FR2933221A1 - Obstacle e.g. wall, detection system operating method for motor vehicle, involves processing data relative to obstacles susceptible to be at risk, in priority and controlling acquisition of data at frequency based on risk - Google Patents
Obstacle e.g. wall, detection system operating method for motor vehicle, involves processing data relative to obstacles susceptible to be at risk, in priority and controlling acquisition of data at frequency based on risk Download PDFInfo
- Publication number
- FR2933221A1 FR2933221A1 FR0803585A FR0803585A FR2933221A1 FR 2933221 A1 FR2933221 A1 FR 2933221A1 FR 0803585 A FR0803585 A FR 0803585A FR 0803585 A FR0803585 A FR 0803585A FR 2933221 A1 FR2933221 A1 FR 2933221A1
- Authority
- FR
- France
- Prior art keywords
- obstacle
- data
- obstacles
- detection system
- perception
- 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
- G08G1/16—Anti-collision systems
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/165—Anti-collision systems for passive traffic, e.g. including static obstacles, trees
Abstract
Description
La présente invention concerne un procédé de fonctionnement d'un système de détection d'obstacles destiné à être embarqué dans un véhicule automobile. Elle concerne aussi un support de données comprenant des moyens logiciels de mise en oeuvre d'un tel procédé, un système de détection d'obstacles fonctionnant conformément au procédé, un module de fusion d'un système de détection d'obstacles et un véhicule automobile comprenant un tel système de détection d'obstacles ou un tel module de fusion d'un système de détection d'obstacles. The present invention relates to a method of operating an obstacle detection system intended to be embedded in a motor vehicle. It also relates to a data medium comprising software means for implementing such a method, an obstacle detection system operating according to the method, a fusion module of an obstacle detection system and a motor vehicle. comprising such an obstacle detection system or such a fusion module of an obstacle detection system.
II est connu d'équiper des véhicules automobiles avec des systèmes de détection, de suivi et de classification d'obstacles ayant pour but de détecter la présence d'un obstacle à proximité du véhicule, puis de suivre cet obstacle dans le temps afin de déterminer sa trajectoire, et enfin de définir sa nature en utilisant les informations issues d'un ou plusieurs capteurs disponibles. Couramment, les tâches de détection et de suivi sont effectuées par un capteur capable de détecter une présence et d'estimer une distance comme un radar ou un lidar. La tâche de reconnaissance est effectuée par un module de reconnaissance qui exploite un ensemble de données relatives à l'obstacle, comme les propriétés de trajectoire et d'autres informations, ces données étant éventuellement obtenues de différents capteurs. It is known to equip motor vehicles with systems for detecting, monitoring and classifying obstacles intended to detect the presence of an obstacle in the vicinity of the vehicle, and then to follow this obstacle over time in order to determine its trajectory, and finally to define its nature using information from one or more available sensors. Commonly, detection and tracking tasks are performed by a sensor capable of detecting a presence and estimating a distance such as radar or lidar. The recognition task is performed by a recognition module that exploits a set of data relating to the obstacle, such as trajectory properties and other information, these data possibly being obtained from different sensors.
A chaque nouvelle acquisition de données, ces données sont mises en relation avec les données déjà connues afin de constituer et de mettre à jour les informations concernant l'obstacle (notamment sa position et sa nature). With each new acquisition of data, these data are put in relation with the already known data in order to constitute and update the information concerning the obstacle (in particular its position and its nature).
Les procédés de fonctionnement des systèmes actuels présentent des inconvénients. Les systèmes sont relativement lents à identifier un obstacle dangereux ou alors nécessitent des capacités importantes en moyens de calcul du fait d'une mauvaise gestion de ces moyens de calcul. MS\REN095FR.dpt En outre, les systèmes actuels présentent des structures complexes et difficilement modulables. De ce fait, les systèmes sont développés en fonction des capteurs qu'il est prévu d'intégrer aux systèmes. Ainsi, un constructeur voulant réaliser une première version de système de détection utilisant une caméra seule comme moyen capteur et voulant réaliser une deuxième version de système de détection utilisant une caméra et un lidar comme moyens capteurs, développera deux systèmes avec des architectures différentes. Ceci est générateur de coût. The operating methods of the present systems have disadvantages. The systems are relatively slow to identify a dangerous obstacle or require significant capacity in computing means due to poor management of these calculation means. MS \ REN095EN.dpt In addition, current systems have complex structures and difficult to modulate. As a result, the systems are developed based on the sensors that are intended to be integrated into the systems. Thus, a manufacturer wanting to make a first version of detection system using a single camera as a sensor means and wanting to make a second version of detection system using a camera and a lidar as sensor means, will develop two systems with different architectures. This is cost generator.
Le but de la présente invention est de fournir un procédé de fonctionnement d'un système de détection d'obstacles obviant aux inconvénients identifiés précédemment et permettant d'améliorer les procédés de fonctionnement connus de l'art antérieur. En particulier, l'invention propose un procédé de fonctionnement optimisant l'utilisation des moyens de calcul de manière à augmenter les performances, notamment le délai traitement d'un obstacle à capacité de calcul égale ou de réduire les besoins en capacité de calcul à performance égale. L'invention propose encore un système de détection d'obstacles dans lequel il peut être aisément ajouté ou supprimé un capteur sans que le mode de fonctionnement général du système soit affecté. The object of the present invention is to provide a method of operating an obstacle detection system overcoming the drawbacks identified above and making it possible to improve the operating methods known from the prior art. In particular, the invention proposes an operating method that optimizes the use of the calculation means so as to increase the performances, in particular the delay processing of an obstacle with equal computing capacity or to reduce the need for performance calculation capacity. equal. The invention also proposes an obstacle detection system in which it can easily be added or removed a sensor without affecting the general operating mode of the system.
Le procédé selon l'invention régit le fonctionnement d'un système de détection d'obstacles destiné à être embarqué sur un véhicule automobile. II est caractérisé en ce qu'on traite en priorité les données relatives à un ou plusieurs obstacles susceptibles d'être les plus risqués. The method according to the invention governs the operation of an obstacle detection system intended to be embarked on a motor vehicle. It is characterized in that priority is given to data relating to one or more obstacles that are likely to be the most risky.
On peut commander l'aquisition de données relatives à un obstacle à une fréquence dépendant du risque présenté par cet obstacle. The acquisition of data relating to an obstacle can be controlled at a frequency dependent on the risk presented by this obstacle.
