FR3112641A1

FR3112641A1 - Methode de signalisation d’un danger de circulation a l’utilisateur d’un smartphone

Info

Publication number: FR3112641A1
Application number: FR2007512A
Authority: FR
Inventors: Rubén ALFONSO REYES; Emmanuel Ruiz
Original assignee: Regie Autonome des Transports Parisiens; Copsonic SAS
Current assignee: Regie Autonome des Transports Parisiens; Copsonic SAS
Priority date: 2020-07-17
Filing date: 2020-07-17
Publication date: 2022-01-21

Abstract

La présente invention concerne une méthode de signalisation d’un danger de la circulation à l’utilisateur d’un smartphone. Une application hébergée par le smartphone estime (110) un premier paramètre caractéristique du degré d’interaction de l’utilisateur avec ce dernier, puis transmet (120) ce paramètre avec des données de localisation de l’utilisateur, à un serveur de calcul. Celui-ci effectue (130) une classification de vecteurs d’entrée au moyen d’un réseau de neurones artificiels, chaque vecteur d’entrée comprenant les données de localisation et au moins le premier paramètre. Le serveur renvoie (150) à l’application une classe de danger, celle-ci générant alors (160) une alerte sonore et/ou visuelle et/ou haptique sur le smartphone de l’utilisateur si la classe de danger correspond à un niveau de danger élevé (150). Figure pour l’abrégé : Figure 1.

Description

METHODE DE SIGNALISATION D’UN DANGER DE CIRCULATION A L’UTILISATEUR D’UN SMARTPHONE

La présente invention concerne de manière générale le domaine de la sécurité routière ainsi que celui des systèmes d’alerte installés sur smartphone.

ETAT DE LA TECHNIQUE ANTERIEURE

L’ubiquité de la consultation de sites web, de services de messagerie ou d’applications diverses est certainement l’un des grands avantages apportés par les smartphones. Elle n’est toutefois pas sans risques pour l’utilisateur, lorsque celui se déplace dans l’espace public car son attention, accaparée par la consultation, lui fait ignorer les dangers qui l’entourent. Ce phénomène, connu sous le nom de « smombie », issu de la combinaison smartphone et zombie, a causé de nombreuses victimes parmi les piétons dans les centres urbains à forte intensité de circulation, à telle enseigne que certaines villes ont commencé à équiper les passages piétons de systèmes d’alerte.

Différents systèmes d’alerte ont été proposés dans l’état de la technique.

Certains systèmes, comme ceux décrits dans les demandes CN103927904 et CN107274722 font appel aux coordonnées GPS fournies par le smartphone du piéton et les données de navigation fournies par le système GPS du véhicule pour estimer une probabilité de collision entre le véhicule et le piéton, et en informer ce dernier au moyen de son smartphone. L’unité de calcul peut être embarquée dans le véhicule ou bien être installée dans une borne à proximité du passage piéton. Ces systèmes sont complexes et supposent l’établissement d’une communication spécifique entre le smartphone et le véhicule ou la borne.

D’autres systèmes, tels que celui décrit dans la demande KR101862986 sont basés sur la reconnaissance d’un obstacle par la caméra du smartphone. Toutefois, ces systèmes sont peu sélectifs au sens où le niveau d’alerte est indépendant du danger réel, notamment de la vitesse relative de l’obstacle/ piéton. Il en résulte que la probabilité de fausse alerte est élevée, soit que l’utilisateur est averti trop tard avec les graves conséquences que cela implique, soit que l’utilisateur est averti en vain, ce qui réduit alors sa vigilance ultérieure.

Enfin, d’autres systèmes d’alerte, tels que celui décrit dans le brevet
US-B-10565863 permettent d’estimer un niveau de sécurité de l’utilisateur en fonction de la localisation/vitesse de ce dernier, de la localisation/vitesse d’objets à sa proximité, détectés par réseau neuronal au sein d’images prises par des caméras du smartphone, ainsi que de l’état des feux de signalisation sur la trajectoire prédite de l’utilisateur.

Ce système suppose que l’utilisateur filme en permanence ou sur invitation son environnement ce qui est peu réaliste et conduit en tout état de cause à une forte consommation d’énergie. Il suppose également de disposer de ressources calculatoires importantes, notamment pour effectuer la reconnaissance des objets environnants et estimer leurs vitesses relatives respectives.

L’objet de la présente invention est par conséquent de proposer une méthode de signalisation d’un danger de circulation à l’utilisateur d’un smartphone qui soit relativement simple et robuste et ne nécessite pas ou peu de modification de l’infrastructure existante.

