FR3094798A1 - procédé de détermination d’une vitesse d’un véhicule automobile - Google Patents

procédé de détermination d’une vitesse d’un véhicule automobile Download PDF

Info

Publication number
FR3094798A1
FR3094798A1 FR1903488A FR1903488A FR3094798A1 FR 3094798 A1 FR3094798 A1 FR 3094798A1 FR 1903488 A FR1903488 A FR 1903488A FR 1903488 A FR1903488 A FR 1903488A FR 3094798 A1 FR3094798 A1 FR 3094798A1
Authority
FR
France
Prior art keywords
motor vehicle
speed
objects
instant
value
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
Application number
FR1903488A
Other languages
English (en)
Other versions
FR3094798B1 (fr
Inventor
Jorge Da Silva
Salim Zair
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Renault SAS
Original Assignee
Renault SAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Renault SAS filed Critical Renault SAS
Priority to FR1903488A priority Critical patent/FR3094798B1/fr
Publication of FR3094798A1 publication Critical patent/FR3094798A1/fr
Application granted granted Critical
Publication of FR3094798B1 publication Critical patent/FR3094798B1/fr
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
    • G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B60W40/105—Speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B60W40/114—Yaw movement
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/06—Systems determining position data of a target
    • G01S13/42—Simultaneous measurement of distance and other co-ordinates
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/50—Systems of measurement based on relative movement of target
    • G01S13/52—Discriminating between fixed and moving objects or between objects moving at different speeds
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/50—Systems of measurement based on relative movement of target
    • G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
    • G01S13/588—Velocity or trajectory determination systems; Sense-of-movement determination systems deriving the velocity value from the range measurement
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/50—Systems of measurement based on relative movement of target
    • G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
    • G01S13/589—Velocity or trajectory determination systems; Sense-of-movement determination systems measuring the velocity vector
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/50—Systems of measurement based on relative movement of target
    • G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
    • G01S13/60—Velocity or trajectory determination systems; Sense-of-movement determination systems wherein the transmitter and receiver are mounted on the moving object, e.g. for determining ground speed, drift angle, ground track
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
    • G01S17/06—Systems determining position data of a target
    • G01S17/42—Simultaneous measurement of distance and other co-ordinates
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/415—Identification of targets based on measurements of movement associated with the target
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/4808—Evaluating distance, position or velocity data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/66—Radar-tracking systems; Analogous systems
    • G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
    • G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
    • G01S13/726—Multiple target tracking
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/87—Combinations of radar systems, e.g. primary radar and secondary radar
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/88—Sonar systems specially adapted for specific applications
    • G01S15/93—Sonar systems specially adapted for specific applications for anti-collision purposes
    • G01S15/931—Sonar systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/932—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles using own vehicle data, e.g. ground speed, steering wheel direction
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/9323—Alternative operation using light waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/9324—Alternative operation using ultrasonic waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/9327—Sensor installation details
    • G01S2013/93271—Sensor installation details in the front of the vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/9327—Sensor installation details
    • G01S2013/93274—Sensor installation details on the side of the vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/9327—Sensor installation details
    • G01S2013/93277—Sensor installation details in the lights
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

L’invention concerne un procédé de détermination d’une vitesse (V, Θ) d’un véhicule automobile (1), comprenant des étapes de : a) détection d’une pluralité d’objets (7, 9) présents dans l’environnement extérieur du véhicule et détermination d’une distance ( ) entre chaque objet et le véhicule, à un premier instant (t1) puis à deuxième instant (t2), au moyen d’une unité de télémétrie (5), b) association d’objets stationnaires détectés au premier instant avec des objets stationnaires détectés au deuxième instant, en fonction desdites distances déterminées, au moyen d’un calculateur, c) calcul, pour chaque paire d’objets stationnaires associés, de la valeur (σa) d’une fonction de coût d’association relative à un indice de confiance dans l’association des deux objets, e) détermination de la vitesse au moyen d’un réseau de neurones (20), ledit réseau de neurones recevant en entrée des données d’apprentissage comprenant au moins la valeur de la fonction de coût d’association des objets stationnaires associés. Figure pour l’abrégé : 3

