FR3074123A1 - Evaluation d'un style de conduite d'un conducteur d'un vehicule routier en mouvement par apprentissage automatique - Google Patents

Abstract

La présente invention a pour objet des modèles d'apprentissage automatique entrainés (100), des procédés (300, 400) et des appareils (500, 600) permettant évaluer un style de conduite d'un conducteur d'un véhicule routier en mouvement. Le principe général de l'invention est basé sur la détermination des différentes variations de style de conduite d'un conducteur d'un véhicule routier au cours d'une session de conduite grâce à l'apprentissage automatique (« machine learning », en langue anglaise). Pour cela, l'invention propose de créer un modèle d'apprentissage automatique qui est entrainé pour évaluer un style de conduite récent d'un conducteur d'un véhicule routier. Dans l'invention, le modèle d'apprentissage automatique entrainé est obtenu selon une démarche d'apprentissage automatique en deux phases impliquant une classification non-supervisée (« clustering », en langue anglaise) suivie d'une classification supervisée (« classification », en langue anglaise).

Description

La présente invention concerne le domaine de l’évaluation d’un style de conduite d’un conducteur d’un véhicule routier en mouvement. Plus précisément, elle concerne des modèles d’apprentissage automatique entraînés, des procédés, des appareils et un ensemble de programmes informatiques permettant d’évaluer un style de conduite d’un conducteur d’un véhicule routier.

Dans le domaine automobile, il existe des systèmes d’aide à la conduite permettant d’assister le conducteur d’un véhicule en intervenant directement dans l’activité du conducteur ou en renforçant son action. Il s’agit essentiellement des systèmes d’assistance au contrôle longitudinal et/ou au contrôle latéral du véhicule.

Par exemple, un système d’assistance au dépassement utilise des règles de contrôle qui peuvent amener un véhicule routier à ralentir pour empêcher une procédure de dépassement jugée dangereuse. Or, les règles de contrôle qui permettent d’autoriser ou non un dépassement conviennent rarement à tous les conducteurs, qui réagissent différemment lors du dépassement d’un véhicule.

Ainsi, dans l’exemple précédent, les systèmes d'aide à la conduite du type système d’assistance au dépassement ne seront bien acceptés par les conducteurs que s'ils sont capables de s'adapter automatiquement à leur style de conduite. Pour cela, il est nécessaire de pouvoir déterminer le style de conduite d’un conducteur.

Dans l’art antérieur connu, le style de conduite d’un conducteur est choisi parmi des styles de conduite prédéterminés qui permettent d’identifier, par exemple, un style de conduite dite normal, un style de conduite dite sportive et un style de conduite dite économique.

Or, les styles de conduite prédéterminés de l’art antérieur sont fixes pour tous les conducteurs et ne correspondent pas nécessairement à la réalité du comportement dynamique de conduite de chaque conducteur. En effet, lors d’une session de conduite, un conducteur d’un véhicule routier peut voir son style de conduite varier dans le temps. Par exemple, un conducteur ayant un style de conduite dite sportive pourra être distrait pendant un laps de temps donné en étant, par exemple, attiré par le paysage, un évènement se produisant en périphérie de la route ou une information diffusée par la radio du véhicule. Dans ce cas, il est probable que pendant ce laps de temps, le style de conduite ne sera plus sportif.

Par conséquent, il est nécessaire de pouvoir déterminer les différents styles de conduite d’un conducteur au cours d’une session de conduite.

La présente invention vise donc à éliminer les inconvénients précités. Pour cela, dans un premier aspect de l’invention, l’invention propose un modèle d’apprentissage automatique entraîné pour évaluer un style de conduite d’un conducteur d’un véhicule routier en mouvement.

Dans un deuxième aspect de l’invention, il est proposé un procédé d’évaluation d’un style de conduite d’un conducteur d’un véhicule routier en mouvement à partir du modèle d’apprentissage automatique entraîné du premier aspect de l’invention.

Dans un troisième aspect de l’invention, il est proposé un appareil pour évaluer un style de conduite d’un conducteur d’un véhicule routier en mouvement à partir des étapes de procédé du deuxième aspect de l’invention.

Enfin, dans un quatrième aspect de l’invention, il est proposé un appareil pour assister un conducteur d’un véhicule routier lors d’une manœuvre de dépassement d’un véhicule routier à partir de l’appareil du troisième aspect de l’invention.

Ainsi, l’invention se rapporte à modèle d’apprentissage automatique entraîné pour évaluer un style de conduite d’un conducteur d’un véhicule routier en mouvement, le modèle d’apprentissage automatique entraîné étant obtenu selon les étapes suivantes :

• une étape d’acquisition durant laquelle on acquiert, à chaque fenêtre temporelle d’une pluralité de fenêtres temporelles, une pluralité de tronçons de sessions de conduite relatives à une pluralité de véhicules routiers d’entrainement en mouvement, chaque tronçon étant associé à une pluralité de caractéristiques dynamiques relatives au roulage du véhicule routier d’entrainement, • une étape de calcul durant laquelle on calcule, pour chaque tronçon, des grandeurs mathématiques à partir de la pluralité de caractéristiques dynamiques associée, • une étape de création durant laquelle on crée, pour chaque tronçon, un vecteur caractéristique à partir de la pluralité de caractéristiques dynamiques associée et des grandeurs mathématiques associées, • une étape de partitionnement durant laquelle on partitionne au moins une partie de l’ensemble des vecteurs caractéristiques en une pluralité de classes de style de conduite, à partir d’un algorithme de classification non supervisé, • une étape de création durant laquelle on crée une première variable de modèle d’apprentissage automatique comprenant, pour chaque tronçon associé au partitionnement, le vecteur caractéristique associé et la classe de style de conduite associée au vecteur caractéristique, et • une étape d’entrainement de modèle durant laquelle, on entraîne un modèle d’apprentissage automatique pour classifier un tronçon d’une session de conduite d’un véhicule routier en mouvement selon le nombre prédéterminé de classes de style de conduite, à partir d’un algorithme de classification supervisée et de la première variable de modèle d’apprentissage automatique.

