FR3082613A1

FR3082613A1 - Procédé et dispositif de prédiction d’un trajet probable pour un véhicule

Info

Publication number: FR3082613A1
Application number: FR1906290A
Authority: FR
Inventors: Pablo Luis Guarnizo
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2018-06-18
Filing date: 2019-06-13
Publication date: 2019-12-20
Anticipated expiration: 2039-06-13
Also published as: CN110617829B; DE102018209804A1; FR3082613B1; CN110617829A

Abstract

Titre : Procédé et dispositif de prédiction d’un trajet probable pour un véhicule Procédé de prévisions (900) d’un trajet de circulation probable (170) pour un véhicule (105), consistant à prédire (905) en utilisant au moins un signal de données (135) qui représente un emplacement de séjour ancien (340) du véhicule (105) ainsi qu’un signal de position (140) représentant la position actuelle (505) du véhicule (105), établir (910) une carte des primes (150) pour représenter une pondération d’au moins une zone (510) entre la position actuelle (505) du véhicule (105) et la destination prédite (205) en utilisant l’historique de circulation (155) du véhicule (105) et/ou une préférence de conduite (160) du conducteur et calculer (915) le trajet probable (170) en utilisant un réseau neuronal (165) et en établissant la carte des primes (150) pour prédire le trajet probable (170). Figure 1

Description

Titre de l'invention : Procédé et dispositif de prédiction d’un trajet probable pour un véhicule

Domaine technique [0001] La présente invention se rapporte à un procédé et un dispositif de prévision d’un trajet probable pour un véhicule. L’invention a également pour objet un programme d’ordinateur pour l’application du procédé.

Technique antérieure [0002] Pour les véhicules circulant en mode autonome, on utilise des modules de navigation qui traitent des données cartographiques pour fournir la prévision d’un trajet de route prévisible pour une unité de stratégie de conduite qui commande ou gère le véhicule de manière autonome. En particulier, il convient de citer l’horizon électronique qui représente la combinaison entre la navigation et la commande du moteur. L’un des composants clefs pour l’établissement de l’horizon électronique est un algorithme de prédiction du trajet et que la destination et/ou le trajet sont incertains, par exemple, si le conducteur n’a pas donné de destination ou si le système de commande ne peut communiquer la destination définitive ou n’a pas l’autorisation de le faire. La prédiction du trajet est fondée alors sur les données historiques du véhicule, c’est-à-dire que le véhicule suit le même trajet que celui qu’il a emprunté en dernier lieu pour arriver à la même destination.

[0003] Le document DE 10 2007 043 533 Al décrit un appareil de navigation pour un véhicule automobile ainsi qu’un procédé de calcul et d’émission d’au moins un trajet routier alternatif en cas de bouchon de circulation. On offre ainsi au véhicule ou à l’utilisateur du système de navigation, même si la fonction de destination n’est pas activée, pour chaque bouchon qui se situe dans un horizon de position, défini, au moins une alternative de trajet.

[0004] BUT DE L’INVENTION [0005] La présente invention a pour but partant de cet état de la technique, de développer un procédé de prédiction d’un trajet probable ainsi qu’un dispositif pour l’application du procédé et un programme d’ordinateur pour l’exécution du procédé permettant de développer avantageusement les solutions connues.

[0006] EXPOSE ET AVANTAGES DE L’INVENTION [0007] A cet effet, le procédé de prédiction d’un trajet probable pour un véhicule a pour but de prédire un trajet probable du véhicule vers une destination. A l’aide des procédés d’apprentissage actuels de machines, on cherche, par exemple, à imiter la façon selon laquelle un opérateur planifie un trajet vers une destination en tenant compte du choix de préférences de route telles que le chemin le plus court, l’économie de carburant ou des paramètres analogues. En outre, tel que présenté, le procédé de prédiction du trajet probable pour un véhicule peut également tenir compte d’informations pertinentes telles que les préférences du conducteur et/ou du véhicule ainsi que les états de circulation en temps réel pour prédire le trajet probable.

[0008] En d’autres termes, l’invention a pour objet un procédé de prédiction d’un trajet de circulation probable pour un véhicule consistant à prédire, en utilisant au moins un signal de données qui représente un emplacement de séjour ancien du véhicule ainsi qu’un signal de position représentant la position actuelle du véhicule, établir une carte des primes pour représenter une pondération d’au moins une zone entre la position actuelle du véhicule et la destination prédite en utilisant l’historique de circulation du véhicule et/ou une préférence de conduite du conducteur et calculer le trajet probable en utilisant un réseau neuronal et en établissant la carte des primes pour prédire le trajet probable.

[0009] L’expression carte des primes est la traduction d’une expression anglo-saxonne. [0010] Une carte des primes est une carte dans laquelle à chaque position de la carte ou chaque cellule sont associés une prime ou un nombre. Le nombre est une mesure de la manière avantageuse ou non avantageuse de passer par cette position.

[0011] Un trajet est un chemin entre plusieurs points ; un trajet décrit notamment la liste ordonnée de points du chemin qui conduisent, par exemple, d’un emplacement donné d’un véhicule, à une destination. Le véhicule peut être un véhicule de transport de personnes tel qu’un véhicule à conduite très automatisée. La carte des primes peut être un modèle d’environnement du véhicule fondé sur une carte et ayant plusieurs zones géographiques. La carte des primes peut être réalisée comme une sorte de réseau bidimensionnel situé dans le plan du sol et qui représente une carte de l’environnement sous la forme d’un champ de variables aléatoires binaires, réparties régulièrement et qui représentent chacune une valeur de prime de la zone géographique. Un réseau neuronal est un modèle abstrait, artificiel, du cerveau humain qui se compose d’un grand nombre de couches avec des nœuds artificiels, c’est-à-dire une sorte de neurones. En particulier, le réseau neuronal dispose d’une couche d’entrée et d’une couche de sortie entre lesquelles il peut y avoir plusieurs couches intermédiaires. Les nœuds de la couche d’entrée se laissent combiner par l’entraînement selon différents chemins par les nœuds des couches intermédiaires avec les nœuds de la couche de sortie. La règle est que plus les nœuds et les couches sont nombreux dans le réseau neuronal et plus complexe seront les états qui pourront être représentés.

[0012] Les avantages du procédé présenté pour prédire un trajet probable pour un véhicule se situe, par exemple, en particulier, dans l’extension de l’horizon électronique ; l’horizon électronique est une sorte de fonction de prédiction pour un système de ré gulation de vitesse et/ou un système d’assistance de conduite d’un véhicule représentant une étape importante dans le développement de la conduite automatisée. L’horizon électronique sert notamment à la conduite prévisionnelle. En première ligne, en utilisant l’horizon électronique, on peut augmenter la sécurité de circulation comme, par exemple, lorsque le véhicule décélère automatiquement car le système de navigation signale préalablement une courbe serrée, dangereuse. Mais le système ne permet pas seulement d’éviter les accidents, mais également de circuler de façon prévisionnelle et économe dans les mêmes conditions, évitant au conducteur des accélérations et des freinages inutiles. Ce principe s’applique, par exemple, également pour les montées et les descentes, en amont de feux rouges, de bouchons ou autres éléments retardant la circulation. Dans le cas extrême, le conducteur n’aura plus qu’à diriger, la pédale d’accélérateur et la pédale de frein commandent d’elles-mêmes le véhicule.

[0013] Selon une forme de réalisation, dans l’étape de prédiction, on définit les emplacements de séjour, anciens, par des coordonnées géographiques, là où le véhicule a séjourné plus longtemps qu’une durée prédéfinie, notamment dont les coordonnées géographiques sont associées à l’emplacement de séjour à l’intérieur d’une distance définie autour de l’emplacement de séjour. Les emplacements de séjour ancien peuvent être les emplacements où le conducteur ou le véhicule ont antérieurement séjourné pendant une durée plus longue, par exemple, que vingt minutes et qui peuvent être des destinations possibles du véhicule.

