FR3097338A1

FR3097338A1 - Système et procédé de prédiction de la trajectoire d’un véhicule égo en fonction de l’environnement dudit véhicule égo

Info

Publication number: FR3097338A1
Application number: FR1906412A
Authority: FR
Inventors: Iris Ballesteros-Tolosana; Guillermo Pita-Gil
Original assignee: Renault SAS; Nissan Motor Co Ltd
Current assignee: Renault SAS; Nissan Motor Co Ltd
Priority date: 2019-06-14
Filing date: 2019-06-14
Publication date: 2020-12-18
Anticipated expiration: 2039-06-14
Also published as: FR3097338B1

Abstract

Procédé (40) de prédiction de la trajectoire d’un véhicule égo dans lequel : - on récupère des données provenant de capteurs extéroceptifs et proprioceptifs ; - on modélise un environnement du véhicule égo en fonction d’un ensemble desdites données récupérées ; - on prédit la trajectoire du véhicule égo et au moins une trajectoire d’objet mobile situé dans l’environnement modélisé du véhicule égo en générant une trajectoire prédite du véhicule égo pendant une durée déterminée en prenant en compte l’environnement modélisé du véhicule ; - on sélectionne un objet cible ; et - on transmet la valeur de prédiction de trajectoire à l’unité de contrôle du véhicule automobile égo. Figure pour l’abrégé : Fig 3

Description

Système et procédé de prédiction de la trajectoire d’un véhicule égo en fonction de l’environnement dudit véhicule égo

La présente invention concerne le domaine des dispositifs et procédés de prédiction d'un chemin et/ou d'une trajectoire de véhicule automobile, et des programmes d'ordinateur destinés à la mise en œuvre de tels procédés.

Les véhicules automobiles sont aujourd'hui équipés de dispositifs d'assistance à la conduite avancés, dits advanced driver assistance systems, d’acronyme ADAS en termes anglo-saxons, de plus en plus performants. Un dispositif d'assistance à la conduite avancé a pour but de permettre la conduite autonome d'un véhicule automobile, c'est-à-dire sans intervention de la part du conducteur. En particulier, un dispositif d'assistance à la conduite avancé peut servir à anticiper un chemin et/ou une trajectoire d'un véhicule automobile. Dans la présente demande, le chemin d'un véhicule sera considéré comme une forme géométrique correspondant à la progression du véhicule entre un point de départ et un point d'arrivée. La trajectoire d'un véhicule sera considérée comme l'évolution temporelle de la position du véhicule entre le point de départ et le point d'arrivée.

Les véhicules dits « autonomes » ou à conduite partiellement assistée nécessitent un modèle riche de l’environnement du véhicule afin de permettre à un algorithme de prendre des décisions. Cela est rendu possible grâce à différents capteurs proprioceptifs, tels qu’un accéléromètre, un gyromètre, etc…, et extéroceptifs, tels que les caméras, radars, lidars, ultrasons, etc…, ainsi que des procédés de fusion de données configurés pour traiter l’information reçue et calculer l’état (position, vitesse, accélération, lacet, etc…) du véhicule et des objets environnant.

Dans de tels véhicules, il est ainsi indispensable de prédire les mouvements du véhicule égo ainsi que d’autres objets mobiles ou immobiles présents dans l’environnement proche dudit véhicule et capables de devenir des obstacles lorsque la trajectoire du véhicule égo vient interférer avec la trajectoire d’un objet.

Par exemple, dans les systèmes d’aide dits « automatic emergency steering » d’acronyme « AES » en termes anglo-saxons capables de détecter les obstacles et de procéder à un braquage d’urgence, la prédiction des trajectoires des objets mobiles permet d’analyser le risque de collision potentiel.

De manière similaire, dans les systèmes d’aide dits « adaptive cruise control », d’acronyme « ACC » en termes anglo-saxons capables de réguler la vitesse et de maintenir automatiquement une distance de sécurité par rapport au véhicule qui précède, il est nécessaire de sélectionner des véhicules cibles par rapport auxquels on adapte la vitesse et la distance du véhicule égo. Ainsi, la prédiction de la trajectoire du véhicule égo permet de sélectionner le véhicule cible de manière plus fiable, ainsi que la détection anticipative des insertions ou sorties d’objets dans le champ de la trajectoire du véhicule égo, dits respectivement « cut-in » ou « cut-out » en termes anglo-saxons.