Selon un premier mode de réalisation, la durée de chaque fenêtre temporelle est prédéterminée.

Selon un second mode de réalisation, la durée de chaque fenêtre temporelle est déterminée en fonction d’une variation croissante ou décroissante de la vitesse de roulage du véhicule routier d’entrainement, et le vecteur caractéristique de chaque tronçon comprend, en outre, la durée de la fenêtre temporelle associée.

Dans une variante, au moins une partie de l’ensemble des tronçons comprend une vitesse de roulage limite autorisée, le modèle d’apprentissage automatique comprenant en outre les étapes suivantes :

• une étape de calcul durant laquelle on calcule, pour chaque tronçon, au moins une différence entre la vitesse de roulage du véhicule routier d’entrainement et la vitesse de roulage limite autorisée, • une étape d’ajout durant laquelle on ajoute, pour chaque tronçon, la différence calculée au vecteur caractéristique associé.

Dans une autre variante, l’algorithme de classification non supervisé est basé sur la méthode des « « nuées dynamiques et l’algorithme de classification supervisée est basé sur la méthode des « forêts d'arbres décisionnels >>.

L’invention couvre également un procédé d’évaluation d’un style de conduite d’un conducteur d’un véhicule routier en mouvement, le véhicule routier comprenant un bus de communication de données, couplé à une pluralité de capteurs de caractéristiques dynamiques relatives au roulage du véhicule routier, le procédé comprenant les étapes suivantes :

• une étape d’acquisition durant laquelle on acquiert, pour une fenêtre temporelle d’une pluralité de fenêtres temporelles, au moins un tronçon d’une session de conduite à partir du bus de communication de données, le tronçon étant associé à une pluralité de caractéristiques dynamiques relatives au roulage du véhicule routier, • une étape de calcul durant laquelle on calcule des grandeurs mathématiques à partir de la pluralité de caractéristiques dynamiques associée au tronçon, • une étape de création durant laquelle on crée un vecteur caractéristique à partir de la pluralité de caractéristiques dynamiques et des grandeurs mathématiques, respectivement associés au tronçon, et • une étape d’évaluation durant laquelle on évalue une classe de style de conduite du conducteur du véhicule routier, à partir du vecteur caractéristique et d’un modèle d’apprentissage automatique entraîné tel que décrit précédemment.

Dans un premier mode de réalisation, le procédé décrit ci-dessus comprend en outre les étapes suivantes :

• une étape d’obtention durant laquelle on obtient une vitesse de roulage limite autorisée, associée au tronçon, • une étape de calcul durant laquelle on calcule au moins une différence entre la vitesse de roulage du véhicule routier d’entrainement et la vitesse de roulage limite autorisée, • une étape d’ajout durant laquelle on ajoute la différence calculée au vecteur caractéristique.

Dans un second mode de réalisation, le procédé décrit ci-dessus comprend en outre les étapes suivantes :

• une étape de création durant laquelle on crée une deuxième variable de modèle d’apprentissage automatique comprenant, le vecteur caractéristique courant et la classe de style de conduite associée au vecteur caractéristique courant, • une étape de transmission durant laquelle on transmet, par le véhicule routier, la deuxième variable de modèle d’apprentissage automatique à un serveur distant d'une architecture d'informatique dans le « nuage informatique >>, • une étape d’entrainement de modèle durant laquelle on entraîne, par le serveur distant, le modèle d’apprentissage automatique entraîné tel que décrit précédemment, à partir d’un algorithme de classification supervisée et de la deuxième variable de modèle d’apprentissage automatique, et • une étape de transmission durant laquelle on transmet, par le serveur distant, le nouveau modèle d’apprentissage automatique entraîné au véhicule routier.

L’invention couvre en outre un appareil pour évaluer un style de conduite d’un conducteur d’un véhicule routier en mouvement, le véhicule routier comprenant un bus de communication de données, couplé à une pluralité de capteurs de caractéristiques dynamiques relatives au roulage du véhicule routier, l’appareil comprenant :

• une mémoire pour stocker des caractéristiques dynamiques relatives au roulage du véhicule routier et au moins une vitesse de roulage limite autorisée, • une unité de commande électronique couplée à la mémoire, l’unité de commande électronique étant configurée pour exécuter des instructions pour mettre en oeuvre un procédé tel que décrit précédemment.

Enfin, l’invention couvre un appareil pour assister un conducteur d’un véhicule routier lors d’une manoeuvre de dépassement d’un véhicule routier, l’appareil comprenant :

• un module d’assistance au dépassement pour détecter l’amorce de la manoeuvre de dépassement et estimer une distance de séparation avec le véhicule routier à dépasser, et • un appareil d’évaluation de style de conduite selon l’appareil décrit précédemment, pour évaluer un style de conduite d’un conducteur du véhicule routier au cours d’au moins un tronçon d’une session de conduite précédant l’amorce de la manoeuvre de dépassement, dans lequel, le module d’assistance est en outre configuré pour autoriser ou non la manoeuvre de dépassement amorcée, en fonction de la distance de séparation et du style de conduite du conducteur du véhicule routier.

D’autres caractéristiques et avantages de l'invention seront mieux compris à la lecture de la description qui va suivre et en référence aux dessins annexés, donnés à titre illustratif et nullement limitatif.

- La figure 1 représente le principe général de l’entrainement d’un modèle d’apprentissage automatique, selon l’invention.