[0014] Selon une forme de réalisation, dans l’étape de prédiction, on regroupe les emplacements de séjour, anciens, pour former des destinations possibles et/ou les emplacements de séjour dans un ordre chronologique. Les emplacements de séjour sont, par exemple, groupés pour déterminer des destinations possibles, ce qui signifie, par exemple, que les destinations possibles constituent des grappes de types d’emplacements anciens. Une grappe décrit une concentration spatiale d’emplacements de séjour anciens liés par la proximité spatiale ou par la concentration à l’intérieur d’une zone géographique donnée. Les emplacements de séjour d’une grappe sont finalement mis dans un ordre chronologique suivant le moment où ils ont été parcourus par le véhicule. Une telle forme de réalisation offre l’avantage d’une évaluation plus grossière des emplacements de séjour anciens de sorte que, grâce à une moindre complexité, on puisse réduire les moyens numériques ou de circuit nécessaires à la prédiction.

[0015] Selon une forme de réalisation, dans l’étape d’établissement, on associe une valeur de prime aux zones géographiques et/ou aux liaisons entre les zones géographiques pour établir la carte des primes. La carte des primes est une sorte de grille d’occupation bidimensionnelle, située dans le plan du sol et qui représente une carte de l’environnement sous la forme d’un champ avec un espacement régulier de variables binaires, aléatoires qui représentent chacune la valeur de prime associée à une zone géographique. En variante ou en plus, on peut également associer une valeur de prime à un élément routier d’une carte de navigation standard (NDS). La ou les éléments routiers sont des liaisons entre deux nœuds et disposent, par exemple, d’une caractéristique d’identification unique Id dans une carte. Une carte est, par exemple, modélisée comme graphique. Une telle forme de réalisation de l’invention offre l’avantage d’une appréciation par la pondération aussi fine que possible des différentes zones.

[0016] Selon une forme de réalisation, dans l’étape d’établissement, on associe à chaque zone géographique et/ou à chaque liaison entre deux zones géographiques de la carte des primes, une valeur de prime fonction de la préférence de conduite du conducteur pour une classe type de route et/ou un point intéressant et/ou un emplacement de séjour ancien du véhicule, notamment en associant à une valeur de prime, un nombre négatif et/ou positif. Les valeurs de prime le long du trajet probable suivant la carte des primes utilisée, pourront être rendues maximales d’une manière avantageuse, simple à réaliser du point de vue technique ; une valeur numérique positive est avantageusement associée aux valeurs de prime. Une telle forme de réalisation de l’invention offre l’avantage de tenir compte d’informations spécifiques au conducteur pour la prédiction du trajet le plus probable.

[0017] Selon une forme de réalisation, dans l’étape d’établissement, on établit la valeur de prime de carte des primes en utilisant la pondération d’au moins une caractéristique ; la caractéristique et/ou les caractéristiques représentent respectivement la distance euclidienne d’une zone géographique actuelle et d’une zone géographique voisine dans la carte des primes et/ou d’une situation de circulation dans une zone géographique voisine et/ou d’une information indiquant si la zone géographique a été traversée antérieurement et/ou une classe de routes (type de routes) d’une route parcourue dans la zone géographique voisine et/ou d’une consommation de carburant évaluée pour arriver dans une zone géographique voisine. Grâce à la multiplicité des caractéristiques pondérées pour établir les valeurs de prime de la carte des primes, on augmente avantageusement la variabilité des données, ce qui se traduit par une meilleure prédiction du trajet probable pour un véhicule à l’aide d’un réseau neuronal.

[0018] Selon une forme de réalisation, dans l’étape d’établissement, on pondère une caractéristique et/ou les caractéristiques par un poids et notamment on calcule les valeurs de prime associées à chaque zone géographique comme combinaison linéaire de caractéristiques pondérées par le poids dans la zone géographique associée. Ainsi, les valeurs de primes peuvent contenir implicitement un modèle de décision du conducteur selon lequel on calcule la carte des primes en se fondant sur les valeurs de prime calculées au préalable et les caractéristiques pondérées, par un calcul automatique. Une telle forme de réalisation de l’invention présentée offre l’avantage d’une possibilité simple et néanmoins précise pour établir la carte des primes et la prédiction précise ainsi rendue possible, du trajet le plus probable.

[0019] Selon une forme de réalisation, dans l’étape d’établissement on calcule les valeurs de prime en se fondant sur l’historique des trajets du véhicule et dans l’étape de calcul du trajet le plus probable on exclut les zones géographiques dont les valeurs de prime associées dépassent vers le haut et/ou vers le bas une certaine plage de valeurs. La probabilité de sélection des zones géographiques respectives pour le trajet le plus probable peut être rendue minimum par des valeurs de prime de la zone géographique respective des trajets sélectionnés, et auxquelles sont associées des valeurs de prime ; de façon avantageuse on associe une valeur numérique positive.

[0020] Selon une forme de réalisation, dans l’étape d’actualisation de la carte des primes, pour planifier un nouveau trajet on utilise au moins une information dynamique de circulation, notamment l’information dynamique de circulation qui représente une perturbation de circulation et/ou une condition actuelle de route et/ou une condition météorologique actuelle. Il en résulte au moins deux avantages principaux de l’utilisation d’un réseau neuronal entraîné au préalable pour rechercher un nouveau trajet pour le véhicule :

[0021] En premier lieu on augmente considérablement la vitesse de recherche et en second lieu le réseau neuronal imite avec succès la manière selon laquelle un humain aborderait un tel problème.

[0022] Selon une forme de réalisation, au moins l’étape de calcul et/ou au moins l’étape d’actualisation seront répétées et/ou répétées de manière cyclique. Un avantage important de l’utilisation d’un réseau neuronal réside dans le fait que les résultats de la prévision améliorent le trajet probable d’un véhicule selon l’augmentation permanente de l’importance des données enregistrées ainsi que de la variabilité des données pour calculer un trajet ainsi que l’actualisation constante de la carte des primes pour la planification d’un nouveau trajet.

[0023] Selon une forme de réalisation, dans l’étape d’actualisation, on peut déterminer les valeurs de prime en utilisant des données d’information de circulation de plusieurs véhicules. Grâce aux données d’information de circulation de plusieurs véhicules reliés entre eux dans une zone géographique, on obtiendra avantageusement des données cartographiques plus précises et plus réelles. L’actualisation de la carte des primes peut également servir à informer le conducteur du véhicule en temps réel des conditions de circulation et des conditions routières.

[0024] Le procédé de prédiction tel que présenté d’un trajet probable pour un véhicule peut, par exemple, s’implémenter sous la forme d’un programme ou d’un circuit ou suivant une forme mixte combinant un programme et un circuit, par exemple, dans un appareil de commande.

[0025] L’invention a également pour objet un dispositif de prédiction du trajet probable d’un véhicule, ce dispositif étant réalisé pour exécuter les étapes du procédé présenté cidessus, de prédiction d’un trajet prévisible d’un véhicule en commandant et en assistant des installations appropriées.

[0026] La variante d’exécution de l’invention sous la forme d’un dispositif permet de résoudre rapidement et efficacement le problème auquel l’invention répond.

[0027] Le dispositif de prédiction d’un trajet probable d’un véhicule comporte au moins une unité de calcul pour traiter les signaux ou les données, au moins une unité de mémoire pour enregistrer les signaux et les données, au moins une interface avec un capteur ou un actionneur pour enregistrer les signaux venant du capteur ou pour émettre des signaux de données et de commande vers l’actionneur et/ou au moins une interface de communication pour enregistrer et émettre des données intégrées dans un protocole de communication. L’unité de calcul est, par exemple, un processeur de signal, un microcontrôleur ou un moyen analogue ; l’unité de mémoire est une mémoire flash, une mémoire EEPROM ou une mémoire magnétique. L’interface de communication est réalisée pour enregistrer ou émettre des données par une liaison sans fil et/ou par une liaison par câble, l’interface de communication enregistrant et émettant les données liées à une ligne, ces données étant enregistrées de manière électrique ou optique à partir d’une ligne de transmission de données ou ces données sont émises dans une ligne de données correspondante.