Description

procédé de détermination d’une vitesse d’un véhicule automobile
Domaine technique de l'invention
La présente invention concerne de manière générale la détermination d’une vitesse d’un véhicule automobile.
Elle concerne plus particulièrement un procédé de détermination d’une vitesse d’un véhicule automobile comprenant une étape a) de détection d’une pluralité d’objets présents dans l’environnement extérieur du véhicule automobile et de détermination d’une distance entre chaque objet et le véhicule automobile, à un premier instant puis à deuxième instant, au moyen d’une unité de télémétrie.
Elle concerne également un véhicule automobile comprenant :
- une unité de télémétrie adaptée à détecter des objets présents dans l’environnement extérieur du véhicule automobile et à déterminer une distance entre les objets détectés et le véhicule automobile,
- une mémoire dans laquelle est enregistré un programme d’ordinateur comprenant des instructions exécutables par un processeur d’un calculateur.
Etat de la technique
La vitesse d’un véhicule automobile est souvent déterminée sur la base de données relatives au véhicule automobile, telles que la vitesse des roues du véhicule automobile ou bien encore l’angle du volant. Cependant, il arrive souvent que la vitesse ainsi déterminée soit erronée car elle dépend de paramètres qui ne sont pas pris en considération dans la détermination de la vitesse, tels que le rayon des roues qui dépend de la pression des pneus, la température et le positionnement de conduite.
Or, une estimation précise de la vitesse du véhicule automobile est primordiale afin de générer des consignes de navigation d’un véhicule automobile autonome.
Le document US2010/0017128 décrit un système d’estimation de la dynamique d’un véhicule automobile permettant d’améliorer l’estimation de sa vitesse en utilisant des données extérieures au véhicule afin de déterminer la vitesse de celui-ci.
On cherche à améliorer la précision de la détermination de la vitesse.
Présentation de l'invention
Afin de remédier à l’inconvénient précité de l’état de la technique, la présente invention propose un procédé de détermination d’une vitesse d’un véhicule tel que défini dans l’introduction, comprenant en outre des étapes de :
c) association d’objets stationnaires détectés au premier instant avec des objets stationnaires détectés au deuxième instant, en fonction desdites distances déterminées, au moyen d’un calculateur,
d) calcul, pour chaque paire d’objets stationnaires associés, de la valeur d’une fonction de coût d’association relative à un indice de confiance dans l’association des deux objets,
f) détermination de la vitesse du véhicule automobile au moyen d’un réseau de neurones, ledit réseau de neurones recevant en entrée des données d’apprentissage, les données d’apprentissage comprenant au moins la valeur de la fonction de coût d’association des objets stationnaires associés.
L’utilisation de la fonction de coût dans le réseau de neurones pour déterminer la vitesse du véhicule automobile permet de prendre en compte l’incertitude des mesures de l’unité de télémétrie (c’est-à-dire des mesure de distances par des procédés optiques ou, par extension, acoustiques ou radioélectriques) et les erreurs de calculs, et ainsi d’améliorer la précision de la vitesse déterminée.
Avantageusement aussi, le réseau de neurones comprend une couche d’entrée comprenant des ensembles de neurones d’entrée chacun associés à un objet stationnaire, et une couche comprenant des neurones cachés, dans lequel la valeur affectée à au moins un neurone de la couche cachée est calculée en fonction d’une résultante associée à un desdits ensembles, ladite résultante étant égale à la somme de valeurs affectées aux neurones d’entrée dudit ensemble pondérées par un même poids.
La valeur d’un neurone d’une couche cachée d’un réseau de neurones artificiel est généralement fonction d’une somme pondérée des neurones de la couche précédente. En organisant la couche d’entrée sous forme d’ensemble de neurones relatifs à une même paire d’objets associés stationnaires et en leur attribuant un poids égal, la vitesse est déterminée plus rapidement et plus facilement.
Préférentiellement, une valeur affectée à au moins un neurone caché de la couche cachée est calculée en fonction de la somme des résultantes associées aux ensembles.
Préférentiellement, les données d’apprentissage comprennent en outre une position longitudinale des objets stationnaires associés et/ou une position latérale des objets stationnaires associés et/ou une variation de la position longitudinale des objets stationnaires associés entre le premier instant et le deuxième instant et/ou une variation de la position latérale des objets stationnaires associés entre le premier instant et le deuxième instant.
Préférentiellement, il est prévu une étape de sélection d’un nombre prédéterminé de paire d’objets stationnaires associés en fonction de la valeur de la fonction de coût d’association.
En sélectionnant les paires d’objets stationnaires associés dont la valeur de la fonction de coût d’association est faible, on augmente la précision de la détermination de la vitesse.
Préférentiellement, dans lequel entre 4 et 10 objets associés stationnaires sont sélectionnés.
Préférentiellement, il est prévu une phase d’apprentissage sur véhicule automobile test, durant laquelle les valeurs des hyperparamètres sont ajustées pour minimiser une fonction de coût globale du réseau de neurones, la fonction de coût globale étant calculée en fonction de la vitesse déterminée et d’une vitesse mesurée grâce à un système de géolocalisation du véhicule automobile test.
Préférentiellement, la phase d’apprentissage comprend une initialisation des poids, la valeur initiale des poids étant fonction de la valeur de la fonction coût d’association des objets stationnaires associés.
En attribuant, lors de l’initialisation des hyperparamètres du réseau de neurones, une valeur plus élevée au poids associés aux paires d’objets présentant une valeur de coût d’association plus faibles, le réseau de neurones converge plus rapidement vers une valeur précise de la vitesse du véhicule automobile.