Le procédé peut s'appliquer à un système de détection d'obstacle comprenant plusieurs modules de perception d'obstacles et l'on peut MS\REN095FR.dpt commander sélectivement l'aquisition de données relatives à un obstacle considéré via un ou plusieurs de ces modules en fonction du risque supposé et/ou de la nature supposée de l'obstacle considéré et/ou d'autres conditions extérieures, comme des conditions météorologiques. Le procédé de fonctionnement peut comprendre une étape de hiérarchisation des risques associés aux obstacles détectés. Le procédé de fonctionnement peut comprendre une étape de sélection 10 d'un nombre d'obstacles détectés dont il faut traiter les données en priorité, apte à interrompre le procédé, notamment par interruption à l'arrivée de chaque nouvel obstacle détecté, pour relancer une étape de hiérarchisation des risques associés aux obstacles détectés, de sorte que le nombre de d'obstacles traité soit ajusté automatiquement en fonction de 15 la puissance de calcul instantanée disponible. The method can be applied to an obstacle detection system comprising a plurality of obstacle perception modules and it is possible to selectively control the acquisition of data relating to a given obstacle via one or more of these obstacles. modules according to the assumed risk and / or the assumed nature of the obstacle in question and / or other external conditions, such as weather conditions. The operating method may comprise a step of prioritizing the risks associated with the obstacles detected. The operating method may comprise a step of selecting a number of detected obstacles whose data must be processed in priority, capable of interrupting the process, in particular by interrupting the arrival of each new detected obstacle, to restart a step of prioritizing the risks associated with the obstacles detected, so that the number of obstacles treated is adjusted automatically according to the available instantaneous computing power.
Le support de données selon l'invention comprend des moyens logiciels de mise en oeuvre du procédé de fonctionnement défini précédemment. 20 Le système de détection d'obstacles selon l'invention est destiné à être embarqué sur un véhicule automobile. II est caractérisé en ce qu'il comprend des moyens matériels et/ou logiciels de mise en oeuvre du procédé de fonctionnement défini précédemment. 25 Le système de détection d'obstacles peut comprendre un module de fusion de données transmises par des modules de perception des obstacles, le module de fusion comprenant des entrées standard pour recueillir sous un même format les données émanant des différents modules de perception. 30 Le module de fusion peut comprendre des sorties standard pour commander sous un même format la requête de données auprès des différents modules de perception. MS\REN095FR.dpt5 Le module selon l'invention permet la fusion de données d'un système de détection d'obstacles destiné à être embarqué sur un véhicule automobile. Il est destiné à recevoir et à fusionner des données émises par différents modules de perception d'obstacles. Il est caractérisé en ce qu'il comprend des entrées standard pour recueillir, sous un même format, les données émanant des différents modules de perception, et en ce qu'il comprend de préférence des sorties standard pour commander sous un même format la requête de données auprès des différents modules de perception. The data carrier according to the invention comprises software means for implementing the operating method defined above. The obstacle detection system according to the invention is intended to be embedded in a motor vehicle. It is characterized in that it comprises hardware and / or software means for implementing the previously defined operating method. The obstacle detection system may comprise a data fusion module transmitted by obstacle perception modules, the fusion module comprising standard inputs for collecting in a same format the data emanating from the different perception modules. The merger module may include standard outputs for controlling the data request from the different perception modules in a same format. MS \ REN095FR.dpt5 The module of the invention allows the data fusion of an obstacle detection system intended to be embedded on a motor vehicle. It is intended to receive and merge data transmitted by different obstacle perception modules. It is characterized in that it comprises standard inputs for collecting, in one and the same format, the data emanating from the different perception modules, and in that it preferably comprises standard outputs for ordering in a same format the request for data from different perception modules.
Le véhicule automobile selon l'invention comprend un système de détection d'obstacles défini précédemment ou un module de fusion de données défini précédemment. The motor vehicle according to the invention comprises a previously defined obstacle detection system or a previously defined data fusion module.
Le dessin annexé représente, à titre d'exemple, un mode de réalisation 15 d'un système de détection d'obstacles selon l'invention. The accompanying drawing shows, by way of example, an embodiment of an obstacle detection system according to the invention.
La figure 1 est un schéma d'un système de détection d'obstacles selon l'invention. Figure 1 is a diagram of an obstacle detection system according to the invention.
20 La figure 2 est un schéma d'un module de perception d'obstacles équipant un système de détection d'obstacles selon l'invention. FIG. 2 is a diagram of an obstacle perception module fitted to an obstacle detection system according to the invention.
La figure 3 est une représentation graphique d'un exemple de données obtenues en sortie d'un moyen d'extraction d'un module de perception. La figure 4 est une représentation graphique d'un exemple de données obtenues en sortie d'un moyen de classification d'un module de perception. MS\REN095FR.dpt 25 La figure 5 est une représentation graphique d'un exemple de données obtenues dans un module de fusion d'un système de détection d'obstacles selon l'invention. FIG. 3 is a graphical representation of an example of data obtained at the output of an extraction means of a perception module. FIG. 4 is a graphical representation of an example of data obtained at the output of a classification means of a perception module. FIG. 5 is a graphical representation of an example of data obtained in a merger module of an obstacle detection system according to the invention.
Le système 1 de détection d'obstacles représenté à la figure 1 comprend principalement un module de fusion 2, des modules 3a, 3n de perception des obstacles, un module de focalisation 4, un module 5 de détermination de l'état d'un véhicule équipé du système de détection d'obstacles et un moyen 6 de transmission de données d'état et de nature des obstacles à un système de gestion centrale du véhicule. The obstacle detection system 1 shown in FIG. 1 mainly comprises a melting module 2, obstacle detection modules 3a, 3n, a focusing module 4, a vehicle condition determination module 5. equipped with the obstacle detection system and a means 6 for transmitting state data and the nature of obstacles to a central management system of the vehicle.
Les modules de perception ont chacun notamment pour fonctions : de détecter la présence d'obstacles aux abords du véhicule, de recueillir des informations sur ces obstacles, de déterminer, à partir des informations précédentes, des informations sur la nature supposée et/ou sur la position supposée des obstacles et d'émettre ces informations sur la nature supposée et/ou sur la position supposée des obstacles, à l'attention du module de fusion. 20 Chaque module de perception peut utiliser une technologie de capteur différente, chaque technologie de capteur pouvant présenter des avantages complémentaires à ceux d'une autre technologie. Par exemple, une technologie lidar permet de déterminer la position d'un obstacle et sa 25 vitesse et une technologie de type caméra permet de déterminer les formes de l'obstacle. The perception modules each have the particular functions: to detect the presence of obstacles around the vehicle, to collect information on these obstacles, to determine, from the previous information, information on the assumed nature and / or on the assumed position of the obstacles and to issue this information on the assumed nature and / or on the assumed position of the obstacles, to the attention of the fusion module. Each perception module may utilize a different sensor technology, each sensor technology may have additional benefits to that of another technology. For example, a lidar technology makes it possible to determine the position of an obstacle and its speed and a technology of the camera type makes it possible to determine the shapes of the obstacle.