[0028] Un dispositif selon l’invention est un appareil électrique qui traite les signaux de capteurs et en fonction de ceux-ci, il fournit des signaux de commande et/ou des signaux de données. Le dispositif peut comporter une interface réalisée sous la forme d’un circuit et/ou d’un programme. Dans le cas d’une réalisation sous la forme d’un circuit, des interfaces font, par exemple, partie d’un système ASIC qui contient les différentes fonctions du dispositif. Il est toutefois, également possible que l’interface comporte son propre circuit intégré ou du moins est réalisée en partie avec des composants discrets. Une réalisation sous la forme d’un programme comporte des interfaces sous forme de modules de programmes qui se trouvent, par exemple, dans un microcontrôleur à côté d’autres modules de programmes.

[0029] De façon avantageuse, l’invention a également pour objet un produit-programme d’ordinateur ou un programme d’ordinateur avec un code programme sur un support lisible par une machine ou support de mémoire tel qu’une mémoire semi-conductrice, un disque dur ou une mémoire optique ; ce programme permet d’exécuter et d’appliquer les étapes du programme selon l’une des forme de réalisation décrites ensuite en particulier si le produit-programme ou plus simplement le programme sont exécutés sur un ordinateur ou dans une unité de calcul ou un dispositif.

Brève description des dessins [0030] La présente invention sera décrite ci-après, de manière plus détaillée à l’aide d’exemples de réalisation représentés dans les dessins dans lesquels :

[0031] [fig-1] est une vue schématique d’un exemple de réalisation, d’un dispositif de prédiction d’un trajet probable d’un véhicule, [0032] [fig.2] montre une structure de système, simplifiée de manière schématique pour la prédiction d’un trajet probable d’un véhicule en se fondant sur un dispositif de prédiction d’un trajet probable de véhicule correspondant à un exemple de réalisation, [0033] [fig.3] est une vue schématique d’une carte tramée pour grouper les emplacements de séjours anciens du véhicule selon un exemple de réalisation, [0034] [fig.4] est une vue schématique d’un réseau neuronal utilisé dans une installation de prédiction d’une destination d’un véhicule correspondant à un exemple de réalisation, [0035] [fig.5] est une vue schématique selon un exemple de réalisation, d’une carte des primes donnant l’image d’une pondération entre la position actuelle du véhicule et la destination prédite.

[0036] [fig.6] est une vue schématique selon un exemple de réalisation d’un réseau neuronal pour calculer le trajet probable du véhicule, [0037] [fig-7] est une vue schématique d’une carte des primes actualisée pour donner l’image de la pondération d’une zone comprise entre la position actuelle d’un véhicule et une destination prévisible, selon un exemple de réalisation, [0038] [fig.8] est une structure systématique schématique de prédiction du trajet probable en se fondant sur un procédé de prédiction du trajet probable d’un véhicule, selon un exemple de réalisation, et [0039] [fig.9] montre un ordinogramme d’un procédé de prédiction du trajet probable d’un véhicule, selon un exemple de réalisation.

[0040] Dans la description suivante, des exemples avantageux de l’invention, les éléments analogues ou identiques dans les différentes figures portent les mêmes références et leur description ne sera pas systématiquement répétée.

[0041 ] DESCRIPTION DE MODES DE REALISATION [0042] La figure 1 montre une vue schématique d’un dispositif 100 pour réaliser la prévision d’un trajet probable d’un véhicule 105 selon un exemple de réalisation. Selon cet exemple de réalisation, le dispositif 100 équipe une unité de calcul 110, externe (externe à un véhicule) ; cette unité de calcul externe 110, est, par exemple, une infrastructure d’informatique, par exemple, le Cloud. Un tel exemple de réalisation de la solution présentée ici offre l’avantage que pour préparer les données dans l’unité de calcul externe 110, il faut moins de capacités de calcul dans le véhicule 105 lui-même, ce qui se traduit par une moindre consommation d’énergie ou offre la possibilité d’utiliser les ressources pour d’autres fonctions. De plus, l’unité de calcul externe 110 dispose, en général, d’une plus grande puissance de calcul qu’un ordinateur interne à un véhicule. On peut, toutefois, envisager également une unité de calcul interne au véhicule constituant le dispositif 100 comme cela est représenté à la figure 1.

[0043] Le dispositif 100 pour réaliser la prévision d’un trajet probable d’un véhicule 105 comporte une installation de prévision 115, une installation d’établissement 120, une installation de calcul 125 ainsi qu’en option une installation d’actualisation 130. L’installation de prévision 115 est réalisée pour prédire la destination en utilisant le signal de données 135 qui représente un lieu de séjour antérieur du véhicule 105 ainsi qu’un signal de position 140 qui représente la position actuelle du véhicule 105. L’installation de prévision 115 est en outre conçue pour définir l’emplacement de séjour antérieur du véhicule 105 par les coordonnées géographiques de l’endroit où le véhicule 105 a séjourné plus longtemps que la durée prédéfinie. Pour cela, on associe les coordonnées géographiques à l’emplacement de séjour ; ces coordonnées se situent dans un périmètre défini de l’emplacement de séjour. Enfin, l’installation de prévision 115 est conçue pour grouper les emplacements de séjours antérieurs du véhicule 105 pour former des éventuelles destinations possibles et ensuite mettre les emplacements des séjours antérieurs dans un ordre chronologique.

[0044] L’installation d’établissement 120 établit une carte des primes 150 pour développer une pondération, en général d’une zone entre la position actuelle du véhicule 105 et la destination antérieure du véhicule 105 en utilisant un trajet de circulation 155 du véhicule 105 et/ou une préférence de circulation 160 du conducteur. L’installation d’établissement 120 est conçue pour associer à des zones géographiques et/ou à des liaisons entre des zones géographiques, une valeur de prime pour établir la carte des primes 150. La prime associée à la zone géographique est, par exemple, associée en fonction de la préférence du conducteur pour un certain type de route et/ou un point intéressant et/ou à un emplacement de séjour antérieur du véhicule 105, notamment en associant une prime sous la forme d’un nombre positif ou négatif. L’installation d’établissement 120 est en outre réalisée pour utiliser une pondération d’au moins une zone d’au moins une caractéristique ; cette caractéristique et/ou ces caractéristiques se situent, par exemple, à une distance euclidienne de la zone géographique actuelle dans une zone géographique voisine de la carte des primes et/ou une situation de circulation dans une zone géographique voisine et/ou si la zone géographique voisine a eu de la circulation de véhicules dans le passé et/ou la classe de route correspondant à une route empruntée pour la circulation dans la zone géographique voisine et/ou une consommation évaluée du carburant pour atteindre une zone géographique voisine. Pour cela, on pondère la caractéristique et/ou les caractéristiques avec chaque fois un plat et on calcule la zone géographie associée à la prime comme combinaison linéaire du poids pondéré par les caractéristiques de la zone géographique associée.

[0045] L’installation de calcul 125 est conçue pour calculer le trajet prévisionnel 170 en utilisant un réseau neuronal 165 et calculer la carte des primes 150 pour prévoir le trajet probable 170. L’installation de calcul 125 est en outre conçue pour exclure toute zone géographique dont la prime associée dépasse un seuil déterminé vers le haut ou vers le bas.

[0046] Enfin, l’installation d’actualisation 130 actualise la carte des primes 150 dans la planification d’un nouveau trajet en utilisant les informations de circulation dynamiques 175 ; ces informations de circulation dynamiques 175 permettent de traiter des retards dus à la circulation et/ou les informations de circulation 175 dynamiques vers la temporisation et/ou les conditions propres aux routes et/ou les conditions météorologiques actuelles. L’installation d’actualisation 130 est en outre conçue pour déterminer des primes en utilisant des données de circulation routière 180 fournies par plusieurs véhicules et transmises à l’installation d’actualisation 130 pour actualiser et émettre par cette installation d’actualisation sous la forme d’un signal d’actualisation 185 à l’installation de diffraction 125. L’installation de calcul 125 et l’installation d’actualisation 130 sont conçues pour répéter les opérations de calcul du trajet probable 170 du véhicule ainsi que pour actualiser la carte des primes 150 pour planifier de nouveaux trajets et/ou les répéter.