Préférentiellement, la valeur des poids affectés est prédéterminée pendant la phase d’apprentissage et est enregistrée dans une mémoire du véhicule automobile.
L’invention propose aussi un système de détermination d’une vitesse d’un véhicule automobile, comprenant :
- au moins un capteur adapté à détecter une pluralité d’objets présents dans l’environnement extérieur du véhicule automobile,
- une unité de télémétrie adaptée à déterminer une distance entre chaque objet et le véhicule automobile, à un premier instant puis à deuxième instant, et
- un calculateur adapté à associer des objets stationnaires détectés au premier instant avec des objets stationnaires détectés au deuxième instant, en fonction desdites distances déterminées, à calculer, pour chaque paire d’objets stationnaires associés, la valeur d’une fonction de coût d’association relative à un indice de confiance dans l’association des deux objets, et à déterminer la vitesse du véhicule automobile au moyen d’un réseau de neurones, ledit réseau de neurones recevant en entrée des données d’apprentissage, les données d’apprentissage comprenant au moins la valeur de la fonction de coût d’association des objets stationnaires associés .
Préférentiellement, le réseau de neurones comprend une couche d’entrée comprenant des ensembles de neurones d’entrée chacun associés à un objet stationnaire, et une couche cachée comprenant des neurones cachés, et dans lequel le calculateur est adapté à calculer la valeur affectée à au moins un neurone de la couche cachée en fonction d’une résultante associée à un desdits ensembles, ladite résultante étant égale à la somme de valeurs affectées aux neurones d’entrée dudit ensemble pondérées par un même poids.
L’invention propose également un véhicule automobile tel que défini dans l’introduction, dont le programme d’ordinateur comprend des instructions exécutables par un processeur d’un calculateur et adaptées à mettre en œuvre le procédé de détermination de la vitesse du véhicule.
Bien entendu, les différentes caractéristiques, variantes et formes de réalisation de l'invention peuvent être associées les unes avec les autres selon diverses combinaisons dans la mesure où elles ne sont pas incompatibles ou exclusives les unes des autres.
Description détaillée de l'invention
La description qui va suivre en regard des dessins annexés, donnés à titre d’exemples non limitatifs, fera bien comprendre en quoi consiste l’invention et comment elle peut être réalisée.
Sur les dessins annexés :
est une vue schématique de dessus d’un véhicule automobile adapté à mettre en œuvre un procédé de détermination de sa vitesse conforme à l’invention;
représente un diagramme illustrant les étapes de mise en œuvre du procédé de détermination de la vitesse du véhicule automobile selon l’invention;
est une représentation schématique d’un réseau de neurones permettant la mise en œuvre du procédé de détermination de la vitesse du véhicule automobile selon l’invention.
Sur la figure 1, on a représenté schématiquement un véhicule automobile 1 équipé d’un système de détermination de la vitesse du véhicule automobile 3.
Comme cela apparaît sur cette figure, le véhicule automobile 1 est ici une voiture classique, comportant un châssis qui est supporté par des roues et qui supporte lui-même différents équipements parmi lesquels un groupe motopropulseur, des moyens de freinage, et une unité de direction.
Il peut s’agir d’un véhicule automobile à pilotage manuel, ou bien d’un véhicule automobile autonome.
Ce véhicule automobile 1 comporte un système de détermination de sa vitesse. Ainsi, il est équipé d’une unité de télémétrie 5 lui permettant de se repérer dans son environnement de façon à pouvoir se piloter de façon autonome, c’est-à-dire sans intervention humaine.
L’unité de télémétrie 5 est conçue pour détecter un objet 7, 9 présent dans l’environnement extérieur du véhicule automobile 1, par exemple un autre véhicule automobile ou bien un arbre.
L’unité de télémétrie 5 comprend au moins un capteur de télémétrie (RADAR, LIDAR ou SONAR, capteurs infrarouges, caméras) notamment capable d’identifier des objets statiques. Ici, l’unité de télémétrie 5 comprend trois capteurs RADAR 51, 53, 55 situés à l’avant du véhicule automobile 1. Alternativement, l’unité de télémétrie 5 pourrait comprendre un nombre plus élevé ou moins élevé de capteurs RADAR. Alternativement, certains capteurs RADAR pourraient être situés à l’arrière du véhicule automobile 1. Alternativement encore, différents types de capteurs pourraient être employés simultanément (par exemple RADAR et LIDAR).
L’unité de télémétrie 5 est apte à évaluer la vitesse relative d’un objet détecté 7, 9 par rapport au véhicule automobile 1, ainsi que la distance entre l’objet 7, 9 détecté et le véhicule automobile 1.
Le véhicule automobile 1 est aussi équipé d’un système de géolocalisation 13, comprenant par exemple un récepteur GNSS (typiquement un capteur GPS).
Afin de traiter les informations fournies par ces différents éléments le véhicule automobile 1 est équipé d’un calculateur 15.
Ce calculateur 15 comporte un processeur (CPU), une mémoire vive (RAM), une mémoire morte (ROM) des convertisseurs analogiques-numériques, et différentes interfaces d'entrée et/ou de sortie.
Grâce à ses interfaces d'entrée, le calculateur 15 est adapté à recevoir des signaux d'entrée provenant des différents capteurs.
Le calculateur 15 est par ailleurs connecté à une mémoire 11.
La mémoire du calculateur 15 mémorise une application informatique, constituée de programmes d’ordinateur comprenant des instructions dont l’exécution par le processeur permet la mise en œuvre par le calculateur du procédé décrit ci-après.
Enfin, grâce à ses interfaces de sortie, le calculateur 15 est adapté à transmettre des consignes à différents organes du véhicule automobile 1 (système de direction, système de freinage).
La figure 1 représente aussi :
- CG : centre de gravité du véhicule automobile 1,
- (CG, X, Y, Z) : repère véhicule automobile. Le repère véhicule automobile est un repère orthonormé dont l’origine est située au centre de gravité CG du véhicule automobile 1, dont l’axe longitudinal (CGX) est orienté vers l’avant du véhicule automobile 1, dont l’axe transversal (CGY) est orienté vers la gauche du véhicule automobile 1 et dont l’axe vertical (CGZ) est orienté vers le haut,
