FR3090162A1 - Détection de ralentisseurs routiers par apprentissage automatique - Google Patents
Détection de ralentisseurs routiers par apprentissage automatique Download PDFInfo
- Publication number
- FR3090162A1 FR3090162A1 FR1873078A FR1873078A FR3090162A1 FR 3090162 A1 FR3090162 A1 FR 3090162A1 FR 1873078 A FR1873078 A FR 1873078A FR 1873078 A FR1873078 A FR 1873078A FR 3090162 A1 FR3090162 A1 FR 3090162A1
- Authority
- FR
- France
- Prior art keywords
- particular time
- time window
- road
- during
- vehicle
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000010801 machine learning Methods 0.000 claims abstract description 38
- 238000004590 computer program Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 52
- 238000004364 calculation method Methods 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 17
- 238000005259 measurement Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000011084 recovery Methods 0.000 claims description 5
- 230000005236 sound signal Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000001052 transient effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000003638 chemical reducing agent Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007620 mathematical function Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0816—Indicating performance data, e.g. occurrence of a malfunction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/3815—Road data
- G01C21/3822—Road feature data, e.g. slope data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Regulating Braking Force (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Traffic Control Systems (AREA)
Abstract
La présente invention a pour objet des procédés (100, 300) et un ensemble de programmes informatiques pour détecter le passage d’un véhicule routier sur un ralentisseur routier. Le principe général de l’invention est basé sur la détection du passage d’un véhicule routier sur un ralentisseur routier grâce à l’apprentissage automatique (« machine learning », en langue anglaise). Figure 1.
Description
Description
Titre de l'invention : Détection de ralentisseurs routiers par apprentissage automatique
Domaine technique
[0001] La présente invention concerne la détection de ralentisseurs routiers. Plus précisément, elle concerne des modèles d’apprentissage automatique entraînés, des procédés et un ensemble de programmes informatiques pour détecter le passage d’un véhicule routier sur un ralentisseur routier.
Technique antérieure
[0002] La vitesse excessive ou inappropriée constitue le premier problème de sécurité routière dans de nombreux pays. En pratique, elle est à l’origine d’environ un tiers des accidents mortels en milieu urbain. En outre, du fait de l’énergie libérée lors d’un choc, la vitesse constitue un facteur aggravant dans tous les accidents.
[0003] Par leurs capacités à obliger un véhicule routier à réduire sa vitesse, les ralentisseurs routiers sont régulièrement utilisés pour résoudre ce problème de sécurité routière.
[0004] Toutefois, T utilisation des ralentisseurs routiers pose certaines difficultés pour les systèmes d’aide à la conduite comme l’assistance au changement de voie (« Lane Change Control », en langue anglaise) ou la régulation de vitesse (« Auto Cruise Control », en langue anglaise). En effet, ces systèmes doivent connaître la position des ralentisseurs routiers pour fonctionner correctement. Or, la production de cartes routières numériques comprenant les positions des ralentisseurs routiers nécessite beaucoup de temps et est très coûteuse. Ainsi, certains systèmes d’aide à la conduite ne fonctionnent pas efficacement par manque d’informations sur les ralentisseurs routiers.
[0005] Par conséquent, il existe un besoin pour la production rapide et peu onéreuse de cartes de ralentisseurs routiers.
Exposé de l’invention
[0006] La présente invention vise donc à pallier les inconvénients précités. Pour cela, dans un premier aspect, l’invention propose un procédé d’entraînement d’un modèle d’apprentissage automatique pour détecter le passage d’un véhicule routier sur un ralentisseur routier.
[0007] Dans un deuxième aspect, l’invention propose un procédé de détection du passage d’un véhicule routier sur un ralentisseur routier à l’aide du modèle d’apprentissage automatique entraîné dans le procédé du premier aspect.
[0008] Dans un troisième aspect, l’invention propose un programme d’ordinateur avec un code de programme permettant de mettre en œuvre les procédés des premiers et deuxièmes aspects.
[0009] Dans un quatrième aspect, l’invention propose un support de stockage non transitoire sur lequel on stocke un programme d’ordinateur selon le troisième aspect de l’invention.
