FR3094510A1 - Dispositif de reconnaissance de situation, cabine de passagers d’aeronef et procede de surveillance de cabines de passagers d’aeronef - Google Patents
Dispositif de reconnaissance de situation, cabine de passagers d’aeronef et procede de surveillance de cabines de passagers d’aeronef Download PDFInfo
- Publication number
- FR3094510A1 FR3094510A1 FR2002829A FR2002829A FR3094510A1 FR 3094510 A1 FR3094510 A1 FR 3094510A1 FR 2002829 A FR2002829 A FR 2002829A FR 2002829 A FR2002829 A FR 2002829A FR 3094510 A1 FR3094510 A1 FR 3094510A1
- Authority
- FR
- France
- Prior art keywords
- processor
- monitoring
- signals
- passenger cabin
- aircraft passenger
- 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
- 238000000034 method Methods 0.000 title claims abstract description 17
- 230000008569 process Effects 0.000 title abstract description 4
- 238000012544 monitoring process Methods 0.000 claims abstract description 64
- 230000000007 visual effect Effects 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000004891 communication Methods 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000007637 random forest analysis Methods 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 3
- 230000002457 bidirectional effect Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 238000013499 data model Methods 0.000 abstract 1
- 238000012549 training Methods 0.000 description 12
- 238000013527 convolutional neural network Methods 0.000 description 3
- 231100001261 hazardous Toxicity 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 230000004308 accommodation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000003534 oscillatory effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D11/00—Passenger or crew accommodation; Flight-deck installations not otherwise provided for
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D45/00—Aircraft indicators or protectors not otherwise provided for
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
- G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
- G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
- G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D45/00—Aircraft indicators or protectors not otherwise provided for
- B64D45/0015—Devices specially adapted for the protection against criminal attack, e.g. anti-hijacking systems
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D45/00—Aircraft indicators or protectors not otherwise provided for
- B64D45/0015—Devices specially adapted for the protection against criminal attack, e.g. anti-hijacking systems
- B64D45/0051—Devices specially adapted for the protection against criminal attack, e.g. anti-hijacking systems by monitoring passengers or crew on aircraft
- B64D45/0053—Devices specially adapted for the protection against criminal attack, e.g. anti-hijacking systems by monitoring passengers or crew on aircraft using visual equipment, e.g. cameras
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D47/00—Equipment not otherwise provided for
- B64D47/02—Arrangements or adaptations of signal or lighting devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/44—Event detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Alarm Systems (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
DISPOSITIF DE RECONNAISSANCE DE SITUATION, CABINE DE PASSAGERS D’AERONEF ET PROCEDE DE SURVEILLANCE DE CABINES DE PASSAGERS D’AERONEF L’invention concerne un dispositif de reconnaissance de situation comprenant un processeur de surveillance (1) doté d’une interface d’une entrée (7) et d’une interface de sortie (8), lequel est conçu pour recevoir, par le biais de l’interface d’entrée (7), des signaux de surveillance visuels et/ou sonores (E) en provenance d’une cabine de passagers d’aéronef (20). Le dispositif de reconnaissance de situation (10) contient en outre un système d’AI (3) qui possède un processeur d’AI (4), un générateur d’ensemble de règles (5) basé sur des algorithmes à autoapprentissage et une mémoire à ensembles de règles de référence (6), lequel se trouve en communication de données bidirectionnelle avec le processeur de surveillance (1). Le processeur d’AI (4) est conçu pour, sur demande (Q) du processeur de surveillance (1), vérifier si des modèles de données dans les signaux de surveillance visuels et/ou sonores (E) reçus présentent des divergences par rapport à des modèles de données dans un ensemble de règles de référence (R) stocké dans la mémoire à ensembles de règles de référence (6). Le processeur de surveillance (1) est conçu pour délivrer des signaux indicateurs (A) par le biais de l’interface de sortie (8) dans le cas où les divergences déterminées par le processeur d’AI (4) sont supérieures à une ou plusieurs valeurs de seuil de divergence pouvant être prédéfinies. (Figure 1)
Description
DOMAINE TECHNIQUE DE L’INVENTION
L'invention concerne un dispositif de reconnaissance de situation et des méthodes pour la surveillance automatisée des opérations et des situations, en particulier pour la reconnaissance automatisée de situations dangereuses dans les cabines des passagers des aéronefs.
ETAT DE LA TECHNIQUE ANTERIEURE
Dans les transports publics, tels que les aéronefs de transport de passagers, les opérations à bord doivent être surveillées afin que l’équipage puisse prendre des contre-mesures opportunes et adaptées à la situation en cas de divergences par rapport aux conditions de voyage ou de transport prescrites. Il est connu ici d’interpréter par une évaluation humaine le matériel visuel ou sonore généré dynamiquement à l'intérieur des moyens de transport. Il est souhaitable, en particulier dans le transport aérien de passagers, de pouvoir identifier et évaluer rapidement des conditions de voyage ou de transport inhabituelles. Cela nécessite généralement une surveillance par l’équipage, dont la continuité et l'omniprésence ne peuvent être garanties à tout moment en raison du grand nombre d’espaces, de situations et d’opérations à surveiller.
Il existe par conséquent des approches pour l'automatisation des processus de surveillance afin de pouvoir offrir aux équipages humains une présélection et une évaluation initiale des conditions de voyage ou de transport inhabituelles. Des indicateurs de situation générés par machine et faisant abstraction de la situation réelle peuvent ainsi être obtenus et soumis à un examen plus approfondi par l’équipage.
Les documents US 7,868,912 B2, US 2008/0031491 A1 et US 9,111,148 B2 publient des dispositifs de reconnaissance de modèle à apprentissage adaptatif pour des systèmes de vidéosurveillance. Le document CN 107 600 440 A publie un système de vidéosurveillance destiné à reconnaître les comportements contraires aux prescriptions des passagers. Le document DE 44 16 506 A1 publie des cabines des passagers de pont inférieur pour aéronefs.