On connait des procédés de prédiction des trajectoires basés sur une modélisation de la dynamique du véhicule avec un modèle mathématique. Toutefois, de tels procédés ne prennent pas en compte l’information du contexte, notamment les informations provenant des panneaux routiers, telles que les limites de vitesse autorisées, les panneaux stop, les feux de signalisation, etc…. Les procédés actuels prédisent des trajectoires peu probables et peu fiables, ce qui est particulièrement dangereux pour les véhicules complètement automatisés dits autonomes.

Par exemple, lorsque l’information sur les lignes de la route n’est pas disponible, il est connu d’utiliser des modèles cinématiques et un procédé basé sur une accélération constante. Toutefois, la considération de l’accélération constante pendant le temps de la prédiction de la trajectoire ne prend pas en compte le contexte du véhicule. Le véhicule peut ainsi se retrouver à 160km/h alors que la route sur laquelle il circule a une limitation de vitesse à 130km/h.

On peut se référer au document EP 3 018 026 qui décrit la prédiction d’une trajectoire latérale avec prise en compte de la voie de circulation. Toutefois, un tel procédé ne permet que la prédiction d’une trajectoire latérale.

Il existe donc un besoin d’optimiser la prédiction des trajectoires des véhicules automobiles.

Au vu de ce qui précède, l'invention a pour but de permettre la planification d'un chemin et/ou d'une trajectoire de véhicule automobile en palliant les inconvénients précités.

La présente invention a pour objet un procédé de prédiction de la trajectoire d’un véhicule égo dans lequel on récupère des données provenant de capteurs extéroceptifs et proprioceptifs tels que notamment un radar frontal, deux radars latéraux et une caméra frontale capable de détecter des panneaux de circulation ; on modélise un environnement du véhicule égo en fonction d’un ensemble desdites données récupérées ; on prédit la trajectoire du véhicule égo et au moins une trajectoire d’objet mobile situé dans l’environnement modélisé du véhicule égo en générant une trajectoire prédite du véhicule égo pendant une durée déterminée, par exemple comprise entre 2s et 5s, en prenant en compte l’environnement modélisé du véhicule afin de prédire efficacement des trajectoires du véhicule égo et des autres usagers de la route, on sélectionne un objet cible ; et on transmet la valeur de prédiction de trajectoire à l’unité de contrôle du véhicule automobile égo.

Ainsi, on peut prédire la trajectoire du véhicule égo en prenant en compte l’information du contexte, notamment les informations provenant des panneaux routiers, telles que les limites de vitesse autorisées, les panneaux stop, les feux de signalisation, etc….

Avantageusement, lors de la prédiction de la trajectoire, on calcule un point d’intérêt, défini comme le point où l’hypothèse d’accélération constante n’est plus valable.

Ce point représente le moment où l’accélération n’est plus constante et où le véhicule cible entre dans une phase où la dérivée de l’accélération, appelée « jerk », est maximale et fait converger l’accélération vers zéro.

Par exemple, pour calculer le point d’intérêt, on tient compte des contraintes environnementales et du véhicule égo.

Ainsi, on calcule l’évolution du véhicule en fonction d’un vecteur d’états du véhicule et d’un vecteur des signaux d’entrée du système.

Par exemple, pour calculer le point d’intérêt, on prend en compte les conditions aux limites de la trajectoire.

Ces conditions sont définies avec des valeurs du vecteur d’états aux points initial et final de la trajectoire. Le point initial est défini par l’état actuel du véhicule, donné par le module de modélisation de l’environnement du véhicule à partir des informations récupérées par le module de récupération des données. Ainsi, il est possible de définir un point final de la trajectoire, correspondant à un point d’arrêt dans le cas de la détection d’un panneau de signalisation Stop ou d’un feu rouge.