- V : vecteur vitesse linéaire du véhicule automobile 1,
- Θ : vitesse angulaire, ou vitesse de lacet, du véhicule automobile 1, c’est-à-dire la vitesse de rotation du véhicule automobile 1 autour de l’axe vertical (CGZ),
- (X55, Y55) : position d’un des capteurs RADAR 55 dans le repère véhicule automobile,
- ϕ: orientation du capteur RADAR 55 par rapport à l’axe longitudinal (CGX) du véhicule automobile 1.
En se rapportant à la figure 2, on peut maintenant décrire un procédé de détermination d’une vitesse d’un véhicule automobile 1, conforme à l’invention.
Le procédé de détermination d’une vitesse détermine la vitesse linéaire V et la vitesse angulaire Θ du véhicule automobile 1.
Lors d’une étape a), l’unité de télémétrie 5 réalise un premier scan k de l’environnement du véhicule automobile 1 à un premier instant t1. Lors de ce premier scan k, l’unité de télémétrie 5 détecte une pluralité d’objets 7, 9 (pour la clarté des figures, seuls deux objets sont ici représentés).
Le calculateur 15 affecte à chaque objet détecté 7, 9 un identifiant ci-après noté « n ». Cet identifiant est ici un entier naturel compris entre 1 et N, où N est le nombre total d’objets détectés au premier instant t1.
Le calculateur 15 réalise une liste de tous les objets 7, 9 détectés lors du scan k au premier instant t1 et détermine leur distance au véhicule automobile 1.
Le calculateur 15 détermine la distance en fonction de la distance entre le capteur 55 ayant ici détecté l’objet 7, de la position (X55, Y55) et l’orientation ϕ de ce capteur 55 sur le véhicule automobile 1 dans le repère véhicule automobile (CG, X, Y, Z).
La liste d’objets détectés ainsi que les distances associées aux objets détectés sont enregistrées dans la mémoire 11 du véhicule automobile 1.
Lors d’un deuxième instant t2, l’unité de télémétrie 5 réalise un autre scan k+1 de l’environnement et détecte une autre pluralité d’objets 7, 9.
A nouveau, le calculateur 15 réalise une liste des objets détectés comme stationnaires 7, 9 et détermine leur distance au véhicule automobile 1. La liste d’objets détectés ainsi que les distances associées aux objets détectés comme stationnaires sont enregistrées dans la mémoire du véhicule automobile 1.
Des objets sont dits stationnaires lorsqu’ils sont statiques par rapport à un repère terrestre fixe.
Seuls les objets stationnaires 7, 9 détectés sont utilisés pour la mise en œuvre des étapes suivantes du procédé.
Lors d’une étape b), le calculateur 15 associe les objets stationnaires détectés lors du premier instant t1 avec des objets stationnaires détectés lors du deuxième instant t2.
Les étapes a) et b) sont exécutées plusieurs fois et ce, jusqu’à ce qu’un nombre suffisant d’objets stationnaires aient été associés. Par nombre « suffisant », on entend un nombre permettant de déterminer la vitesse V, Θ du véhicule automobile de façon précise. De préférence, les étapes a) et b) sont répétées jusqu’à ce que de quatre à dix objets stationnaires aient été associés. Ici, les étapes a) et b) sont répétées jusqu’à ce que six objets stationnaires 7, 9 aient été associés.
Les capteurs RADAR 51, 53, 55 peuvent être asynchrones.
Les objets stationnaires associés sont par exemple six objets stationnaires différents. Alternativement, les objets stationnaires détectés peuvent correspondre à un seul, ou plus, objet stationnaire (présent dans l’environnement du véhicule automobile) détecté sur une succession de plus de deux scans par un seul capteur RADAR 51, 53, 55. Alternativement les objets stationnaires détectés peuvent correspondre à un seul, ou plus, objet stationnaire détectés par plusieurs capteurs RADAR 51, 53, 55.
On considère ici qu’un nombre suffisant d’objets stationnaires 7, 9 a été détecté lors des scans k et k+1.
Ainsi, si un nombre N d’objets ont été détectés sur le scan k, et qu’un nombre M d’objets stationnaires a été détecté lors du scan k+1, le calculateur crée un nombre « N x M » de paires d’objets stationnaires associés.
Ici, on considère qu’un même nombre N d’objets stationnaires a été détecté lors des scans k et k+1, le calculateur 15 crée alors « N x N » paires d’objets stationnaires associés.
Pour chacune des « N x N » paires d’objets stationnaires associés, le calculateur 15 compare toutes les distances mémorisées lors du scan k avec toutes les distances mémorisées lors du scan k+1, selon l’équation :
où ΔDnest la variation de distance entre le véhicule automobile 1 et l’objet stationnaire entre le scan k et le scan k+1.
Les différences de distance ΔDnsont par exemple enregistrées sous forme d’une matrice dont les rangs représentent les N objets détectés au premier instant t1 et les colonnes représentent les N objets détectés au deuxième instant t2.
Quand la valeur de la variation de la distance ΔDnd’une paire d’objets stationnaires associés est inférieure à un seuil de distance σd, alors les deux objets stationnaires de cette paire sont considérés comme correspondant un seul et même objet stationnaire réel.
Le seuil de distance σdest, par exemple, directement proportionnel à l’incertitude de chaque capteur RADAR 51, 53, 55. Le seuil de distance σdest par exemple compris entre 50 centimètres et 2 mètres.
Lors d’une étape c), le calculateur 15 calcule pour chaque paire d’objets stationnaires associés, la valeur σad’une fonction de coût d’association qui est relative à un indice de confiance dans l’association des deux objets stationnaires d’une paire.
La fonction de coût d’association est optimisée de sorte à minimiser sa valeur σa. Pour cela, le calculateur exécute, par exemple, un algorithme de Munkres.
En effet, selon la proximité des objets stationnaires détectés et/ou l’incertitude des capteurs RADAR, les variations ΔDndéterminées peuvent être inférieure au seuil de distance σdpour plusieurs associations d’objets stationnaires.
Le calculateur 15 exécute l’algorithme de Munkres afin d’obtenir un score pour chacune des paires d’objets stationnaires associées. Plus le score est élevé et plus l’association entre les deux objets est considérée fiable.
