FR2988191B1 - Procede de filtrage et dispositif de filtre pour des donnees de capteur - Google Patents

Procede de filtrage et dispositif de filtre pour des donnees de capteur Download PDF

Info

Publication number
FR2988191B1
FR2988191B1 FR1352180A FR1352180A FR2988191B1 FR 2988191 B1 FR2988191 B1 FR 2988191B1 FR 1352180 A FR1352180 A FR 1352180A FR 1352180 A FR1352180 A FR 1352180A FR 2988191 B1 FR2988191 B1 FR 2988191B1
Authority
FR
France
Prior art keywords
kalman
value
parameter
framing
sensor data
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.)
Expired - Fee Related
Application number
FR1352180A
Other languages
English (en)
Other versions
FR2988191A1 (fr
Inventor
Daniel WITHOPF
Susanne Stierlin
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Robert Bosch GmbH filed Critical Robert Bosch GmbH
Publication of FR2988191A1 publication Critical patent/FR2988191A1/fr
Application granted granted Critical
Publication of FR2988191B1 publication Critical patent/FR2988191B1/fr
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/50—Systems of measurement based on relative movement of target
    • G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
    • G01S13/588—Velocity or trajectory determination systems; Sense-of-movement determination systems deriving the velocity value from the range measurement
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/40—Means for monitoring or calibrating
    • G01S7/4004—Means for monitoring or calibrating of parts of a radar system
    • G01S7/4021—Means for monitoring or calibrating of parts of a radar system of receivers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
    • B60W2050/0052—Filtering, filters
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
    • G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/9318—Controlling the steering
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/93185—Controlling the brakes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/9321—Velocity regulation, e.g. cruise control
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/497—Means for monitoring or calibrating

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Electromagnetism (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)

Abstract

Procédé de filtrage de données de capteur formées (101) par un système de capteurs (303) pour des objets détectés et comprenant les étapes suivantes : mesurer (103) une valeur de cadrage (s ) à partir des données de capteur, la valeur de cadrage (s ) correspondant à une variation de grandeur d'un objet fournie par les données de capteur dans un intervalle de temps (Deltat ), déterminer (105) un paramètre d'erreur de mesure (sigma ) de la valeur de cadrage (s ), et effectuer (107) un filtrage de Kalman fondé directement sur la valeur de cadrage mesurée (s ), l'intervalle de temps (Deltat ) et le paramètre d'erreur de mesure (sigma ) pour évaluer au moins un paramètre de mouvement normalisé (v , a ) de l'objet par rapport au système de capteurs (303). L'invention se rapporte également à un dispositif de filtre (201), à un système d'assistance de conduite (301) et à un programme d'ordinateur.

