FR3116501A1

FR3116501A1 - Procédé et dispositif de détermination d’une ligne virtuelle de délimitation entre deux voies de circulation.

Info

Publication number: FR3116501A1
Application number: FR2012108A
Authority: FR
Inventors: Badreddine Aboulissane; Ismail Abouessire
Original assignee: PSA Automobiles SA
Current assignee: PSA Automobiles SA
Priority date: 2020-11-25
Filing date: 2020-11-25
Publication date: 2022-05-27
Anticipated expiration: 2040-11-25
Also published as: EP4251485A1; FR3116501B1; WO2022112672A1

Abstract

L’invention concerne un procédé et un dispositif de détermination d’une ligne virtuelle de délimitation entre une voie de circulation, dite égo-voie, et une voie de circulation adjacente à l’égo-voie, dite voie adjacente, pour réguler une position d’un véhicule autonome circulant sur l’égo-voie, ledit procédé comportant les étapes de : Réception (201) d’informations d’au moins un premier objet détecté circulant sur l’égo-voie ; Réception (202) d’informations d’au moins un deuxième objet détecté circulant sur la voie adjacente ; Pour chacun des deux objets, si la probabilité d’existence est supérieure à un seuil d’existence prédéterminé et si au moins un nombre prédéterminé de points de géolocalisation est réceptionné, (203, 204), alors Construction (205, 206) d’une ligne pour chaque objet à partir des points de géolocalisation ; Détermination (207) de la ligne virtuelle. Figure pour l’abrégé : Figure 2

Description

Procédé et dispositif de détermination d’une ligne virtuelle de délimitation entre deux voies de circulation.

L’invention est dans le domaine des systèmes d’aide à la conduite de véhicule autonome. En particulier, l’invention concerne un procédé et un dispositif de détermination d’une ligne virtuelle de délimitation entre une voie de circulation, dite égo-voie, et une voie de circulation adjacente à l’égo-voie, dite voie adjacente, pour réguler une position d’un véhicule autonome circulant sur l’égo-voie.

On entend par « véhicule » tout type de véhicule tel qu’un véhicule automobile, un cyclomoteur, une motocyclette, un robot de stockage dans un entrepôt, etc. On entend par « conduite autonome » d’un « véhicule autonome » tout procédé apte à assister la conduite du véhicule. Le procédé peut ainsi consister à diriger partiellement ou totalement le véhicule ou à apporter tout type d’aide à une personne physique conduisant le véhicule. Le procédé couvre ainsi toute conduite autonome, du niveau 0 au niveau 5 dans le barème de l’OICA, pour Organisation International des Constructeurs Automobiles.

Les procédés aptes à assister la conduite du véhicule sont aussi nommés ADAS (de l’acronyme anglais « Advanced Driver Assistance Systems »), systèmes ADAS ou systèmes d’aide à la conduite. Les systèmes aptes à réguler une position d’un véhicule autonome circulant sur une voie de circulation sont des systèmes ADAS connus, en particulier ceux nommés LPA (de l’acronyme anglais « Lane Positionning Assist »). Classiquement, ces systèmes comportent des caméras embarquées capturant des images de l’environnement du véhicule ainsi que de capteurs de type RADAR, LIDAR, ultrasons …, capturant des données de l’environnement du véhicule.

Un traitement des images et des données capturées détecte, tout d’abord, des objets (comme par exemple, un véhicule, un camion, un cycliste, un piéton, un obstacle ...) présents dans l’environnement du véhicule (dans un voisinage du véhicule). Ensuite, ces objets détectés sont identifiés. Chaque objet est suivi dans le temps afin de lui attribuer une probabilité d’existence, de le classifier (par exemple attribuer une classe de véhicule comme voiture, camion, bus, moto, … ou une classe de non véhicule comme piéton, animal, panneau, …), d’attribuer une probabilité d’appartenance à une classe donnée, de déterminer un état de mouvement (en particulier, déterminer si l’objet est immobile/statique, roulant dans la même sens que le véhicule, roulant dans le sens contraire du véhicule). Une détermination de la position (en particulier par rapport au véhicule) de chaque objet est également déterminée. En particulier cette détermination identifie sur quelle voie de circulation circule les objets détectés. Généralement, cette détermination est fonction de l’écart en latérale de l’objet détecté par rapport au véhicule et également d’un autre traitement des images et des données capturées. En cas de doute, la probabilité d’existence de l’objet est diminuée.