Si un objet stationnaire détecté sur le scan k+1 ne correspond à aucun objet détecté sur le scan k, par exemple si un nombre d’objets différent est détecté, alors l’algorithme de Munkres calcule un score de zéro.
Si la différence ΔDnentre les objets d’une paire est supérieure au seuil σd, alors la valeur de la différence est remplacée par la valeur du seuil de distance σddans la matrice de variation de distance.
La valeur σade la fonction de coût d’association est optimisée en déterminant quelle combinaison de paires d’objets stationnaires associés résulte en une somme de scores maximale.
L’algorithme de Munkres est connu de l’homme du métier et ne sera donc pas décrit plus en détails ici.
Une fois la fonction de coût d’association optimisée, les valeurs σade la fonction de coût d’association relative à chaque paire d’objets associés sont enregistrées dans la mémoire 11.
Lors d’une étape optionnelle d), les paires d’objets stationnaires associés présentant les plus faibles valeurs σade fonction de coût d’association sont sélectionnés. L’étape d) est mise en œuvre si le nombre d’objets stationnaires détectés et supérieur au nombre suffisant.
Lors d’une étape e), la vitesse linéaire V du véhicule automobile est déterminée par le calculateur 15 au moyen d’un premier réseau de neurones 20 représenté sur la figure 3 et la vitesse angulaire θ du véhicule automobile est déterminée par le calculateur 15 au moyen d’un second de réseau de neurones (non représenté), les deux réseaux de neurones ayant la même structure.
Le réseau de neurones 20 comprend une couche d’entrée 22, au moins une couche cachée 24, 26 et un neurone de sortie 28.
Le réseau de neurones 20 reçoit en entrée des données d’apprentissage relatives à des attributs des paires d’objets stationnaires associées.
Les données d’apprentissage comprennent au moins la valeur σa de la fonction de coût d’association des paires d’objets stationnaires associés. Ainsi, l’incertitude sur les mesures de l’unité de télémétrie 5 est prise en compte dans le procédé de détermination de la vitesse V, Θ du véhicule automobile.
De préférence, les données d’apprentissage comprennent d’autres attributs des paires d’objets stationnaires associés, par exemple :
- une position longitudinale des objets stationnaires associés au premier instant t1 ou au deuxième instant t2, la position longitudinale (représentée sur la figure 1) est la position de l’objet stationnaire associé dans le repère véhicule automobile selon l’axe longitudinal (CGX), et/ou
- une position latérale des objets stationnaires associés au premier instant ou au deuxième instant, position latérale dans le repère véhicule automobile selon l’axe transversal (CGY), et/ou
- une variation de la position longitudinale des objets stationnaires associés entre le premier instant t1 et le deuxième instant t2, et/ou
- une variation de la position latérale des objets stationnaires associés entre le premier instant t1 et le deuxième instant t2.
De préférence, les données d’apprentissage comprennent tous les attributs susmentionnés.
La couche d’entrée 22 du réseau de neurones 20 comprends des neurones d’entrée niorganisés en ensembles I, II, III, IV, V, VI. L’indice « i » correspond ici à l’entier naturel identifiant un neurone d’entrée.
Chacun des ensembles I – VI de neurones d’entrée est associé à une paire d’objets stationnaires associés.
La couche d’entrée 22 présente une forme de matrice dans laquelle chaque rang correspond à une paire d’objets stationnaires associés, ici six, et chaque colonne correspond à un attribut, ici cinq.
Ainsi, une valeur a1affectée au neurone n1est, par exemple, la valeur de la position longitudinale de l’objet de la première paire d’objets stationnaires associés au scan k.
Il est ici prévu deux couches cachées 24, 26.
La première couche cachée 24 du réseau de neurones 20 comprend des neurones cachés nj. L’indice « j » correspond à l’entier naturel identifiant un neurone caché.
La couche cachée 24 est aussi organisée sous forme de matrice, ici une matrice présentant six rangs et dix colonnes. La matrice pourrait présenter un autre nombre de rangs et un autre nombre de colonnes.
Le choix du nombre de neurones cachés njest déterminé en fonction de la précision désirée dans la détermination de la vitesse, et de la charge de calcul supportée par le calculateur (qui est relative au nombre de neurones cachées nj).
La valeur affectée à un neurone njde la couche cachée 24 est calculée selon l’équation :
Dans cette équation :
- l’indice « l » représente la couche pour laquelle la valeur des neurones est calculée, ici la couche cachée 24,
- l’indice « l – 1 » représente la couche précédente, ici la couche d’entrée 22,
- l’indice « q » représente le nombre total de neurones dans la couche,
- est un coefficient pondérant la valeur d’un neurone nide la couche d’entrée 22, autrement dit un poids, est organisée sous forme de matrice,
- est un vecteur de biais,
- σ est une fonction d’activation, par exemple une fonction Sigmoid.
Le poids , le biais et la fonction d’activation σ sont des hyperparamètres du réseau de neurones 20.
Ici, la valeur du poids dépend de l’ensemble de neurones I – VI auquel il est associé. Plus précisément, la valeur affectée à un neurone njde la couche cachée 24 est calculée en fonction d’une résultante associée à un desdits ensembles I – VI. La résultante est égale à la somme de valeurs affectées aux neurones d’entrée nidudit ensemble I – VI, pondérées par le même poids .
Associer un même poids à tous les attributs d’une même paire d’objets stationnaires associés permet d’améliorer la précision de la détermination de la vitesse V, Θ du véhicule automobile 1. Cela facilite en outre la mise au point des calculs.
Une résultante est calculée pour chacun des ensembles I – VI de la couche d’entrée 22. Le poids associé à chacun des ensembles I – VI est différent.
Le réseau de neurones 20 comprend une autre couche cachée 26 comprenant d’autres neurones cachés np. L’indice « p » correspond à l’entier naturel identifiant un autre neurone caché.