- La figure 2 représente un procédé d’obtention d’un modèle d’apprentissage automatique entraîné, selon l’invention.

- La figure 3 représente une session de conduite d’un véhicule routier d’entrainement divisée en tronçons selon l’invention.

- Les figures 4A et 4B représentent un exemple de partitionnement d’un jeu d’observations en plusieurs classes.

- La figure 5 représente un procédé d’utilisation du modèle d’apprentissage automatique entraîné dans la figure 2.

- La figure 6 représente un procédé d’entrainement continu du modèle d’apprentissage automatique entraîné dans la figure 2.

- La figure 7A représente un appareil d’évaluation de style de conduite selon une mise en oeuvre de l’invention.

- La figure 7B représente un appareil d’assistance au dépassement d’un véhicule routier par un véhicule routier selon le style de conduite du conducteur du véhicule routier.

Pour des raisons de clarté, les éléments représentés ne sont pas nécessairement représentés à la même échelle, les uns par rapport aux autres, sauf mention contraire.

Le principe général de l’invention est basé sur la détermination des variations de style de conduite d’un conducteur d’un véhicule routier au cours d’une session de conduite grâce à l’apprentissage automatique (« machine learning >>, en langue anglaise). On entend par « véhicule routier >>, tous véhicule doté d’un moteur (généralement à combustion interne ou électrique) destiné à le mouvoir sur la route et capable de transporter des personnes ou des charges (par exemple, une voiture, un camion ou une motocyclette).

Pour cela, l’invention propose de créer un modèle d’apprentissage automatique qui est entraîné pour évaluer le style de conduite récent d’un conducteur d’un véhicule routier. Grâce au modèle d’apprentissage automatique entraîné selon l’invention, il est possible de personnaliser certains systèmes d’aide à la conduite en fonction de l’évolution dans le temps du style de conduite du conducteur.

Dans l’invention, le modèle d’apprentissage automatique entraîné est obtenu selon une démarche d’apprentissage automatique en deux phases impliquant une classification non supervisée (« clustering >>, en langue anglaise) suivie d’une classification supervisée (« classification >>, en langue anglaise).

Dans la première phase, dite de classification non supervisée, un jeu d’observations de sessions de conduite passées est regroupé automatiquement dans des groupes homogènes, appelés classes (« clusters >>, en langue anglaise). Dans ce cadre, le modèle d’apprentissage automatique utilisé est un modèle dit descriptif dans lequel on découvre automatiquement une partition du jeu d’observations de sessions de conduite passées, de sorte que les observations à l’intérieur d’une même classe soient similaires et que les observations appartenant à deux classes différentes soient différentes.

Dans la deuxième phase, dite de classification supervisée (« classification >>, en langue anglaise), au moins une partie du jeu d’observations de sessions de conduite passées, qui a été utilisé dans la première phase, est « labélisé >>. En pratique, cela signifie que chaque observation est accompagnée d’un label qui identifie le phénomène à classer, à savoir l’une des classes de style de conduite obtenue lors de la première phase. Dans ce cadre, le modèle d’apprentissage automatique utilisé est un modèle dit prédictif dans lequel on découvre des corrélations significatives entre le jeu d’observations de sessions de conduite passées et les classes de style de conduite obtenue lors de la première phase, et dans lequel on cherche à généraliser ces corrélations à des cas non encore observés. À ce titre, le modèle d’apprentissage automatique supervisé se distingue des modèles dits explicatifs dans lesquels on cherche à comprendre le mécanisme causal qui sous-tend le phénomène à classer.

La figure 1 illustre le principe général de l’entrainement d’un modèle d’apprentissage automatique.

Dans la figure 1, des données brutes Di sont utilisées par un procédé 100 pour obtenir un modèle d’apprentissage automatique entraîné 200.

La figure 2 illustre le procédé 100 d’obtention du modèle d’apprentissage automatique entraîné 200, selon l’invention.

Le procédé 100 nécessite une pluralité (non représentée) de véhicules routiers d’entrainement en mouvement qui sont utilisés pour l’entrainement du modèle d’apprentissage automatique entraîné 200. En pratique, il s’agit de véhicules routiers présentant les mêmes caractéristiques techniques ou des caractéristiques techniques similaires. On entend par caractéristiques techniques, par exemple, les caractéristiques liées au moteur et/ou à la transmission. En outre, chaque véhicule routier d’entrainement comprend un bus de communication de données, par exemple, de type CAN (« Controller Area Network >>, en langue anglaise) ou FlexRay. Le bus de communication de chaque véhicule routier d’entrainement est couplé à une pluralité de capteurs de caractéristiques dynamiques relatives au roulage du véhicule routier d’entrainement. De manière classique, lesdits capteurs sont configurés pour réaliser une acquisition à chacun des instants d’acquisition d'une pluralité d'instants d’acquisition successifs.

Dans un exemple, les capteurs de caractéristiques dynamiques relatives au roulage du véhicule routier d’entrainement sont configurés pour acquérir les caractéristiques suivantes : vitesse longitudinale, accélération longitudinale et accélération latérale. Dans une mise en oeuvre particulière, les capteurs de caractéristiques dynamiques relatives au roulage du véhicule routier d’entrainement sont, en outre, configurés pour acquérir des caractéristiques dynamiques relatives au roulage du véhicule routier d’entrainement qui sont directement liées aux actions du conducteur. Par exemple, les capteurs de caractéristiques dynamiques relatives au roulage du véhicule routier d’entrainement sont, en outre, configurés pour acquérir les caractéristiques suivantes : force et/ou durée de la force exercée sur la pédale de frein, force et/ou durée de la force exercée sur la pédale d’accélérateur, couple moteur, régime moteur, vitesse angulaire moteur et rotation du volant/inclinaison du guidon.

