FR3077550A1 - Procede et dispositif d’analyse de l’environnement d’un vehicule par discrimination d’objets differents detectes par plusieurs moyens d’acquisition. - Google Patents
Procede et dispositif d’analyse de l’environnement d’un vehicule par discrimination d’objets differents detectes par plusieurs moyens d’acquisition. Download PDFInfo
- Publication number
- FR3077550A1 FR3077550A1 FR1850953A FR1850953A FR3077550A1 FR 3077550 A1 FR3077550 A1 FR 3077550A1 FR 1850953 A FR1850953 A FR 1850953A FR 1850953 A FR1850953 A FR 1850953A FR 3077550 A1 FR3077550 A1 FR 3077550A1
- Authority
- FR
- France
- Prior art keywords
- detections
- acquisition means
- maqj
- vehicle
- analysis
- 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- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/87—Combinations of sonar systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
- G01S15/93—Sonar systems specially adapted for specific applications for anti-collision purposes
- G01S15/931—Sonar systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
- G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
- G01S7/539—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Electromagnetism (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Traffic Control Systems (AREA)
Abstract
Un dispositif d'analyse (DA) équipe un véhicule (V) comportant au moins deux moyens d'acquisition (MAQ1-MAQ5) acquérant des informations représentatives de zones de son environnement. Ce dispositif (DA) comprend des moyens d'analyse (MAL) analysant ces informations pour associer des détections représentant un même objet de l'environnement, et déterminer des valeurs représentatives de similitudes entre des paires de détections acquises par les moyens d'acquisition (MAQ1-MAQ5), puis déterminer à partir de ces valeurs de similitude des détections qui sont similaires entre elles et qui sont relatives à un même objet en étant issues de moyens d'acquisition différents.
Description
PROCÉDÉ ET DISPOSITIF D’ANALYSE DE L’ENVIRONNEMENT D’UN VÉHICULE PAR DISCRIMINATION D’OBJETS DIFFÉRENTS DÉTECTÉS PAR PLUSIEURS MOYENS D’ACQUISITION.
L’invention concerne les véhicules comportant plusieurs moyens d’acquisition chargés d’acquérir des informations représentatives de zones de leur environnement, et plus précisément les dispositifs d’analyse qui équipent de tels véhicules afin de déterminer des objets dans leur environnement par analyse des informations d’environnement acquises.
Lorsque des véhicules, généralement de type automobile, comprennent plusieurs (au moins deux) moyens d’acquisition, il arrive fréquemment que les informations d’environnement qu’ils acquièrent dans un même intervalle de temps constituent des détections qui concernent des mêmes objets ; typiquement lorsque ces moyens d’acquisition couvrent au moins partiellement une même zone de l’environnement. On parle alors de redondance d’informations. Pour profiter des multiples intérêts de cette redondance d’informations, il est nécessaire d’associer les détections issues de moyens d’acquisition différents mais qui représentent pourtant un même objet (réel).
Afin de discriminer correctement des objets, correspondant à des détections réalisées à partir d’informations acquises par des moyens d’acquisition différents dans une même sous-zone de l’environnement d’un véhicule, les moyens d’analyse du dispositif d’analyse de ce dernier doivent mettre en oeuvre un algorithme d’association de données. L’un des algorithmes d’association de données les plus simples et les plus utilisés est l’algorithme dit « du plus proche voisin classique >>. Il permet d’associer les données de deux ensembles A et B de telle sorte que :
- chaque donnée d’un ensemble est associé à au plus une donnée de l’autre ensemble (on peut avoir des singletons),
- deux données d’un même ensemble ne peuvent pas être associées,
- si une donnée Ax de l’ensemble A est associée à une donnée By de l’ensemble B, alors Ax est plus proche de By que de tout autre objet de l’ensemble B sauf ceux qui ont un degré de proximité encore plus fort avec un autre objet de l’ensemble A.
Lorsque le nombre d’ensembles de données à associer est supérieur à deux, l’algorithme du plus proche voisin classique ne peut plus être appliqué tel quel. Par conséquent, dès que le nombre de moyens d’acquisition devient supérieur à deux, ce type d’algorithme n’est plus utilisable. Or, de plus en plus de véhicules comprennent un nombre de moyens d’acquisition supérieur à deux, notamment pour obtenir une redondance d’informations.
L’invention a notamment pour but d’améliorer la situation.
Elle propose notamment à cet effet un dispositif d’analyse, d’une part, destiné à équiper un véhicule comportant au moins deux moyens d’acquisition acquérant des informations représentatives de zones d’un environnement du véhicule, et, d’autre part, comprenant des moyens d’analyse analysant ces informations pour associer des détections représentant un même objet de l’environnement.
Ce dispositif d’analyse se caractérise par le fait que ses moyens d’analyse déterminent des valeurs qui sont représentatives de similitudes entre des paires de détections acquises par l’ensemble des moyens d’acquisition, puis déterminent à partir de ces valeurs de similitude des détections qui sont similaires entre elles et qui sont relatives à un même objet en étant issues de moyens d’acquisition différents.
Ainsi, on peut discriminer efficacement les objets déterminés à partir d’informations acquises par des moyens d’acquisition différents dans une même sous-zone de l’environnement du véhicule, et donc éviter les erreurs de reconstruction de l’environnement du véhicule.
