FR3115135A1

FR3115135A1 - Method for detecting a road object

Info

Publication number: FR3115135A1
Application number: FR2105150A
Authority: FR
Inventors: Cédric CONNES; Olivier BRAZET
Original assignee: Continental Automotive France SAS
Current assignee: Continental Automotive France SAS
Priority date: 2021-05-18
Filing date: 2021-05-18
Publication date: 2022-04-15

Abstract

L’invention concerne un procédé de détection d’un objet routier de type particulier à partir d’un signal issu d’au moins un capteur d’un véhicule en circulation sur un réseau routier, le procédé comprenant des étapes d’obtention (200) d’un descripteur d’un premier segment routier, le descripteur comprenant la localisation géographique d’une pluralité d’objets routiers de type T identifiés sur le segment, d’obtention (201) d’une trace enregistrée par un premier véhicule sur le premier segment routier, la trace comprenant au moins un signal issu d’un capteur du véhicule et une pluralité de localisations géographiques successives du véhicule, de sélection (202) dans la trace obtenue, d’au moins une première portion du signal capturée à l’emplacement d’un objet routier identifié dans le descripteur et d’au moins une deuxième portion du signal capturée à un emplacement où aucun objet routier n’est identifié dans le descripteur, et association d’une première étiquette avec la première portion de signal et d’une deuxième étiquette avec la deuxième portion de signal, d’entrainement (203) d’un modèle d’apprentissage avec au moins une donnée représentative de la première portion de signal sélectionnée et la première étiquette associée et avec au moins une donnée représentative de la deuxième portion de signal et la deuxième étiquette associée, et de détection (204) d’un objet routier de type T sur un deuxième segment routier par application du modèle entrainé à une donnée représentative d’un signal capturé sur le deuxième segment routier par un deuxième véhicule. Figure 2.The invention relates to a method for detecting a road object of a particular type from a signal coming from at least one sensor of a vehicle traveling on a road network, the method comprising steps of obtaining (200 ) of a descriptor of a first road segment, the descriptor comprising the geographical location of a plurality of type T road objects identified on the segment, of obtaining (201) a trace recorded by a first vehicle on the first road segment, the trace comprising at least one signal coming from a sensor of the vehicle and a plurality of successive geographical locations of the vehicle, for selection (202) in the trace obtained, of at least a first portion of the signal captured at the location of a road object identified in the descriptor and of at least a second portion of the captured signal at a location where no road object is identified in the descriptor, and associating a first tag with the first portion n of signal and a second label with the second signal portion, training (203) of a learning model with at least one datum representative of the first selected signal portion and the associated first label and with at at least one datum representative of the second signal portion and the second associated label, and detection (204) of a T-type road object on a second road segment by applying the trained model to datum representative of a signal captured on the second road segment by a second vehicle. Picture 2.

Description

Method for detecting a road object

L’invention appartient au domaine de l’apprentissage automatique et concerne plus particulièrement un procédé pour générer automatiquement un jeu de données d’entrainement étiquetées pour entrainer un modèle d’apprentissage de détection d’objets routiers.The invention belongs to the field of machine learning and relates more particularly to a method for automatically generating a set of labeled training data to train a road object detection learning model.

Art antérieurPrior art

Depuis plusieurs années, le secteur automobile développe des systèmes d’assistance à la conduite de plus en plus avancés. De tels systèmes reposent très souvent sur des techniques d’apprentissage automatique qui permettent à un véhicule d’appréhender son environnement en analysant des signaux issus de multiples capteurs. Ces systèmes d’assistance utilisent par exemple la reconnaissance de panneaux de limitation de vitesse, la détection de marquage au sol et/ou des mesures de distances entre véhicules pour offrir une régulation de vitesse intelligente, ou anticipent le franchissement de ralentisseurs routiers dont la position est renseignée sur une carte haute définition en ajustant la vitesse du véhicule.For several years, the automotive sector has been developing increasingly advanced driver assistance systems. Such systems are very often based on machine learning techniques that allow a vehicle to understand its environment by analyzing signals from multiple sensors. These assistance systems use, for example, the recognition of speed limit signs, the detection of road markings and/or measurements of distances between vehicles to offer intelligent speed regulation, or anticipate the crossing of road speed bumps whose position is populated on a high definition map by adjusting the speed of the vehicle.

Pour qu’un modèle d’apprentissage soit en mesure d’analyser correctement des données pour reconnaitre de manière fiable un motif particulier dans un signal, le modèle doit être entrainé au préalable avec une importante quantité de données correctement étiquetées. Par exemple, pour entrainer un modèle d’apprentissage à reconnaître un panneau de limitation de vitesse, on peut entrainer un réseau de neurones à partir d’un grand nombre de photographies de panneaux de signalisation associées à des étiquettes (ou labels) représentant la valeur de vitesse indiquée sur le panneau.For a training model to be able to correctly analyze data to reliably recognize a particular pattern in a signal, the model must be trained beforehand with a large amount of correctly labeled data. For example, to train a learning model to recognize a speed limit sign, a neural network can be trained from a large number of photographs of road signs associated with labels (or labels) representing the value speed indicated on the panel.

Plus précisément, l’entrainement d’un modèle d’apprentissage nécessite non seulement des données d’entrainement, mais aussi des données de validation, distinctes des données d’entrainement, qui permettent un paramétrage correct du modèle et une vérification de la qualité des prédictions. Généralement, l’étiquetage des données est réalisé par un opérateur humain qui analyse chaque exemple pour lui associer une étiquette. Bien que particulièrement fiable, une telle manière de procéder est lente et coûteuse.More precisely, the training of a learning model requires not only training data, but also validation data, distinct from the training data, which allow a correct parameterization of the model and a verification of the quality of the predictions. Generally, data labeling is performed by a human operator who analyzes each example to associate a label with it. Although particularly reliable, such a procedure is slow and costly.