[0010] Ainsi, l’invention se rapporte à un procédé d’entraînement d’un modèle d’apprentissage pour détecter le passage d’un véhicule routier sur un ralentisseur routier. Le procédé nécessite une pluralité de véhicules routiers d’entraînement en mouvement sur un réseau routier d’entraînement comprenant un ou plusieurs ralentisseurs routiers d’entraînement, chaque véhicule routier d’entraînement comprenant un bus de communication de données qui est couplé à une pluralité de capteurs de l’état de fonctionnement du véhicule routier d’entraînement. Pour chacun parmi la pluralité de véhicules routiers d’entraînement le procédé d’entraînement comprend les étapes suivantes :
- une étape d’acquisition durant laquelle on acquiert des données d’acquisition, ci-après appelées Da, par le bus de communication, dans une fenêtre glissante comprenant une pluralité de fenêtre particulière, les Da comprenant la vitesse de rotation de chacune des roues du véhicule automobile d’entraînement,
- une première étape de calcul durant laquelle on calcule, pour chaque fenêtre temporelle particulière, des grandeurs mathématiques à partir des Da,
- une seconde étape de calcul durant laquelle on calcule, pour chaque fenêtre temporelle particulière, au moins une variation, ci-après appelée A, la variation A correspondant à une variation des Da et/ou des grandeurs mathématiques, entre la fenêtre temporelle particulière courante et au moins une fenêtre temporelle particulière précédant la fenêtre temporelle particulière courante,
- une étape de création durant laquelle, pour chaque fenêtre temporelle particulière, on crée un vecteur caractéristique à partir des Da et des variations A, - une étape d’association durant laquelle on associe le vecteur caractéristique avec une information indicative du passage ou non sur un ralentisseur routier, de sorte que l’on obtient des variables de modèle d’apprentissage automatique, et
- une étape d’entraînement durant laquelle on entraîne le modèle d’apprentissage automatique, à partir d’un algorithme d’apprentissage automatique supervisé et des variables de modèle d’apprentissage automatique.
[0011] L’invention couvre également un procédé de détection du passage d’un véhicule routier sur un ralentisseur routier, le véhicule routier comprenant un bus de communication de données qui est couplé à une pluralité de capteurs de l’état de fonctionnement du véhicule routier. Le procédé comprend les étapes suivantes : - une étape d’acquisition, durant laquelle on acquiert des données d’acquisition, ci-après appelées Da, par le bus de communication, dans une fenêtre glissante comprenant une pluralité de fenêtre particulière, la vitesse de rotation de chacune des roues du véhicule automobile d’entraînement,
- une première étape de calcul durant laquelle on calcule, pour chaque fenêtre temporelle particulière, des grandeurs mathématiques à partir des Da, - une seconde étape de calcul durant laquelle on calcule, pour chaque fenêtre temporelle particulière, au moins une variation, ci-après appelée Δ, la variation Δ correspondant à variation des Da et/ou des grandeurs mathématiques, entre la fenêtre temporelle particulière courante et au moins une fenêtre temporelle particulière précédant la fenêtre temporelle particulière courante,
- une étape de création durant laquelle, pour la fenêtre temporelle particulière courante, on crée un vecteur caractéristique à partir des Da et des variations Δ, - une étape de détection durant laquelle on détecte, pour chaque fenêtre temporelle particulière, le passage du véhicule routier sur un ralentisseur routier, à partir du vecteur caractéristique et d’au moins un modèle d’apprentissage automatique entraîné selon le premier aspect de l’invention.
[0012] Par ailleurs, l’invention couvre un programme d'ordinateur avec un code de programme pour exécuter les étapes des procédés selon les premier et deuxième aspects de l’invention, lorsque le programme d'ordinateur est chargé dans l'ordinateur ou exécuté dans l'ordinateur.
[0013] L’invention couvre également un de support de stockage non transitoire sur lequel le programme d'ordinateur, ci-dessus, est stocké.
[0014] Selon un premier mode de réalisation de l’invention, chaque fenêtre temporelle particulière recouvre substantiellement la fenêtre temporelle particulière la précédant et la fenêtre temporelle particulière lui succédant, la valeur de recouvrement étant comprise entre 60 % et 80%.
[0015] Selon un deuxième mode de réalisation de l’invention, durant l’étape d’acquisition, on acquiert, en outre, au moins une information d’un groupe, ci-après appelée Inf, comprenant au moins une mesure de la hauteur de caisse du véhicule automobile d’entraînement, au moins une mesure de l’accélération du véhicule automobile d’entraînement, au moins une mesure d’une caractéristique dynamique du moteur du véhicule automobile d’entraînement, une mesure d’une pression de freinage appliquée sur la pédale de frein du véhicule automobile d’entraînement, un signal audio représentatif d’un ou plusieurs sons émis sous le véhicule routier d’entraînement, et dans lequel, durant l’étape de création, on ajoute Inf au vecteur caractéristique.
[0016] Selon un troisième mode de réalisation de l’invention, durant la seconde étape de calcul, on calcule, en outre, pour chaque fenêtre temporelle particulière, au moins une variation Δ, entre la fenêtre temporelle particulière courante et au moins une fenêtre temporelle particulière succédant à la fenêtre temporelle particulière courante.
[0017] Selon un quatrième mode de réalisation de l’invention, l’algorithme d’apprentissage automatique supervisé est du type gradient boosting.
Brève description des figures
[0018] D’autres caractéristiques et avantages de l’invention seront mieux compris à la lecture de la description qui va suivre et en référence aux dessins annexés, donnés à titre illustratif et nullement limitatif.