L'un des objets de l'invention consiste par conséquent à trouver des solutions améliorées pour la reconnaissance automatisée de situations ou d’opérations, par exemple dans la cabine des passagers d'un aéronef, qui permettent à l'équipage humain de l'aéronef d'obtenir plus rapidement et plus efficacement des informations sur l'apparition de situations ou d’opération potentiellement inhabituelles.
Cet objet ainsi que d’autres sont réalisés par un dispositif de reconnaissance de situation ayant les caractéristiques de l’invention, par une cabine de passagers d’aéronef ayant les caractéristiques de l’invention ainsi que par un procédé de surveillance automatisée des opérations et des situations dans les cabines des passagers d’aéronef ayant les caractéristiques de l’invention.
Selon un premier aspect de l’invention un dispositif de reconnaissance de situation comprend un processeur de surveillance doté d’une interface d’entrée et d’une interface de sortie, lequel est conçu pour recevoir, par le biais de l’interface d’entrée, des signaux de surveillance visuels et/ou sonores en provenance d’une cabine de passagers d’aéronef. Le dispositif de reconnaissance de situation contient en outre un système d’AI qui possède un processeur d’AI, un générateur d’ensemble de règles basé sur des algorithmes à autoapprentissage et une mémoire à ensembles de règles de référence, lequel se trouve en communication de données bidirectionnelle avec le processeur de surveillance. Le processeur d’AI est conçu pour, sur demande du processeur de surveillance, vérifier si des modèles de données dans les signaux de surveillance visuels et/ou sonores reçus présentent des divergences par rapport à des modèles de données dans un ensemble de règles de référence stocké dans la mémoire à ensembles de règles de référence. Le processeur de surveillance est conçu pour délivrer des signaux indicateurs par le biais de l’interface de sortie dans le cas où les divergences déterminées par le processeur d’AI sont supérieures à une ou plusieurs valeurs de seuil de divergence pouvant être prédéfinies.
Selon un deuxième aspect de l’invention, une cabine de passagers d’aéronef, notamment une cabine des passagers de pont inférieur (« lower deck passenger compartment », LDC), un dispositif de reconnaissance de situation selon le premier aspect de l’invention, une ou plusieurs caméras de surveillance, qui est/sont connectée(s) à l’interface d’entrée du processeur de surveillance et qui est/sont conçue(s) pour envoyer des signaux de surveillance visuels et/ou sonores en temps réel au processeur de surveillance, ainsi qu’un dispositif d’alerte, qui est connecté à l’interface de sortie du processeur de surveillance et qui est conçu pour afficher à l’attention d’un utilisateur des notifications d’alerte à propos d’une situation de danger potentielle dans la cabine de passagers d’aéronef en fonction des signaux indicateurs reçus du processeur de surveillance.
Selon un troisième aspect de l’invention, un procédé de surveillance automatisée des opérations et des situations dans les cabines des passagers d’aéronef comprend les étapes de réception de signaux de surveillance visuels et/ou sonores en provenance d’une cabine de passagers d’aéronef par un processeur de surveillance, de vérification, par un processeur d’AI du système d’AI, si les signaux de surveillance visuels et/ou sonores reçus présentent des divergences par rapport à un ensemble de règles de référence stocké dans une mémoire à ensembles de règles de référence d’un système d’AI et généré par un générateur d’ensemble de règles basé sur des algorithmes à autoapprentissage, et de délivrance de signaux indicateurs par le processeur de surveillance dans le cas où les divergences déterminées par le processeur d’AI sont supérieures à une ou plusieurs valeurs de seuil de divergence pouvant être prédéfinies.
Une idée essentielle de l’invention consiste à utiliser l’apprentissage automatique algorithmique pour surveiller et évaluer les informations observées à propos des situations et des opérations dans une cabine de passagers d’aéronef en vue de déceler des divergences potentielles par rapport à des modèles et des régularités dans des données d’information collectées dynamiquement et continuellement. Un système d’intelligence artificielle (système d’AI) est utilisé à cet effet, lequel est initialisé avec des données de formation correspondantes à propos des modèles et des régularités des situations et des opérations dans la cabine de passagers d’aéronef. Les données d’information collectées, telles que des enregistrements vidéo ou audio, sont arbitrées en temps réel par le système d’AI conformément à un ensemble de règles de référence.
Si le système d’AI arrive à la conclusion que les situations et les opérations représentées dans les données d’information divergent des situations de référence et des opérations de référence prédéfinies dans l’ensemble de règles de référence et que ces divergences dépassent des valeurs de seuil de divergence pouvant être prédéfinies, le système d’AI peut effectuer une évaluation automatisée et délivrer des indicateurs concernant une situation de danger supposée à une entité responsable de la sécurité de la cabine de passagers d’aéronef. De tels indicateurs peuvent entraîner soit une réaction automatisée par des systèmes connectés en aval, soit une réaction individuelle après évaluation par un utilisateur humain.
Un avantage particulier des solutions selon l’invention réside dans le fait que les situations de danger peuvent être reconnues en tant que telles plus facilement, avec plus de fiabilité et plus rapidement sans qu’une mémorisation permanente de données d’information soit nécessaire. Une mémorisation non justifiée des données d’information pourrait interférer avec les droits à la préservation de la vie privée des personnes observées en raison de l'imprévisibilité des situations et des opérations observées – ce qui est avantageusement évité par les solutions selon l’invention, car seule est nécessaire la mémorisation des indicateurs extraits du matériel d’information effectivement enregistré à propos de la présence supposée de situations de danger.
Cela permet un compromis bénéfique entre la préservation de la sphère privée des passagers et les mesures de surveillance nécessaires pour maintenir la sécurité aérienne. Les solutions selon l'invention permettent de différencier rapidement diverses situations potentiellement problématiques des situations attendues ou ne posant aucun problème dans les cabines des passagers d’aéronef. À titre d’exemple, les personnes ou les objets se trouvant dans des zones devant être maintenues dégagées, les objets qui bloquent les issues de secours, les objets qui mettent en danger la sécurité des vols en raison de leur nature, les personnes ayant besoin d'assistance, les personnes n'agissant pas conformément aux règlements ou les personnes agissant avec une intention criminelle peuvent ainsi être reconnus et signalés automatiquement à l'équipage en vue de l’initiation de contre-mesures.