Description

Domaine de l’invention
La présente invention se rapporte à un procédé de filtrage de données de capteur fournies par un système de capteurs détectant des objets ainsi qu’un dispositif de filtre pour l’application de ce procédé et un système d’assistance de conduite utilisant ce procédé et un programme d’ordinateur.
Etat de la technique
Les systèmes de régulation de vitesse en fonction de la distance et les systèmes d’avertissement de collision équipant les véhicules comme systèmes d’assistance de conduite sont connus en tant que tels. En général, de tels systèmes ont un capteur radar qui mesure la distance par rapport à un véhicule en amont. En variante, ces fonctions peuvent également être réalisées à partir de données d’image fournies par un capteur vidéo. En fonction des données de capteur mesurées, le système régule alors la distance ou avertit de l’imminence d’une collision.
En général, il est nécessaire que les données de capteur soient préparées ou travaillées pour être ensuite utilisées et par exemple permettre d’avoir des informations fiables concernant l’instant de la collision.
But de l’invention
La présente invention a pour but de développer un procédé de filtrage perfectionné de données de capteur permettant un calcul efficace et fiable de l’instant d’une collision. L’invention a également pour but de développer un dispositif de filtre correspondant, applicable à des données de capteur ainsi qu’un système d’assistance de conduite de véhicule équipé de la sorte et enfin un programme d’ordinateur pour appliquer ce procédé.
Exposé et avantages de l’invention A cet effet, l’invention a pour objet un procédé de filtrage de données de capteur formées par un système de capteurs pour des objets détectés et comprenant les étapes suivantes : mesurer une valeur de cadrage à partir des données de capteur, la valeur de cadrage correspondant à une variation de grandeur d’un objet, fournie par les données de capteur dans un intervalle de temps, déterminer un paramètre d’erreur de mesure de la valeur de cadrage, et effectuer un filtrage de Kalman fondé directement sur la valeur de cadrage mesurée, l’intervalle de temps et le paramètre d’erreur de mesure pour évaluer au moins un paramètre de mouvement normalisé de l’objet par rapport au système de capteurs.
Ainsi on applique des données de capteur à un procédé de filtrage. Les données de capteur sont fournies par un système de capteurs détectant des objets. Le procédé de filtrage comprend la mesure d’une valeur de cadrage, notamment de plusieurs valeurs de cadrage à partir des données de capteur et cette valeur de cadrage correspond à une variation de grandeur d’un objet à partir des données de capteur sur un intervalle de temps. On détermine en outre un paramètre d’erreur de mesure de la valeur de cadrage. Puis on effectue un filtrage de Kalman fondé directement sur la valeur de cadrage mesurée, de préférence fondée sur les valeurs de cadrage mesurées, sur l’intervalle de temps et sur le paramètre d’erreur de mesure pour mesurer au moins un paramètre de mouvement normalisé, de préférence une vitesse relative normalisée de l’objet par rapport au système de capteurs.
Selon un autre développement, l’invention a pour objet un dispositif de filtre pour des données de capteur formées par un système de capteurs détectant des objets. Le dispositif de filtre comprend une installation de mesure pour mesurer une valeur de cadrage à partir des données de capteur, cette valeur de cadrage correspondant à une variation de grandeur d’un objet à partir des données de capteur sur un intervalle de temps. En outre, il est prévu une installation de détermination pour déterminer un paramètre d’erreur de mesure de la valeur de cadrage. Le dispositif de filtre comporte en outre un filtre de Kalman, notamment plusieurs filtres de Kalman pour appliquer un filtrage de Kalman fondé directement sur la valeur de cadrage mesurée, sur l’intervalle de temps et sur le paramètre d’erreur de mesure et évaluer au moins un paramètre de mouvement normalisé de l’objet par rapport au système de capteurs.
Selon un autre développement, l’invention a pour objet un système d’assistance de conduite d’un véhicule qui comporte le dispositif de filtre et le système de capteurs pour la saisie d’objets.
Selon un autre développement, l’invention a pour objet un programme d’ordinateur avec un code programme pour la mise en œuvre du procédé de filtrage de données de capteur lorsque le programme est appliqué par un ordinateur. L’invention repose ainsi notamment sur l’idée d’effectuer un filtrage de Kalman fondé directement sur la valeur de cadrage mesurée, sur l’intervalle de temps et sur le paramètre d’erreur de mesure. L’expression « directement » au sens de la présente invention signifie notamment que la valeur de cadrage mesurée, l’intervalle de temps et le paramètre d’erreur de mesure sont utilisés directement pour le filtrage de Kalman ou sont fournis directement au filtre de Kalman ou lui sont transférés. Il n’est pas prévu d’éventuelles étapes intermédiaires. Cela signifie notamment que les valeurs évoquées ci-dessus ne sont pas classées ni traitées préalablement pour former une valeur intermédiaire qui sera ensuite fournie au filtre de Kalman pour que celui-ci effectue un filtrage de Kalman fondé sur cette valeur intermédiaire. Cela signifie notamment que par intervalle de temps, il suffît de mesurer avantageusement uniquement une valeur de cadrage pour évaluer le paramètre de mouvement normalisé à l’aide du filtrage de Kalman. Dans les procédés connus jusqu’alors, il n’était pas nécessaire de mesurer un ensemble de valeurs de cadrage qui aurait été ensuite traitées par exemple à l’aide d’un évaluateur de probabilité maximale fournissant les valeurs ou les données ainsi traitées à un filtre de Kalman. Comme l’évaluateur de probabilité maximale dans cette étape de prétraitement utilise un grand nombre, en général plus de 10 et notamment plus de 20 valeurs de cadrage, les étapes de calcul correspondantes sont longues et demandent beaucoup de calculs. De tels procédés connus ne conviennent pas en particulier pour une utilisation en temps réel. L’invention remédie avantageusement aux inconvénients cités ci-dessus car grâce à des besoins en calcul considérablement ré duits, elle permet avantageusement une utilisation en temps réel. La mémoire nécessaire ainsi que le temps d’initialisation nécessaire sont avantageusement inférieurs, ce qui est nécessaire dans l’état de la technique car en particulier, on ne détermine pas d’historique long des données et des résultats intermédiaires qu’il convient par ailleurs de mémoriser.