Le module de fusion a notamment pour fonctions : - de recueillir et d'interpréter les informations émises par les 30 différents modules de perception, ù de traiter ces informations, MS\REN095FR.dpt d'informer un système de gestion centrale du véhicule sur la nature et/ou la position des obstacles détectés, permettant ainsi d'informer des dangers, les interfaces homme-machine du véhicule et de piloter le fonctionnement des modules de perception, notamment de manière à gérer au mieux les capacités de calcul du module de fusion de manière à minimiser le temps de traitement entre la détection de présence d'un obstacle et l'établissement d'informations fiables de nature et/ou de position de l'obstacle détecté. The functions of the merger module include: - to collect and interpret the information emitted by the different perception modules, ù to process this information, MS \ REN095EN.dpt to inform a central management system of the vehicle on the nature and / or the position of the obstacles detected, thus making it possible to inform of the dangers, the human-machine interfaces of the vehicle and to control the operation of the perception modules, in particular so as to better manage the calculation capacities of the fusion module so as to minimize the processing time between the detection of the presence of an obstacle and the establishment of reliable information of nature and / or position of the detected obstacle.
Le système de détection est tel que le module de fusion est séparé des modules de perception 3a, 3n. Le module de fusion est par exemple lié à chacun de ces modules de perception par des liaisons identiques. Ces liaisons permettant des échanges d'informations de nature identique, c'est-à-dire standard, entre chaque module de perception et le module de fusion. De premiers liens permettent des transferts d'informations du module de fusion à chaque module de perception de manière à ce que le module de fusion pilote le fonctionnement des modules de perception. The detection system is such that the fusion module is separate from the perception modules 3a, 3n. The fusion module is for example linked to each of these perception modules by identical links. These links allow the exchange of information of identical nature, that is to say standard, between each perception module and the merger module. First links allow information transfers from the merge module to each perception module so that the merge module controls the operation of the perception modules.
D'autres liens permettent aux modules de perception de transférer au module de fusion des informations relatives aux obstacles détectées, notamment leur position supposée et/ou leur nature supposée. Other links allow the perception modules to transfer to the fusion module information relating to the detected obstacles, in particular their assumed position and / or their supposed nature.
Comme représenté à la figure 2, un module de perception, par exemple le 25 module de perception 3a, comprend différents moyens : un capteur 11, un moyen 12 d'extraction de caractéristiques des obstacles détectés, un moyen 13 de focalisation du capteur sur une zone de détection 30 particulière, un moyen 14 de classification d'obstacles. MS\REN095FR.dpt Les moyens 12, 13, 14 peuvent par exemple comprendre des programmes informatiques de traitement des données issues du capteur 11. As shown in FIG. 2, a perception module, for example the perception module 3a, comprises various means: a sensor 11, a means 12 for extracting the characteristics of the obstacles detected, a means 13 for focusing the sensor on a sensor particular detection zone 30, a means 14 for classifying obstacles. The means 12, 13, 14 may for example comprise computer programs for processing data from the sensor 11.
Il est à noter qu'un même capteur peut être utilisé simultanément par plusieurs modules de perception (par exemple, un signal d'image issu d'une caméra peut être traité selon deux méthodes différentes dans deux modules de perception pour atteindre deux buts différents) ou bien être utilisé par un seul module de perception (par exemple, un signal Iidar dont les mesures 3D sont utilisées pour déterminer les positions des obstacles et pour déterminer leur nature en se basant sur leurs dimensions). It should be noted that the same sensor can be used simultaneously by several perception modules (for example, an image signal from a camera can be processed according to two different methods in two perception modules to achieve two different purposes) or be used by a single perception module (for example, an Iidar signal whose 3D measurements are used to determine the positions of obstacles and to determine their nature based on their dimensions).
Comme on peut le déduire de ce qui a été décrit précédemment, le module de fusion est le lien entre le véhicule équipé du système de détection d'obstacles (ou son système de gestion centrale) et les modules de perception. Comme il sera vu plus bas, le module de fusion gère la priorité de traitement des données relatives aux obstacles supposés présenter les plus grand risques de collision pour le véhicule. Ce module effectue le suivi de ces obstacles, la mise à jour périodique d'une liste d'obstacles supposés présenter les plus grand risques de collision pour le véhicule en recalant les données reçues des capteurs au cours du temps et en tenant compte du déplacement du véhicule. As can be deduced from what has been described above, the fusion module is the link between the vehicle equipped with the obstacle detection system (or its central management system) and the perception modules. As will be seen below, the merger module manages the data processing priority for the obstacles that are supposed to present the greatest risk of collision for the vehicle. This module tracks these obstacles, periodically updating a list of obstacles that are expected to present the greatest risk of collision for the vehicle by recalibrating the data received from the sensors over time and taking into account the displacement of the vehicle. vehicle.
Le moyen 13 d'extraction de caractéristiques permet d'extraire, à partir du signal obtenu du capteur 11, apte à détecter la présence d'un obstacle sur la trajectoire du véhicule et à fournir la position 3D de cet obstacle, des données caractérisant l'obstacle détecté. L'obstacle peut être de toute nature (voiture, mur, piéton....). Seul le ou les obstacles présents dans une zone de focalisation, définie par le moyen de focalisation 12 commandé par le module de fusion, est ou sont considérés. En effet, des données The means 13 for extracting characteristics make it possible to extract, from the signal obtained from the sensor 11, able to detect the presence of an obstacle on the trajectory of the vehicle and to provide the 3D position of this obstacle, data characterizing the obstacle detected. The obstacle can be of any kind (car, wall, pedestrian ....). Only the obstacle or obstacles present in a focusing zone, defined by the focusing means 12 controlled by the fusion module, is or are considered. Indeed, data
MS\REN095FR.dpt MS \ REN095FR.dpt
8 sont transmises du module de fusion au moyen de focalisation pour que celui-ci agisse sur le moyen d'extraction de manière à n'extraire que des données relatives à une zone de focalisation dans laquelle est supposé se trouver l'obstacle considéré. Ces données de focalisation peuvent être établies dans le module de focalisation 4. 8 are transmitted from the fusion module to the focusing means so that it acts on the extraction means so as to extract only data relating to a focusing zone in which is supposed to be the obstacle considered. These focusing data can be established in the focusing module 4.
De nombreuses méthodes d'extraction de caractéristiques d'obstacles sont connues, ces méthodes étant mises en oeuvre notamment en fonction de la technologie des capteurs utilisés. On peut par exemple citer comme publication décrivant une telle méthode, la publication de A. Mendes et U. Numes, intitulée : Situation-based multi-target detection and tracking with laserscanner in outdoor semi-structured environment In Proc. IEEE/RSJ International Conference on Intelligent Robots and Systems 2004. Numerous methods for extracting obstacle characteristics are known, these methods being implemented in particular according to the technology of the sensors used. A publication describing such a method can be cited, for example, the publication by A. Mendes and U. Numes, entitled Situation-based multi-target detection and tracking with laserscanner in outdoor semi-structured environment In Proc. IEEE / RSJ International Conference on Intelligent Robots and Systems 2004.
