routier selon la revendication 1, caractérisé en ce que la phase d'apprentissage, destinée à générer une carte topologique du trafic selon sa densité, est réalisée à partir d'une base constituée d'une multitude de situations de trafic pour chacune desquelles elle comporte les étapes suivantes de préparation de ladite base : - construction d'un graphe valué modélisant une scène routière par représentation symbolique des distances entre les véhicules successifs d'une même voie de circulation pour chacune des voies interceptées par les moyens de détection de cibles ; - codage binaire de différentes variables qualitatives déterminées, caractéristiques de ladite scène routière modélisée précédemment ; - concaténation desdites variables codées aboutissant à la création d'une trace binaire constituée de vecteurs binaires caractéristiques de ladite situation de trafic de la scène routière et en ce qu'elle comporte une étape finale de réalisation d'une carte topologique comportant plusieurs cellules, représentant chacune une situation de trafic décrite symboliquement par un vecteur binaire prototype, généré par un algorithme d'apprentissage déterminé et étiqueté selon la densité du trafic.
- 3. Procédé de reconnaissance du trafic routier selon l'une des revendications 1 ou 2, caractérisé en ce que les variables caractéristiques de<Desc/Clms Page number 13>la situation routière délivrées par les moyens de détection puis codées en binaire, sont notamment : - le type de réseau routier ; - le nombre de cibles détectées ; ta vitesse du véhicule équipé du procédé ; - la vitesse des cibles détectées ; - la distance entre les véhicules ; - la présence d'une cible sur la même voie de circulation que le véhicule ; - l'occupation des différentes voies de circulation.
- 4. Procédé de reconnaissance du trafic routier selon l'une des revendications 1 ou 2, caractérisé en ce que les distances entre les véhicules successifs d'une scène routière sont modélisées par un graphe valué selon plusieurs modalités, puis codées en binaire par un vecteur dont le nombre de cases est égal au nombre de modalités.
- 5. Procédé de reconnaissance du trafic routier selon l'une des revendications 1 ou 2, caractérisé en ce que les différentes classes de la carte topologique sont étiquetées chacune selon la densité du trafic, qualifiée selon trois modalités notamment dense, normale et fluide.
- 6. Procédé de reconnaissance du trafic routier selon la revendication 3, caractérisé en ce que le codage du type de réseau routier, soit du nombre de voies de circulation, ainsi que le codage du nombre de cibles détectées et celui de la présence d'une cible sur la même voie que le véhicule est du type additif.
- 7. Procédé de reconnaissance du trafic routier selon la revendication 3, caractérisé en ce que le codage de la vitesse des cibles détectées et celui de la distance entre les véhicules sont du type disjonctif complet.
- 8. Procédé de reconnaissance du trafic routier selon l'une des revendications 1 ou 2, caractérisé en ce que la trace binaire représentant une situation routière est le résultat de la concaténation de plusieurs variables qualitatives codées en binaire, se présentant sous la forme de plusieurs vecteurs représentant successivement :<Desc/Clms Page number 14>- le type de distance entre le véhicule et la première cible circulant sur sa voie ; - la présence d'une cible sur la voie de circulation du véhicule ; - le type d'occupation des différentes voies du réseau routier ; - pour chaque voie du réseau, le nombre de cibles détectées par type de distance entre les véhicules ; - le nombre de véhicules cibles détectés.
- 9. Procédé de reconnaissance du trafic routier selon l'une des revendications 1 ou 2, caractérisé en ce que la carte topologique est constituée d'une grille de neurones prototypes générés par l'algorithme Bin Batch, chaque neurone étant étiqueté selon la densité du trafic.