Des configurations et perfectionnements avantageux ressortent des différents modes supplémentaires ainsi que de la description en se référant aux figures.
Selon certaines autres formes de réalisation du dispositif de reconnaissance de situation, le générateur d’ensemble de règles peut être conçu pour, en s’appuyant sur des données d’observation avec résolution spatiale et temporelle à propos de situations et d’opérations dans une cabine de passagers d’aéronef reçues par le biais de l’interface d’entrée du processeur de surveillance, détecter des modèles et des régularités dans les données d’observation et mémoriser les modèles et régularités détectés dans les données d’observation sous la forme d’un ensemble de règles de référence dans la mémoire à ensembles de règles de référence. L’ensemble de règles de référence peut ainsi avantageusement être adapté à l’environnement respectif de la cabine de passagers d’aéronef par une formation du système d’AI.
Selon certaines autres formes de réalisation du dispositif de reconnaissance de situation, le dispositif de reconnaissance de situation peut comporter une mémoire de données d’indicateur qui est connectée au processeur de surveillance et qui est conçue pour mémoriser une pluralité de signaux indicateurs prédéfinis, le processeur de surveillance étant conçu pour invoquer l’un de la pluralité de signaux indicateurs prédéfinis depuis la mémoire de données d’indicateur en fonction de la nature des divergences déterminées par le processeur d’AI et le délivrer en tant que signal indicateur sur l’interface de sortie. Les données de sortie du dispositif de reconnaissance de situation peuvent ainsi être extraites des signaux de surveillance visuels et/ou sonores acquis, de sorte qu’il n’est pas nécessaire de divulguer des données sensibles susceptibles d’empiéter sur les droits individuels des personnes se trouvant dans la cabine de passagers d’aéronef. Au lieu de cela, une situation de danger peut être estimée en se basant sur les signaux indicateurs.
Selon certaines autres formes de réalisation du dispositif de reconnaissance de situation, le générateur d’ensemble de règles peut comporter un classificateur de vecteur de support, un réseau neuronal, un classificateur à forêts aléatoires, classificateur à arbres décisionnels, un réseau de Monte-Carlo ou un classificateur bayésien.
Selon certaines autres formes de réalisation du dispositif de reconnaissance de situation, les signaux de surveillance visuels et/ou sonores peuvent comprendre des enregistrements vidéo en temps réel d’une ou plusieurs caméras de surveillance.
Selon certaines autres formes de réalisation du dispositif de reconnaissance de situation, le processeur de surveillance peut être conçu pour effacer les signaux de surveillance visuels et/ou sonores après une vérification par le processeur d’AI. Cela permet avantageusement d’effectuer une surveillance d’une cabine de passagers d’aéronef sans que des données des passagers de l’aéronef soient mémorisées sans motif pendant plus longtemps que ce qui est nécessaire. Les signaux de surveillance visuels et/ou sonores enregistrés sont notamment utilisés exclusivement pour la reconnaissance de situation automatisée par le système d’AI et ne peuvent pas être transmis à des tiers non autorisés.
Selon certaines formes de réalisation du procédé, le générateur d’ensemble de règles peut comporte un classificateur de vecteur de support, un réseau neuronal, un classificateur à forêts aléatoires, un classificateur à arbres décisionnels, un réseau de Monte-Carlo ou un classificateur bayésien. Dans certaines formes de réalisation du procédé, la délivrance de signaux indicateurs par le processeur de surveillance peut s’effectuer en fonction d’une phase de vol momentanée d’un aéronef équipé de la cabine de passagers d’aéronef.
Selon certaines formes de réalisation de la cabine de passagers d’aéronef, la cabine de passagers d’aéronef peut en outre posséder une interface de signal d’alerte par le biais de laquelle le dispositif d’alerte peut délivrer des signaux d’alerte dans le cockpit d’un aéronef et/ou sur une console de personnel de cabine. Cela permet avantageusement au personnel de cabine ou à d’autres membres de l’équipage, même à des postes de travail plus éloignés dans l’aéronef, d’être informés à propos des situations de danger potentielles dans une cabine de passagers d’aéronef. La surveillance automatisée à base d’AI peut s’avérer très utile en tant qu’outil d’assistance pour la surveillance de la sécurité du vol, en particulier pour les cabines des passagers de pont inférieur qui ne sont accessibles à l’équipage que par des trajets plus longs.
Les configurations et perfectionnements mentionnés ci-dessus peuvent, si cela se justifie, être combinés entre eux à volonté. D’autres configurations, perfectionnements et mises en œuvre possibles de l'invention comprennent également des combinaisons de caractéristiques de l'invention non explicitement mentionnées ci-dessus ou décrites ci-dessous en ce qui concerne les exemples de mise en œuvre. En particulier, l'homme de l’art ajoutera ici également des aspects individuels en tant qu'améliorations ou compléments à la forme de base respective de la présente invention.
BRÈVE DESCRIPTION DES FIGURES
La présente invention sera décrite plus précisément ci-après à l’aide des exemples de réalisation indiqués schématiquement dans les figures. Celles-ci illustrent :
Les figures jointes doivent apporter une compréhension supplémentaire des formes de réalisation de l’invention. Elles illustrent les formes de réalisation et, en association avec la description, servent à expliquer les principes et les concepts de l’invention. D’autres formes de réalisation et un grand nombre des avantages mentionnés résultent du point de vue des dessins. Les éléments des dessins ne sont pas nécessairement représentés en respectant l’échelle les uns par rapport aux autres. Le vocabulaire directionnel comme, par exemple, « en haut », « en bas », « à gauche », « à droite », « au-dessus », « au-dessous », « horizontal », « vertical », « devant », « derrière » et les indications similaires sont uniquement utilisés à des fins explicatives et ne servent pas à restreindre le caractère général à des configurations spécifiques telles que celles illustrées dans les figures.
Dans les figures du dessin, les mêmes éléments, caractéristiques et composants, qui sont fonctionnellement identiques et ont le même effet, sont chacun munis des mêmes signes de référence, sauf indication contraire.