Le dispositif d’analyse selon l’invention peut comporter d’autres caractéristiques qui peuvent être prises séparément ou en combinaison, et notamment :
- ses moyens d’analyse peuvent construire une matrice NxN dont les éléments matriciels sont les valeurs de similitude déterminées entre deux détections, avec N égal à un nombre total de détections déterminées dans l’environnement, puis peuvent constituer des groupes dans lesquels des détections sont similaires entre elles et ont des valeurs de similitude maximales, puis peuvent déduire de ces groupes constitués des objets qui sont non similaires entre eux ;
> après détermination dans une matrice d’un élément de matrice, concernant des première et seconde détections fournies par des moyens d’acquisition différents, et ayant la valeur de similitude maximale, les moyens d’analyse peuvent mettre à zéro cet élément de matrice et interdire toute possibilité d’association entre, d’une part, cette première détection et toutes les détections des moyens d’acquisition qui ont fourni la seconde détection, et, d’autre part, entre la seconde détection et toutes les détections des moyens d’acquisition qui ont fourni la première détection, en mettant à zéro les éléments de matrice correspondants, puis les moyens d’analyse peuvent réitérer cette détermination et ces mises à zéro jusqu’à obtention d’une matrice nulle, et lors de chaque itération les moyens d’analyse peuvent placer dans un groupe les première et seconde détections si elles ne font pas déjà partie d’un groupe ;
- ses moyens d’analyse peuvent déterminer chaque valeur de similitude entre deux détections à partir d’une partie au moins d’attributs qui définissent ces détections à un instant considéré ;
> ses moyens d’analyse peuvent déterminer des valeurs de similitude qui sont égales à des distances dites de Mahalanobis fonction d’au moins un attribut choisi parmi un paramètre cinématique du véhicule, des dimensions de détection, une forme de détection, une probabilité d’existence d’une détection et un type de détection.
L’invention propose également un véhicule, éventuellement de type automobile, et comprenant au moins deux moyens d’acquisition acquérant des informations représentatives de zones de son environnement, et un dispositif d’analyse du type de celui présenté ci-avant.
Par exemple, ce véhicule peut être de type au moins partiellement autonome.
L’invention propose également un procédé d’analyse, d’une part, destiné à être mis en oeuvre dans un véhicule comportant au moins deux moyens d’acquisition acquérant des informations représentatives de zones d’un environnement du véhicule, et, d’autre part, comprenant une étape dans laquelle on analyse ces informations pour associer des détections représentant un même objet de l’environnement.
Ce procédé d’analyse se caractérise par le fait que dans son étape on détermine des valeurs qui sont représentatives de similitudes entre des paires de détections acquises par l’ensemble des moyens d’acquisition, puis on détermine à partir de ces valeurs de similitude des détections qui sont similaires entre elles et qui sont relatives à un même objet en étant issues de moyens d’acquisition différents.
Par exemple, dans l’étape du procédé on peut construire une matrice NxN dont les éléments matriciels sont les valeurs de similitude déterminées, avec N égal à un nombre total de détections déterminées dans l’environnement, puis on peut constituer des groupes dans lesquels des détections sont similaires entre elles et ont des valeurs de similitude maximales, puis on peut déduire de ces groupes constitués des objets qui sont non similaires entre eux.
Egalement par exemple, dans l’étape du procédé on peut déterminer chaque valeur de similitude entre deux détections à partir d’une partie au moins d’attributs définissant ces détections à un instant considéré.
D’autres caractéristiques et avantages de l’invention apparaîtront à l’examen de la description détaillée ci-après, et du dessin annexé, sur lequel l’unique figure illustre schématiquement et fonctionnellement un véhicule situé sur une voie de circulation et équipé de moyens d’acquisition et d’un exemple de réalisation d’un dispositif d’analyse selon l’invention.
L’invention a notamment pour but de proposer un dispositif d’analyse DA, et un procédé d’analyse associé, destinés à équiper un véhicule V comportant au moins deux moyens d’acquisition MAQj chargés d’acquérir des informations représentatives de zones de son environnement. On notera que certaines de ces zones se recouvrent au moins partiellement.
Dans ce qui suit, on considère, à titre d’exemple non limitatif, que le véhicule V est de type automobile. Il s’agit par exemple d’une voiture. Mais l’invention n’est pas limitée à ce type de véhicule. Elle concerne en effet tout type de véhicule (terrestre, maritime (ou fluvial), ou aérien).
On a schématiquement et fonctionnellement représenté sur l’unique figure un véhicule V situé sur une voie de circulation VC et comprenant des moyens d’acquisition MAQj (ici j = 1 à 5) et d’un exemple de réalisation d’un dispositif d’analyse DA selon l’invention. On notera que le nombre de moyens d’acquisition MAQj est ici égal à cinq (5), mais il peut prendre n’importe quelle valeur supérieure ou égale à deux (2).
Les moyens d’acquisition MAQj sont solidarisés fixement au véhicule V en des endroits permettant d’analyser des zones de son environnement. Dans l’exemple illustré non limitativement sur l’unique figure un premier moyen d’acquisition MAQ1 (j = 1) analyse une zone située devant le véhicule V et légèrement sur ses deux côtés latéraux, un deuxième moyen d’acquisition MAQ2 (j = 2) analyse une zone située devant le véhicule V et sur une partie de ses deux côtés latéraux, un troisième moyen d’acquisition MAQ3 (j = 3) analyse une zone située sur le côté latéral gauche du véhicule V, un quatrième moyen d’acquisition MAQ4 (j = 4) analyse une zone située sur le côté latéral droit du véhicule V, et un cinquième moyen d’acquisition MAQ5 (j = 5) analyse une zone située derrière le véhicule V et légèrement sur ses deux côtés latéraux.