Une implementation d'une telle méthode sur un signal de données issue d'un lidar permet par exemple d'obtenir des données caractéristiques d'obstacles, dont une représentation est fournie à la figure 3. Le diagramme de cette figure représente en deux dimensions une zone en avant du véhicule dans laquelle des données (représentées par les formes 22) issues du capteur lidar ne seront pas retenues car considérées comme incohérentes et dans laquelle des données (représentées par les formes 21) issues du capteur lidar sont retenues comme étant des données caractéristiques d'obstacles devant le véhicule. Ces données extraites sont donc fournies au moyen de classification des obstacles. An implementation of such a method on a data signal from a lidar makes it possible, for example, to obtain data characteristic of obstacles, a representation of which is given in FIG. 3. The diagram of this figure represents in two dimensions a area in front of the vehicle in which data (represented by the forms 22) from the lidar sensor will not be retained because considered inconsistent and in which data (represented by the forms 21) from the lidar sensor are retained as data obstacle features in front of the vehicle. These extracted data are therefore provided by means of obstacle classification.
Le moyen 14 de classification d'obstacles permet de classifier les obstacles, c'est-à-dire de déterminer la nature des obstacles à partir des données fournies par le moyen d'extraction. Les procédés de classification mis en oeuvre par le moyen de classification peuvent être de natures extrêmement variées. En effet, les informations utiles obtenues du moyen d'extraction extraites des données capteurs le sont aussi. Pour faciliter la MS\REN095FR.dpt fusion des informations fournies au module de fusion, l'invention propose que ces informations soient des vraisemblances, c'est-à-dire une probabilité que l'obstacle soit d'une nature donnée. Ceci facilite la fusion probabiliste qui est par la suite réalisée dans le module de fusion. The obstacle classification means 14 makes it possible to classify the obstacles, that is to say to determine the nature of the obstacles from the data provided by the extraction means. The classification methods implemented by the classification means can be of extremely varied natures. Indeed, the useful information obtained from the extraction means extracted from the sensor data are also useful. In order to facilitate the fusion of the information provided to the fusion module, the invention proposes that this information be likelihoods, that is to say a probability that the obstacle is of a given nature. This facilitates the probabilistic merger that is subsequently performed in the merge module.
On peut donc décrire le moyen de classification comme suit : en entrée, on dispose de la position de l'obstacle à identifier, c'est-à-dire dont on doit reconnaître la nature. Cette position peut donc être projetée dans le repère du capteur compris dans le module de perception considéré. Grâce au procédé de reconnaissance mis en oeuvre dans ce moyen de classification, une information utile est calculée puis est ensuite par exemple convertie en deux vraisemblances : une première vraisemblance notée p(mesurelobstacle) qui est la probabilité de détecter un obstacle sachant qu'il existe un obstacle 15 devant le véhicule, une deuxième vraisemblance notée p(mesurejnon-obstacle) qui est la probabilité de ne pas détecter d'obstacle sachant qu'il n'existe pas d'obstacle devant le véhicule. The means of classification can thus be described as follows: at the entrance, one has the position of the obstacle to be identified, that is to say the nature of which must be recognized. This position can therefore be projected in the reference of the sensor included in the perception module considered. Thanks to the recognition method implemented in this classification means, a useful information is computed and is then for example converted into two likelihoods: a first likelihood noted p (measurelobstacle) which is the probability of detecting an obstacle knowing that there exists an obstacle 15 in front of the vehicle, a second likelihood noted p (non-obstacle measurement) which is the probability of not detecting an obstacle knowing that there is no obstacle in front of the vehicle.
20 La conversion est effectuée en se basant sur des distributions obtenues par apprentissage ou fixées par des heuristiques. Ce sont ces vraisemblances qui, avec les données de position de l'obstacle, se retrouvent en sortie du module de perception et qui sont transmises au module de fusion. 25 Un exemple de procédé d'extraction-classification pouvant être mis en oeuvre dans les moyens d'extraction et de classification est décrit ci-après. The conversion is performed based on distributions obtained by learning or set by heuristics. It is these likelihoods that, together with the position data of the obstacle, are found at the output of the perception module and are transmitted to the fusion module. An exemplary extraction-classification method that can be implemented in the extraction and classification means is described below.
Dans une première étape le moyen de focalisation reçoit des données 30 définissant une zone de focalisation à traiter et dans laquelle doit se trouver un obstacle considéré. MS\REN095FR.dpt Dans une deuxième étape, on extrait des données relatives au signal fourni par le capteur et relatives à cette zone de focalisation. In a first step, the focusing means receives data defining a focusing zone to be processed and in which there must be an obstacle considered. MS \ REN095EN.dpt In a second step, data relating to the signal provided by the sensor and relating to this focusing zone are extracted.
Dans une troisième étape, pour chaque nature d'obstacle pouvant être détectée par le module de perception, on convertit, au niveau du moyen de classification, les données fournies par le moyen d'extraction en des vraisemblances comme décrit plus haut : une première vraisemblance notée p(mesurelnature_obstacle) qui est la probabilité de détecter un obstacle de nature nature obstacle sachant qu'il existe un obstacle de nature nature obstacle devant le véhicule, une deuxième vraisemblance notée p(mesurelnon- nature obstacle) qui est la probabilité de ne pas détecter d'obstacle de nature nature obstacle sachant qu'il n'existe pas d'obstacle de nature nature obstacle devant le véhicule. In a third step, for each type of obstacle that can be detected by the perception module, the data provided by the extraction means are converted, at the level of the classification means, into likelihoods as described above: a first likelihood noted p (obstacle_measurement_scale) which is the probability of detecting an obstacle of nature nature obstacle knowing that there is an obstacle of nature nature obstacle in front of the vehicle, a second likelihood noted p (measurednon-nature obstacle) which is the probability of not detect obstacles of nature nature obstacle knowing that there is no obstacle of nature nature obstacle in front of the vehicle.
Dans une quatrième étape, on envoie toutes ces vraisemblances au module de fusion. In a fourth step, all these likelihoods are sent to the merger module.
Un exemple de résultat de conversion est représenté à la figure 4. Dans cet exemple, les courbes en trait plein représentent en ordonnées les vraisemblances p(mesurelpiéton) et les courbes en trait mixte représentent les vraisemblances p(mesurelnon-piéton). En abscisses, on a, à droite, la vitesse de l'obstacle, au centre, la largeur de l'obstacle et, à gauche, un score de classification issue d'un algorithme de reconnaissance de piéton dans une image selon une méthode décrite par P.Viola et M. Jones dans la publication Rapid object detection using a boosted cascade of simple features In IEEE Conference on Computer Vision and Pattern Recognition 2001, 2001. MS\REN095FR.dpt Comme évoqué précédemment, le module de fusion est le coeur du système de détection d'obstacle. II pilote chacun des modules de perception, coordonne leurs actions, ordonnance les calculs et effectue la synthèse ou la fusion des informations recueillies afin de transmettre les actions adéquates aux interfaces hommes-machines du véhicule. An example of a conversion result is shown in FIG. 4. In this example, the solid line curves represent the p-likelihoods (tan) and the dashed lines represent the p-likelihoods (non-pedestrian). On the abscissa, on the right is the speed of the obstacle, in the center, the width of the obstacle and, on the left, a classification score resulting from a pedestrian recognition algorithm in an image according to a method described by P.Viola and M. Jones in the publication Rapid object detection using a boosted cascade of simple features In IEEE Conference on Computer Vision and Pattern Recognition 2001, 2001. MS \ REN095EN.dpt As mentioned previously, the merge module is the heart the obstacle detection system. He controls each of the perception modules, coordinates their actions, arranges the calculations and synthesizes or merges the collected information in order to transmit the appropriate actions to the vehicle's human-machine interfaces.