La présente invention est définie par une méthode de signalisation d’un danger de la circulation à l’utilisateur d’un smartphone, dans laquelle :

une application du smartphone estime un premier paramètre, caractéristique du degré d’interaction de l’utilisateur avec ce dernier;
une classification de vecteurs de données d’entrée est effectuée au moyen d’un réseau de neurones artificiels, chaque vecteur de données d’entrée comprenant au moins ledit premier paramètre ainsi que des données de localisation de l’utilisateur, la classification étant effectuée parmi un ensemble de classes comprenant une classe de danger élevé et une classe associée de faible danger, et fournissant une indication caractéristique de la classe ainsi obtenue ;
ladite application génère une alerte sonore et/ou visuelle et/ou haptique sur le smartphone de l’utilisateur lorsqu’elle reçoit une indication caractéristique de danger élevé.

Selon un premier mode de réalisation, l’application transmet ledit premier paramètre ainsi que les données de localisation à un serveur de calcul, le serveur effectuant la classification des vecteurs de données et renvoyant à ladite application une indication de la classe ainsi obtenue.

Selon une variante, l’application transmet ledit premier paramètre ainsi que les données de localisation à nœud d’un réseau d’accès, ledit nœud effectuant au moins une partie de l’opération de classification des vecteurs de données et renvoyant à ladite application le résultat de cette opération, l’application déduisant une indication caractéristique de la classe de danger à partir du résultat reçu de ce nœud.

Selon, un second mode de réalisation, ladite application télécharge les coefficients synaptiques du réseau de neurones artificiels d’un serveur de calcul, ledit réseau de neurones ayant été préalablement entraîné à partir d’un ensemble de données d’apprentissage répertoriant des situations de danger, ladite application mettant à jour un réseau de neurones local à partir des coefficients synaptiques ainsi téléchargés et effectuant la classification des vecteurs de données à partir de ce réseau de neurones local.

Dans le cadre de ce second mode de réalisation, le réseau de neurones local peut être mis à jour avec une périodicité prédéterminée. Alternativement, il peut être mis à jour lorsque l’utilisateur se trouve dans une zone géographique prédéterminée.

Quel que soit le mode de réalisation, le vecteur de données entrée peut comprendre en outre une information temporelle. Cette information temporelle peut être fournie sous la forme d’un jeton d’horodatage.

Avantageusement, le vecteur de données d’entrée comprend en outre des données de conditions météorologiques au lieu déterminé par les données de localisation et au moment déterminé par l’information temporelle.

Le premier paramètre peut notamment être choisi parmi un état de détection du regard de l’utilisateur par le smartphone, un état de connexion d’un casque audio, un état de détection d’un signal audio en entrée ou en sortie, un état de détection d’une pression sur la surface tactile de l’écran du smartphone, un angle d’assiette du smartphone ou une combinaison de ces éléments.

Le vecteur de données d’entrée comprend aussi de préférence un second paramètre de dangerosité objective, obtenu au moyen d’un système d’information géographique répertoriant des zones accidentogènes.

Le vecteur de données d’entrée peut enfin comprendre encore un troisième paramètre généré à partir desdites données cinématiques de l’utilisateur.

L’application comprend avantageusement une interface permettant à l’utilisateur de confirmer ou d’infirmer ladite alerte après qu’elle lui a été signalée et/ou de renseigner une alerte qui ne lui a pas été signalée.

Dans le premier ou le second mode de réalisation, le réseau de neurones artificiels pourra avoir été préalablement entraîné à partir d’un ensemble de données d’apprentissage répertoriant des situations de danger, ledit ensemble comprenant des données de localisation et des valeurs de premiers paramètres, labellisées par des niveaux de danger correspondants, lesdites données labellisées étant obtenues par production participative d’un ensemble d’utilisateurs.

Dans le cadre du premier mode de réalisation, le réseau de neurones de neurones pourra être un réseau bayésien fournissant une distribution de la probabilité du niveau de danger, l’espérance mathématique du niveau de danger étant calculée par le serveur et comparée à une valeur de seuil pour déterminer la classe de danger.

D’autres caractéristiques et avantages de l’invention apparaîtront à la lecture d’un mode de réalisation préférentiel de l’invention, décrit en référence à la figure jointe.

représente de manière schématique l’ordinogramme d’une méthode de signalisation d’un danger de la circulation à l’utilisateur d’un smartphone, selon un premier mode de réalisation de l’invention ;

représente de manière schématique l’ordinogramme d’une méthode de signalisation d’un danger de la circulation à l’utilisateur d’un smartphone, selon un second mode de réalisation de l’invention.

