FR3123731A1 - Procédé de prédiction d’une condition météo à la surface d’un segment particulier d’un réseau routier - Google Patents
Procédé de prédiction d’une condition météo à la surface d’un segment particulier d’un réseau routier Download PDFInfo
- Publication number
- FR3123731A1 FR3123731A1 FR2114222A FR2114222A FR3123731A1 FR 3123731 A1 FR3123731 A1 FR 3123731A1 FR 2114222 A FR2114222 A FR 2114222A FR 2114222 A FR2114222 A FR 2114222A FR 3123731 A1 FR3123731 A1 FR 3123731A1
- Authority
- FR
- France
- Prior art keywords
- road
- weather
- image
- classifier
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
- G01W1/06—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed giving a combined indication of weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W2001/006—Main server receiving weather information from several sub-stations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W2203/00—Real-time site-specific personalized weather information, e.g. nowcasting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Environmental Sciences (AREA)
- Ecology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Atmospheric Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
L’invention concerne un procédé de prédiction d’une condition météo à la surface d’un segment routier particulier par application (210) d’un modèle prédictif à des données météo atmosphériques obtenues pour une zone géographique comprenant le segment routier, le modèle prédictif étant entrainé (209) au préalable à partir d’un jeu de données d’entrainement comprenant des données météo atmosphériques associées à des conditions météo de surface cibles, le procédé étant caractérisé en ce qu’il comprend une étape de génération (204) du jeu de données d’entrainement dans laquelle les conditions météo de surface du jeu de données d’entrainement sont obtenues au moins par application (206) d’un classifieur entrainé (200) au préalable à des images issues (205) d’un ensemble de caméras. Figure 2
Description
L’invention appartient au domaine des transports routiers et concerne particulièrement les techniques de prédiction d’une condition météo à la surface d’un segment routier.
Art antérieur
Les systèmes d’assistance à la conduite avancés et de conduite autonome connaissent de nos jours un fort développement. Pour circuler avec un maximum de sécurité, il est particulièrement important que les véhicules équipés de tels systèmes aient connaissance des conditions de surface de la chaussée sur laquelle ils circulent afin d’adapter leur vitesse, leurs distances de sécurité, et d’estimer les distances de freinage.
Dans ce but, on a développé des modèles permettant de prédire l’état de la chaussée à partir de prévisions/et ou d’observations météo atmosphériques. De tels modèles sont par exemple entrainés à partir d’observations météo et d’observations au sol, réalisées par exemple à partir de stations météo routières (RWIS, pour Road Weather Information System en anglais) réparties sur le réseau routier, de manière à établir des corrélations entre des conditions atmosphériques et l’état de la chaussée. On peut ainsi par exemple déterminer la température ou le temps de séchage d’un revêtement routier à partir d’une température atmosphérique, d’une vitesse de vent, d’une couverture nuageuse et d’un type de voie de circulation.
Pour que de tels modèles atteignent une fiabilité satisfaisante, leur entrainement nécessite un grand nombre d’observations. En particulier, le jeu de données d’entrainement doit comprendre des observations au sol nombreuses et fiables. Ces observations sont par exemple réalisées par des stations météo routières équipées de capteurs infra-rouges permettant d’obtenir des mesures précises de l’état de la chaussée (sèche, humide, mouillée, verglassée, …). De telles installations sont toutefois coûteuses et ne sont donc pas adaptées pour réaliser des observations à l’échelle d’un réseau routier s’étendant sur un pays ou un continent.
En l’absence de stations météo routière, il a été proposé d’utiliser des images provenant de caméras de surveillance du réseau routier et/ou de caméras embarquées sur des véhicules. Ces techniques utilisent des modèles prédictifs entrainés à partir d’images issues de caméra et d’observations au sol. Ces modèles, une fois entrainés, sont capable de prédire avec une bonne fiabilité un état de la chaussée à partir d’images capturées par des caméras.
Ces techniques ne sont toutefois pas entièrement satisfaisantes, notamment car les caméras couvrent généralement une très faible portion du réseau routier.