Le système comprend aussi notamment dans le module de fusion et/ou dans les modules de perception des moyens matériels et/ou logiciels permettant de régir le procédé de fonctionnement objet de la présente demande. Ces moyens peuvent comprendre des mémoires et des unités de traitement dans lesquelles peuvent être implantés des moyens logiciels comme des programmes informatiques. Notamment, le système de détection d'obstacle selon l'invention comprend un moyen matériel et/ou logiciel de détermination du risque de collision lié à un obstacle, un moyen matériel et/ou logiciel de classement des obstacles en fonction du risque de collision auquel ils sont associés, un moyen matériel et/ou logiciel de sélection des obstacles les plus risqués, des moyens matériels et/ou logiciels de calculs, notamment de calculs de fusion des données fournies par les différents modules de perception, un moyen matériel et/ou logiciel de requête par le module de fusion de données relatives à un obstacle considéré et un moyen matériel et/ou logiciel de transmission au module de fusion de données relatives à un obstacle considéré. The system also includes, in particular, the merger module and / or the perception modules of the hardware and / or software means making it possible to govern the operating method that is the subject of the present application. These means may include memories and processing units in which software means such as computer programs can be implemented. In particular, the obstacle detection system according to the invention comprises a hardware and / or software means for determining the risk of collision due to an obstacle, a hardware and / or software means for classifying the obstacles according to the risk of collision at which they are associated, a hardware and / or software means for selecting the most risky obstacles, hardware and / or software calculation means, in particular data fusion calculations provided by the various perception modules, a material means and / or request software by the data merge module relating to an obstacle considered and a hardware and / or software means for transmitting to the data fusion module relating to an obstacle considered.
Un exemple de procédé de fonctionnement du système de détection selon l'invention est décrit ci-après. Ce fonctionnement est régi par un unique calculateur. Néanmoins, des calculs spécifiques à un module de perception peuvent éventuellement être effectués par des processeurs secondaires dédiés à ces tâches telles que par exemple un traitement d'image ou un clustering de données lidar. An exemplary operating method of the detection system according to the invention is described below. This operation is governed by a single computer. However, calculations specific to a perception module may possibly be performed by secondary processors dedicated to these tasks such as for example image processing or clustering of lidar data.
MS\REN095FR.dpt L'exemple de procédé de fonctionnement utilise les variables internes suivantes : List obstacle : l'ensemble des obstacles actuellement détectés à proximité du véhicule, Obstacle courant : l'obstacle en cours de traitement, date new obs extract data : la date correspondant à la dernière donnée capteur acquise, date_mem_ obs_extract _data: la date correspondant à la dernière donnée capteur traitée, date_new_classification_data_N: la date correspondant à la dernière donnée acquise par le moyen de classification numéro N. MS \ REN095EN.dpt The example of the operating method uses the following internal variables: List obstacle: the set of obstacles currently detected near the vehicle, Current obstacle: the obstacle being processed, date new obs extract data: the date corresponding to the last acquired sensor data, date_mem_ obs_extract _data: the date corresponding to the last sensor data processed, date_new_classification_data_N: the date corresponding to the last data acquired by the classification means number N.
1 Tant que le système est en fonctionnement, on effectue les étapes suivantes : 1.1.On met à jour des informations concernant les obstacles contenus dans List obstacle (on corrige notamment les positions des obstacles suite au mouvement du véhicule...) 1.2. Si date_new_obs_extract_data est plus récente que date mem obs extract data, c'est qu'on dispose d'une nouvelle donnée non encore traitée au niveau du moyen d'extraction. On passe dans ce cas à l'étape 1.2.1. 1.2.1. Le module de fusion émet des données définissant une zone de focalisation au module de perception et plus précisément au moyen de focalisation 13 de ce module. 1.2.2. Le moyen d'extraction d'obstacles traite les données issues du capteur pour extraire les positions des obstacles pertinents. 1.2.3. On met en correspondance de nouveaux obstacles avec les obstacles déjà observés (stockés en mémoire). On définit, en fonction des capacités de mémoire si les nouveaux obstacles sont introduits, maintenus ou retirés de l'ensemble MS\REN095FR.dpt List_obstacle. On met en mémoire les données de cet ensemble. 1.2.4. On calcule le risque de collision entre le véhicule et chacun des obstacles contenu dans l'ensemble List_obstacle. Ce calcul de risque peut par exemple prendre en compte les seules probabilités de collision avec les obstacles. Alternativement, le calcul de risque peut prendre en compte non seulement la probabilité de la collision, mais aussi la dangerosité de la collision au vu de la nature de l'obstacle et/ou de ses dimensions et/ou de sa vitesse. 1.3. Sinon, on passe à l'étape 1.3.1 1.3.1. On hiérarchise les obstacles de l'ensemble List_obstacle en les classant par ordre de risque de collision décroissant. On sélectionne, parmi eux, les plus risqués, c'est-à-dire les premiers de l'ensemble. Le nombre d'obstacles sélectionnés dépend notamment des capacités de calcul du système de détection d'obstacles. On considère un obstacle qui devient l'obstacle courant. 1.3.1.1. On hiérarchise les modules de perception de celui qui a transmis la donnée la plus récente à celui qui a transmis la donnée la plus ancienne. On considère un module de perception qui devient le module de perception courant. 1.3.1.1.1. Si une donnée de ce module de perception n'a pas été utilisée pour classifier l'obstacle courant : 1.3.1.1.1.1. Le module de fusion envoie au module de perception courant des données définissant une zone de focalisation dans laquelle est sensé se trouver l'obstacle courant. 1.3.1.1.1.2. Le module de perception fournit en retour au module de fusion les vraisemblances MS\REN095FR.dpt correspondant à l'obstacle courant pour chacune des natures d'obstacles recherchées. 1.3.1.1.1.3. La nature de l'obstacle courant est ensuite mise à jour, par exemple en appliquant la règle de Bayes (qui est décrite en détail plus bas). 1.3.1.1.1.4. On stocke en mémoire le fait que les données ont été utilisées pour estimer la nature de l'obstacle courant. 1.3.1.1.1.5. On passe à l'étape 1.4 1.3.1.1.2. Sinon on considère le module de perception suivant et on boucle sur l'étape 1.3.1.1. 1.3.1.2. On considère l'obstacle suivant dans l'ensemble List_obstacle à l'étape 1.3.1 15 1.4.On transfère des informations, notamment la nature des obstacles, au système de gestion centrale du véhicule qui gère les interfaces homme-machine du véhicule. 1.5.On retourne à l'étape 1. 1 As long as the system is in operation, the following steps are carried out: 1.1.Information is updated on the obstacles contained in the List obstacle (in particular, the positions of the obstacles following the movement of the vehicle are corrected) 1.2. If date_new_obs_extract_data is newer than date mem obs extract data, it means that new data is available that has not yet been processed by the extraction method. In this case, go to step 1.2.1. 1.2.1. The fusion module transmits data defining a focus area to the perception module and more specifically to the focusing means 13 of this module. 1.2.2. The obstacle extraction means processes the data from the sensor to extract the positions of the relevant obstacles. 