Cet autre traitement des images et des données capturées identifie et reconnait les marquages au sol et autres délimitation de voie, et ainsi identifie les voies de circulation. Afin de réguler une position d’un véhicule autonome circulant sur une voie de circulation, les marquages au sol sont essentiels. En effet, la largeur des voies de circulations dépende généralement des pays, des routes et de leurs vitesses maximums. La régulation de la position du véhicule se fait alors par rapport à la ligne médiane entre la ligne représentant un marquage à gauche de la voie de circulation et une ligne représentant un marquage à droite de ladite voie de circulation.

Cependant, les marquages au sol sont parfois mal reconnus lors du traitement des images pour des raisons, par exemple, de luminosité (soleil rasant, route mouillée ou enneigée, …) ou, tout simplement, d’un marquage usé, effacé ou dissimulé.

En absence de marquage, les systèmes ADAS régulant la position d’un véhicule autonome sont plus capables de positionner automatiquement le véhicule et doivent rendre brusquement le contrôle de la conduite du véhicule à un conducteur. Cette situation est partiellement stressante, le conducteur n’étant prévu qu’au dernier instant. Par ailleurs, la disponibilité du système ADAS en est réduite ce qui donne une mauvaise image de marque.

Un objet de la présente invention est de remédier au problème précité, en particulier de reconstruire virtuellement une ligne de séparation entre deux voie. Ainsi, le fonctionnement de systèmes ADAS aptes à réguler une position d’un véhicule autonome est plus robuste et régulier.

A cet effet, un premier aspect de l’invention concerne un procédé de détermination d’une ligne virtuelle de délimitation entre une voie de circulation, dite égo-voie, et une voie de circulation adjacente à l’égo-voie, dite voie adjacente, pour réguler une position d’un véhicule autonome circulant sur l’égo-voie, ledit procédé comportant les étapes de :

Réception d’informations d’au moins un premier objet détecté circulant sur l’égo-voie, les informations caractérisant une probabilité d’existence du premier objet et un point de géolocalisation du premier objet dans la voie circulée ;
Réception d’informations d’au moins un deuxième objet détecté circulant sur la voie adjacente, les informations caractérisant une probabilité d’existence du deuxième objet et un point de géolocalisation du deuxième objet dans la voie circulée ;
Pour chacun des deux objets, si la probabilité d’existence est supérieure à un seuil d’existence prédéterminé et si au moins un nombre prédéterminé de points de géolocalisation est réceptionné, alors
- Construction d’une ligne pour chaque objet à partir des points de géolocalisation, la ligne représentant le chemin parcouru par l’objet ;
- Détermination d’une ligne virtuelle délimitant l’égo-voie de la voie adjacente à partir de la ligne construite pour le premier objet et à partir de la ligne construite pour le deuxième objet.

Ainsi, en cas d’usure, de dissimulation ou d’effacement d’un marquage au sol séparant l’égo-voie et la voie adjacente, celle-ci est reconstruite et la régulation de la position du véhicule autonome dans l’égo-voie continue. Le contrôle du véhicule n’est pas rendu à un conducteur dudit véhicule. Le système d’aide à la conduite continue à exécuter son rôle d’aide de manière fiable.

La détermination de la ligne virtuelle se base sur le chemin parcouru par les premiers objets circulant sur l’égo-voie et sur le chemin parcouru par les deuxièmes objets circulant sur la voie adjacente, formant ainsi deux lignes. Cette ligne virtuelle peut être une ligne médiane entre les deux lignes représentant alors naturellement une séparation entre l’égo-voie et la voie adjacente.

La détermination de la ligne virtuelle est robuste et fiable vis-à-vis aux incertitudes de mesures. Cette détermination prend en compte une pluralité de points de géolocalisation, une vingtaine par exemple, par d’objet détecté, et chaque objet est détecté de manière fiable grâce à une probabilité d’existence supérieur à un seuil d’existence (par exemple 70%).