Il existe ainsi un besoin pour étiqueter à moindre coût et de manière fiable un grand nombre de données pour entrainer un modèle d’apprentissage et détecter de manière fiable des objets routiers.There is thus a need to label a large amount of data cheaply and reliably to train a learning model and reliably detect road objects.

A cet effet, il est proposé un procédé de détection d’un objet routier de type particulier à partir d’un signal issu d’au moins un capteur d’un véhicule en circulation sur un réseau routier, le procédé comprenant les étapes suivantes :To this end, a method is proposed for detecting a road object of a particular type from a signal coming from at least one sensor of a vehicle traveling on a road network, the method comprising the following steps:

Obtaining a descriptor of a first road segment, the descriptor comprising the geographical location of a plurality of type T road objects identified on the segment,
Obtaining a trace recorded by a first vehicle on the first road segment, the trace comprising at least one signal from a sensor of the vehicle and a plurality of successive geographical locations of the vehicle,
Selection in the trace obtained, of at least a first portion of the signal captured at the location of a road object identified in the descriptor and of at least a second portion of the signal captured at a location where no road object is identified in the descriptor,
Association of a first label with the first signal portion and of a second label with the second signal portion,
Training of a learning model with at least one datum representative of the first selected signal portion and the first associated label and with at least one datum representative of the second signal portion and the second associated label, and
Detection of a T-type road object on a second road segment by applying the trained model to data representative of a signal captured on the second road segment by a second vehicle.

Ainsi, on utilise l’emplacement connu d’objets routiers particuliers pour sélectionner dans des traces capturées par des véhicules, d’une part une partie d’un signal capturée à un emplacement correspondant géographiquement à une rencontre de l’objet routier par le véhicule et d’autre part une partie de signal capturée à un emplacement auquel aucun objet routier de ce type particulier n’est identifié. Les parties de signal sélectionnées peuvent alors être étiquetées avec un label indiquant la présence ou l’absence d’un objet routier de type particulier et utilisées pour entrainer un modèle de prédiction.Thus, the known location of particular road objects is used to select from traces captured by vehicles, on the one hand a part of a signal captured at a location geographically corresponding to an encounter of the road object by the vehicle and on the other hand a signal portion captured at a location at which no road object of that particular type is identified. The selected signal parts can then be tagged with a label indicating the presence or absence of a particular road object type and used to train a prediction model.

Autrement dit, le procédé permet de transposer la connaissance de l’emplacement géographique d’objets routiers particuliers sur un segment routier vers une connaissance d’un instant de capture, dans un signal capturé par un véhicule circulant sur ce segment, de données correspondant au franchissement de ces objets routiers. Les portions de signal sélectionnées peuvent alors être étiquetées sans intervention d’un opérateur humain et utilisées pour entrainer un modèle de prédiction. On obtient ainsi à moindre coût un modèle de prédiction capable de détecter avec précision des objets routiers comme des ralentisseurs à partir de signaux capturés par des véhicules en circulation sur d’autres segments routiers.In other words, the method makes it possible to transpose knowledge of the geographical location of particular road objects on a road segment to knowledge of a moment of capture, in a signal captured by a vehicle traveling on this segment, of data corresponding to the crossing these road objects. The selected signal portions can then be labeled without human operator intervention and used to train a prediction model. We thus obtain, at a lower cost, a prediction model capable of accurately detecting road objects such as speed bumps from signals captured by vehicles traveling on other road segments.

On note en outre qu’en entrainant le modèle d’apprentissage avec des signaux capturés à des emplacements où l’on sait qu’aucun objet routier n’est présent, on renforce la capacité du modèle à reconnaître les signaux correspondants à un objet routier que l’on cherche à détecter. Par exemple, on apprend ainsi au modèle à distinguer un signal capturé lors du franchissement d’un ralentisseur d’un signal capturé lors du franchissement d’un nid de poule.It is further noted that by training the learning model with signals captured at locations where it is known that no road object is present, the ability of the model to recognize the signals corresponding to a road object is reinforced. we are trying to detect. For example, the model is thus taught to distinguish a signal captured when crossing a speed bump from a signal captured when crossing a pothole.

Dans une réalisation particulière, le procédé comprend une étape de mise en correspondance des localisations géographiques des objets routiers identifiés dans le descripteur et des localisation géographiques comprises dans les traces obtenues avec une représentation numérique d’un réseau routier.In a particular embodiment, the method comprises a step of matching the geographical locations of the road objects identified in the descriptor and the geographical locations included in the traces obtained with a digital representation of a road network.

En mettant en correspondance les localisations géographiques avec une cartographie du réseau routier, on peut sélectionner avec précision la portion du signal qui a été enregistrée lorsque qu’un véhicule a croisé un premier objet routier. En effet, l’interpolation permettant de déterminer les instants de capture du signal correspondant au franchissement de l’objet routier tient alors compte de la géométrie du segment routier.By matching the geographical locations with a map of the road network, it is possible to precisely select the portion of the signal that was recorded when a vehicle crossed a first road object. Indeed, the interpolation making it possible to determine the instants of capture of the signal corresponding to the crossing of the road object then takes into account the geometry of the road segment.