1.2.3. New obstacles are matched with the obstacles already observed (stored in memory). Depending on the memory capacity, the new obstacles are introduced, maintained or removed from the set MS \ REN095FR.dpt List_obstacle. We put in memory the data of this set. 1.2.4. The risk of collision between the vehicle and each of the obstacles contained in the List_obstacle set is calculated. This risk calculation can for example take into account the only probabilities of collision with obstacles. Alternatively, the risk calculation can take into account not only the probability of the collision, but also the danger of the collision given the nature of the obstacle and / or its dimensions and / or its speed. 1.3. Otherwise, proceed to step 1.3.1 1.3.1. Obstacles in the List_obstacle set are prioritized by ranking them in descending collision risk order. We select, among them, the riskiest, that is to say the first of all. The number of obstacles selected depends in particular on the calculation capabilities of the obstacle detection system. An obstacle is considered as the current obstacle. 1.3.1.1. We hierarchize the modules of perception of the one who transmitted the most recent data to the one who transmitted the oldest data. We consider a perception module that becomes the current perception module. 1.3.1.1.1. If a data from this perception module has not been used to classify the current obstacle: 1.3.1.1.1.1. The fusion module sends to the current perception module data defining a focusing zone in which the current obstacle is to be found. 1.3.1.1.1.2. The perception module provides in return to the fusion module the likelihoods MS \ REN095FR.dpt corresponding to the current obstacle for each of the types of obstacles sought. 1.3.1.1.1.3. The nature of the current obstacle is then updated, for example by applying the Bayes rule (which is described in detail below). 1.3.1.1.1.4. It is stored in memory that the data were used to estimate the nature of the current obstacle. 1.3.1.1.1.5. Go to step 1.4 1.3.1.1.2. Otherwise we consider the next perception module and we loop on step 1.3.1.1. 1.3.1.2. The following obstacle is considered in the set List_obstacle in step 1.3.1. 1.4.Transfer information, including the nature of the obstacles, to the central management system of the vehicle that manages the man-machine interfaces of the vehicle. 1.5.Go back to step 1.
20 Avantageusement, l'étape de sélection d'un nombre d'obstacles détectés dont il faut traiter les données en priorité peut interrompre le procédé pour relancer une étape de hiérarchisation des risques associés aux obstacles détectés, de sorte que le nombre de d'obstacles traité soit ajusté automatiquement en fonction de la puissance de calcul instantanée 25 disponible. Notamment, l'interruption peut avoir lieu lors de l'arrivée de chaque nouvel obstacle détecté. Advantageously, the step of selecting a number of detected obstacles whose data must be processed first can interrupt the process to restart a step of prioritizing the risks associated with the detected obstacles, so that the number of obstacles processed is automatically adjusted based on the instantaneous computing power available. In particular, the interruption can take place at the arrival of each new obstacle detected.
On décrit ci-dessous, un exemple de traitement (basé sur les équations de Bayes) utilisé pour déterminer la nature d'un obstacle. II est à noter que 30 cette formalisation suppose l'indépendance des données. Néanmoins, des MS\REN095FR.dpt 10 formalisations incorporant la prise en compte de données corrélées peuvent également être employées. A un instant donné, un obstacle est caractérisé par toutes les caractéristiques permettant d'estimer sa probabilité d'être ou non d'une nature testée telle que par exemple : véhicule, piéton, animal. Toutes ces caractéristiques ont été converties en probabilités et sont manipulées sous cette forme dans le module de fusion. An example of treatment (based on Bayes equations) used to determine the nature of an obstacle is described below. It should be noted that this formalization assumes the independence of the data. Nevertheless, formalizations incorporating the consideration of correlated data can also be employed. At a given moment, an obstacle is characterized by all the characteristics making it possible to estimate its probability of being or not of a tested nature such as for example: vehicle, pedestrian, animal. All these characteristics have been converted into probabilities and are handled in this form in the merge module.
Pour chaque obstacle, en considérant n itérations de fonctionnement des moyens d'extraction et de classification du module de perception et m natures possibles de l'obstacle, les informations suivantes sont disponibles : { p(itérationi (nature .) } 1..m { p(itérationi +non nature .) } i=1..n&j=l..m c'est-à-dire l'ensemble des probabilités qu'avec les informations obtenues à l'itération i, on conclut à l'existence de l'obstacle de nature j sachant que l'obstacle de nature j existe à proximité du véhicule et l'ensemble des probabilités qu'avec les informations obtenues à l'itération i, on conclut à 20 l'absence d'obstacle de nature j sachant qu'il n'y a pas d'obstacle de nature j à proximité du véhicule. Pour chacune des natures d'obstacles possibles, on calcule p(Zlnature) la probabilité de détecter l'ensemble des caractéristiques Z observées pour 25 l'obstacle de type nature sachant que l'obstacle est de type nature. On suppose que les mesures sont conditionnellement indépendantes, donc : MS\REN095FR.dpt15 p(Znature) = flp(mesureilnature.) i=1..n = p(Zlnature) xp(nature) + p(Zlnon_nature) xp(non_nature) On en deduit For each obstacle, considering n iterations of operation of the means of extraction and classification of the module of perception and possible natures of the obstacle, the following information is available: {p (iterationi (nature.)} 1..m {p (iterationi + non nature)} i = 1..n & j = l..m ie the set of probabilities with the information obtained at iteration i, we conclude at existence of the obstacle of nature knowing that the obstacle of nature j exists near the vehicle and the set of probabilities that with the information obtained at the iteration i, it is concluded that there is no obstacle of nature j knowing that there is no obstacle of nature j close to the vehicle For each of the possible types of obstacle, the probability of detecting all the characteristics Z observed for 25 is calculated p (Znature). the nature-type obstacle knowing that the obstacle is of nature type It is assumed that the measurements are conditional Therefore: MS \ REN095EN.dpt15 p (Znature) = flp (measurenature.) i = 1..n = p (Znature) xp (nature) + p (Znnon_nature) xp (non_nature) We deduce
p(nature Z) = R x p(Z nature) x p(nature) avec p (nature Z) = R x p (Z nature) x p (nature) with
p(naturelZ) + (non_naturegZ) = 1 [3 étant un facteur de normalisation. Un exemple de résultat de fusion est représenté à la figure 5. Le quatrième graphique représente, en trait plein, le résultat d'une fusion (basée sur les équations de Bayes) à partir de données d'un premier module de perception (de type lidar) en trait mixte et de données d'un deuxième module de perception (de type caméra) en trait plein avec un motif de cercle se répétant. En abscisses, on retrouve les numéros des jeux de données utilisées pour aboutir à ce résultat de fusion. Le premier graphique représente une estimation au niveau du module de fusion de la dimension de l'obstacle suivi. Le deuxième graphique représente une estimation au niveau du module de fusion de la vitesse de l'obstacle suivi. Le troisième graphique représente un score permettant de déterminer la nature de l'obstacle. p (naturalZ) + (non_naturegZ) = 1 [3 being a normalization factor. An example of a merge result is shown in FIG. 5. The fourth graph represents, in full line, the result of a merger (based on the Bayes equations) from data of a first perception module (of type lidar) in mixed lines and data of a second module of perception (of camera type) in full line with a repeating circle pattern. On the abscissa, we find the numbers of the datasets used to arrive at this fusion result. The first graph represents an estimate at the level of the merge module of the dimension of the obstacle followed. The second graph represents an estimate at the merge module of the speed of the obstacle followed. The third graph represents a score to determine the nature of the obstacle.