Avantageusement, les informations reçues pour le premier et pour le deuxième objet comportent en outre une classe d’appartenance de l’objet, une probabilité d’appartenance à la classe, et/ou un état de mouvement, et dans lequel l’étape de construction de la ligne pour chaque objet n’est réalisée que si la classe d’appartenance est membre d’une liste de classes prédéterminées, si la probabilité d’appartenance à la classe est supérieur à un seuil d’appartenance prédéterminé, et/ou si l’état de mouvement indique que l’objet est en mouvement.

Ainsi, la détermination de la ligne virtuelle est encore plus robuste et plus fiable vis-à-vis aux incertitudes de mesures. Dans un mode opératoire, seul les objets étant des véhicules en mouvement, dans le sens du véhicule ou venant dans le sens inverse, sont pris en compte.

Avantageusement, la construction de la ligne pour chaque objet est basée sur un ajustement paramétrique d’un polynôme, le polynôme modélisant le chemin parcouru par l’objet.

Ainsi, la reconstruction d’une ligne représentant le chemin parcouru par un objet est plus lisse. En effet, les mesures sont entachés d’incertitudes et les objets ont de léger écarts transversaux.

Avantageusement, lorsqu’un objet supplémentaire circulant sur l’égo-voie est détecté, les informations reçues sont réunies avec les informations du premier objet pour compléter les informations dudit premier objet.

Avantageusement, lorsqu’un objet supplémentaire circulant sur la voie adjacente est détecté, les informations reçues sont réunies avec les informations du deuxième objet pour compléter les informations dudit deuxième objet.

Ainsi, la détermination de la ligne est encore plus robuste et plus fiable vis-à-vis aux incertitudes de mesures. En effet, les véhicules circulant sur une même voie parcourent le même chemin.

Avantageusement, dans lequel chaque information reçue est horodatée, et seules les données reçues sur un intervalle de temps prédéterminé sont utilisés dans la construction d’une ligne pour chaque objet à partir des points de géolocalisation.

Ainsi, un traitement global, continue et périodique est réalisé déterminant une ligne virtuelle sur un horizon de temps donné, par exemple sur 3 secondes.

Un deuxième aspect de l’invention concerne un dispositif comprenant une mémoire associée à au moins un processeur configuré pour mettre en œuvre le procédé selon le premier aspect de l’invention.

L’invention concerne aussi un véhicule comportant le dispositif.

L’invention concerne aussi un programme d’ordinateur comprenant des instructions adaptées pour l’exécution des étapes du procédé, selon le premier aspect de l’invention, lorsque ledit programme est exécuté par au moins un processeur.

D’autres caractéristiques et avantages de l’invention ressortiront de la description des modes de réalisation non limitatifs de l’invention ci-après, en référence aux figures annexées, sur lesquelles :

illustre schématiquement un dispositif, selon un exemple particulier de réalisation de la présente invention.

illustre schématiquement un procédé de détermination d’une ligne virtuelle, selon un exemple particulier de réalisation de la présente invention.

L’invention est décrite ci-après dans son application, non limitative, au cas d’un véhicule automobile autonome circulant sur une route ou sur une voie de circulation. D’autres applications telles qu’un robot dans un entrepôt de stockage ou encore une motocyclette sur une route de campagne sont également envisageables.

La représente un exemple de dispositif 101 compris dans le véhicule, dans un réseau (« cloud ») ou dans un serveur. Ce dispositif 101 peut être utilisé en tant que dispositif centralisé en charge d’au moins certaines étapes du procédé décrit ci-après en référence à la . Dans un mode de réalisation, il correspond à un calculateur de conduite autonome.

Dans la présente invention, le dispositif 101 est compris dans le véhicule.

Ce dispositif 101 peut prendre la forme d’un boitier comprenant des circuits imprimés, de tout type d’ordinateur ou encore d’un téléphone mobile (« smartphone »).

Le dispositif 101 comprend une mémoire vive 102 pour stocker des instructions pour la mise en œuvre par un processeur 103 d’au moins une étape du procédé tel que décrit ci-avant. Le dispositif comporte aussi une mémoire de masse 104 pour le stockage de données destinées à être conservées après la mise en œuvre du procédé.