Il existe donc un besoin pour une technique permettant de prédire avec fiabilité une condition à la surface de segments routiers qui ne sont pas équipés de capteurs.
A cet effet, il est proposé un procédé de prédiction d’une condition météo à la surface d’un segment particulier d’un réseau routier par application d’un modèle prédictif utilisant des données météo atmosphériques obtenues pour une zone géographique comprenant le segment routier, le modèle prédictif étant entrainé au préalable à partir d’un jeu de données d’entrainement comprenant des données météo atmosphériques associées à des conditions météo de surface cibles.
Le procédé est remarquable en ce qu’il comprend une étape préalable de génération du jeu de données d’entrainement selon laquelle les conditions météo de surface du jeu de données d’entrainement sont obtenues au moins par analyse d’images issues de caméra routières.
Le jeu de données d’entrainement étant généré à partir d’images issues de caméra routières, on n’est plus limité aux seules données issues de stations météo routières pour obtenir une vérité terrain. Une telle disposition permet d’élargir la zone géographique couverte par les données d’entrainement. Dans la mesure où les conditions météorologiques varient de manière significative d’une région à une autre, cette extension géographique des données d’entrainement est importante afin d’obtenir des modèles qui décrivent correctement la pluralité des conditions rencontrées à l’échelle d’un pays ou d’un continent. Le procédé permet ainsi d’obtenir des prédictions avec une qualité améliorée.
Selon un mode particulier de réalisation, la génération du jeu de données d'entrainement comprend au moins les étapes suivantes :
- Entrainement d’un classifieur à reconnaître des conditions de surface particulières à partir d'images capturées par un ensemble de caméras,
- Pour chaque image d'un ensemble d'images capturées par des caméras routières :
- Détermination d’une condition de surface par application du classifieur entrainé à une image,
- Association, dans une base de données d’entrainement, de la condition de surface déterminée pour l’image avec au moins une donnée météo atmosphérique observée au lieu et à l'instant de capture de ladite image.
Il est ainsi proposé d’entrainer un classifieur pour reconnaître des conditions de surface particulières dans des images capturées et d’appliquer ce modèle à d’autres images issues de caméras pour obtenir une vérité terrain fiable, à laquelle on associe des données météo atmosphériques correspondant au lieu et à l’instant de capture des images. De cette façon, on obtient à moindre coût un grand nombre de données d’entrainement.
Selon une réalisation particulière, l'étape d’entrainement du classifieur comprend les étapes suivantes :
- Obtention d'une condition de surface d'un segment routier à partir d'observation effectuées à un instant T par une station météo routière localisée sur le segment,
- Obtention d'une image de la surface du segment routier capturée à l'instant T par une caméra associée à ladite station météo routière,
- Entrainement du classifieur par application au classifieur d'un vecteur caractéristique comprenant au moins des variables représentatives de l'image capturée et des variables cibles représentative de la condition de surface observée.
Il est ainsi proposé d’utiliser une caméra d’une station météo routière associée à des observations réalisées par ladite station routière pour entrainer de manière fiable un modèle prédictif, de sorte que le modèle est par la suite adapté pour prédire une condition de surface à partir d’images issues d’autres caméra.
Dans un mode particulier de réalisation, le classifieur entrainé pour reconnaître des conditions de surface particulières à partir d’images capturées par une caméra routière est un réseau de neurones convolutif.
Les réseaux de neurones convolutifs sont particulièrement adaptés pour reconnaître des caractéristiques particulières dans des images.
Selon un mode particulier de réalisation, le procédé comprend en outre une étape de prétraitement des images issues des caméras, l’étape de prétraitement comprenant au moins une étape de segmentation au cours de laquelle on ne conserve d’une image que les parties d’image qui correspondent à une portion de route.
De cette façon, on évite que les abords de la chaussée pouvant entrer dans le champ d’une caméra soit pris en compte pour l’entrainement et/ou l’inférence du classifieur. Le procédé se prémunit ainsi d’effectuer des prédictions sur la base de portion d’images qui ne correspondent pas à la chaussée. De cette façon, on évite par exemple qu’une image dans laquelle de la neige est visible en bordure de route alors que la route est déneigée conduisent à une identification de chaussée enneigée.
