FR3103435A1 - Method for detecting the erratic behavior of a motor vehicle traveling on a road - Google Patents
Method for detecting the erratic behavior of a motor vehicle traveling on a road Download PDFInfo
- Publication number
- FR3103435A1 FR3103435A1 FR1913015A FR1913015A FR3103435A1 FR 3103435 A1 FR3103435 A1 FR 3103435A1 FR 1913015 A FR1913015 A FR 1913015A FR 1913015 A FR1913015 A FR 1913015A FR 3103435 A1 FR3103435 A1 FR 3103435A1
- Authority
- FR
- France
- Prior art keywords
- data
- vehicle
- erratic behavior
- behavior
- road
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/164—Centralised systems, e.g. external to vehicles
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
L’invention concerne un procédé de détection d’un comportement erratique d’un véhicule automobile, comportant les étapes de : - déterminer (40) un premier ensemble de données réelles relatives au comportement d’au moins un véhicule ; - déterminer (42), au moyen d’un calculateur intégrant au moins un réseau neuronal artificiel préalablement entrainé sur une base d’apprentissage ne comportant aucun comportement erratique, un ensemble de données estimées, correspondant à l’évolution estimée du premier ensemble de données réelles du véhicule après un intervalle de temps donné à compter du moment de la détermination de ce premier ensemble ; - déterminer (44) un deuxième ensemble de données réelles du véhicule à l’issue dudit intervalle de temps ; - calculer (46) une erreur entre le deuxième ensemble de données réelles et l’ensemble de données estimées ; - déterminer (48) que le véhicule présente un comportement erratique si l’erreur dépasse une valeur seuil. Figure pour l’abrégé : Fig. 3The invention relates to a method for detecting erratic behavior of a motor vehicle, comprising the steps of: determining (40) a first set of real data relating to the behavior of at least one vehicle; - determining (42), by means of a computer integrating at least one artificial neural network previously trained on a learning base not including any erratic behavior, a set of estimated data, corresponding to the estimated evolution of the first set of data real values of the vehicle after a given time interval from the moment of the determination of this first set; - determining (44) a second set of actual vehicle data at the end of said time interval; - calculate (46) an error between the second set of actual data and the estimated set of data; - determine (48) that the vehicle exhibits erratic behavior if the error exceeds a threshold value. Figure for the abstract: Fig. 3
Description
L’invention se rapporte au domaine des aides à la conduite pour véhicules automobiles. Elle concerne plus particulièrement un procédé et un système mettant en œuvre une infrastructure routière connectée permettant la détection d’un danger potentiel, afin d’en avertir les conducteurs des véhicules concernés.The invention relates to the field of driving aids for motor vehicles. It relates more particularly to a method and a system implementing a connected road infrastructure allowing the detection of a potential danger, in order to warn the drivers of the vehicles concerned.
On connait des infrastructures routières mettant en œuvre des capteurs multiples afin de détecter des véhicules en situation d’infraction, et émettre le cas échéant des messages d’alerte aux véhicules alentours. Par exemple, un véhicule roulant à contresens sera détecté par l’infrastructure connectée, et les conducteurs des véhicules circulant à proximité de ce véhicule en infraction seront avertis de ce danger grâce à l’émission d’un message d’alerte. Un tel système présente cependant l’inconvénient de ne pouvoir prendre en compte que des situations préalablement identifiées et programmées dans le système de gestion de l’infrastructure.We know of road infrastructures implementing multiple sensors to detect vehicles in violation, and issue warning messages to surrounding vehicles, if necessary. For example, a vehicle traveling in the wrong direction will be detected by the connected infrastructure, and drivers of vehicles traveling near this offending vehicle will be warned of this danger by issuing an alert message. However, such a system has the drawback of only being able to take into account situations previously identified and programmed in the infrastructure management system.