Le dispositif 101 peut en outre comporter un processeur de signal numérique (DSP) 105. Ce DSP 105 reçoit des données pour mettre en forme, démoduler et amplifier, de façon connue en soi ces données.

Le dispositif 101 comporte également une interface d’entrée 106 pour la réception des données mises en œuvre par le procédé selon l’invention et une interface de sortie 107 pour la transmission des données mises en œuvre par le procédé selon l’invention.

La illustre schématiquement un procédé de détermination d’une ligne virtuelle de délimitation entre une voie de circulation, dite égo-voie, et une voie de circulation adjacente à l’égo-voie, dite voie adjacente, pour réguler une position d’un véhicule autonome circulant sur l’égo-voie, selon un exemple particulier de réalisation de la présente invention.

L’étape 201, « Recep 1 », est une étape où le dispositif 101 par exemple, reçoit des informations d’au moins un premier objet détecté circulant sur l’égo-voie, les informations caractérisant une probabilité d’existence du premier objet et un point de géolocalisation du premier objet dans la voie circulée.

Dans un mode de réalisation, un traitement d’images acquise par une caméra et un traitement de données issues de capteurs de type RADAR, LIDAR, ultrason, …, ont détecté un objet présent dans l’égo-voie. Par exemple, par une fusion des données traitées, un point de géolocalisation du premier objet dans la voie circulée est déterminé et transmis au dispositif 101. Le point de géolocalisation d’un objet détecté représente par exemple la projection sur la voie du centre de gravité de l’image d’un véhicule détecté. Dans un autre exemple, le point de géolocalisation représente la distance latérale et longitudinale par rapport au véhicule autonome.

Une probabilité d’existence du premier objet est associée au point de géolocalisation. Il représente la plausibilité du premier objet détecté. Par exemple, cette probabilité a pour valeur une valeur comprise entre 0 et 1, et est fournie par un module de perception classique.

Dans un autre mode de réalisation, le dispositif 101 reçoit en outre une classe d’appartenance du premier objet, une probabilité d’appartenance à la classe. Par exemple, l’objet détecté est classifié tout d’abord selon une classe mobile ou non, cette classe identifiant les objets qui se déplace. Ensuite, si nécessaire, l’objet détecté est classifié selon une sous classe représentant le nombre de roues (0 roue, 1 roue, 2 roues 4 roues ou plus). Ensuite, si nécessaire, l’objet détecté est classifié selon une sous sous classe représentant un véhicule personnel, un camion, un bus, … Cette classification est réalisée par un module externe à l’invention classiquement présent dans un module de perception. Une probabilité de classe est associée à cette classification.

Dans un autre mode de réalisation, le dispositif 101 reçoit un état de mouvement qui identifie si l’objet est actuellement en déplacement dans le sens de circulation du véhicule autonome, si l’objet est actuellement en déplacement dans le sens opposé de circulation du véhicule autonome, ou si l’objet est actuellement statique.

Dans un autre mode de réalisation, lorsqu’un objet supplémentaire circulant sur l’égo-voie est détecté, les informations reçues sont réunies avec les informations du premier objet pour compléter les informations dudit premier objet. Dans certains cas d’usage, plusieurs objets circulant dans l’égo-voie sont détectés. Les informations concernant ces autres objets complètent les données du premier objet multipliant ainsi le nombre d’informations reçues.

Dans un autre mode de réalisation, chaque information reçue est horodatée. Cela rend possible une utilisation des données sur un intervalle de temps prédéterminé comme par exemple de 3 à 5 secondes, d’autres valeurs étant possibles. Par exemple, les données sont stockées en mémoire 102.

L’étape 202, « Recep 2 », est une étape où le dispositif 101 par exemple, reçoit des informations d’au moins un deuxième objet détecté circulant sur la voie adjacente, les informations caractérisant une probabilité d’existence du deuxième objet et un point de géolocalisation du deuxième objet dans la voie circulée. Cette étape est semblable à l’étape 201, mais ne concerne que les objets circulant sur la voie adjacente.

