FR3103305A1

FR3103305A1 - Procédé et dispositif de prédiction d’au moins une caractéristique dynamique d’un véhicule en un point d’un segment routier.

Info

Publication number: FR3103305A1
Application number: FR1912890A
Authority: FR
Inventors: Fabien DANIEL; Grégoire CORBIERE
Original assignee: Continental Automotive France SAS
Current assignee: Continental Automotive France SAS
Priority date: 2019-11-19
Filing date: 2019-11-19
Publication date: 2021-05-21

Abstract

L’invention concerne un procédé de prédiction d’au moins une caractéristique dynamique d’un véhicule en un point particulier d’un segment routier comprenant une pluralité de points géographiques consécutifs. Le procédé est tel qu’il comprend, pour une position géographique et une direction données sur un réseau routier, des étapes de détermination (504), à partir de la position géographique et de la direction, d’une pluralité de points géographiques appartenant à un premier segment routier, et d’une caractéristique contextuelle associée audit premier segment routier, et pour au moins un point géographique courant du segment routier, une étape de prédiction (506) d’au moins une caractéristique dynamique d’un véhicule par application d’un modèle de prédiction préalablement entrainé à la position relative du point courant Pi par rapport à un point précédent Pi-1 du segment routier, et la caractéristique contextuelle associée au segment routier. Le procédé comprend en outre une étape de transmission (507) de la caractéristique dynamique prédite à au moins un véhicule. L’invention comprend également des étapes d’entrainement d’un modèle de prédiction et vise aussi un dispositif adapté pour mettre en œuvre le procédé. Figure 5.

Description

Procédé et dispositif de prédiction d’au moins une caractéristique dynamique d’un véhicule en un point d’un segment routier.

La présente invention concerne le domaine de la prédiction de paramètre de fonctionnement d’un véhicule circulant sur un réseau routier. En particulier, elle concerne un procédé et un dispositif permettant de prédire en fonction d’un contexte routier, un paramètre dynamique d’un véhicule sur un segment routier n’ayant pas encore été parcouru.

Art antérieur

La vitesse de déplacement d’un véhicule, notamment lorsqu’elle est excessive ou inappropriée, constitue un problème de sécurité routière dans le monde entier.

Dans le but d’améliorer la sécurité sur les routes, des technologies d’assistance à la conduite et de contrôle de la vitesse ont été développées.

On connaît ainsi, des systèmes régulateurs ou limiteurs de vitesse qui permettent à un conducteur d’un véhicule automobile de fixer par exemple une vitesse maximale à ne pas dépasser.

Toutefois, une vitesse maximum fixée par le conducteur d’un véhicule à un moment donnée peut s’avérer excessive quelques instants plus tard, par exemple lorsque le véhicule aborde un virage.

D’autre part, les limites de vitesse légales ne sont pas toujours adaptées et peuvent être inappropriées dans certaines conditions climatiques ou de luminosité.

Des solutions ont été proposées pour déterminer une vitesse adaptée au contexte routier. On connaît par exemple des régulateurs de vitesse adaptatifs permettant d’adapter la vitesse à l’environnement du véhicule. De tels systèmes utilisent des capteurs de type caméra, radar ou lidar pour adapter la vitesse du véhicule selon son environnement proche. De tels systèmes permettent par exemple d’adapter la vitesse d’un véhicule en fonction de la vitesse du véhicule qui le précède. Ces systèmes sont toutefois limités par la portée des capteurs.

La demande de brevet US 20180174484 A1 propose une méthode pour juger si la vitesse d’un véhicule est appropriée pour un segment routier particulier, dans des conditions de route particulières. L’évaluation de la vitesse est réalisée par rapport à une vitesse moyenne constatée au cours de précédents trajets effectués par des véhicules sur ce segment de route particulier, ou sur un segment similaire, dans des conditions de route semblables.

Une telle méthode présente au moins deux inconvénients. D’une part, elle n’offre pas suffisamment de précision pour permettre le guidage d’un véhicule autonome, et d’autre part elle nécessite que le segment routier ait été déjà parcouru.

Il existe ainsi un besoin pour un procédé permettant de prédire une caractéristique dynamique d’un véhicule en différents points d’un segment routier avec une précision améliorée.

A cet effet, il est proposé un procédé de prédiction d’au moins une caractéristique dynamique d’un véhicule en un point P_id’un segment routier, le segment comprenant une pluralité de points géographiques consécutifs P₁, P₂, …, P_n.

Le procédé de prédiction est remarquable en ce qu’il comprend les étapes suivantes, pour une position géographique et une direction données sur un réseau routier:

Détermination, à partir de la position géographique et de la direction, d’une pluralité de points géographiques P₁, P₂, …, P_nappartenant à un premier segment routier, et d’une caractéristique contextuelle associée audit premier segment routier,
Pour au moins un point géographique courant P_idu segment routier, prédiction d’au moins une caractéristique dynamique d’un véhicule par application d’un modèle de prédiction préalablement entrainé à :
- la position relative du point courant P_ipar rapport à un point précédent P_i-1du segment routier, et
- la caractéristique contextuelle associée au segment routier, et
Transmission de la caractéristique dynamique prédite à au moins un véhicule.

Le procédé permet ainsi de prédire un paramètre dynamique du véhicule, comme une vitesse ou une accélération, en différents points d’un segment routier, même lorsque le véhicule n’a jamais parcouru ce segment. Le procédé réalise une telle prédiction pour un point courant d’un segment déterminé à partir d’une position géographique et d’une direction du véhicule. La position du véhicule et sa direction permettent d’identifier un segment routier vers lequel se dirige le véhicule ou sur lequel il circule. La prédiction d’un paramètre dynamique du véhicule au point courant est réalisée en appliquant un modèle de prédiction à la position relative du point courant par rapport au point qui le précède et à une caractéristique contextuelle associée au segment. La valeur ainsi prédite est transmise au véhicule, par exemple sous la forme d’une carte routière numérique enrichie, de façon à permettre par exemple une configuration appropriée un dispositif d’assistance à la conduite tel qu’un limiteur/régulateur de vitesse ou un dispositif ABS.

Les coordonnées de chaque point courant étant relatives au point précédent, la prédiction n’est pas dépendante d’une forme géométrique globale du segment ni de son orientation, mais permet au contraire de prendre en compte des similarités géométriques locales sur des routes différentes. Ainsi, le procédé permet de prédire des caractéristiques dynamiques d’un véhicule, par exemple sa vitesse ou une accélération, en différents points de segments routiers qui n’ont pas été parcourus.