Dans une réalisation particulière, les objets routiers de type T sont des ralentisseurs routiers.In a particular embodiment, the T-type road objects are road speed bumps.

Le procédé permet ainsi d’identifier et de localiser avec précision des ralentisseurs installés sur un réseau routier afin par exemple de mettre à jour une carte haute définition utilisable par des systèmes d’assistance à la conduite.The process thus makes it possible to identify and precisely locate speed bumps installed on a road network in order, for example, to update a high-definition map that can be used by driving assistance systems.

Selon un mode particulier de réalisation, le signal compris dans une trace est issu d’au moins un capteur de vitesse de rotation d’une roue avant d’un véhicule.According to a particular embodiment, the signal included in a trace comes from at least one rotation speed sensor of a front wheel of a vehicle.

Les imperfections de la chaussée, comme les ralentisseurs ou les nids de poules provoquent des micro-perturbations dans la vitesse de rotation de roues lorsqu’elles sont rencontrées par un véhicule. Ces micro-perturbations se présentent sous la forme d’une oscillation dans le signal de vitesse de rotation d’une roue avant d’un véhicule. Le procédé permet ainsi de détecter dans le signal capturé des variations particulières qui sont caractéristiques d’un franchissement de ralentisseur et de distinguer avec précisions ces variations d’autres perturbations provoquées par exemple par des déformations de la chaussée.Imperfections in the roadway, such as speed bumps or potholes, cause micro-disturbances in wheel rotation speed when encountered by a vehicle. These micro-disturbances take the form of an oscillation in the rotational speed signal of a vehicle's front wheel. The method thus makes it possible to detect in the captured signal particular variations which are characteristic of a speed bump crossing and to distinguish these variations with precision from other disturbances caused for example by deformations of the roadway.

Selon un mode particulier de réalisation, les données représentatives des premières et deuxièmes portions de signal comprennent au moins une différence de vitesse de rotation entre une roue avant et une roue arrière d’un véhicule.According to a particular embodiment, the data representative of the first and second signal portions comprise at least one difference in speed of rotation between a front wheel and a rear wheel of a vehicle.

Lorsque les roues avant d’un véhicule entrent en contact avec une anomalie de la chaussée, comme un ralentisseur, leur vitesse de rotation est modifiée alors que la vitesse de rotation des roues arrière n’est pas affectée. La différence entre la vitesse de rotation des roues avant et des roues arrière permet ainsi la détection d’une anomalie dans la chaussée, comme un ralentisseur ou un nid de poule.When the front wheels of a vehicle come into contact with an anomaly in the road surface, such as a speed bump, their rotational speed is modified while the rotational speed of the rear wheels is not affected. The difference between the speed of rotation of the front wheels and the rear wheels thus makes it possible to detect an anomaly in the road, such as a speed bump or a pothole.

Selon un mode particulier de réalisation, l’étape de sélection d’une portion du signal comprend la détection d’un événement particulier dans la portion de signal, l’étiquette étant associée à l’événement particulier.According to a particular embodiment, the step of selecting a portion of the signal comprises the detection of a particular event in the signal portion, the label being associated with the particular event.

Ainsi, on sélectionne dans un premier temps une première portion du signal géographiquement proche de l’objet routier grâce à des données de positionnement GNSS et dans un deuxième temps, on affine cette sélection en recherchant des variations particulières dans la première portion de signal, ces variations étant suffisamment caractéristiques pour correspondre sur une petite portion des signaux, à l’événement particulier. Autrement dit, la première sélection permet d’obtenir une portion de signal capturée lorsque le véhicule circule à l’emplacement du segment routier associé au premier signal dans laquelle il est proposé de détecter un événement particulier, par exemple une variation particulière telle qu’un pic haut ou un pic bas, et d’associer l’étiquette à l’instant précis où cette variation particulière est détectée.Thus, a first portion of the signal geographically close to the road object is first selected using GNSS positioning data and secondly, this selection is refined by looking for particular variations in the first portion of the signal, these variations being sufficiently characteristic to correspond on a small portion of the signals to the particular event. In other words, the first selection makes it possible to obtain a signal portion captured when the vehicle is traveling at the location of the road segment associated with the first signal in which it is proposed to detect a particular event, for example a particular variation such as a high peak or a low peak, and to associate the label with the precise moment when this particular variation is detected.

Selon un autre aspect, l’invention concerne un dispositif de détection d’un objet routier de type particulier à partir d’un signal issu d’au moins un capteur d’un véhicule en circulation sur un réseau routier, le dispositif comprenant un processeur et une mémoire dans laquelle sont enregistrées des instructions adaptées pour mettre en œuvre les étapes suivantes, lorsqu’elles sont exécutées par le processeur :According to another aspect, the invention relates to a device for detecting a road object of a particular type from a signal coming from at least one sensor of a vehicle traveling on a road network, the device comprising a processor and a memory in which are recorded instructions adapted to implement the following steps, when they are executed by the processor:

Selon encore un autre aspect, l’invention vise un serveur comprenant un tel dispositif de détection.According to yet another aspect, the invention relates to a server comprising such a detection device.

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 détection tel que décrit ci-avant.Finally, the invention relates to an information medium readable by a processor on which is recorded a computer program comprising instructions for the execution of the steps of a detection method as described above.

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.The information medium can be a non-transitory information medium such as a hard disk, a flash memory, or an optical disk for example.

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, SSD, un CD ROM ou encore un moyen d'enregistrement magnétique, par exemple un disque dur.The information carrier can be any entity or device capable of storing instructions. For example, the medium may comprise a storage means, such as a ROM, RAM, PROM, EPROM, SSD, a CD ROM or else a magnetic recording means, for example a hard disk.

