FR3048542A1 - Dispositif et methode de surveillance personnalises d'un conducteur d'un vehicule automobile - Google Patents

Dispositif et methode de surveillance personnalises d'un conducteur d'un vehicule automobile Download PDF

Info

Publication number
FR3048542A1
FR3048542A1 FR1651687A FR1651687A FR3048542A1 FR 3048542 A1 FR3048542 A1 FR 3048542A1 FR 1651687 A FR1651687 A FR 1651687A FR 1651687 A FR1651687 A FR 1651687A FR 3048542 A1 FR3048542 A1 FR 3048542A1
Authority
FR
France
Prior art keywords
driver
predetermined
data
monitoring
personalized
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.)
Withdrawn
Application number
FR1651687A
Other languages
English (en)
Inventor
Jeremie Pinoteau
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.)
Valeo Comfort and Driving Assistance SAS
Original Assignee
Valeo Comfort and Driving Assistance SAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Valeo Comfort and Driving Assistance SAS filed Critical Valeo Comfort and Driving Assistance SAS
Priority to FR1651687A priority Critical patent/FR3048542A1/fr
Priority to CN201780025522.9A priority patent/CN109690640A/zh
Priority to US16/082,192 priority patent/US11312384B2/en
Priority to PCT/EP2017/054831 priority patent/WO2017149045A1/fr
Priority to EP17707079.4A priority patent/EP3424030A1/fr
Priority to JP2018546448A priority patent/JP2019507443A/ja
Publication of FR3048542A1 publication Critical patent/FR3048542A1/fr
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/06—Alarms for ensuring the safety of persons indicating a condition of sleep, e.g. anti-dozing alarms
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W40/09—Driving style or behaviour
    • 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, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/04—Traffic conditions
    • 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
    • G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
    • G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W2040/0818—Inactivity or incapacity of driver
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W2040/0818—Inactivity or incapacity of driver
    • B60W2040/0827—Inactivity or incapacity of driver due to sleepiness
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo or light sensitive means, e.g. infrared sensors
    • B60W2420/403—Image sensing, e.g. optical camera
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/229—Attention level, e.g. attentive to driving, reading or sleeping
    • 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
    • B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
    • B60W2555/20—Ambient conditions, e.g. wind or rain
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/40—High definition maps
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • B60W2556/55—External transmission of data to or from the vehicle using telemetry

Abstract

L'invention concerne un dispositif de surveillance personnalisé pour un conducteur d'un véhicule automobile, comprenant - un dispositif de mesure d'un paramètre de surveillance du conducteur, - une unité de commande programmée pour estimer un état de vigilance du conducteur en fonction d'une règle d'estimation et en fonction de la valeur mesurée dudit paramètre de surveillance, - l'unité de commande étant en outre programmée pour déterminer ladite règle d'estimation de manière personnalisée pour ledit conducteur en fonction d'un ensemble de données relatives au conducteur comprenant au moins ladite valeur mesurée du paramètre de surveillance et de plusieurs ensembles de données prédéterminés correspondant chacun à un groupe de conducteurs prédéterminé.