La présente invention a pour but de remédier aux inconvénients de l’état de la technique, et plus particulièrement ceux ci-dessus exposés, en proposant un procédé permettant à une infrastructure routière équipée de capteurs de détecter les comportements erratiques des véhicules automobiles afin de détecter des dangers potentiels pour les autres véhicules.The object of the present invention is to remedy the drawbacks of the state of the art, and more particularly those set out above, by proposing a method allowing a road infrastructure equipped with sensors to detect the erratic behavior of motor vehicles in order to detect potential dangers to other vehicles.
À cet effet, l’invention concerne un procédé de détection d’un comportement erratique d’un véhicule automobile circulant sur une route, le procédé comportant les étapes de:To this end, the invention relates to a method for detecting erratic behavior of a motor vehicle traveling on a road, the method comprising the steps of:
- déterminer un premier ensemble de données réelles relatives au comportement d’au moins un véhicule;- determine a first set of real data relating to the behavior of at least one vehicle;
- déterminer, au moyen d’un calculateur intégrant au moins un réseau neuronal artificiel préalablement entrainé sur une base d’apprentissage ne comportant aucun comportement erratique, un ensemble de données estimées, ces données correspondant à l’évolution estimée du premier ensemble de données réelles du véhicule après un intervalle de temps donné à compter du moment de la détermination de ce premier ensemble ;- determining, by means of a computer integrating at least one artificial neural network previously trained on a learning base not including any erratic behavior, a set of estimated data, these data corresponding to the estimated evolution of the first set of real data of the vehicle after a given time interval from the moment of the determination of this first set;
- déterminer un deuxième ensemble de données réelles du véhicule à l’issue dudit intervalle de temps;- determine a second set of actual vehicle data at the end of said time interval;
- calculer une erreur par comparaison entre le deuxième ensemble de données réelles et l’ensemble de données estimées;- calculate an error by comparing the second set of actual data and the estimated set of data;
- déterminer que le véhicule présente un comportement erratique si l’erreur dépasse une valeur seuil.- determine that the vehicle is behaving erratically if the error exceeds a threshold value.
Ainsi, en mettant en œuvre au moins un réseau neuronal artificiel préalablement entrainé, le procédé conforme à l’invention permet à une infrastructure connectée de détecter des comportements erratiques alors que ceux-ci ne sont pas préalablement connus du système de détection. En effet, le réseau neuronal artificiel a été préalablement entrainé au moyen d’une base d’apprentissage ne comportant pas de données relatives à des comportements erratiques, mais comportant uniquement des données relatives à des comportements normaux. Ainsi, si les données estimées par le réseau neuronal artificiel et les données réelle divergent de façon trop importante, il sera déterminé que cette divergence est due à un comportement erratique. En d’autres termes, tout comportement d’un véhicule ne correspondant pas à ce qui a été préalablement appris par le réseau neuronal artificiel sera identifié et analysé par le calculateur comme étant erratique. L’invention permet donc de ne pas limiter la détection à des comportements préalablement identifiés.Thus, by implementing at least one previously trained artificial neural network, the method according to the invention allows a connected infrastructure to detect erratic behaviors when these are not previously known to the detection system. This is because the artificial neural network has been previously trained using a learning base that does not include data relating to erratic behaviors, but only includes data relating to normal behaviors. Thus, if the data estimated by the artificial neural network and the actual data diverge too greatly, it will be determined that this discrepancy is due to erratic behavior. In other words, any behavior of a vehicle that does not correspond to what has been previously learned by the artificial neural network will be identified and analyzed by the computer as being erratic. The invention therefore makes it possible not to limit the detection to previously identified behaviors.
Dans une réalisation, les premier et deuxième ensembles de données réelles sont déterminés au moyen de capteurs équipant l’infrastructure de la route.In one embodiment, the first and second sets of actual data are determined using sensors fitted to the road infrastructure.
Dans une réalisation, le procédé comporte une étape d’émission d’un message d’alerte à destination d’un ou plusieurs véhicules circulant à proximité du véhicule présentant un comportement erratique.In one embodiment, the method comprises a step of sending an alert message to one or more vehicles traveling near the vehicle exhibiting erratic behavior.
Dans une réalisation, le message d’alerte comporte une information relative à la voie de circulation sur laquelle se situe le véhicule présentant un comportement erratique.In one embodiment, the alert message includes information relating to the lane on which the vehicle is located, exhibiting erratic behavior.