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.On the other hand, the information medium can be a transmissible medium such as an electrical or optical signal, which can be conveyed via an electrical or optical cable, by radio or by other means.

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.Alternatively, the information carrier may be an integrated circuit in which the program is incorporated, the circuit being adapted to execute or to be used in the execution of the method in 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 détection.The different aforementioned embodiments or characteristics can be added independently or in combination with each other, to the steps of the detection method.

Les dispositifs, serveurs et supports d’informations présentent au moins des avantages analogues à ceux conférés par le procédé auquel ils se rapportent.The devices, servers and information carriers have at least similar advantages to those conferred by the process to which they relate.

Brève description des figuresBrief description of figures

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 :Other characteristics, details and advantages of the invention will appear on reading the detailed description below, and on analyzing the appended drawings, among which:

La représente un environnement adapté pour mettre en œuvre un procédé de détection selon un mode particulier de réalisation de l’invention, The represents an environment suitable for implementing a detection method according to a particular embodiment of the invention,

La est un ordinogramme représentant les principales étapes d’un procédé de détection d’un objet routier selon un mode de réalisation particulier, The is a flowchart representing the main steps of a method for detecting a road object according to a particular embodiment,

La représente un signal capturé par un capteur d’un véhicule au cours de sa circulation sur un segment routier particulier et les instants d’acquisition d’une position géographique du véhicule, et The represents a signal captured by a sensor of a vehicle during its circulation on a particular road segment and the instants of acquisition of a geographical position of the vehicle, and

La est un tableau dans laquelle des parties du signal de la sont associées à des étiquettes. The is a table in which parts of the signal of the are associated with labels.

Description détailléedetailed description

Le procédé de détection va maintenant être décrit en référence à la .The detection method will now be described with reference to the .

La représente un véhicule en circulation sur un segment routier S comprenant un ralentisseur 102 à une localisation PR et une déformation de la chaussée 101. Le véhicule 100 est équipé d’un dispositif de géolocalisation, par exemple un dispositif de positionnement par satellite GNSS (Global Navigation Satellite System), et un capteur adapté pour transmettre un signal horodaté à une unité de traitement du véhicule, par exemple un ECU (Electronic Command Unit). L’unité de traitement du véhicule enregistre de façon synchronisée le signal transmis par le capteur et les positions géographiques successives P1 à P4 du véhicule déterminées par le récepteur GNSS. Ainsi, le véhicule produit une trace permettant de mettre en relation des positions géographiques avec des événements particuliers détectés par le capteur. Le capteur est adapté pour capturer l’évolution d’un paramètre dynamique du véhicule, comme sa vitesse de déplacement, une vitesse de rotation d’une ou plusieurs roues, une ou plusieurs accélérations selon un ou plusieurs axes, ou encore une amplitude de débattement d’une suspension. Dans d’autres modes de réalisation, le capteur peut être un radar, un lidar, ou encore une caméra permettant de détecter un objet routier en bordure de la chaussée.The represents a vehicle in circulation on a road segment S comprising a retarder 102 at a PR location and a deformation of the roadway 101. The vehicle 100 is equipped with a geolocation device, for example a GNSS satellite positioning device (Global Navigation Satellite System), and a sensor suitable for transmitting a time-stamped signal to a processing unit of the vehicle, for example an ECU (Electronic Command Unit). The vehicle processing unit records in a synchronized manner the signal transmitted by the sensor and the successive geographical positions P1 to P4 of the vehicle determined by the GNSS receiver. Thus, the vehicle produces a trace making it possible to link geographical positions with particular events detected by the sensor. The sensor is suitable for capturing the evolution of a dynamic parameter of the vehicle, such as its speed of movement, a speed of rotation of one or more wheels, one or more accelerations along one or more axes, or even an amplitude of deflection of a suspension. In other embodiments, the sensor can be a radar, a lidar, or even a camera making it possible to detect a road object at the edge of the roadway.

Le véhicule 100 comprend également une interface de communication, par exemple une interface 2G, 3G, 4G, 5G, WiFi ou WiMAX, lui permettant de se connecter à un réseau de communication 103 par l’intermédiaire d’un réseau d’accès 104 et de transmettre les traces produites à un serveur de traitement 105.The vehicle 100 also comprises a communication interface, for example a 2G, 3G, 4G, 5G, WiFi or WiMAX interface, allowing it to connect to a communication network 103 via an access network 104 and to transmit the traces produced to a processing server 105.

Le serveur 105 enregistre par exemple dans une base de données 106 les traces reçues en provenance de véhicules tels que le véhicule 100.The server 105 records for example in a database 106 the traces received from vehicles such as the vehicle 100.

Le serveur 105 comprend une unité de traitement, par exemple un processeur, et une mémoire dans laquelle sont enregistrées des instructions de programme. Le processeur est configuré par les instructions de programme d’ordinateur pour exécuter les étapes d’un procédé de détection d’objets routiers selon un mode particulier de réalisation.The server 105 comprises a processing unit, for example a processor, and a memory in which program instructions are recorded. The processor is configured by the computer program instructions to execute the steps of a road object detection method according to a particular embodiment.

Les étapes du procédé de détection vont maintenant être décrites en référence à la .The steps of the detection method will now be described with reference to the .

La est un ordinogramme montrant les principales étapes d’un procédé de détection selon un mode particulier de réalisation.The is a flowchart showing the main steps of a detection method according to a particular embodiment.