Description

Domaine technique auquel se rapporte l'invention
La présente invention concerne de manière générale le domaine de la surveillance du conducteur d’un véhicule automobile.
Elle concerne plus particulièrement un dispositif et une méthode de surveillance de ce conducteur.
Arriere-plan technologique
Il est connu de surveiller le conducteur d’un véhicule automobile afin de détecter une éventuelle baisse de vigilance (c’est-à-dire une baisse de son aptitude à conduire) pouvant mener à un contrôle insuffisant du véhicule. A cet effet, un paramètre de surveillance du conducteur est mesuré et interprété par une unité de commande pour en déduire une information sur l’état de vigilance du conducteur.
Cependant, l’interprétation du paramètre mesuré est rendue délicate par les différences importantes rencontrées entre les conducteurs.
Par ailleurs, les solutions existantes pour l’adaptation de cette interprétation à un conducteur précis sont soit peu satisfaisantes en termes de performance, soit fastidieuses à mettre en oeuvre car nécessitent une participation active du conducteur.
Objet de l’invention
Afin de remédier à l’inconvénient précité de l’état de la technique, la présente invention propose un dispositif et une méthode de surveillance du conducteur permettant une adaptation de l’interprétation du paramètre de surveillance mesuré en fonction du conducteur du véhicule, peu ou pas contraignante pour le conducteur.
Plus particulièrement, on propose selon l’invention un dispositif de surveillance personnalisé pour un conducteur d’un véhicule automobile, comprenant : - un dispositif de mesure d’un paramètre de surveillance du conducteur, - une unité de commande programmée pour estimer un état de vigilance du conducteur en fonction d’une règle d’estimation et en fonction de la valeur mesurée dudit paramètre de surveillance, - l’unité de commande étant en outre programmée pour déterminer ladite règle d’estimation de manière personnalisée pour ledit conducteur en fonction d’un ensemble de données relatives au conducteur comprenant au moins ladite valeur mesurée du paramètre de surveillance et de plusieurs ensembles de données prédéterminés correspondant chacun à un groupe de conducteurs prédéterminé.
Ainsi, grâce au dispositif selon l’invention, la règle d’estimation utilisée par l’unité de commande pour interpréter la valeur mesurée du paramètre de surveillance et en déduire l’état de vigilance du conducteur est adaptée au conducteur précis du véhicule grâce à un apprentissage qui est supervisé de manière peu contraignante pour le conducteur.
En effet, la règle d’estimation personnalisée est déterminée par comparaison d’un ensemble de données relatives au conducteur et de plusieurs ensembles de données prédéterminés correspondant à des groupes de conducteur pour chacun desquels une règle d’estimation de groupe optimisée a été préalablement déterminée.
Il suffit donc, pour déterminer la règle d’estimation personnalisée pour le conducteur, de déterminer ledit ensemble de données relatif à celui-ci. Cela peut alors se faire sans intervention du conducteur ou avec une intervention très limitée du conducteur. D’autres caractéristiques non limitatives et avantageuses du dispositif conforme à l’invention sont les suivantes : - chaque ensemble de données prédéterminé est associé à une règle d’estimation prédéterminée et l’unité de commande est programmée pour identifier la règle d’estimation personnalisée pour le conducteur à l’une desdites règles d’estimation prédéterminées; - l’unité de commande est programmée pour identifier la règle d’estimation personnalisée pour le conducteur à la règle d’estimation prédéterminée associé à l’ensemble de données prédéterminé le plus proche de l’ensemble de données relatives au conducteur ; - l’unité de commande est programmée pour déterminer l’ensemble de données prédéterminé le plus proche de l’ensemble de données relatives au conducteur en comparant ledit ensemble de données relatives au conducteur et lesdits ensembles de données prédéterminés ; - l’unité de commande comprend un algorithme d’apprentissage adapté à déterminer l’ensemble de données prédéterminé le plus proche dudit ensemble de données relatives au conducteur ; - ledit ensemble de donnée relatives au conducteur comprend en outre au moins l’une des données suivantes : - une donnée renseignée par le conducteur, - une donnée relative à l’environnement du conducteur, - une donnée relative au comportement physiologique du conducteur, - une donnée relative à la conduite du conducteur ; - ledit paramètre de surveillance mesuré par le dispositif de mesure est relatif à la direction de regard du conducteur et/ou à la posture de la tête du conducteur, et/ou à la fermeture des paupières du conducteur et/ou aux mouvements du volant du véhicule ; - le dispositif de mesure comprend au moins un dispositif de capture d’image de la tête du conducteur et ledit paramètre de surveillance du conducteur mesuré est déterminé en fonction d’au moins une image capturée de la tête du conducteur ; - l’unité de commande est programmée pour mettre en mémoire la règle d’estimation personnalisée en relation avec un identifiant du conducteur ; et, - il est prévu un dispositif de génération d’un signal d’alerte et dans lequel l’unité de commande est programmée pour déclencher la génération du signal d’alerte en fonction de l’état de vigilance du conducteur estimé. L’invention propose également une méthode de surveillance personnalisée du conducteur d’un véhicule automobile, comprenant les étapes suivantes : - on enregistre un ensemble de données relatives au conducteur, comprenant au moins un paramètre de surveillance mesuré du conducteur, - on détermine une règle d’estimation personnalisée pour estimer un état de vigilance du conducteur en fonction dudit paramètre de surveillance mesuré du conducteur, en fonction dudit ensemble de données relatives au conducteur et de plusieurs ensembles de données prédéterminés correspondant chacun à un groupe de conducteurs prédéterminé, - on estime un état de vigilance du conducteur en utilisant ladite règle d’estimation personnalisée. D’autres caractéristiques non limitatives et avantageuses du dispositif conforme à l’invention sont les suivantes : - on réalise les étapes d’enregistrements et de détermination à intervalles de temps prédéterminés ; - chaque ensemble de données prédéterminé étant associé à une règle d’estimation prédéterminée, on identifie la règle d’estimation personnalisée pour le conducteur à l’une desdites règles d’estimation prédéterminées ; - on identifie la règle d’estimation personnalisée pour le conducteur à la règle d’estimation prédéterminée associé à l’ensemble de données prédéterminé le plus proche de l’ensemble de données relatives au conducteur ; - on met en mémoire la règle d’estimation personnalisée en relation avec un identifiant du conducteur ; et, - lorsque l’étape d’estimation de l’état de vigilance du conducteur indique que la vigilance du conducteur est insuffisante, on émet un signal d’alerte destiné à améliorer la vigilance du conducteur.
Description detaillee d’un exemple de réalisation
La description qui va suivre en regard des dessins annexés, donnés à titre d’exemples non limitatifs, fera bien comprendre en quoi consiste l’invention et comment elle peut être réalisée.
Sur les dessins annexés, - la figure 1 représente schématiquement les différents éléments du dispositif de surveillance selon l’invention, - la figure 2 représente schématiquement les différentes étapes de la méthode de surveillance selon l’invention, - la figure 3 représente schématiquement les distributions globales (densités D en fonction de la valeur PERCLOS) des valeurs du paramètre PERCLOS mesurées pour six conducteurs différents, dans un état d’éveil alerte (trait plein) et dans un état de somnolence (trait pointillé), - la figure 4 représente schématiquement les distributions (densités D en fonction de la valeur PERCLOS) des valeurs du paramètre PERCLOS mesurées pour un premier groupe de trois conducteurs parmi les six conducteurs de la figure 3, dans un état d’éveil alerte (trait plein) et dans un état de somnolence (trait pointillé), - la figure 5 représente schématiquement les distributions (densités D en fonction de la valeur PERCLOS) des valeurs du paramètre PERCLOS mesurées pour un deuxième groupe de trois autres conducteurs parmi les six conducteurs de la figure 3, dans un état d’éveil alerte (trait plein) et dans un état de somnolence (trait pointillé).
Dispositif
Sur la figure 1, on a représenté schématiquement différents éléments d’un dispositif de surveillance 500 selon l’invention.
Ce dispositif de surveillance 500 comprend un dispositif de mesure 200 d’un paramètre de surveillance du conducteur et une unité de commande 100 qui reçoit des informations de ce dispositif de mesure 200.
De préférence, le dispositif de mesure 200 enregistre des informations sur le conducteur sans interagir avec celui-ci, donc sans le perturber. En particulier, le dispositif de mesure 200 n’émet aucun signal en direction du conducteur. Cela présente l’avantage de permettre au dispositif de mesure 200 d’enregistrer le comportement naturel du conducteur, en l’absence de toute perturbation ou contrainte par le dispositif de mesure 200.
Le dispositif de mesure 200 du paramètre de surveillance du conducteur est donc ici sans interaction avec le conducteur.
En variante, on peut envisager que le dispositif de mesure interagisse avec le conducteur. Il s’agit notamment d’une interaction passive pour le conducteur, peu intrusive, c’est-à-dire sans action volontaire à réaliser par le conducteur.
Plus précisément, dans l’exemple de réalisation décrit ici, le dispositif de mesure 200 comprend au moins un dispositif de capture d’image de la tête du conducteur.
Ce dispositif de capture d’image comprend par exemple une caméra disposée à proximité du rétroviseur central du véhicule, ou derrière le volant.
En variante, il peut comprendre tout dispositif de capture d’image positionné de manière à ce que le visage du conducteur dans sa position de conduite entre dans le champ de ce dispositif de capture d’image.
Par exemple, ledit paramètre de surveillance mesuré par le dispositif de mesure 200 est relatif à la direction de regard du conducteur et/ou à la posture de la tête du conducteur, et/ou à la fermeture des paupières du conducteur.
Ce paramètre de surveillance du conducteur mesuré est alors déterminé en fonction d’au moins une image de la tête du conducteur capturée par le dispositif de mesure 200.
Ce paramètre peut être également déterminé à partir de deux images de la tête du conducteur ou plus.
Il peut alors également comprendre une information statistique déterminée à partir d’une pluralité de capture d’image de la tête du conducteur.