Selon un mode de réalisation particulier, les caméras routières comprennent des caméras embarquées sur des véhicules.
L’utilisation de caméras embarquées dans les véhicules permettent d’améliorer encore la fiabilité des prédictions. En effet, de telles caméra étant mobiles, elles permettent d’obtenir des images utilisables pour déterminer des conditions de surface sur une grande variété de routes.
Selon une réalisation particulière, le procédé comprend en outre les étapes suivantes :
- Validation d’au moins une observation réalisée par au moins une station météo routière particulière par comparaison d’une première condition de surface observée à un instant T par ladite station avec une deuxième condition de surface déterminée par application du classifieur à une image capturée à l’instant T par une caméra associée à ladite station météo routière, et
- Lorsqu’une observation est validée, association dans une base de données d’entrainement, de la condition de surface observée avec au moins une donnée météo atmosphérique obtenue pour l’instant T à l’emplacement de ladite station.
De cette façon, le procédé permet de corriger des erreurs de mesure et/ou d’observation susceptibles de se produire dans une station météo routière particulière. Les capteurs des stations météo routières explorent une portion de la chaussée très limitée ce qui peut facilement induire des erreurs, par exemple lorsqu’une ombre est projetée à l’emplacement du capteur ou qu’une déformation locale de la chaussée provoque une retenue d’eau. Ainsi, on intègre au jeu de données d’entrainement du modèle prédictif uniquement les observations au sol corroborées par des conditions déterminées par une caméra de la station. La pertinence des prédictions est ainsi améliorée.
L’invention concerne également un support d’information comportant des instructions de programme d’ordinateur configurées pour mettre en œuvre les étapes d’un procédé de prédiction tel que décrit précédemment, lorsque les instructions sont exécutées par un processeur.
Le support d'information peut être un support d'information non transitoire tel qu'un disque dur, une mémoire flash, ou un disque optique par exemple.
Le support d'informations peut être n'importe quelle entité ou dispositif capable de stocker des instructions. Par exemple, le support peut comporter un moyen de stockage, tel qu'une ROM (Read Only Memory), RAM (Random Access Memory), PROM (Programmable Read Only Memory), EPROM (Eraseable Programmable Read Only Memory), un CD ROM ou encore un moyen d'enregistrement magnétique, par exemple un disque dur.
D'autre part, le support d'informations peut être un support transmissible tel qu'un signal électrique ou optique, qui peut être acheminé via un câble électrique ou optique, par radio ou par d'autres moyens.
Alternativement, le support d'informations peut être un circuit intégré dans lequel le programme est incorporé, le circuit étant adapté pour exécuter ou pour être utilisé dans l'exécution du procédé en question.
Les différents modes ou caractéristiques de réalisation précités peuvent être ajoutés indépendamment ou en combinaison les uns avec les autres, aux étapes du procédé.
Brève description des 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 :
Claims (7)
- Procédé de prédiction d’une condition météo à la surface d’un segment particulier d’un réseau routier par application (210) d’un modèle prédictif à des données météo atmosphériques obtenues pour une zone géographique comprenant le segment routier, le modèle prédictif étant entrainé (209) au préalable à partir d’un jeu de données d’entrainement comprenant des données météo atmosphériques associées à des conditions météo de surface cibles, le procédé étant caractérisé en ce qu’il comprend une étape de génération (204) du jeu de données d’entrainement dans laquelle les conditions météo de surface du jeu de données d’entrainement sont obtenues au moins par application (206) d’un classifieur entrainé (200) au préalable à des images issues (205) d’un ensemble de caméras.