En fonction d’au moins un paramètre de mouvement normalisé, il est possible notamment de façon avantageuse de calculer un temps de collision entre le système de capteur et l’objet. Cela signifie notamment qu’un système d’assistance de conduite selon l’invention pourra avertir de manière sure d’une collision prévisible et/ou d’intervenir de manière autonome sur le fonctionnement du véhicule pour éviter la collision ou diminuer sa gravité.
Dans le sens de l’invention exposé ci-dessus, un filtre de Kalman, notamment un sous-filtre de Kalman est un filtre qui effectue un filtrage de Kalman étendu. L’expression « filtrage de Kalman » au sens de la présente invention signifie un filtrage de Kalman étendu avec un modèle de système non linéaire.
Si plusieurs filtres de Kalman sont combinés les uns aux autres, les filtres sont habituellement appelés sous-filtres ou encore sous-filtres de Kalman.
Selon un développement, le filtrage de Kalman permet d’évaluer plusieurs paramètres de mouvement normalisés. De façon préférentielle, on évalue deux paramètres de mouvement normalisés. Par les valeurs évaluées de plusieurs paramètres de mouvement normalisés, on augmente avantageusement la précision des valeurs déduites des paramètres de mouvement normalisés, c'est-à-dire calculées en fonction de ceux-ci.
Selon un développement, le paramètre de mouvement normalisé est une vitesse relative normalisée de l’objet par rapport au système de capteurs. Une telle vitesse relative normalisée sera appelée ci-après vnorm. On peut ainsi par exemple la définir comme suit :
Dans cette formule, d représente la distance entre le système de capteurs et l’objet ; vrei est la vitesse relative entre le système de capteurs et l’objet.
Selon un autre développement, en plus d’un autre paramètre de mouvement normalisé, on utilise par exemple l’accélération relative normalisée. Une telle accélération relative normalisée sera appelée ci-après anorm. Ce paramètre se définit avantageusement comme suit :
Dans cette formule d, la distance entre le système de capteurs et l’objet ; arei est l’accélération relative du système de capteurs par rapport à l’objet.
Ainsi, l’intervalle de temps At représente la valeur de cadrage entre deux instants t et t’ pour la distance At de sorte que cette valeur peut se définir notamment comme suit :
Dans cette formule, s est la valeur de cadrage, w est une largeur bidimensionnelle de l’objet dans l’image correspondant ainsi aux données de capteur ; d désigne une distance tridimensionnelle entre le système de capteurs et l’objet.
Selon un autre développement, le paramètre d’erreur de mesure est l’écart standard σ du bruit de mesure normalement réparti de la valeur de cadrage. Cela signifie notamment que le paramètre d’erreur de mesure correspond à un écart standard de l’erreur de mesure prévisible de la valeur de cadrage.
Selon un autre développement, le système de capteurs comporte un ou plusieurs capteurs pour détecter des objets. En fonction des données de capteur fournies par les capteurs, on calcule ensuite de préférence les valeurs de cadrage. Les capteurs sont de préférence identiques ou différents. En particulier, un capteur peut être un capteur vidéo. Un système de capteurs correspondant forme alors avantageusement des données d’image vidéo. De façon préférentielle, le
système de capteurs est un capteur mono et/ou stéréo avec des capteurs vidéo appropriés. De façon préférentielle, le capteur est un capteur radar. Notamment, le capteur peut être un capteur Lidar. Par exemple le capteur peut être un capteur infrarouge.
Selon un autre développement, le filtrage de Kalman est effectué par plusieurs filtres de Kalman différents utilisant chaque fois directement la valeur de cadrage mesurée, l’intervalle de temps et le paramètre d’erreur de mesure pour évaluer respectivement au moins un sous-paramètre de mouvement normalisé de l’objet par rapport au système de capteurs, les différents filtrages de Kalman étant fondés sur des modèles de mouvement différents. Les indications données en liaison avec le paramètre de mouvement s’appliquent de façon analogue à un sous-paramètre de mouvement normalisé. Cela signifie notamment que le filtre de Kalman comporte plusieurs sous-filtres de Kalman encore appelés simplement sous-filtres et qui coopèrent ou sont combinés, les sous-filtres de Kalman étant réalisés pour effectuer les étapes décrites ci-dessus.
De façon préférentielle, les différents filtres de Kalman sont combinés. On peut pour cela utiliser de préférence le procédé IMM connu du spécialiste. IMM désigne le « modèle multiple interactif ». Le procédé IMM définit l’interaction entre plusieurs filtres de Kalman traitant des données de mesure en parallèle.
Grâce à un tel ensemble de sous-filtres de Kalman ou encore de la mise en œuvre de plusieurs filtrages de Kalman différents fondés chaque fois sur des modèles de mouvement différents, on peut intervenir avantageusement dans différentes situations possibles, ce qui se traduit avantageusement par une adaptation souple à toute situation concrète.
Selon un autre développement, en fonction des paramètres de mouvement normalisés, on calcule un instant de collision. L’instant ou moment de collision est le temps résiduel jusqu’à la collision prévisible. Le temps de collision calculé est ensuite avantageusement disponible pour une décision, par exemple pour émettre un avertissement à destination du conducteur et/ou intervenir de façon autonome dans la gestion du véhicule par le système d’assistance de conduite.