Une fois la nature d'un obstacle estimée, le système de détection d'obstacle (et plus précisément le module de fusion) transmet cette nature au système de gestion centrale du véhicule commandant notamment les interfaces homme-machine du véhicule. Suite à cette transmission, des actions adéquates et fonction de cette nature sont exécutées. Ces actions peuvent notamment comprendre une émission d'un signal de danger MS\REN095FR.dpt depuis une interface homme-machine du véhicule et/ou une action automatique de freinage, par exemple de freinage d'urgence. Once the nature of an obstacle has been estimated, the obstacle detection system (and more precisely the fusion module) transmits this nature to the central management system of the vehicle controlling in particular the human-machine interfaces of the vehicle. Following this transmission, adequate actions and functions of this nature are performed. These actions may include a transmission of a danger signal MS \ REN095FR.dpt from a human-machine interface of the vehicle and / or an automatic braking action, for example emergency braking.
Dans une variante du procédé de fonctionnenment selon l'invention, le module de fusion pilotant les modules de perception peut choisir de recevoir des données de tel ou tel module de perception de façon à augmenter la rapidité de détermination de la nature de l'obstacle. En effet, on peut imaginer que, sous certaines conditions, des données issues de certains modules de perception soient peu intéressantes. Dans ce cas, le module de fusion ne requiert pas de données de leur part. II peut donc requérir plus fréquemment des informations des autres modules de perception. C'est notamment le cas d'un module de perception utilisant une caméra, en présence de brouillard. Le pilotage des modules de perception peuvent être asynchrones contrairement à ce qui est connu des systèmes de l'art antérieur. In a variant of the operating method according to the invention, the fusion module driving the perception modules can choose to receive data from such or such perception module so as to increase the speed of determination of the nature of the obstacle. Indeed, one can imagine that, under certain conditions, data from certain perception modules are not very interesting. In this case, the merge module does not require data from them. It may therefore require information from other perception modules more frequently. This is particularly the case of a perception module using a camera, in the presence of fog. The control of the perception modules can be asynchronous contrary to what is known from the systems of the prior art.
Le procédé de fonctionnement selon l'invention confère au système de détection d'obstacles des avantages importants par rapport aux systèmes de détection d'obstacles connus de l'art antérieur : II permet, à capacité de calcul égale, de fortement diminuer la latence du système soit le temps d'identification du ou des obstacles les plus risqués. Si l'on considère l'obstacle présentant le plus grand danger il est systématiquement traité en premier lorsqu'une nouvelle donnée parvient au système. Ainsi, la latence concernant la prise en compte des nouvelles informations pour l'obstacle le plus risqué est réduit au temps d'exécution du procédé de classification associé à la nouvelle donnée (ce temps pouvant être variable en fonction du moyen de classification considéré). Du fait de son architecture algorithmique, le système de détection d'obstacles s'adapte sans intervention particulière à la capacité de calcul disponible. En effet, les obstacles sont traités du plus risqué MS\REN095FR.dpt au moins risqué et, l'arrivée d'une nouvelle donnée relance le traitement sur le plus risqué (tant que sa nature n'est pas déterminée de façon certaine ou avec une probabilité suffisante). Par conséquent, une réduction de la capacité de calcul disponible (c'est-à-dire un allongement des durées de calculs) se traduit par une réduction du nombre d'obstacles sélectionnés (pour détermination de leur nature) dans l'intervalle de temps séparant l'arrivée de deux données. De plus, l'avantage garantit qu'au pire, si la puissance de calcul permet uniquement de traiter un seul obstacle alors ce sera le plus risqué qui sera traité. The operating method according to the invention gives the obstacle detection system significant advantages over the obstacle detection systems known from the prior art: it allows, with equal computation capacity, to greatly reduce the latency of the system is the time of identification of the riskiest obstacle or obstacles. When considering the most dangerous obstacle, it is systematically treated first when new data reaches the system. Thus, the latency relating to the taking into account of new information for the most risky obstacle is reduced to the execution time of the classification method associated with the new data item (this time being variable depending on the classification means considered). Because of its algorithmic architecture, the obstacle detection system adapts without particular intervention to the available computing capacity. Indeed, the obstacles are treated of the riskiest MS \ REN095FR.dpt at least risky and, the arrival of a new datum relaunches the treatment on the most risky (as long as its nature is not determined with certainty or with a sufficient probability). As a result, a reduction in the available computing capacity (ie longer calculation times) results in a reduction in the number of selected obstacles (for determining their nature) in the time interval. separating the arrival of two data. In addition, the advantage ensures that at worst, if the computing power only allows to treat a single obstacle then it will be the most risky that will be treated.
Indépendamment du procédé de fonctionnement du système de détection, il est prévu sur le système de détection de pouvoir ajouter ou retirer très simplement de nouveaux modules de perception. Ceci est permis grâce à une standardisation des échanges de données entre le module de fusion et les modules de perception. La nature des informations étant standard, il est très facile d'intégrer un nouveau module de perception. En effet, le nouveau module traite localement les informations extraites du ou des capteurs et les transforme en vraisemblances. Ces vraisemblances sont ensuite fusionnées, par exemple en utilisant la formule de Bayes, au niveau du module de fusion. On note que les règles de priorité s'appliquent de la même façon quel que soient le nombre de modules connectées. Les données de focalisation transmises par le module de fusion aux modules de perception sont de même standardisées. Ces ajouts ou retraits peuvent se faire sans modification de l'architecture du système de détection d'obstacle. Avantageusement, le procédé de fonctionnement selon l'invention peut être mis en oeuvre dans un système de détection d'obstacles présentant des entrées/sorties standardisées entre un module de fusion et des modules de perception. Regardless of the operating method of the detection system, it is provided on the detection system to be able to add or remove very simply new perception modules. This is allowed thanks to a standardization of the data exchanges between the fusion module and the perception modules. The nature of the information being standard, it is very easy to integrate a new perception module. Indeed, the new module locally processes the information extracted from the sensor or sensors and converts them into likelihoods. These likelihoods are then merged, for example using the Bayes formula, at the merge module. Note that the priority rules apply in the same way regardless of the number of modules connected. The focusing data transmitted by the fusion module to the perception modules are likewise standardized. These additions or withdrawals can be made without modification of the architecture of the obstacle detection system. Advantageously, the operating method according to the invention can be implemented in an obstacle detection system having standardized inputs / outputs between a fusion module and perception modules.