Lors d’une première étape 200, le serveur 105 obtient la localisation géographique PR d’au moins un objet routier d’un type particulier sur le segment S, par exemple la longitude et la latitude du ralentisseur 102. La localisation du ralentisseur 102 peut être obtenue par tout moyen adapté. Par exemple, un opérateur peut se déplacer sur le réseau routier et renseigner manuellement la localisation des ralentisseurs situés sur un ou plusieurs segments routiers particuliers, en utilisant par exemple un récepteur GNSS. Les localisations d’une pluralité d’objets routiers sont mémorisées dans la base de données 106 en association avec une étiquette représentant le type de chacun de ces objets, par exemple ralentisseur de type « coussin berlinois», « dos d’âne », ou trapézoïdal, bande rugueuses ou déformation de type ornière ou « nid de poule ». De préférence, le serveur obtient pour un segment routier particulier, un descripteur 107 du segment S comprenant les localisations PR de tous les objets routiers d’un type particuliers identifiés sur le segment.During a first step 200, the server 105 obtains the geographic location PR of at least one road object of a particular type on the segment S, for example the longitude and latitude of the speed bump 102. The location of the speed bump 102 can be obtained by any suitable means. For example, an operator can travel on the road network and manually enter the location of the speed bumps located on one or more particular road segments, for example using a GNSS receiver. The locations of a plurality of road objects are stored in the database 106 in association with a label representing the type of each of these objects, for example retarder of the "speed cushion" type, "speed bump", or trapezoidal, rumble strip or rut or “pothole” type deformation. Preferably, the server obtains for a particular road segment, a descriptor 107 of the segment S comprising the locations PR of all the road objects of a particular type identified on the segment.

Lors d’une étape 201, le serveur 105 obtient une trace horodatée enregistrée par le véhicule 100 au cours de sa circulation sur au moins un segment routier. Comme on l’a vu, une telle trace comprend au moins un signal issu d’un capteur du véhicule, par exemple un capteur de vitesse de rotation d’une roue du véhicule, et une pluralité de localisations géographiques successives du véhicule. Les valeurs de signal et les localisations géographiques comprises dans la trace sont associées à des données d’horodatages, par exemple des estampilles temporelles permettant d’ordonnancer les données de la trace et de synchroniser le signal capturé avec les localisations géographiques du véhicule. Le serveur reçoit la trace au moyen d’une interface de communication lui permettant d’établir des connexions au travers du réseau 103 et notamment d’établir des connexions avec des véhicules tels que le véhicule 100 grâce à une interconnexion du réseau 103 avec un réseau d’accès cellulaire 104.During a step 201, the server 105 obtains a timestamped trace recorded by the vehicle 100 during its circulation on at least one road segment. As we have seen, such a trace comprises at least one signal coming from a sensor of the vehicle, for example a sensor of rotational speed of a wheel of the vehicle, and a plurality of successive geographical locations of the vehicle. The signal values and the geographical locations included in the track are associated with timestamp data, for example time stamps making it possible to schedule the data of the track and to synchronize the captured signal with the geographical locations of the vehicle. The server receives the trace by means of a communication interface allowing it to establish connections through the network 103 and in particular to establish connections with vehicles such as the vehicle 100 thanks to an interconnection of the network 103 with a network cellular access 104.

Selon un mode de réalisation particulier, à la réception d’une telle trace, le serveur réalise une mise en relation des données de géolocalisations comprises dans la trace avec une cartographie numérique du réseau routier afin d’identifier les segments routiers parcouru par le véhicule au cours de l’enregistrement de la trace. Le serveur peut ainsi déterminer si la base de données 106 comprend un descripteur pour au moins un des segments parcourus par le véhicule ayant enregistré la trace. S’il est déterminé que le véhicule a emprunté un segment routier pour lequel le serveur a obtenu un descripteur à l’étape 200, par exemple le segment S, le serveur met en œuvre l’étape 202.According to a particular embodiment, upon receipt of such a trace, the server links the geolocation data included in the trace with a digital map of the road network in order to identify the road segments traveled by the vehicle at the during the track recording. The server can thus determine whether the database 106 includes a descriptor for at least one of the segments covered by the vehicle having recorded the track. If it is determined that the vehicle has taken a road segment for which the server obtained a descriptor in step 200, for example segment S, the server implements step 202.

A l’étape 202, le serveur 105 sélectionne dans la trace obtenue une première portion du signal capturée lorsque le véhicule 100 a franchi le ralentisseur 102. Pour cela, dans une réalisation particulière, le serveur 105 met en correspondance les localisations géographiques comprises dans la trace enregistrée par le véhicule 100 avec la localisation géographique de l’objet routier 102. Plus précisément, le serveur 105 compare la localisation de l’objet routier 102 obtenue à l’étape 200 avec les localisations géographiques horodatées transmises par le véhicule 100 pour déterminer, sur une échelle temporelle associée aux données de localisations, l’instant auquel le véhicule 100 a franchi le ralentisseur 102. Le signal compris dans la trace étant synchronisé avec les localisations géographiques du véhicule, l’instant ainsi déterminé permet de sélectionner dans le signal les données capturées lorsque le véhicule a franchi le ralentisseur 102. La première portion de signal sélectionnée est associée à une étiquette dénotant la présence du ralentisseur 102.At step 202, the server 105 selects from the trace obtained a first portion of the signal captured when the vehicle 100 has crossed the speed bump 102. For this, in a particular embodiment, the server 105 matches the geographical locations included in the track recorded by the vehicle 100 with the geographic location of the road object 102. More specifically, the server 105 compares the location of the road object 102 obtained in step 200 with the timestamped geographic locations transmitted by the vehicle 100 to determine , on a time scale associated with the location data, the instant at which the vehicle 100 crossed the speed bump 102. The signal included in the trace being synchronized with the geographical locations of the vehicle, the instant thus determined makes it possible to select from the signal the data captured when the vehicle has passed the speed bump 102. The first signal portion selected is associated with a label denoting the presence of the retarder 102.