Selon un autre développement, pour chaque filtre de Kalman utilisé, notamment pour chaque sous-filtre, on calcule une valeur de probabilité concernant la concordance entre le modèle de mouvement correspondant et les données de capteur mesurées, le sous-paramètre de mouvement normalisé du filtrage de Kalman formant avec la plus grande probabilité, un vecteur d’état combiné. Cela signifie notamment qu’il est prévu une installation de calcul de probabilité pour effectuer les étapes ci-dessus.
Comme ainsi le sous-filtre de Kalman le plus probable définit le paramètre de mouvement normalisé, on pourra avantageusement assurer que pour d’autres étapes ou interventions correspondantes dans la gestion du véhicule, les paramètres qui interviennent dans de telles décisions sont ceux qui copient le mieux la réalité. Cela permet un calcul particulièrement fiable du moment de la collision.
Selon un développement, le modèle de mouvement repose sur l’hypothèse que l’objet se déplace avec une vitesse relative constante par rapport au système de capteurs. Un tel modèle de mouvement sera appelé ci-après en abrégé « ConstV ».
Selon un autre développement, le modèle de mouvement est fondé sur l’hypothèse que l’objet se déplace à accélération constante par rapport au système de capteurs. Ce modèle de mouvement sera désigné ci-après en abrégé « ConstA ».
On peut en outre utiliser un modèle de mouvement fondé sur l’hypothèse d’une distance constante entre l’objet et le système de capteurs. Ce modèle de mouvement sera désigné en abrégé par « ConstD ».
Utiliser le modèle « ConstV », correspond à l’hypothèse arel = anorm = 0.
Selon un autre développement, en fonction d’au moins un paramètre de mouvement normalisé, on calcule une valeur de cadrage filtrée. Une telle valeur de cadrage filtrée a de préférence un meilleur rapport signal/bruit par comparaison aux données brutes mesurées directement concernant la valeur de cadrage. Selon un autre développement, on évalue une vitesse relative normalisée et une accélération relative normalisée comme paramètre de mouvement évalué et la valeur de cadrage filtrée se calcule selon la formule mathématique suivante :
Dans cette formule, ssitre représente la valeur de cadrage filtrée. L’instant de collision sera désigné en abrégé par « TTC » qui correspond à l’abréviation de l’expression anglaise « temps jusqu’à la collision ». De manière préférentielle, on calcule la valeur TTC en se fondant sur le ou les paramètres de mouvement normalisés qui sont notamment évalués à l’aide du dispositif de filtrage.
Dessins
La présente invention sera décrite ci-après de manière plus détaillée à l’aide d’exemples de réalisation d’un procédé de filtrage pour des données de capteur représentés dans les dessins annexés dans lesquels les mêmes références désignent les mêmes éléments ou des éléments analogues.
Ainsi : la figure 1 est un ordinogramme d’un procédé de filtrage, la figure 2 est un schéma par bloc d’un dispositif de filtre, la figure 3 est un schéma par blocs d’un système d’assistance de conduite, et la figure 4 est un schéma par blocs d’un procédé de filtrage.
Description de modes de réalisation de l’invention
La figure 1 montre un ordinogramme d’un procédé de filtrage de données de capteur fournies par un système de capteur destiné à détecter les objets dans l’étape 101. Dans l’étape 103, on mesure une valeur de cadrage à partir des données de capteur ; cette valeur de cadrage correspond à l’ordre de grandeur de l’objet des données de capteur en fonction de l’intervalle de temps. Dans l’étape 105, on détermine un paramètre d’erreur de mesure de la valeur de cadrage. Selon l’étape 107, on applique un filtrage de Kalman fondé directement sur la valeur de cadrage mesurée, sur l’intervalle de temps et le paramètre d’erreur de mesure pour évaluer au moins un paramètre de mouvement norma
lise de l’objet par rapport au système de capteur. Dans le mode de réalisation présenté, il peut arriver que les étapes 103 et 105 soient exécutées en parallèle.
De façon préférentielle, après l’étape 107 et en fonction du paramètre de mouvement normalisé, on calcule une valeur TTC et/ou une valeur de cadrage filtrée.
La figure 2 montre un dispositif de filtre 201 pour des données de capteur fournies par un système de capteur détectant des objets.
Le dispositif de filtre 201 comporte une installation de mesure 203 pour mesurer une valeur de cadrage à partir des données de capteur ; cette valeur de cadrage correspond à une variation de grandeur d’un objet à partir des données de capteur en fonction de l’intervalle de temps. Une installation de détermination 205 détermine le paramètre d’erreur de mesure de la valeur de cadrage. Le dispositif de filtre 201 comporte en outre un filtre Kalman 207 pour effectuer un filtrage de Kalman fondé directement sur la valeur de cadrage mesurée, sur l’intervalle de temps et le paramètre d’erreur de mesure pour évaluer au moins un paramètre de mouvement normalisé de l’objet par rapport au système de capteur.
Selon un mode de réalisation non représenté, le dispositif de filtre 201 comporte plusieurs filtres de Kalman 207 qui interagissent par le procédé IMM.
La figure 3 montre un système d’assistance de conduite 301 pour un véhicule. Le système d’assistance de conduite 301 comporte le dispositif de filtre 201 de la figure 2 ainsi qu’un système de capteur 303 pour détecter les objets. Le système d’assistance de conduite 301 est notamment réalisé pour qu’en fonction des résultats déduits des paramètres de mouvement normalisés, on peut actionner un système d’actionneur de véhicule pour intervenir de manière autonome sur un système du véhicule tel que les freins, l’entraînement, la direction et/ou une installation d’avertissement pour avertir le conducteur.
