FR3101045A1 - Module de détermination en temps réel d’un profil de conduite personnalisé - Google Patents

Module de détermination en temps réel d’un profil de conduite personnalisé Download PDF

Info

Publication number
FR3101045A1
FR3101045A1 FR1910320A FR1910320A FR3101045A1 FR 3101045 A1 FR3101045 A1 FR 3101045A1 FR 1910320 A FR1910320 A FR 1910320A FR 1910320 A FR1910320 A FR 1910320A FR 3101045 A1 FR3101045 A1 FR 3101045A1
Authority
FR
France
Prior art keywords
driving
weighted
driving profile
profile
module
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
FR1910320A
Other languages
English (en)
Other versions
FR3101045B1 (fr
Inventor
Nelson FERNANDEZ-PINTO
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 FR1910320A priority Critical patent/FR3101045B1/fr
Publication of FR3101045A1 publication Critical patent/FR3101045A1/fr
Application granted granted Critical
Publication of FR3101045B1 publication Critical patent/FR3101045B1/fr
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • B60W40/08—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 drivers or passengers
    • B60W40/09—Driving style or behaviour
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0022—Gains, weighting coefficients or weighting functions
    • B60W2050/0025—Transfer function weighting factor
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
    • B60W2050/005—Sampling
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0062—Adapting control system settings
    • B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B60W2520/105—Longitudinal acceleration
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/12—Lateral speed
    • B60W2520/125—Lateral acceleration
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/14—Yaw
    • 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
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/10—Accelerator pedal position
    • 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
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/12—Brake pedal position
    • 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
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/05—Type of road, e.g. motorways, local streets, paved or unpaved roads
    • 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
    • B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
    • B60W2555/20—Ambient conditions, e.g. wind or rain
    • 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
    • B60W2556/00—Input parameters relating to data
    • B60W2556/10—Historical data
    • 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
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • B60W2556/50—External transmission of data to or from the vehicle of positioning data, e.g. GPS [Global Positioning System] data
    • 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
    • B60W2720/00—Output or target parameters relating to overall vehicle dynamics
    • B60W2720/10—Longitudinal speed
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/72—Electric energy management in electromobility

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Feedback Control In General (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

Module de détermination en temps réel d’un profil de conduite pondéré (2) entre au moins trois profils de conduite distincts d’un véhicule automobile (1), comprenant des moyens d’acquisition (21) aptes à acquérir des données mesurées par au moins un capteur (C1,…,Cn) du véhicule (1), caractérisé en ce qu’il comprend des moyens de calcul aptes à calculer une probabilité de confiance (Psport, Pconfort, Peco) pour chacun desdits au moins trois profils de conduite distincts, et des moyens de modélisation (25) aptes à concevoir le profil de conduite pondéré en fonction des probabilités de confiance (Psport, Pconfort, Peco).