L’invention concerne également un produit programme d'ordinateur comprenant des instructions qui, lorsque le programme est exécuté par un processeur, conduisent celui-ci à mettre en œuvre les étapes du procédé tel que défini ci-dessus.The invention also relates to a computer program product comprising instructions which, when the program is executed by a processor, lead the latter to implement the steps of the method as defined above.
L’invention concerne également un système de détection d’un comportement erratique d’un véhicule automobile circulant sur une route, le système comportant au moins un capteur et un calculateur intégrant au moins un réseau neuronal artificiel agencés pour mettre en œuvre le procédé tel que défini ci-dessus.The invention also relates to a system for detecting erratic behavior of a motor vehicle traveling on a road, the system comprising at least one sensor and a computer integrating at least one artificial neural network arranged to implement the method such as defined above.
Dans une réalisation, le système de détection comporte un module de télécommunication permettant d’échanger des données à travers un réseau de communication.In one embodiment, the detection system comprises a telecommunications module for exchanging data through a communications network.
La présente invention sera mieux comprise à la lecture de la description détaillée qui suit, faite en référence aux dessins annexés, dans lesquels :The present invention will be better understood on reading the following detailed description, given with reference to the appended drawings, in which:
La figure 1 représente une portion d’une route 1 comportant deux voies de circulation 10, 12.Figure 1 shows a portion of a road 1 comprising two traffic lanes 10, 12.
On a représenté sur la figure 1 un premier véhicule 2 automobile circulant sur la route 1 dans une première direction, et un deuxième véhicule 3 automobile, circulant sur la route 1 dans la direction opposée à celle du premier véhicule 2 automobile.FIG. 1 shows a first motor vehicle 2 traveling on the road 1 in a first direction, and a second motor vehicle 3 traveling on the road 1 in the direction opposite to that of the first motor vehicle 2.
On a représenté sur la figure 2 le premier véhicule 2, qui est dans l’exemple un véhicule de type connecté. Il comporte un calculateur embarqué 20 et un module de communication sans fil 22. Le module de communication sans fil 22 permet d’échanger des données avec d’autres éléments connectés à travers un ou plusieurs réseau(x) de communication sans fil, tel qu’un réseau de communication à courte portée (par exemple de type Wifi, Bluetooth, etc.) et/ou un réseau de communication à longue portée (par exemple de type 3G, 4G, 5G, etc.). Le premier véhicule 2 comporte en outre un dispositif d’affichage 24, permettant d’afficher des informations à l’attention des occupants du véhicule, et notamment à l’attention du conducteur.FIG. 2 shows the first vehicle 2, which is in the example a vehicle of the connected type. It comprises an on-board computer 20 and a wireless communication module 22. The wireless communication module 22 allows data to be exchanged with other elements connected through one or more wireless communication network (s), such as 'a short-range communication network (for example of the Wifi, Bluetooth type, etc.) and / or a long-range communication network (for example of the 3G, 4G, 5G type, etc.). The first vehicle 2 further comprises a display device 24, making it possible to display information to the attention of the occupants of the vehicle, and in particular to the attention of the driver.
La route 1 est équipée d’une infrastructure 14 connectée. L’infrastructure 14 comporte une pluralité de capteurs 14a, 14b, 14c, 14d. Les capteurs peuvent être par exemple des capteurs de type radar et/ou lidar et/ou caméra. Les capteurs permettent notamment de détecter les véhicules circulant sur la route 1 et de suivre leur évolution.Route 1 is equipped with a 14 connected infrastructure. The infrastructure 14 includes a plurality of sensors 14a, 14b, 14c, 14d. The sensors can be, for example, sensors of the radar and / or lidar and / or camera type. The sensors make it possible in particular to detect vehicles traveling on road 1 and to follow their progress.