L’autre couche cachée 26 est organisée sous forme d’une colonne. Dans l’exemple représenté par la figure 3, l’autre couche cachée 26 comprend six autres neurones cachés np. L’autre couche cachée 26 pourrait comprendre un nombre supérieur ou un nombre inférieur d’autres neurones cachés np.
Le choix du nombre d’autres neurones cachés npest déterminé en fonction de la précision désirée dans la détermination de la vitesse, et de la vitesse de traitement des données désirée et de la charge de calcul relative au nombre de neurones cachées np.
Le choix du nombre de couches cachées dépend vitesse de traitement des données désirée et de la charge de calcul.
La valeur affectée à chacun des autres neurones cachés npest calculée selon l’équation
Cette fois ci, chaque poids peut avoir une valeur différente.
La valeur du neurone de sortie 28 correspond à la vitesse V, Θ du véhicule automobile 1. La valeur du neurone de sortie 28 est une somme pondérée de tous neurones cachés de l’autre couche de neurone cachée 26.
La vitesse linéaire V et la vitesse angulaire Θ sont déterminées à partir des mêmes attributs, au moyen de deux réseaux de neurones d’architectures identiques.
Les valeurs des hyperparamètres sont déterminées lors d’une phase d’apprentissage du réseau de neurones 20. La phase d’apprentissage permet d’optimiser une fonction de coût globale du réseau de neurones 20 en minimisant une erreur δ de la vitesse V, Θ déterminée.
La phase d’apprentissage comprend une étape d’initialisation, lors de laquelle une valeur initiale est attribuée aux hyperparamètres.
La valeur initiale des poids de la couche cachée 24 est fonction de la valeur de coût d’association σades objets stationnaires associés.
Plus précisément, une valeur plus élevée est attribuée aux poids associés aux ensembles I -VI pour lesquels la valeur σade la fonction de coût d’association est plus faible. En effet, les positions et variation de positions correspondant aux paires d’objets stationnaires associés présentent une erreur plus faible. Ainsi, leur attribuer un poids élevé permet d’améliorer la précision de la vitesse déterminée lors de la première itération du procédé, et ainsi de converger plus rapidement vers une valeur finale des hyperparamètres.
Le réseau de neurones 20 détermine ensuite une valeur initiale de la vitesse V, Θ du véhicule automobile.
Puis, le calculateur 15 détermine une erreur δ sur la vitesse V, Θ déterminée en comparant la vitesse V déterminée lors de la première itération avec une vitesse mesurée VMau moyen du système de géolocalisation 13 du véhicule automobile test selon l’équation suivante (ici pour le calcul d’erreur de la vitesse linéaire V) :
L’erreur δ est utilisée pour corriger les poids ainsi que les autres hyperparamètres de réseau de neurones 20.
Pour optimiser la fonction de coût globale, un algorithme de gradient descendant est exécuté. Un gradient, c’est-à-dire une dérivée partielle, de la fonction de coût globale par rapport aux hyperparamètres de chaque couche du réseau de neurones 20, est calculé. On obtient ainsi une indication de la direction de l’ajustement, en d’autres termes, si la valeur d’un poids donné doit être augmentée ou diminuée. On obtient aussi une indication de l’amplitude de l’ajustement, en d’autres termes, si la valeur d’un poids donné doit être beaucoup modifiée ou peu modifiée.
L’optimisation de la fonction de coût globale peut être mise en œuvre en utilisant d’autres algorithmes, par exemple avec un gradient descendant stochastique, avec une propagation RMS (de l’anglais « Root mean Square propagation »), avec un optimiseur d’ADAM.
Pour optimiser la fonction de coût globale, la fonction d’activation des neurones cachés nj, nppeut aussi être modifiée. Pour cela, une pluralité de fonctions d’activation, telles qu’une fonction tangente hyperbolique ou bien encore une fonction ReLU (« rectified linear unit » en anglais), sont mémorisées dans la mémoire du véhicule automobile.
Cette étape d’optimisation est aussi appelée retro-propagation de l’erreur δ.
Les valeurs des hyperparamètres sont mises à jour.
Le réseau de neurones 20 est alors exécuté une nouvelle fois avec les hyperparamètres mis à jour et de nouvelles données d’apprentissage, c’est-à-dire des données issues d’autres scans de l’environnement du véhicule automobile 1.
Après plusieurs itérations du réseau de neurones 20, les hyperparamètres convergent vers une valeur finale pour laquelle l’erreur δ sur la vitesse déterminée V, Θ est minimale. Les valeurs finales des hyperparamètres sont alors enregistrées dans la mémoire 11.
La phase d’apprentissage est, en général, mise en œuvre sur un véhicule automobile test.
Afin de tester la performance du procédé, la demanderesse a assemblé une base de données de 16500 scans, où pour chaque scan k, six objets statiques ont été détectés. Des données d’apprentissage issues de ces 16500 scans ont été utilisées lors de la phase d’apprentissage du réseau de neurones 20.
Les valeurs finales des hyperparamètres prédéterminés à l’issue de la phase d’apprentissage sur le véhicule automobile test ont été enregistrées.
Lors d’une phase d’essai, les hyperparamètres prédéterminés sont enregistrés dans la mémoire du véhicule automobile 1, et les étapes a) à d) sont mises en œuvre.
La demanderesse a observé que la vitesse V, Θ déterminée par le procédé conforme à l’invention présentait une erreur δ moyenne de 0,02 mètres par seconde et un écart type de 0,55 mètres par seconde, l’erreur étant déterminée par rapport à la vitesse mesurée VMpar le système de géolocalisation 13.
La demanderesse a testé le procédé pour différents intervalles de vitesses ]0 – 8] mètres par seconde, ]8 – 12] mètres par seconde et ]12 – 20] mètres par seconde, et a observé que l’écart type était constant pour ces intervalles de vitesse. Ceci signifie que l’erreur δ est constante quelle que doit la vitesse du véhicule automobile. En d’autres termes, la performance du procédé de détermination de vitesse ne dépend pas de la vitesse du véhicule automobile.
Par la suite, les hyperparamètres prédéterminés lors de la phase d’apprentissage peuvent être enregistrés dans la mémoire d’un véhicule automobile destiné à la vente. Le véhicule automobile destiné à la vente est tel que le véhicule automobile décrit précédemment.