En particulier, lorsque le paramètre de surveillance du conducteur est relatif à la direction du regard du conducteur, le dispositif de capture d’image peut comprendre tout dispositif de suivi de la direction du regard connu de l’Homme du métier. Le paramètre de surveillance relatif à la direction du regard du conducteur peut notamment être la direction du regard dans un référentiel lié au dispositif de capture d’image ou dans un référentiel lié à la tête du conducteur, ou la position des pupilles du conducteur dans un tel référentiel. Il peut également comprendre une durée de fixation d’un même point, c’est-à-dire la durée pendant laquelle la direction du regard dans le référentiel lié à la tête du conducteur est approximativement constante, ou encore la fréquence des fixations du regard.
Le paramètre de surveillance peut également comprendre une information statistique sur un ensemble de directions du regard mesurées à partir d’une pluralité de captures d’image réalisées pendant une durée prédéterminée, par exemple une direction moyenne du regard, un écart type à cette direction moyenne, une distribution statistique des directions de regard.
Le paramètre de surveillance du conducteur relatif à la posture de la tête peut comprendre une position et une orientation de la tête du conducteur dans le référentiel lié au dispositif de capture d’image.
Il peut également comprendre par exemple une information statistique sur un ensemble de postures mesurées à partir d’une pluralité de captures d’image réalisées pendant une durée prédéterminée tels que la vitesse moyenne de mouvements de la tête et l’écart type à cette moyenne, ou une fréquence des positions extrêmes (grands angles) de la tête.
Le paramètre de surveillance du conducteur relatif à la fermeture des paupières du conducteur peut comprendre une fréquence de fermeture des paupières, une durée de fermeture des paupières, une vitesse de fermeture des paupières ou une information statistique du type moyenne ou distribution statistique de la fréquence ou de la durée de fermeture des paupières du conducteur.
En particulier, dans un exemple décrit plus loin, le paramètre de surveillance est le paramètre PERCLOS, c’est-à-dire la proportion de temps pendant lequel la fermeture des paupières du conducteur est comprise entre 80% et 100% de la fermeture totale des paupières, dans un intervalle de temps fixe prédéterminé, fixé à 60 secondes dans l’exemple ci-dessous. Il peut également s’agir de toute information statistique déterminée à partir d’une pluralité de valeurs mesurées de ce paramètre PERCLOS.
Sur les figures, les valeurs du paramètre PERCLOS sont normalisées, 0 correspondant à une proportion de 0% et 1 correspondant à une proportion de 100%. Seule la plage de valeurs de ce paramètre comprise entre 0 et 0,2 est représentée sur ces figures
Le dispositif de mesure 200 peut également comprendre deux dispositifs de capture d’image autorisant la reconstitution d’une image de la tête du conducteur en trois dimensions, par stéréoscopie.
En variante, le dispositif de mesure peut comprendre d’autres types de capteurs permettant la mesure d’autres types de paramètre de surveillance, en plus d’au moins un des paramètres de surveillance déjà cité, ou en remplacement de ce paramètre de surveillance.
Par exemple, le dispositif de mesure peut comprendre un capteur adapté à mesurer la pression des mains sur le volant du véhicule, ou les mouvements imposés au volant par le conducteur.
Le paramètre de surveillance peut alors être relatif à l’intensité de la pression des mains sur le volant ou au mouvement du volant, par exemple à la position angulaire de ce volant.
Le dispositif de mesure peut par exemple comprendre un ou des capteurs biométriques permettant par exemple de mesurer le rythme cardiaque du conducteur, et/ou la fréquence, et/ou l’amplitude d’une variation de taille de la pupille du conducteur, et/ou la conductance cutanée, et/ou la pression sanguine, et/ou la température corporelle, et/ou le rythme respiratoire, et/ou la glycémie du conducteur, et/ou l’activité cérébrale. L’unité de commande 100 du dispositif de surveillance 500 selon l’invention est programmée pour estimer un état de vigilance du conducteur en fonction d’une règle d’estimation personnalisée et en fonction de la valeur mesurée dudit paramètre de surveillance.
La règle d’estimation personnalisée est mise en oeuvre par un premier module d’estimation 101 de l’unité de commande 200 (figure 1).
Cette règle d’estimation comporte en sortie plusieurs niveaux de vigilance du conducteur possible. Il est prévu au moins deux niveaux correspondant à une vigilance satisfaisante ou insuffisante. De préférence, il est prévu au moins trois niveaux de vigilance. Par exemple, les niveaux suivants sont prévus pour estimer la somnolence éventuelle du conducteur : éveil alerte, hypovigilance, somnolence, et, éventuellement, endormissement. Les niveaux suivants peuvent être prévus pour estimer la distraction du conducteur : concentration, faible distraction, forte distraction.
Il est également possible d’estimer la distraction visuelle du conducteur et la distraction cognitive du conducteur. La distraction visuelle peut par exemple être estimée en fonction de la direction de regard du conducteur. La distraction cognitive est estimée par exemple par des informations supplémentaires transmises par d’autres dispositifs du véhicule, telles que l’activation de la connexion sans fil d’un téléphone portable au véhicule ou la mise en marche d’un dispositif diffusant de la musique.
Par exemple, lorsque le paramètre de surveillance du conducteur comprend une fréquence et/ou une durée et/ou une vitesse de fermeture des paupières du conducteur, la règle d’estimation peut comprendre la comparaison entre la valeur mesurée de fréquence ou de durée ou de vitesse avec une valeur seuil de fréquence, de durée ou de vitesse. Lorsque la valeur mesurée de fréquence ou de durée est supérieure à la valeur seuil de fréquence ou de durée, la règle d’estimation renvoie en sortie un état de vigilance du conducteur indiquant que celui-ci est somnolent ou présente une vigilance insuffisante.
En particulier, dans un exemple simple, la règle d’estimation utilisée lorsque le paramètre de surveillance est le paramètre PERCLOS défini précédemment comporte la comparaison avec une valeur seuil de ce paramètre. Lorsque la valeur mesurée du paramètre PERCLOS est supérieure à la valeur seuil de ce paramètre, la règle d’estimation indique que le conducteur est dans un état de somnolence tandis que lorsqu’elle est inférieure, la règle d’estimation indique que le conducteur est dans un état d’éveil alerte.
Selon un autre exemple, ladite règle d’estimation est déterminée par un algorithme d’apprentissage adapté à établir une structure de causalité entre le paramètre de surveillance et l’état de vigilance du conducteur. Cet algorithme d’apprentissage est initialement entraîné à l’aide d’une base de données initiale prédéterminée comprenant des couples de variables d’entrée paramètre de surveillance/état de vigilance associé prédéterminés.
Il peut s’agir par exemple d’un algorithme d’apprentissage Bayésien, d’un réseau de neurones de type perceptron, d’un algorithme d’apprentissage profond, d’une machine à vecteur de support ou d’une forêt d’arbres décisionnels. Il peut également s’agir de tout autre type d’algorithme d’apprentissage adapté connu de l’homme du métier.
Cette base de données initiale comporte des données relatives à différents conducteurs, de manière à ce que les performances de la règle d’estimation soient optimisées pour ces conducteurs. L’algorithme d’apprentissage détermine par exemple, sur la base de cette base de données, la probabilité d’observer un état de vigilance donné chez le conducteur sachant que le paramètre de surveillance présente ladite valeur mesurée.
La règle d’estimation renvoie en sortie, sur la base de l’algorithme d’apprentissage, le niveau de vigilance le plus probable en fonction de la valeur mesurée du paramètre de surveillance du conducteur..
En variante, l’unité de commande 100 peut également recevoir en outre des informations supplémentaires transmises par d’autre dispositifs du véhicule, telles que informations GPS, accélération/freinage, activation de certaines fonctions du véhicule, comme par exemple l’activation de la connexion sans fil d’un téléphone portable au véhicule. Ces informations supplémentaires ainsi que des informations indiquant une conduite selon une trajectoire peu adaptée à la route, telles que des informations concernant les mouvements du volant ou l’accélération latérale du véhicule, ou la réception d’un appel téléphonique par le conducteur peuvent être prises en compte dans la règle d’estimation pour déterminer l’état de vigilance du conducteur.
De manière remarquable, dans le dispositif de surveillance selon l’invention, l’unité de commande est en outre programmée pour déterminer ladite règle d’estimation de manière personnalisée pour ledit conducteur en fonction d’un ensemble de données relatives au conducteur comprenant au moins ladite valeur mesurée du paramètre de surveillance et de plusieurs ensembles de données prédéterminés correspondant chacun à un groupe de conducteurs prédéterminé. A cet effet, l’unité de commande 100 est programmé pour enregistrer un ensemble de données relatives au conducteur, comprenant au moins ledit paramètre de surveillance mesuré du conducteur.
Cet ensemble de données est par exemple enregistré dans un module d’enregistrement 102 de l’unité de commande 100 (figure 1).
Ledit ensemble de données relatives au conducteur peut comprendre par exemple une pluralité de valeurs dudit paramètre de surveillance mesurées pendant un ou plusieurs trajets du conducteur.
Ledit ensemble de données relatives au conducteur peut également comprendre par exemple, outre les valeurs du paramètre de surveillance mesuré, au moins l’une des données suivantes : - une donnée renseignée par le conducteur, - une donnée relative à l’environnement du conducteur, - une donnée relative au comportement physiologique du conducteur, - une donnée relative à la conduite du conducteur.
Ces données sont mesurées, déterminées ou calculées par d’autres dispositifs de récupération de données, représentés schématiquement par la référence 300 de la figure 1.
Ces autres dispositifs de récupération de données peuvent par exemple comprendre une interface d’acquisition grâce à laquelle le conducteur peut saisir manuellement des informations sur lui. Il peut s’agir par exemple de remplir un questionnaire précisant son âge, son expérience en tant que conducteur, son état de fatigue générale, une estimation de son niveau de stress, ou la durée de sa nuit de sommeil la veille.
Ces autres dispositifs de récupération de données peuvent également comprendre différents capteurs disposés dans le véhicule et transmettant à l’unité de commande 100 des informations mesurées sur le fonctionnement du véhicule, par exemple température/ pression des gaz d’échappement, accélération latérale et frontale du véhicule, vitesse du véhicule, angle de pivotement du volant.
Ils peuvent également comprendre l’unité de commande elle-même, qui détermine de nombreux paramètres de fonctionnement du véhicules, comme le régime ou le point de fonctionnement du véhicule, la demande d’accélération/freinage du conducteur, l’activation de certaines fonctions du véhicule, comme par exemple l’activation de la connexion sans fil d’un téléphone portable au véhicule.