- Procédé selon la revendication 1 dans lequel la génération du jeu de données d'entrainement comprend au moins les étapes suivantes :
- Entrainement d’un classifieur à reconnaître des conditions de surface particulières à partir d'images capturées par un ensemble de caméras,
- Pour chaque image d'un ensemble d'images capturées par des caméras routières :
- Détermination d’une condition de surface par application du classifieur entrainé à une image,
- Association, dans une base de données d’entrainement, de la condition de surface déterminée pour l’image avec au moins une donnée météo atmosphérique observée au lieu et à l'instant de capture de ladite image.
- Procédé selon la revendication 2 dans lequel l'étape d’entrainement du classifieur comprend les étapes suivantes :
- Obtention d'une condition de surface d'un segment routier à partir d'observation effectuées à un instant T par une station météo routière localisée sur le segment,
- Obtention d'une image de la surface du segment routier capturée à l'instant T par une caméra associée à ladite station météo routière,
- Entrainement du classifieur par application au classifieur d'un vecteur caractéristique comprenant au moins des variables représentatives de l'image capturée et des variables cibles représentative de la condition de surface observée.
- Procédé selon l’une des revendication 2 ou 3 dans lequel le classifieur est un réseau de neurones convolutif.
- Procédé selon l’une quelconque des revendications précédentes tel qu’il comprend en outre une étape de prétraitement des images issues des caméras, l’étape de prétraitement comprenant au moins une étape de segmentation au cours de laquelle on ne conserve d’une image que les parties d’image qui correspondent à une portion de route.
- Procédé selon l’une quelconque des revendications précédentes tel qu’il comprend en outre les étapes suivantes :
- Validation d’au moins une observation réalisée par au moins une station météo routière particulière par comparaison d’une première condition de surface observée à un instant T par ladite station avec une deuxième condition de surface déterminée par application du classifieur à une image capturée à l’instant T par une caméra associée à ladite station météo routière, et
- Lorsqu’une observation est validée, association dans une base de données d’entrainement, de la condition de surface observée avec au moins une donnée météo atmosphérique obtenue pour l’instant T à l’emplacement de ladite station.
- Support d’information comportant des instructions de programme d’ordinateur configurées pour mettre en œuvre les étapes d’un procédé de prédiction selon l’une quelconque des revendication 1 à 6.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2114222A FR3123731A1 (fr) | 2021-12-22 | 2021-12-22 | Procédé de prédiction d’une condition météo à la surface d’un segment particulier d’un réseau routier |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2114222 | 2021-12-22 | ||
| FR2114222A FR3123731A1 (fr) | 2021-12-22 | 2021-12-22 | Procédé de prédiction d’une condition météo à la surface d’un segment particulier d’un réseau routier |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| FR3123731A1 true FR3123731A1 (fr) | 2022-12-09 |
Family
ID=80787497
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR2114222A Pending FR3123731A1 (fr) | 2021-12-22 | 2021-12-22 | Procédé de prédiction d’une condition météo à la surface d’un segment particulier d’un réseau routier |
Country Status (1)
| Country | Link |
|---|---|
| FR (1) | FR3123731A1 (fr) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9411072B1 (en) * | 2013-03-15 | 2016-08-09 | Exelis, Inc. | Real-time adaptive weather surveillance system and method |
| US9465987B1 (en) * | 2015-03-17 | 2016-10-11 | Exelis, Inc. | Monitoring and detecting weather conditions based on images acquired from image sensor aboard mobile platforms |
| US20210270999A1 (en) * | 2020-03-02 | 2021-09-02 | International Business Machines Corporation | Tuning weather forecasts through hyper-localization |
| US11113534B1 (en) * | 2018-05-07 | 2021-09-07 | Alarm.Com Incorporated | Determining localized weather by media classification |
-
2021