Selon une réalisation particulière, le serveur détecte une variation particulière dans la première portion de signal sélectionnée, par exemple un pic haut, un pic bas, ou une alternance de pics haut et de pics bas et associe l’étiquette à cette variation particulière.According to a particular embodiment, the server detects a particular variation in the first selected signal portion, for example a high peak, a low peak, or an alternation of high peaks and low peaks and associates the label with this particular variation.

Le serveur 105 sélectionne en outre au moins une deuxième portion du signal capturée lorsque le véhicule circulait sur le segment S à des emplacements qui ne correspondent pas aux objets routiers identifiés. Par exemple, le serveur 105 sélectionne une portion du signal correspondant au franchissement de la déformation 101 et/ou toute autre portion de signal capturée à un emplacement autre que l’emplacement du ralentisseur 102. La deuxième portion de signal est associée à une étiquette particulière dénotant l’absence de ralentisseur.The server 105 further selects at least a second portion of the signal captured when the vehicle was traveling on the segment S at locations which do not correspond to the identified road objects. For example, the server 105 selects a portion of the signal corresponding to the crossing of the deformation 101 and/or any other portion of signal captured at a location other than the location of the retarder 102. The second portion of signal is associated with a particular label denoting the absence of a retarder.

Dans un mode particulier de réalisation, les localisations géographiques comprises dans la trace et la localisation géographique de l’objet routier obtenue à l’étape 200 sont corrigées au préalable par une mise en correspondance avec une représentation numérique du réseau routier, par exemple une cartographie numérique. La mise en correspondance est réalisée par une technique classique dite de « map-matching » et permet de corriger les imprécisions des données de localisation GNSS en positionnant les données de localisation sur le segment routier le plus proche. De cette façon, la localisation du ralentisseur peut être interpolée avec davantage de précision entre deux localisations successives du véhicule 100 comprises dans la trace.In a particular embodiment, the geographic locations included in the trace and the geographic location of the road object obtained in step 200 are corrected beforehand by matching with a digital representation of the road network, for example a cartography digital. The matching is carried out by a conventional technique called "map-matching" and makes it possible to correct the inaccuracies of the GNSS location data by positioning the location data on the nearest road segment. In this way, the location of the retarder can be interpolated with greater precision between two successive locations of the vehicle 100 included in the track.

On a représenté sur la un exemple de signal 300 capturé par le véhicule 100 au cours de sa circulation sur le segment S de la . Il s’agit par exemple d’un signal de vitesse de rotation d’une roue avant du véhicule 100 auquel on a appliqué un filtre de débruitage, un filtre passe bande et un gradient. On a également représenté les instants d’acquisition de positions successives P1 à P4 du véhicule déterminées par le récepteur GNSS du véhicule. On remarque des variations particulières 305 et 307 du signal 300 qui correspondent respectivement au franchissement du ralentisseur 102 et de la déformation 101 représentés sur la . Lors de l’étape 202 décrite ci-dessus, le serveur 105 utilise le descripteur du segment S, et en particulier la position connue du ralentisseur 102 comprise dans le descripteur pour extraire différentes portions du signal 300 et associer des étiquettes à ces portions. Plus précisément, en comparant les positions successives P1 à P4 du véhicule sur le segment S et les positions connues PR des ralentisseurs installés sur le segment S obtenues à l’étape 200 et mémorisées sous la forme d’un descripteur 107 dans la base de données 106, le serveur 105 peut déterminer que la portion de signal comprise entre les positions P1 et P2 correspond au franchissement d’un ralentisseur, et que les portions de signal comprises entre les positions P2 et P3, et P3 et P4 sont capturées sur un parcours ne comprenant pas de ralentisseur.We represented on the an example of signal 300 captured by vehicle 100 during its circulation on segment S of the . This is, for example, a rotational speed signal of a front wheel of the vehicle 100 to which a denoising filter, a band pass filter and a gradient have been applied. The instants of acquisition of successive positions P1 to P4 of the vehicle determined by the GNSS receiver of the vehicle have also been represented. We note particular variations 305 and 307 of the signal 300 which correspond respectively to the crossing of the retarder 102 and the deformation 101 represented on the . During the step 202 described above, the server 105 uses the descriptor of the segment S, and in particular the known position of the retarder 102 included in the descriptor to extract different portions of the signal 300 and associate labels with these portions. More precisely, by comparing the successive positions P1 to P4 of the vehicle on the segment S and the known positions PR of the retarders installed on the segment S obtained at step 200 and stored in the form of a descriptor 107 in the database 106, the server 105 can determine that the signal portion between the positions P1 and P2 corresponds to the crossing of a speed bump, and that the signal portions between the positions P2 and P3, and P3 and P4 are captured on a route not including a retarder.