Par exemple, pour calculer le point d’intérêt, on prend également en compte les conditions aux limites du système. Ces conditions correspondent aux limites du vecteur d’état calculé lors du calcul de l’évolution du véhicule. En d’autres termes, il s’agit des limites physiques et cinématiques du véhicule, c’est-à-dire les limitations de vitesse, l’accélération, la dérivée d’accélération, etc ….

Par exemple, pour calculer le point d’intérêt, on prend également en compte la fonction de coût.

Lors de la prédiction des trajectoires, on peut calculer une trajectoire paramétrée pour discrétiser l’état et l’entrée du système.

Par exemple, lors du calcul d’une trajectoire paramétrée, on paramètre la trajectoire en fonction de l’état initial et de l’entrée par discrétisation sur k intervalles.

Selon un second aspect, l’invention concerne un système de prédiction de la trajectoire d’un véhicule égo comprenant un module de récupération des données provenant de capteurs extéroceptifs et proprioceptifs, tels que notamment un radar frontal, deux radars latéraux et une caméra frontale capable de détecter des panneaux de circulation ; un module de modélisation de l’environnement du véhicule égo en fonction de l’ensemble desdites données récupérées ; un module de prédiction de la trajectoire du véhicule égo et d’au moins une trajectoire d’objet mobile situé dans l’environnement modélisé dudit véhicule égo en générant les trajectoires pendant une durée déterminée, par exemple comprise entre 2s et 5s, en prenant en compte l’environnement du véhicule modélisé afin de prédire efficacement des trajectoires du véhicule égo et des autres usagers de la route. Le système comprend en outre un module de sélection d’un objet cible ; et un module de transmission des valeurs de prédiction de trajectoire à l’unité de contrôle du véhicule automobile égo.

Avantageusement, le module de prédiction de la trajectoire comprend un module de calcul d’un point d’intérêt, défini comme le point où l’hypothèse d’accélération constante n’est plus valable en fonction des contraintes environnementales et du véhicule égo, des conditions aux limites de la trajectoire et des conditions aux limites du système.

Ainsi, on calcule l’évolution du véhicule en fonction d’un vecteur d’états du véhicule et d’un vecteur des signaux d’entrée du système

Les conditions aux limites de la trajectoire sont définies avec des valeurs du vecteur d’états aux points initial et final de la trajectoire. Le point initial est défini par l’état actuel du véhicule, donné par le module de modélisation de l’environnement du véhicule à partir des informations récupérées par le module de récupération des données.

Ainsi, il est possible de définir un point final de la trajectoire, par exemple correspondant au point d’arrêt dans le cas de la détection d’un panneau de signalisation Stop ou d’un feu rouge.

Les conditions aux limites du système correspondent aux limites du vecteur d’état calculé lors du calcul de l’évolution du véhicule. En d’autres termes, il s’agit des limites physiques et cinématiques du véhicule, c’est-à-dire les limitations de vitesse, d’accélération, de la dérivée d’accélération, etc …

Pour calculer le point d’intérêt, on peut prendre également en compte la fonction de coût.

Le point d’intérêts représente le moment où l’accélération n’est plus constante et où le véhicule cible entre dans une phase où la dérivée de l’accélération, appelée « jerk », est maximale et réduit l’accélération jusqu’à zéro.

Selon un troisième aspect, l’invention concerne un véhicule automobile autonome comprenant un système de prédiction de la trajectoire tel que décrit ci-dessus.

D’autres buts, caractéristiques et avantages de l’invention apparaîtront à la lecture de la description suivante, donnée uniquement à titre d’exemple non limitatif, et faite en référence aux dessins annexés sur lesquels :

représente schématiquement un système de prédiction de la trajectoire d’un véhicule égo selon un mode de réalisation de l’invention ;

illustre en détails le module de prédiction de la trajectoire du système de la figure 1 ; et

illustre un organigramme d’un procédé de prédiction de la trajectoire d’un véhicule égo selon un mode de réalisation de l’invention mis en œuvre par le système de la figure 1.

Sur la figure 1, on a représenté de manière très schématique un système 10 de prédiction de la trajectoire d’un véhicule égo.