[0047] La figure 2 montre un schéma simplifié de la structure du système d’une prévision d’un trajet probable 170 pour un véhicule en se fondant sur un dispositif 100 pour la prévision d’un trajet probable 170 pour un véhicule selon un exemple de réalisation. La structure du système comporte un dispositif 100 pour prédire le trajet probable 170 d’un véhicule qui comprend lui-même l’installation de prévision 115, l’installation d’établissement 120, l’installation de calcul 125 et l’installation d’actualisation 130.

[0048] Un aspect important du procédé proposé est la prévision du trajet 170 suivi par le conducteur d’un véhicule vers une destination 205. La première étape de la prédiction d’un trajet probable 170 pour un véhicule consiste, par exemple, à prévoir la destination définitive 205 du trajet actuel suivi par le véhicule. Le conducteur n’introduit toutefois pas sa destination 205 dans le système. Cette prédiction de la destination définitive 205 est fondée sur les données historiques ainsi que sur la position actuelle du véhicule. Pour cela, le véhicule fournit le signal de données 135 qui représente un lieu de séjour antérieur du véhicule ainsi que le signal de position 140 représentant la position actuelle du véhicule vers l’installation de prédiction 115. En outre, il est fourni un signal de temps 210 à l’installation de prédiction 115 ; le signal de temps 210 est, par exemple, l’heure et le jour de la semaine correspondant à des trajets antérieurs. Dès que la destination 205 du véhicule est évaluée, un trajet probable 170 sera établi qui tient compte des données de destination suivante comme, par exemple :

[0049] arrivée à la destination définitive 205 (effective ou à un instant déterminé), [0050] suivre de préférence le trajet 170 qui a été parcouru préalablement par le véhicule aux mêmes heures de la journée, le même jour et avec la même destination 205, [0051] suivre de préférence des classes de voies de circulation qui sont, en général, préférées par le véhicule dans une zone géographique déterminée, [0052] circuler de préférence sur le trajet 170 le plus court et/ou un trajet 170 le plus économe en carburant, la pondération dépendant des préférences du conducteur, [0053] éviter des routes avec des bouchons, et/ou des retards autres liés à la technique de circulation, et/ou [0054] éviter les routes en mauvais état.

[0055] Pour établir le trajet 170 on fournit l’information concernant la destination 205 du véhicule à l’installation d’établissement 120 ; cette installation est réalisée de façon à établir une carte des primes 150 pour développer une pondération d’au moins une zone entre la position actuelle du véhicule et la destination définitive 205 du véhicule en utilisant l’historique de circulation 155 du véhicule et/ou la préférence 160 du conducteur et/ou la destination prévisible 205. On attribue ainsi, par exemple, aux zones géographiques et/ou aux communications entre les zones géographiques de la carte des primes 150, des valeurs de prime en se fondant sur les préférences du conducteur et les trajets historiques, pour établir la carte des primes 150. En utilisant la carte des primes 150 ainsi établie et un procédé d’apprentissage par machine, qui a un comportement propre et une dynamique propre, par exemple, un agent neuronal ou un réseau neuronal 165, on calcule le trajet probable 170 dans l’installation de calcul 125. Selon un exemple de réalisation, on entraîne le réseau neuronal 165 ou l’agent neuronal avec un procédé d’apprentissage renforcé pour naviguer le long de la carte des primes 150 établie et pour atteindre la destination prévue 205 pour le véhicule. Il s’agit, par exemple de rendre maximales les valeurs des primes à l’aide de la carte des primes 150, de trouver le trajet 170 le plus court en utilisant un signal d’efficacité 215 et/ou en économisant du carburant en utilisant un signal d’économie 220. Un procédé d’apprentissage renforcé permet à l’agent neuronal ou au réseau neuronal 165 d’apprendre de lui-même une stratégie pour atteindre la destination 205 dans l’environnement du véhicule et rendre maximale de cette manière, la valeur de prime obtenue. La carte des primes 150 qui est une carte des primes 150 statique avec des paramètres fixes, prédéfinis, sera alors actualisée, par exemple, en utilisant le trajet probable 170 et des informations dynamiques de circulation 175 ; des informations concernant les retards de circulation liés à des bouchons et/ou à des conditions routières actuelles et/ou des conditions météorologiques actuelles seront fournies à l’installation d’actualisation 130. L’agent neuronal ou le réseau neuronal 165 déjà entraîné sera, par exemple, confronté à la carte des primes, actualisée pour planifier un nouveau trajet 250 ; le nouveau trajet 2540 sera déterminé en compensant toutes les consignes de destination déjà citées.

[0056] Le trajet 250 actualisé, nouvellement établi, sera alors utilisé comme trajet le plus probable pour établir l’horizon électronique. Pour cela, les systèmes du véhicule s’adresseront à des systèmes d’automobile avec les données de l’horizon électronique qui, comme capteur de l’environnement, fournira une prévision détaillée du trajet. De nouvelles fonctions réduisent ainsi la consommation de carburant et améliorent le confort de circulation.

[0057] La figure 3 donne une vue schématique d’une carte avec une grille 305 pour grouper les emplacements de séjour 340 anciens du véhicule selon un exemple de réalisation. La carte avec grille 305 est, selon un exemple de réalisation, une carte à deux dimensions situées au niveau du sol ; cette carte est caractérisée par une grille formée de carrés réguliers et elle permet de localiser précisément un emplacement à l’aide de chiffres ou de lettres. La carte à grille 305 comporte trois grappes 310, 320, 330 en forme de cercle ayant chacune un ensemble de points ; les points représentent les emplacements de séjour anciens 340 du véhicule.

[0058] La prévision de la destination du véhicule se fonde, par exemple, sur les données historiques, notamment les emplacements de séjour anciens 340 du conducteur ou du véhicule. Les destinations possibles sont notamment les emplacements de séjour du conducteur ou du véhicule antérieurs. Les emplacements de séjour anciens 340 du véhicule sont définis par des coordonnées géographiques d’emplacements où le véhicule s’est arrêté plus longtemps qu’une durée prédéfinie, par exemple 20 minutes. Les coordonnées géographiques sont ainsi associées, par exemple, à l’emplacement de séjour 340 ; ces coordonnées correspondent à un périmètre défini autour de l’emplacement de séjour 340. Après avoir identifié les emplacements de séjour 340, on les groupe pour déterminer des destinations possibles ; cela signifie que les grappes possibles de destinations 310, 320, 330 sont composées des emplacements de séjour 340. Une grappe 310,320, 330 décrit, par exemple, une concentration spatiale d’emplacements de séjour 340 proches dans l’espace ou concentrés, dans une certaine zone géographique. Les emplacements de séjour 340 d’une grappe 310, 320, 330 sont finalement mis dans un ordre chronologique en fonction du moment auquel ils ont été utilisés.

[0059] La figure 4 est une vue schématique d’un réseau neuronal 165 utilisé dans une installation de prévisions 15 pour prévoir une destination 205 d’un véhicule selon un exemple de réalisation. Le réseau neuronal 165 présenté pour prévoir une destination 205 d’un véhicule, prédit, dès le début, des destinations 205 significatives ; à l’aide de l’une des destinations 205 et en fonction de grandeurs d’entrée prédéfinies de manière aléatoire, il peut préentraîner au calcul le modèle de destination.