Le comportement dynamique d’un véhicule dans un virage n’étant pas uniquement lié à la géométrie du virage, le procédé comprend l’application du modèle de prédiction à une donnée contextuelle associée au segment. La caractéristique dynamique est ainsi prédite de manière particulièrement fiable.

Le procédé peut être mis en œuvre par un serveur accessible dans le cadre d’un service en ligne de type «cloud» pour fournir par exemple des vitesses ou d’autres paramètres dynamiques recommandés à des véhicules en circulation, par exemple à des véhicules autonomes, afin qu’ils puissent ajuster leur vitesse ou paramétrer des dispositifs d’assistance à la conduite.

Selon un mode particulier de réalisation, le procédé comprend en outre une étape préalable d’entrainement du modèle de prédiction, l’étape d’entrainement comprenant les sous-étapes suivantes, pour chaque point courant C_jd’une pluralité de points géographiques C₁, C₂, …, C_mappartenant à un second segment routier, et pour une pluralité de véhicules d’entrainement:

Collecte d’au moins une caractéristique dynamique d’un véhicule d’entrainement au point courant C_jet d’une caractéristique contextuelle associée au second segment routier,
Création d’un vecteur caractéristique comprenantau moins:
- la position relative du point courant C_jpar rapport à un point précédent C_j _-1du second segment routier, le point précédent C_j _-1étant un point qui précède le point courant C_jdu second segment routier dans un sens de circulation du véhicule, et
- la caractéristique contextuelle associée au segment routier, et
Entrainement du modèle de prédiction à partir du vecteur caractéristique créé pour le point courant C_jet de la caractéristique dynamique du véhicule collectée au point courant C_j.

Ainsi, il est proposé d’entrainer le modèle de prédiction à partir de données collectées par des véhicules d’entrainement circulant sur un réseau routier. Ces véhicules collectent en particulier des données en différents points de segments routiers. Pour chacun des points d’un segment particulier, au moins une caractéristique dynamique du véhicule est collectée en association avec le point auquel la caractéristique dynamique est obtenue par le véhicule. Une caractéristique contextuelle associée au segment routier est également collectée. Il peut s’agir par exemple d’un type de route, une donnée météo ou une valeur de luminosité. Cette caractéristique contextuelle peut être collectée par le véhicule ou obtenue à partir d’une base de données cartographique ou d’un service météo par exemple.

Précisément, le modèle de prédiction est entrainé, pour un point géographique donné, avec un vecteur caractéristique comprenant au moins la position de ce point par rapport à au moins un point précédent et à la donnée contextuelle. Autrement dit, la position du point courant dans le vecteur caractéristique est donnée dans un repère ayant pour origine le point précédent du segment dans le sens de circulation du véhicule d’entrainement.

Le fait que les coordonnées d’un point courant soient données dans un repère ayant pour origine le point précédent permet au modèle de s’affranchir de l’orientation d’un virage. En effet, chaque point étant défini par rapport au point précédent, le modèle peut établir des corrélations entre des segments routiers orientés différemment ou présentant des courbures localement similaires. Une telle disposition permet de limiter la quantité de données et le temps nécessaire pour entrainer le modèle, tout en permettant au modèle de détecter des similarités géométriques locales sur des routes différentes. De cette façon le jeu de données nécessaire à l’entrainement est réduit.

Selon une réalisation particulière, la position relative d’un point courant P_i, C_jpar rapport à un point précédent P_i-1, C_j-1est donnée sous la forme de coordonnées polaires.

Ainsi, la position du point courant est définie par une composante radiale et une composante angulaire par rapport à un pôle correspondant au point précédent. Une telle représentation est particulièrement adaptée pour décrire des virages ou des courbes, la valeur de l’angle décrivant la position du point courant par rapport à un point précédent variant peu d’un point à l’autre. L’entrainement du modèle est ainsi plus efficace, et nécessite un jeu de données d’entrainement restreint par rapport à une solution utilisant des coordonnées cartésiennes ou géodésiques.

En outre, lorsque les points sont régulièrement et fréquemment échantillonnés sur la route (par exemple tous les mètres), la distance entre deux points successifs est sensiblement identique et la composante radiale d’un point peut être négligé. Il est alors possible de donner la position d’un point courant uniquement à partir de sa coordonnée angulaire par rapport au point précédent. De cette façon, le vecteur caractéristique ne comprend qu’une valeur d’angle. Le modèle de prédiction peut ainsi établir des corrélations de façon très efficaces entre des points successifs d’un segment routier. L’efficacité du modèle est encore améliorée.

Dans un mode de réalisation particulier, la coordonnée angulaire correspond à l’angle formé par la demi-droite ayant pour origine le point précédent et passant par le point courant, et la droite passant par les deux points du segment qui précèdent le point courant.

Autrement dit, la composante angulaire est l’angle formé par le segment reliant le point précédant au point courant et le segment reliant le point précédant et le point qui précède le point précédant le point courant. Ainsi, l’orientation du repère dans lesquelles sont données les coordonnées d’un point courant varie pour chaque point courant et n’est pas tributaire d’une orientation absolue. Une telle disposition permet au modèle de ne pas être contraint par une orientation particulière du virage et de prédire les mêmes paramètres physiques pour deux segments dont la géométrie est identique mais qui sont orientés différemment.

Selon un mode particulier de réalisation, le modèle de prédiction est un réseau de neurones récurrent.

Le choix d’un réseau de neurones récurrent profond est particulièrement adapté car il possède une mémoire. Ainsi, l’apprentissage d’un point particulier d’un segment bénéficie des apprentissages réalisés auparavant pour les points qui le précèdent dans le segment sans qu’il soit nécessaire de fournir l’ensemble des points. L’entrainement est ainsi facilité car le vecteur caractéristique ne comporte que la position du point courant par rapport au point précédent et la donnée contextuelle. Les points du segment sont présentés successivement dans le sens de parcours du segment.

A l’inverse, dans le cas d’un modèle de prédiction classique, par exemple de type arbre de décision, l’ensemble des points qui précédent le point courant doit être fourni dans le vecteur caractéristique pour entrainer le modèle et pour effectuer une prédiction. Une telle variante est moins efficace car elle nécessite de manipuler davantage les données.