Ces moyens d’acquisition MAQj peuvent, par exemple, comprendre chacun au moins une caméra numérique, ou au moins un capteur à ultrasons, ou au moins un laser de balayage, ou au moins un radar ou lidar, ou un dispositif de communication inter-véhicules et/ou véhicule/infrastructure. Par conséquent, chacun d’entre eux peut fournir des images numériques ou des cartographies.
Comme illustré sur l’unique figure, un dispositif d’analyse DA, selon l’invention, comprend au moins des moyens d’analyse MAL.
Les moyens d’analyse MAL sont agencés de manière à analyser les informations qui sont représentatives de l’environnement autour du véhicule V et qui ont été acquises par les moyens d’acquisition MAQj. Cette analyse est destinée à associer des détections detjk représentant un même objet (réel) de l’environnement.
Ces moyens d’analyse MAL sont en outre agencés de manière à déterminer des valeurs vs qui sont représentatives de similitudes entre des paires de détections (detjk, detjk), avec j’ + j, acquises par l’ensemble des moyens d’acquisition MAQj, puis à déterminer à partir de ces valeurs de similitude vs des détections qui sont similaires entre elles et qui sont relatives à un même objet (réel) en étant issues de moyens d’acquisition MAQj différents.
Cela permet de regrouper les détections correspondant aux mesures d’un même objet réel, fournies par des moyens d’acquisition MAQj différents dans une sous-zone d’acquisition redondante, et d’isoler les détections fantômes éventuellement fournies. Il en résulte une discrimination des objets réels qui permet aux moyens d’analyse MAL de reconstruire de façon fiable l’environnement du véhicule V. On notera qu’une telle reconstruction de l’environnement peut, par exemple, être utilisée par au moins un dispositif d’assistance à la conduite du véhicule V (ou ADAS (« Advanced Driver Assistance System >>)).
Pour réaliser leur discrimination les moyens d’analyse MAL peuvent, par exemple, commencer par construire une matrice NxN dont les éléments matriciels sont les valeurs de similitude vs déterminées, avec N égal au nombre total de détections detjk fournies par l’ensemble des moyens d’acquisition MAQj. Ensuite, ils peuvent constituer des groupes dans lesquels des détections detjk sont similaires entre elles et ont des valeurs de similitude vs maximales. Puis, ils peuvent déduire de ces groupes constitués des objets ons qui sont non similaires entre eux.
On comprendra que chaque groupe comprend au moins une détection detjk, et que chaque groupe est représentatif d’un unique objet (réel) dans l’environnement.
On notera que la matrice est symétrique et donc que l’on peut initialement attribuer la valeur nulle à toutes les valeurs de similitude vs qui sont situées sous sa diagonale. Par ailleurs, on suppose que deux détections detjk et detjk (avec k’ + k), déterminées à partir d’informations acquises par un même moyen d’acquisition MAQj, ne peuvent pas représenter un même objet réel et ont donc une valeur de similitude vs nulle. De plus, on peut considérer que pour gagner du temps de calcul, on peut définir une fenêtre d’association, équivalant à un minimum de similitude, en dehors de laquelle la valeur de similitude vs entre deux détections detjk et detjk est considérée et inscrite comme nulle. La taille de cette fenêtre peut servir de paramètre de calibration.
Par exemple, après détermination dans une matrice d’un élément de matrice, concernant des première detjk et seconde detj k’ détections fournies par des moyens d’acquisition différents MAQj et MAQj’, et ayant la valeur de similitude vs maximale, les moyens d’analyse MAL peuvent mettre à zéro cet élément de matrice et interdire toute possibilité d’association entre, d’une part, cette première détection detjk et toutes les détections des moyens d’acquisition MAQj’ qui ont fourni cette seconde détection detjk’, et, d’autre part, entre cette seconde détection detj k et toutes les détections des moyens d’acquisition MAQj qui ont fourni cette première détection, en mettant à zéro les éléments de matrice correspondants. Puis, les moyens d’analyse MAL peuvent réitérer cette détermination et ces mises à zéro jusqu’à obtention d’une matrice nulle. Dans ce cas, lors de chaque itération les moyens d’analyse MAL placent dans un groupe les première detjk et seconde detjk détections si elles ne font pas déjà partie d’un groupe.
Afin d’illustrer la mise en oeuvre de l’option qui précède, on considère ci-après que le véhicule V comprend trois moyens d’acquisition MAQj (j = 1 à 3) effectuant des acquisitions dans des zones qui se recouvrent et donc ayant des champs de perception redondants. On suppose que les premiers moyens d’acquisition MAQ1 fournissent trois détections (detn, deti2 et detn), les deuxièmes moyens d’acquisition MAQ2 fournissent deux détections (det2i et det22) et les troisièmes moyens d’acquisition MAQ3 fournissent deux détections (det3i et det32). Dans cet exemple illustratif, le nombre total de détections fournies par les trois moyens d’acquisition MAQj est donc égal à sept (3 + 2 + 2).