[0060] Le réseau neuronal 165 utilisé repose sur un procédé d’apprentissage surveillé. Le réseau neuronal 165 comporte une couche d’entrée 410, une couche de sortie 420 et une ou plusieurs couches intermédiaire 430 ; le réseau neuronal 165 selon un exemple de réalisation ne comporte qu’une couche intermédiaire 430 pour ne pas compliquer la présentation. Un traitement d’informations dans un tel réseau neuronal 165 se fait en général à partir de la couche d’entrée 410 en passant par la couche intermédiaire 430 vers la couche de sortie 420 ; la couche de sortie prédit la destination future 205 du véhicule. Chacune des couches 410, 420, 430 du réseau neuronal 165 comporte un ensemble de nœuds 450 qui correspondent à une sorte de neurones. La liaison entre deux nœuds 450 constitue une pondération.

[0061] Les séquences chronologiques des emplacements de séjour visités antérieurement par le véhicule servent à entraîner le réseau neuronal 165 pour prédire une destination 205 possible du véhicule. Cela se fait par un procédé d’entraînement surveillé. Les entrées du réseau neuronal 165 sont ainsi, à titre d’exemple, l’heure et le jour de la semaine des trajets antérieurs, enregistrés sous la forme d’un signal de temps 210 ainsi qu’une grappe actuelle d’une position du véhicule sous la forme du signal de position 140 que l’on enregistre ainsi qu’une grappe d’emplacements de séjour où s’est trouvé le véhicule ou le conducteur antérieurement et qui sont enregistrés sous la forme du signal de données 135.

[0062] On utilise une fonction d’activité sigmoïde, par exemple, pour le réseau neuronal 165 présenté ici, pour simuler un procédé cognitif de prédiction de destinations ; selon un exemple de réalisation, on utilise une fonction tangente hyperbolique TANH. Les références Wl, W2, Wn-1 et Wn désignent des coefficients de pondération de la couche intermédiaire 430 vers la couche de sortie 420 du réseau neuronal 165. Dans de nombreux cas, la couche intermédiaire 430 comporte en outre un élément appelé élément de polarisation. Cet élément porte les références bl, b2, bn-1 et bn ; il a une valeur constante 1 et n’a que des sorties et pas d’entrées. Cet élément de polarisation garantit que certains nœuds 450 reçoivent toujours une entrée différente de zéro.

[0063] La figure 5 montre une vue schématique d’un exemple de carte des primes 150 pour figurer une pondération entre la position actuelle 505 d’un véhicule et la destination prédite 205 selon un exemple de réalisation. Dans un exemple de réalisation, la carte des primes 150 est un modèle d’environnement de véhicule, fondé sur une carte et ayant un ensemble de zones géographiques 510. La carte des primes 150 peut être réalisée sous la forme d’une grille d’occupation à deux dimensions, située dans le plan du sol et qui représente une carte de l’environnement sous la forme d’un champ de variables aléatoires binaires, réparties régulièrement et représentant chacune une valeur de prime 515 de la zone géographique 510.

[0064] Dès que la destination 205 est obtenue par prédiction, on établit la carte des primes [0065] [0066]

150 pour figurer une pondération entre la position actuelle 505 du véhicule et la cible prévisionnelle 205. L’établissement de la carte des primes 150 est faite, par exemple, en utilisant l’historique des trajets du véhicule et/ou une préférence de conduite du conducteur. Cette carte des primes 150 statique ne contient, par exemple, aucune information dynamique telle qu’un bouchon ou des conditions routières et/ou météorologiques actuelles. On associe une valeur de prime 515 aux zones géographiques 510 et/ou aux liaisons entre les zones géographiques 510 pour établir la carte des primes 150. Cette valeur de prime 515 associée à une zone géographique 510 est attribuée, par exemple, en fonction de la préférence du conducteur pour un type ou classe de route et/ ou un point intéressant et/ou un emplacement de séjour antérieur du véhicule, et notamment on associe un nombre négatif et/ou positif à une valeur de prime 515. Dans l’exemple de réalisation présenté ici de la carte des primes 150, on associe aux valeurs de prime 515 des chiffres 5, -1 et -5. On attribue la valeur de prime 5, par exemple, à la zone géographique 510 qui a été parcourue antérieurement, entre la position actuelle 505 du véhicule et un emplacement de séjour antérieur dans la même fenêtre de temps. On attribue la valeur de prime -1, par exemple, à la zone géographique 510 qui n’a pas encore été parcourue par le véhicule, mais cette zone géographique 510 a des routes correspondant à une classe de routes préférentielles. La valeur de prime -5 est attribuée, par exemple, à la zone géographique 510 qui n’a pas été parcourue par le véhicule et qui n’a pas de route correspondant à une classe de routes préférentielles. La zone géographique 510 caractérisée par la lettre S décrit la position actuelle du véhicule 505. La zone géographique 510 caractérisée par la lettre D décrit la destination 205 du véhicule.

Si un conducteur décide de suivre un certain trajet vers la destination 205, il pondère, par exemple, différents coefficients, tels que le trajet le plus court vers la cible 205, le temps le plus court jusqu’à la cible 205, les classes de route sur le trajet et le fait que le trajet vers la cible 205 se trouve dans une zone connue du conducteur. Chaque conducteur pondère, par exemple, ces coefficients de façons différentes. En fonction de tels coefficients, on calcule comme suit les valeurs de prime 515 (appelées également ici récompenses) attribuées à chaque zone géographique 510 et/ou à chaque liaison entre deux zones géographiques 510, sous la forme d’une combinaison linéaire avec des caractéristiques pondérées par un poids Wn (ces caractéristiques portent ici ce nom) ou des coefficients de la zone géographique 510 associée et/ou de la liaison entre deux zones géographiques 510 en se fondant sur l’historique des trajets du véhicule à savoir :

, .. 1

Récompense-(i) =- — — ,._g.--------14 [0067] Dans cette formule, Fn décrit, par exemple, la et/ou les caractéristiques qui, par pondération, constituent les valeurs de prime 515 de la carte des primes 150. Il s’agit, par exemple, pour la et/ou les caractéristiques Fn, de la distance euclidienne entre une zone géographique actuelle 510 et une zone géographique 510 voisine de la zone géographique actuelle 510 de la carte des primes 150 et/ou d’un état de circulation dans une zone géographique 510 voisine de la zone géographique actuelle 510 et/ou de la zone géographique 510 voisine de la zone géographique actuelle 510 et qui a été parcourue antérieurement par le véhicule et/ou d’une classe de route d’une zone géographique 510 voisine de la zone géographique actuelle 510 qui est à parcourir et/ou d’une consommation évaluée de carburant pour arriver dans une zone géographique 510 voisine de la zone géographique actuelle 510.

[0068] Pour le calcul du trajet probable du véhicule, on exclut les zones géographiques 510 et/ou les liaisons entre deux zones géographiques 510 dont les valeurs de prime 515 dépassent vers le haut et/ou vers le bas une certaine plage. Selon un exemple de réalisation, la probabilité minimum (ou probabilité rendue minimum) des valeurs de prime 515 des zones géographiques 510 du trajet choisi (encore appelé chemin) c’est-à-dire la probabilité du choix ou de la prise en compte de la zone concernée (encore appelée cellule concernée) pour la sélection du trajet (c’est-à-dire une action) sont minimisées ici :

[0069] ηιίη(™Ρ(ραίΛ.)) = min(- ™

1.1 Lectin [0070] Fa solution de l’équation ci-dessus serait des valeurs de prime 515 pondérées, fortement primées, notamment des valeurs de prime 5 qui correspondent à un certain trajet entre la position actuelle 505 du véhicule et la destination 205 la plus probable. Ensuite, on combine par une combinaison linéaire les valeurs de prime pondérées 515 de chaque trajet probable (encore appelé chemin ou path) entre la position actuelle 505 du véhicule et la destination 205 pour un conducteur (qui est également appelé driver dans la formule ci-après :

[007 1]

Σ ^Wn fia.tfis [0072] Ees valeurs de prime 515 contiennent implicitement un modèle pour une prise de décision du conducteur ; la carte des primes 150 fondée sur des valeurs de prime 515 préalablement calculées et les caractéristiques pondérées Fn sera calculée automatiquement. E’étape suivante consistera à faire naviguer le véhicule de façon optimale le long de la carte des primes 150.