Les informations collectées par les différentes capteurs 14a, 14b, 14c, 14d équipant l’infrastructure 14 sont transmises à une unité centrale 16. L’unité centrale 16 comporte au moins un calculateur 160. L’unité centrale 16 comporte en outre un module de télécommunication 164 permettant d’échanger des données avec des éléments distants (tels que des véhicules automobiles connectés) à travers un ou plusieurs réseau(x) de communication.The information collected by the various sensors 14a, 14b, 14c, 14d equipping the infrastructure 14 is transmitted to a central unit 16. The central unit 16 comprises at least one computer 160. The central unit 16 further comprises a control module. telecommunications 164 for exchanging data with remote elements (such as connected motor vehicles) through one or more communication network (s).
L’unité centrale 16 est configurée pour détecter, au moyen des capteurs 14a, 14b, 14c, 14d équipant l’infrastructure 14, les véhicules automobiles circulant sur la route 1 et pour suivre l’évolution de leur position. Plus précisément, l’unité centrale 16 est configurée pour déterminer la position probable d’un véhicule à l’issue d’un intervalle de temps donné, à partir de sa dernière position connue. Par exemple, sur la base de la dernière position connue du deuxième véhicule 3, déterminée à un instant t, telle que représentée sur la figure 1, l’unité centrale 16 est capable d’estimer quelle sera la position du deuxième véhicule 3 après un intervalle de temps d, soit à l’instant t+d (position représentée par le point 30), et quelle sera la position du deuxième véhicule 3 à l’instant t+2d (représentée par le point 32), etc. Conformément à l’invention, le calculateur 160 de l’unité centrale 16 intègre à cet effet au moins un réseau neuronal artificiel 162, qui a fait l’objet d’un apprentissage préalable dans des conditions où seule l’évolution de véhicules ayant des comportements normaux (c’est-à-dire des comportements non erratiques du point de vue des règles de conduite, des trajectoires, des allures, etc.) est analysée. Ainsi, à chaque pas de temps d, la position estimée de façon anticipée par le calculateur 160 est comparée à la position réelle du véhicule concerné. Si la différence entre la position estimée et la position réelle dépasse un seuil donné, alors le calculateur 160 conclut à l’existence d’un comportement erratique du véhicule concerné. Dans l’exemple de la figure 1, si la position réelle du deuxième véhicule 3 se situe au niveau de la croix 34, comme la position estimée par le calculateur 160 est au niveau du rond 32, alors il y a un comportement erratique qui est détecté. Dans cet exemple, il peut être déterminé que le véhicule est en train de franchir la ligne séparant les deux voies de circulation 10, 12 et s’apprête à rouler sur la voie réservée aux véhicules venant en sens opposé.The central unit 16 is configured to detect, by means of the sensors 14a, 14b, 14c, 14d equipping the infrastructure 14, the motor vehicles traveling on the road 1 and to follow the evolution of their position. More specifically, the central unit 16 is configured to determine the probable position of a vehicle at the end of a given time interval, from its last known position. For example, on the basis of the last known position of the second vehicle 3, determined at an instant t, as shown in FIG. 1, the central unit 16 is able to estimate what will be the position of the second vehicle 3 after a time interval d, i.e. at time t + d (position represented by point 30), and what will be the position of the second vehicle 3 at time t + 2d (represented by point 32), etc. According to the invention, the computer 160 of the central unit 16 integrates for this purpose at least one artificial neural network 162, which has been the subject of a prior learning under conditions where only the evolution of vehicles having normal behaviors (i.e. non-erratic behaviors from the point of view of driving rules, trajectories, gaits, etc.) is analyzed. Thus, at each time step d, the position estimated in advance by the computer 160 is compared with the real position of the vehicle concerned. If the difference between the estimated position and the actual position exceeds a given threshold, then the computer 160 concludes that there is erratic behavior of the vehicle concerned. In the example of FIG. 1, if the real position of the second vehicle 3 is located at the level of the cross 34, as the position estimated by the computer 160 is at the level of the circle 32, then there is an erratic behavior which is detected. In this example, it can be determined that the vehicle is crossing the line separating the two lanes 10, 12 and is about to travel in the lane reserved for oncoming vehicles.