Ils peuvent également comprendre un système pour déterminer la position du véhicule, du type GPS, et/ou un dispositif pour déterminer les conditions climatiques extérieures, par exemple température de l’air extérieur et/ou dans le véhicule et/ou de la route, humidité de l’air et/ou de la route, le niveau de bruit ambiant.
Il peuvent enfin comprendre un ou des capteurs biométriques permettant d’enregistrer des données relatives au comportement physiologique du conducteur, par exemple le rythme cardiaque du conducteur, et/ou la conductance cutanée, et/ou la pression sanguine, et/ou la température corporelle, et/ou le rythme respiratoire, et/ou la glycémie du conducteur, et/ou l’activité cérébrale de ce conducteur.
Les ensembles de données prédéterminés correspondant chacun à un groupe de conducteurs prédéterminé sont mis en commun et accessibles à tous les véhicules. Ils sont en cela universels et non personnalisés.
Ils sont indépendants du conducteur du véhicule.
Ces ensembles de données prédéterminés peuvent néanmoins évoluer dans le temps de manière à affiner la personnalisation de la règle d’estimation.
De préférence, le dispositif de surveillance 500 comprend alors au moins un serveur 110 externe au véhicule, sur lequel les ensembles de données prédéterminés sont mis en mémoire et auquel l’unité de commande 100 accède à distance par une connexion sans fil du type réseau 4G par exemple. Il est alors possible à l’unité de commande d’y accéder à tout moment.
En variante, on peut envisager que l’unité de commande n’accède au serveur externe que lors de certains arrêts du véhicules, par exemple chez le conducteur ou lors des contrôle techniques du véhicule. Une connexion sans fil au réseau Wi-Fi est alors envisageable, de même qu’une connexion filaire.
Cela permet avantageusement de mettre à jour régulièrement les ensembles de données prédéterminés chargés par l’unité de commande 100.
En variante, l’unité de commande comprend une mémoire qui contient les ensembles de données prédéterminés.
De préférence, chaque ensemble de données prédéterminé est associé à une règle d’estimation prédéterminée et l’unité de commande 100 est programmée pour identifier la règle d’estimation personnalisée pour le conducteur à l’une desdites règles d’estimation prédéterminées.
Plus précisément, ici, l’unité de commande 100 est programmée pour identifier la règle d’estimation personnalisée pour le conducteur à la règle d’estimation prédéterminée associé à l’ensemble de données prédéterminé le plus proche de l’ensemble de données relatives au conducteur.
Selon un premier mode de réalisation, l’unité de commande 100 est programmée pour comparer ledit ensemble de données relatives au conducteur enregistré dans le module d’enregistrement 102 et lesdits ensembles de données prédéterminés correspondant chacun à un groupe de conducteurs prédéterminé. A cet effet, l’unité de commande 100 comporte en outre un module comparateur 103 qui réalise ladite comparaison. Ce module comparateur 103 reçoit l’ensemble des données relatives au conducteur provenant du dispositif de surveillance 200 et des autres dispositifs 300 de récupération de données et les ensembles de données prédéterminées du serveur externe 110.
La comparaison permet de déterminer quel est l’ensemble de données prédéterminés qui se rapproche le plus de l’ensemble de données relatives au conducteur. A cet effet, l’unité de commande 100 est par exemple programmée pour comparer les données correspondantes entre elles et quantifier l’écart entre ces données, puis déterminer un facteur de différence globale entre l’ensemble de données relatives au conducteur et chaque ensemble de données prédéterminées en sommant de manière pondérée les différences entre données correspondantes. L’unité de commande 100 est ensuite programmée pour déterminer l’ensemble de données prédéterminé le plus proche de l’ensemble de données relatives au conducteur comme étant celui dont la différence globale avec l’ensemble de données relatives au conducteur est le plus faible.
Dans une variante, l’unité de commande 100 est programmée pour comparer au moins une caractéristique d’une distribution statistique de l’ensemble de données relatives au conducteur avec la distribution statistique des valeurs prédéterminées de ce paramètre comprises dans chaque ensemble de données prédéterminées.
Il peut s’agir par exemple, comme cela est le cas dans l’exemple décrit plus en détail ultérieurement, de comparer les caractéristiques de la distribution statistique des valeurs mesurées du paramètre de surveillance avec la distribution statistique des valeurs prédéterminées de ce paramètre comprises dans chaque ensemble de données prédéterminées. L’unité de commande est alors programmée pour déterminer quel ensemble de données prédéterminé comprend les valeurs du paramètre de surveillance dont la distribution statistique est la plus proche de celle des valeurs mesurées pour le conducteur.
Pour quantifier les différences entre données correspondantes, on peut utiliser différentes métriques de fonctions de distributions associées auxdites données ou des distances entre les différents moments des distributions (différence entre les moyennes, entre les écarts types, ou la distance entre les couples (moyenne, écart-type).
Il peut s’agir enfin, dans une autre variante, de comparer les caractéristiques de courbes représentatives des données relatives au conducteur et des données prédéterminées. Il s’agit alors de déterminer l’ensemble de données prédéterminées présentant la courbe représentative la plus proche de celle des données relative au conducteur.
Selon un deuxième mode de réalisation, l’unité de commande 100 comprend un algorithme d’apprentissage adapté à déterminer l’ensemble de données prédéterminé le plus proche dudit ensemble de données relatives au conducteur.
Cet algorithme d’apprentissage est par exemple entraîné sur une base de données comprenant différents sets de données avec leur ensemble de données prédéterminé le plus proche associé.
Les ensembles de données prédéterminés sont déterminés dans une étape préalable, sur la base de données collectées auprès de différents conducteurs et du traitement statistique de ces données.
Ils peuvent être par exemple obtenus par grâce à un algorithme d’apprentissage, à partir de données enregistrées pendant les trajets de nombreux conducteurs. Cet algorithme d’apprentissage identifie les corrélations entre les données de certains conducteurs et regroupe automatiquement les données de ces conducteurs pour former lesdits ensembles de données prédéterminés.
On a représenté par exemple sur la figure 3 les données collectées auprès de six conducteurs différents. Ces données comprennent, pour chaque conducteur, une pluralité de valeurs mesurées du paramètre PERCLOS et l’état. alerte ou somnolent, correspondant du conducteur. On a représenté ici la densité en fonction de la valeur mesurée du paramètre PERCLOS (entre 0 et 1). Une courbe de densité représente la proportion relative des différentes valeurs du PERCLOS au sein de l’ensemble des valeurs mesurées du PERCLOS.
Le traitement de ces données montre que deux groupes de trois conducteurs peuvent être distingués.
Pour un premier groupe, dont les données sont plus particulièrement représentées sur la figure 4, la première valeur seuil VS1 du paramètre PERCLOS autorisant une distinction efficace entre l’état d’éveil alerte et l’état de somnolence est environ 0,02.
Pour un deuxième groupe, dont les données sont plus particulièrement représentées sur la figure 5, la deuxième valeur seuil VS2 du paramètre PERCLOS autorisant une distinction efficace entre l’état d’éveil alerte et l’état de somnolence est environ 0,04.
On définit ainsi deux ensembles de données prédéterminées correspondant aux données des conducteurs du groupe 1 ou du groupe 2.
Pour chaque ensemble de données prédéterminés, une règle d’estimation de groupe associée est optimisée afin d’estimer le plus précisément possible l’état de vigilance du conducteur, de manière à détecter avec fiabilité les situations dans lesquelles la vigilance du conducteur est insuffisante et à éviter rémission de signaux d’alerte injustifié, comme expliqué plus loin.
Par exemple, ici, la règle d’estimation associée au premier groupe de conducteur utilisera une première valeur seuil VS1 égale à 0,02, tandis que la règle d’estimation associée au deuxième groupe de conducteurs utilisera une deuxième valeur seuil VS2 égale à 0, 04 du paramètre PERCLOS.
De manière générale, les valeurs seuil de la règle d’estimation sont ainsi ajustées en fonction des données prédéterminées du groupe de conducteurs considéré.
Lorsque la règle d’estimation de groupe est déterminée par un algorithme d’apprentissage, la base de données initiale utilisée pour entraîner cet algorithme d’apprentissage comprend les couples de variables d’entrée paramètre de surveillance/état de vigilance associés aux conducteurs du groupe de conducteur auquel correspond l’ensemble de données prédéterminé. L’unité de commande 100 est programmée pour déterminer, en fonction de la comparaison réalisée, la règle d’estimation personnalisée pour le conducteur, comme étant la règle d’estimation de groupe associée à l’ensemble de données prédéterminé le plus proche de l’ensemble de données relatives au conducteur.
Dans le cas de l’exemple du paramètre PERCLOS, une pluralité de valeurs mesurées de ce paramètre est acquise par le dispositif de surveillance selon l’invention, par exemple 10000 valeurs mesurées sur plusieurs heures de conduite du véhicule. La distribution de ces valeurs mesurées est comparée à la distribution des valeurs prédéterminées des conducteurs du premier et du deuxième groupe décrits précédemment, en comparant par exemple les moments de ces distributions comme leurs moyennes, déviations standard, coefficient de dissymétrie et/ou coefficient d’aplatissement, ou d’autres caractéristiques statistiques de ces distributions, telles que la médiane ou les percentiles.
Plus précisément, ici, c’est le groupe de conducteurs dont la distribution des valeurs prédéterminées présente la moyenne la plus proche de la moyenne de la distribution des valeurs mesurées du paramètre PERCLOS du conducteur qui est sélectionné par l’étape de comparaison.
Ainsi, si la valeur moyenne de la distribution de valeurs mesurées du paramètre PERCLOS est plus proche de la valeur moyenne de la distribution des valeurs prédéterminées du paramètre PERCLOS du premier groupe de conducteur, l’unité de commande 100 associe au conducteur du véhicule la règle d’estimation du premier groupe. Dans l’exemple décrit ci-dessus, c’est donc la première valeur seuil VS1 qui est utilisée pour estimer l’état de vigilance du conducteur.
Si la valeur moyenne de la distribution de valeurs mesurées du paramètre PERCLOS est plus proche de la valeur moyenne de la distribution des valeurs prédéterminées du paramètre PERCLOS du deuxième groupe de conducteur, c’est la règle d’estimation associée au deuxième groupe qui est utilisée.