Claims (12)

  1. Procédé de détermination d’une vitesse (V, Θ) d’un véhicule automobile (1), comprenant des étapes de :
    a) détection d’une pluralité d’objets (7, 9) présents dans l’environnement extérieur du véhicule automobile (1) et détermination d’une distance ( ) entre chaque objet (7, 9) et le véhicule automobile (1), à un premier instant (t1) puis à deuxième instant (t2), au moyen d’une unité de télémétrie (5),
    b) association d’objets stationnaires détectés au premier instant (t1) avec des objets stationnaires détectés au deuxième instant (t2), en fonction desdites distances déterminées ( ), au moyen d’un calculateur (15),
    c) calcul, pour chaque paire d’objets stationnaires associés, de la valeur (σa) d’une fonction de coût d’association relative à un indice de confiance dans l’association des deux objets,
    e) détermination de la vitesse (V, Θ) du véhicule automobile (1) au moyen d’un réseau de neurones (20), ledit réseau de neurones (20) recevant en entrée des données d’apprentissage, les données d’apprentissage comprenant au moins la valeur (σa) de la fonction de coût d’association des objets stationnaires associés.
  2. Procédé de détermination d’une vitesse (V, Θ) d’un véhicule automobile (1) selon la revendication 1, dans lequel le réseau de neurones (20) comprend une couche d’entrée (22) comprenant des ensembles (I, II, III, IV, V, VI) de neurones d’entrée (ni) chacun associés à un objet stationnaire, et une couche cachée (24) comprenant des neurones cachés (nj), dans lequel la valeur affectée ( ) à au moins un neurone de la couche cachée est calculée en fonction d’une résultante associée à un desdits ensembles (I -VI), ladite résultante étant égale à la somme de valeurs affectées aux neurones d’entrée (ni) dudit ensemble (I -VI) pondérées par un même poids ( ).
  3. Procédé de détermination d’une vitesse (V, Θ) d’un véhicule automobile (1) selon la revendication 2, dans lequel une valeur affectée ( ) à au moins un neurone caché (nj) de la couche cachée (24) est calculée en fonction de la somme des résultantes associées aux ensembles (I -VI).
  4. Procédé de détermination d’une vitesse (V, Θ) d’un véhicule automobile (1) selon l’une des revendications 1 à 3, dans lequel les données d’apprentissage comprennent en outre une position longitudinale ( ) des objets stationnaires associés et/ou une position latérale ( ) des objets stationnaires associés et/ou une variation de la position longitudinale ( ) des objets stationnaires associés entre le premier instant (t1) et le deuxième instant (t2) et/ou une variation de la position latérale ( ) des objets stationnaires associés entre le premier instant (t1) et le deuxième instant (t2).
  5. Procédé de détermination d’une vitesse (V, Θ) d’un véhicule automobile (1) selon l’une des revendications 1 à 4, comprenant une étape de sélection d’un nombre prédéterminé de paire d’objets stationnaires associés en fonction de la valeur (σa) de la fonction de coût d’association.
  6. Procédé de détermination d’une vitesse (V, Θ) d’un véhicule automobile (1) selon la revendication 5, dans lequel entre 4 et 10 objets associés stationnaires sont sélectionnés.
  7. Procédé de détermination d’une vitesse (V, Θ) d’un véhicule automobile (1) selon l’une des revendications 1 à 6, dans lequel le réseau de neurones (20) comprend au moins une couche cachée (24) comprenant des neurones cachés dont les valeurs affectées ( ) sont calculées à l’aide d’hyperparamètres ( ), et dans lequel il est prévu une phase d’apprentissage sur véhicule automobile test, durant laquelle les valeurs des hyperparamètres ( ) sont ajustées pour minimiser une fonction de coût globale du réseau de neurones (20), la fonction de coût globale étant calculée en fonction de la vitesse déterminée (V, Θ) et d’une vitesse mesurée (VM) grâce à un système de géolocalisation (13) du véhicule automobile test.
  8. Procédé de détermination d’une vitesse (V, Θ) d’un véhicule automobile (1) selon les revendications 2 et 7, dans lequel la phase d’apprentissage comprend une initialisation des poids ( ), la valeur initiale des poids ( ) étant fonction de la valeur (σa) de la fonction coût d’association des objets stationnaires associés.
  9. Procédé de détermination d’une vitesse (V, Θ) d’un véhicule automobile (1) selon l’une des revendications 8 ou 9, dans lequel la valeur des poids ( ) affectés est prédéterminée pendant la phase d’apprentissage et est enregistrée dans une mémoire (11) du véhicule automobile (1).
  10. Système de détermination d’une vitesse (V, Θ) d’un véhicule automobile (1), comprenant :
    - au moins un capteur adapté à détecter une pluralité d’objets (7, 9) présents dans l’environnement extérieur du véhicule automobile (1),
    - une unité de télémétrie (5) adaptée à déterminer une distance ( ) entre chaque objet (7, 9) et le véhicule automobile (1), à un premier instant (t1) puis à deuxième instant (t2),
    - un calculateur (15) adapté à associer des objets stationnaires détectés au premier instant (t1) avec des objets stationnaires détectés au deuxième instant (t2), en fonction desdites distances déterminées ( ), à calculer, pour chaque paire d’objets stationnaires associés, la valeur (σa) d’une fonction de coût d’association relative à un indice de confiance dans l’association des deux objets, et à déterminer la vitesse (V, Θ) du véhicule automobile (1) au moyen d’un réseau de neurones (20), ledit réseau de neurones (20) recevant en entrée des données d’apprentissage, les données d’apprentissage comprenant au moins la valeur (σa) de la fonction de coût d’association des objets stationnaires associés.
  11. Système de détermination selon la revendication précédente, dans lequel le réseau de neurones (20) comprend une couche d’entrée (22) comprenant des ensembles (I, II, III, IV, V, VI) de neurones d’entrée (ni) chacun associés à un objet stationnaire, et une couche cachée (24) comprenant des neurones cachés (nj), et dans lequel le calculateur est adapté à calculer la valeur affectée ( ) à au moins un neurone de la couche cachée en fonction d’une résultante associée à un desdits ensembles (I -VI), ladite résultante étant égale à la somme de valeurs affectées aux neurones d’entrée (ni) dudit ensemble (I -VI) pondérées par un même poids ( ).
  12. Véhicule automobile (1) comprenant :
    - une unité de télémétrie (5) adaptée à détecter des objets (7, 9) présents dans l’environnement extérieur du véhicule automobile (1) et à déterminer une distance ( ) entre les objets (7, 9) détectés et le véhicule automobile (1),
    - une mémoire (11) dans laquelle est enregistré un programme d’ordinateur comprenant des instructions exécutables par un processeur d’un calculateur (15) et adaptées à mettre en œuvre le procédé selon l’une des revendications 1 à 9 lorsque ces instructions sont exécutées par le processeur.
FR1903488A 2019-04-02 2019-04-02 procédé de détermination d’une vitesse d’un véhicule automobile Active FR3094798B1 (fr)