MS\REN095FR.dpt Le procédé de fonctionnement et le système de détection d'obstacles selon l'invention ont été décrits ci-dessus appliqués à leur utilisation sur un véhicule automobile. Néanmoins, il est clair que le procédé de fonctionnement et le système de détection d'obstacles selon l'invention peuvent être utilisés dans toute autre application. MS\REN095FR.dpt MS \ REN095EN.dpt The operating method and the obstacle detection system according to the invention have been described above applied to their use on a motor vehicle. Nevertheless, it is clear that the operating method and the obstacle detection system according to the invention can be used in any other application. MS \ REN095FR.dpt
Claims (10)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR0803585A FR2933221B1 (en) | 2008-06-26 | 2008-06-26 | METHOD FOR OPERATING AN OBSTACLE DETECTION SYSTEM FOR ONBOARDING ON A MOTOR VEHICLE |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR0803585A FR2933221B1 (en) | 2008-06-26 | 2008-06-26 | METHOD FOR OPERATING AN OBSTACLE DETECTION SYSTEM FOR ONBOARDING ON A MOTOR VEHICLE |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| FR2933221A1 true FR2933221A1 (en) | 2010-01-01 |
| FR2933221B1 FR2933221B1 (en) | 2013-04-05 |
Family
ID=40445731
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR0803585A Expired - Fee Related FR2933221B1 (en) | 2008-06-26 | 2008-06-26 | METHOD FOR OPERATING AN OBSTACLE DETECTION SYSTEM FOR ONBOARDING ON A MOTOR VEHICLE |
Country Status (1)
| Country | Link |
|---|---|
| FR (1) | FR2933221B1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113895459A (en) * | 2021-11-11 | 2022-01-07 | 北京经纬恒润科技股份有限公司 | Method and system for screening obstacles |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003008995A1 (en) * | 2001-07-17 | 2003-01-30 | Robert Bosch Gmbh | Method and device for data exchange and processing |
| EP1361118A2 (en) * | 2002-05-10 | 2003-11-12 | Hitachi, Ltd. | Apparatus for controlling vehicle |
| WO2005038743A1 (en) * | 2003-10-16 | 2005-04-28 | Bayerische Motoren Werke Aktiengesellschaft | Method and device for visualising the surroundings of a vehicle |
| US20060119473A1 (en) * | 1998-08-06 | 2006-06-08 | Altra Technologies Incorporated | System and method of avoiding collisions |
| EP1739453A2 (en) * | 1998-04-23 | 2007-01-03 | Volkswagen Aktiengesellschaft | Device for detecting objects for vehicles |
-
2008
- 2008-06-26 FR FR0803585A patent/FR2933221B1/en not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1739453A2 (en) * | 1998-04-23 | 2007-01-03 | Volkswagen Aktiengesellschaft | Device for detecting objects for vehicles |
| US20060119473A1 (en) * | 1998-08-06 | 2006-06-08 | Altra Technologies Incorporated | System and method of avoiding collisions |
| WO2003008995A1 (en) * | 2001-07-17 | 2003-01-30 | Robert Bosch Gmbh | Method and device for data exchange and processing |
| EP1361118A2 (en) * | 2002-05-10 | 2003-11-12 | Hitachi, Ltd. | Apparatus for controlling vehicle |
| WO2005038743A1 (en) * | 2003-10-16 | 2005-04-28 | Bayerische Motoren Werke Aktiengesellschaft | Method and device for visualising the surroundings of a vehicle |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113895459A (en) * | 2021-11-11 | 2022-01-07 | 北京经纬恒润科技股份有限公司 | Method and system for screening obstacles |
Also Published As
| Publication number | Publication date |
|---|---|
| FR2933221B1 (en) | 2013-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3137355B1 (en) | Device for designating objects to a navigation module of a vehicle equipped with said device | |
| US20200012865A1 (en) | Adapting to appearance variations when tracking a target object in video sequence | |
| EP2642464B1 (en) | Method for determining information | |
| CN109389766A (en) | User's identifying system and method for autonomous vehicle | |
| US11430224B2 (en) | Systems and methods for camera-LiDAR fused object detection with segment filtering | |
| JP2018520404A (en) | Filter singularity as a training criterion for neural networks | |
| WO2018224878A1 (en) | Method and system for object centric stereo via cross modality validation in autonomous driving vehicles | |
| US20220126873A1 (en) | Systems and methods for camera-lidar fused object detection with segment merging | |
| US20220128701A1 (en) | Systems and methods for camera-lidar fused object detection with lidar-to-image detection matching | |
| WO2018007725A1 (en) | Autonomous driving method for vehicle | |
| FR2962834A1 (en) | METHOD OF DETECTING A TARGET IN STEREOSCOPIC IMAGES BY LEARNING AND STATISTICAL CLASSIFICATION FROM A LAW OF PROBABILITY. | |
| WO2019008581A1 (en) | Driving policies determination | |
| WO2021241260A1 (en) | Information processing device, information processing method, information processing system, and program | |
| WO2022086739A2 (en) | Systems and methods for camera-lidar fused object detection | |
| FR2933221A1 (en) | Obstacle e.g. wall, detection system operating method for motor vehicle, involves processing data relative to obstacles susceptible to be at risk, in priority and controlling acquisition of data at frequency based on risk | |
| WO2017051120A1 (en) | Driving assistance device for estimating the danger of a situation | |
| EP3836014A1 (en) | Method of tracking an element, associated electronic device and computer program product | |
| US20220245387A1 (en) | End-to-end monocular 2d semantic keypoint detector and tracker learning | |
| FR3092545A1 (en) | ASSISTANCE IN DRIVING A VEHICLE, BY DETERMINING THE TRAFFIC LANE IN WHICH AN OBJECT IS LOCATED | |
| WO2011089517A1 (en) | Method and device for facial recognition under variable pose conditions | |
| JP2023547791A (en) | Object classification and related applications based on frame and event camera processing | |
| US20230054440A1 (en) | System and Method for Hybrid LiDAR Segmentation with Outlier Detection | |
| FR3097674A1 (en) | Vehicle equipped with an emergency vehicle detection system. | |
| CN112633214B (en) | Vehicle identification method and device | |
| EP3880516A1 (en) | Method for sending information to an individual located in the environment of a vehicle |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 8 |
|
| PLFP | Fee payment |
Year of fee payment: 9 |
|
| PLFP | Fee payment |
Year of fee payment: 10 |
|
| PLFP | Fee payment |
Year of fee payment: 11 |
|
| PLFP | Fee payment |
Year of fee payment: 13 |
|
| PLFP | Fee payment |
Year of fee payment: 14 |
|
| ST | Notification of lapse |
Effective date: 20230205 |