La figure 4 montre un schéma par bloc d’un autre procédé de filtrage.
Dans l’étape 401, on introduit plusieurs n-uplets sous la forme
dans un filtre Kalman 403. Dans cette relation, Si est une valeur de cadrage pour au moins un intervalle de temps correspondant Ati et dont le bruit de mesure normal est réparti avec un écart standard σι (i = 1,2..., n, avec n > 1).
Le filtre Kalman 403 comporte trois sous-filtres Kalman 405, 407, 409. Les trois sous-filtres 405, 407, 409 sont réalisés chaque fois comme un filtre Kalman étendu, fonctionnant de manière autonome ; les trois sous-filtres Kalman 405, 407, 409 interagissent ou coopèrent selon le procédé IMM.
Dans un mode de réalisation non représenté, on utilise seulement deux sous-filtres ou plus de trois sous-fïltres. Par exemple, on peut utiliser deux sous-filtres fondés sur ConstV ou ConstA. En particulier, on peut utiliser trois sous-filtres fondés sur ConstA ou ConstV et ConstA.
Chaque n-uplet est appliqué respectivement aux trois sous-fïltres Kalman 405, 407, 409 pour que ces sous-fïltres Kalman 405, 407, 409 en fonction des n-uplets correspondants, effectuent chacun son propre filtrage Kalman. Cela signifie notamment que chacun des sous-fïltres Kalman 405, 407, 409 effectue directement un filtrage Kalman en se fondant sur la valeur de cadrage, l’intervalle de temps et l’écart standard. Les trois sous-fïltres Kalman 405, 407, 409 sont fondés respectivement sur un modèle de mouvement différent. Les trois sous-fïltres de Kalman 405, 407, 409 peuvent notamment différer par le paramétrage du bruit du système qui modélise l’écart toléré par rapport au modèle de mouvement supposé. C’est ainsi que par exemple, le sous-filtre Kalman 405 peut être fondé sur le modèle de mouvement « ConstA ». Le filtre de Kalman 407 sera fondé de façon correspondante sur le modèle de mouvement « ConstV ». Le sous-filtre de Kalman 409 peut être par exemple fondé sur le modèle de mouvement « ConstA » et différer du filtre 405 en fonction du paramétrage du système de bruit environnant.
Dans un mode de réalisation non présenté ici, on n’utilise que deux sous-filtres Kalman de sorte que le sous-filtre 409 sera supprimé dans ce cas.
Selon le filtrage Kalman correspondant, les sous-filtres Kalman 405, 407 et 409 donnent les résultats suivants ν,ά,Ρ, Ihd. Ainsi, v représente la vitesse relative normalisée du sous-filtre Kalman correspondant 405, 407, 409. â désigne l’accélération relative normalisée du sous-filtre de Kalman 405, 407, 409 utilisé. P désigne la covariance c'est-à-dire la différence des valeurs correspondantes. Ihd est un paramètre de vraisemblance concernant le message et indiquant la qualité des données de capteur mesurées v, â. Cela signifie notamment que le paramètre de vraisemblance Ihd représente un degré de concordance entre les valeurs de mesure traitées et les états évalués de manière interne, c'est-à-dire le paramètre de mouvement normalisé.
En fonction de ces valeurs, on calcule de préférence une valeur de probabilité « p » qui donne une information sur la qualité de la concordance entre le modèle de mouvement à la base du filtre Kalman 405, 407, 409 associé et la réalité. Le sous-filtre Kalman ayant la plus grande probabilité est celui dont les valeurs v et â sont prises comme paramètres de mouvement normalisés, c'est-à-dire comme accélération relative normalisée anorm et comme vitesse relative normalisée vnorm. Cela signifie notamment que le filtre Kalman 403 selon l’étape 411 évalue Vnorm et anorm.
Dans l’étape 413, on calcule de préférence la valeur TTC et la valeur de cadrage filtrée Sfdtre, ce calcul étant fait en s’appuyant sur Vnorm et anorm. En particulier, on émet le modèle de mouvement « modell » à la base de ce calcul. Cela signifie ainsi notamment que le modèle de mouvement est émis par le sous-filtre Kalman qui présente la plus grande valeur probable « p ».
De façon préférentielle, la valeur filtrée de cadrage saitre et la valeur TTC sont calculées en plus pour chacun des filtres Kalman 405, 407, 409.
De manière préférentielle, la valeur TTC et la valeur de cadrage filtrée Sfdtre selon l’étape 413 sont formées en se fondant sur les paramètres de mouvement normalisés les plus probables du sous-filtre de Kalman.
Partant de l’équation de mouvement du second ordre, on obtient une première approximation pour At :
Comme il n’y a pas encore eu de collision, on a d(t) > 0, ce qui permet une division.
Pour : et et on obtient la relation importante pour le traitement direct des données de cadrage et qui doit être utilisée comme modèle de mesure pour le filtre Kalman :
A l’aide de la formule suivante pour s (At), on calcule avantageusement smtre en se fondant sur les résultats filtrés, c'est-à-dire
notamment sur les paramètres de mouvement normalisés du sous-filtre 405, 407, 409 en appliquant la formule suivante :
La valeur TTC, c'est-à-dire le temps de collision en se fondant sur le modèle de mouvement ConstV s’obtient de la manière suivante :
La valeur TTC fondée sur le modèle de mouvement ConstA présenté ci-dessus s’exprime comme suit :
L’invention comprend aussi notamment l’idée de base en ce que pour chaque période, il faut pouvoir traiter une quantité de > 1 n-uplets de la forme
La puissance du procédé selon l’invention par comparaison à celle des procédés connus est que les valeurs de cadrage ou données de cadrage seront traitées en commun avec des caractéristiques différentes. C’est ainsi que l’on peut par exemple traiter des valeurs de cadrage pour des intervalles de temps différents Ati.
En outre, on peut également traiter des données de capteurs différents, par exemple celles provenant d’une caméra mono ou d’une caméra stéréo.
On peut notamment prévoir des procédés de calcul différents pour extraire ou mesurer la valeur de cadrage dans les données