EXPOSÉ DÉTAILLÉ DE MODES DE RÉALISATION PARTICULIERS

Le contexte de la présente invention est celui d’une voie de circulation sur laquelle peuvent se déplacer des véhicules, à savoir être une route, une voie ferrée, une voie de tram, etc. La voie de circulation peut être traversée par un passage piéton, protégé ou non.

Le piéton est équipé d’un smartphone, sur lequel a été installée une application spécifique décrite plus loin. Le smartphone peut utiliser un système d’exploitation Androïd ou iOS par exemple.

L’application spécifique peut être activée en permanence dans l’arrière-plan ou bien être exécutée seulement sur demande de l’utilisateur. Elle pourra être prévue de manière native dans le smartphone et sélectionnée par l’utilisateur dans le menu de configuration ou bien être téléchargée par l’utilisateur auprès d’un serveur.

L’application peut accéder à certaines ressources du smartphone, à la position GPS du smartphone, aux mesures de capteurs montés dans le smartphone, tels que capteur de vitesse linéaire ou angulaire, capteur d’accélération linéaire ou angulaire, gravimètre, magnétomètre, gyroscope, compteur de pas etc.

L’application peut également avoir accès à différents états du smartphone, notamment à un état indiquant une détection du regard de l’utilisateur (fonction Smart Screen sur Android par exemple), un état indiquant si des écouteurs sont connectés au smartphone, par exemple si ces écouteurs sont branchés à la prise jack du smartphone ou connectés à ce dernier via une liaison Bluetooth, un état indiquant une pression sur la surface tactile de son écran.

A partir de l’un ou plusieurs des états du smartphone, l’application pourra estimer un premier paramètre de dangerosité subjective, caractéristique du degré d’interaction de l’utilisateur avec le smartphone. Ce premier paramètre permet d’appréciera contrariole degré d’attention de l’utilisateur à son environnement.

D’autres éléments pourront être pris en compte pour l’estimation du premier paramètre, tels que l’angle d’assiette du smartphone. En effet, lorsque l’angle d’assiette est inférieur à une valeur de seuil prédéterminée, par exemple 45° voire 30°, il est probable que l’utilisateur soit en train de consulter son smartphone dans la mesure où il est dans une position quasi-horizontale.

En outre, le fait que certaines applications soient actives, comme une application de navigation, une application de streaming audio ou vidéo peut être un indice d’interaction élevé avec le smartphone et par conséquent de moindre attention de l’utilisateur.

La Fig. 1 représente de manière schématique l’ordinogramme d’une méthode de signalisation d’un danger de circulation à l’utilisateur d’un smartphone, selon un premier mode de réalisation de l’invention.

A l’étape 110, l’application spécifique effectue une estimation du premier paramètre, caractéristique du degré de l’interaction de l’utilisateur avec son smartphone.

Le premier paramètre de dangerosité subjective, lié au comportement de l’utilisateur, pourra être estimé à partir d’un état ou plusieurs états du smartphone comme expliqué plus haut, avec, le cas échéant, la prise en compte de données complémentaires comme par exemple l’angle d’assiette du smartphone ou la fréquence à laquelle une pression est exercée sur la surface de son écran tactile (appui de touche, élection d’un élément par exemple).

A l’étape 120, l’application spécifique transmet à un serveur de calcul le premier paramètre ainsi estimé ainsi que des données de localisation de l’utilisateur. Ces données de localisation pourront être notamment fournies par le module GPS du smartphone.

Le serveur de calcul peut être un serveur distant (Cloud Computing) ou bien un serveur localisé à proximité de la station de base servant le smartphone (Edge Computing dans le cas d’un réseau 5G par exemple).

Dans tous les cas, le serveur de calcul dispose d’un réseau de neurones artificiels, préalablement entraîné de manière supervisée sur des données d’apprentissage comme détaillé plus loin.

Le serveur de calcul peut héberger (ou bien accéder par voie de requête à) une base de données d’un système d’information géographique (SIG). Le système SIG pourra notamment comprendre une représentation d’une zone d’intérêt, par exemple une zone urbaine, avec son infrastructure routière (voies, feux de signalisation, passage piéton, etc.) et une identification des zones accidentogènes (zones de danger potentiel), le cas échéant indexées en fonction de leur niveau de dangerosité. Ainsi, par exemple, un passage piéton non protégé par des feux de signalisation aura un niveau de dangerositéa priorisupérieur à un passage protégé ou un trottoir par exemple.