Le système 10 comprend un module 12 de récupération des données provenant de capteurs extéroceptifs et proprioceptifs tels que notamment un radar frontal, deux radars latéraux et une caméra frontale capable de détecter des panneaux de circulation, ainsi que des gyromètres et encodeurs.

Le système 10 comprend en outre un module 14 de modélisation de l’environnement du véhicule égo recevant l’ensemble des données provenant du module 12 de récupération des données.

Le système 10 comprend également un module 16 de prédiction de la trajectoire du véhicule égo et des objets mobiles situés dans l’environnement dudit véhicule égo et un module 18 de sélection de l’objet cible.

Enfin, le système 10 comprend un module 20 de transmission de la valeur de prédiction de trajectoire à l’unité de contrôle (non représentée) du véhicule automobile égo.

La figure 2 illustre en détails le module 16 de prédiction de la trajectoire du véhicule égo et des objets mobiles situés dans l’environnement dudit véhicule égo.

Le module 16 est configuré pour générer une trajectoire prédite pendant une durée Tpred déterminée, par exemple comprise entre 2s et 5s en prenant en compte les informations contextuelles en forme des contraintes dans le problème d’optimisation, provenant du module 12 de récupération des données afin de prédire efficacement des trajectoires du véhicule égo et des autres usagers de la route.

Le module 16 de prédiction des trajectoires comprend à cet effet un module 22 de calcul d’un point d’intérêt, défini comme le point où l’hypothèse d’accélération constante n’est plus valable. Ce point représente le moment où l’accélération n’est plus constante et où le véhicule cible entre dans une phase pour laquelle la dérivée de l’accélération, appelée « jerk », est maximale en valeur absolue de manière à faire converger l’accélération vers zéro.

Pour calculer ce point d’intérêt, le module 22 de calcul d’un point d’intérêt comprend un module 24 d’optimisation.

Le module 24 d’optimisation tient compte des contraintes environnementales et d’un état du véhicule égo. Ainsi, le module 24 comprend un module 26 de calcul de l’évolution du véhicule dξ(t)/dt en fonction d’un vecteur d’états ξ(t) du véhicule et d’un vecteuru(t)des signaux d’entrée du système selon l’équation différentielle du premier ordre ci-dessous :

(1)

Avec:

ξ(t), le vecteur d’états du véhicule ; et

u(t),le vecteur des signaux d’entrée du système.

Par exemple, le vecteur d’états ξ(t) du véhicule s’écrit selon l’équation ci-dessous :

(2)

Avec:

x, la position longitudinale du véhicule ;

y, la position latérale du véhicule ;

θ, l’angle de lacet ;

ω, le taux de variation ;

v, la vitesse absolue longitudinale ;

ax, l’accélération absolue longitudinale ; et

ay, l’accélération absolue latérale.

En supposant, le vecteur d’état u(t) du système comme égal à la dérivée de l’accélération longitudinale j(x), on peut écrire l’équation 1 sous la forme suivante :

(3)

Le module 24 d’optimisation comprend en outre un module 28 de détermination des conditions aux limites de la trajectoire. Ces conditions sont définies avec des valeurs du vecteur d’états ξ(t) aux points initial et final de la trajectoire. Le point initial ξ0 est défini par l’état actuel du véhicule, donné par le module 14 de modélisation de l’environnement du véhicule à partir des informations récupérées par le module 12 de récupération des données.

Ainsi, il est possible de définir un point final ξF de la trajectoire, correspondant par exemple à un point d’arrêt dans le cas d’une détection de panneau de signalisation Stop ou d’un feu rouge.

Le module 24 d’optimisation comprend également un module 30 de détermination des conditions aux limites du système. Ces conditions correspondent aux limites du vecteur d’état calculé par le module 26 de calcul de l’évolution du véhicule. En d’autres termes, il s’agit des limites physiques et cinématiques du véhicule, c’est-à-dire les limitations de vitesse, d’accélération, de la dérivée d’accélération, etc …

Les limites du véhicule sont ainsi bornées selon les équations suivantes :

(4)

(5)

(6)

(7)

(8)

Enfin, le module 24 d’optimisation comprend un module 32 de prise en compte d’une fonction de coût J défini selon l’équation suivante :

(9)

On rappelle qu’une fonction de coût, parfois nommée fonction objective, dite « loss function » ou « objective function » en termes anglo-saxons, est une fonction qui sert de critère pour déterminer la meilleure solution à un problème d’optimisation.