Le calcul de similitude par les moyens d’analyse MAL donne la matrice de similitude deux-à-deux suivante :
| MAQ1 | MAQ1 | MAQ1 | MAQ2 | MAQ2 | MAQ3 | MAQ3 | ||
| detn | detn | detn | det2i | det 22 | det 31 | det 32 | ||
| MAQ1 | detn | 0 | 0 | 0 | 0,9 | 0,3 | 0,2 | 0,92 |
| MAQ1 | deti2 | 0 | 0 | 0 | 0,5 | 0,4 | 0,1 | 0,3 |
| MAQ1 | detn | 0 | 0 | 0 | 0,4 | 0,81 | 0,7 | 0,1 |
| MAQ2 | det2i | 0 | 0 | 0 | 0 | 0 | 0,2 | 0,4 |
| MAQ2 | det 22 | 0 | 0 | 0 | 0 | 0 | 0,91 | 0,4 |
| MAQ3 | det3i | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| MAQ3 | det 32 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
Dans cette matrice, la valeur de similitude vs maximale est égale à 0,92. Elle est obtenue pour les détections detu et det32, fournies respectivement par les premiers MAQ1 et troisièmes MAQ3 moyens d’acquisition. Les moyens d’analyse MAL créent alors un premier groupe (Grp1) contenant ces deux détections detu et det32 : Grp1 = {detu, det32}. Ensuite, les moyens d’analyse MAL interdisent toute possibilité d’association entre, d’une part, detu et toutes les détections des troisièmes moyens d’acquisition MAQ3, et, d’autre part, entre det32 et toutes les détections des premiers moyens d’acquisition MAQ1 en mettant à zéro les éléments de matrice correspondants. Ces éléments de matrice sont identifiés par des astérisques (*) dans la matrice suivante.
| MAQ1 | MAQ1 | MAQ1 | MAQ2 | MAQ2 | MAQ3 | MAQ3 | ||
| det 11 | det 12 | det 13 | det 21 | det 22 | det 31 | det 32 | ||
| MAQ1 | detu | 0 | 0 | 0 | 0,9 | 0,3 | 0* | 0* |
| MAQ1 | deti2 | 0 | 0 | 0 | 0,5 | 0,4 | 0,1 | 0* |
| MAQ1 | det η | 0 | 0 | 0 | 0,4 | 0,81 | 0,7 | 0* |
| MAQ2 | det 21 | 0 | 0 | 0 | 0 | 0 | 0,2 | 0,4 |
| MAQ2 | det 22 | 0 | 0 | 0 | 0 | 0 | 0,91 | 0,4 |
| MAQ3 | det 31 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| MAQ3 | det 32 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
Ensuite, comme la matrice ne contient pas que des zéros, les moyens d’analyse MAL recommencent les opérations décrites ci-avant lors d’une deuxième itération. Cette fois-ci, la valeur de similitude vs maximale est égale à 0,91. Elle est obtenue pour les détections det22 et det3i. Puisqu’aucune de ces détections det22 et det3i n’est déjà présente dans un groupe, les moyens d’analyse MAL créent un deuxième groupe (Grp2) : Grp2 = {det22, det3i}. Puis, les moyens d’analyse MAL interdisent toute possibilité d’association entre, d’une part, det22 et toutes les détections des troisièmes moyens d’acquisition MAQ3 et d’autre part, entre det3i et toutes les détections des deuxièmes moyens d’acquisition MAQ2 en mettant à zéro les éléments de matrice correspondants. On obtient alors la matrice suivante (dans laquelle les éléments de matrice mis à zéro sont identifiés par des astérisques (*)).
| MAQ1 | MAQ1 | MAQ1 | MAQ2 | MAQ2 | MAQ3 | MAQ3 | ||
| det 11 | det 12 | det 13 | det 21 | det 22 | det 31 | det 32 | ||
| MAQ1 | detu | 0 | 0 | 0 | 0,9 | 0,3 | 0 | 0 |
| MAQ1 | deti2 | 0 | 0 | 0 | 0,5 | 0,4 | 0,1 | 0 |
| MAQ1 | detn | 0 | 0 | 0 | 0,4 | 0,81 | 0,7 | 0 |
| MAQ2 | det2i | 0 | 0 | 0 | 0 | 0 | 0* | 0,4 |
| MAQ2 | det 22 | 0 | 0 | 0 | 0 | 0 | 0* | 0* |
| MAQ3 | det3i | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| MAQ3 | det 32 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
Ensuite, comme la matrice ne contient pas que des zéros, les moyens d’analyse MAL recommencent les opérations décrites ci-avant lors d’une troisième itération. Cette fois-ci, la valeur de similitude vs maximale est égale à 0,9. Elle est obtenue pour les détections detu et det2i. Puisque detu est déjà dans un groupe (Grp1) et que det2i n’est pas encore dans un groupe, les moyens d’analyse MAL rajoutent det2i dans le groupe (Grp1) de detu : Grp1 = {detu, det32, det2i}. Ensuite, les moyens d’analyse MAL interdisent toute possibilité d’association entre, d’une part, detu et toutes les détections des deuxièmes moyens d’acquisition MAQ2, et, d’autre part, entre det2i et toutes les détections des premiers moyens d’acquisition MAQ1 en mettant à zéro les éléments de matrice correspondants. On obtient alors la matrice suivante (dans laquelle les éléments de matrice mis à zéro sont identifiés par des astérisques (*))
| MAQ1 | MAQ1 | MAQ1 | MAQ2 | MAQ2 | MAQ3 | MAQ3 |
| detn | detn | detn | det 21 | det 22 | det 31 | det 32 | ||
| MAQ1 | detn | 0 | 0 | 0 | 0* | 0* | 0 | 0 |
| MAQ1 | detn | 0 | 0 | 0 | 0* | 0,4 | 0,1 | 0 |
| MAQ1 | detn | 0 | 0 | 0 | 0* | 0,81 | 0,7 | 0 |