EXPOSE DETAILLE DE MODES DE RÉALISATION
La description ci-après se réfère aux algorithmes à autoapprentissage qui sont utilisés dans un système d’intelligence artificielle (système d’AI). D'une manière générale, un algorithme à autoapprentissage simule les fonctions cognitives qui sont attribuées à un processus de pensée humain selon le jugement humain. L’algorithme à autoapprentissage peut ici, en ajoutant de nouvelles informations de formation, adapter dynamiquement les connaissances acquises jusqu’à présent à partir d’anciennes informations de formation à des conditions modifiées afin de reconnaître et d’extrapoler des modèles et des régularités de l’ensemble des informations de formation.
Tous les types de formation qui forment l’acquisition humaine de connaissances peuvent être utilisés dans les algorithmes à autoapprentissage au sens de la présente invention, par exemple l’apprentissage supervisé, l’apprentissage partiellement supervisé, l’apprentissage indépendant basé sur des réseaux génératifs, non génératifs ou profondément antagonistes (« adversarial networks » , AN), l'apprentissage responsabilisant ou l'apprentissage actif. L’apprentissage de la représentation peut ici être utilisé dans tous les cas. Les algorithmes à autoapprentissage au sens de la présente invention peuvent notamment effectuer une adaptation itérative des paramètres et caractéristiques à apprendre par le biais d’une analyse à rétroaction.
Un algorithme à autoapprentissage au sens de la présente invention peut s’appuyer sur un classificateur de vecteur de support (« support vector network », SVN), un réseau neuronal tel qu’un réseau neuronal convolutif (« convolutional neural network », CNN), une carte de Kohonen, un réseau neuronal récurrent, un réseau neuronal à délai (« time-delayed neural network », TDNN) ou un réseau neuronal oscillant (« oscillatory neural network », ONN), un classificateur à forêts aléatoires, un classificateur à arbres décisionnels, un réseau de Monte-Carlo ou un classificateur bayésien. Un algorithme à autoapprentissage au sens de la présente invention peut ici utiliser des algorithmes à héritage de propriétés, des algorithmes de k-Means comme, par exemple, des algorithmes de Lloyd ou de MacQueen ou encore des algorithmes d’apprentissage TD comme SARSA ou Q-Learning.
Les cabines des passagers d’aéronef au sens de la présente invention peuvent notamment comprendre toutes les structures d’ameublement de cabine de construction modulaire qui sont conçues pour le transport et le séjour des passagers pendant un voyage en aéronef. Les cabines des passagers d’aéronef de ce type peuvent également être conçues sous la forme de cabines des passagers de pont inférieur, par exemple. Des exemples non restrictifs de l’invention pour de telles cabines des passagers de pont inférieur sont publiés sur l’Internet à l’adresse https://www.safran-cabin.com/printpdf/media/airbus-and-zodiac-aerospace-enter-partnership-new-lower-deck-sleeping-facilities-20180410.
La Figure 1 représente une illustration à titre d’exemple d’un dispositif de reconnaissance de situation 10. Le dispositif de reconnaissance de situation 10 possède un processeur de surveillance 1 doté d’une interface d’entrée 7 et d’une interface de sortie 8. L’interface d’entrée 7 permet d’une part de recevoir des signaux de surveillance visuels et/ou sonores E en provenance d’une cabine de passagers d’aéronef 20, par exemple de dispositifs de surveillance tels que des caméras de surveillance 21 installés en des points de surveillance stratégiques dans la cabine de passagers d’aéronef 20. D’autre part, l’interface d’entrée 7 permet d’envoyer au processeur de surveillance 1 des données d’observation avec résolution spatiale et temporelle à propos des situations et des opérations dans une cabine de passagers d’aéronef 20, à partir desquelles peuvent être dérivés des modèles et des régularités. Ces données d’observation avec résolution spatiale et temporelle peuvent également être, par exemple, des données enregistrées par des caméras de surveillance en service réel de la cabine de passagers d’aéronef 20 ou des données envoyées au processeur de surveillance 1 par d’autres systèmes raccordés sous la forme de données de formation générées par ordinateur.
Le dispositif de reconnaissance de situation 10 comprend en outre un système d’AI 3. Le système d’AI 3 possède un processeur d’AI 4, un générateur d’ensemble de règles 5 basé sur des algorithmes à autoapprentissage et une mémoire à ensembles de règles de référence 6. Le système d’AI 3 se trouve en communication de données bidirectionnelle avec le processeur de surveillance 1 par le biais du processeur d’AI 4. Le processeur de surveillance 1 peut initialement envoyer au système d’AI 3 une pluralité de données d’observation historiques et/ou actuelles à propos des situations et des opérations dans la cabine de passagers d’aéronef 20. Ces données d’observation peuvent servir de base pour la détection de modèles et de régularités pour ce qui concerne les situations et les opérations possibles par le générateur d’ensemble de règles 5. Le générateur d’ensemble de règles 5 peut comporter, par exemple, un classificateur de vecteur de support, un réseau neuronal, un classificateur à forêts aléatoires, un classificateur à arbres décisionnels, un réseau de Monte-Carlo ou un classificateur bayésien.
Les modèles et régularités détectés dans les situations et opérations sont tout d’abord stockés de manière itérative dans un ensemble de règles de formation T qui est actualisé dynamiquement et en continu. Un ensemble de règles de référence opérationnel R est formé à partir de l’ensemble de règles de formation T, lequel est mémorisé par le générateur d’ensemble de règles 5 dans la mémoire à ensembles de règles de référence 6. Lorsque le processeur d’AI 4 reçoit à présent de la part du processeur de surveillance 1 une requête Q pour vérifier si les modèles de données dans les signaux de surveillance visuels et/ou sonores E reçus présentent des divergences par rapport à des modèles de données attendus et considérés comme non sensibles, le processeur d’AI 4 accède à l’ensemble de règles de référence R stocké en tant que référence dans la mémoire à ensembles de règles de référence 6. Le processeur d’AI 4 vérifie par rapport à cette référence si des divergences sont apparues à l’intérieur de la zone surveillée de la cabine de passagers d’aéronef 20 par rapport aux situations ou aux opérations attendues ou à considérer comme habituelles. Le générateur d’ensemble de règles 5 peut actualiser l’ensemble de règles de référence R stocké dans la mémoire à ensembles de règles de référence 6 à intervalles périodiques sur la base de nouvelles données d’observation venues en complément ou en s’appuyant sur de nouvelles indications externes.