L’étape 203, « Test 1 ? », est une étape qui teste si les informations reçues lors de l’étape 201 respectent certains critères. Par exemple, pour prendre en compte les données relatives aux points de géolocalisation dans une étape suivante 205 décrite ci-après, la probabilité d’existence d’un objet doit être supérieur à un seuil d’existence prédéterminée. Le seuil d’existence a pour valeur, 0,7 (soit 70%), mais peut prendre toute autre valeur. Dans un mode opératoire, le seuil d’existence varie selon le cas d’usage, comme le type de route sur laquelle circule le véhicule autonome.

Par exemple, pour prendre en compte les données relatives aux points de géolocalisation dans l’étape suivante 205, un nombre minimum de points de géolocalisation doit être réceptionné. Dans un mode opératoire, ce nombre est de 20, mais il peut prendre toute autre valeur et varie selon le cas d’usage. Par exemple, si qu’un seul premier objet est détecté le nombre minimum est de 15. Si un autre objet circulant dans l’égo-voie est détecté, le nombre minimum global (premier objet et autre objet) est de 20.

Par exemple, pour prendre en compte les données relatives aux points de géolocalisation dans l’étape suivante 205, l’objet détecté doit appartenir à une classe de véhicule à au moins 4 roues et la probabilité d’appartenance à cette classe doit être supérieur à 70% (ou une autre valeur qui peut varier selon le cas d’usage). Ainsi, les véhicules de type « 2 roues » ne sont pas pris en comptes. En effet, les deux roues ne circulent pas forcément proche du milieu de la voie de circulation comme le ferait un véhicule plus large.

Par exemple, pour prendre en compte les données relatives aux points de géolocalisation dans l’étape suivante 205, l’état de mouvement de l’objet détecté doit indiquer que l’objet est en mouvement. En effet, dans l’étape suivante 205, une ligne représentant le chemin parcouru par l’objet est construite. Si l’objet est immobile, la ligne ne peut pas être construite. Dans un mode opératoire, l’état de mouvement comprend également un sens de circulation. Par exemple, les objets circulant sur l’égo-voie doivent circuler dans le même sens que le véhicule autonome.

Les différents exemples constituent différents critères d’acceptation des points de géolocalisation. Si une combinaison de ces critères n’est pas respectée, alors il n’y pas assez de données valident pour pouvoir passer à l’étape suivante 205. On retourne à l’étape 201 afin de réceptionner de nouvelles informations.

L’étape 204, « Test2 ? » est une étape qui teste si les informations reçues lors de l’étape 202 respectent certains critères.

Par exemple, pour prendre en compte les données relatives aux points de géolocalisation dans une étape suivante 206 décrite ci-après, la probabilité d’existence d’un objet doit être supérieur à un seuil d’existence prédéterminée. Le seuil d’existence a pour valeur, 0,7 (soit 70%), mais peut prendre toute autre valeur. Dans un mode opératoire, le seuil d’existence varie selon le cas d’usage, comme le type de route sur laquelle circule le véhicule autonome.

Par exemple, pour prendre en compte les données relatives aux points de géolocalisation dans l’étape suivante 206, un nombre minimum de points de géolocalisation doit être réceptionné. Dans un mode opératoire, ce nombre est de 20, mais il peut prendre toute autre valeur et varie selon le cas d’usage. Par exemple, si qu’un seul deuxième objet est détecté le nombre minimum est de 10. Ce nombre n’est pas forcément le même que celui de l’étape 203 car, dans certains cas d’usage, les véhicules circulant sur la voie adjacente circulent en sens opposé par rapport au sens de circulation du véhicule autonome. Si un autre objet circulant dans la voie adjacente est détecté, le nombre minimum global (deuxième objet et autre objet circulant dans la voie adjacente) est de 15. Les nombres indiqués sont des exemples et peuvent prendre d’autres valeurs selon le cas d’usage.

Par exemple, pour prendre en compte les données relatives aux points de géolocalisation dans l’étape suivante 206, l’objet détecté doit appartenir à une classe de véhicule à au moins 4 roues et la probabilité d’appartenance à cette classe doit être supérieur à 70% (ou une autre valeur qui peut varier selon le cas d’usage). Ainsi, les véhicules de type « 2 roues » ne sont pas pris en comptes. En effet, les deux roues ne circulent pas forcément proche du milieu de la voie de circulation comme le ferait un véhicule plus large.