| MAQ2 | det2i | 0 | 0 | 0 | 0 | 0 | 0 | 0,4 |
| MAQ2 | det 22 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| MAQ3 | det3i | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| MAQ3 | det 32 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
Ensuite, comme la matrice ne contient pas que des zéros, les moyens d’analyse MAL recommencent les opérations décrites ci-avant lors d’une quatrième itération. Cette fois-ci, la valeur de similitude vs maximale est égale à 5 0,81. Elle est obtenue pour les détections det22 et detn. Puisque det22 est déjà dans un groupe (Grp2) et que deti3 n’est pas encore dans un groupe, les moyens d’analyse MAL rajoutent detn dans le groupe (Grp2) de det22 : Grp2 = {det22, det3i, detn}. Ensuite, les moyens d’analyse MAL interdisent toute possibilité d’association entre, d’une part, det22 et toutes les détections des îo premiers moyens d’acquisition MAQ1, et, d’autre part, entre detn et toutes les détections des deuxièmes moyens d’acquisition MAQ2 en mettant à zéro les éléments de matrice correspondants. On obtient alors la matrice suivante (dans laquelle les éléments de matrice mis à zéro sont identifiés par des astérisques (*))
| MAQ1 | MAQ1 | MAQ1 | MAQ2 | MAQ2 | MAQ3 | MAQ3 | ||
| detn | detn | detn | det 21 | det 22 | det 31 | det 32 | ||
| MAQ1 | detn | 0 | 0 | 0 | 0 | 0* | 0 | 0 |
| MAQ1 | detn | 0 | 0 | 0 | 0 | 0* | 0,1 | 0 |
| MAQ1 | detn | 0 | 0 | 0 | 0* | 0* | 0,7 | 0 |
| MAQ2 | det 21 | 0 | 0 | 0 | 0 | 0 | 0 | 0,4 |
| MAQ2 | det 22 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| MAQ3 | det 31 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| MAQ3 | det 32 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
Ensuite, comme la matrice ne contient pas que des zéros, les moyens d’analyse MAL recommencent les opérations décrites ci-avant lors d’une cinquième itération. Cette fois-ci, la valeur de similitude vs maximale est égale à 0,7. Elle est obtenue pour les détections deti3 et det3i. Puisque ces deux détections sont déjà dans le même groupe, les moyens d’analyse MAL ne modifient rien : Grp2 = {det22, det3i, detn}. Les moyens d’analyse MAL mettent ensuite à zéro les éléments de matrice correspondants. Si ces détections étaient dans des groupes différents, seule la case contenant la valeur de similitude vs maximale serait remise à zéro. On obtient alors la matrice suivante (dans laquelle les éléments de matrice mis à zéro sont identifiés par des astérisques (*))
| MAQ1 | MAQ1 | MAQ1 | MAQ2 | MAQ2 | MAQ3 | MAQ3 | ||
| det 11 | det 12 | det 13 | det 21 | det 22 | det 31 | det 32 | ||
| MAQ1 | detu | 0 | 0 | 0 | 0 | 0 | 0* | 0 |
| MAQ1 | deti2 | 0 | 0 | 0 | 0 | 0 | 0* | 0 |
| MAQ1 | deti3 | 0 | 0 | 0 | 0 | 0 | 0* | 0* |
| MAQ2 | det 21 | 0 | 0 | 0 | 0 | 0 | 0 | 0,4 |
| MAQ2 | det 22 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| MAQ3 | det 31 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| MAQ3 | det 32 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
Ensuite, comme la matrice ne contient pas que des zéros, les moyens d’analyse MAL recommencent les opérations décrites ci-avant lors d’une sixième itération. Cette fois-ci, la valeur de similitude vs maximale est égale à 0,4. Elle est obtenue pour les détections det2i et det32. Puisque ces deux détections sont déjà dans le même groupe (Grp1), les moyens d’analyse MAL ne modifient rien : Grp1 = {detu, det32, det2i}. Les moyens d’analyse MAL mettent ensuite à zéro les éléments de matrice correspondants. On obtient alors la matrice suivante (dans laquelle les éléments de matrice mis à zéro sont identifiés par des astérisques (*)).
| MAQ1 | MAQ1 | MAQ1 | MAQ2 | MAQ2 | MAQ3 | MAQ3 | ||
| det 11 | det 12 | det 13 | det 21 | det 22 | det 31 | det 32 | ||
| MAQ1 | detu | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| MAQ1 | deti2 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| MAQ1 | deti3 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| MAQ2 | det2i | 0 | 0 | 0 | 0 | 0 | 0* | 0* |
| MAQ2 | det 22 | 0 | 0 | 0 | 0 | 0 | 0 | 0* |
| MAQ3 | det3i | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| MAQ3 | det 32 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
La dernière matrice étant maintenant nulle et la détection deti2 n’étant pas encore dans un groupe, les moyens d’analyse MAL la mettent dans un nouveau groupe Grp3 (singleton). Au final, on a donc: Grp1 = {detu, det32, det2i}, Grp2 = {det22, det3i, detn}, et Grp3 = {det-12}, lesquels correspondent respectivement à trois objets réels.