Dans la suite du fonctionnement du véhicule, lorsque celui-ci est conduit par le conducteur en question, l’unité de commande 100 est programmée pour estimer l’état de vigilance du conducteur en utilisant ladite règle d’estimation personnalisée pour ce conducteur.
De manière particulièrement avantageuse, le véhicule automobile concerné comprend en outre à cet effet un système de reconnaissance du conducteur.
Ce système de reconnaissance identifie automatiquement le conducteur du véhicule parmi une liste de conducteurs mise en mémoire. Ce système de reconnaissance est basé par exemple sur la reconnaissance faciale du conducteur sur une image de la tête du conducteur, sur le traitement d’une information biométrique (telle qu’une empreinte digitale), ou sur l’identification d’une clé de contact utilisée par le conducteur.
Ce système de reconnaissance transmet alors un identifiant du conducteur à l’unité de commande 100, qui est programmée pour mettre en mémoire la règle d’estimation personnalisée en relation avec cet identifiant du conducteur. L’unité de commande 100 est alors programmée pour utiliser la règle d’estimation personnalisée associée à l’identifiant du conducteur reconnu lors du démarrage du véhicule.
Ainsi, une fois le conducteur identifié automatiquement par le véhicule, l’unité de commande 100 utilise la règle d’estimation personnalisée pour ce conducteur. Cela permet de personnaliser la surveillance du conducteur.
La règle d’estimation étant déterminée en fonction du conducteur, le nombre de signaux d’alerte injustifiés est réduit, ce qui améliore le confort du conducteur, et l’amène à une meilleure acceptation du dispositif de surveillance. En outre, la règle étant plus précise, le dispositif de surveillance permet de commander l’émission de signaux d’alerte dans un plus grand nombre de situations de somnolence ou d’inattention et la sécurité du véhicule et de ses passagers est améliorée.
Dans l’exemple représenté sur les figures, la précision de la règle d’estimation associée au premier groupe de conducteur est de 74%, tandis que la précision de la règle d’estimation associée au deuxième groupe de conducteur est de 87%. En comparaison, une règle d’estimation générique, dont la valeur seuil serait déterminée sur la base de l’ensemble des données des six conducteurs présenterait une valeur seuil VS du paramètre PERCLOS égale à 0,03 (représentée sur la figure 3) et une précision de 68%. Les performances de la règle d’estimation personnalisée sont donc améliorées par rapport à la règle d’estimation générique.
Le dispositif de surveillance 500 comprend en outre un dispositif d’émission d’un signal d’alerte 400 (figure 1).
En fonction du niveau de vigilance du conducteur estimé par l’unité de commande 100, celle-ci est programmée pour commander ou non l’émission d’un signal d’alerte à destination du conducteur.
Le signal d’alerte émis par le dispositif d’émission du signal d’alerte peut être visuel, sonore, ou haptique. Il s’agit par exemple d’un clignotement ou d’un flash lumineux, d’un avertissement sonore ou d’une vibration dans le volant ou le siège du conducteur.
En outre, quel que soit le résultat de la comparaison, la valeur mesurée du paramètre de surveillance et, éventuellement, l’état de vigilance de référence associé, sont mis en mémoire dans un registre 120 en correspondance avec le résultat de la comparaison, de manière à autoriser un suivi des performances de la règle d’estimation personnalisée.
Chaque donnée mise en mémoire dans le registre 120 est également de préférence associée à l’identifiant du conducteur correspondant. Méthode
Sur la figure 2, on a représenté schématiquement les étapes de la méthode de surveillance personnalisée selon l’invention.
En pratique, lorsque le conducteur s’installe dans le véhicule et démarre celui-ci, le conducteur est automatiquement identifié par le dispositif de reconnaissance tel que décrit précédemment.
Le conducteur conduit le véhicule comme à son habitude, sans aucune contrainte particulière.
La méthode de surveillance personnalisée selon l’invention est mise en oeuvre pendant la conduite du véhicule par le conducteur. Selon cette méthode : - on enregistre (bloc 10 de la figure 2) un ensemble de données relatives au conducteur, comprenant au moins un paramètre de surveillance mesuré du conducteur, - on détermine (blocs 30 et 40 de la figure 2) une règle d’estimation personnalisée pour estimer un état de vigilance du conducteur en fonction dudit paramètre de surveillance mesuré du conducteur, en fonction dudit ensemble de données relatives au conducteur et de plusieurs ensembles de données prédéterminés correspondant chacun à un groupe de conducteurs prédéterminé, - on estime (bloc 50 de la figure 2) un état de vigilance du conducteur en utilisant ladite règle d’estimation personnalisée.
Dans l’exemple de mise en oeuvre représenté ici, on détermine la règle d’estimation par les étapes suivantes : - on compare (bloc 30 de la figure 2) ledit ensemble de données relatives au conducteur et plusieurs ensembles de données prédéterminés correspondant chacun à un groupe de conducteurs prédéterminé, - on détermine (bloc 40 de la figure 2), en fonction de cette comparaison, une règle d’estimation personnalisée pour estimer un état de vigilance du conducteur en fonction dudit paramètre de surveillance mesuré du conducteur.
On mesure ledit paramètre de surveillance préalablement grâce au le dispositif de mesure 200.
En outre, de préférence, on met en mémoire la règle d’estimation modifiée en relation avec l’identifiant du conducteur (bloc 70 de la figure 2) préalablement déterminé par le dispositif de reconnaissance.
Enfin, lorsque l’étape d’estimation de l’état de vigilance du conducteur indique que la vigilance du conducteur est insuffisante, on émet un signal d’alerte destiné à améliorer la vigilance du conducteur (bloc 60 de la figure 2).
De préférence, pour estimer l’état de vigilance du conducteur, on mesure une pluralité de valeurs mesurées du paramètre de surveillance et on estime l’état de vigilance du conducteur en fonction de la règle d’estimation personnalisée et de cette pluralité de valeurs mesurées.
Ici, le dispositif de mesure 200 détermine au moins une valeur mesurée du paramètre de surveillance, de préférence une pluralité de valeurs mesurées de ce paramètre de surveillance. L’unité de commande 100 reçoit ces valeurs mesurées du paramètre de surveillance.
Plus particulièrement, ici, le dispositif de mesure 200 capture une pluralité d’images de la tête du conducteur. L’unité de commande 100 reçoit ces images et les traite, par exemple en identifiant, sur chaque image, les yeux du conducteur, et plus particulièrement, la position des paupières, et/ou des pupilles du conducteur. Il est également possible d’identifier la position de reflets de sources lumineuses sur la cornée. L’unité de commande 100 déduit de ces positions la valeur du paramètre de surveillance du conducteur, par exemple la direction du regard, la position des paupières du conducteur et/ou le paramètre PERCLOS. L’unité de commande 100 reçoit également, de préférence, les autres données déterminées, mesurées ou calculées par les autres dispositifs de récupération de données 300. L’ensemble de données relatives au conducteur ainsi constitué est stocké dans le module d’enregistrement 102 de l’unité de commande 100. L’unité de commande 100 se connecte au serveur externe 110, par exemple grâce au réseau de communication sans fil 4G, et charge les ensembles de données prédéterminées stockés sur ce serveur externe.
Le module comparateur 103 de l’unité de commande 100 compare l’ensemble de données relatives au conducteur et les ensembles de données prédéterminés, comme décrit précédemment.
Il en déduit l’ensemble de données prédéterminé le plus proche de l’ensemble de données relatives au conducteur et transmet au module d’estimation 101 de l’unité de commande la règle d’estimation de groupe associée à l’ensemble de données prédéterminé identifié.
Le module d’estimation 101 reçoit également du dispositif de mesure 200, ou du module d’enregistrement 102, les valeurs mesurées du paramètre de surveillance.
Il en déduit l’état de vigilance estimé du conducteur.
De préférence, le module d’estimation 101 transmet la règle d’estimation personnalisée pour sa mise en mémoire en relation avec l’identifiant du conducteur dans le registre 120. On met notamment en mémoire les valeurs seuil des paramètres de surveillance ou la base de données de l’algorithme d’apprentissage de la règle d’estimation, en correspondance avec l’identifiant du conducteur.
Ainsi, lorsque le conducteur est identifié par le système de reconnaissance du véhicule au démarrage, l’unité de commande 100 charge la règle d’estimation personnalisée associée à ce conducteur spécifique.
La règle d’estimation personnalisée étant adaptée spécifiquement au conducteur, les performances de celle-ci sont améliorées. Le nombre de signaux d’alerte injustifiés est réduit et le conducteur n’est pas tenté de désactiver le dispositif de surveillance. L’unité de commande met en mémoire les valeurs mesurées du paramètre de surveillance, l’état de vigilance estimé par la règle d’estimation personnalisée et l’état de vigilance de référence.
Ainsi les performances de la règle d’estimation personnalisée peuvent être précisément suivies.
De préférence, on réalise les étapes d’enregistrements, de comparaison et de détermination à intervalles de temps prédéterminés. Ainsi, la règle d’estimation personnalisée peut être mise à jour, en fonction de l’évolution éventuelle du comportement du conducteur ou de l’évolution des ensembles de données prédéterminés, qui peuvent être affinés afin de rendre la règle d’estimation de groupe associée plus précise.
On peut également envisager en variante que chaque ensemble de données prédéterminées soit subdivisé en plusieurs sous-ensembles de données, et que l’étape de comparaison permette d’identifier également le sous-ensemble le plus proche de l’ensemble de données relatives aux conducteur.
On peut notamment envisager que l’ensemble de données relative au conducteur et chaque ensemble de données prédéterminé comprennent divers sous-ensembles comprenant des données de différentes natures, par exemple provenant de différents dispositifs de mesure ou de récupération de données. On compare alors les sous-ensembles correspondant pour déterminer les sous-ensembles prédéterminés les plus proches des sous-ensembles relatifs au conducteur et on en déduit l’ensemble de données prédéterminé le plus proche de l’ensemble de données relatives au conducteur.
En variante, comme mentionné précédemment, on envisage de déterminer l’ensemble de données prédéterminé le plus proche de l’ensemble de données relatives au conducteur grâce à un algorithme d’apprentissage et d’identifier la règle d’estimation personnalisée à celle associée à cet ensemble de données prédéterminé le plus proche.