Par exemple, pour prendre en compte les données relatives aux points de géolocalisation dans l’étape suivante 206, l’état de mouvement de l’objet détecté doit indiquer que l’objet est en mouvement. En effet, dans l’étape suivante 206, une ligne représentant le chemin parcouru par l’objet est construite. Si l’objet est immobile, la ligne ne peut pas être construite. Dans un mode opératoire, l’état de mouvement comprend également un sens de circulation. Par exemple, les objets circulant sur la voie adjacente doivent tous circuler dans le même sens (sens du véhicule autonome, ou sens opposé) afin d’être pris en considération. Dans ce dernier cas, les informations des objets effectuant un dépassement prolongé ne sont pas pris en comptes.

Les différents exemples constituent différents critères d’acceptation des points de géolocalisation. Si une combinaison de ces critères n’est pas respectée, alors il n’y pas assez de données valident pour pouvoir passer à l’étape suivante 206. On retourne à l’étape 202 afin de réceptionner de nouvelles informations.

L’étape 205, « Li 1 », est une étape de construction d’une ligne pour le premier objet à partir des points de géolocalisation qui ont été retenus après l’étape 203, la ligne représentant le chemin parcouru par l’objet.

Dans un mode de réalisation les points de géolocalisation comprennent également les points de géolocalisation d’un autre objet circulant sur l’égo-voie. La ligne ainsi construite, représente le chemin parcouru par un véhicule fictif comprenant l’ensemble des points de géolocalisation.

Grâce à l’étape 203, les points de géolocalisation sont fiables et sont représentatives d’une ligne médiane de l’égo-voie.

Dans un mode de réalisation, la construction de la ligne pour chaque objet est basée sur un ajustement paramétrique d’un polynôme, le polynôme modélisant le chemin parcouru par l’objet. Par exemple, en ligne droite par une méthode classique de régression linéaire, on détermine la meilleure droite passant par tous les points de géolocalisation qui ont été retenus après l’étape 203. Dans un mode opératoire préféré, l’ordre du polynôme est supérieur à 1, par exemple 4, afin de prendre en compte la courbure de la route. L’ordre du polynôme est à choisir pour répondre à compromis entre la précision et la rapidité de calcul.

L’étape 206, « Li 2 », est une étape de construction d’une ligne pour le deuxième objet à partir des points de géolocalisation qui ont été retenus après l’étape 204, la ligne représentant le chemin parcouru par l’objet.

Dans un mode de réalisation les points de géolocalisation comprennent également les points de géolocalisation d’un autre objet circulant sur la voie adjacente. La ligne ainsi construite, représente le chemin parcouru par un véhicule fictif comprenant l’ensemble des points de géolocalisation.

Grâce à l’étape 204, les points de géolocalisation sont fiables et sont représentatives d’une ligne médiane de l’égo-voie.

L’étape 207, « VirtLi » est l’étape de détermination d’une ligne virtuelle délimitant l’égo-voie de la voie adjacente à partir de la ligne construite pour le premier objet, ligne issue de l’étape 205, et à partir de la ligne construite pour le deuxième objet, ligne issue de l’étape 206.

Les lignes issues de l’étape 205 et de l’étape 206 représentent respectivement le chemin parcouru par un véhicule fictif sur l’égo-voie et sur la voie adjacente. Dans un mode de réalisation, la ligne virtuelle est une ligne médiane entre la ligne construite à partir du premier objet et la ligne construite à partir du deuxième objet, indiquant alors clairement la séparation entre l’égo-voie et la voie adjacente.

Dans un autre mode opératoire, le procédé réceptionne une information d’une largeur de l’égo-voie et la construction de la ligne virtuelle est fondée sur une demi largeur de l’égo-voie, et sur la ligne construite pour le premier objet ou sur la ligne construite pour le deuxième objet.

Dans un mode opératoire, la ligne virtuelle construite remplace une ligne représentant la détection du marquage au sol délimitant l’égo-voie de la voie adjacente afin de réguler la position du véhicule autonome par un système d’aide à la conduite.

La présente invention ne se limite pas aux formes de réalisation décrites ci-avant à titre d’exemples ; elle s’étend à d’autres variantes.