[0019] [fig.l]
La figure 1 représente un procédé d’entraînement d’un modèle d’apprentissage automatique selon l’invention.
[0020] [fig.2]
La figure 2 représente un agencement d’une fenêtre glissante selon l’invention.
[0021] [fig.3]
La figure 3 représente un procédé de détection du passage d’un véhicule routier sur un ralentisseur routier selon l’invention.
[0022] Pour des raisons de clarté, les éléments représentés ne sont pas nécessairement représentés à la même échelle, les uns par rapport aux autres, sauf mention contraire.
Description des modes de réalisation
[0023] Le principe général de l’invention est basé sur la détection du passage d’un véhicule routier sur un ralentisseur routier grâce à l’apprentissage automatique (« machine learning », en langue anglaise). On entend par véhicule routier, tout véhicule doté d’un moteur (généralement à explosion ou électrique) destiné à le mouvoir sur un réseau routier et capable de transporter des personnes ou des charges (par exemple, une voiture ou une motocyclette).
[0024] Pour cela, l’invention réalise la détection en utilisant un modèle d’apprentissage automatique qui est entraîné en conséquence, et qui est incorporé dans les véhicules routiers en circulation sur différents réseaux routiers. Par conséquent, la détection des ralentisseurs routiers peut être réalisée par l’ensemble des véhicules routiers en circulation, de sorte à produire des données routières participatives (« road data crowdsourcing », en langue anglaise). Enfin, cet ensemble de données acquises par production participative peut être consolidé pour déterminer de manière précise la position des ralentisseurs routiers sur les différents réseaux routiers.
[0025] Dans l’invention, on entraîne le modèle d’apprentissage automatique selon une démarche d’apprentissage dite supervisée dans laquelle des observations passées sont labélisées. En pratique, cela signifie que chaque observation est accompagnée d’un label qui identifie le phénomène à prédire, à savoir, le passage d’un véhicule sur un ralentisseur routier. Dans ce cadre, le modèle d’apprentissage automatique utilisé est un modèle dit prédictif dans lequel on découvre des corrélations significatives entre les observations passées et le passage sur un ralentisseur routier, et dans lequel on cherche à généraliser ces corrélations à des cas non encore observés. A ce titre, le modèle d’apprentissage automatique supervisé se distingue des modèles dits explicatifs dans lesquels on cherche à comprendre le mécanisme causal qui sous-tend le phénomène à classer.
[0026] La figure 1 illustre le procédé 100 d’entraînement d’un modèle d’apprentissage automatique 200, selon l’invention.
[0027] Le procédé 100 nécessite une pluralité (non représentée) de véhicules routiers d’entraînement en mouvement sur un ou plusieurs réseaux routiers d’entraînement comprenant un ou plusieurs ralentisseurs routiers d’entraînement. En pratique, les véhicules routiers d’entraînement peuvent être du même type. Toutefois, il n’est pas nécessaire qu’ils présentent les mêmes caractéristiques techniques ou des caractéristiques techniques similaires. On entend par caractéristiques techniques, par exemple, les caractéristiques liées au moteur et/ou à la suspension. En outre, chaque véhicule routier d’entraînement comprend un bus de communication de données, par exemple, de type CAN (« Controller Area Network », en langue anglaise) ou ElexRay. Le bus de communication de chaque véhicule routier d’entraînement est couplé à une pluralité de capteurs de l’état de fonctionnement du véhicule routier d’entraînement.
[0028] Dans l’exemple de la figure 1, le procédé 100 comprend une étape d’acquisition 110, une première étape de calcul 120, une seconde étape de calcul 130, une étape de création 140, une étape d’association 150 et une étape d’entraînement 160.
[0029] L’ensemble des étapes du procédé 100 est mis en œuvre pour chaque véhicule routier d’entraînement, de sorte à entraîner un seul modèle d’apprentissage automatique. Toutefois, il est également envisagé d’entraîner, par exemple, plusieurs modèles d’apprentissage automatique, où chacun sera entraîné, seulement à partir des données acquises par des véhicules routiers d’entraînement présentant les mêmes caractéristiques techniques ou des caractéristiques techniques similaires, comme mentionnées plus haut. Dans ce cas, on incorporera un modèle d’apprentissage entraîné particulier, seulement dans les véhicules routiers présentant les mêmes caractéristiques techniques ou des caractéristiques techniques similaires aux véhicules routiers d’entraînement ayant servi à entraîner le modèle d’apprentissage automatique.
[0030] Dans l’exemple de la figure 1, l’étape d’acquisition 110 est réalisée en continue par les capteurs. Dans ce cas, le véhicule routier d’entraînement peut embarquer un ou plusieurs opérateurs humains pour marquer ou noter des instants de conduite indiquant le passage sur un ralentisseur d’entraînement. Plus tard, en analysant les sessions de conduite, il sera possible de garder seulement les données de sessions de conduite qui sont les plus pertinentes pour l’entraînement. Par exemple, on pourra filtrer les données de façon à conserver substantiellement la même quantité de données associées au passage ou non sur un ralentisseur d’entraînement, ci-après appelé information indicative du passage ou non sur un ralentisseur routier. Dans une mise en œuvre particulière, la proportion de données associées au passage ou non sur un ralentisseur d’entraînement varie en 40 % et 60 % et s’élève de préférence à 50 %.