En d’autres termes, chaque fois que l’on dispose d’une nouvelle matrice, présentant une valeur de similitude vs maximale, associée à deux détections detjk et detjk’, trois cas se présentent. Dans un premier cas, aucune de ces deux détections n’est présente dans un groupe déjà existant, alors on constitue un nouveau groupe avec ces deux détections. Dans un deuxième cas, une seule de ces deux détections est déjà présente dans un groupe existant, alors on rajoute l’autre détection dans ce groupe existant. Dans un troisième cas, ces deux détections sont déjà présentes dans deux groupes différents, alors on ne fait rien. En effet, les premières associations sont par définition meilleures que les suivantes puisque les maximas de similitude trouvés à une itération donnée sont plus grands que ceux des itérations suivantes.
On notera que les moyens d’analyse MAL peuvent être agencés de manière à déterminer chaque valeur de similitude vs entre deux détections detjk et detjk à partir d’une partie au moins d’attributs qui définissent ces détections à un instant considéré.
En présence de cette dernière option, les moyens d’analyse MAL peuvent être agencés de manière à déterminer des valeurs de similitude vs qui sont par exemple égales à des distances dites de Mahalanobis fonction d’au moins un attribut qui est choisi parmi un paramètre cinématique du véhicule V, des dimensions de détection detjk, une forme de détection detjk, une probabilité d’existence d’une détection detjk et un type de détection detjk.
Chaque paramètre cinématique peut être choisi parmi, au moins, la position du véhicule V par rapport à une détection detjk, la vitesse relative du véhicule V par rapport à une détection detjk, et l’accélération relative du véhicule V par rapport à une détection detjk.
On notera également, comme illustré non limitativement sur l’unique figure, que le dispositif d’analyse DA peut, par exemple, être implanté, au moins partiellement (et notamment ses moyens d’analyse MAL), dans un calculateur CA du véhicule V, qui assure éventuellement au moins une autre fonction, comme par exemple une fonction d’assistance à la conduite du véhicule V (lorsque celui-ci est à conduite au moins partiellement autonome). Mais en variante il peut comprendre son propre calculateur dédié. Par conséquent, le dispositif d’analyse DA peut être réalisé sous la forme de modules logiciels (ou informatiques ou encore « software >>), ou bien d’une combinaison de circuits électroniques (ou « hardware ») et de modules logiciels.
On notera également que l’un au moins des moyens d’acquisition MAQj peut éventuellement faire partie du dispositif d’analyse DA. Mais cela n’est pas obligatoire. Par ailleurs, les informations acquises par les moyens d’acquisition MAQj peuvent, par exemple, être accessibles au dispositif d’analyse DA via un réseau de communication du véhicule V, éventuellement multiplexé.
Il est important de noter que l’invention peut être également considérée sous l’angle d’un procédé d’analyse, pouvant être notamment mis en oeuvre dans le véhicule V au moyen d’un dispositif d’analyse DA du type de celui présenté ci-avant. Les fonctionnalités offertes par la mise en oeuvre du procédé selon l’invention étant identiques à celles offertes par le dispositif d’analyse DA présenté ci-avant, seule la combinaison de fonctionnalités principales offerte par le procédé est présentée ci-après.
Ce procédé d’analyse comprend une étape dans laquelle on (les moyens d’analyse MAL) analyse(nt) les informations d’environnement (acquises par au moins deux moyens d’acquisition MAQj équipant le véhicule V) pour associer des détections représentant un même objet de cet environnement, et 5 on (les moyens d’analyse MAL) détermine(nt) des valeurs vs qui sont représentatives de similitudes entre des paires de détections acquises par l’ensemble des moyens d’acquisition MAQj, puis on (les moyens d’analyse MAL) détermine(nt) à partir de ces valeurs de similitude vs des détections qui sont similaires entre elles et qui sont relatives à un même objet en étant issues 10 de moyens d’acquisition MAQj différents.
L’invention offre un gain de performance sur le taux de bonne association des informations fournies par au moins deux moyens d’acquisition. Il en résulte une meilleure perception de l’environnement et donc des fonctions offertes aux passagers des véhicules plus disponibles et plus fiables.
Claims (10)
1. Dispositif d’analyse (DA) pour un véhicule (V) comportant au moins deux moyens d’acquisition (MAQj) acquérant des informations représentatives de zones d’un environnement dudit véhicule (V), ledit dispositif (DA) comprenant des moyens d’analyse (MAL) analysant lesdites informations pour associer des détections représentant un même objet dudit environnement, caractérisé en ce que lesdits moyens d’analyse (MAL) déterminent des valeurs représentatives de similitudes entre des paires de détections acquises par lesdits moyens d’acquisition (MAQj), puis déterminent à partir de ces valeurs de similitude des détections qui sont similaires entre elles et qui sont relatives à un même objet en étant issues de moyens d’acquisition (MAQj) différents.