[0073] Fa figure 5 est une vue schématique d’un réseau neuronal 165 appliqué à une ins tallation de calcul 125 pour calculer le trajet probable 170 d’un véhicule selon un exemple de réalisation. Le réseau neuronal 165 utilisé repose, par exemple, sur un procédé d’apprentissage surveillé. Le réseau neuronal 165 a, une couche d’entrée 410, une couche de sortie 420 et une ou plusieurs couches intermédiaires intérieures 430 ; le réseau neuronal 165 selon un exemple de réalisation, comporte deux couches intermédiaires 430. Le traitement de l’information dans un tel réseau neuronal 165 se fait, par exemple, en général, dans la couche d’entrée 410 en passant par la couche intermédiaire 430, cachée, pour arriver à la couche de sortie 420 ; la couche de sortie 420 prédit le trajet le plus probable 170 du véhicule. Chacune des couches 410, 420, 430 du réseau neuronal 165 a un ensemble de nœuds 450 qui sont une couche de neurones. Une liaison entre deux nœuds 450 est appelée poids.

[0074] Dès que la carte des primes est établie, on peut éduquer le réseau neuronal 165 avec un procédé d’apprentissage renforcé, par exemple, les lignes directrices du mouvement sur la carte des primes pour obtenir la prime maximale et atteindre la destination. Pour savoir ce que représente le mouvement avec la prime la plus élevée dans chaque zone géographique et/ou de chaque liaison entre deux zones géographiques, on fournit, par exemple, au réseau neuronal 165, la position actuelle 505 du véhicule comme entrée 410 ainsi que comme sortie 420, le trajet 170 le plus probable avec les valeurs de prime maximales. Le réseau neuronal 165 est ainsi entraîné au préalable pour minimiser la fonction de perte Loss :

[0075] Loss = -log (Action)*Rewards [0076] Une fonction d’activité sigmoïde est utilisée pour le réseau neuronal 165 présenté ici, pour simuler, par exemple, un procédé cognitif d’une navigation le long d’un trajet probable 170 du véhicule ; selon un exemple de réalisation, on utilise la fonction tangente hyperbolique tanh. Dans le procédé d’entraînement, un agent neuronal, par exemple, le réseau neuronal 165 non éduqué, se déplace le long de la carte des primes. Cela permet aux paramètres internes du réseau neuronal 165 (W et b), de minimiser une perte de valeur de prime le long du trajet probable 170 entre les zones géographiques. On applique un algorithme, par exemple, sur toute la carte des primes pour apprendre comment atteindre une destination avec les indications de destination prédéfinies. Il peut s’agir d’un procédé par itération. Les actions de la seconde couche intermédiaire 430 schématisées par des flèches définissent, par exemple, la direction dans laquelle le véhicule doit se déplacer à partir de la zone géographique actuelle vers une zone géographique voisine de la zone géographique actuelle.

[0077] En plus des valeurs de prime qui se rapportent à une zone géographique et/ou à une liaison entre deux zones géographiques dans la carte des primes, on donne également des primes si le réseau neuronal 165 se déplace plus près de la destination définitive. Cela force, par exemple, le réseau neuronal 165 à s’équilibrer entre les trajets préfé rentiels 170 du conducteur et le trajet le plus court 170 vers la destination. De plus, on a, par exemple, une prime supplémentaire si la zone géographique sélectionnée correspond à une économie de carburant ; la prime d’économie de carburant sera calculée à l’aide d’informations cartographiques statiques telles qu’une limitation de vitesse, la topographie autre. L’importance pour le conducteur d’une économie de carburant et/ou d’un gain de temps se calcule, par exemple, en se fondant sur les données historiques du véhicule.

[0078] Dès que la stratégie de navigation le long de la carte des primes a été entraînée, pour obtenir un trajet probable 170 entre la position actuelle 505 du véhicule et la destination, on intègre, par exemple, des informations de circulation dynamiques supplémentaires telles que des retards de circulation et/ou des conditions routières actuelles et/ou les conditions météorologiques actuelles pour actualiser les valeurs de prime de la carte des primes et planifier un nouveau trajet. Le réseau neuronal 165 sera, par exemple, éduqué de nouveau pour la meilleure stratégie de circulation selon les nouvelles limitations des valeurs de prime.

[0079] La figure 7 est une vue schématique d’une carte des primes actualisée 705 pour figurer une pondération entre la position actuelle 505 d’un véhicule et une destination prévue 205 selon un exemple de réalisation. Selon cet exemple, il s’agit, pour la carte des primes 150, d’un modèle d’environnement de véhicule fondé sur une carte et comportant un ensemble de zones géographiques 510. La carte des primes 150 peut être, par exemple, formée comme grille d’occupation à deux dimensions situées au plan du sol et qui représente la carte de l’environnement comme un champ régulièrement espacé de variables aléatoires, binaires qui représentent respectivement une valeur de prime 515 de la zone géographique 510.

[0080] A côté de la carte des primes actualisée 705, la figure 7 montre la carte des primes

150 connue selon la figure 5 pour figurer une pondération entre la position actuelle 505 d’un véhicule et une destination prévisionnelle 205 ; les deux cartes des primes 150 et 705 comportent des valeurs de prime 515 avec, par exemple, les chiffres 5, -1 et -5. La valeur de prime 5 est attribuée, par exemple, à la zone géographique 510 qui, dans le passé, a été parcourue entre la position actuelle 505 du véhicule et un emplacement de séjour antérieur dans la même fenêtre de temps. La valeur de prime -1 est attribuée, par exemple, à la zone géographique 510 qui n’a pas encore été parcourue par le véhicule, mais cette zone géographique 510 a des routes correspondant à une classe de routes préférentielles. La valeur de prime -5 est, par exemple, attribuée à la zone géographique 510 qui n’a pas été traversée par le véhicule ni comporte une route selon la classe de routes prédéfinie. La zone géographique 510 portant la référence S décrit, par exemple, la position actuelle 505 du véhicule. La zone géographique 510 caractérisée par la lettre D décrit, par exemple, la destination 205 du véhicule. La carte des primes actualisée 705 a, toutefois, en plus, une zone géographique 510 dans laquelle il y a un bouchon de circulation ; une valeur de prime négative égale à -100 a été attribuée à cette zone géographique 510. Cette circonstance oblige, par exemple, le réseau neuronal à établir un nouveau trajet 250 pour contourner le bouchon de circulation ou cette zone géographique 510.

[0081] Comme le réseau neuronal a déjà pris une solution optimale pour la carte des primes 150 statique, le réseau neuronal tentera, par exemple, en s’appuyant sur la carte des primes actualisée 505, de trouver, dans le temps le plus court, un nouveau trajet 250 proche du premier trajet 170 analogue à celui-ci comme le ferait également un conducteur. Les zones géographiques 510 en gris désignent, par exemple, les zones géographiques qui ont été parcourues selon les trajets 170 et 250 ; les valeurs de prime 515 attribuées aux zones géographiques 510 mais aussi en planification d’un nouveau trajet 250, correspondront à la valeur maximale.

[0082] La figure 8 montre une construction schématique d’un système de prédiction d’un trajet probable 170 en se fondant sur un procédé de prédiction d’un trajet probable 170 pour un véhicule selon un exemple de réalisation. La structure du système comporte, par exemple, l’unité de calcul externe 110 ; cette unité de calcul externe 110 est une infrastructure informatique, par exemple, un cloud qui comporte le dispositif de prévision d’un trajet probable pour un véhicule, la carte des primes 150, la carte des primes actualisée 705 ainsi que le réseau neuronal 165. Le dispositif a, par exemple, une installation de prévision 115, une installation d’établissement 120, une installation de calcul 125 et une installation de données de trajet 810. Selon un exemple de réalisation, l’unité de calcul externe 110 représentée ici a de plus une installation face avant 815, une installation de transmission individuelle 820 ainsi qu’une installation d’adaptation 825. La structure du système montre en outre un ensemble de véhicules 830 ainsi qu’une interface LTE/5G 840 ; l’ensemble de véhicule 830 comporte respectivement un module de liaison d’unités de calcul 845, un module de position 850 ainsi qu’un module pour former l’image de l’horizon 855. Selon un exemple de réalisation, la prédiction de la destination 205, l’établissement de la carte des primes 150 pour copier une pondération entre la position actuelle du véhicule et la destination prévue 205, le calcul du trajet probable 170 ainsi que l’actualisation de la carte des primes 150 pour planifier un nouveau trajet 250 se font sur l’unité de calcul externe 110.