[0031] Durant l’étape d’acquisition 110, on acquiert des données d’acquisition, ci-après appelées Da, par le bus de communication. Dans l’invention, les Da comportent la vitesse de rotation de chacune des roues du véhicule automobile d’entraînement. En outre, dans l’invention, les Da sont agencées dans une fenêtre glissante comprenant une pluralité de fenêtre particulière. De manière classique, chaque fenêtre particulière comprend un ou plusieurs instants d’acquisition successifs. L’agencement de la fenêtre glissante peut être réalisé directement dans les capteurs ou postérieurement à l’acquisition, par exemple, grâce à un ordinateur.
[0032] Dans une première mise en œuvre de l’étape d’acquisition 110, la durée de la fenêtre glissante est prédéterminée, par exemple 1s, 2s, 3s, 4s ou 5s.
[0033] Dans l’invention, la durée de chaque fenêtre particulière est la même que celle de la fenêtre glissante. Ainsi, si la durée de la fenêtre glissante est de 2s, alors la durée de chaque fenêtre particulière est également de 2s. La figure 2 représente plusieurs fenêtres particulières fpi d’une fenêtre glissante donnée. Dans l’exemple de la figure 2, chaque fenêtre particulière fpi possède une durée d. En outre, dans l’invention, chaque fenêtre particulière fpi est disposée de façon à recouvrir substantiellement la fenêtre particulière fpi la précédant, et de façon à être recouverte substantiellement par la fenêtre particulière fpi la succédant. L’exemple de la figure 2 montre un niveau de recouvrement de l’ordre de 80%. Dans cet exemple, la portion po indique la durée d’acquisition d’une fenêtre particulière fpi qui n’est pas comprise dans la fenêtre particulière fpi la précédant. Sans avoir besoin de modifier l’invention, d’autres valeurs de recouvrement peuvent être envisagées, par exemple, entre 60% et 80%.
[0034] Dans une troisième mise en œuvre de l’étape d’acquisition 110, on acquiert d’autres Da pour caractériser le passage sur un ralentisseur routier. En pratique, on acquiert, en outre, au moins une information d’un groupe, ci-après appelée Inf, comprenant : - au moins une mesure de la hauteur de caisse du véhicule automobile d’entraînement. Par exemple, il peut s’agir de la hauteur de caisse arrière et/ou avant du véhicule automobile d’entraînement ;
- au moins une mesure d’accélération du véhicule automobile d’entraînement. Par exemple, il peut s’agir d’une ou de plusieurs des trois accélérations linéaires du véhicule automobile d’entraînement ;
au moins une mesure d’une caractéristique dynamique du moteur du véhicule automobile d’entraînement. Par exemple, il peut s’agir du couple moteur et/ou du régime moteur ;
une mesure d’une pression de freinage appliquée sur la pédale de frein du véhicule automobile d’entraînement ; et, un signal audio représentatif d’un ou plusieurs sons émis sous le véhicule routier d’entraînement. Pour cela, par exemple, il peut s’agir de positionner un ou plusieurs microphones sous l’essieu du véhicule routier d’entraînement.
[0035] De retour à la figure 1, durant la première étape de calcul 120, on calcule, pour chaque fenêtre temporelle particulière, des grandeurs mathématiques à partir des Da. Les grandeurs mathématiques sont obtenues à partir de fonctions mathématiques appliquées dans le domaine temporel et/ou dans le domaine fréquentiel selon la Da considérée. Par exemple, on pourra utiliser des fonctions de statistique descriptive qui comprennent au moins des mesures de position (par exemple, moyenne/médiane glissante ou non) et des mesures de dispersion (par exemple, mode, maximum, minimum, écart-type, variance, quartiles, nombre de passage à zéro). Toutefois, d’autres fonctions mathématiques peuvent être envisagées sans nécessiter de modification de l’invention.
[0036] La seconde étape de calcul 130 est mise en œuvre pour chaque fenêtre temporelle particulière. Durant la seconde étape de calcul 130, on calcule au moins une variation, ci-après appelée Δ. Dans l’invention, la variation Δ correspond à la variation des Da et/ ou des grandeurs mathématiques, entre la fenêtre temporelle particulière courante et au moins une fenêtre temporelle particulière précédant la fenêtre temporelle particulière courante.
[0037] Dans une mise en œuvre de la seconde étape de calcul 130, on calcule, en outre, pour chaque fenêtre temporelle particulière, au moins une variation Δ, entre la fenêtre temporelle particulière courante et au moins une fenêtre temporelle particulière succédant la fenêtre temporelle particulière courante.