Selon une réalisation particulière, la position relative d’un point précédent par rapport à un point courant est une position selon trois dimensions.

De cette façon, les prédictions réalisées tiennent compte du relief. La prédiction est alors améliorée, notamment dans des configurations particulières de segment routier, comme sur des routes de montagne ou sur des échangeurs, voies d’accès ou autres infrastructures à plusieurs niveaux. La position d’un point courant est ainsi définie par nue distance, un azimut et une élévation par rapport au point précédent.

Dans une réalisation particulière, le vecteur caractéristique comprend une caractéristique dynamique du véhicule déterminée au point précédent.

Le comportement dynamique d’un véhicule à un point particulier d’un segment routier est fortement corrélé à son comportement dynamique au point précédent. Ainsi, en prenant en compte une caractéristique dynamique prédite ou observée au point précédent, le procédé permet d’améliorer la prédiction.

Selon un mode particulier de réalisation, le vecteur caractéristique pour un point courant d’un segment routier comprend en outre une valeur représentative d’une distance de visibilité à partir du point courant.

La vitesse d’un véhicule, comme son accélération ou d’autres paramètres de fonctionnement tels que l’activation d’un indicateur de direction sont corrélés avec la distance de visibilité à un point donné du segment routier. Ainsi, en prenant en compte une distance de visibilité pour entrainer un modèle et effectuer des prédictions grâce au modèle entrainé il est possible d’obtenir des prédictions de paramètres de fonctionnement particulièrement précises.

Selon un mode de réalisation particulier, la caractéristique contextuelle associée à un segment routier est une valeur représentative d’au moins un contexte de circulation sélectionné parmi les contextes de circulation suivants :

Une valeur de luminosité,
Une valeur représentative d’une condition de surface du segment routier au point courant,
Une valeur représentative d’un type de véhicule,
Une valeur de limitation de vitesse règlementaire.

La luminosité ambiante ou la hauteur du soleil combinée à l’azimut d’un véhicule circulant sur un segment routier peuvent avoir une influence sur la vitesse à laquelle circule un véhicule. En effet, un automobiliste circulant vers l’ouest en fin d’après-midi peut être ébloui et modérer sa vitesse. Ainsi, en prenant en compte un contexte de circulation comprenant la luminosité, la saison, l’orientation du véhicule en un point particulier et l’heure de la journée, il est possible d’améliorer les performances du modèle.

De même, les conditions de surface d’un segment routier sont corrélées avec le comportement dynamique d’un véhicule circulant sur ce segment. Le comportement frictionnel d’un véhicule est variable selon la quantité d’eau sur la chaussée ou selon les conditions climatiques. En outre, le conducteur adapte généralement son allure selon les conditions climatiques, atmosphériques (pluie, grêle, brouillard, … ) et/ou de surface (verglas, route mouillée, route sèche). La prise en compte de tels paramètres contextuels lors de l’entrainement et lors de la prédiction permet d’améliorer encore les performances du procédé.

Le comportement dynamique d’un véhicule, et donc ses paramètres de fonctionnement sont également corrélés au type du véhicule, par exemple son poids et/ou sa puissance, ainsi qu’aux limitations de vitesses légales qui réglementent certaines portions de route.

Selon une réalisation particulière, un paramètre de fonctionnement du véhicule est un paramètre choisi parmi les paramètres suivants :

Une vitesse du véhicule,
Une accélération longitudinale ou latérale du véhicule.
L’angle et la vélocité du volant
Le roulis, le tangage ou le lacet du véhicule

Le procédé peut ainsi prédire la vitesse d’un véhicule en un point particulier d’un segment routier ou d’un virage, ainsi qu’une accélération latérale ou longitudinale. Une telle prédiction permet, lorsqu’elle est transmise à un véhicule, de configurer avec précision certains dispositifs d’assistance à la conduite, comme un régulateur de vitesse, un ABS, ESP par exemple, ou de guider avec plus de fiabilité un véhicule autonome.

Selon un autre aspect, l’invention concerne un dispositif de prédiction d’au moins une caractéristique dynamique d’un véhicule en un point P_id’un segment routier, le segment comprenant une pluralité de points géographiques consécutifs P₁, P₂, …, P_n, le dispositif étant caractérisé en ce qu’il comprend une interface de communication, un processeur et une mémoire, le processeur et l’interface de communication étant configurés par des instructions stockées dans la mémoire pour mettre en œuvre les étapes suivantes :

Dans une réalisation particulière, le dispositif est tel que le processeur est en outre configuré par des instructions stockées dans la mémoire pour mettre en œuvre une étape préalable d’entrainement du modèle de prédiction, l’étape d’entrainement comprenant les sous-étapes suivantes, pour chaque point courant C_jd’une pluralité de points géographiques C₁, C₂, …, C_mappartenant à un second segment routier, et pour une pluralité de véhicules d’entrainement:

Collecte d’au moins une caractéristique dynamique d’un véhicule d’entrainement au point courant C_jet d’une caractéristique contextuelle associée au second segment routier,
Création d’un vecteur caractéristique comprenantau moins:
- la position relative du point courant Cj par rapport à un point précédent Cj-1 du second segment routier, le point précédent C_j- ₁étant un point qui précède le point courant C_jdu second segment routier dans un sens de circulation du véhicule, et
- la caractéristique contextuelle associée au segment routier, et
Entrainement du modèle de prédiction à partir du vecteur caractéristique créé pour le point courant (C_j) et de la caractéristique dynamique du véhicule collectée au point courant C_j.

Selon encore un autre aspect, l’invention concerne un serveur comprenant un tel dispositif de prédiction.

Enfin, l’invention concerne un support d'informations lisible par un processeur sur lequel est enregistré un programme d'ordinateur comprenant des instructions pour l’exécution des étapes d’un procédé de prédiction tel que décrit ci-avant.

Le support d'information peut être un support d'information non transitoire tel qu'un disque dur, une mémoire flash, ou un disque optique par exemple.

Le support d'informations peut être n'importe quelle entité ou dispositif capable de stocker des instructions. Par exemple, le support peut comporter un moyen de stockage, tel qu'une ROM, RAM, PROM, EPROM, un CD ROM ou encore un moyen d'enregistrement magnétique, par exemple un disque dur.

D'autre part, le support d'informations peut être un support transmissible tel qu'un signal électrique ou optique, qui peut être acheminé via un câble électrique ou optique, par radio ou par d'autres moyens.