Priority Applications (1)

Application Number Priority Date Filing Date Title
FR1903488A FR3094798B1 (fr) 2019-04-02 2019-04-02 procédé de détermination d’une vitesse d’un véhicule automobile

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1903488A FR3094798B1 (fr) 2019-04-02 2019-04-02 procédé de détermination d’une vitesse d’un véhicule automobile
FR1903488 2019-04-02

Publications (2)

Publication Number Publication Date
FR3094798A1 true FR3094798A1 (fr) 2020-10-09
FR3094798B1 FR3094798B1 (fr) 2021-03-05

Family

ID=67441416

Family Applications (1)

Application Number Title Priority Date Filing Date
FR1903488A Active FR3094798B1 (fr) 2019-04-02 2019-04-02 procédé de détermination d’une vitesse d’un véhicule automobile

Country Status (1)

Country Link
FR (1) FR3094798B1 (fr)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4310544A1 (fr) * 2022-07-18 2024-01-24 Aptiv Technologies Limited Procédé mis en uvre par ordinateur pour déterminer le mouvement de l'ego

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100017128A1 (en) 2007-06-05 2010-01-21 Gm Global Technology Operations, Inc. Radar, Lidar and camera enhanced methods for vehicle dynamics estimation
CN108345021A (zh) * 2018-01-19 2018-07-31 东南大学 一种多普勒雷达辅助gps/ins车辆测速方法
US20190050653A1 (en) * 2018-09-28 2019-02-14 Intel Corporation Perception device for obstacle detection and tracking and a perception method for obstacle detection and tracking

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100017128A1 (en) 2007-06-05 2010-01-21 Gm Global Technology Operations, Inc. Radar, Lidar and camera enhanced methods for vehicle dynamics estimation
CN108345021A (zh) * 2018-01-19 2018-07-31 东南大学 一种多普勒雷达辅助gps/ins车辆测速方法
US20190050653A1 (en) * 2018-09-28 2019-02-14 Intel Corporation Perception device for obstacle detection and tracking and a perception method for obstacle detection and tracking

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
M.W.M.G. DISSANAYAKE ET AL: "A solution to the simultaneous localization and map building (SLAM) problem", IEEE TRANSACTIONS ON ROBOTICS AND AUTOMATION, vol. 17, no. 3, 1 June 2001 (2001-06-01), US, pages 229 - 241, XP055575116, ISSN: 1042-296X, DOI: 10.1109/70.938381 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4310544A1 (fr) * 2022-07-18 2024-01-24 Aptiv Technologies Limited Procédé mis en uvre par ordinateur pour déterminer le mouvement de l'ego

Also Published As

Publication number Publication date
FR3094798B1 (fr) 2021-03-05

Similar Documents

Publication Publication Date Title
EP2599021B1 (fr) Procede de determination optimale des caracteristiques et de la disposition d'un ensemble de senseurs de surveillance d'une zone
EP3903123A1 (fr) Dispositif de génération d'un ensemble de données simulées du fouillis de mer, procédé et programme d'ordinateur associés
EP3635612A1 (fr) Procédé et système d'identification d'au moins un objet en déplacement
FR3094798A1 (fr) procédé de détermination d’une vitesse d’un véhicule automobile
FR2599874A1 (fr) Appareil de mesure de l'etat dynamique d'un systeme notamment pour systemes de navigation d'aeronefs
EP2105380B1 (fr) Méthode d'estimation d'attitude d'un senseur stellaire
EP4162298A1 (fr) Procede de determination des composantes de la vitesse du vent au moyen d'un capteur de teledetection par laser
FR3036515A1 (fr) Procede et systeme de prediction de la realisation d'un etat predetermine d'un objet.
EP2980529B1 (fr) Procede d'estimation de la distance d'un objet a un systeme d'imagerie
FR3104704A1 (fr) Filtrage particulaire et centrale de navigation a correlation de mesure
EP3380947B1 (fr) Procédé et dispositif de prévision de nébulosité par traitement statistique de données sélectionnées par analyse spatiale
WO2020048770A1 (fr) Prédiction d'un paramètre de recalage cartographique par apprentissage profond
WO2001046712A1 (fr) Dispositif d'hybridation d'un recepteur de positionnement par satellites avec une centrale inertielle
EP4239575B1 (fr) Dispositif de suivi d'une évolution d´au moins un aéronef dans un espace aérien, système de surveillance et procédé de suivi associés
WO2024003187A1 (fr) Procédé de détermination de la position d'un dispositif à partir d'un réseau de satellites dans un système prédictif
FR3104705A1 (fr) Filtrage particulaire et centrale de navigation a correlation de mesure
EP3379203B1 (fr) Procédé d'estimation du biais d'un capteur
WO2023135379A1 (fr) Detection d'anomalies de mesure par filtre de kalman appliquee a la navigation
FR2889300A1 (fr) Procede pour determiner la valeur reelle des parametres conditionnant la trajectoire balistique suivie par un projectile
FR3096451A1 (fr) Filtrage particulaire et centrale de navigation a correlation de mesure
FR3143115A1 (fr) Procédé et dispositif de pesée notamment pour la pesée de véhicules montés sur roues
WO2023099697A1 (fr) Procédé d'évaluation d'incertitudes de prédiction d'un réseau de neurones
FR3103728A1 (fr) Procede de fabrication d’un film souffle avec determination de profil d’une grandeur caracteristique du film
WO2024056956A1 (fr) Procédé de contrôle de la trajectoire d'un aéronef
FR3096129A1 (fr) procédé de géolocalisation de plateformes se déplaçant en formation, produit programme d'ordinateur et module de géolocalisation associés

Legal Events

Date Code Title Description
PLFP Fee payment

Year of fee payment: 2

PLSC Publication of the preliminary search report

Effective date: 20201009

PLFP Fee payment

Year of fee payment: 3

PLFP Fee payment

Year of fee payment: 4

CA Change of address

Effective date: 20221005

PLFP Fee payment

Year of fee payment: 5

PLFP Fee payment

Year of fee payment: 6