[0038] L’étape de création 140 est également mise en œuvre pour chaque fenêtre temporelle particulière. Durant l’étape de création 140, on crée un vecteur caractéristique à partir des Da et des variations Δ.
[0039] Dans une première mise en œuvre de l’étape de création 140, on ajoute Inf au vecteur caractéristique.
[0040] Durant l’étape d’association 150, on associe le vecteur caractéristique avec une l’information indicative du passage ou non sur un ralentisseur routier, de sorte que l’on obtient des variables de modèle d’apprentissage automatique. En d’autres termes, on labélise chaque vecteur caractéristique associé à une fenêtre temporelle particulière, soit avec un label qui indique le passage d’un véhicule d’entraînement sur un ra lentisseur routier d’entraînement, soit avec un label qui n’indique pas le passage d’un véhicule d’entraînement sur un ralentisseur routier d’entraînement.
[0041] Enfin, durant l’étape d’entraînement 160, on entraîne le modèle d’apprentissage automatique 200, à partir d’un algorithme d’apprentissage automatique supervisé et des variables de modèle d’apprentissage automatique.
[0042] Dans l’étape 160, on réalise l’apprentissage du modèle d’apprentissage automatique en fournissant au modèle d’apprentissage automatique un jeu de données d’apprentissage (« training set », en langue anglaise) sous forme de couples (X, Y), dans lesquels X correspond à un ensemble de variables prédictives (« input features », en langue anglaise) et Y correspond à une variable à prédire (« output » ou « target », en langue anglaise). Dans l’invention, le jeu de données d’apprentissage est déterminé à partir des variables de modèle d’apprentissage automatique. En pratique, un couple (X, Y) est défini de telle sorte que la variable prédictive X comprend les vecteurs caractéristique des variables de modèle d’apprentissage automatique et la variable à prédire Y comprend les informations indicatives du passage sur un ralentisseur routier utilisée à l’étape 150.
[0043] Dans une mise en œuvre particulière de l’étape d’entraînement 160, l’algorithme d’apprentissage automatique supervisé est du type gradient boosting, comme par exemple, XGBoost ou LightGBM.
[0044] La figure 3 représente un procédé 300 de détection du passage d’un véhicule routier sur un ralentisseur routier à l’aide du modèle d’apprentissage automatique entraîné 200. Dans l’exemple de la figure 3, tout comme pour les véhicules routiers d’entraînement, le véhicule routier comprend un bus de communication de données qui est couplé à une pluralité de capteurs de l’état de fonctionnement du véhicule routier.
[0045] Dans l’exemple de la figure 3, le procédé 300 comprend une étape d’acquisition 310, une première étape de calcul 320, une seconde étape de calcul 330, une étape de création 340 et une étape de détection 350.
[0046] Dans l’invention, les étapes 310 à 340 du procédé 300 sont similaires aux étapes 110 à 140 du procédé 100. La seule différence réside dans le fait que les étapes du procédé 100 sont mises en œuvre dans un véhicule routier d’entraînement, tandis que les étapes du procédé 100 sont mises en œuvre dans un véhicule routier qui n’a pas servi à l’entraînement du modèle d’apprentissage automatique 200. Ainsi, les mises en œuvre particulières des étapes 110 à 140 du procédé 100 s’appliquent également aux étapes 310 à 340 du procédé 300.
[0047] Durant l’étape de détection 350, on détecte, pour chaque fenêtre temporelle particulière, le passage du véhicule routier sur un ralentisseur routier, à partir du vecteur caractéristique et d’au moins un modèle d’apprentissage automatique entraîné selon les étapes du procédé 100.
[0048] Dans un mode particulier de réalisation de l’invention, les différentes étapes des procédés 100 et 300 sont déterminées par des instructions de programmes d’ordinateur. Par conséquent, l’invention vise aussi un programme avec un code de programme d’ordinateur fixé sur un support de stockage non transitoire, ce code de programme étant susceptible d’exécuter les étapes des procédés 100 et/ou 300, lorsque le programme d’ordinateur est chargé dans l’ordinateur ou exécuté dans l’ordinateur.
[0049] La présente invention a été décrite et illustrée dans la présente description détaillée et dans les figures. Toutefois, la présente invention ne se limite pas aux formes de réalisation présentées. Ainsi, d’autres variantes et modes de réalisation peuvent être déduits et mis en œuvre par la personne du métier à la lecture de la présente description et des figures annexées. Par exemple, l’invention comprend également un système informatique comprenant une pluralité de capteurs de l’état de fonctionnement d’un véhicule routier et un processeur configuré pour mettre en œuvre les étapes des procédés 100 et 300.