Les résultats de l’analyse de divergence sont renvoyés au processeur de surveillance 1, qui est conçu pour délivrer des signaux indicateurs A par le biais de l’interface de sortie 8 dans le cas où les divergences déterminées par le processeur d’AI 4 sont supérieures à une ou plusieurs valeurs de seuil de divergence pouvant être prédéfinies.
Une mémoire de données d’indicateur 2 peut être connectée au processeur de surveillance 1. Cette mémoire de données d’indicateur 2 sert à la mémorisation temporaire ou permanente d’une pluralité de signaux indicateurs prédéfinis L, auxquelles peut accéder le processeur de surveillance 1 afin d’appeler l’un de la pluralité de signaux indicateurs prédéfinis L dans la mémoire de données d’indicateur 2 en fonction de la nature des divergences déterminées par le processeur d’AI 4 et le délivrer en tant que signal indicateur A sur l’interface de sortie 8.
Un dispositif d’alerte 22 est raccordé à l’interface de sortie 8. Ce dispositif d’alerte 22 peut être utilisé pour afficher à l’attention d’un utilisateur, en fonction des signaux indicateurs A reçus du processeur de surveillance 1, des notifications d’alerte à propos d’une situation de danger potentielle dans la cabine de passagers d’aéronef 20 sans qu’il soit nécessaire d’afficher des enregistrements visuels ou sonores réels en provenance de la cabine de passagers d’aéronef 20. Ceci peut contribuer à préserver la sphère privée des passagers de l’aéronef dans la cabine 20 surveillée.
Comme illustré à titre d’exemple dans la Figure 3, le dispositif de reconnaissance de situation 10 peut être installé dans une cabine de passagers d’aéronef 20 d’un aéronef de transport de passagers A. Pour ce faire, une ou plusieurs caméras de surveillance 21 dans la cabine de passagers d’aéronef 20 peuvent être connectées à l’interface d’entrée 7 du processeur de surveillance 1 afin d’envoyer des signaux de surveillance visuels et/ou sonores E en temps réel au processeur de surveillance 1. La cabine de passagers d’aéronef 20 peut en plus disposer d’une interface de signal d’alerte 24 par le biais de laquelle le dispositif d’alerte 22 peut délivrer des signaux d’alerte C dans le cockpit de l’aéronef A et/ou sur une console de personnel de cabine 30.
Tous les composants du dispositif de reconnaissance de situation 10 ainsi que le dispositif d’alerte 22 peuvent avantageusement être installés dans la cabine de passagers d’aéronef 20. Il est toutefois également possible d’installer des composants ou des éléments constitutifs du système individuels à l’extérieur de la cabine de passagers d’aéronef 20.
La Figure 2 représente un procédé M de surveillance automatisée des opérations et des situations dans les cabines des passagers d’aéronef. Le procédé M peut être mis en œuvre, par exemple, dans un dispositif de reconnaissance de situation 10 tel que celui qui est représenté à titre d’exemple dans la Figure 1 et peut être utilisé pour la surveillance des cabines des passagers d’aéronef 20, comme illustré à titre d’exemple dans la Figure 1, par exemple dans un aéronef de transport de passagers A, comme représenté et expliqué à titre d’exemple dans la Figure 3.
Le procédé M comprend comme première étape M1 une réception par un processeur de surveillance 1 de signaux de surveillance visuels et/ou sonores E en provenance d’une cabine de passagers d’aéronef 20. Le dispositif de reconnaissance de situation 10 peut ici faire partie d’un système de traitement de données électronique, par exemple, dans lequel les données d’observation à propos des mouvements de trafic sont enregistrées, traitées et mémorisées seulement temporairement. Dans une deuxième étape M2, les signaux de surveillance visuels et/ou sonores E reçus sont vérifiés par un processeur d’AI 4 du système d’AI 3 en vue de déceler d’éventuelles divergences par rapport à un ensemble de règles de référence R stocké dans une mémoire à ensembles de règles de référence 6 d’un système d’AI 3 et généré par un générateur d’ensemble de règles 5 basé sur des algorithmes à autoapprentissage. Cela est réalisé au moyen d’un générateur d’ensemble de règles 5 d’un système d’AI 3 basé sur des algorithmes à autoapprentissage. Un tel générateur d’ensemble de règles 5 peut comporter, par exemple, un classificateur de vecteur de support, un réseau neuronal, un classificateur à forêts aléatoires, un classificateur à arbres décisionnels, un réseau de Monte-Carlo ou un classificateur bayésien.
Un ensemble de règles de formation T peut être généré dans le générateur d’ensemble de règles 5 au cours de processus d’apprentissage itératifs et adaptatifs dynamiquement. Cet ensemble de règles de formation T peut être généré une fois ou être actualisé systématiquement, notamment lors d’une réception continue de données d’observation actuelles à propos des situations et des opérations dans la cabine de passagers d’aéronef 20. Le générateur d’ensemble de règles 5 peut générer à partir de l’ensemble de règles de formation T un ensemble de règles de référence R qui se base sur les modèles et régularités détectés par le générateur d’ensemble de règles 5. L’ensemble de règles de référence R est mémorisé par le générateur d’ensemble de règles 5 dans la mémoire à ensembles de règles de référence 6 du système d’AI 3. Cet ensemble de règles de référence R représente l’ensemble de règles opérationnel à l’aide duquel est effectuée la vérification des modèles de données dans les signaux de surveillance visuels et/ou sonores E reçus en vue de déceler d’éventuelles divergences par rapport aux modèles de données attendus et considérés comme non sensibles. Pour ce faire, le processeur d’AI 4 accède en tant que référence à l’ensemble de règles de référence R stocké dans la mémoire à ensembles de règles de référence 6. Le processeur d’AI 4 vérifie par rapport à cette référence si des divergences se sont produites à l’intérieur de la zone surveillée de la cabine de passagers d’aéronef 20 par rapport aux situations ou opérations attendues et à considérer comme habituelles.