On décrit ci-après, notamment en relation avec la figure 3, les étapes de mise en œuvre d’un procédé conforme à l’invention.The steps for implementing a method according to the invention are described below, in particular in relation to FIG. 3.
Le procédé comporte une première étape 40 de détermination d’un premier ensemble de données réelles relatives au comportement d’au moins un véhicule, dans l’exemple le deuxième véhicule 3. Ces données sont relatives au comportement du véhicule, et inclut notamment la position du véhicule, ainsi que des données relatives à la cinématique du véhicule, comme par exemple sa vitesse et/ou son accélération (latérale et/ou longitudinale), son orientation, etc. Ces données sont notamment collectées au moyen des capteurs 14a, 14b, 14c, 14d équipant l’infrastructure de la route 1.The method comprises a first step 40 of determining a first set of real data relating to the behavior of at least one vehicle, in the example the second vehicle 3. These data relate to the behavior of the vehicle, and notably includes the position. of the vehicle, as well as data relating to the kinematics of the vehicle, such as for example its speed and / or its acceleration (lateral and / or longitudinal), its orientation, etc. These data are collected in particular by means of sensors 14a, 14b, 14c, 14d equipping the infrastructure of road 1.
Le calculateur 160 détermine, au cours d’une étape 42, un ensemble de données estimées, ces données correspondant à l’évolution des données du premier ensemble de données réelles à l’issue d’un intervalle de temps d donné, intervalle de temps qui peut être par exemple compris entre 50 millisecondes et 5 secondes, et par exemple égal à 1 seconde La détermination de l’ensemble de données estimées est réalisée par le réseau neuronal artificiel 162 du calculateur 160. Comme mentionné plus haut, le réseau neuronal artificiel 162 a été préalablement entrainé au moyen d’une base d’apprentissage comportant uniquement des données (et leur évolution) relatives au comportement de véhicules ne présentant pas de comportements erratiques. Ainsi, le réseau neuronal artificiel a fait l’objet d’un entrainement supervisé, et son fonctionnement est tel que si l’on lui présente en entrée les données du premier ensemble de données réelles, alors il fournit en sortie les données estimées mentionnées ci-dessus. Les données estimées par le réseau neuronal artificiel 162 correspondent, conformément à l’apprentissage préalablement imposé à ce réseau, à des données représentatives de comportements non erratiques.The computer 160 determines, during a step 42, a set of estimated data, these data corresponding to the evolution of the data of the first set of real data at the end of a given time interval d, time interval which can be for example between 50 milliseconds and 5 seconds, and for example equal to 1 second The determination of the set of estimated data is carried out by the artificial neural network 162 of the computer 160. As mentioned above, the artificial neural network 162 was previously trained by means of a learning base comprising only data (and their evolution) relating to the behavior of vehicles not exhibiting erratic behavior. Thus, the artificial neural network has been the subject of a supervised training, and its operation is such that if one presents to it as input the data of the first set of real data, then it outputs the estimated data mentioned above. -above. The data estimated by the artificial neural network 162 correspond, in accordance with the learning previously imposed on this network, to data representative of non-erratic behaviors.
A l’issue de l’intervalle de temps d, un deuxième ensemble de données réelles du véhicule est déterminé au cours d’une étape 44. Les données de ce deuxième ensemble correspondent à l’évolution réelles des données du premier ensemble, et sont collectées de la même manière, c’est-à-dire au moyen des capteurs 14a, 14b, 14c, 14d équipant l’infrastructure 14.At the end of the time interval d, a second set of real vehicle data is determined during a step 44. The data of this second set correspond to the real evolution of the data of the first set, and are collected in the same way, that is to say by means of the sensors 14a, 14b, 14c, 14d equipping the infrastructure 14.
Le procédé comporte ensuite une étape 46 de calcul d’une erreur, par comparaison entre le deuxième ensemble de données réelles et l’ensemble de données estimées. Si cette erreur dépasse une valeur seuil, alors il est déterminé que le véhicule présente un comportement erratique.The method then includes a step 46 of calculating an error, by comparing the second set of real data and the set of estimated data. If this error exceeds a threshold value, then it is determined that the vehicle is exhibiting erratic behavior.