Claims (16)

  1. REVENDICATIONS
    1. Dispositif de surveillance personnalisé pour un conducteur d’un véhicule automobile, comprenant - un dispositif de mesure d’un paramètre de surveillance du conducteur, - une unité de commande programmée pour estimer un état de vigilance du conducteur en fonction d’une règle d’estimation et en fonction de la valeur mesurée dudit paramètre de surveillance, - l’unité de commande étant en outre programmée pour déterminer ladite règle d’estimation de manière personnalisée pour ledit conducteur en fonction d’un ensemble de données relatives au conducteur comprenant au moins ladite valeur mesurée du paramètre de surveillance et de plusieurs ensembles de données prédéterminés correspondant chacun à un groupe de conducteurs prédéterminé.
  2. 2. Dispositif de surveillance personnalisé selon la revendication 1, dans lequel chaque ensemble de données prédéterminé est associé à une règle d’estimation prédéterminée et l’unité de commande est programmée pour identifier la règle d’estimation personnalisée pour le conducteur à l’une desdites règles d’estimation prédéterminées.
  3. 3. Dispositif de surveillance personnalisé selon la revendication 2, dans lequel l’unité de commande est programmée pour - déterminer l’ensemble de données prédéterminé le plus proche de l’ensemble de données relatives au conducteur et - identifier la règle d’estimation personnalisée pour le conducteur à la règle d’estimation prédéterminée associé à l’ensemble de données prédéterminé le plus proche de l’ensemble de données relatives au conducteur.
  4. 4. Dispositif de surveillance personnalisé selon la revendication 3, dans lequel l’unité de commande est programmée pour déterminer l’ensemble de données prédéterminé le plus proche de l’ensemble de données relatives au conducteur en comparant ledit ensemble de données relatives au conducteur et lesdits ensembles de données prédéterminés.
  5. 5. Dispositif de surveillance personnalisé selon la revendication 3, dans lequel l’unité de commande comprend un algorithme d’apprentissage adapté à déterminer l’ensemble de données prédéterminé le plus proche dudit ensemble de données relatives au conducteur,
  6. 6. Dispositif de surveillance personnalisé selon l’une des revendications précédentes, dans lequel ledit ensemble de donnée relatives au conducteur comprend en outre au moins l’une des données suivantes : - une donnée renseignée par le conducteur, - une donnée relative à l’environnement du conducteur, - une donnée relative au comportement physiologique du conducteur, - une donnée relative à la conduite du conducteur.
  7. 7. Dispositif de surveillance selon l’une des revendications précédentes, dans lequel ledit paramètre de surveillance mesuré par le dispositif de mesure est relatif à la direction de regard du conducteur et/ou à la posture de la tête du conducteur, et/ou à la fermeture des paupières du conducteur et/ou le mouvement imposé au volant par le conducteur.
  8. 8. Dispositif de surveillance selon l’une des revendications précédentes, dans lequel le dispositif de mesure comprend au moins un dispositif de capture d’image de la tête du conducteur et ledit paramètre de surveillance du conducteur mesuré est déterminé en fonction d’au moins une image capturée de la tête du conducteur.
  9. 9. Dispositif de surveillance selon l’une des revendications précédentes, dans lequel l’unité de commande est programmée pour mettre en mémoire la règle d’estimation personnalisée en relation avec un identifiant du conducteur.
  10. 10. Dispositif de surveillance selon l’une des revendications précédentes, dans lequel il est prévu un dispositif de génération d’un signal d’alerte et dans lequel l’unité de commande est programmée pour déclencher la génération du signal d’alerte en fonction de l’état de vigilance du conducteur estimé.
  11. 11. Méthode de surveillance personnalisée du conducteur d’un véhicule automobile, comprenant les étapes suivantes : - on enregistre un ensemble de données relatives au conducteur, comprenant au moins un paramètre de surveillance mesuré du conducteur, - on détermine une règle d’estimation personnalisée pour estimer un état de vigilance du conducteur en fonction dudit paramètre de surveillance mesuré du conducteur, en fonction dudit ensemble de données relatives au conducteur et de plusieurs ensembles de données prédéterminés correspondant chacun à un groupe de conducteurs prédéterminé. - on estime un état de vigilance du conducteur en utilisant ladite règle d’estimation personnalisée.
  12. 12. Méthode de surveillance personnalisée selon la revendication 11, selon laquelle on réalise les étapes d’enregistrements et de détermination à intervalles de temps prédéterminés.
  13. 13. Méthode de surveillance personnalisée selon l’une des revendications 11 et 12, selon laquelle, chaque ensemble de données prédéterminé étant associé à une règle d’estimation prédéterminée, on identifie la règle d’estimation personnalisée pour le conducteur à l’une desdites règles d’estimation prédéterminées.
  14. 14. Méthode de surveillance personnalisée selon la revendication 13, selon laquelle on identifie la règle d’estimation personnalisée pour le conducteur à la règle d’estimation prédéterminée associé à l’ensemble de données prédéterminé le plus proche de l’ensemble de données relatives au conducteur.
  15. 15. Méthode de surveillance selon l’une des revendications 11 à 14, selon laquelle, on met en mémoire la règle d’estimation personnalisée en relation avec un identifiant du conducteur.
  16. 16. Méthode de surveillance selon l’une des revendications 11 à 15, selon laquelle, lorsque l’étape d’estimation de l’état de vigilance du conducteur indique que la vigilance du conducteur est insuffisante, on émet un signal d’alerte destiné à améliorer la vigilance du conducteur.
FR1651687A 2016-03-01 2016-03-01 Dispositif et methode de surveillance personnalises d'un conducteur d'un vehicule automobile Withdrawn FR3048542A1 (fr)