[0083] La première étape pour la prédiction d’un trajet probable 170 d’un véhicule consiste à prévoir la destination définitive 205 pour la conduite actuelle du véhicule. Cette prédiction de la destination définitive 205 repose sur des données historiques et sur la position actuelle du véhicule. Pour cela, le véhicule fournit, par exemple, un signal d’identification 860 qui représente individuellement les données d’identification du véhicule pour les fournir à l’installation de données de circulation 810 de l’unité de calcul externe 110 ; l’installation de données de circulation 810 utilisant le signal d’identification du véhicule 860, le signal de données 135 qui représente un emplacement de séjour antérieur du véhicule sont fournis à l’installation de prévision 115. Le signal de position 140 qui représente la position actuelle du véhicule et le signal de destination qui représente à la fois un temps et un jour de la semaine des trajets passés, sont, par exemple, également fournis à l’installation de prévision 115 par l’installation d’adaptation 825 de l’unité de calcul 110 pour prévoir cette destination 205, à l’installation de prévision 115 pour prédire la destination 205.

[0084] Pour établir le trajet probable 170 du véhicule, on fournit, par exemple, l’information concernant la destination prédite 205 du véhicule par l’installation de prévisions 115 à l’installation d’établissement 120. En outre, l’installation de données de circulation 810 fournit les informations concernant l’historique des trajets 155 du véhicule et/ou une préférence de circulation 160 du conducteur à l’installation d’établissement 120 ; l’installation d’établissement 120 établit la carte des primes 150 pour figurer la pondération entre la position actuelle du véhicule et la destination finale 205 du véhicule en utilisant l’historique des trajets 155 du véhicule, la préférence de conduite 160 du conducteur et la destination prédite ou prévisionnelle 205. En utilisant la carte des primes 150 établie et le réseau neuronal 165, on calcule le trajet probable 170 dans l’installation de calcul 125. Selon un exemple de réalisation, le réseau neuronal 165 a été entraîné avec un procédé d’apprentissage renforcé pour naviguer, par exemple, le long de la carte des primes 150, établie et atteindre la destination prévue 205 du véhicule. Il s’agit, par exemple, de rendre maximale, la valeur de la prime à l’aide de la carte des primes 150 utilisée, de trouver le trajet 170 le plus court en utilisant un signal d’efficacité 215 et d’économiser le carburant en utilisant un signal d’économie 220. La carte des primes 150 est actualisée ensuite en utilisant des informations de circulation dynamique 175 ; les informations de circulation dynamique 175 sont, par exemple, des informations et/ou des conditions routières actuelles et/ou des conditions d’environnement. Selon un exemple de réalisation, pour actualiser la valeur de prime, on détermine également des informations de données 180 provenant de l’ensemble des véhicules 830 et on fournit ces informations par l’installation frontale 815 à la carte des primes 150 ; la carte des primes 150 est actualisée maintenant en utilisant l’information de circulation dynamique 175 et les données d’information de circulation 180 pour planifier un nouveau trajet 250. Le réseau neuronal 165 est, par exemple, chargé avec la carte des primes 705 actualisée pour déterminer le nouveau trajet 250 ; toutes les prévisions de destination déjà évoquées seront compensées. Le nouveau trajet 250 obtenu, qui est déterminé individuellement pour chaque véhicule séparé, est fourni alors par l’installation de transmission individuelle 820 à chaque véhicule. Le nouveau trajet 250 actualisé, est, par exemple, utilisé comme trajet le plus probable pour l’établissement de l’horizon électronique à l’aide du module de formation d’horizon 855.

[0085] La structure de système représentée constitue une implémentation possible du procédé de prédiction d’un trajet probable 170 pour un véhicule ; l’ensemble des véhicules 830 fournit par l’interface 840 LTE/5G, des données d’information de circulation 180 à l’unité de calcul externe 110 pour actualiser la carte des primes 150 en utilisant ces données d’information de circulation 180. Ainsi, par exemple, les signaux de données échangées entre l’ensemble des véhicules 830 et l’unité de calcul externe 110 seront transmis par l’interface LTE/5G 840. L’interface LTE/5G permet des débits de données allant jusqu’à 10 Gbit/s, l’utilisation de plages de fréquences plus élevées, des temps de latence inférieurs à 1 ms et une réduction de la consommation d’énergie lors de la transmission.

[0086] La figure 9 montre l’ordinogramme d’un procédé 900 de prévision d’un trajet probable pour un véhicule selon un exemple de réalisation. Le procédé 900 peut être appliqué à un véhicule pour utiliser le dispositif présenté à la figure 1 pour prévoir le trajet probable.

[0087] Le procédé 900 a tout d’abord une étape 905 qui prévoit la destination en utilisant un signal de données représentant un emplacement de séjour antérieur du véhicule ainsi qu’un signal de position représentant la position actuelle du véhicule. En outre, dans l’étape 905 on définit les emplacements de séjours antérieurs du véhicule par les coordonnées géographiques. Il s’agit des emplacements où le véhicule a séjourné plus longtemps qu’une durée prédéfinie. Les coordonnées géographiques sont associées à l’emplacement de séjour. Il s’agit des coordonnées à l’intérieur d’un périmètre défini autour de l’emplacement de séjour. Enfin, dans l’étape 905 on groupe les emplacements de séjours antérieurs du véhicule pour former des destinations probables et/ ou des emplacements de séjour mis dans un ordre chronologique. Le procédé a une autre étape 910 pour l’établissement d’une carte des primes figurant une pondération d’au moins une zone entre la position actuelle du véhicule et la destination prévue du véhicule en utilisant un historique de circulation du véhicule et/ou une préférence de conduite du conducteur. Dans l’étape 910 on attribue une valeur de prime aux zones géographiques et/ou aux liaisons entre les zones géographiques pour établir la carte des primes. Cette valeur de prime associée à une zone géographique est attribuée à la zone géographique en fonction de la préférence du conducteur pour une classe de route et/ou un point intéressant et/ou un emplacement de séjour antérieur du véhicule notamment une valeur de prime avec un nombre négatif et/ou positif.

[0088] Dans l’étape de procédé 910 on établit en outre la valeur de prime de la carte des primes en utilisant une pondération d’au moins une caractéristique ; la caractéristique et/ou les caractéristiques correspondent à une distance euclidienne d’une zone géo graphique actuelle et d’une zone géographique voisine de la carte des primes et/ou un état de la circulation dans une zone géographique voisine et/ou si la zone géographique a été parcourue antérieurement par le véhicule et/ou une classe de route dans une zone géographique observée, pour la parcourir et/ou avoir une consommation de carburant évaluée pour arriver dans la zone géographique voisine. A cet effet, on pondère la caractéristique et/ou les caractéristiques avec un poids respectif ; on calcule la valeur de prime attribuée à chaque zone géographique sous la forme d’une combinaison linéaire de caractéristiques de la zone géographique attribuée, et qui est pondérée par un poids ; la valeur de prime est calculée en se fondant notamment sur l’histoire des trajets du véhicule. Dans l’étape 915 du procédé 900 on calcule le trajet le plus probable en utilisant un réseau neuronal et on calcule la carte des primes pour prévoir le trajet probable. En outre, dans l’étape de procédé 915 on exclut les zones géographiques dont les valeurs de prime associées dépassent vers le haut et/ou vers le bas, une plage donnée. Enfin, le procédé 900 a une étape 920 pour laquelle la carte des primes est actualisée pour planifier un nouveau trajet en utilisant des informations de circulation dynamique ; les informations de circulation dynamique sont les retards de circulation et/ou les liaisons actuelles entre les routes et/ou les conditions météorologiques actuelles. Dans l’étape de procédé 920 on détermine en outre les valeurs de prime en utilisant des données d’information de circulation pour déterminer plusieurs véhicules et on les fournit à l’installation d’actualisation pour l’actualiser. En particulier, les étapes 915 et 920 du procédé 900 sont exécutées de façon répétée et/ou de manière cyclique.