Alternativement, le support d'informations peut être un circuit intégré dans lequel le programme est incorporé, le circuit étant adapté pour exécuter ou pour être utilisé dans l'exécution du procédé en question.

Les différents modes ou caractéristiques de réalisation précités peuvent être ajoutés indépendamment ou en combinaison les uns avec les autres, aux étapes du procédé de prédiction.

Les dispositifs, serveurs et supports d’informations présentent au moins des avantages analogues à ceux conférés par le procédé auquel ils se rapportent.

D’autres caractéristiques, détails et avantages de l’invention apparaîtront à la lecture de la description détaillée ci-après, et à l’analyse des dessins annexés, parmi lesquels :

La figure 1 représente un véhicule d’entrainement circulant sur un segment routier,

La figure 2 est une représentation d’un segment routier comprenant une pluralité de points,

La figure 3 montre une pluralité de points auxquels sont associés des repères locaux,

La figure 4 est un tableau montrant des caractéristiques utilisables pour entrainer un modèle de prédiction,

La figure 5 représente les principales étapes du procédé de prédiction, et

La figure 6 montre une architecture d’un dispositif adapté pour mettre en œuvre le procédé de prédiction.

Description d’un mode de réalisation

La figure 1 représente un segment routier 100 sur lequel circule un véhicule d’entrainement 101.

Le véhicule 101 est un véhicule routier comprenant un dispositif de localisation permettant au véhicule 100 de connaitre sa localisation, comme un dispositif de géolocalisation GNSS (pour Global Navigation Satellite System). Un tel dispositif permet au véhicule d’obtenir sa longitude et sa latitude.

Le véhicule 101 comprend en outre un calculateur, comme un ECU (Unité de Commande Electronique) relié à des capteurs par l’intermédiaire d’un bus de communication, par exemple un bus CAN (Controller Area Network). Ces capteurs permettent notamment à l’ECU d’obtenir ou de déterminer des paramètres de fonctionnement du véhicule, comme sa vitesse, une accélération longitudinale et/ou latérale à laquelle il est soumis, la pression dans le système de freinage ou tout autre paramètre relatif au fonctionnement du véhicule.

Au cours de sa circulation sur le réseau routier, le véhicule d’entrainement collecte des paramètres de fonctionnements, comme sa vitesse, une accélération longitudinale et/ou latérale à laquelle il est soumis, la pression dans le système de freinage ou tout autre paramètre relatif au fonctionnement du véhicule. Ces paramètres sont associés aux différentes positions occupées par le véhicule, obtenues par l’intermédiaire du dispositif de localisation de telle façon qu’il est possible de connaître pour une localisation du véhicule d’entrainement 101 la valeur d’un paramètre de fonctionnement à ladite position et pour des positions intermédiaires.

De manière avantageuse, le véhicule 101 collecte de telles données à intervalle régulier de façon à obtenir une trace dans laquelle chaque position du véhicule est associée à des paramètres de fonctionnement. La trace comprend ainsi une succession de positions du véhicule, par exemple à intervalle d’un mètre.

Le véhicule 101 transmet les données ainsi collectées à un serveur de traitement 102 d’un réseau de télécommunication 103. Pour cela, le véhicule d’entrainement 101 comprend un module de télécommunication lui permettant d’échanger des données avec d‘autres équipements comme le serveur 102. Le module de communication est par exemple une interface réseau 2G, 3G, 4G ou LTE permettant au véhicule de se connecter à un réseau d’accès 104 interconnecté au réseau 103, ou encore une interface Wi-Fi ou Wimax permettant l’accès au réseau 103.

Le serveur 102 reçoit les données collectées par le véhicule d’entrainement 101 lors d’une étape de collecte 500. Les données sont reçues par le serveur 102 au moyen d’une interface de communication et peuvent être stockées temporairement dans une base de données. Bien entendu, le serveur peut recevoir d’autres données collectées par d’autres véhicules d’entrainement circulant sur d’autres segments routiers. Les données sont ainsi collectées de manière participative selon une technique dite de «crowd-sourcing».

Le serveur est en outre configuré pour collecter une donnée de contexte associée au segment routier sur lequel circule le véhicule 101. Cette donnée de contexte peut être une donnée statique, comme par exemple un type de route ou de revêtement ou encore une distance de visibilité. Le serveur 102 obtient de telles données en interrogeant par exemple une base de données géospatiale comprenant de telles données de contexte. La donnée de contexte peut également être dynamique, c’est-à-dire variable selon la date ou l’heure de la journée. Une telle donnée de contexte dynamique peut comprendre des conditions météo de surface ou atmosphérique, comme par exemple une hauteur d’eau sur le segment routier ou des conditions atmosphériques comme la présence de brouillard, de pluie, de verglas ou encore de neige.

Lors d’une étape 501, le serveur 102 détermine, à partir de la trace reçue, la position relative de chaque point C_jde la trace possédant un prédécesseur, par rapport au point précédent C_j-1. De manière avantageuse, les positions relatives de chaque point C_jsont données sous forme de coordonnées polaires dont la composante angulaire correspond à l’angle formé dans le plan horizontal par la demi-droite ayant pour origine le point précédent et passant par le point courant, et la droite passant par les deux points du segment qui précèdent le point courant.

Par exemple, en référence à la figure 3, les coordonnées du point C₂par rapport au point C₁sont données par une composante radiale et une composante angulaire .

La composante angulaire correspond à l’angle formé par les segments [C₁, C₂]et [C₀, C₁].

La composante radiale correspond à la distance séparant le point C₁du point C₂.

Le serveur 102 procède ainsi au même calcul pour une pluralité de points du segment considéré et associe les coordonnées calculées avec les paramètres de fonctionnements collectés à chacune de ces positions.

Dans un mode de réalisation particulier, les coordonnées d’un point du segment 100 sont données selon trois dimensions. Ainsi, les coordonnées d’un point comprennent un seconde composante angulaire correspondant à l’angle formé dans le plan vertical par la demi-droite ayant pour origine le point précédent et passant par le point courant, et la droite passant par les deux points du segment qui précèdent le point courant.

La figure 4 montre un exemple de base de données constituée par le serveur 102, comprenant une entrée pour chaque point du segment 100 à laquelle est associée la position du point considéré par rapport au point précédent, la vitesse V_irelevée par le véhicule d’entrainement au point considéré, ainsi que la donnée de contexte CTX collectée. Dans cet exemple, la donnée de contexte est constante pour tous les points de la trace, mais comme on l’a vu, cette donnée peut varier d’un point à l’autre de la trace, par exemple selon la date ou l’orientation du véhicule.