La montre une table constituée par le serveur 105 dans laquelle les portions de signal 305, 306 et 307 sélectionnées à l’étape 202 sont respectivement associées à des étiquettes E1, E2 et E2, l’étiquette E1 indiquant la présence d’un ralentisseur au moment de la capture de la portion de signal et l’étiquette E2 l’absence de ralentisseur au moment de la capture de la portion de signal.The shows a table compiled by the server 105 in which the signal portions 305, 306 and 307 selected in step 202 are respectively associated with labels E1, E2 and E2, the label E1 indicating the presence of a retarder at the moment of the capture of the signal portion and the label E2 the absence of a retarder at the time of the capture of the signal portion.

A l’étape 203, le serveur 105 entraine un modèle d’apprentissage avec au moins une donnée représentative de la première portion de signal sélectionnée et l’étiquette associée à cette première portion de signal et une donnée représentative de la deuxième portion de signal sélectionnée et l’étiquette associée à cette deuxième portion. Pour cela, le serveur 105 utilise par exemple une table telle que la table de la .At step 203, the server 105 trains a learning model with at least one datum representative of the first selected signal portion and the label associated with this first signal portion and one datum representative of the second selected signal portion and the label associated with this second portion. For this, the server 105 uses for example a table such as the table of the .

On entend par les termes « données représentative d’une portion de signal » une ou plusieurs données calculées à partir du signal. Par exemple, lorsque le signal est un signal de vitesse de rotation d’une roue d’un véhicule, une donnée représentative du signal est l’amplitude d’une variation de la vitesse de rotation, une différence entre l’amplitude d’un pic bas et d’un pic haut successifs. Plus généralement, le serveur 105 peut appliquer tout traitement mathématique ou statistique souhaitable au signal pour obtenir une donnée représentative, comme une réduction de bruit, un filtrage passe bande, un gradient. Lorsque le signal comprend des données issues de plusieurs capteurs, la donnée représentative peut par exemple comprendre le calcul d’une différence entre des valeurs des différents capteurs ou tout autre valeur issue d’une combinaison des valeurs issues des capteurs. Ainsi la donnée représentative peut comprendre au moins une différence entre la vitesse de rotation d’une roue avant et la vitesse de rotation d’une roue arrière d’un véhicule.The term “data representative of a signal portion” means one or more data calculated from the signal. For example, when the signal is a rotational speed signal of a wheel of a vehicle, a datum representative of the signal is the amplitude of a variation in the rotational speed, a difference between the amplitude of a low peak and a successive high peak. More generally, the server 105 can apply any desirable mathematical or statistical processing to the signal to obtain representative data, such as noise reduction, bandpass filtering, gradient. When the signal comprises data from several sensors, the representative data may for example comprise the calculation of a difference between values from the different sensors or any other value from a combination of values from the sensors. Thus the representative datum can comprise at least one difference between the speed of rotation of a front wheel and the speed of rotation of a rear wheel of a vehicle.

L’étape d’entrainement comprend ainsi l’extraction de caractéristiques particulière dans les portions de signal sélectionnées (« feature engineering » en anglais), la création d’un vecteur caractéristique comprenant les caractéristiques extraites et l’étiquette associée à la portion de signal en question, et l’entrainement du modèle d’apprentissage à partir du vecteur caractéristique ainsi créé.The training step thus comprises the extraction of particular characteristics in the selected signal portions (“feature engineering”), the creation of a characteristic vector comprising the extracted characteristics and the label associated with the signal portion in question, and the training of the learning model from the characteristic vector thus created.

Le modèle d’apprentissage est par exemple un réseau de neurone artificiel de type perceptron multicouche ou un algorithme d’apprentissage automatique, par exemple XGBoost (eXtreme Gradient Boosting).The learning model is for example a multilayer perceptron type artificial neural network or a machine learning algorithm, for example XGBoost (eXtreme Gradient Boosting).

Les étapes 201 à 203 sont répétées pour une pluralité de traces transmises par des véhicules en circulation. On obtient ainsi un modèle de prédiction entrainé pour détecter le franchissement d’un objet routier particulier dans un signal transmis par un véhicule.Steps 201 to 203 are repeated for a plurality of traces transmitted by vehicles in circulation. We thus obtain a prediction model trained to detect the crossing of a particular road object in a signal transmitted by a vehicle.

Le procédé comprend en outre une étape 204 de détection d’un deuxième objet routier par application du modèle entrainé à une donnée représentative d’un signal capturé par un deuxième véhicule circulant sur un deuxième segment routier. Pour cela, le serveur reçoit une trace transmise par un véhicule en circulation et applique le modèle de prédiction entrainé à un signal transmis compris dans la trace. Il est ainsi possible d’obtenir la localisation d’objets routiers tels que des ralentisseurs ou des anomalies de la chaussée à partir de traces transmises par des véhicules afin par exemple de mettre à jour en continue une carte routière numérique à partir de données collectées de façon participative.The method further comprises a step 204 of detecting a second road object by applying the trained model to data representative of a signal captured by a second vehicle traveling on a second road segment. For this, the server receives a trace transmitted by a vehicle in circulation and applies the trained prediction model to a transmitted signal included in the trace. It is thus possible to obtain the location of road objects such as speed bumps or road anomalies from traces transmitted by vehicles in order, for example, to continuously update a digital road map from data collected from participatory way.