Dans l’exemple de la figure 2, le procédé 100 consiste tout d’abord à acquérir à l’étape 110, à chaque fenêtre temporelle d’une pluralité de fenêtres temporelles, une pluralité de tronçons de sessions de conduite relatives à une pluralité de véhicules routiers d’entrainement en mouvement. Dans un exemple de l’invention, les fenêtres temporelles se chevauchent. Dans une mise en oeuvre particulière, on acquiert d’abord l’ensemble des sessions, puis on réalise un découpage de chaque session selon les fenêtres temporelles. Dans le reste de la description, on entend par session de conduite, la circulation d’un véhicule routier, conduit par un conducteur, sur un parcours routier entre un point de départ et un point d’arrivée. Dans l’invention, chaque tronçon est associé à une pluralité de caractéristiques dynamiques relatives au roulage du véhicule routier d’entrainement, telles que décrites plus haut.

La figure 3 représente une session de conduite d’un véhicule routier d’entrainement divisée en tronçons selon l’invention. Le temps figure en abscisse 10 et huit signaux 31,32, 33, 34, 35, 36, 37 et 38 qui sont associés à des caractéristiques dynamiques relatives au roulage du véhicule routier d’entrainement figurent en ordonnée 20. On observe également quatre fenêtres temporelles 40 qui se chevauchent au niveau des zones hachurées 50 pour former quatre tronçons de la session de conduite.

Dans un exemple, les fenêtres temporelles 40 se chevauchent pendant une durée prédéterminée ; par exemple 500 ms, 1 s ou 2 s. Toutefois, comme mentionné plus haut, les fenêtres temporelles 40 peuvent ne pas se chevaucher, sans que cela nécessite une modification de l’invention.

Dans une mise en oeuvre particulière, la durée de chaque fenêtre temporelle 40 est prédéterminée, par exemple 10 s, 15 s, 20 s, 45 s, 50 s ou 60 s.

Dans une autre mise en oeuvre particulière, la durée de chaque fenêtre temporelle 40 est déterminée en fonction d’une variation croissante ou décroissante de la vitesse de roulage du véhicule routier d’entrainement.

Dans un premier exemple de cette mise en oeuvre particulière, l’un des signaux 31,32, 33, 34, 35, 36, 37, 38 représente l’évolution dans le temps de la vitesse longitudinale du véhicule routier d’entrainement. Grâce à cette information, il est possible de définir au moins deux types de fenêtres temporelles 40. Un premier type de fenêtre temporelle 40 s’étend sur une période de croissance du signal représentant la vitesse longitudinale du véhicule routier d’entrainement. Ainsi, le premier type de fenêtre temporelle 40 peut être assimilé à une phase d’accélération du véhicule routier d’entrainement. Un deuxième type de fenêtre temporelle 40 s’étend sur une période de décroissance du signal représentant la vitesse longitudinale du véhicule routier d’entrainement. Ainsi, le deuxième type de fenêtre temporelle 40 peut être assimilé à une phase de décélération du véhicule routier d’entrainement. Enfin, de manière optionnelle, un troisième type de fenêtre temporelle 40 peut être définie en ce qu’elle s’étend sur une période de croissance et/ou de décroissance, dans laquelle la croissance et/ou de décroissance se situe en-deçà d’un seuil de croissance prédéterminé et/ou d’un seuil de décroissance prédéterminé. Ainsi, le troisième type de fenêtre temporelle 40 peut être assimilé à une phase quasi-stationnaire dans laquelle la vitesse longitudinale du véhicule routier d’entrainement varie sensiblement autour d’une valeur moyenne pendant un temps déterminé.

Dans un deuxième exemple de cette mise en oeuvre particulière, l’un des signaux 31,32, 33, 34, 35, 36, 37, 38 représente l’évolution dans le temps de l’accélération longitudinale du véhicule routier d’entrainement. Dans ce cas, le premier type de fenêtre temporelle 40 décrit précédemment s’étend sur une période d’accélération positive du véhicule routier d’entrainement, le deuxième type de fenêtre temporelle 40 s’étend sur une période d’accélération négative du véhicule routier d’entrainement et le troisième type de fenêtre temporelle 40 s’étend sur une période d’accélération sensiblement nulle du véhicule routier d’entrainement.

De retour à la figure 2, on calcule à l’étape 120, pour chaque tronçon, des grandeurs mathématiques à partir de la pluralité de caractéristiques dynamiques associée.

Dans un exemple de l’étape 120, les premières grandeurs mathématiques sont obtenues à partir d’une fonction mathématique appliquée sur tout ou partie du tronçon et qui est choisie parmi : des fonctions de dérivée et des fonctions de statistique descriptive. Par exemple, une fonction de dérivée peut être utilisée pour déterminer une valeur d’à-coup (« jerk >>, en langue anglaise) à partir du signal représentant l’évolution dans le temps de l’accélération longitudinale et/ou l’accélération latérale du véhicule routier d’entrainement. Dans un autre exemple, les fonctions de statistique descriptive comprennent au moins des mesures de position (par exemple, moyenne/médiane glissante ou non) et des mesures de dispersion (par exemple, mode, maximum, minimum, écart-type, variance, quartiles). Toutefois, d’autres fonctions mathématiques peuvent être envisagées.

Par ailleurs, dans la figure 2, on crée à l’étape 130, pour chaque tronçon, un vecteur caractéristique à partir de la pluralité de caractéristiques dynamiques associée et des grandeurs mathématiques associées. En outre, dans le cadre de la mise en oeuvre de la figure 3, dans laquelle la durée de chaque fenêtre temporelle 40 est déterminée en fonction d’une variation croissante ou décroissante de la vitesse de roulage du véhicule routier d’entrainement, le vecteur caractéristique de chaque tronçon comprend également la durée de la fenêtre temporelle 40 associée.