de capteur. Par exemple, la valeur de cadrage peut se calculer par un procédé fondé sur le flux optique entre deux images vidéo. En outre, on peut de préférence, en variante ou en complément, utiliser la largeur mesurée de l’objet et/ou la hauteur mesurée de l’objet pour déterminer la valeur de cadrage. En outre, on peut notamment prévoir que la valeur de cadrage, c'est-à-dire le cadrage proprement dit soit déduit de la position des lumières de l’objet. Cette solution a notamment l’avantage que ce procédé convient également même lorsqu’il fait sombre ou si les conditions d’éclairage sont mauvaises.
De plus, en fonction du temps de calcul disponible, on peut avoir une qualité différente dans le calcul de la valeur de cadrage. Pour cela, on fait varier notamment la résolution de l’image vidéo utilisée et/ou du nombre d’étapes d’un procédé d’optimisation. De façon préférentielle, on peut modifier la plage d’image prise en compte, par exemple en ce que pour le calcul, on place un cadre autour de l’ensemble de l’objet, par exemple un véhicule ou seulement dans la zone de la plaque d’immatriculation.
En fonction de la qualité du procédé de calcul utilisé et des paramètres réglés, on fixe de préférence l’écart standard de l’erreur prévisible σι. Cela détermine avantageusement l’influence de chaque valeur d’entrée sur le résultat final du filtrage. De façon préférentielle et avantageuse, on modifie le nombre de valeurs d’entrée en fonction du temps. Si pour une étape de temps, on ne dispose pas de mesure, on peut prévoir avantageusement les résultats à cet instant par un filtre Kalman.
Le traitement du n-uplets θί par le filtre de Kalman ou par un sous-filtre de Kalman permet d’obtenir de préférence les résultats suivants : un résultat est notamment une décision concernant le modèle (ConstV ou ConstA) qui décrit le mieux la situation de conduite actuelle. Il peut en résulter notamment que le modèle ConstA sera choisi si l’accélération observée est significativement différente de 0. Cela peut s’utiliser avantageusement pour influencer la stratégie d’avertissement d’un système d’assistance de conduite anticollision.
En outre, on obtient comme autre résultat un vecteur d’état, filtré, qui combine avantageusement les résultats des différents filtres, c'est-à-dire des sous-filtres Kalman. Les entrées pour ce vecteur sont de préférence le paramètre normalisé de mouvement de vnorm et anorm qui peuvent s’utiliser ensuite pour les autres calculs.
La TTC actuelle découle du modèle de mouvement utilisé comme suit :
Dans la mesure où le modèle de mouvement ConstA aura été choisi, celui-ci retient à côté de la vitesse relative avantageusement également l’accélération relative entre les véhicules.
En outre, il est avantageusement possible de calculer une valeur de cadrage filtrée Sfîitre. Cela est avantageusement très utile pour des systèmes de régulation de distance utilisant la vidéo car une telle valeur de cadrage filtrée donne un rapport signal/bruit significativement meilleur que les données brutes, ce qui permet avantageusement par exemple une régulation harmonieuse de l’accélération longitudinale du véhicule.
En outre, l’invention présente les avantages suivants par comparaison aux systèmes connus : traitement de données de cadrage extraites de manière fiable des données de l’image vidéo. Il n’est pas nécessaire d’avoir des valeurs de mesure de distance.
Par étape de temps, il suffit d’une valeur de cadrage. Cela correspond à une capacité de calcul significativement réduite par comparaison à celle demandée par les systèmes qui nécessitent deux ou plusieurs valeurs de cadrage. La capacité de mémoire et le temps d’initialisation nécessaires sont ainsi plus réduits car on ne déter
mine aucune histoire longue de données et de résultats intermédiaires qu’il conviendrait de mémoriser.
Au cas où l’on a plusieurs valeurs de cadrage, on peut les traiter de préférence en tenant compte du bruit de mesure respectif. La puissance du procédé est de permettre de combiner de manière souple différents types d’informations de cadrage. Elles peuvent provenir par exemple de différents capteurs, de différentes étapes de temps ou être calculées par des algorithmes différents. Une condition nécessaire aux calculs est par exemple que pour chaque valeur, on transmet l’écart standard correspondant de l’erreur de mesure et on considère d’erreur de mesure comme normalement répartie autour de 0.
Les données de cadrage sont traitées directement à l’aide des filtres Kalman sans nécessiter d’évaluation intermédiaire. On évite une étape de prétraitement supplémentaire comme dans l’état de la technique.
On peut calculer correctement TTC et à côté de la vitesse relative, on tient également compte d’une possible accélération relative entre les objets, notamment les véhicules. Le procédé selon l’invention va au-delà de nombreux autres procédés connus dans la littérature et qui utilisent des hypothèses beaucoup plus simples.
On peut calculer une valeur de cadrage filtrée avec un rapport signal/bruit significativement meilleur par comparaison à celui des données brutes. Une telle valeur de cadrage filtrée n’est évoquée dans aucune autre publication en liaison avec TTC.
La décision relative au modèle permet en outre avantageusement de tirer des conclusions pour savoir si dans la situation de conduite actuelle, on a observé ou non une accélération relative significative. Cette information n’est pas disponible dans des procédés qui fonctionnent selon IMM, c'est-à-dire sans modèles multiples interactifs. Cela signifie également notamment que cette information n’est pas disponible pour les procédés qui n’utilisent pas plusieurs sous-filtres assistant différents modèles de mouvement.
NOMENCLATURE 101-107 Etapes d’un procédé de filtrage de données de capteur 201 Dispositif de filtre 203 Installation de mesure 205 Installation de détermination 207 Filtre de Kalman 301 Système d’assistance de conduite 303 Système de capteurs 401 Première étape d’un procédé de filtrage 403 Filtre de Kalman 405, 407, 409 Sous-fïltres de Kalman 411 Etape d’évaluation de vnonn et anorm 413 Etape de calcul de TTC et de la valeur de cadrage filtrée
Sfiltre