Tel qu’illustré sur la figure 2, le module 16 de prédiction des trajectoires comprend en outre un module 34 de calcul d’une trajectoire paramétrée, configuré pour discrétiser les valeurs d’état et les valeurs d’entrée du système.

Ainsi, le module 34 comprend un module 36 de discrétisation des variables inconnues de l’état et de l’entrée du système.

Ledit module 36 est configuré pour discrétiser le temps dans une grille avec k intervalles pour résoudre le problème d’optimisation.

L’entrée u(k) est discrétisée comme un signal constant sur un temps t selon l’équation suivante :

(10)

Avec :

(11)

Une fois l’entrée u(k) définie, un état initial à chaque nœud de la grille est défini selon l’équation suivante :

(12)

Avec :

(13)

Le module 34 de calcul d’une trajectoire paramétrée comprend en outre un module 38 de paramétrisation de la trajectoire en fonction de l’état initial et de l’entrée discrétisés sur k intervalles selon les équations suivantes :

(14)

(15)

(16)

(17)

(18)

La trajectoire paramétrisée pour chaque morceau i s’écrit selon l’équation suivante :

(19)

Tel qu’illustré sur la figure 3, le procédé 40 de prédiction de la trajectoire d’un véhicule égo comprend une étape 42 de récupération des données provenant de capteurs extéroceptifs et proprioceptifs tels que notamment un radar frontal, deux radars latéraux et une caméra frontale capable de détecter des panneaux de circulation.

A l’étape 44, on modélise l’environnement du véhicule égo en fonction de l’ensemble des données récupérées à l’étape 42, par exemple provenant du module 12 de récupération des données du système 10 de la figure 1.

A l’étape 46, on prédit la trajectoire du véhicule égo et des objets mobiles situés dans l’environnement du véhicule égo et à l’étape 48, on sélectionne l’objet cible, puis on transmet, à l’étape 50, la valeur de prédiction de trajectoire à l’unité de contrôle (non représentée) du véhicule automobile égo.

Lors de l’étape 46 de prédiction de la trajectoire, on génère une trajectoire prédite pendant une durée Tpred déterminée, par exemple comprise entre 2s et 5s en prenant en compte les informations contextuelles en forme des contraintes dans le problème d’optimisation, afin de prédire efficacement des trajectoires du véhicule égo et des autres usagers de la route.

Ainsi, lors de l’étape 46, on calcule un point d’intérêt, défini comme le point où l’hypothèse d’accélération constante n’est plus valable. Ce point représente le moment où l’accélération n’étant plus constante, le véhicule cible entre dans une phase où la dérivée de l’accélération, appelée « jerk », est négative et maximale en valeur absolue de manière à faire converger l’accélération vers zéro.

Pour calculer ce point d’intérêt, on tient compte des contraintes environnementales et du véhicule égo. Ainsi, on calcule l’évolution du véhicule dξ(t)/dt en fonction d’un vecteur d’états ξ(t) du véhicule et d’un vecteuru(t)des signaux d’entrée du système selon l’équation (1).

On prend en compte également les conditions aux limites de la trajectoire. Ces conditions sont définies avec des valeurs du vecteur d’états ξ(t) aux points initial et final de la trajectoire. Le point initial ξ0 est défini par l’état actuel du véhicule, donné à l’étape 44 de modélisation de l’environnement du véhicule à partir des informations récupérées à l’étape 42 de récupération des données.

Ainsi, il est possible de définir un point final de la trajectoire, c’est-à-dire le point d’arrêt dans le cas de la détection d’un panneau de signalisation Stop ou d’un feu rouge.