Description

Module de détermination en temps réel d’un profil de conduite personnalisé
La présente invention concerne les véhicules automobiles et se rapporte plus particulièrement aux dispositifs d’aide à la conduite.
Les dispositifs d’aide à la conduite permettent de simplifier les tâches de conduite voire automatiser la conduite d’un véhicule.
Certains visent à mieux protéger le conducteur en donnant plusieurs alertes en cas de danger, voire en anticipant les réactions du conducteur.
On peut citer par exemple le limitateur de vitesse qui permet de ne pas dépasser une vitesse définie. Au-delà de cette limite, l’accélérateur ne fait plus son effet.
D’autres dispositifs facilitent les manœuvres en détectant les obstacles à l’arrière du véhicule par exemple.
De tels systèmes peuvent également se trouver sur des véhicules autonomes où la conduite est entièrement déléguée au véhicule.
Ainsi, ces dispositifs nécessitent, pour assurer au mieux leurs fonctions, de réaliser une réponse dynamique satisfaisante, c’est-à-dire en prenant en considération l’environnement dans lequel évolue le véhicule, par exemple les différents paramètres météorologiques, l’état et/ou la nature de la chaussée des routes.
Par contre, pour assurer le confort du conducteur, il est avantageux d’adapter la réponse dynamique du véhicule aux manœuvres habituelles du conducteur.
Autrement dit, si le conducteur pratique une conduite tendant à privilégier la performance au détriment de sa consommation de carburant, les dispositifs d’aide à la conduite pourraient ainsi réaliser certaines manœuvres avec une vitesse prédéterminée si elles ne mettent pas en danger le conducteur.
On distingue ainsi trois profils de conduite entraînant chacun des effets distincts sur la mécanique et la consommation du véhicule.
Par exemple, dans une conduite dite sportive, le conducteur a tendance à rechercher la performance et donc à user plus rapidement les pneumatiques et les plaquettes de frein.
Contrairement à la conduite sportive, une conduite souple correspond à un comportement respectueux de la réglementation routière, mais également d’un meilleur partage de l’espace routier avec les autres usagers. Elle réduit l’usure des différents éléments mécaniques.
Quant à l’éco conduite, elle réside dans le fait d’intégrer des comportements respectueux de l’environnement c’est-à-dire réduire les agissements qui entraînent une surconsommation de carburant.
L’éco-conduite permet donc de diminuer les émissions de CO2, notamment à proximité des grandes agglomérations où la densité de véhicules à moteur est très importante.
Ainsi, il est important d’identifier le profil de conduite pour permettre un contrôle des paramètres du véhicule notamment dynamiques, respectueux de la conduite coutumière du conducteur ou pour se rapprocher d’un profil de conduite souhaité.
Des solutions ont été proposées pour choisir entre des profils de conduite distincts et connus. Elles ne permettent donc pas de se rapprocher du profil réel et personnalisé de conduite qui peut être une combinaison des caractéristiques de profils de conduite différents.
D’autres solutions proposent de déterminer ce profil personnalisé en utilisant des règles prédéfinies qui conduisent à une prise de décision suite au parcours d’un circuit logique par exemple, ce qui fait que la décision ne reflète pas avec précision ledit profil de conduite personnalisé.
Au vu de ce qui précède, l’invention se propose de pallier les contraintes précitées en proposant un nouveau module de détermination du profil de conduite personnalisé embarqué à bord d’un véhicule automobile.
L’invention a donc pour objet, selon un premier aspect, un procédé de détermination en temps réel d’un profil de conduite pondéré entre au moins trois profils de conduite distincts d’un véhicule automobile, comprenant une acquisition de données mesurées par au moins un capteur du véhicule.
Le procédé comprend un calcul d’une probabilité de confiance pour chacun desdits au moins trois profils de conduite distincts, et une modélisation du profil de conduite pondéré en fonction des probabilités de confiance.
Autrement dit, les données mesurées seront analysées pour établir les caractéristiques communes avec chacun desdits au moins trois profils de conduite connus, et produire au moins trois probabilités de confiance pour établir le profil de conduite personnalisé du conducteur.
On entend par probabilité de confiance une valeur générée suite à la mise en œuvre d’un modèle d’apprentissage ayant pour entrée les données mesurées. Elle peut varier entre 0 et 1.
Ainsi, plus la valeur générée est proche de 1, plus les données mesurées ont des caractéristiques communes avec le profil de conduite distinct.
Par ailleurs, les données mesurées peuvent être des variables cinématiques et comportementales. On peut citer par exemple l’accélération longitudinale et latérale, la vitesse, la géolocalisation, la pression des pédales, la vitesse angulaire, l’angle de la roue arrière et la consommation énergétique. Optionnellement, on peut également mesurer des données météorologiques ou relatives à la nature de la chaussée sur laquelle circule le véhicule, ce qui peut qu’augmenter le degré de personnalisation du profil de conduite et donc proposer une réponse dynamique plus adéquate.
Avantageusement, on acquiert les données mesurées périodiquement et on les met en conformité avec une norme définie.
Les données sont mesurées continuellement mais leur acquisition pour la mise en œuvre dudit procédé est périodique par exemple tous les 10 ms. Cela permet d’optimiser la consommation énergétique.