Cette indexation par niveau de dangerosité sera initialisée de manière heuristique et pourra être complétée par des statistiques d’accidents de la circulation dans la zone considérée.

Le serveur de calcul peut alors générer, un second paramètre, dit de dangerosité objective à partir des informations fournies par le SIG.

Le serveur de calcul pourra en outre agréger aux données de localisation et au premier (resp. second) paramètre une information temporelle. Cette information temporelle pourra être utilisée par le serveur de calcul, conjointement avec les données de localisation, pour consulter un système d’informations météorologiques donnant les conditions météorologiques au lieu défini par les données de localisation et à l’instant défini par l’information temporelle.

L’information temporelle pourra être donnée par un jeton d’horodatage transmis par l’application spécifique du smartphone. Par exemple, l’application concatènera les données de localisation avec le premier paramètre de dangerosité subjective et générera un jeton associé à ces informations concaténées avant de transmettre l’ensemble au serveur de calcul.

Selon une variante, l’application spécifique transmettra également au serveur de calcul des données cinématiques de l’utilisateur, typiquement mesurées par un système inertiel du smartphone. Ce système inertiel pourra notamment comprendre des capteurs MEMS de manière connue en soi. Les données cinématiques de l’utilisateur sont par exemple la vitesse et/ou l’accélération mesurées par le système inertiel.

A l’étape 130, le serveur forme le(s) vecteur(s) de données d’entrée du réseau de neurones, chaque vecteur de données d’entrée comportant au moins les données de localisation et au moins le premier paramètre de dangerosité subjective. Optionnellement, comme indiqué plus haut, le vecteur de données d’entrée comprendra le second paramètre de dangerosité objective, une information temporelle et/ou des conditions météorologiques relatives au lieu et au moment considérés. Optionnellement encore, le vecteur de données comprendra les données cinématiques de l’utilisateur.

Les vecteurs de données d’entrée font l’objet d’une classification au moyen du réseau de neurones précité. Par exemple, le réseau de neurones pourra être entraîné pour effectuer une régression logistique binaire voire multi-classe si plus de deux niveaux de danger, ou si différents types de danger sont envisagés.

Avantageusement, le réseau de neurones pourra être un réseau bayésien, c’est-à-dire que ses coefficients synaptiques ne seront pas obtenus en minimisation d’une fonction de perte sur l’ensemble des données d’entraînement, par rétropropagation du gradient mais par en échantillonnant la distributiona posteriorides coefficients synaptiques, le réseau de neurones fournissant alors en sortie la distribution de probabilité du niveau de danger. Le serveur peut ensuite calculer l’espérance mathématique du niveau de danger et la comparer avec une valeur de seuil pour déterminer si la classe de danger est élevée ou faible. Là encore une pluralité de valeurs de seuil pourra être prévue de manière à obtenir une classification plus fine qu’une simple classification binaire.

Le serveur de calcul renvoie ensuite au smartphone une indication de la classe de danger du vecteur d’entrée en 140.

A l’étape 150, l’application vérifie si l’indication de la classe de danger correspond à un niveau de danger élevé et dans la négative retourne à l’étape 110. En revanche, dans l’affirmative, l’application génère une alerte sonore et/ou visuelle et/ou haptique sur le smartphone de l’utilisateur en 160 puis retourne à l’étape 110.

L’alerte haptique pourra être une vibration ou une séquence particulière de vibrations du smartphone.

L’intensité ou le type d’alerte pourra différer selon le niveau de danger et/ou l’état du smartphone. Par exemple, si des écouteurs sont utilisés, l’alerte pourra notamment être du type sonore. De même, si un regard de l’utilisateur est détecté, l’alerte pourra notamment être visuelle.

Quel que soit le type d’alerte, celle-ci peut être maintenue pendant une durée prédéterminée au terme de laquelle elle s’arrête. Alternativement, elle peut attendre un acquittement de l’utilisateur avant de cesser.

A cet effet, l’application peut comprendre une interface permettant à l’utilisateur de confirmer ou d’infirmer ladite alerte après qu’elle lui a été signalée. Cette information de confirmation ou d’infirmation est remontée au serveur qui ainsi que le vecteur de données stocke ainsi que le niveau de danger associé, confirmé ou apprécié par l’utilisateur pour une mise à jour ultérieure des coefficients synaptiques du réseau de neurones.