Les étapes décrites ci-dessus sont itératives et sont donc répétées à chaque intervalle de temps d.The steps described above are iterative and are therefore repeated at each time interval d.
Avantageusement, le procédé comporte une étape 50 d’émission d’un message d’alerte à au moins un véhicule circulant à proximité du véhicule présentant un comportement erratique. De préférence, le message d’alerte comporte une information relative à la voie de circulation 10, 12 sur laquelle se situe le véhicule présentant un comportement erratique.Advantageously, the method comprises a step 50 of sending an alert message to at least one vehicle traveling near the vehicle exhibiting erratic behavior. Preferably, the alert message includes information relating to the traffic lane 10, 12 on which the vehicle is located, exhibiting erratic behavior.
Les données échangées entre les différentes entités (entre véhicules ou entre véhicules et éléments connectés tels que l’infrastructure 14) pourront être échangées à travers des réseaux de communication sans fil de type courte portée (par exemple, Bluetooth®, Wifi®, PC5, ITS G5, …) ou de type longue portée (3g, 4G, 5G, …).The data exchanged between the different entities (between vehicles or between vehicles and connected elements such as infrastructure 14) can be exchanged through short-range type wireless communication networks (for example, Bluetooth®, Wifi®, PC5, ITS G5,…) or long range type (3g, 4G, 5G,…).
Claims (7)
- déterminer (40) un premier ensemble de données réelles relatives au comportement d’au moins un véhicule;
- déterminer (42), au moyen d’un calculateur (160) intégrant au moins un réseau neuronal artificiel (162) préalablement entrainé sur une base d’apprentissage ne comportant aucun comportement erratique, un ensemble de données estimées, les données estimées correspondant à l’évolution estimée du premier ensemble de données réelles du véhicule après un intervalle de temps (d) à compter du moment de la détermination de ce premier ensemble ;
- déterminer (44) un deuxième ensemble de données réelles du véhicule à l’issue dudit intervalle de temps;
- calculer (46) une erreur par comparaison entre le deuxième ensemble de données réelles et l’ensemble de données estimées;
- déterminer (48) que le véhicule présente un comportement erratique si l’erreur dépasse une valeur seuil.Method for detecting erratic behavior of a motor vehicle traveling on a road (1), the method comprising the steps of:
- determining (40) a first set of real data relating to the behavior of at least one vehicle;
- determining (42), by means of a computer (160) integrating at least one artificial neural network (162) previously trained on a learning base not including any erratic behavior, a set of estimated data, the estimated data corresponding to the estimated evolution of the first set of real vehicle data after a time interval (d) from the moment of the determination of this first set;
- determining (44) a second set of real vehicle data at the end of said time interval;
- calculating (46) an error by comparison between the second set of real data and the set of estimated data;
- determining (48) that the vehicle exhibits erratic behavior if the error exceeds a threshold value.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1913015A FR3103435A1 (en) | 2019-11-21 | 2019-11-21 | Method for detecting the erratic behavior of a motor vehicle traveling on a road |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1913015A FR3103435A1 (en) | 2019-11-21 | 2019-11-21 | Method for detecting the erratic behavior of a motor vehicle traveling on a road |
| FR1913015 | 2019-11-21 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| FR3103435A1 true FR3103435A1 (en) | 2021-05-28 |
Family
ID=69811059
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR1913015A Withdrawn FR3103435A1 (en) | 2019-11-21 | 2019-11-21 | Method for detecting the erratic behavior of a motor vehicle traveling on a road |
Country Status (1)
| Country | Link |
|---|---|
| FR (1) | FR3103435A1 (en) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2921180A1 (en) * | 2007-09-17 | 2009-03-20 | Sanef Sa | Computing system for managing take-off point of vehicle against current of traffic on e.g. highway, has interface unit communicating information generated by elaboration unit, to exploitation assisting computing system |