Priority Applications (6)

Application Number Priority Date Filing Date Title
FR1651687A FR3048542A1 (fr) 2016-03-01 2016-03-01 Dispositif et methode de surveillance personnalises d'un conducteur d'un vehicule automobile
CN201780025522.9A CN109690640A (zh) 2016-03-01 2017-03-01 用于监测机动车辆驾驶员的个性化装置和方法
US16/082,192 US11312384B2 (en) 2016-03-01 2017-03-01 Personalized device and method for monitoring a motor vehicle driver
PCT/EP2017/054831 WO2017149045A1 (fr) 2016-03-01 2017-03-01 Dispositif et méthode de surveillance personnalisés d'un conducteur d'un véhicule automobile
EP17707079.4A EP3424030A1 (fr) 2016-03-01 2017-03-01 Dispositif et méthode de surveillance personnalisés d'un conducteur d'un véhicule automobile
JP2018546448A JP2019507443A (ja) 2016-03-01 2017-03-01 自動車両のドライバーを監視するための個別化装置及び方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
FR1651687A FR3048542A1 (fr) 2016-03-01 2016-03-01 Dispositif et methode de surveillance personnalises d'un conducteur d'un vehicule automobile

Publications (1)

Publication Number Publication Date
FR3048542A1 true FR3048542A1 (fr) 2017-09-08

Family

ID=55808692

Family Applications (1)

Application Number Title Priority Date Filing Date
FR1651687A Withdrawn FR3048542A1 (fr) 2016-03-01 2016-03-01 Dispositif et methode de surveillance personnalises d'un conducteur d'un vehicule automobile

Country Status (6)

Country Link
US (1) US11312384B2 (fr)
EP (1) EP3424030A1 (fr)
JP (1) JP2019507443A (fr)
CN (1) CN109690640A (fr)
FR (1) FR3048542A1 (fr)
WO (1) WO2017149045A1 (fr)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020120760A1 (fr) * 2018-12-13 2020-06-18 Continental Automotive France Procédé de détermination d'un niveau de somnolence d'un conducteur de véhicule

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108021875A (zh) * 2017-11-27 2018-05-11 上海灵至科技有限公司 一种车辆驾驶员个性化疲劳监测及预警方法
DE112018007454T5 (de) * 2018-04-11 2021-02-11 Mitsubishi Electric Corporation Insassenzustand-Bestimmungsvorrichtung, Warnausgabe-Steuervorrichtung und Insassenzustand-Bestimmungsverfahren
JP2021026596A (ja) * 2019-08-07 2021-02-22 トヨタ自動車株式会社 運転行動評価装置、運転行動評価方法、及び運転行動評価プログラム
EP3795441A1 (fr) * 2019-09-17 2021-03-24 Aptiv Technologies Limited Procédé et dispositif pour déterminer une estimation de la capacité d'un conducteur de véhicule à prendre le contrôle d'un véhicule
US11587461B2 (en) * 2019-10-23 2023-02-21 GM Global Technology Operations LLC Context-sensitive adjustment of off-road glance time
US11518391B1 (en) * 2020-05-26 2022-12-06 BlueOwl, LLC Systems and methods for identifying distracted driving events using semi-supervised clustering
US11810198B2 (en) 2020-05-26 2023-11-07 BlueOwl, LLC Systems and methods for identifying distracted driving events using common features
US11518392B1 (en) 2020-06-26 2022-12-06 BlueOwl, LLC Systems and methods for identifying distracted driving events using unsupervised clustering
CN112489369B (zh) * 2020-11-06 2022-07-05 安徽盛瑞科技有限公司 一种适用于车载导航系统的防瞌睡警报装置及使用方法
JP2022142941A (ja) * 2021-03-17 2022-10-03 本田技研工業株式会社 運転支援装置、運転支援方法及びプログラム
CN114287939A (zh) * 2021-12-13 2022-04-08 上海航盛实业有限公司 一种疲劳驾驶检测方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7027621B1 (en) * 2001-03-15 2006-04-11 Mikos, Ltd. Method and apparatus for operator condition monitoring and assessment
WO2008018699A1 (fr) * 2006-08-11 2008-02-14 Electronics And Telecommunications Research Institute Appareil de fourniture d'interface adaptative et procédé associé
WO2009126071A1 (fr) * 2008-04-11 2009-10-15 Volvo Technology Corporation Procédé de modification d'un plan de conduite d'un véhicule en direction d'une destination
WO2014177758A1 (fr) * 2013-05-03 2014-11-06 Jyväskylän Yliopisto Procédé, dispositif et produit programme informatique pour gérer la sécurité du conducteur, procédé pour gérer la sécurité de l'utilisateur et procédé pour définir un itinéraire
FR3012029A1 (fr) * 2013-10-23 2015-04-24 Peugeot Citroen Automobiles Sa Procede de detection de la baisse de vigilance du conducteur d'un vehicule automobile
US20150235096A1 (en) * 2014-02-14 2015-08-20 GM Global Technology Operations LLC Methods and systems for detecting driver attention to objects
US9135803B1 (en) * 2014-04-17 2015-09-15 State Farm Mutual Automobile Insurance Company Advanced vehicle operator intelligence system