2. Dispositif selon la revendication 1, caractérisé en ce que lesdits moyens d’analyse (MAL) construisent une matrice NxN dont les éléments matriciels sont lesdites valeurs de similitude déterminées, avec N égal à un nombre total de détections déterminées dans ledit environnement, puis constituent des groupes dans lesquels des détections sont similaires entre elles et ont des valeurs de similitude maximales, puis déduisent de ces groupes constitués des objets qui sont non similaires entre eux.
3. Dispositif selon la revendication 2, caractérisé en ce qu’après détermination dans une matrice d’un élément de matrice, concernant des première et seconde détections fournies par des moyens d’acquisition différents (MAQj, MAQj’), et ayant ladite valeur de similitude maximale, lesdits moyens d’analyse (MAL) mettent à zéro cet élément de matrice et interdisent toute possibilité d’association entre, d’une part, ladite première détection et toutes les détections des moyens d’acquisition (MAQj’) qui ont fourni ladite seconde détection, et, d’autre part, entre ladite seconde détection et toutes les détections des moyens d’acquisition (MAQj) qui ont fourni ladite première détection, en mettant à zéro les éléments de matrice correspondants, puis lesdits moyens d’analyse (MAL) réitèrent cette détermination et ces mises à zéro jusqu’à obtention d’une matrice nulle, et lors de chaque itération lesdits moyens d’analyse (MAL) placent dans un groupe lesdites première et seconde détections si elles ne font pas déjà partie d’un groupe.
4. Dispositif selon l’une des revendications 1 à 3, caractérisé en ce que lesdits moyens d’analyse (MAL) déterminent chaque valeur de similitude entre deux détections à partir d’une partie au moins d’attributs définissant ces détections à un instant considéré.
5. Dispositif selon la revendication 4, caractérisé en ce que lesdits moyens d’analyse (MAL) déterminent des valeurs de similitude égales à des distances dites de Mahalanobis fonction d’au moins un attribut choisi parmi un paramètre cinématique dudit véhicule (V), des dimensions d’une détection, une forme d’une détection, une probabilité d’existence d’une détection et un type d’une détection.
6. Véhicule (V) comprenant au moins deux moyens d’acquisition (MAQj) acquérant des informations représentatives de zones de son environnement, caractérisé en ce qu’il comprend en outre un dispositif d’analyse (DA) selon l’une des revendications précédentes.
7. Véhicule selon la revendication 6, caractérisé en ce qu’il est de type automobile.
8. Procédé d’analyse pour un véhicule (V) comportant au moins deux moyens d’acquisition (MAQj) acquérant des informations représentatives de zones d’un environnement dudit véhicule (V), ledit procédé comprenant une étape dans laquelle on analyse lesdites informations pour associer des détections représentant un même objet dudit environnement, caractérisé en ce que dans ladite étape on détermine des valeurs représentatives de similitudes entre des paires de détections acquises par lesdits moyens d’acquisition (MAQj), puis on détermine à partir de ces valeurs de similitude des détections qui sont similaires entre elles et qui sont relatives à un même objet en étant issues de moyens d’acquisition (MAQj) différents.
9. Procédé selon la revendication 8, caractérisé en ce que dans ladite étape on construit une matrice NxN dont les éléments matriciels sont lesdites valeurs de similitude déterminées, avec N égal à un nombre total de détections déterminées dans ledit environnement, puis on constitue des groupes dans lesquels des détections sont similaires entre elles et ont des valeurs de similitude maximales, puis on déduit de ces groupes constitués des objets qui sont non similaires entre eux.
10. Procédé selon la revendication 8 ou 9, caractérisé en ce que dans ladite étape on détermine chaque valeur de similitude entre deux détections à partir d’une partie au moins d’attributs définissant ces détections à un instant considéré.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1850953A FR3077550A1 (fr) | 2018-02-05 | 2018-02-05 | Procede et dispositif d’analyse de l’environnement d’un vehicule par discrimination d’objets differents detectes par plusieurs moyens d’acquisition. |
| PCT/FR2019/050103 WO2019150012A1 (fr) | 2018-02-05 | 2019-01-18 | Procédé et dispositif d'analyse de l'environnement d'un véhicule par discrimination d'objets différents détectés par plusieurs moyens d'acquisition |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1850953 | 2018-02-05 | ||
| FR1850953A FR3077550A1 (fr) | 2018-02-05 | 2018-02-05 | Procede et dispositif d’analyse de l’environnement d’un vehicule par discrimination d’objets differents detectes par plusieurs moyens d’acquisition. |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| FR3077550A1 true FR3077550A1 (fr) | 2019-08-09 |
Family
ID=62167505
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR1850953A Withdrawn FR3077550A1 (fr) | 2018-02-05 | 2018-02-05 | Procede et dispositif d’analyse de l’environnement d’un vehicule par discrimination d’objets differents detectes par plusieurs moyens d’acquisition. |