Lors d’une étape 502 le serveur 102 procède à la création d’un vecteur caractéristique comprenant au moins la position relative d’un point courant C_jpar rapport à un point précédent C_j-1du segment routier 100, le point précédent C_j-1étant un point qui précède le point courant C_jdu segment routier dans un sens de circulation du véhicule, et la caractéristique contextuelle associée au segment routier. Un vecteur caractéristique est ainsi créé pour chaque enregistrement de la base de données représentée à la figure 4. Par exemple, un vecteur caractéristique pour le point C₃est:

Avec:

les coordonnées polaires du point C₃dans le repère de centre C₁,
V₃la vitesse relevée par le véhicule au point C₃,
CTX la donnée de contexte associée au segment

Selon une réalisation particulière, le vecteur caractéristique comprend en outre une valeur de vitesse du véhicule relevée par le véhicule d’entrainement au point précédent, par exemple:

Avec V₂la vitesse relevée par le véhicule au point C₂.

Selon un mode particulier de réalisation, le vecteur caractéristique comprend en outre une valeur représentative d’une distance de visibilité à partir du point courant. Une telle distance est par exemple donnée sous la forme d’une valeur en mètres ou bien sous la forme d’une valeur binaire associée à une bonne ou une mauvaise visibilité, ou par toute valeur reflétant les conditions de visibilité du conducteur. Cette donnée peut être obtenue par l’interrogation d’un serveur adapté pour déterminer, par l’intermédiaire d’un modèle en trois dimensions, d’une distance de visibilité en fonction d’une courbure de virage, ou par un modèle topographique des abords du segment routier.

La donnée contextuelle comprise dans le vecteur caractéristique peut comprendre une ou plusieurs valeurs parmi les valeurs suivantes :

La valeur de luminosité est par exemple déterminée en fonction de l’heure à laquelle le véhicule à emprunté le segment routier. Elle peut ainsi simplement consister en une valeur binaire jour/nuit. Une telle valeur peut être collectée par le véhicule 101 au moyen d’un capteur adapté, par exemple un capteur prévu pour l’allumage ou l’extinction automatique des feux du véhicule, et transmise au serveur 102 avec les paramètres de fonctionnement du véhicule et sa position.

En variante, la valeur de luminosité est une valeur continue caractéristique d’un degré d’éblouissement. Une telle valeur peut être obtenue par l’intermédiaire d’un capteur du véhicule ou à partir d’une élévation du soleil et une direction du véhicule au moment où le segment est parcouru, ainsi que d’un état de la couverture nuageuse. Pour cela, la trace transmise par le véhicule au serveur 102 est horodatée et contient en outre une orientation du véhicule par rapport au nord, obtenue par exemple à partir d’un magnétomètre ou d’un système de navigation de type GNSS. A partir de la date et de l’heure du parcours, le serveur peut calculer de manière connue une élévation du soleil. Le serveur interroge alors un serveur afin d’obtenir des données météo correspondant à la date et l’heure à laquelle la trace a été enregistrée. En particulier, le serveur peut fournir un état de la couverture nuageuse constatée à la date et à l’heure de capture de la trace. Le serveur détermine alors une valeur de luminosité telle que la valeur est maximale lorsque l’élévation du soleil est inférieure à un seuil, par exemple inférieure à 20°, ou comprise dans une fourchette de 10° à 20° (l’intensité lumineuse étant moindre lorsque l’élévation du soleil est inférieure à 10°), que le ciel est dégagé, et que l’angle formé par la direction du véhicule et la position du soleil est inférieure à 20°. A l’inverse, une couverture nuageuse épaisse et une élévation maximale du soleil permettent de déterminer un niveau d’éblouissement minimal.

La donnée contextuelle peut également comprendre une valeur représentative d’une condition de surface du segment routier sur lequel circule le véhicule d’entrainement. Le serveur 102 peut obtenir cette valeur en interrogeant un serveur de données météorologiques, la requête comprenant une position géographique et une date. La condition de surface peut également correspondre à un type de revêtement et/ou de voie (pavés, enrobé, chemin de terre, …). La donnée contextuelle comprend alors une valeur numérique associée au type de revêtement sur le segment.

La donnée contextuelle peut également comprendre le type du véhicule circulant sur le segment. Le type du véhicule est une valeur permettant de caractériser le comportement dynamique de ce véhicule et permet de rendre compte de son poids, du couple moteur, du type de traction, du nombre de roues motrices ou encore de la présence non d’un attelage. Une telle donnée peut être transmise au serveur par le véhicule en association avec les données relatives aux paramètres de fonctionnement lors de l’étape 500.

La donnée contextuelle peut enfin comprendre une valeur représentative d’une limitation de vitesse réglementaire associée au segment sur lequel circule le véhicule. Le serveur 102 peut obtenir une telle valeur en interrogeant une carte numérique contenant de telles informations, mais l’indication de vitesse autorisée peut aussi être déterminée par le véhicule ayant collecté la trace, par exemple en utilisant des caméras d’un système ADAS (pour Advanced Driver Assistance Systems).

A l’étape 503, le serveur 102 procède à l’entrainement supervisé d’un modèle de prédiction à partir du vecteur caractéristique créé à l’étape 502 pour un point du segment 100 et d’une valeur cible correspondant à une valeur de paramètre de fonctionnement du véhicule, comme sa vitesse, collectée au point considéré du segment lors de l’étape 500.

Selon une réalisation particulière, le modèle de prédiction est un réseau de neurones récurrent.

Le paramètre de fonctionnement utilisé comme cible de l’apprentissage est par exemple:

Une vitesse du véhicule,
Une accélération longitudinale ou latérale du véhicule,
L’angle et la vélocité du volant,
Le roulis, le tangage ou le lacet du véhicule.

Ces paramètres sont obtenus par le véhicule, à partir de capteurs connectés à un bus CAN. Ainsi, à chaque point du segment parcouru, un véhicule peut associer une valeur de paramètre de fonctionnement mesurée et transmettre la valeur du paramètre au serveur 102.