Dans une mise en oeuvre de l’étape 130, chacune des caractéristiques dynamiques qui possède un signe est subdivisée en deux caractéristiques, l’une représentant les valeurs positives et l’autre représentant les valeurs négatives.

Puis, dans la figure 2, on partitionne à l’étape 140 au moins une partie de l’ensemble des vecteurs caractéristiques en une pluralité de classes de style de conduite, à partir d’un algorithme de classification non supervisé. Dans une autre mise en oeuvre, l’algorithme de classification non supervisé détermine automatiquement le nombre de classes de style de conduite.

Dans une autre mise en oeuvre de l’invention, on définit par avance le nombre de classes que l’on souhaite obtenir de l’algorithme de classification non supervisé à partir des observations provenant des tronçons. Ainsi, pour un même jeu d’observations, on pourra choisir des nombres différents de classes de style de conduite lors du partitionnement de l’étape 140.

Par exemple, la figure 4A montre un partitionnement d’un jeu d’observations en trois classes 1,2, 3 tandis que la figure 4B montre un partitionnement du jeu d’observations en cinq classes 4, 5, 6, 7, 8.

Dans un exemple de l’étape 140, l’algorithme de classification non supervisé est basé sur la méthode des nuées dynamiques. Par exemple, des algorithmes de type connu suivants peuvent être utilisés : K-moyennes (« k-means >>, en langue anglaise) et Espérance-Maximisation dit EM (« Expectation-Maximisation >>, en langue anglaise). Toutefois, d’autres algorithmes de classification non supervisée peuvent également être envisagés. En outre, si besoin, et selon l’algorithme utilisé, il sera possible d’optimiser les hyperparamètres de ces algorithmes pour obtenir des classes qui sont clairement distinctes les unes des autres. Pour cela, dans un exemple, on optimise seul ou en combinaison les hyperparamètres suivants : le score silhouette, le score CalinskiHarabasz et la maximisation de la taille du plus petit cluster. Toutefois, d’autres hyperparamètres peuvent être considérés, comme les métriques Dunn ou Davies-Bouldin.

Ensuite, dans la figure 2, on crée à l’étape 150 une première variable de modèle d’apprentissage automatique comprenant, pour chaque tronçon associé au partitionnement réalisé à l’étape 140, le vecteur caractéristique associé et la classe de style de conduite associée au vecteur caractéristique. Il convient de noter que l’association entre un vecteur caractéristique et une classe de style de conduite est réalisée automatiquement par l’algorithme de classification non supervisé, lorsque les classes de styles ont été déterminées. De manière subsidiaire, il est possible de nommer les différentes classes de styles de conduite. Dans un exemple, on peut se baser sur la valeur d’une ou de plusieurs grandeurs mathématiques mentionnées plus haut pour nommer chaque classe de style de conduite. Par exemple, en utilisant la moyenne de l’accélération longitudinale positive associée au centroïde de chaque classe de style de conduite, comme métrique, il est possible de discriminer les classes de style de conduite qui correspondent à des conducteurs plutôt calmes ou sportifs. En effet, une valeur élevée de la moyenne de l’accélération longitudinale positive correspondra plutôt à un conducteur sportif, tandis qu’une valeur moins élevée de la moyenne de l’accélération longitudinale positive correspondra plutôt à un conducteur plus calme.

Enfin, on entraîne à l’étape 160, un modèle d’apprentissage automatique pour classifier un tronçon d’une session de conduite d’un véhicule routier en mouvement selon le nombre prédéterminé de classes de style de conduite défini à l’étape 140, à partir d’un algorithme de classification supervisée et de la première variable de modèle d’apprentissage automatique.

Dans l’étape 160, on réalise l’apprentissage du modèle d’apprentissage automatique en fournissant au modèle d’apprentissage automatique un jeu de données d’apprentissage (« training set >>, en langue anglaise) sous forme de couples (X, Y), dans lesquels X correspond à un ensemble de variables prédictives (« input features >>, en langue anglaise) et Y correspond à une variable à classer (« output >> ou « target >>, en langue anglaise). Dans l’invention, le jeu de données d’apprentissage est déterminé à partir de la première variable de modèle d’apprentissage automatique. En pratique, un couple (X, Y) est défini de telle sorte que la variable prédictive X comprend le vecteur caractéristique de la première variable de modèle d’apprentissage automatique et la variable à classer Y comprend les classes de style de conduite obtenues à l’étape 140.

Dans une première mise en oeuvre de l’étape 160, on envisage d’entrainer plusieurs modèles d’apprentissage automatique entraîné 200 pour prendre en considération les spécificités de différents types de véhicules routiers. Dans ce cas de figure, un modèle d’apprentissage automatique entraîné 200 ne pourra être utilisé que pour un véhicule routier ayant les mêmes caractéristiques techniques que celles des véhicules routiers d’entrainement qui ont concouru à entraîner le modèle d’apprentissage automatique entraîné 200. En effet un véhicule puissant ne se conduit pas de manière identique à un véhicule peu puissant et les affectations de styles de conduite enir compte de cela.

Dans une deuxième mise en oeuvre de l’étape 160, on envisage d’entrainer plusieurs modèles d’apprentissage automatique entraîné 200 pour prendre en considération les spécificités de différentes phases de conduite que le conducteur produit. Comme indiqué plus haut, on peut envisager les cas de figure dans lesquels la durée de chaque fenêtre temporelle est déterminée en fonction d’une variation croissante ou décroissante de la vitesse de roulage du véhicule routier ou dans lequel la durée de chaque fenêtre temporelle est déterminée en fonction d’une variation négative ou positive de l’accélération longitudinale du véhicule routier. Dans ce cas de figure, on peut créer un modèle d’apprentissage automatique entraîné 200 pour chaque phase de conduite : vitesse de roulage croissante/décroissante ou accélération longitudinale positive/négative.