Il est à noter que la mise en conformité comprend des analyses de fréquence et la réalisation de statistiques pour synthétiser l’information reçue, ce qui permet de construire un vecteur de caractéristiques correspondant au format d’entrée requis pour le calcul des probabilités de confiance.
Le vecteur de caractéristiques est obtenu en calculant des indicateurs statistiques (tels que la moyenne, l'écart-type, etc.) et des indicateurs fréquentiels (nombre des pics, distance entre pics) dans une fenêtre mobile dans le temps. La largeur de cette fenêtre est tout à fait variable et ajustable ; cependant, pendant les tests, nous l’avons fixée à 30 secondes. De plus, nous conservons un historique des données du passé lors d'un voyage et de plusieurs voyages.
Selon un autre aspect, il est proposé un module de détermination en temps réel d’un profil de conduite pondéré entre au moins trois profils de conduite distincts d’un véhicule automobile, comprenant des moyens d’acquisition aptes à acquérir des données mesurées par au moins un capteur du véhicule.
Le module comprend des moyens de calcul aptes à calculer une probabilité de confiance pour chacun desdits au moins trois profils de conduite distincts, et des moyens de modélisation aptes à concevoir le profil de conduite pondéré en fonction des probabilités de confiance.
Préférentiellement, les moyens de calcul comprennent au moins trois machines d’apprentissage automatique supervisé ou non supervisé, chacune étant apte à reconnaître un desdits au moins trois profils de conduite.
De préférence, les moyens d’acquisition sont aptes à acquérir les données mesurées périodiquement et à les mettre en conformité avec une norme définie.
L’invention a encore pour objet un dispositif d’aide à la conduite d’un véhicule automobile en mouvement comprenant un module de détermination en temps réel d’un profil de conduite pondéré entre au moins trois profils de conduite distincts tel que défini ci-dessus.
Le dispositif comprend également des moyens de régulation automatique et manuelle aptes à ajuster au moins un paramètre de conduite audit profil de conduite pondéré, et des moyens de commande aptes à activer l’un des deux moyens de régulation en fonction des besoins du conducteur.
En d’autres termes, pour ajuster un paramètre tel que la vitesse, au profil de conduite personnalisé, le conducteur peut le faire lui-même manuellement ou laisser le dispositif d’aide à la conduite réaliser ledit ajustement.
D’autres avantages et caractéristiques de l’invention apparaîtront à l’examen de la description détaillée des modes de mise en œuvre et de réalisation de l’invention, nullement limitatifs, et des dessins annexés sur lesquels :
représente de manière schématique les différents modules d’un véhicule automobile et notamment son dispositif d’aide à la conduite selon un mode de réalisation de l’invention ;
illustre un module de détermination en temps réel d’un profil de conduite pondéré selon l’invention ;
représente un exemple d’un modèle de conception du profil de conduite pondéré selon un mode de réalisation de l’invention et;
illustre une représentation graphique dudit profil de conduite pondéré.
Sur la figure 1 est représenté un véhicule automobile 1 électrique, thermique ou hybride.
Le véhicule 1 comprend un dispositif d’aide à la conduite comprenant un module de détermination en temps réel d’un profil de conduite pondéré 2 entre au moins trois profils de conduite par exemple la conduite sportive, éco-responsable et souple.
Le module de détermination en temps réel du profil de conduite 2 est couplé à une interface homme-machine 3, à une mémoire interne 6, et à une série 4 de capteurs C1 à Cn, où n est le nombre maximal de capteurs supportés par le véhicule 1.
Le module de détermination du profil de conduite pondéré 2 est apte à acquérir différentes données mesurées par la série 4 de capteurs C1 à Cn, et de déterminer à partir de ces données, le profil de conduite pondéré entre lesdits au moins trois profils de conduite.
Une fois déterminé, il est ensuite affiché via l’interface homme-machine 3, elle-même couplée à des moyens de commande MC aptes à activer ou à désactiver, selon les besoins du conducteur exprimés à travers ladite interface 3, des moyens de régulation automatique R1 et manuelle R2.
Par ailleurs, les moyens de régulation R1, R2 sont configurés pour ajuster au moins un paramètre de conduite 5 audit profil de conduite pondéré déterminé par le module 2, par exemple la vitesse ou l’angle de la roue arrière pour stabiliser la trajectoire du véhicule 1.
Il est à noter que la mémoire interne 6 peut être une mémoire non volatile (« Read-Only Memory » en anglais) ou une mémoire temporaire. Elle est apte à stocker les profils de conduites pondérés déterminés au fur et à mesure et à fournir au conducteur l’historique.
Ceci peut être utile pour réaliser un suivi ou avoir un retour sur les efforts du conducteur souhaitant changer de profil de conduite.
Comme illustré sur la figure 2, le module de détermination en temps réel du profil de conduite pondéré 2 comprend des moyens d’acquisition 21 aptes à acquérir les données mesurées par la série 4 de capteurs C1 à Cn.
Les moyens d’acquisition 21 sont aussi aptes à mettre en conformité les données mesurées, c’est-à-dire, réaliser des analyses de fréquence et des statistiques pour synthétiser l’information reçue, et construire un vecteur de caractéristiques qui correspond au format d’entrée requis pour le calcul des probabilités de confiance.
Les données sont ensuite envoyées à des moyens de calcul comprenant au moins trois machines d’apprentissage automatique 22, 23, 24 supervisé ou non supervisé.
Par « supervisé » on entend un apprentissage d’une fonction de prédiction, en l’occurrence ici la probabilité de correspondre à un profil de conduite prédéterminé, à partir d’exemples annotés contrairement à l’apprentissage non supervisé.