Selon un mode de réalisation particulier, le procédé de détection est mis en œuvre par un dispositif de détection comprenant un espace de stockage, par exemple une mémoire, une unité de traitement équipée par exemple d’un processeur. L’unité de traitement peut être pilotée par des instructions, par exemple un programme d’ordinateur, mettant en œuvre le procédé de détection décrit précédemment en référence à la , et notamment les étapes d’obtention d’un descripteur d’un premier segment routier, le descripteur comprenant la localisation géographique d’une pluralité d’objets routiers de type T identifiés sur le segment, d’obtention d’une trace enregistrée par un premier véhicule sur le premier segment routier, la trace comprenant au moins un signal issu d’un capteur du véhicule et une pluralité de localisations géographiques successives du véhicule, de sélection dans la trace obtenue, d’au moins une première portion du signal capturée à l’emplacement d’un objet routier identifié dans le descripteur et d’au moins une deuxième portion du signal capturée à un emplacement où aucun objet routier n’est identifié dans le descripteur, et association d’une première étiquette avec la première portion de signal et d’une deuxième étiquette avec la deuxième portion de signal, d’entrainement d’un modèle d’apprentissage avec au moins une donnée représentative de la première portion de signal sélectionnée et la première étiquette associée et avec au moins une donnée représentative de la deuxième portion de signal et la deuxième étiquette associée, et de détection d’un objet routier de type T sur un deuxième segment routier par application du modèle entrainé à une donnée représentative d’un signal capturé sur le deuxième segment routier par un deuxième véhicule.According to a particular embodiment, the detection method is implemented by a detection device comprising a storage space, for example a memory, a processing unit equipped for example with a processor. The processing unit can be driven by instructions, for example a computer program, implementing the detection method described above with reference to the , and in particular the steps of obtaining a descriptor of a first road segment, the descriptor comprising the geographical location of a plurality of type T road objects identified on the segment, of obtaining a trace recorded by a first vehicle on the first road segment, the track comprising at least one signal coming from a sensor of the vehicle and a plurality of successive geographical locations of the vehicle, for selection in the track obtained, of at least a first portion of the captured signal at the location of a road object identified in the descriptor and of at least a second portion of the signal captured at a location where no road object is identified in the descriptor, and association of a first tag with the first portion signal and a second tag with the second signal portion, training a learning model with at least one piece of data representative of the selected first signal portion and with a first associated label and with at least one datum representative of the second signal portion and the second associated label, and detection of a T-type road object on a second road segment by applying the trained model to a datum representative of a signal captured on the second road segment by a second vehicle.

À l’initialisation, les instructions du programme d’ordinateur 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. Le processeur de l’unité de traitement met en œuvre les étapes du procédé de détection selon les instructions du programme d’ordinateur.On initialization, the instructions of the computer program are for example loaded into a RAM (Random Access Memory) before being executed by the processor of the processing unit. The processor of the processing unit implements the steps of the detection method according to the instructions of the computer program.

Selon un mode particulier de réalisation, le dispositif est compris dans un serveur.According to a particular embodiment, the device is included in a server.

Claims

Method for detecting a road object of a particular type from a signal coming from at least one sensor of a vehicle traveling on a road network, the method comprising the following steps:

Obtaining (200) a descriptor of a first road segment, the descriptor comprising the geographical location of a plurality of type T road objects identified on the segment,
Obtaining (201) a trace recorded by a first vehicle on the first road segment, the trace comprising at least one signal from a sensor of the vehicle and a plurality of successive geographical locations of the vehicle,
Selection (202) in the trace obtained, of at least a first portion of the signal captured at the location of a road object identified in the descriptor and of at least a second portion of the signal captured at a location where no road object is identified in the descriptor, and association of a first tag with the first signal portion and of a second tag with the second signal portion,
Training (203) of a learning model with at least one datum representative of the selected first signal portion and the first associated label and with at least one datum representative of the second signal portion and the second associated label, and
Detection (204) of a T-type road object on a second road segment by applying the trained model to data representative of a signal captured on the second road segment by a second vehicle.

Method according to any one of the preceding claims, such that it further comprises a step of matching the geographical locations of the road objects identified in the descriptor and the geographical locations included in the traces obtained with a digital representation of a road network .

A method according to any preceding claim wherein the T-type road objects are road speed bumps.

Method according to any one of the preceding claims, in which the signal included in a trace comprises at least data coming from a sensor of the rotational speed of a front wheel of a vehicle.

Method according to claim 4, in which the signal included in a trace further comprises data coming from at least one rotation speed sensor of a rear wheel of a vehicle, the data representative of the first and second signal portions comprising at least one rotational speed difference between a front wheel and a rear wheel of a vehicle.

A method according to any preceding claim wherein the step of selecting a portion of the signal includes detecting a particular event in the signal portion, the tag being associated with the particular event.

Device for detecting a road object of a particular type from a signal coming from at least one sensor of a vehicle traveling on a road network, the device comprising a processor and a memory in which suitable instructions are recorded to implement the following steps, when executed by the processor:

Obtaining a descriptor of a first road segment, the descriptor comprising the geographical location of a plurality of type T road objects identified on the segment,
Obtaining a trace recorded by a first vehicle on the first road segment, the trace comprising at least one signal from a sensor of the vehicle and a plurality of successive geographical locations of the vehicle,
Selection in the trace obtained, of at least a first portion of the signal captured at the location of a road object identified in the descriptor and of at least a second portion of the signal captured at a location where no road object is identified in the descriptor, and association of a first tag with the first signal portion and of a second tag with the second signal portion,
Training of a learning model with at least one datum representative of the first selected signal portion and the first associated label and with at least one datum representative of the second signal portion and the second associated label, and
Detection of a T-type road object on a second road segment by applying the trained model to data representative of a signal captured on the second road segment by a second vehicle.

Server comprising such a detection device according to claim 7.

Information carrier readable by a processor on which is recorded a computer program comprising instructions for the execution of the steps of a detection method according to any one of Claims 1 to 6.