Dans un exemple de l’étape 160, l’algorithme de classification supervisée est basé sur la méthode des forêts d'arbres décisionnels (« Random Forest >>, en langue anglaise). En effet, les algorithmes basés sur cette méthode produisent des modèles d’apprentissage de petite taille pouvant facilement être embarqués dans un véhicule routier. Toutefois, d’autres algorithmes de classification supervisée peuvent également être envisagés.

Dans une mise en oeuvre particulière, le modèle d’apprentissage automatique entraîné 200 prend également en considération une vitesse de roulage limite autorisée sur les routes empruntées par chaque véhicule routier d’entrainement. Dans ce cas, chaque véhicule routier d’entrainement est configuré pour se connecter à une base de données distante ou locale qui géolocalise les vitesses de roulage limite autorisée sur les routes empruntées. Pour cela, le bus de communication de chaque véhicule routier d’entrainement peut être couplé à un dispositif de géolocalisation de type GPS,

GLONASS ou Galileo. Par ailleurs, le bus de communication de chaque véhicule routier d’entrainement peut être couplé à une caméra de bord du véhicule routier qui détecte les panneaux de signalisation indiquant la vitesse de roulage limite. Avec une telle mise en oeuvre, il est également possible de prendre en considération des informations topographiques des routes sur lesquelles circulent les véhicules routiers d’entrainement, telles que la pente topographique.

Dans cette mise en oeuvre particulière, le procédé 100 consiste en outre, tout d’abord, à calculer à l’étape 170, pour chaque tronçon, au moins une différence entre la vitesse de roulage du véhicule routier d’entrainement et la vitesse de roulage limite autorisée.

Enfin, on ajoute à l’étape 180, pour chaque tronçon, la différence calculée au vecteur caractéristique associé.

Dans une mise en oeuvre de l’étape 180, lorsque la différence calculée possède un signe, celle-ci est divisée en deux caractéristiques, l’une représentant les valeurs positives et l’autre représentant les valeurs négatives.

La figure 5 illustre un procédé 300 d’utilisation du modèle d’apprentissage automatique entraîné 200 dans un véhicule routier en mouvement. Tout comme les véhicules routiers d’entrainement, le véhicule routier comprend un bus de communication de données qui est couplé à une pluralité de capteurs de caractéristiques dynamiques relatives au roulage du véhicule routier.

Le procédé 300 consiste tout d’abord à acquérir à l’étape 310, pour une fenêtre temporelle d’une pluralité de fenêtres temporelles, au moins un tronçon d’une session de conduite à partir du bus de communication de données, le tronçon étant associé à une pluralité de caractéristiques dynamiques relatives au roulage du véhicule routier. Dans l’étape 310, les caractéristiques temporelles des fenêtres temporelles sont les mêmes que celles mentionnées plus haut vis-à-vis du procédé 100.

Par ailleurs, on calcule à l’étape 320, des grandeurs mathématiques à partir de la pluralité de caractéristiques dynamiques associée au tronçon. Dans l’étape 320, les grandeurs mathématiques sont les mêmes que celles mentionnées plus haut vis-à-vis du procédé 100.

Par la suite, on crée à l’étape 330, un vecteur caractéristique à partir de la pluralité de caractéristiques dynamiques et des grandeurs mathématiques, respectivement associés au tronçon.

Enfin, on évalue à l’étape 340, une classe de style de conduite du conducteur du véhicule routier, à partir du vecteur caractéristique et du modèle d’apprentissage automatique entraîné 200. Ainsi, pour un tronçon donné, le modèle d’apprentissage automatique entraîné 200 permet de prédire la classe de style de conduite correspondante.

Dans une mise en oeuvre particulière, le procédé 300 prend en considération une vitesse de roulage limite autorisée sur les routes empruntées par le véhicule routier, de la même manière que lors de l’entrainement du modèle d’apprentissage automatique entraîné 200.

Dans une autre mise en oeuvre particulière, selon la figure 6, le bus de communication de données est en outre couplé à un émetteur-récepteur (non représenté) du véhicule routier. Dans ce cas, le procédé 400 envoie la classe de style de conduite prédite par le modèle d’apprentissage automatique entraîné 200 et le tronçon associé, à un serveur distant pour que ce dernier entraîne le modèle d’apprentissage automatique entraîné 200, avec ces nouvelles observations. Dans un exemple, le serveur distant comprend une mémoire stockant une copie du modèle d’apprentissage automatique entraîné 200. Dans un autre exemple, le véhicule routier envoie une copie du modèle d’apprentissage automatique entraîné 200 au serveur distant.

Dans cette mise en oeuvre particulière qui correspond à un entrainement continu du modèle d’apprentissage automatique entraîné 200, le procédé 400 consiste en outre, tout d’abord, à créer à l’étape 410, une deuxième variable de modèle d’apprentissage automatique comprenant, le vecteur caractéristique courant et la classe de style de conduite associée au vecteur caractéristique courant. Puis, on transmet à l’étape 420, par l’émetteur-récepteur du véhicule routier, la deuxième variable de modèle d’apprentissage automatique à un serveur distant d'une architecture d'informatique dans le « nuage informatique >>. On entend par « nuage informatique >> (« cloud >>, en langue anglaise), un ensemble de matériels, réseaux et logiciels informatiques interconnectés et accessibles depuis n'importe où dans le monde.