Cette même interface permet aussi à l’utilisateur de renseigner une alerte qui ne lui a pas été signalée par l’application. Ainsi, si l’utilisateur note une situation de danger, l’application pourra transmettre un rapport au serveur de calcul, le rapport comprenant au moins données de localisation ainsi que le premier paramètre correspondant à ladite situation de danger.

Afin de pouvoir être opérationnel dans la phase de prédiction, le réseau de neurones doit être préalablement entraîné de manière supervisée sur un ensemble de données d’apprentissage (training dataset). Ces données d’apprentissage se présentent sous la forme de vecteurs de données labellisées, ayant le même format que les vecteurs de données d’entrée dans la phase d’inférence et associés à des classes de danger obtenues dans des situations connues. Le cas échéant, l’ensemble de données d’apprentissage pourra contenir des données générées par simulation, labellisées par un expert de la sécurité routière.

L’apprentissage sera avantageusement effectué par mini-lots de manière connue en soi.

L’apprentissage pourra ensuite se poursuivre en ligne, en enrichissant l’ensemble d’apprentissage par de nouvelles données fournies et labellisées par les utilisateurs eux-mêmes au moyen du procédé de confirmation/infirmation voire de renseignement mentionné plus haut. Ainsi, la communauté des utilisateurs pourra avantageusement continuer à alimenter en permanence l’ensemble d’apprentissage et améliorer la fiabilité de classification par production participative (crowd-sourcing).

La Fig. 2 représente de manière schématique l’ordinogramme d’une méthode de signalisation d’un danger de circulation à l’utilisateur d’un smartphone, selon un second mode de réalisation de l’invention.

Ce mode de réalisation se distingue du premier en ce que la classification par réseau de neurones est réalisée par le smartphone sur la base de coefficients synaptiques préalablement téléchargés à partir du serveur.

Plus précisément, les étapes 210, 230, 250, et 260 sont identiques aux étapes correspondantes 110, 130, 150 et 160 du premier mode de réalisation et leur description ne sera donc pas reprise ici.

L’étape 200 consiste à télécharger les coefficients du réseau de neurones qui aura été préalablement entraîné comme expliqué précédemment. En d’autres termes, le smartphone dispose d’un réseau image de celui du serveur : le réseau de neurones du serveur est entraîné et celui du smartphone est mis à jour périodiquement, ou de manière asynchrone, sur déclenchement d’un évènement, à partir des coefficients synaptiques de ce dernier.

Le déclenchement de l’évènement peut être par exemple l’entrée dans une zone géographique prédéterminée pour laquelle le service de génération d’alerte est disponible.

L’étape 230 est identique à l’étape 130 à ce ceci près qu’elle est effectuée par l’application du smartphone et non par le serveur de calcul.

De même, l’étape 240 de détermination d’une indication de classe de danger est réalisée par l’application elle-même, et par conséquent sans transmission par le serveur.

Selon la classe de danger ainsi déterminée, une alerte est générée ou non par la smartphone en 260.

D’autres modes de réalisation pourront être envisagés par l’homme du métier, sans sortir du cadre de la présente invention. Ainsi, par exemple, le calcul de classification (ou de régression logistique multi-classe) pourra être délégué en tout ou partie à un nœud du réseau d’accès au lieu d’être effectué par le smartphone lui-même ou par un serveur distant dans le Cloud.

Claims

Méthode de signalisation d’un danger de la circulation à l’utilisateur d’un smartphone, caractérisée en ce que :
une application du smartphone estime (110, 210) un premier paramètre, caractéristique du degré d’interaction de l’utilisateur avec ce dernier;

une classification de vecteurs de données d’entrée est effectuée (130,230) au moyen d’un réseau de neurones artificiels, chaque vecteur de données d’entrée comprenant au moins ledit premier paramètre ainsi que des données de localisation de l’utilisateur, la classification étant effectuée parmi un ensemble de classes comprenant une classe de danger élevé et une classe associée de faible danger, et fournissant une indication caractéristique de la classe ainsi obtenue ;