On prend également en compte les conditions aux limites du système. Ces conditions correspondent aux limites du vecteur d’état calculé lors du calcul de l’évolution du véhicule. En d’autres termes, il s’agit des limites physiques et cinématiques du véhicule, c’est-à-dire les limitations de vitesse, l’accélération, la dérivée d’accélération, etc …

Les limites du véhicule sont ainsi bornées selon les équations (4) à (8).

Lors de l’étape 46 de prédiction des trajectoires, on calcule une trajectoire paramétrisée pour discrétiser l’état et l’entrée du système.

Ainsi, on discrétise des variables inconnues de l’état et de l’entrée du système en discrétisant le temps dans une grille avec k intervalles.

L’entrée u(k) est discrétisée comme un signal constant sur un temps t selon les équations (10) et (11).

Grace à l’invention, la performance de la prédiction des trajectoires est fortement améliorée car on prend en compte l’environnement contextuel du véhicule ego et les limites du vecteur d’état représentant le modèle du système, de façon que la prédiction générée est plus proche à la réalité.

Claims

Procédé (40) de prédiction de la trajectoire d’un véhicule égo dans lequel :
- on récupère des données provenant de capteurs extéroceptifs et proprioceptifs ;
- on modélise un environnement du véhicule égo en fonction d’un ensemble desdites données récupérées ;
- on prédit la trajectoire du véhicule égo et au moins une trajectoire d’objet mobile situé dans l’environnement modélisé du véhicule égo en générant une trajectoire prédite du véhicule ego pendant une durée (Tpred) déterminée en prenant en compte l’environnement modélisé du véhicule ;
-on sélectionne un objet cible ; et
-on transmet la valeur de prédiction de trajectoire à l’unité de contrôle du véhicule automobile égo.
Procédé selon la revendication 1, dans lequel, lors de la prédiction de la trajectoire, on calcule un point d’intérêt, défini comme le point où l’hypothèse d’accélération constante n’est plus valable.
Procédé selon la revendication 2, dans lequel pour calculer le point d’intérêt, on tient compte des contraintes environnementales et du véhicule égo.
Procédé selon la revendication 2 ou 3, dans lequel pour calculer le point d’intérêt, on tient compte des conditions aux limites de la trajectoire.
Procédé selon l’une quelconque des revendications 2 à 4, dans lequel pour calculer le point d’intérêt, on prend également en compte les conditions aux limites du système.
Procédé selon l’une quelconque des revendications 2 à 5, dans lequel pour calculer le point d’intérêt, on prend également en compte une fonction de coût.
Procédé selon l’une quelconque des revendications précédentes, dans lequel lors de la prédiction des trajectoires, on calcule une trajectoire paramétrée pour discrétiser l’état et l’entrée du système.
Procédé selon la revendication 7, dans lequel lors du calcul d’une trajectoire paramétrée, on paramètre la trajectoire en fonction de l’état initial et de l’entrée discrétisés sur k intervalles.
Système (10) de prédiction de la trajectoire d’un véhicule égo comprenant :
- un module (12) de récupération des données provenant de capteurs extéroceptifs et proprioceptifs ;
- un module (14) de modélisation de l’environnement du véhicule égo en fonction de l’ensemble desdites données récupérées ;
- un module (16) de prédiction de la trajectoire du véhicule égo et d’au moins une trajectoire d’objet mobile situé dans l’environnement dudit véhicule égo en générant les trajectoires pendant une durée (Tpred) déterminée en prenant en compte l’environnement du véhicule modélisé ;
-un module (18) de sélection d’un objet cible ; et
- un module (20) de transmission des valeurs de prédiction de trajectoire à l’unité de contrôle du véhicule automobile égo.
10. Système selon la revendication 9, dans lequel, le module (16) de la prédiction de la trajectoire comprend un module (22) de calcul d’un point d’intérêt, défini comme le point où l’hypothèse d’accélération constante n’est plus valable en fonction des contraintes environnementales et du véhicule égo, des conditions aux limites de la trajectoire et des conditions aux limites du système.
Véhicule automobile (2) comprenant un système de prédiction de la trajectoire d’un véhicule égo selon l’une quelconque des revendications 9 ou 10.