Par la suite, on entraîne à l’étape 430, par le serveur distant, le modèle d’apprentissage automatique entraîné 200, à partir d’un algorithme de classification supervisée et de la deuxième variable de modèle d’apprentissage automatique.

Enfin, on transmet à l’étape 440, par le serveur distant, le modèle d’apprentissage automatique entraîné au véhicule routier.

Dans un mode particulier de réalisation de l’invention, les différentes étapes du procédé sans lien avec le nuage informatique 300 et/ou du procédé avec lien avec le nuage informatique 400 et entraînement permanent du modèle d’apprentissage automatique entraîné 200 sont déterminées par des instructions de programmes d'ordinateurs. Par conséquent, l'invention vise aussi un programme avec un code de programme d'ordinateur fixé sur un support de stockage non transitoire, ce code de programme étant susceptible d’exécuter les étapes d’un des procédés 300, 400, lorsque le programme d'ordinateur est chargé dans l'ordinateur ou exécuté dans l'ordinateur.

La figure 7A illustre un appareil 500 pour évaluer un style de conduite d’un conducteur d’un véhicule routier en mouvement. Comme décrit plus haut, le véhicule routier comprend un bus de communication de données, couplé à une pluralité de capteurs de caractéristiques dynamiques relatives au roulage du véhicule routier.

L’appareil 500 comprend une mémoire 510 et un micro-ordinateur telle une unité de commande électronique 520 ECU (« Electronic Control Unit », en langue anglaise).

Dans la figure 7A, la mémoire 510 est prévue pour stocker des caractéristiques dynamiques relatives au roulage du véhicule routier et au moins une vitesse de roulage limite autorisée. Par ailleurs, l’unité de commande électronique 520 est couplée à la mémoire 510, tout en étant configurée pour exécuter des instructions pour mettre en oeuvre le procédé 300, 400.

La figure 7B illustre un appareil 600 pour assister un conducteur d’un véhicule routier lors d’une manoeuvre de dépassement d’un véhicule routier. Comme décrit plus haut, le véhicule routier comprend un bus de communication de données, couplé à une pluralité de capteurs de caractéristiques dynamiques relatives au roulage du véhicule routier.

L’appareil 600 comprend un module d’assistance au dépassement 610 et un appareil 500 selon la figure 7A.

Dans la figure 7B, le module d’assistance au dépassement 610 est prévu pour détecter l’amorce de la manoeuvre de dépassement et estimer une distance de séparation avec le véhicule routier à dépasser. Par ailleurs, l’appareil 500 selon la figure 7A est prévu pour évaluer un style de conduite d’un conducteur du véhicule routier au cours d’au moins un tronçon d’une session de conduite précédant l’amorce de la manoeuvre de dépassement. Enfin, le module d’assistance au dépassement 610 est, en outre, prévu pour autoriser ou non la manoeuvre de dépassement amorcée, en fonction de la distance de séparation et du style de conduite du conducteur du véhicule routier.

Le modèle d’apprentissage automatique entraîné 200, selon l’invention, présente l’avantage de pouvoir être utilisé avec des données non présentes dans le jeu de données d’apprentissage. En outre, il peut s’améliorer en permanence grâce à l’acquisition en continu, de nouvelles données d’entrainement. Par ailleurs, il peut être utilisé dans de nombreuses applications telles que l’assurance (la cotisation payée par l’assuré dépendra de son style de conduite sur la/les périodes considérée(s)), l’évaluation de l’état du véhicule routier avant sa revente de location de véhicules routiers (un score pourra être attribué selon le style de conduite sur une période précédant la vente ou pendant tout ou partie de la durée de location), l’aide à la conduite (des conseils sur le style de conduite et/ou la consommation d’énergie, peuvent être donnés), l’évaluation du niveau d’attention du conducteur, et de manière plus générale, tout service personnalisé qui requiert de connaître les habitudes de conduite d’un conducteur de véhicule routier.

La présente invention a été décrite et illustrée dans la présente description détaillée et dans les figures. Toutefois, la présente invention ne se limite pas aux formes de réalisation présentées. Ainsi, d’autres variantes et modes de réalisation peuvent être déduits et mis en oeuvre par la personne du métier à la lecture de la présente description et des figures annexées.

Claims (11)

1. Modèle d’apprentissage automatique entraîné (100) pour évaluer un style de conduite d’un conducteur d’un véhicule routier en mouvement, le modèle d’apprentissage automatique entraîné étant obtenu selon les étapes suivantes :

• une étape d’acquisition (110) durant laquelle on acquiert, à chaque fenêtre temporelle d’une pluralité de fenêtres temporelles, une pluralité de tronçons de sessions de conduite relatives à une pluralité de véhicules routiers d’entrainement en mouvement, chaque tronçon étant associé à une pluralité de caractéristiques dynamiques relatives au roulage du véhicule routier d’entrainement, • une étape de calcul (120) durant laquelle on calcule, pour chaque tronçon, des grandeurs mathématiques à partir de la pluralité de caractéristiques dynamiques associée, • une étape de création (130) durant laquelle on crée, pour chaque tronçon, un vecteur caractéristique à partir de la pluralité de caractéristiques dynamiques associée et des grandeurs mathématiques associées, • une étape de partitionnement (140) durant laquelle on partitionne au moins une partie de l’ensemble des vecteurs caractéristiques en une pluralité de classes de style de conduite, à partir d’un algorithme de classification non supervisé, • une étape de création (150) durant laquelle on crée une première variable de modèle d’apprentissage automatique comprenant, pour chaque tronçon associée au partitionnement, le vecteur caractéristique associé et la classe de style de conduite associée au vecteur caractéristique, et • une étape d’entrainement de modèle (160) durant laquelle on entraîne un modèle d’apprentissage automatique pour classifier un tronçon d’une session de conduite d’un véhicule routier en mouvement selon le nombre prédéterminé de classes de style de conduite, à partir d’un algorithme de classification supervisée et de la première variable de modèle d’apprentissage automatique.