Claims (1)

  1. REVENDICATIONS 1°) Procédé de filtrage de données de capteur formées (101) par un système de capteurs (303) pour des objets détectés et comprenant les étapes suivantes : mesurer (103) une valeur de cadrage (si) à partir des données de capteur, la valeur de cadrage (si) correspondant à l’ordre de grandeur de l’objet des données de capteur en fonction de l’intervalle de temps (Ati), déterminer (105) un paramètre d’erreur de mesure (ai) de la valeur de cadrage (si), et effectuer (107) un filtrage de Kalman fondé directement sur la valeur de cadrage mesurée (si), l’intervalle de temps (Ati) et le paramètre d’erreur de mesure (aj pour évaluer au moins un paramètre de mouvement normalisé (vnorm, anorm) de l’objet par rapport au système de capteurs (303), faire le filtrage de Kalman par plusieurs filtrages de Kalman différents fondés chaque fois directement sur la valeur de cadrage (si) mesurée, l’intervalle de temps (Ati) et le paramètre d’erreur de mesure (σ,) pour évaluer chaque fois au moins un paramètre de mouvement normalisé de l’objet par rapport au système de capteurs (303), les différents filtrages de Kalman étant fondés chaque fois sur un modèle de mouvement différent, et pour chacun des différents filtrages de Kalman, calculer une valeur de probabilité concernant la concordance entre le modèle de mouvement correspondant et les données de capteur mesurées et le sous-paramètre de mouvement normalisé du filtrage Kalman forme avec la plus grande probabilité, le paramètre de mouvement normalisé (Vnorm, anorm) - 2°) Procédé de filtrage selon la revendication 1, caractérisé en ce qu’ on calcule une valeur de cadrage filtrée (ssitre) fondée sur au moins un paramètre de mouvement normalisé (vnOrm, anorm). 3°) Procédé de filtrage selon la revendication 2, caractérisé en ce qu’ on évalue une vitesse relative normalisée (vnorm) et une accélération relative normalisée (anOnn) comme paramètre de mouvement normalisé (vnorm, anonn) et on calcule la valeur de cadrage filtrée (ssitre) selon la formule mathématique suivante :
    4°) Dispositif de filtre (201) pour détecter des données de capteur formées par des objets à l’aide d’un système de capteurs (303) comprenant : une installation de mesure (203) pour mesurer une valeur de cadrage (si) à partir des données de capteur, la valeur de cadrage (si) correspondant à une variation de grandeur d’un objet à partir des données de capteur dans un intervalle de temps (Ati), une installation de détermination (205) pour déterminer un paramètre d’erreur de mesure (ai) de la valeur de cadrage (si), et un filtre de Kalman (207, 403) pour effectuer un filtrage de Kalman en se fondant directement sur la valeur de cadrage mesurée (si), l’intervalle de temps (Ati) et le paramètre d’erreur de mesure (m) pour évaluer au moins un paramètre de mouvement normalisé (vnorm, anorm) de l’objet par rapport au système de capteurs (303), le filtre de Kalman (207, 403) comporte plusieurs sous-filtres de Kalman (405, 407, 409) qui effectuent respectivement un filtrage de Kalman fondé directement sur la valeur de cadrage mesurée (si), l’intervalle de temps (Ati) et le paramètre d’erreur de mesure (σι) pour évaluer respectivement au moins un sous-paramètre de mouvement normalisé de l’objet par rapport au système de capteurs (303), le filtrage de Kalman respectif effectué par les sous-fïltres de Kalman (405, 407, 409) étant fondé sur un modèle de mouvement différent, et une installation de calcul de probabilité pour calculer pour chacun des filtrages de Kalman, une valeur de probabilité concernant la concordance entre le modèle de mouvement correspondant et la réalité.
    5°) Système d’assistance de conduite (301) pour un véhicule comportant un dispositif de filtre (201) selon la revendication 4 et un système de capteurs (303) pour détecter des objets. 6°) Programme d’ordinateur comportant un code programme pour exécuter le procédé de filtrage selon l’une des revendications 1 à 3 lorsque le programme est exécuté par un ordinateur.
FR1352180A 2012-03-13 2013-03-12 Procede de filtrage et dispositif de filtre pour des donnees de capteur Expired - Fee Related FR2988191B1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102012203909A DE102012203909A1 (de) 2012-03-13 2012-03-13 Filterverfahren und Filtervorrichtung für Sensordaten
DE102012203909.0 2012-03-13