En entrainant le modèle de prédiction avec pour cible l’un de ces paramètres de fonctionnement du véhicule, il est ainsi possible d’obtenir un modèle de prédiction adapté pour prédire, à partir d’un vecteur caractéristique tel que décrit précédemment, le paramètre de fonctionnement en question.

L’étape d’entrainement est répétée pour une pluralité de points d’un segment et pour une pluralité de segments. En outre, les données utilisées pour l’entrainement peuvent provenir d’une pluralité de véhicules circulant sur un réseau routier. De cette façon, le modèle entrainé est capable de fournir des prédictions pour la plupart des configurations de segments routier, sans qu’il soit nécessaire qu’un véhicule ait parcouru tous les segments.

Lorsque le modèle de prédiction est entrainé, il est mis en œuvre par un serveur, par exemple par le serveur 102, afin de fournir des prédictions à des véhicules circulant sur le réseau routier.

La figure 2 illustre un second segment routier 200 pour lequel aucune donnée n’a été transmise au serveur 102, par exemple parce qu’aucun véhicule d’entrainement tel que le véhicule 101 n’a parcouru ce segment. La figure représente également un véhicule 201 circulant sur le segment 200.

Le véhicule 201 est à une position Pi-1 du segment routier 200 et transmet une requête au serveur 102 afin d’obtenir par exemple une vitesse recommandée à une position future Pi. Dans la requête transmise au serveur 102, le véhicule indique sa position géographique et sa direction. Le véhicule 201 obtient sa position géographique et sa direction à partir d’un dispositif de navigation tel qu’un GNSS. La requête est transmise au serveur par l’intermédiaire de moyens de communications tels que ceux décrits en référence au véhicule 101 de la figure 1. Ces moyens permettent ainsi au véhicule 201 d’échanger des messages avec le serveur 102, et en particulier d’envoyer la requête en question et de recevoir une réponse.

Lors d’une étape 504, le serveur reçoit la requête transmise par le véhicule et détermine, à partir de la position géographique et de la direction indiquées dans la requête, une pluralité de points géographiques P₀, P₁, …, P_nappartenant au segment routier 200, ainsi qu’une caractéristique contextuelle associée audit segment routier 200. Pour cela, le serveur établit une correspondance entre la position du véhicule et des voies de circulations du réseau routier représenté par une carte numérique de façon déterminer un segment routier sur lequel circule le véhicule. De tels algorithmes de «map matching» son biens connus et couramment utilisés dans les systèmes de navigation embarqués. Le serveur 102 détermine ainsi que le véhicule 201 circule sur le segment routier 200. Le serveur utilise en outre l’information de direction pour déterminer le sens de circulation du véhicule sur le segment. En variante, la direction du véhicule n’est pas transmise et le serveur détermine le sens de circulation par comparaison de deux positions successives du véhicule 201.

Le serveur 102 détermine alors une pluralité de points géographiques du segment 200. Par exemple, en référence à la figure 2, le serveur détermine des points P₀à P_nappartenant au segment. Pour cela, le serveur utilise une représentation du segment routier sous forme numérique, par exemple une carte numérique, à partir de laquelle il sélectionne des positions à intervalle régulier, par exemple à intervalle d’un mètre, qui suivent le tracé du segment 200.

Le serveur détermine la position relative de chaque point P_idéterminé possédant un prédécesseur, par rapport au point précédent P_i _-1, d’une façon similaire à ce qui a été décrit en référence à l’étape 501. De même, les positions relatives de chaque point P_isont avantageusement données sous forme de coordonnées polaires dont la composante angulaire correspond à l’angle formé dans le plan horizontal par la demi-droite ayant pour origine le point précédent et passant par le point courant, et la droite passant par les deux points du segment qui précèdent le point courant, comme décrit précédemment en référence à la figure 3.

Le serveur obtient en outre une donnée contextuelle associée au segment identifié 200. La donnée contextuelle obtenue est du même type que la donnée contextuelle collectée à l’étape 500 pour l’entrainement du modèle. Par exemple, si le modèle de prédiction utilisé par le serveur 102 pour prédire une vitesse a été entrainé avec une donnée contextuelle correspondant à une valeur de luminosité, le serveur 102 détermine de la même façon une valeur de luminosité associée au segment 200 au moment ou le segment est parcouru par le véhicule 201.

Lors d’une étape 505, le serveur 102 procède à la création d’un vecteur caractéristique. Les traitements effectués par le serveur 102 à l’étape 505 pour créer un vecteur caractéristique sont similaires à ceux effectués lors de l’étape 502. Ainsi, le vecteur caractéristique créé à l’étape 505 a une cardinalité identique au vecteur caractéristique utilisé pour l’entrainement du modèle et comprend des données de même type disposées dans le même ordre au sein du vecteur. Toutes les variantes de construction du vecteur caractéristique décrites en relation avec l’étape 502 sont applicables à l’étape 505.

Le serveur effectue lors d’une étape 506 une prédiction d’un paramètre de fonctionnement du véhicule par application du modèle de prédiction entrainé à l’étape 503 au vecteur caractéristique créé à l’épate 505. Ainsi par exemple, le serveur 102 applique le modèle de prédiction entrainé à un vecteur caractéristique comprenant la position du point P_ipar rapport au point P_i-1sous la forme de coordonnées polaires, une vitesse du véhicule au point P_i-1, une donnée de contexte associée au segment et obtenue comme indiqué précédemment, et obtient par inférence une vitesse prédite du véhicule au point P_i.

La vitesse ainsi prédite pour le véhicule 201 au point P_ipeut alors être utilisée pour effectuer une prédiction de la vitesse du véhicule 201 au point P_i+1. Pour cela, le serveur procède à la création d’un nouveau vecteur caractéristique comprenant les coordonnées du point P_i+1par rapport au point P_iet la vitesse prédite au point Pⁱ, ainsi que la donnée de contexte associée au segment. De cette façon, il est possible de prédire une vitesse du véhicule 201 pour chaque point du segment 200.

Le serveur 102 procède enfin lors d’une étape 507 à la transmission au véhicule 201 d’un ou plusieurs paramètres de fonctionnement ainsi prédits, comme une vitesse. Pour cela, le serveur peut associer les vitesses prédites à des coordonnées GNSS données dans un repère géodésique correspondantes aux points du segment 200 pour lesquelles des prédictions ont été réalisées et les transmettre au véhicule par l’intermédiaire d’une interface de communication, par exemple sous la forme d’une carte numérique annotée ou d’un fichier structuré de type XML ou JSON par exemple.