Chaque machine d’apprentissage automatique 22, 23, 24 est indépendante et apte à reconnaître un unique profil de conduite par une recherche de caractéristiques en commun.
La principale méthode que nous avons utilisée pendant le développement est appelée « Random Forest ». C'est un algorithme d'apprentissage automatique qui est composé d'un ensemble d'arbres de décision. Les arbres de décision permettent de trouver un ensemble de règles qui fixent les intervalles d'une variable d'entrée qui sont caractéristiques d'une classe en particulier. Disons, pour la classe Sport, si l'accélération est supérieure à une certaine valeur, la probabilité de cette classe augmente. L'algorithme d'apprentissage utilise donc les données d'apprentissage pour trouver les valeurs optimales des intervalles qui caractérisent une classe en particulier. De nombreux arbres de décision peuvent être entraînés pour créer un ensemble d'opinions sur le même échantillon d'entrée. Ensuite, la moyenne de toutes les opinions est une estimation précise de la probabilité désirée. Cet ensemble est appelé « Random Forest ».
Néanmoins, il existe plusieurs méthodes alternatives pour estimer cette probabilité, y compris les réseaux neuronaux, les machines de support vectoriel et les algorithmes de clustering (« k-means », « k-neighbors », cartes auto-organisatrices). L'idée est que l'estimation peut être réalisée avec n'importe laquelle de ces méthodes, en fonction de la capacité de calcul disponible dans le véhicule, de la consommation énergétique, rapidité d’exécution, etc.
En ce qui concerne les données d'apprentissage, nous avons mené une vaste campagne de roulages, dans divers scénarios de conduite, avec les styles de conduite étudiés. Ces données nous ont permis d’entraîner les algorithmes. Nous envisageons également la collecte de données auprès des voitures connectées.
Ainsi, la première machine d’apprentissage automatique 22 est apte à produire une première probabilité de confiance Psport allant de 0 à 1, correspondant au profil de conduite sportive.
La deuxième machine d’apprentissage automatique 23 est apte à produite une deuxième probabilité de confiance Pconfort allant de 0 à 1, correspondant au profil de conduite souple.
Quant à la troisième machine d’apprentissage automatique 24, elle est apte à produire une troisième probabilité de confiance Peco allant de 0 à 1 ; correspondant au profil de conduite éco-responsable.
Les probabilités de confiance Pconfort, Psport et Peco sont mutuellement exclusives. Autrement dit, lorsqu’une probabilité de confiance augmente, les autres probabilités de confiance diminuent.
Par exemple, si Psport a une valeur de 0.6, les autres probabilités Pconfort et Peco auront une somme de probabilité égale à 0.4.
Dans la pratique, il y a un processus supplémentaire de normalisation. Supposons que Psport = 0,9, Peco = 0,15 et Pcomfort = 0,5, la somme de ces montants est supérieure à 1,55 (supérieure à 1). Dans ce cas, nous divisons toutes les quantités par la somme, laissant Psport = (0,9/1,55)= 0,58 ; Peco = (0,15/1,55)=0,01 ; et Pcomfort = (0,5/1,55) = 0,32. Après normalisation, la somme est égale à 1.
Il peut y avoir des cas particuliers où toutes les probabilités sont élevées ou faibles, dans ce cas les prédictions ne sont pas prises en compte et les données d'entrée sont enregistrées pour une étude ultérieure. Ainsi, on peut avoir un nombre potentiellement infini de combinaisons de profils de conduite et donc un profil de conduite personnalisé avec un haut degré de précision.
Les trois probabilités de confiance Psport, Pconfort et Peco seront par la suite envoyées à des moyens de modélisation 25 aptes à concevoir le profil de conduite pondéré en fonction de ces trois probabilités de confiance.
Pour concevoir ledit profil de conduite, les moyens de modélisation 25 sont aptes à construire en temps réel un espace formé par trois axes orthogonaux Xsport, Xeco et Xconfort, correspondant chacun à un desdits au moins trois styles de conduite comme illustré dans la figure 3A.
Dans cet exemple, le profil de conduite sportive est représenté par l’axe Xsport, le profil de conduite souple par l’axe Xconfort et le profil de conduite éco-responsable par l’axe Xeco.
Le profil de conduite pondéré déterminé est représenté sous la forme d’un point à cinq coordonnées Psport, Pconfort, Peco, T et CTX où les trois premières coordonnées représentent les trois probabilités de confiance définies plus haut.
Etant donné que la détermination du profil de conduite pondéré est réalisée en temps réel, T exprime l’instant de ladite détermination.
Quant à la coordonnée CTX, il s’agit d’informations contextuelles par exemple des données météorologiques, le type de chaussée empruntée par le véhicule, le trafic routier…etc.
Cet espace ainsi construit permet de modéliser de façon claire et exhaustive le profil de conduite pondéré et les interactions qui peuvent se produire entre les profils de conduite prédéfinis dans le contexte actuel.
Les données relatives à cet espace seront par la suite représentées graphiquement sur l’interface homme-machine 3 par exemple sous la forme d’une carte radar comme illustré sur la figure 3B.
La carte radar correspond au nombre exact de profils de conduite pondéré déterminé dans un temps donné grâce à la mémorisation effectuée par la mémoire interne 6.
La carte radar évolue au fil du temps avec les calculs réalisés périodiquement et permet au conducteur d’ajuster différents paramètres 5 comme la vitesse, par les moyens de régulation manuelle R2 pour s’approcher d’un profil de conduite souhaité ou automatique R1. Dans ce dernier cas, le réglage se fait en conformité avec le profil de conduite du conducteur.