ladite application génère (160, 260) une alerte sonore et/ou visuelle et/ou haptique sur le smartphone de l’utilisateur lorsqu’elle reçoit (150, 250) une indication caractéristique de danger élevé.
Méthode de signalisation d’un danger de la circulation à l’utilisateur d’un smartphone selon la revendication 1, caractérisée en ce que l’application transmet (120) ledit premier paramètre ainsi que les données de localisation à un serveur de calcul, le serveur effectuant la classification des vecteurs de données et renvoyant à ladite application une indication de la classe ainsi obtenue.
Méthode de signalisation d’un danger de la circulation à l’utilisateur d’un smartphone selon la revendication 1, caractérisée en ce que l’application transmet ledit premier paramètre ainsi que les données de localisation à nœud d’un réseau d’accès, ledit nœud effectuant au moins une partie de l’opération de classification des vecteurs de données et renvoyant à ladite application le résultat de cette opération, l’application déduisant une indication caractéristique de la classe de danger à partir du résultat reçu de ce nœud.
Méthode de signalisation d’un danger de la circulation à l’utilisateur d’un smartphone selon la revendication 1, caractérisée en ce que ladite application télécharge les coefficients synaptiques du réseau de neurones artificiels d’un serveur de calcul, ledit réseau de neurones ayant été préalablement entrainé à partir d’un ensemble de données d’apprentissage répertoriant des situations de danger, ladite application mettant à jour un réseau de neurones local à partir des coefficients synaptiques ainsi téléchargés et effectuant la classification des vecteurs de données à partir de ce réseau de neurones local.
Méthode de signalisation d’un danger de la circulation à l’utilisateur d’un smartphone selon la revendication 4, caractérisée en ce que le réseau de neurones local est mis à jour avec une périodicité prédéterminée.
Méthode de signalisation d’un danger de la circulation à l’utilisateur d’un smartphone selon la revendication 4, caractérisée en ce que le réseau de neurones local est mis à jour lorsque l’utilisateur se trouve dans une zone géographique prédéterminée.
Méthode de signalisation d’un danger de la circulation à l’utilisateur d’un smartphone selon l’une quelconque des revendications précédentes, caractérisée en ce que le vecteur de données entrée comprend en outre une information temporelle.
Méthode de signalisation d’un danger de la circulation à l’utilisateur d’un smartphone selon la revendication 7, caractérisée en ce ladite information temporelle est fournie sous la forme d’un jeton d’horodatage.
Méthode de signalisation d’un danger de la circulation à l’utilisateur d’un smartphone la revendication 7 ou 8, caractérisée en ce que le vecteur de données d’entrée comprend en outre des données de conditions météorologiques au lieu déterminé par les données de localisation et au moment déterminé par l’information temporelle.
Méthode de signalisation d’un danger de circulation à l’utilisateur d’un smartphone selon l’une des revendications précédentes, caractérisée en ce que le premier paramètre est choisi parmi un état de détection du regard de l’utilisateur par le smartphone, un état de connexion d’un casque audio, un état de détection d’un signal audio en entrée ou en sortie, un état de détection d’une pression sur la surface tactile de l’écran du smartphone, un angle d’assiette du smartphone ou une combinaison de ces éléments.
Méthode de signalisation d’un danger de la circulation à l’utilisateur d’un smartphone selon l’une des revendications précédentes, caractérisée en ce que le vecteur de données d’entrée comprend un second paramètre de dangerosité objective, obtenu au moyen d’un système d’information géographique répertoriant des zones accidentogènes.
Méthode de signalisation d’un danger de la circulation à l’utilisateur d’un smartphone selon l’une des revendications précédentes, caractérisée en ce que, le vecteur de données d’entrée comprenant également un troisième paramètre généré à partir desdites données cinématiques de l’utilisateur.
Méthode de signalisation d’un danger de la circulation à l’utilisateur d’un smartphone selon l’une des revendications précédentes, caractérisée en ce que l’application comprend une interface permettant à l’utilisateur de confirmer ou d’infirmer ladite alerte après qu’elle lui a été signalée et/ou de renseigner une alerte qui ne lui a pas été signalée.
Méthode de de signalisation d’un danger de la circulation à l’utilisateur d’un smartphone selon la revendication 2 ou 4, caractérisée en ce que le réseau de neurones artificiels a été préalablement entrainé à partir d’un ensemble de données d’apprentissage répertoriant des situations de danger, ledit ensemble comprenant des données de localisation et des valeurs de premiers paramètres, labellisées par des niveaux de danger correspondants, lesdites données labellisées étant obtenues par production participative d’un ensemble d’utilisateurs.
Méthode de signalisation d’un danger de la circulation à l’utilisateur d’un smartphone selon la revendication 2, caractérisée en ce que le réseau de neurones de neurones est un réseau bayésien fournissant une distribution de la probabilité du niveau de danger, l’espérance mathématique du niveau de danger étant calculée par le serveur et comparée à une valeur de seuil pour déterminer la classe de danger.