2. Modèle d’apprentissage automatique entraîné selon la revendication 1, dans lequel la durée de chaque fenêtre temporelle est prédéterminée.

3. Modèle d’apprentissage automatique entraîné selon la revendication 1, dans lequel :

• la durée de chaque fenêtre temporelle est déterminée en fonction d’une variation croissante ou décroissante de la vitesse de roulage du véhicule routier d’entrainement, et • le vecteur caractéristique de chaque tronçon comprend, en outre, la durée de la fenêtre temporelle associée.

4. Modèle d’apprentissage automatique entraîné selon l’une quelconque des revendications 1 à 3, dans lequel, au moins une partie de l’ensemble des tronçons comprend une vitesse de roulage limite autorisée, le modèle d’apprentissage automatique comprenant en outre les étapes suivantes :

• une étape de calcul (170) durant laquelle on calcule, pour chaque tronçon, au moins une différence entre la vitesse de roulage du véhicule routier d’entrainement et la vitesse de roulage limite autorisée, • une étape d’ajout (180) durant laquelle on ajoute, pour chaque tronçon, la différence calculée au vecteur caractéristique associé.

5. Modèle d’apprentissage automatique entraîné selon l’une quelconque des revendications 1 à 4, dans lequel l’algorithme de classification non supervisé est basé sur la méthode des nuées dynamiques et l’algorithme de classification supervisée est basé sur la méthode des forêts d'arbres décisionnels.

6. Procédé (300) d’évaluation d’un style de conduite d’un conducteur d’un véhicule routier en mouvement, le véhicule routier comprenant un bus de communication de données, couplé à une pluralité de capteurs de caractéristiques dynamiques relatives au roulage du véhicule routier, le procédé comprenant les étapes suivantes :

• une étape d’acquisition (310) durant laquelle on acquiert, pour une fenêtre temporelle d’une pluralité de fenêtres temporelles, au moins un tronçon d’une session de conduite à partir du bus de communication de données, le tronçon étant associé à une pluralité de caractéristiques dynamiques relatives au roulage du véhicule routier, • une étape de calcul (320) durant laquelle on calcule des grandeurs mathématiques à partir de la pluralité de caractéristiques dynamiques associée au tronçon, • une étape de création (330) durant laquelle on crée un vecteur caractéristique à partir de la pluralité de caractéristiques dynamiques et des grandeurs mathématiques, respectivement associés au tronçon, et • une étape d’évaluation (340) durant laquelle on évalue une classe de style de conduite du conducteur du véhicule routier, à partir du vecteur caractéristique et d’un modèle d’apprentissage automatique entraîné selon l’une quelconque des revendications 1 à 5.

7. Procédé d’évaluation selon la revendication 6, comprenant en outre les étapes suivantes :

• une étape d’obtention (350) durant laquelle on obtient une vitesse de roulage limite autorisée, associée au tronçon, • une étape de calcul (360) durant laquelle on calcule au moins une différence entre la vitesse de roulage du véhicule routier d’entrainement et la vitesse de roulage limite autorisée, • une étape d’ajout (370) durant laquelle on ajoute la différence calculée au vecteur caractéristique.

8. Procédé (400) d’évaluation selon l’une quelconque des revendications 6 à 7, comprenant en outre les étapes suivantes :

• une étape de création (410) durant laquelle on crée une deuxième variable de modèle d’apprentissage automatique comprenant, le vecteur caractéristique courant et la classe de style de conduite associée au vecteur caractéristique courant, • une étape de transmission (420) durant laquelle on transmet, par le véhicule routier, la deuxième variable de modèle d’apprentissage automatique à un serveur distant d'une architecture d'informatique dans le nuage, • une étape d’entrainement de modèle (430) durant laquelle on entraîne, par le serveur distant, le modèle d’apprentissage automatique entraîné selon l’une quelconque des revendications 1 à 5, à partir d’un algorithme de classification supervisée et de la deuxième variable de modèle d’apprentissage automatique, et • une étape de transmission (440) durant laquelle on transmet, par le serveur distant, le nouveau modèle d’apprentissage automatique entraîné au véhicule routier.

9. Appareil (500) pour évaluer un style de conduite d’un conducteur d’un véhicule routier en mouvement, le véhicule routier comprenant un bus de communication de données, couplé à une pluralité de capteurs de caractéristiques dynamiques relatives au roulage du véhicule routier, l’appareil comprenant :

• une mémoire (510) pour stocker des caractéristiques dynamiques relatives au roulage du véhicule routier et au moins une vitesse de roulage limite autorisée, • une unité de commande électronique, ECU, (520) couplée à la mémoire, l’unité de commande électronique étant configurée pour exécuter des instructions pour

5 mettre en œuvre un procédé selon l’une quelconque des revendications 6 à 7.

10. Appareil (600) pour assister un conducteur d’un véhicule routier lors d’une manœuvre de dépassement d’un véhicule routier, l’appareil comprenant :

• un module d’assistance au dépassement (610) pour détecter l’amorce de la manœuvre de dépassement et estimer une distance de séparation avec le

10 véhicule routier à dépasser, et • un appareil (500) d’évaluation de style de conduite selon la revendication 9, pour évaluer un style de conduite d’un conducteur du véhicule routier au cours d’au moins un tronçon d’une session de conduite précédant l’amorce de la manœuvre de dépassement,

15 dans lequel, le module d’assistance au dépassement est en outre configuré pour autoriser ou non la manœuvre de dépassement amorcée, en fonction de la distance de séparation et du style de conduite du conducteur du véhicule routier.