- 2021-12-22 FR FR2114222A patent/FR3123731A1/fr active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9411072B1 (en) * | 2013-03-15 | 2016-08-09 | Exelis, Inc. | Real-time adaptive weather surveillance system and method |
| US9465987B1 (en) * | 2015-03-17 | 2016-10-11 | Exelis, Inc. | Monitoring and detecting weather conditions based on images acquired from image sensor aboard mobile platforms |
| US11113534B1 (en) * | 2018-05-07 | 2021-09-07 | Alarm.Com Incorporated | Determining localized weather by media classification |
| US20210270999A1 (en) * | 2020-03-02 | 2021-09-02 | International Business Machines Corporation | Tuning weather forecasts through hyper-localization |
Non-Patent Citations (1)
| Title |
|---|
| NGUYEN LIEN: "Safer driving with AI - algorithm classifies road conditions in real time", DIGIA BLOG, 13 January 2021 (2021-01-13), XP055946140, Retrieved from the Internet <URL:https://blog.digia.com/safer-driving-with-ai-algorithm-classifies-road-conditions-in-real-time> [retrieved on 20220726] * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10740628B2 (en) | Methods and systems for moving traffic obstacle detection | |
| CH684127A5 (fr) | Installation embarquée sur un véhicule aérien pour déterminer sa position et les équipements d'aide à la navigation et de guidage automatique contenant cette installation. | |
| FR3058214A1 (fr) | Procede d'elaboration d'une carte d'autonomie de navigation pour un vehicule | |
| FR3113328A1 (fr) | Procédé et dispositif de prédiction d’une condition météorologie sur un réseau routier | |
| WO2021144158A1 (fr) | Procédé et dispositif de prédiction adaptatif d'une caractéristique météo de surface d'un segment routier | |
| FR3068777A1 (fr) | Procede de planification de trajet d'un vehicule automobile equipe d'un systeme de conduite automatisee et vehicule mettant en œuvre le procede | |
| FR2906632A1 (fr) | Procede de localisation d'un vehicule. | |
| WO2020201243A1 (fr) | Procédé de mise à jour d'une carte routière à partir d'un réseau de contributeurs | |
| FR3123731A1 (fr) | Procédé de prédiction d’une condition météo à la surface d’un segment particulier d’un réseau routier | |
| FR3103305A1 (fr) | Procédé et dispositif de prédiction d’au moins une caractéristique dynamique d’un véhicule en un point d’un segment routier. | |
| EP4229360A1 (fr) | Procédé de localisation d'objets routiers | |
| FR3122515A1 (fr) | Procédé, dispositif et serveur de détermination d’une limite de vitesse sur un segment de route particulier. | |
| FR3128178A1 (fr) | Procédé de prédiction d’une condition de surface d’un segment routier | |
| FR3106886A1 (fr) | Détermination d’informations d’aide à la navigation sur un réseau routier | |
| FR3107114A1 (fr) | Procédé et dispositif de validation de données de cartographie d’un environnement routier de véhicule | |
| EP3545264A1 (fr) | Procede et dispositifs de surveillance de grandeurs physiques d'une zone geographique | |
| FR3115874A1 (fr) | Procédé et dispositif de mise à jour participative d’une cartographie | |
| FR3127065A1 (fr) | Procédé de prédiction d’une condition météo de surface d’un segment routier | |
| FR3081548A1 (fr) | Procede et dispositif de determination de la position precise d’un vehicule dans une cartographie routiere. | |
| FR3080177A1 (fr) | Securisation d’une cartographie de conduite autonome | |
| FR3078399A1 (fr) | Procede de selection d’un ensemble restreint ou vide d’hypotheses de positions possibles d’un vehicule | |
| FR3106686A1 (fr) | Procédé et dispositif de préchargement de données cartographiques | |
| EP4382392A1 (fr) | Procédé pour déterminer la position d'un véhicule ferroviaire | |
| FR3130431A1 (fr) | Procédé de prédiction d’une condition de surface d’un segment routier | |
| FR3116501A1 (fr) | Procédé et dispositif de détermination d’une ligne virtuelle de délimitation entre deux voies de circulation. |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLSC | Publication of the preliminary search report |
Effective date: 20221209 |
|
| RX | Complete rejection |
Effective date: 20230810 |
|
| TP | Transmission of property |
Owner name: CONTINENTAL AUTOMOTIVE TECHNOLOGIES GMBH, DE Effective date: 20230807 |