- 10. Procédé de reconnaissance du trafic routier selon l'une des revendications précédentes, caractérisé en ce qu'il est associé à un système d'aide à la conduite, notamment de type régulation de distance et de vitesse, auquel il délivre une information sur la densité du trafic dans le but d'adapter les stratégies de contrôle de l'accélération et/ou du freinage du véhicule selon cette densité.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR0103884A FR2822576B1 (fr) | 2001-03-22 | 2001-03-22 | Procede de reconnaissance du trafic routier |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR0103884A FR2822576B1 (fr) | 2001-03-22 | 2001-03-22 | Procede de reconnaissance du trafic routier |
Publications (2)
Publication Number | Publication Date |
---|---|
FR2822576A1 true FR2822576A1 (fr) | 2002-09-27 |
FR2822576B1 FR2822576B1 (fr) | 2003-07-04 |
Family
ID=8861432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
FR0103884A Expired - Fee Related FR2822576B1 (fr) | 2001-03-22 | 2001-03-22 | Procede de reconnaissance du trafic routier |
Country Status (1)
Country | Link |
---|---|
FR (1) | FR2822576B1 (fr) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1591980A1 (fr) * | 2004-03-29 | 2005-11-02 | C.R.F. Società Consortile per Azioni | Système de surveillance du trafic routier |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19905284A1 (de) * | 1998-02-19 | 1999-09-09 | Ddg Ges Fuer Verkehrsdaten Mbh | Verkehrslageerfassung mit Fuzzy-Klassifikation und mehrdimensionaler morphologischer Datenfilterung und dynamischer Domänenbildung |
WO2000036435A1 (fr) * | 1998-12-16 | 2000-06-22 | Renault | Procede de regulation de vitesse pour vehicule automobile |
DE19858477A1 (de) * | 1998-12-17 | 2000-07-06 | Siemens Ag | Verfahren zum Ermitteln von Verkehrsinformationen |
EP1056063A1 (fr) * | 1999-05-17 | 2000-11-29 | Siemens Schweiz AG | Méthode et dispositif de détection des conditions du trafic d'un segment de route |
-
2001
- 2001-03-22 FR FR0103884A patent/FR2822576B1/fr not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19905284A1 (de) * | 1998-02-19 | 1999-09-09 | Ddg Ges Fuer Verkehrsdaten Mbh | Verkehrslageerfassung mit Fuzzy-Klassifikation und mehrdimensionaler morphologischer Datenfilterung und dynamischer Domänenbildung |
WO2000036435A1 (fr) * | 1998-12-16 | 2000-06-22 | Renault | Procede de regulation de vitesse pour vehicule automobile |
DE19858477A1 (de) * | 1998-12-17 | 2000-07-06 | Siemens Ag | Verfahren zum Ermitteln von Verkehrsinformationen |
EP1056063A1 (fr) * | 1999-05-17 | 2000-11-29 | Siemens Schweiz AG | Méthode et dispositif de détection des conditions du trafic d'un segment de route |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1591980A1 (fr) * | 2004-03-29 | 2005-11-02 | C.R.F. Società Consortile per Azioni | Système de surveillance du trafic routier |
Also Published As
Publication number | Publication date |
---|---|
FR2822576B1 (fr) | 2003-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112133089B (zh) | 一种基于周围环境与行为意图的车辆轨迹预测方法、系统及装置 | |
CN113348422B (zh) | 用于生成预测占据栅格地图的方法和系统 | |
Devi et al. | A comprehensive survey on autonomous driving cars: A perspective view | |
CN111127329A (zh) | 用于重建云层处的车辆场景的方法和系统 | |
Zakaria et al. | Lane detection in autonomous vehicles: A systematic review | |
DE102021131991A1 (de) | Fahrzeugsensorreinigung und -kühlung | |
CN115393818A (zh) | 驾驶场景识别方法、装置、计算机设备和存储介质 | |
Premebida et al. | RGB-D object classification for autonomous driving perception | |
WO2020058234A1 (fr) | Dispositif de prédiction de trajet le plus probable d'un véhicule | |
Si et al. | Big data-based driving pattern clustering and evaluation in combination with driving circumstances | |
FR2822576A1 (fr) | Procede de reconnaissance du trafic routier | |
Ye et al. | Neural network‐based semantic segmentation model for robot perception of driverless vision | |
WO2020165544A1 (fr) | Identification de zones roulables avec prise en compte de l'incertitude par une méthode d'apprentissage profond | |
US20230162480A1 (en) | Frequency-based feature constraint for a neural network | |
Minges | Neural Network-based road friction estimation using road weather information | |
US20230154198A1 (en) | Computer-implemented method for multimodal egocentric future prediction | |
Shetty et al. | Road slope prediction and vehicle dynamics control for autonomous vehicles | |
FR3106108A1 (fr) | Procédé et dispositif de détermination de trajectoire d’une route | |
Zeng et al. | Towards building reliable deep learning based driver identification systems | |
WO2019202226A1 (fr) | Amélioration de la détection par le suivi d'un véhicule éclaireur | |
EP2489548B1 (fr) | Procédé et dispositif de commande de commutation du système d'éclairage avant adaptatif d'un véhicule automobile | |
US20220172062A1 (en) | Measuring confidence in deep neural networks | |
US11462020B2 (en) | Temporal CNN rear impact alert system | |
FR3110011A1 (fr) | Méthode d’apprentissage d’un agent intelligent pour un véhicule automobile autonome | |
FR3128177A1 (fr) | Procédé et dispositif de prédiction d’un changement de voie de circulation pour véhicule |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
TP | Transmission of property | ||
PLFP | Fee payment |
Year of fee payment: 15 |
|
PLFP | Fee payment |
Year of fee payment: 16 |
|
ST | Notification of lapse |
Effective date: 20171130 |