Claims (1)
- [Revendication 1]RevendicationsProcédé (100) d’entraînement d’un modèle d’apprentissage automatique (200) pour détecter le passage d’un véhicule routier sur un ralentisseur routier, le procédé comprenant les étapes suivantes, pour chacun parmi une pluralité de véhicules routiers d’entraînement en mouvement sur un réseau routier d’entraînement comprenant un ou plusieurs ralentisseurs routiers d’entraînement, chaque véhicule routier d’entraînement comprenant un bus de communication de données qui est couplé à une pluralité de capteurs de l’état de fonctionnement du véhicule routier d’entraînement :a. une étape d’acquisition (110) durant laquelle on acquiert des données d’acquisition, ci-après appelées Da, par le bus de communication, dans une fenêtre glissante comprenant une pluralité de fenêtre particulière, les Da comprenant la vitesse de rotation de chacune des roues du véhicule automobile d’entraînement,b. une première étape de calcul (120) durant laquelle on calcule, pour chaque fenêtre temporelle particulière, des grandeurs mathématiques à partir des Da,c. une seconde étape de calcul (130) durant laquelle on calcule, pour chaque fenêtre temporelle particulière, au moins une variation, ci-après appelée Δ, la variation Δ correspondant à variation des Da et/ou des grandeurs mathématiques, entre la fenêtre temporelle particulière courante et au moins une fenêtre temporelle particulière précédant la fenêtre temporelle particulière courante,d. une étape de création (140) durant laquelle, pour chaque fenêtre temporelle particulière, on crée un vecteur caractéristique à partir des Da et des variations Δ,e. une étape d’association (150) durant laquelle on associe le vecteur caractéristique avec une information indicative du passage ou non sur un ralentisseur routier, de sorte que l’on obtient des variables de modèle d’apprentissage automatique, etf. une étape d’entraînement (160) durant laquelle on entraîne le modèle d’apprentissage automatique, à partir d’un algorithme d’apprentissage automatique supervisé et des variables de
modèle d’apprentissage automatique. [Revendication 2] Procédé selon la revendication 1, dans lequel chaque fenêtre temporelle particulière recouvre substantiellement la fenêtre temporelle particulière la précédant et la fenêtre temporelle particulière lui succédant, la valeur de recouvrement étant comprise entre 60 % et 80%. [Revendication 3] Procédé selon l’une des revendications 1 à 2, dans lequel, durant l’étape d’acquisition, on acquiert, en outre, au moins une information d’un groupe, ci-après appelée Inf, comprenant au moins une mesure de la hauteur de caisse du véhicule automobile d’entraînement, au moins une mesure de l’accélération du véhicule automobile d’entraînement, au moins une mesure d’une caractéristique dynamique du moteur du véhicule automobile d’entraînement, une mesure d’une pression de freinage appliquée sur la pédale de frein du véhicule automobile d’entraînement, un signal audio représentatif d’un ou plusieurs sons émis sous le véhicule routier d’entraînement, et dans lequel, durant l’étape de création, on ajoute Inf au vecteur caractéristique. [Revendication 4] Procédé selon l’une des revendications 1 à 3, dans lequel, durant la seconde étape de calcul, on calcule, en outre, pour chaque fenêtre temporelle particulière, au moins une variation Δ, entre la fenêtre temporelle particulière courante et au moins une fenêtre temporelle particulière succédant à la fenêtre temporelle particulière courante. [Revendication 5] Procédé selon l’une des revendications 1 à 4, dans lequel l’algorithme d’apprentissage automatique supervisé est du type gradient boosting. [Revendication 6] Procédé (300) de détection du passage d’un véhicule routier sur un ralentisseur routier, le véhicule routier comprenant un bus de communication de données qui est couplé à une pluralité de capteurs de l’état de fonctionnement du véhicule routier, le procédé comprenant les étapes suivantes : a. une étape d’acquisition (310), on acquiert des données d’acquisition, ci-après appelées Da, par le bus de communication, dans une fenêtre glissante comprenant une pluralité de fenêtre particulière, la vitesse de rotation de chacune des roues du véhicule automobile d’entraînement, b. une première étape de calcul (320) durant laquelle on calcule, pour chaque fenêtre temporelle particulière, des grandeurs mathématiques à partir des Da, c. une seconde étape de calcul (330) durant laquelle on calcule, pour chaque fenêtre temporelle particulière, au moins une variation, ci-après appelée Δ, la variation Δ correspondant à variation des