Claims (6)

  1. Procédé de détermination en temps réel d’un profil de conduite pondéré entre au moins trois profils de conduite distincts d’un véhicule automobile (1), comprenant une acquisition de données mesurées par au moins un capteur (C1,…,Cn) du véhicule (1), caractérisé en ce qu’il comprend un calcul d’une probabilité de confiance (Psport, Peco, Pconfort) pour chacun desdits au moins trois profils de conduite distincts, et une modélisation du profil de conduite pondéré en fonction des probabilités de confiance (Psport, Peco, Pconfort).
  2. Procédé selon la revendication 1, dans lequel on acquiert les données mesurées périodiquement et on les met en conformité avec une norme définie.
  3. Module de détermination en temps réel d’un profil de conduite pondéré (2) entre au moins trois profils de conduite distincts d’un véhicule automobile (1), comprenant des moyens d’acquisition (21) aptes à acquérir des données mesurées par au moins un capteur (C1,…Cn) du véhicule (1), caractérisé en ce qu’il comprend des moyens de calcul aptes à calculer une probabilité de confiance (Psport, Pconfort, Peco) pour chacun desdits au moins trois profils de conduite distincts, et des moyens de modélisation (25) aptes à concevoir le profil de conduite pondéré en fonction des probabilités de confiance (Psport, Pconfort, Peco).
  4. Module selon la revendication 3, dans lequel les moyens de calcul comprennent au moins trois machines d’apprentissage automatique supervisé ou non supervisé (22, 23, 24), chacune étant apte à reconnaître un desdits au moins trois profils de conduite.
  5. Module selon la revendication 3 ou 4, dans lequel les moyens d’acquisition (21) sont aptes à acquérir les données mesurées périodiquement, et à les mettre en conformité avec une norme définie.
  6. Dispositif d’aide à la conduite d’un véhicule automobile en mouvement comprenant un module de détermination en temps réel d’un profil de conduite pondéré (2) entre au moins trois profils de conduite distincts selon l’une quelconque des revendications 3 à 5, comprenant des moyens de régulation automatique (R1) et manuelle (R2) aptes à ajuster au moins un paramètre de conduite (5) audit profil de conduite pondéré, et des moyens de commande (MC) aptes à activer l’un des deux moyens de régulation (R1, R2) en fonction des besoins du conducteur.
FR1910320A 2019-09-19 2019-09-19 Module de détermination en temps réel d’un profil de conduite personnalisé Active FR3101045B1 (fr)

Priority Applications (1)

Application Number Priority Date Filing Date Title
FR1910320A FR3101045B1 (fr) 2019-09-19 2019-09-19 Module de détermination en temps réel d’un profil de conduite personnalisé

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1910320 2019-09-19
FR1910320A FR3101045B1 (fr) 2019-09-19 2019-09-19 Module de détermination en temps réel d’un profil de conduite personnalisé

Publications (2)

Publication Number Publication Date
FR3101045A1 true FR3101045A1 (fr) 2021-03-26
FR3101045B1 FR3101045B1 (fr) 2022-01-21