Dans une troisième étape M3 du procédé M, des signaux indicateurs A sont finalement délivrés par le processeur de surveillance 1 dans le cas où les divergences déterminées par le processeur d’AI 4 sont supérieures à une ou plusieurs valeurs de seuil de divergence pouvant être prédéfinies. Ces signaux indicateurs A servent à rendre les utilisateurs humains attentifs à la présence de situations ou d’opérations à considérer comme inhabituelles dans la cabine de passagers d’aéronef 20. Ces situations ou opérations classifiées comme inhabituelles peuvent alors être injectées de manière automatisée ou semi-automatisée dans un système destiné à initier des mesures d’intervention appropriées afin de pouvoir réagir en temps voulu à la survenance de dangers potentiels pour la sécurité du vol. Il peut notamment être possible de délivrer les signaux indicateurs A en fonction de la phase de vol. Pendant une opération de décollage ou d’atterrissage de l’aéronef, par exemple, il peut être nécessaire de garder certaines zones, telles que les issues de secours, libres d’objets tels que des sacs ou des valises qui peuvent y être déposés temporairement pendant le vol de croisière ou pendant un arrêt de l'avion au sol. Le processeur de surveillance 1 peut par conséquent être relié à un réseau d’aéronef afin d’obtenir de la part de l’aéronef des signaux d’état opérationnel qui peuvent intervenir dans la décision du processeur de surveillance 1 de délivrer des signaux indicateurs A et lesquels délivrer.
Dans la description détaillée précédente, différentes caractéristiques visant à améliorer la rigueur de la présentation ont été regroupées en en un ou plusieurs exemples. Il convient cependant de clarifier que la description ci-dessus est uniquement de nature illustrative et ne se veut en aucun cas restrictive. Elle sert à couvrir toutes les variantes, modifications et tous les équivalents des différentes caractéristiques et des différents exemples de réalisation. L’homme de l’art, du fait de ses connaissances techniques, verra clairement de nombreux autres exemples ressortir immédiatement et directement de la description ci-dessus.
Les exemples de réalisation ont été sélectionnés et décrits afin de pouvoir représenter le mieux possible les principes fondamentaux de l’invention ainsi que ses possibilités d’application en pratique. Les professionnels peuvent de ce fait modifier et optimiser l’invention et ses différents exemples de réalisation de manière optimale en fonction du domaine d’application envisagé. Les termes « comportant » et « possédant » dans les revendications ainsi que dans la description sont utilisés en tant que terminologie linguistiquement neutre pour le terme correspondant « comprenant ». De plus, une utilisation des termes « un » et « une » ne doit pas en principe exclure une pluralité des caractéristiques et composants décrits.
Claims (11)
- Dispositif de reconnaissance de situation (10), comprenant :
un processeur de surveillance (1) doté d’une interface d’entrée (7) et d’une interface de sortie (8), lequel est conçu pour recevoir, par le biais de l’interface d’entrée (7), des signaux de surveillance visuels et/ou sonores (E) en provenance d’une cabine de passagers d’aéronef (20) ; et
un système d’AI (3) qui possède un processeur d’AI (4), un générateur d’ensemble de règles (5) basé sur des algorithmes à autoapprentissage et une mémoire à ensembles de règles de référence (6), lequel se trouve en communication de données bidirectionnelle avec le processeur de surveillance (1),
le processeur d’AI (4) étant conçu pour, sur demande (Q) du processeur de surveillance (1), vérifier si des modèles de données dans les signaux de surveillance visuels et/ou sonores (E) reçus présentent des divergences par rapport à des modèles de données dans un ensemble de règles de référence (R) stocké dans la mémoire à ensembles de règles de référence (6) et
le processeur de surveillance (1) étant conçu pour délivrer des signaux indicateurs (A) par le biais de l’interface de sortie (8) dans le cas où les divergences déterminées par le processeur d’AI (4) sont supérieures à une ou plusieurs valeurs de seuil de divergence pouvant être prédéfinies. - Dispositif de reconnaissance de situation (10) selon la revendication 1, le générateur d’ensemble de règles (5) du système d’AI (3) étant conçu pour, en s’appuyant sur des données d’observation avec résolution spatiale et temporelle à propos de situations et d’opérations dans une cabine de passagers d’aéronef (20) reçues par le biais de l’interface d’entrée (7) du processeur de surveillance (1), détecter des modèles et des régularités dans les données d’observation et mémoriser les modèles et régularités détectés dans les données d’observation sous la forme d’un ensemble de règles de référence (R) dans la mémoire à ensembles de règles de référence (6).
- Dispositif de reconnaissance de situation (10) selon l’une des revendications 1 et 2, comprenant en outre :
une mémoire de données d’indicateur (2) qui est connectée au processeur de surveillance (1) et qui est conçue pour mémoriser une pluralité de signaux indicateurs prédéfinis (L), le processeur de surveillance (1) étant conçu pour invoquer l’un de la pluralité de signaux indicateurs prédéfinis (L) depuis la mémoire de données d’indicateur (2) en fonction de la nature des divergences déterminées par le processeur d’AI (4) et le délivrer en tant que signal indicateur (A) sur l’interface de sortie (8). - Dispositif de reconnaissance de situation (10) selon l’une des revendications 1 à 3, le générateur d’ensemble de règles (5) comportant un classificateur de vecteur de support, un réseau neuronal, un classificateur à forêts aléatoires, un classificateur à arbres décisionnels, un réseau de Monte-Carlo ou un classificateur bayésien.
- Dispositif de reconnaissance de situation (10) selon l’une des revendications 1 à 4, les signaux de surveillance visuels et/ou sonores (E) comprenant des enregistrements vidéo en temps réel d’une ou plusieurs caméras de surveillance (21).