Da et/ou des grandeurs mathématiques, entre la fenêtre temporelle particulière courante et au moins une fenêtre temporelle particulière précédant la fenêtre temporelle particulière courante, d. une étape de création (340) durant laquelle, pour la fenêtre temporelle particulière courante, on crée un vecteur caractéristique à partir des Da et des variations Δ, e. une étape de détection (350) durant laquelle on détecte, pour chaque fenêtre temporelle particulière, le passage du véhicule routier sur un ralentisseur routier, à partir du vecteur caractéristique et d’au moins un modèle d’apprentissage automatique entraîné selon l’une des revendications 1 à 5. [Revendication 7] Procédé selon la revendication 6, dans lequel chaque fenêtre temporelle particulière recouvre substantiellement la fenêtre temporelle particulière la précédant et la fenêtre temporelle particulière lui succédant, la valeur de recouvrement étant comprise entre 60 % et 80%. [Revendication 8] Procédé selon l’une des revendications 6 à 7, dans lequel, durant l’étape d’acquisition, on acquiert, en outre, au moins une information d’un groupe, ci-après appelée Inf, comprenant au moins une mesure de la hauteur de caisse du véhicule automobile, au moins une mesure de l’accélération du véhicule automobile, au moins une mesure d’une caractéristique dynamique du moteur du véhicule automobile, une mesure d’une pression de freinage appliquée sur la pédale de frein du véhicule automobile, un signal audio représentatif d’un ou plusieurs sons émis sous le véhicule routier, et dans lequel, durant l’étape de création, on ajoute Inf au vecteur caractéristique. [Revendication 9] Procédé selon l’une des revendications 6 à 8, dans lequel, durant la seconde étape de calcul, on calcule, en outre, pour chaque fenêtre temporelle particulière, au moins une variation Δ, entre la fenêtre temporelle particulière courante et au moins une fenêtre temporelle particulière succédant à la fenêtre temporelle particulière courante. [Revendication 10] Programme d’ordinateur avec un code de programme pour exécuter les étapes d’un procédé selon l’une des revendications 1 à 5 ou 6 à 9 lorsque le programme d’ordinateur est chargé dans l’ordinateur ou exécuté dans l’ordinateur.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR1873078A FR3090162B1 (fr) | 2018-12-17 | 2018-12-17 | Détection de ralentisseurs routiers par apprentissage automatique |
PCT/EP2019/085392 WO2020127077A1 (fr) | 2018-12-17 | 2019-12-16 | Détection de ralentisseurs routiers par apprentissage automatique |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR1873078A FR3090162B1 (fr) | 2018-12-17 | 2018-12-17 | Détection de ralentisseurs routiers par apprentissage automatique |
Publications (2)
Publication Number | Publication Date |
---|---|
FR3090162A1 true FR3090162A1 (fr) | 2020-06-19 |
FR3090162B1 FR3090162B1 (fr) | 2020-11-20 |
Family
ID=66542388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
FR1873078A Active FR3090162B1 (fr) | 2018-12-17 | 2018-12-17 | Détection de ralentisseurs routiers par apprentissage automatique |
Country Status (2)
Country | Link |
---|---|
FR (1) | FR3090162B1 (fr) |
WO (1) | WO2020127077A1 (fr) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113033463A (zh) * | 2021-04-09 | 2021-06-25 | 腾讯科技(深圳)有限公司 | 减速带检测方法、装置、电子设备及存储介质 |
FR3115135A1 (fr) * | 2021-05-18 | 2022-04-15 | Continental Automotive | Procédé de détection d’un objet routier |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140195112A1 (en) * | 2013-01-08 | 2014-07-10 | Ford Global Technologies, Llc | Adaptive Active Suspension System With Road Preview |
US20150291177A1 (en) * | 2014-04-14 | 2015-10-15 | Hyundai Motor Company | Speed bump detection apparatus and navigation data updating apparatus and method using the same |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2523548A (en) * | 2014-02-12 | 2015-09-02 | Risk Telematics Uk Ltd | Vehicle impact event assessment |
-
2018
- 2018-12-17 FR FR1873078A patent/FR3090162B1/fr active Active
-
2019
- 2019-12-16 WO PCT/EP2019/085392 patent/WO2020127077A1/fr active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140195112A1 (en) * | 2013-01-08 | 2014-07-10 | Ford Global Technologies, Llc | Adaptive Active Suspension System With Road Preview |
US20150291177A1 (en) * | 2014-04-14 | 2015-10-15 | Hyundai Motor Company | Speed bump detection apparatus and navigation data updating apparatus and method using the same |
Non-Patent Citations (4)
Title |
---|
JOSE CELAYA-PADILLA ET AL: "Speed Bump Detection Using Accelerometric Features: A Genetic Algorithm Approach", SENSORS, vol. 18, no. 2, 3 February 2018 (2018-02-03), pages 443, XP055618013, DOI: 10.3390/s18020443 * |