Ainsi, on a décrit ci-avant un exemple de réalisation dans lequel la détermination de la ligne virtuelle est réalisée après un traitement séparé des informations reçues concernant l’égo-voie et des informations reçues concernant la voie adjacente. Dans un mode opératoire, la ligne virtuelle est construite à partir de l’ensemble des informations reçues et qui respectent une combinaison des critères énoncés (existence, nombre de points, appartenance à une classe, état de mouvement, nombre de points, …). Pour cela la ligne virtuelle peut utiliser des techniques de type SVM (acronymes anglais de « Support Vector Machine ») étant aptes à résoudre des problèmes de discrimination au prix de complexification de calculs.

Ainsi, on a décrit ci-avant un mode de réalisation dans lequel les informations réceptionnées proviennent d’un traitement d’images et de données issues de capteurs. Dans un mode opératoire, toute ou une partie de ces informations proviennent par une transmission assurée par un lien radiofréquence, comme une communication de véhicule là véhicule (V2V) ou de communication de véhicule à tout autre objet communicant (V2X).

Claims

Procédé de détermination d’une ligne virtuelle de délimitation entre une voie de circulation, dite égo-voie, et une voie de circulation adjacente à l’égo-voie, dite voie adjacente, pour réguler une position d’un véhicule autonome circulant sur l’égo-voie, ledit procédé comportant les étapes de :
Réception (201) d’informations d’au moins un premier objet détecté circulant sur l’égo-voie, les informations caractérisant une probabilité d’existence du premier objet et un point de géolocalisation du premier objet dans la voie circulée ;

Réception (202) d’informations d’au moins un deuxième objet détecté circulant sur la voie adjacente, les informations caractérisant une probabilité d’existence du deuxième objet et un point de géolocalisation du deuxième objet dans la voie circulée ;

Pour chacun des deux objets, si la probabilité d’existence est supérieure à un seuil d’existence prédéterminé et si au moins un nombre prédéterminé de points de géolocalisation est réceptionné, (203, 204), alors

Construction (205, 206) d’une ligne pour chaque objet à partir des points de géolocalisation, la ligne représentant le chemin parcouru par l’objet ;

Détermination (207) de la ligne virtuelle délimitant l’égo-voie de la voie adjacente à partir de la ligne construite pour le premier objet et à partir de la ligne construite pour le deuxième objet.
Procédé selon la revendication 1, dans lequel les informations reçues pour le premier et pour le deuxième objet comportent en outre une classe d’appartenance de l’objet, une probabilité d’appartenance à la classe, et/ou un état de mouvement, et dans lequel l’étape de construction (205, 206) de la ligne pour chaque objet n’est réalisée que si la classe d’appartenance est membre d’une liste de classes prédéterminées, si la probabilité d’appartenance à la classe est supérieur à un seuil d’appartenance prédéterminé, et/ou si l’état de mouvement indique que l’objet est en mouvement.
Procédé selon l’une des revendications précédentes, dans lequel la construction (205, 206) de la ligne pour chaque objet est basée sur un ajustement paramétrique d’un polynôme, le polynôme modélisant le chemin parcouru par l’objet.
Procédé selon l’une des revendications précédentes, dans lequel, lorsqu’un objet supplémentaire circulant sur l’égo-voie est détecté, les informations reçues sont réunies avec les informations du premier objet pour compléter les informations dudit premier objet.
Procédé selon l’une des revendications précédentes, dans lequel, lorsqu’un objet supplémentaire circulant sur la voie adjacente est détecté, les informations reçues sont réunies avec les informations du deuxième objet pour compléter les informations dudit deuxième objet.
Procédé selon l’une des revendications précédentes, dans lequel chaque information reçue est horodatée, et seules les données reçues sur un intervalle de temps prédéterminé sont utilisés dans la construction d’une ligne pour chaque objet à partir des points de géolocalisation.
Dispositif (101) comprenant une mémoire (102) associée à au moins un processeur (103) configuré pour mettre en œuvre le procédé selon l’une des revendications précédentes.
Véhicule comportant le dispositif selon la revendication précédente.
Programme d’ordinateur comprenant des instructions adaptées pour l’exécution des étapes du procédé selon l’une des revendications 1 à 6 lorsque ledit programme est exécuté par au moins un processeur (103).