- Dispositif de reconnaissance de situation (10) selon l’une des revendications 1 à 5, le processeur de surveillance (1) étant conçu pour effacer les signaux de surveillance visuels et/ou sonores (E) après une vérification par le processeur d’AI (4).
- Cabine de passagers d’aéronef (20), comprenant :
un dispositif de reconnaissance de situation (10) selon l’une des revendications 1 à 6;
une ou plusieurs caméras de surveillance (21), qui est/sont connectée(s) à l’interface d’entrée (7) du processeur de surveillance (1) et qui est/sont conçue(s) pour envoyer des signaux de surveillance visuels et/ou sonores (E) en temps réel au processeur de surveillance (1) ; et
un dispositif d’alerte (22), qui est connecté à l’interface de sortie (8) du processeur de surveillance (1) et qui est conçu pour afficher à l’attention d’un utilisateur des notifications d’alerte à propos d’une situation de danger potentielle dans la cabine de passagers d’aéronef (20) en fonction des signaux indicateurs (A) reçus du processeur de surveillance (1). - Cabine de passagers d’aéronef (20) selon la revendication 7, comprenant une interface de signal d’alerte (24) par le biais de laquelle le dispositif d’alerte (22) peut délivrer des signaux d’alerte (C) dans le cockpit d’un aéronef (A) et/ou sur une console de personnel de cabine (30).
- Procédé (M) de surveillance automatisée des opérations et des situations dans les cabines de passagers d’aéronef (20), comprenant :
la réception (M1) de signaux de surveillance visuels et/ou sonores (E) en provenance d’une cabine de passagers d’aéronef (20) par un processeur de surveillance (1) ;
la vérification (M2), par un processeur d’AI (4) du système d’AI (3), si les signaux de surveillance visuels et/ou sonores (E) reçus présentent des divergences par rapport à un ensemble de règles de référence (R) stocké dans une mémoire à ensembles de règles de référence (6) d’un système d’AI (3) et généré par un générateur d’ensemble de règles (5) basé sur des algorithmes à autoapprentissage ; et
la délivrance (M3) de signaux indicateurs (A) par le processeur de surveillance (1) dans le cas où les divergences déterminées par le processeur d’AI (4) sont supérieures à une ou plusieurs valeurs de seuil de divergence pouvant être prédéfinies. - Procédé (M) selon la revendication 9, le générateur d’ensemble de règles (5) comportant un classificateur de vecteur de support, un réseau neuronal, un classificateur à forêts aléatoires, un classificateur à arbres décisionnels, un réseau de Monte-Carlo ou un classificateur bayésien.
- Procédé (M) selon la revendication 9 ou 10, la délivrance (M3) de signaux indicateurs (A) par le processeur de surveillance (1) s’effectuant en fonction d’une phase de vol d’un aéronef (A) équipé de la cabine de passagers d’aéronef (20).
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102019204359.3A DE102019204359A1 (de) | 2019-03-28 | 2019-03-28 | Situationserkennungseinrichtung, flugzeugpassagierabteil und verfahren zur überwachung von flugzeugpassagierabteilen |
| DE102019204359.3 | 2019-03-28 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| FR3094510A1 true FR3094510A1 (fr) | 2020-10-02 |
| FR3094510B1 FR3094510B1 (fr) | 2024-06-07 |
Family
ID=70553388
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR2002829A Active FR3094510B1 (fr) | 2019-03-28 | 2020-03-24 | Dispositif de reconnaissance de situation, cabine de passagers d’aeronef et procede de surveillance de cabines de passagers d’aeronef |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US11423656B2 (fr) |
| JP (1) | JP7492357B2 (fr) |
| CN (1) | CN111746808A (fr) |
| CA (1) | CA3076731C (fr) |
| DE (1) | DE102019204359A1 (fr) |
| FR (1) | FR3094510B1 (fr) |
| GB (1) | GB2584945B (fr) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11640723B2 (en) * | 2020-10-20 | 2023-05-02 | Rosemount Aerospace Inc. | System and method for enhanced surveillance using video analytics |
Family Cites Families (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7415126B2 (en) | 1992-05-05 | 2008-08-19 | Automotive Technologies International Inc. | Occupant sensing system |
| DE4416506C2 (de) * | 1994-05-10 | 1999-12-02 | Daimler Chrysler Aerospace | Passagierflugzeug |
| DE19732806A1 (de) * | 1997-07-30 | 1999-02-04 | Vidair Avionics Ag | Überwachungseinrichtung für Innenräume von Flugzeugen, insbesondere Passagierflugzeugen |
| US7131136B2 (en) * | 2002-07-10 | 2006-10-31 | E-Watch, Inc. | Comprehensive multi-media surveillance and response system for aircraft, operations centers, airports and other commercial transports, centers and terminals |
| US7868912B2 (en) * | 2000-10-24 | 2011-01-11 | Objectvideo, Inc. | Video surveillance system employing video primitives |
| US10562492B2 (en) * | 2002-05-01 | 2020-02-18 | Gtj Ventures, Llc | Control, monitoring and/or security apparatus and method |
| US6864805B1 (en) | 2002-09-24 | 2005-03-08 | L-3 Communications Corporation | Surveillance system for aircraft interior |
| US7183946B2 (en) * | 2002-10-11 | 2007-02-27 | Gary Jon Boudrieau | Safety aircraft flight system |
| US20040143602A1 (en) * | 2002-10-18 | 2004-07-22 | Antonio Ruiz | Apparatus, system and method for automated and adaptive digital image/video surveillance for events and configurations using a rich multimedia relational database |
| US20080031491A1 (en) * | 2006-08-03 | 2008-02-07 | Honeywell International Inc. | Anomaly detection in a video system |