[0089] NOMENCLATURE DES ELEMENTS PRINCIPAUX [0090] 100 Dispositif de prévision d’un trajet probable [0091] 105 Véhicule [0092] 110 Unité de calcul [0093] 115 Installation de prévision [0094] 120 Installation d’établissement [0095] 125 Installation de calcul [0096] 130 Installation d’actualisation [0097] 135 Signal de données du véhicule [0098] 140 Signal de position [0099] 150 Carte des primes [0100] 155 Historique des trajets du véhicule [0101] 160 Préférences du conducteur [0102] 165 Réseau neuronal [0103] 170 Trajet probable [0104] 175 Information de circulation dynamique [0105] 180 Données d’informations de circulation [0106] 185 Signal d’actualisation [0107] 205 Destination définitive / destination prévisionnelle [0108] 210 Signal de temps [0109] 215 Signal d’efficacité [0110] 220 Signal d’économie [OUI] 250 Trajet [0112] 305 Carte avec grille [0113] 310, 320, 330 Grappes [0114] 340 Emplacement de séjour antérieur [0115] 410 Couche d’entrée / zone géographique [0116] 420 Couche de sortie [0117] 430 Couche intermédiaire (une ou plusieurs couches) [0118] 450 Nœud [0119] 505 Position actuelle [0120] 510 Zone géographique [0121] 515 Valeur de prime

Claims

Revendications

[Revendication 1] Procédé (900) de prévision d’un trajet de circulation probable (170) pour un véhicule (105), le procédé (900) comprenant les étapes suivantes consistant à : prédire (905) en utilisant au moins un signal de données (135) qui représente un emplacement de séjour ancien (340) du véhicule (105) ainsi qu’un signal de position (140) représentant la position actuelle (505) du véhicule (105), établir (910) une carte des primes (150) pour représenter une pondération d’au moins une zone (510) entre la position actuelle (505) du véhicule (105) et la destination prédite (205) en utilisant l’historique de circulation (155) du véhicule (105) et/ou une préférence de conduite (160) du conducteur et calculer (915) le trajet probable (170) en utilisant un réseau neuronal (165) et en établissant la carte des primes (150) pour prédire le trajet probable (170). [Revendication 2] Procédé (900) selon la revendication 1, selon lequel dans l’étape de prédiction (905) on définit les emplacements de séjours anciens (340) par des coordonnées géographiques là où le véhicule (105) a séjourné plus longtemps qu’une durée prédéfinie, notamment dont toutes les coordonnées géographiques sont associées à l’emplacement de séjour (340) se situant à l’intérieur d’une distance définie autour de l’emplacement de séjour (340). [Revendication 3] Procédé (900) selon l’une des revendications précédentes, selon lequel dans l’étape de prédiction (905) on groupe les emplacements de séjour (340) pour former des destinations possibles (205) et/ou mettre les emplacements de séjour (340) dans un ordre chronologique. [Revendication 4] Procédé (900) selon l’une des revendications précédentes, selon lequel dans l’étape d’établissement (910) on associe les zones géographiques (510) et/ou les liaisons entre les zones géographiques (510) chaque fois à une valeur de prime (515) pour établir la carte des primes (150). [Revendication 5] Procédé (900) selon la revendication 4, selon lequel dans l’étape d’établissement (910) on associe à chaque zone géographique (510) et/ ou à chaque liaison entre deux zones géographiques (510) de la carte des primes (150), une valeur de prime (515) en fonction d’une préférence de conduite (160) du conducteur pour un type de route et/ou un point intéressant et/ou un emplacement de séjour ancien (340) du véhicule (105), notamment en associant un nombre négatif et/ou positif à une valeur de prime (515).

[Revendication 6] Procédé (900) selon l’une des revendications 4 ou 5, selon lequel dans l’étape d’établissement (910) on établit la valeur de primes (515) de la carte des primes (150) en utilisant une pondération d’au moins une caractéristique (Fn), notamment la caractéristique (Fn) et/ou les caractéristiques (Fn) selon l’éloignement euclidien de la zone géographique actuelle (510) et d’une zone géographique (510) voisine dans la carte des primes (150) et/ou une situation de conduite dans une zone géographique (510) voisine et/ou une informations indiquant si la zone géographique (510) a été parcourue anciennement et/ou le type d’une route empruntée dans une zone géographique (510) voisine et/ou une consommation de carburant évaluée pour arriver dans une zone géographique (510) voisine. [Revendication 7] Procédé (900) selon l’une des revendications 4 à 6, selon lequel dans l’étape d’établissement (915) on pondère une caractéristique (Fn) et/ou les caractéristiques (Fn) avec chaque fois un poids, notamment en calculant la valeur de prime (515) associée à chaque zone géographique (510) comme combinaison linéaire de caractéristiques (Fn) pondérées de la zone géographique (510) associée. [Revendication 8] Procédé (900) selon l’une des revendications 4 à 7, selon lequel dans l’étape d’établissement (910) on calcule la valeur de prime (515) fondée sur l’historique de trajet (155) du véhicule (105), et dans l’étape de calcul (915) du trajet le plus probable (170), on exclut les zones géographiques (510) dont la valeur de prime (515) associée dépasse vers le haut et/ou vers le bas, une plage de valeurs prédéfinie. [Revendication 9] Procédé (900) selon l’une des revendications précédentes, comportant une étape d’actualisation (920) de la carte des primes (150) pour planifier un nouveau trajet (250) en utilisant au moins une information dynamique de circulation (175), notamment l’information dynamique de circulation (175) représente un retard de circulation et/ou une condition actuelle routière et/ou une condition météorologique actuelle. [Revendication 10] Procédé (900) selon l’une des revendications précédentes, selon lequel on répète au moins l’étape de calcul (915) et/ou l’étape d’actualisation (920) et/ou on la répète de manière cyclique. [Revendication 11] Procédé (900) selon la revendication 9 ou 10, selon lequel dans l’étape d’actualisation (920) on détermine la valeur de prime (515) en utilisant des données d’information de circulation (180) de plusieurs véhicules (830). [Revendication 12] Dispositif (100) conçu pour exécuter les étapes du procédé (900) selon

l’une des revendications précédentes, dans des unités d’exécution et/ou de commande appropriées, procédé de prévision (900) d’un trajet de circulation probable (170) pour un véhicule (105), le procédé (900) comprenant les étapes suivantes consistant à prédire (905) en utilisant au moins un signal de données (135) qui représente un emplacement de séjour ancien (340) du véhicule (105) ainsi qu’un signal de position (140) représentant la position actuelle (505) du véhicule (105), établir (910) une carte des primes (150) pour représenter une pondération d’au moins une zone (510) entre la position actuelle (505) du véhicule (105) et la destination prédite (205) en utilisant l’historique de circulation (155) du véhicule (105) et/ ou une préférence de conduite (160) du conducteur et calculer (915) le trajet probable (170) en utilisant un réseau neuronal (165) et en établissant la carte des primes (150) pour prédire le trajet probable (170). [Revendication 13] Programme d’ordinateur comportant un code programme conçu pour l’exécution du code programme à l’aide d’une unité de calcul ou d’un dispositif appliquant le procédé (900) selon l’une des revendications précédentes.

[Revendication 14] Support de mémoire lisible par une machine comportant l’enregistrement du programme selon la revendication 13.