RAVI BHORASKAR ET AL: "Wolverine: Traffic and road condition estimation using smartphone sensors", COMMUNICATION SYSTEMS AND NETWORKS (COMSNETS), 2012 FOURTH INTERNATIONAL CONFERENCE ON, IEEE, 3 January 2012 (2012-01-03), pages 1 - 6, XP032115080, ISBN: 978-1-4673-0296-8, DOI: 10.1109/COMSNETS.2012.6151382 * |
SILVA NUNO ET AL: "Anomaly Detection in Roads with a Data Mining Approach", PROCEDIA COMPUTER SCIENCE, ELSEVIER, AMSTERDAM, NL, vol. 121, 14 December 2017 (2017-12-14), pages 415 - 422, XP085307981, ISSN: 1877-0509, DOI: 10.1016/J.PROCS.2017.11.056 * |
V S K P VARMA ET AL: "Real Time Detection of Speed Hump/Bump and Distance Estimation with Deep Learning using GPU and ZED Stereo Camera", PROCEDIA COMPUTER SCIENCE, vol. 143, 26 November 2018 (2018-11-26), AMSTERDAM, NL, pages 988 - 997, XP055618022, ISSN: 1877-0509, DOI: 10.1016/j.procs.2018.10.335 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113033463A (zh) * | 2021-04-09 | 2021-06-25 | 腾讯科技(深圳)有限公司 | 减速带检测方法、装置、电子设备及存储介质 |
CN113033463B (zh) * | 2021-04-09 | 2023-08-01 | 腾讯科技(深圳)有限公司 | 减速带检测方法、装置、电子设备及存储介质 |
FR3115135A1 (fr) * | 2021-05-18 | 2022-04-15 | Continental Automotive | Procédé de détection d’un objet routier |
Also Published As
Publication number | Publication date |
---|---|
FR3090162B1 (fr) | 2020-11-20 |
WO2020127077A1 (fr) | 2020-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
FR3074123A1 (fr) | Evaluation d'un style de conduite d'un conducteur d'un vehicule routier en mouvement par apprentissage automatique | |
EP2880409B1 (fr) | Procede d'estimation de la masse d'un vehicule | |
FR2868157A1 (fr) | Procede et dispositif pour determiner la position angulaire de rotation d'un arbre | |
WO2020127077A1 (fr) | Détection de ralentisseurs routiers par apprentissage automatique | |
FR2900202A1 (fr) | Procede et appareil de commande pour gerer un moteur a combustion interne | |
FR2935491A1 (fr) | Procede et dispositif pour la detection d'un maximum d'acceleration pour un pneu | |
EP1481876A1 (fr) | Procédé de commande d'une direction assistée électrique pour véhicule automobile | |
EP3875906A1 (fr) | Procédé de détermination du type de voie empruntée par un véhicule automobile | |
WO2019053357A1 (fr) | Procédé d'optimisation d'un paramètre indicateur de vitesse véhicule destiné aux fonctions d'assistance de direction et aux fonctions de sécurisation | |
EP3328668B1 (fr) | Dispositif pour estimer un indicateur d'état d'une voie de circulation empruntée par un véhicule terrestre | |
FR2933033A1 (fr) | Procede et dispositif de detection de perte de pression dans les pneumatiques | |
EP1595066A1 (fr) | Procede de detection de rates de combustion par filtrage | |
FR3079954A1 (fr) | Apprentissage automatique predictif pour la prediction d'une vitesse future d'un vehicule automobile en mouvement sur une route | |
FR3090544A1 (fr) | Dispositif et procédé de contrôle de trajectoire d’un véhicule automobile | |
EP2307253B1 (fr) | Dispositif d'evaluation de l'acceleration transversale d'un vehicule automobile et procede correspondant | |
FR3115135A1 (fr) | Procédé de détection d’un objet routier | |
FR2985237B1 (fr) | Procede et dispositif d'adaptation d'un parametre dans l'algorithme de fin de roulage d'un vehicule | |
FR2881807A1 (fr) | Procede de reconnaissance de l'etat d'un dispositif d'embrayage entre un moteur et une boite de vitesse | |
EP2176111B1 (fr) | Procede d'estimation du glissement des roues d'un vehicule et dispositif pour sa mise en oeuvre | |
FR3140053A1 (fr) | Procédé de calibration dynamique d’un indicateur de charge d’un véhicule automobile | |
FR2892686A1 (fr) | Procede de determination de l'etat des roues d'un vehicule automobile et dispositif de mise en oeuvre | |
EP2176110A2 (fr) | Procede d'estimation d'une vitesse longitudinale d'un vehicule, dispositif pour sa mise en oeuvre | |
FR3001939A3 (fr) | Procede d'assistance a la conduite d'un vehicule automobile | |
FR3127188A1 (fr) | Détection d’une intention de changement de voie pour améliorer le contrôle de la vitesse d’un véhicule | |
FR3113524B1 (fr) | Procédé et dispositif de détection de franchissement d’un ralentisseur routier par un véhicule. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PLFP | Fee payment |
Year of fee payment: 2 |
|
PLSC | Publication of the preliminary search report |
Effective date: 20200619 |
|
PLFP | Fee payment |
Year of fee payment: 3 |
|
PLFP | Fee payment |
Year of fee payment: 4 |
|
PLFP | Fee payment |
Year of fee payment: 5 |
|
PLFP | Fee payment |
Year of fee payment: 6 |