| US8478048B2 (en) * | 2010-07-08 | 2013-07-02 | International Business Machines Corporation | Optimization of human activity determination from video |
| WO2014004901A1 (fr) * | 2012-06-29 | 2014-01-03 | Behavioral Recognition Systems, Inc. | Apprentissage non supervisé d'anomalies concernant des traits pour un système de vidéosurveillance |
| US9602779B2 (en) * | 2012-07-10 | 2017-03-21 | Christopher DeJuliis | System for passenger monitoring |
| US9149236B2 (en) * | 2013-02-04 | 2015-10-06 | Intel Corporation | Assessment and management of emotional state of a vehicle operator |
| EP3129283A1 (fr) | 2014-04-07 | 2017-02-15 | Zodiac Aerotechnics | Système de surveillance de cabine et cabine d'avion ou de vaisseau spatial |
| CN105912975B (zh) * | 2015-02-20 | 2021-10-26 | 空中客车集团印度私人有限公司 | 使用视频分析来管理在过站期间出现的飞行器舱内行为 |
| JP2016173682A (ja) | 2015-03-16 | 2016-09-29 | シャープ株式会社 | 異常判定装置および異常判定方法 |
| FR3048543A1 (fr) * | 2016-03-01 | 2017-09-08 | Valeo Comfort & Driving Assistance | Dispositif et methode de surveillance d'un conducteur d'un vehicule de transport |
| CN205680247U (zh) * | 2016-04-19 | 2016-11-09 | 陈进民 | 细胞/卷积神经网络智能视觉驾驶疲劳监测加速器 |
| CN107600440A (zh) * | 2017-08-31 | 2018-01-19 | 昆明理工大学 | 民航客机安全飞行乘客行为保障装置 |
| CN108764034A (zh) * | 2018-04-18 | 2018-11-06 | 浙江零跑科技有限公司 | 一种基于驾驶室近红外相机的分神驾驶行为预警方法 |
| CN114494768A (zh) * | 2018-10-29 | 2022-05-13 | 赫克斯冈技术中心 | 对设施进行监视的监视系统和方法、计算机程序产品 |
| DE102019000509A1 (de) | 2019-01-24 | 2020-07-30 | Mbda Deutschland Gmbh | Verkehrsüberwachungseinrichtung und verfahren zur überwachung von verkehrsbewegungen |
-
2019
- 2019-03-28 DE DE102019204359.3A patent/DE102019204359A1/de active Pending
-
2020
- 2020-03-24 CA CA3076731A patent/CA3076731C/fr active Active
- 2020-03-24 FR FR2002829A patent/FR3094510B1/fr active Active
- 2020-03-25 CN CN202010219798.4A patent/CN111746808A/zh active Pending
- 2020-03-27 JP JP2020057443A patent/JP7492357B2/ja active Active
- 2020-03-27 GB GB2004456.6A patent/GB2584945B/en active Active
- 2020-03-27 US US16/832,895 patent/US11423656B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CA3076731A1 (fr) | 2020-09-28 |
| GB2584945B (en) | 2023-01-25 |
| CN111746808A (zh) | 2020-10-09 |
| GB2584945A (en) | 2020-12-23 |
| JP7492357B2 (ja) | 2024-05-29 |
| US11423656B2 (en) | 2022-08-23 |
| FR3094510B1 (fr) | 2024-06-07 |
| JP2020164159A (ja) | 2020-10-08 |
| US20200311437A1 (en) | 2020-10-01 |
| CA3076731C (fr) | 2024-02-27 |
| GB202004456D0 (en) | 2020-05-13 |
| DE102019204359A1 (de) | 2020-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11418519B2 (en) | Systems and methods for detection of malicious activity in vehicle data communication networks | |
| US10970899B2 (en) | Augmented reality display for a vehicle | |
| US20200211553A1 (en) | Two-way in-vehicle virtual personal assistant | |
| KR101890467B1 (ko) | 시맨틱 어노테이션을 생성하는 시스템 및 방법 | |
| US20190359220A1 (en) | Autonomous vehicle monitoring | |
| US10363866B2 (en) | Contextual priority signal in autonomous environment | |
| MX2014003168A (es) | Una plataforma informatica para el desarrollo y despliegue de aplicaciones y servicios de telemetria de vehiculos guiados por sensores. | |
| US10234298B2 (en) | Emergency response re-router | |
| EP3023955A1 (fr) | Procede de gestion d'un parc de dispositifs de secours, serveur de gestion d'un parc de dispositifs de secours et dispositif de secours associes | |
| FR3011792A1 (fr) | Methodes et systemes pour eviter une collision entre un aeronef sur une surface au sol et un obstacle | |
| FR3035534B1 (fr) | Procede et systeme de communication et de partage d'informations pour aeronef | |
| CA2781811A1 (fr) | Systeme d'aide personnalisee a la conduite d'un vehicule | |
| US11027686B2 (en) | Vehicle-associated control system to safeguard an occupant to depart the vehicle | |
| FR3002066A1 (fr) | Systeme etendu et integre de securite et de surveillance aeronautique | |
| FR3094510A1 (fr) | Dispositif de reconnaissance de situation, cabine de passagers d’aeronef et procede de surveillance de cabines de passagers d’aeronef | |
| FR3038117A1 (fr) | Systeme d'appel d'urgence | |
| US20210377383A1 (en) | Assembly and method for preventing wireless communication while driving | |
| FR2593311A1 (fr) | Systeme de protection d'un ensemble de sites d'un reseau par anticipation d'une perturbation | |
| CA3020086A1 (fr) | Procede de controle de la restitution d'alerte(s) et/ou de procedure(s) de reconfiguration systeme(s), produit programme d'ordinateur et systeme de controle associes | |
| US10555159B1 (en) | System and method for operating stealth mode of emergency vehicle | |
| FR2904506A1 (fr) | Procede et dispositif de transmission d'image dans ou depuis un aeronef et aeronef comportant un tel dipositif | |
| EP2712785A1 (fr) | Méthode de surveillance d'un ensemble de véhicules d'un système de transport public | |
| FR3097674A1 (fr) | Véhicule équipé d’un système de détection de véhicule d’urgence. | |
| EP2360842B1 (fr) | Procédé de détection du fonctionnement d'un dispositif de transmission sans fil de signaux de voix | |
| Burankina et al. | Driver action monitoring based on convolutional neural network algorithms |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLFP | Fee payment |
Year of fee payment: 3 |
|
| PLFP | Fee payment |
Year of fee payment: 4 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20230929 |
|
| PLFP | Fee payment |
Year of fee payment: 5 |