Country Status (2)
| Country | Link |
|---|---|
| FR (1) | FR3077550A1 (fr) |
| WO (1) | WO2019150012A1 (fr) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102015104937A1 (de) * | 2015-03-31 | 2016-10-06 | Valeo Schalter Und Sensoren Gmbh | Verfahren zum Beurteilen einer Zugehörigkeit eines Erfassungspunkts zu einem Objekt in einem Umgebungsbereich eines Kraftfahrzeugs sowie Fahrerassistenzsystem |
| KR20170119059A (ko) * | 2016-04-18 | 2017-10-26 | 현대자동차주식회사 | Aeb 센서융합 시스템 |
| FR3054673A1 (fr) * | 2016-07-29 | 2018-02-02 | Valeo Schalter & Sensoren Gmbh | Fusion de donnees de detection et de suivi d'objets pour vehicule automobile |
-
2018
- 2018-02-05 FR FR1850953A patent/FR3077550A1/fr not_active Withdrawn
-
2019
- 2019-01-18 WO PCT/FR2019/050103 patent/WO2019150012A1/fr active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102015104937A1 (de) * | 2015-03-31 | 2016-10-06 | Valeo Schalter Und Sensoren Gmbh | Verfahren zum Beurteilen einer Zugehörigkeit eines Erfassungspunkts zu einem Objekt in einem Umgebungsbereich eines Kraftfahrzeugs sowie Fahrerassistenzsystem |
| KR20170119059A (ko) * | 2016-04-18 | 2017-10-26 | 현대자동차주식회사 | Aeb 센서융합 시스템 |
| FR3054673A1 (fr) * | 2016-07-29 | 2018-02-02 | Valeo Schalter & Sensoren Gmbh | Fusion de donnees de detection et de suivi d'objets pour vehicule automobile |
Non-Patent Citations (1)
| Title |
|---|
| MATHIAS HABERJAHN ET AL: "Vehicle environment detection by a combined low and mid level fusion of a laser scanner and stereo vision", INTELLIGENT TRANSPORTATION SYSTEMS (ITSC), 2011 14TH INTERNATIONAL IEEE CONFERENCE ON, IEEE, 5 October 2011 (2011-10-05), pages 1634 - 1639, XP032023487, ISBN: 978-1-4577-2198-4, DOI: 10.1109/ITSC.2011.6083092 * |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2019150012A1 (fr) | 2019-08-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CA2950847C (fr) | Procede d'analyse d'une scene dynamique, module d'analyse et programme d'ordinateur associes | |
| EP3137355B1 (fr) | Dispositif de signalisation d'objets a un module de navigation de vehicule equipe de ce dispositif | |
| EP2965287B1 (fr) | Procédé de suivi d'une cible dans une séquence d'images avec prise en compte de la dynamique de la cible | |
| EP2593907B1 (fr) | Procédé de détection d'une cible dans des images stéréoscopiques par apprentissage et classification statistique à partir d'une loi de probabilité | |
| FR3025898A1 (fr) | Procede et systeme de localisation et de cartographie | |
| FR3106918A1 (fr) | Procédé et dispositif de reconstruction des voies | |
| WO2018109298A1 (fr) | Système de reconnaissance d'objets basé sur un modèle générique 3d adaptatif | |
| Tang et al. | Penet: object detection using points estimation in aerial images | |
| WO2022002531A1 (fr) | Système et procédé de détection d'un obstacle dans un environnement d'un véhicule | |
| FR3077550A1 (fr) | Procede et dispositif d’analyse de l’environnement d’un vehicule par discrimination d’objets differents detectes par plusieurs moyens d’acquisition. | |
| FR3056530B1 (fr) | Detection d'obstacles par fusion d'objets pour vehicule automobile | |
| EP2328115B1 (fr) | Procédé, dispositif et système pour la fusion d'informations provenant de plusieurs capteurs | |
| WO2019129985A1 (fr) | Procede de formation d'un reseau de neurones pour la reconnaissance d'une sequence de caracteres et procede de reconnaissance associe | |
| WO2018224750A1 (fr) | Procede de determination du type de route sur laquelle evolue un vehicule | |
| FR3054672A1 (fr) | Procede et systeme d'association de donnees de detection et de suivi d'objets mobile pour vehicule automobile | |
| FR3100641A1 (fr) | Détermination d’informations d’environnement en temps réel et à régression sélective, pour un système | |
| FR3082044A1 (fr) | Procede et dispositif de detection de la voie de circulation sur laquelle circule un vehicule, en fonction des delimitations determinees | |
| FR3081415A1 (fr) | Procede et dispositif d’analyse de l’environnement d’un vehicule pour reconstituer des rambardes de securite. | |
| EP2769360B1 (fr) | Procédé de localisation d'objets par résolution dans l'espace tridimensionnel de la scène | |
| EP4332914A1 (fr) | Procede et dispositif de detection d'objets materiels dans un espace environnant un robot autonome | |
| KR102584850B1 (ko) | 와이퍼 폐색 영상 복원 방법 | |
| Chen et al. | Real-time license plate identification by perceptual shape grouping and tracking | |
| FR3113273A1 (fr) | Compression automatisée de réseaux de neurones pour la conduite autonome | |
| FR3082935A1 (fr) | Procede et dispositif d’analyse pour determiner une clothoide representant un element d’une route sur laquelle circule un vehicule | |
| FR3130061A1 (fr) | Procédé de localisation et cartographie simultanées intégrant un masquage temporel auto-supervisé et modèle d’apprentissage automatique pour générer un tel masquage. |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20190809 |
|
| PLFP | Fee payment |
Year of fee payment: 3 |
|
| PLFP | Fee payment |
Year of fee payment: 4 |
|
| ST | Notification of lapse |
Effective date: 20221005 |