Family

ID=69104663

Family Applications (1)

Application Number Title Priority Date Filing Date
FR1910320A Active FR3101045B1 (fr) 2019-09-19 2019-09-19 Module de détermination en temps réel d’un profil de conduite personnalisé

Country Status (1)

Country Link
FR (1) FR3101045B1 (fr)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2857912A1 (fr) * 2003-07-23 2005-01-28 Gie Psa Peugeot Citroen Procede de reglage d'organes reglables d'un vehicule automobile pour adapter son comportement, systeme et support d'enregistrement pour mettre en oeuvre ce procede
US20100023265A1 (en) * 2008-07-24 2010-01-28 Gm Global Technology Operations, Inc. Adaptive vehicle control system with integrated driving style recognition
WO2016109540A1 (fr) * 2014-12-29 2016-07-07 Robert Bosch Gmbh Systèmes et procédés pour faire fonctionner des véhicules autonomes en utilisant des profils de conduite personnalisés

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2857912A1 (fr) * 2003-07-23 2005-01-28 Gie Psa Peugeot Citroen Procede de reglage d'organes reglables d'un vehicule automobile pour adapter son comportement, systeme et support d'enregistrement pour mettre en oeuvre ce procede
US20100023265A1 (en) * 2008-07-24 2010-01-28 Gm Global Technology Operations, Inc. Adaptive vehicle control system with integrated driving style recognition
WO2016109540A1 (fr) * 2014-12-29 2016-07-07 Robert Bosch Gmbh Systèmes et procédés pour faire fonctionner des véhicules autonomes en utilisant des profils de conduite personnalisés

Also Published As

Publication number Publication date
FR3101045B1 (fr) 2022-01-21

Similar Documents

Publication Publication Date Title
US20200257300A1 (en) Method and system for risk modeling in autonomous vehicles
US11280633B2 (en) Method and system for evaluating a difficulty rating of an off-road route traversed by a vehicle
FR3074123A1 (fr) Evaluation d'un style de conduite d'un conducteur d'un vehicule routier en mouvement par apprentissage automatique
CN108475358B (zh) 用于评价驾驶员的行程性能的方法和系统
EP3894297B1 (fr) Procédé de caractérisation de virages pour l'avertissement de conducteurs
EP2079984B1 (fr) Procede de construction d'un modele numerique d'une route
FR2993652A1 (fr) Systeme et procede pour la mise a jour d'une carte numerique dans un systeme d'assistance a la conduite
CN108369682B (zh) 用于评价驾驶员的行程性能的方法和系统
CN108431837B (zh) 用于评价驾驶员的行程性能的方法和系统
CN108475359B (zh) 用于评价驾驶员的行程性能的方法和系统
CN108369683B (zh) 用于评价驾驶员的行程性能的方法和系统
EP3760506B1 (fr) Procede de caracterisation de l'etat d'une route
FR3061470A1 (fr) Procede de calcul d'une consigne de gestion de la consommation en carburant et en courant electrique d'un vehicule automobile hybride
EP3936824A1 (fr) Procede de caracterisation d'un trajet parcouru par un utilisateur
EP3458325B1 (fr) Procédé de proposition d'une vitesse de roulage
CN108369681B (zh) 用于评价驾驶员的行程性能的方法和系统
WO2020058234A1 (fr) Dispositif de prédiction de trajet le plus probable d'un véhicule
CN108475357B (zh) 用于评价驾驶员的行程性能的方法和系统
FR3101045A1 (fr) Module de détermination en temps réel d’un profil de conduite personnalisé
EP3599445A1 (fr) Procede de determination d'un itineraire minimisant la depense energetique d'un vehicule hybride au moyen d'un graphe adjoint etendu
WO2013190233A1 (fr) Méthode d'estimation d'un temps de parcours d'un véhicule dans un réseau routier
EP3999997A1 (fr) Procédé et dispositif embarqué d'aide à la conduite avec tracé de contour de voie dépassé
FR3119040A1 (fr) Méthodes pour la prédiction de la consommation énergétique d’un véhicule automobile
FR3105960A1 (fr) Méthodes et systèmes d’observation d’une fonction de régulation de la vitesse
FR3052727A1 (fr) Procede de determination d'une classe de conduite de reference

Legal Events

Date Code Title Description
PLFP Fee payment

Year of fee payment: 2

PLSC Publication of the preliminary search report

Effective date: 20210326

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