A la réception de ces prédictions, le véhicule 201 peut configurer des dispositifs d’assistance à la conduite, comme par exemple un ABS, un limitateur ou un régulateur de vitesse, ou encore déclencher une alarme à l’attention du conducteur si la vitesse constatée est supérieure à la prédiction pour une position donnée.

On remarque que bien que le segment 200 ne soit pas orienté comme le segment 100, sa courbure est identique. Le modèle ayant été entrainé à partir des relations entre chaque point du segment 100, sans considération d’une orientation globale du segment, il peut prédire les paramètres dynamiques du véhicule 201 sur le segment 200.

La présente invention à été décrite en référence à un mode de réalisation dans lequel le paramètre de fonctionnement prédit est la vitesse du véhicule. Toutefois, comme on l’a vu, le procédé peut être mis en œuvre afin de prédire toute caractéristique dynamique d’un véhicule, comme l’accélération latérale par exemple, qui peut être utilisée par un véhicule pour configurer un correcteur d’assiette ou un système de contrôle de trajectoire de type ESP (Electronic Stability Program), ou proposer une vitesse recommandée.

La figure 6 représente l’architecture d’un dispositif 600 adapté pour mettre en œuvre le procédé de prédiction selon un mode de réalisation particulier.

Le dispositif 600 comprend un espace de stockage 602, par exemple une mémoire MEM, une unité de traitement 601 équipée par exemple d’un processeur PROC. L’unité de traitement peut être pilotée par un programme 603, par exemple un programme d’ordinateur PGR, mettant en œuvre le procédé de prédiction décrit précédemment en référence à la figure 5, et notamment les étapes decollecte d’au moins une caractéristique dynamique d’un véhicule d’entrainement au point courant Cj et d’une caractéristique contextuelle associée au second segment routier, de création d’un vecteur caractéristique comprenant au moinsune caractéristique contextuelle associée au segment routier et la position relative du point courant Cj par rapport à un point précédent Cj-1 du second segment routier, le point précédent Cj-1 étant un point qui précède le point courant Cj du second segment routier dans un sens de circulation du véhicule, et d’entrainement du modèle de prédiction à partir du vecteur caractéristique créé pour le point courant Cj et de la caractéristique dynamique du véhicule collectée au point courant Cj.

Selon une réalisation particulière, le programme d’ordinateur 503 comprend en outre des instructions pour mettre en œuvre les étapes détermination, à partir de la position géographique et de la direction, d’une pluralité de points géographiques P1, P2, …, Pn appartenant à un premier segment routier, et d’une caractéristique contextuelle associée audit premier segment routier, de prédiction, pour au moins un point géographique courant Pi du segment routier, d’au moins une caractéristique dynamique d’un véhicule par application d’un modèle de prédiction préalablement entrainé à la position relative du point courant Pi par rapport à un point précédent Pi-1 du segment routier, et à la caractéristique contextuelle associée au segment routier, et l’étape de transmission de la caractéristique dynamique prédite à au moins un véhicule.

À l’initialisation, les instructions du programme d’ordinateur 603 sont par exemple chargées dans une mémoire RAM (Random Access Memory en anglais) avant d’être exécutées par le processeur de l’unité de traitement 601. Le processeur de l’unité de traitement 601 met en œuvre les étapes du procédé de prédiction selon les instructions du programme d’ordinateur 603.

Pour cela, le dispositif 600 comprend, outre la mémoire 602, des moyens de communication 604, par exemple une interface réseau COM de type Ethernet, permettant au dispositif de se connecter à un réseau de communication et d’échanger des messages avec d’autres dispositifs. L’interface de communication 504 permet notamment au dispositif 600 de collecter des paramètres de fonctionnement d’un véhicule, comme par exemple des caractéristiques dynamiques capturées par des capteurs d’un véhicule et transmises au dispositif 600 par l’intermédiaire d’une interface de communication du véhicule, par exemple une interface 2G, 3G, 4G ou LTE. L’interface de communication permet en outre au dispositif 600 d’établir une connexion avec une base de données comprenant des associations entre des segments routiers et des données contextuelles comme par exemple des limitations de vitesse réglementaires sur un segment routier ou des conditions météo de surface sur le segment. L’interface de communication est par exemple pilotée par un programme d’ordinateur comprenant des instructions configurées pour mettre en œuvre un protocole de communication adapté, par exemple un protocole de type TCP/IP.

Le dispositif 600 comprend un module 605 adapté pour entrainer un modèle de prédiction à partir des données collectées par le module de communication 604. Le module 605 est par exemple mis en œuvre par des instructions de programme d’ordinateur configurées pour déterminer, à partir d’une position et d’une direction transmises par un véhicule d’entrainement et reçues par le module de communication 604, une pluralité de points appartenant à un segment routier sur lequel ou en direction duquel circule le véhicule d’entrainement, et pour calculer les coordonnées de chaque point du segment routier relativement à la position du point précédent. De préférence, les coordonnées des points sont calculées sous forme de coordonnées polaires dont la composante angulaire correspond à l’angle formé par la demi-droite ayant pour origine le point précédent et passant par le point courant, et la droite passant par les deux points du segment qui précèdent le point courant. Les instructions du programme d’ordinateur du module 605 sont en outre configurées pour créer pour chaque point appartenant au segment, un vecteur caractéristique comprenant au moins la position relative du point courant par rapport à un point précédent du segment routier, et une caractéristique contextuelle associée au segment routier obtenue par l’interface de communication 604. Un tel vecteur peut être créé dans la mémoire 602 du dispositif 600 et utilisé en association avec une caractéristique dynamique du véhicule collectée par le module 604 pour entrainer un modèle de prédiction 606 du dispositif 600.

Le modèle de prédiction 606 du dispositif 600 est par exemple un réseau de neurones récurrent mis en œuvre par des instructions de programme d’ordinateur enregistrées dans la mémoire du dispositif et adaptées pour être exécutées par l’unité de traitement 601.