Publications (2)

Publication Number Publication Date
FR2988191A1 FR2988191A1 (fr) 2013-09-20
FR2988191B1 true FR2988191B1 (fr) 2019-10-11

Family

ID=49043903

Family Applications (1)

Application Number Title Priority Date Filing Date
FR1352180A Expired - Fee Related FR2988191B1 (fr) 2012-03-13 2013-03-12 Procede de filtrage et dispositif de filtre pour des donnees de capteur

Country Status (4)

Country Link
US (1) US9063834B2 (fr)
CN (1) CN103368527B (fr)
DE (1) DE102012203909A1 (fr)
FR (1) FR2988191B1 (fr)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2869042B1 (fr) * 2013-11-04 2016-08-10 VEGA Grieshaber KG Suppression du bruit basée sur un modèle pour des appareils de mesure du niveau de remplissage
CN104467738B (zh) * 2014-11-04 2018-01-19 国睿集团有限公司 农业系统传感器组专用复合滤波型校正方法
JP6600271B2 (ja) * 2016-03-31 2019-10-30 株式会社デンソー 物体認識装置及び物体認識方法
DE102016205545A1 (de) * 2016-04-04 2017-10-05 Robert Bosch Gmbh Verfahren zur Bestimmung einer Aufprallstärke
CN106646358A (zh) * 2016-12-27 2017-05-10 深圳信息职业技术学院 一种用于室内无线定位的多误差模型的imm算法
DE102018122055A1 (de) 2018-09-10 2020-03-12 Wabco Gmbh Querlenkverfahren und Querlenkvorrichtung für das Bewegen eines Fahrzeugs in eine Zielposition, und Fahrzeug dafür
CN110501732B (zh) * 2019-07-24 2021-09-24 北京航空航天大学 一种多卫星分布式导航滤波计算方法
DE102020121061A1 (de) 2020-08-11 2022-02-17 Valeo Schalter Und Sensoren Gmbh Verfahren zum Betreiben eines Assistenzsystems zur Bestimmung einer Länge eines Objekts, Computerprogrammprodukt, computerlesbares Speichermedium sowie Assistenzsystem
EP4009003B1 (fr) * 2020-12-02 2024-05-29 NM Numerical Modelling GmbH Système de capteur et méthode de mesure d'une valeur de procédé d'un système physique
CN113470070B (zh) * 2021-06-24 2024-08-16 国汽(北京)智能网联汽车研究院有限公司 驾驶场景目标跟踪方法、装置、设备及存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5960097A (en) * 1997-01-21 1999-09-28 Raytheon Company Background adaptive target detection and tracking with multiple observation and processing stages
US6535114B1 (en) * 2000-03-22 2003-03-18 Toyota Jidosha Kabushiki Kaisha Method and apparatus for environment recognition
US6856694B2 (en) * 2001-07-10 2005-02-15 Eaton Corporation Decision enhancement system for a vehicle safety restraint application
JP4914234B2 (ja) * 2007-01-31 2012-04-11 富士重工業株式会社 先行車両検出装置
US20100208063A1 (en) * 2009-02-19 2010-08-19 Panasonic Corporation System and methods for improving accuracy and robustness of abnormal behavior detection
CN101943916B (zh) * 2010-09-07 2012-09-26 陕西科技大学 一种基于卡尔曼滤波器预测的机器人避障方法

Also Published As

Publication number Publication date
FR2988191A1 (fr) 2013-09-20
DE102012203909A1 (de) 2013-09-19
US20130245929A1 (en) 2013-09-19
CN103368527B (zh) 2017-08-25
CN103368527A (zh) 2013-10-23
US9063834B2 (en) 2015-06-23

Similar Documents

Publication Publication Date Title
FR2988191B1 (fr) Procede de filtrage et dispositif de filtre pour des donnees de capteur
EP4077086B1 (fr) Procédé de détermination d'un profil de vitesse d'un vehicule automobile à accélération non prédéterminée
CN113344800A (zh) 用于训练非盲图像去模糊模块的系统和方法
WO2019197781A1 (fr) Apprentissage automatique prédictif pour la prédiction d'une vitesse future d'un véhicule automobile en mouvement sur une route
EP3049786A1 (fr) Procede de detection d'un desequilibrage d'une roue de vehicule pendant le roulage du vehicule
FR3004835A1 (fr) Procede de suivi d'objets par imagerie hyperspectrale
FR3102870A1 (fr) Procédé pour déterminer une déviation non autorisée du comportement systémique d’une installation technique par rapport à une plage de valeurs normalisées
EP3259165B1 (fr) Procede et dispositif de detection d'un changement de comportement de conducteur d'un vehicule automobile
JP2010030404A (ja) 先行車両の位置検出方法及び位置検出装置並びにデータフィルタリング方法
FR3062836A1 (fr) Procede et systeme de determination d'un indice de confiance associe a un objet d'un environnement d'un vehicule
EP3671583B1 (fr) Procédé et dispositif de mémorisation de données numériques
WO2017216495A1 (fr) Procédé de détermination d'une classe de conduite de référence
US20220044033A1 (en) Multiple resolution deep neural networks for vehicle autonomous driving systems
EP3155446B1 (fr) Procédé et système d'estimation d'un paramètre dans un véhicule automobile et véhicule automobile équipé d'un tel système
FR3061885A1 (fr) Procede de determination d'une caracteristique d'un environnement d'un vehicule par fusion de donnees
FR3117223A1 (fr) Système et procédé de contrôle de véhicule à base d’apprentissage machine
FR3087732A1 (fr) Procede et dispositif de determination d’un changement de voie d’un vehicule
FR3072931A1 (fr) Procede de traitement de donnees pour systeme d'aide a la conduite d'un vehicule et systeme d'aide a la conduite associe
FR3063359B1 (fr) Methode de determination d'une performance temporelle d'une unite de traitement electronique executant un algorithme
EP3833985B1 (fr) Procede de determination d'un changement de sens de deplacement d'un vehicule, et vehicule associe
FR3049106A1 (fr) Dispositif de surveillance du conducteur d’un vehicule
WO2023161568A1 (fr) Procédé de calcul de surfaces tridimensionnelles pour véhicule équipé d'un système d'aide à la conduite
WO2012052688A1 (fr) Procede et systeme de redondance d'un signal de mesure d'un capteur d'angle du volant
FR3147417A1 (fr) Procédé et dispositif d’ajustement automatique de paramètres d’un appareil de capture d’images numériques
FR3037137A1 (fr) Systeme de mesure, estimateur, procede pour estimer au moins une variable ; machine tournante ou a comportement cyclique comportant le systeme de mesure

Legal Events

Date Code Title Description
PLFP Fee payment

Year of fee payment: 4

PLFP Fee payment

Year of fee payment: 5

PLSC Publication of the preliminary search report

Effective date: 20180112

PLFP Fee payment

Year of fee payment: 6

PLFP Fee payment

Year of fee payment: 7

PLFP Fee payment

Year of fee payment: 8

ST Notification of lapse

Effective date: 20211105