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7269504B2 (en) * 2004-05-12 2007-09-11 Motorola, Inc. System and method for assigning a level of urgency to navigation cues
US7394393B2 (en) * 2005-08-02 2008-07-01 Gm Global Technology Operations, Inc. Adaptive driver workload estimator
JP4791874B2 (ja) * 2006-03-31 2011-10-12 株式会社エクォス・リサーチ 運転支援装置及び運転行動判定装置
JP2009015548A (ja) * 2007-07-04 2009-01-22 Omron Corp 運転支援装置および方法、並びに、プログラム
JP5161643B2 (ja) * 2008-04-23 2013-03-13 富士重工業株式会社 安全運転支援システム
US8548660B2 (en) * 2009-09-11 2013-10-01 Alte Powertrain Technologies, Inc. Integrated hybrid vehicle control strategy
CN101667323A (zh) * 2009-09-25 2010-03-10 武汉理工大学 一种驾驶员分神实时监测报警装置
US8384534B2 (en) * 2010-01-14 2013-02-26 Toyota Motor Engineering & Manufacturing North America, Inc. Combining driver and environment sensing for vehicular safety systems
EP2544914B1 (fr) * 2010-03-12 2019-03-13 Tata Consultancy Services Ltd. Systeme de securite vehiculaire, de personnalisation et de surveillance cardiaque d'un conducteur
US8554513B2 (en) * 2010-10-28 2013-10-08 Ashland Licensing And Intellectual Property, Llc Method of testing and proving fuel efficiency improvements
US20140309866A1 (en) * 2013-04-15 2014-10-16 Flextronics Ap, Llc Building profiles associated with vehicle users
US20140019167A1 (en) * 2012-07-16 2014-01-16 Shuli Cheng Method and Apparatus for Determining Insurance Risk Based on Monitoring Driver's Eyes and Head
DE102012214464A1 (de) * 2012-08-14 2014-02-20 Ford Global Technologies, Llc System zur Überwachung und Analyse des Fahrverhaltens eines Fahrers in einem Kraftfahrzeug
KR102181927B1 (ko) * 2012-12-11 2020-11-24 아미 클린 교감 및 지각된 자극 현저성의 표지로서 깜박임 억제를 검출하기 위한 시스템들 및 방법들
US8952819B2 (en) * 2013-01-31 2015-02-10 Lytx, Inc. Direct observation event triggering of drowsiness
US9751534B2 (en) * 2013-03-15 2017-09-05 Honda Motor Co., Ltd. System and method for responding to driver state
WO2015118325A1 (fr) * 2014-02-04 2015-08-13 Sudak Menachem Système et procédé de surveillance
US10343682B2 (en) * 2014-10-17 2019-07-09 Ford Global Technologies, Llc Vehicle operation based on activity tracking
US20210169417A1 (en) * 2016-01-06 2021-06-10 David Burton Mobile wearable monitoring systems

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7027621B1 (en) * 2001-03-15 2006-04-11 Mikos, Ltd. Method and apparatus for operator condition monitoring and assessment
WO2008018699A1 (fr) * 2006-08-11 2008-02-14 Electronics And Telecommunications Research Institute Appareil de fourniture d'interface adaptative et procédé associé
WO2009126071A1 (fr) * 2008-04-11 2009-10-15 Volvo Technology Corporation Procédé de modification d'un plan de conduite d'un véhicule en direction d'une destination
WO2014177758A1 (fr) * 2013-05-03 2014-11-06 Jyväskylän Yliopisto Procédé, dispositif et produit programme informatique pour gérer la sécurité du conducteur, procédé pour gérer la sécurité de l'utilisateur et procédé pour définir un itinéraire
FR3012029A1 (fr) * 2013-10-23 2015-04-24 Peugeot Citroen Automobiles Sa Procede de detection de la baisse de vigilance du conducteur d'un vehicule automobile
US20150235096A1 (en) * 2014-02-14 2015-08-20 GM Global Technology Operations LLC Methods and systems for detecting driver attention to objects
US9135803B1 (en) * 2014-04-17 2015-09-15 State Farm Mutual Automobile Insurance Company Advanced vehicle operator intelligence system

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020120760A1 (fr) * 2018-12-13 2020-06-18 Continental Automotive France Procédé de détermination d'un niveau de somnolence d'un conducteur de véhicule
FR3090171A1 (fr) * 2018-12-13 2020-06-19 Continental Automotive France Procédé de détermination d’un niveau de somnolence d’un conducteur de véhicule

Also Published As

Publication number Publication date
CN109690640A (zh) 2019-04-26
EP3424030A1 (fr) 2019-01-09
US11312384B2 (en) 2022-04-26
US20200290628A1 (en) 2020-09-17
WO2017149045A1 (fr) 2017-09-08
JP2019507443A (ja) 2019-03-14

Similar Documents

Publication Publication Date Title
FR3048542A1 (fr) Dispositif et methode de surveillance personnalises d'un conducteur d'un vehicule automobile
US9908530B1 (en) Advanced vehicle operator intelligence system
US10343693B1 (en) System and method for monitoring and reducing vehicle operator impairment
Chang et al. Design and implementation of a drowsiness-fatigue-detection system based on wearable smart glasses to increase road safety
WO2017207925A1 (fr) Dispositif connecté de suivi comportemental d'un individu et permettant la détection et/ou la prévention d'une anomalie
FR3048544A1 (fr) Dispositif et methode de surveillance d'un conducteur d'un vehicule automobile
EP3265334B1 (fr) Dispositif et procede de prediction d'un niveau de vigilance chez un conducteur d'un vehicule automobile
WO2017149046A1 (fr) Dispositif et méthode de surveillance d'un conducteur d'un véhicule de transport
WO2009071598A1 (fr) Procede et equipement de detection de situation critique d'un sujet
FR3038770A1 (fr) Systeme de surveillance de l'etat de vigilance d'un operateur
US20230339475A1 (en) Facial recognition and monitoring device, system, and method
EP3590421A1 (fr) Procédé et dispositif de surveillance de la capacité à agir d'un membre d'équipage d'un aéronef
US20190180126A1 (en) State estimation apparatus, method, and non-transitory recording medium
WO2017137612A1 (fr) Dispositif et méthode anti-collision pour un véhicule automobile
FR3057517A1 (fr) Dispositif de prevention des situations dangereuses pour un conducteur d'un vehicule de transport et procede associe
AU2021105935A4 (en) System for determining physiological condition of driver in autonomous driving and alarming the driver using machine learning model
FR3057516A1 (fr) Dispositif de prevention des situations dangereuses pour un conducteur d'un vehicule de transport et procede associe
FR3107495A1 (fr) Dispositif de surveillance pour surveiller une personne qui conduit un véhicule
EP4041606B1 (fr) Détermination d'un état d'utilisateur conduisant activement ou non un véhicule automobile
EP4245221A1 (fr) Dispositif électronique de surveillance d'un état neurophysiologique d'un opérateur dans un poste de commande d'un aéronef, procédé de surveillance et programme d ordinateur associés
FR2978719A1 (fr) Procede et systeme predictif d'un etat de somnolence d'un conducteur de vehicule
FR3133691A1 (fr) Procédé de labellisation de données pour construire une base de données pour configurer, valider et/ou tester une application de surveillance du niveau de fatigue d’un individu
FR3113370A1 (fr) Procede et systeme de detection de la somnolence d’un individu
FR3113368A1 (fr) Procede et systeme de detection de la somnolence d’un individu
WO2017097940A1 (fr) Dispositif et méthode de gestion du réveil d'un utilisateur d'un véhicule automobile

Legal Events

Date Code Title Description
PLFP Fee payment

Year of fee payment: 2

PLSC Publication of the preliminary search report

Effective date: 20170908

PLFP Fee payment

Year of fee payment: 3

PLFP Fee payment

Year of fee payment: 5

ST Notification of lapse

Effective date: 20211105