| US20160210855A1 (en) * | 2013-09-06 | 2016-07-21 | Robert Bosch Gmbh | Method and traffic monitoring device for detecting a wrong-way driving incidnet of a motor vehicle |
| WO2019145018A1 (en) * | 2018-01-23 | 2019-08-01 | Siemens Aktiengesellschaft | System, device and method for detecting abnormal traffic events in a geographical location |
-
2019
- 2019-11-21 FR FR1913015A patent/FR3103435A1/en not_active Withdrawn
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2921180A1 (en) * | 2007-09-17 | 2009-03-20 | Sanef Sa | Computing system for managing take-off point of vehicle against current of traffic on e.g. highway, has interface unit communicating information generated by elaboration unit, to exploitation assisting computing system |
| US20160210855A1 (en) * | 2013-09-06 | 2016-07-21 | Robert Bosch Gmbh | Method and traffic monitoring device for detecting a wrong-way driving incidnet of a motor vehicle |
| WO2019145018A1 (en) * | 2018-01-23 | 2019-08-01 | Siemens Aktiengesellschaft | System, device and method for detecting abnormal traffic events in a geographical location |
Non-Patent Citations (1)
| Title |
|---|
| RAVANBAKHSH MAHDYAR ET AL: "Abnormal event detection in videos using generative adversarial nets", 2017 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP), IEEE, 17 September 2017 (2017-09-17), pages 1577 - 1581, XP033322840, DOI: 10.1109/ICIP.2017.8296547 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3519267B1 (en) | Driving assistance on a highway with carriageways separated by a guardrail | |
| FR2863557A1 (en) | SYSTEM AND METHOD FOR DETERMINING THE DEGREE OF AWAKENING | |
| WO2019002734A1 (en) | Method for signaling a suggestion of a behavior and associated terminal | |
| FR2977851A1 (en) | Method for controlling regulation speed of car, involves selecting activation of control system as function of infrastructure type parameter value from navigation system, and determining current speed of vehicle | |
| FR3110998A1 (en) | A method of regulating road traffic on the outskirts of a traffic lane crossing area. | |
| FR3103435A1 (en) | Method for detecting the erratic behavior of a motor vehicle traveling on a road | |
| EP4352305A1 (en) | Method and device for deactivating driving assistance systems | |
| EP3877228B1 (en) | Construction by segmentation of virtual lanes on a carriageway | |
| FR3118616A1 (en) | Method and device for anti-collision warning and/or emergency braking | |
| FR3122390A1 (en) | Method of controlling an autonomous vehicle. | |
| EP4072917A1 (en) | System and method for predicting the trajectory of a vehicle | |
| EP3977758A1 (en) | Method for generating a knowledge message from a first road user, and method and device for assisting a second road user | |
| FR3106553A1 (en) | Method and device for processing vehicle environment data | |
| FR3103434A1 (en) | Method for detecting the erratic behavior of a motor vehicle traveling on a road | |
| FR3103436A1 (en) | Method for detecting the erratic behavior of a motor vehicle traveling on a road. | |
| EP2489548B1 (en) | Method for controlling the switching of an adaptive headlight system of an automobile | |
| EP4090565B1 (en) | Method and device for controlling a vehicle | |
| WO2023118498A1 (en) | Method for modelling a tactical environment of a motor vehicle | |
| FR3137781A1 (en) | Method and device for determining a width of a side lane adjacent to a traffic lane | |
| FR3131724A1 (en) | Method and device for controlling a semi-automatic vehicle lane change system | |
| FR3119818A1 (en) | Method and system for managing the performance by a motor vehicle of a traffic lane change maneuver | |
| WO2024023411A1 (en) | Method and device for controlling a vehicle salc system in dependence on the presence of a lane separation structure | |
| FR3131890A1 (en) | Method and device for controlling a semi-automatic vehicle lane change system | |
| WO2024115827A1 (en) | Method and device for controlling a driving assistance system in an environment containing an intersection | |
| WO2024094941A1 (en) | Method and device for managing alert messages for an adaptive cruise control system of a vehicle |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20210528 |
|
| ST | Notification of lapse |
Effective date: 20220705 |