Le dispositif 600 comprend également un module de prédiction 607. Le module de prédiction 607 est par exemple mis en œuvre par des instructions de programme d’ordinateur enregistrées dans la mémoire 602 du dispositif 600 et configurées pour déterminer à partir d’une position géographique et d’une direction, une pluralité de points géographiques appartenant à un segment routier et une caractéristique contextuelle associée audit premier segment routier. Pour cela, les instructions de programme sont configurées pour effectuer une requête vers une base de données géospatiale ou cartographique afin d’obtenir, à partir de la position géographique et de la direction, une succession de points appartenant à un segment routier. Pour cela, le module 607 met en correspondance la position géographique avec une carte numérique d’un réseau routier pour déterminer un segment routier particulier, et détermine une succession de points appartenant au segment routier dans la direction indiquée à partir de la position géographique. Le module 607 obtient les données contextuelles associées au segment par l’intermédiaire du module de communication 604 afin de créer, pour chaque point du segment routier, un vecteur caractéristique comprenant la position relative d’u point courant par rapport à un point précédent du segment routier, et la caractéristique contextuelle associée au segment routier.

Enfin, le module 607 comprend des instructions configurées pour appliquer le modèle de prédiction 606 au vecteur caractéristique ainsi créé afin de prédire un paramètre de fonctionnement dynamique d’un véhicule, par exemple sa vitesse, pour les points du segment.

Selon un mode particulier de réalisation, le dispositif est intégré dans un serveur de traitement de données.

Claims

Procédé de prédiction d'au moins une caractéristique dynamique d'un véhicule en un point P_id'un segment routier, le segment comprenant une pluralité de points géographiques consécutifs P₁, P₂, …, P_n, le procédé étant caractérisé en ce qu'il comprend les étapes suivantes, pour une position géographique et une direction données sur un réseau routier:
Détermination (504), à partir de la position géographique et de la direction, d'une pluralité de points géographiques P₁, P₂, …, P_nappartenant à un premier segment routier, et d'une caractéristique contextuelle associée audit premier segment routier,

Pour au moins un point géographique courant P_idu segment routier, prédiction (506) d'au moins une caractéristique dynamique d'un véhicule par application d'un modèle de prédiction préalablement entrainé à :

la position relative du point courant P_ipar rapport à un point précédent P_i-1du segment routier, et

la caractéristique contextuelle associée au segment routier, et

Transmission (507) de la caractéristique dynamique prédite à au moins un véhicule.
Procédé selon la revendication 1 tel qu’il comprend en outre une étape préalable d’entrainement du modèle de prédiction, l’étape d’entrainement comprenant les sous-étapes suivantes, pour chaque point courant C_jd’une pluralité de points géographiques C₁, C₂, …, C_mappartenant à un second segment routier, et pour une pluralité de véhicules d’entrainement:
Collecte (500) d’au moins une caractéristique dynamique d’un véhicule d’entrainement au point courant Cj et d’une caractéristique contextuelle associée au second segment routier,
Création (502) d’un vecteur caractéristique comprenantau moins:

la position relative du point courant Cj par rapport à un point précédent Cj-1 du second segment routier, le point précédent C_j-1étant un point qui précède le point courant C_jdu second segment routier dans un sens de circulation du véhicule, et

la caractéristique contextuelle associée au segment routier, et

Entrainement (503) du modèle de prédiction à partir du vecteur caractéristique créé pour le point courant Cj et de la caractéristique dynamique du véhicule collectée au point courant C_j.
Procédé selon l’une quelconque des revendications précédentes dans lequel la position relative d’un point courant P_i, C_jpar rapport à un point précédent P_i-1, C_j-1est donnée sous la forme de coordonnées polaires.
Procédé selon la revendication 3 dans lequel la coordonnée angulaire correspond à l’angle formé par la demi-droite ayant pour origine le point précédent et passant par le point courant, et la droite passant par les deux points du segment qui précèdent le point courant.
Procédé selon l’une quelconque des revendications 2 à 4 dans lequel le vecteur caractéristique comprend une caractéristique dynamique du véhicule déterminée au point précédent.
Procédé selon l’une quelconque des revendications 2 à 5 dans lequel le vecteur caractéristique pour un point courant d’un segment routier comprend en outre une valeur représentative d’une distance de visibilité depuis le point précédent.
Procédé selon l’une quelconque des revendications précédentes dans lequel la caractéristique contextuelle associée à un segment routier est une valeur représentative d’au moins un contexte de circulation sélectionné parmi les contextes de circulation suivants :
Une valeur de luminosité,

Une valeur représentative d’une condition de surface du segment routier au point courant,

Une valeur représentative d’un type de véhicule,

Une valeur de limitation de vitesse règlementaire.
Dispositif de prédiction d'au moins une caractéristique dynamique d'un véhicule en un point P_id'un segment routier, le segment comprenant une pluralité de points géographiques consécutifs P₁, P₂, …, P_n, le dispositif étant caractérisé en ce qu'il comprend une interface de communication, un processeur et une mémoire, le processeur et l'interface de communication étant configurés par des instructions stockées dans la mémoire pour mettre en œuvre les étapes suivantes :
Détermination, à partir de la position géographique et de la direction, d'une pluralité de points géographiques P₁, P₂, …, P_nappartenant à un premier segment routier, et d'une caractéristique contextuelle associée audit premier segment routier,

Pour au moins un point géographique courant Pi du segment routier, prédiction d'au moins une caractéristique dynamique d'un véhicule par application d'un modèle de prédiction préalablement entrainé à :

la position relative du point courant P_ipar rapport à un point précédent P_i-1du segment routier, et

la caractéristique contextuelle associée au segment routier, et

Transmission de la caractéristique dynamique prédite à au moins un véhicule.
Dispositif selon la revendication 8 tel que le processeur est en outre configuré par des instructions stockées dans la mémoire pour mettre en œuvre une étape préalable d'entrainement du modèle de prédiction, l'étape d'entrainement comprenant les sous-étapes suivantes, pour chaque point courant C_jd'une pluralité de points géographiques C₁, C₂, …, C_mappartenant à un second segment routier, et pour une pluralité de véhicules d'entrainement :
Collecte d'au moins une caractéristique dynamique d'un véhicule d'entrainement au point courant C_jet d'une caractéristique contextuelle associée au second segment routier,

Création d'un vecteur caractéristique comprenant au moins :

la position relative du point courant C_jpar rapport à un point précédent C_j-1du second segment routier, le point précédent C_j-1étant un point qui précède le point courant C_jdu second segment routier dans un sens de circulation du véhicule, et

la caractéristique contextuelle associée au segment routier, et

Entrainement du modèle de prédiction à partir du vecteur caractéristique créé pour le point courant C_jet de la caractéristique dynamique du véhicule collectée au point courant C_j.