FR3128177A1 - Procédé et dispositif de prédiction d’un changement de voie de circulation pour véhicule - Google Patents
Procédé et dispositif de prédiction d’un changement de voie de circulation pour véhicule Download PDFInfo
- Publication number
- FR3128177A1 FR3128177A1 FR2111021A FR2111021A FR3128177A1 FR 3128177 A1 FR3128177 A1 FR 3128177A1 FR 2111021 A FR2111021 A FR 2111021A FR 2111021 A FR2111021 A FR 2111021A FR 3128177 A1 FR3128177 A1 FR 3128177A1
- Authority
- FR
- France
- Prior art keywords
- vehicle
- data
- vehicles
- lane
- traffic lane
- 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.)
- Granted
Links
- 230000008859 change Effects 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000001514 detection method Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims 1
- 238000004891 communication Methods 0.000 description 24
- 230000008569 process Effects 0.000 description 15
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 6
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 6
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 description 6
- 230000007774 longterm Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000009007 Diagnostic Kit Methods 0.000 description 1
- 241000897276 Termes Species 0.000 description 1
- 125000002015 acyclic group Chemical group 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000003381 stabilizer Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
La présente invention concerne un procédé et un dispositif de prédiction de changement de voie de circulation. A cet effet, un premier véhicule (10) obtient des premières données de position de deuxièmes véhicule (11 à 15) à un instant courant, des deuxièmes données de dynamique des deuxièmes véhicules (11 à 15) à l’instant courant et des troisièmes données de géométrie d’une portion de route (1). Un indice de pertinence est associé à chaque deuxième véhicule. L’indice de pertinence est utilisé pour sélectionner une partie des deuxièmes véhicules (11 à 15). La position de chaque deuxième véhicule sélectionné par rapport au premier véhicule est déterminée à un instant postérieur à l’instant courant. Une probabilité de changement de voie de circulation est déterminée en alimentant un modèle de prédiction de changement de voie avec les troisièmes et quatrièmes données. Figure pour l’abrégé : Figure 1
Description
La présente invention concerne les procédés et dispositifs de prédiction d’un changement de voie de circulation pour véhicule, notamment pour un véhicule automobile. La présente invention concerne également un procédé et un dispositif de contrôle d’un système embarqué dans un véhicule, notamment un système de régulation adaptative de vitesse. La présente invention concerne également un procédé et un dispositif de contrôle d’un véhicule, notamment un véhicule autonome.
Arrière-plan technologique
Le développement des technologies dans le domaine automobile permet aujourd’hui de concevoir des systèmes d’aide à la conduite de véhicules, éventuellement autonomes, qui tiennent compte de l’environnement routier dans lequel circulent ces véhicules. Ces systèmes d’aide à la conduite sont connus sous le nom systèmes ADAS (de l’anglais « Advanced Driver-Assistance System » ou en français « Système d’aide à la conduite avancée »).
Lorsqu’un véhicule circule sur une route composée de plusieurs voies de circulation dans le même sens de circulation, le contrôle de ces systèmes d’aide à la conduite passe par une connaissance de l’environnement routier. En particulier, il est primordial que ces systèmes d’aide à la conduite anticipent des changements de voies de circulation des véhicules environnants pour prévenir d’éventuels accidents ou pour améliorer le confort des passagers de ces véhicules.
La détection tardive d’un changement de voie de circulation d’un véhicule environnant est un risque d’accident potentiel pour le ou les véhicules circulant sur la voie de circulation objet du changement de voie de circulation du véhicule environnant. Par ailleurs, la détection tardive d’un changement de voie d’un véhicule environnant est susceptible de perturber le fonctionnement d’un ou plusieurs systèmes ADAS s’appuyant sur la détection du ou des véhicules environnant un véhicule embarquant ce ou ces systèmes ADAS, par exemple le système de régulation adaptative de vitesse, dit système ACC (de l’anglais « Adaptative Cruise Control »).
Résumé de la présente invention
Un objet de la présente invention est de résoudre au moins l’un des problèmes de l’arrière-plan technologique décrit précédemment.
Un autre objet de la présente invention est d’améliorer le changement d’un ou plusieurs deuxièmes véhicules circulant dans l’environnement d’un premier véhicule.
Un autre objet de la présente invention est d’améliorer le contrôle d’un ou plusieurs systèmes ADAS du véhicule, par exemple le système ACC.
Selon un premier aspect, la présente invention concerne un procédé de prédiction d’un changement de voie de circulation pour véhicule, le procédé étant mis en œuvre par un premier véhicule circulant sur une voie de circulation d’une portion de route comprenant au moins deux voies de circulation, le procédé comprenant les étapes suivantes :
- obtention de premières données représentatives de position de chaque deuxième véhicule d’un ensemble de deuxièmes véhicules à un instant courant, de deuxièmes données dynamiques de chaque deuxième véhicule à l’instant courant et de troisièmes données représentatives de géométrie de la portion de route, chaque deuxième véhicule circulant sur la portion de route ;
- association d’un indice de pertinence à chaque deuxième véhicule, l’indice de pertinence étant déterminé en fonction d’au moins une information représentative de distance entre chaque deuxième véhicule et le premier véhicule, la au moins une information étant déterminée en fonction des premières données ;
- sélection d’au moins une partie des deuxièmes véhicules de l’ensemble de deuxièmes véhicules en fonction des indices de pertinence associés ;
- prédiction, pour chaque deuxième véhicule sélectionné de la au moins une partie des deuxièmes véhicules, de quatrièmes données représentatives de position de chaque deuxième véhicule sélectionné par rapport au premier véhicule à un instant déterminé postérieur à l’instant courant à partir des premières données et des deuxièmes données ;
- détermination, pour chaque deuxième véhicule sélectionné, d’une probabilité de changement de voie de circulation vers la voie de circulation sur laquelle circule le premier véhicule à partir d’un modèle de prédiction de changement de voie de circulation alimenté avec les troisièmes données et les quatrièmes données.
Selon une variante, le procédé comprend en outre une étape de contrôle d’un système de régulation adaptative de vitesse embarqué dans le premier véhicule en fonction de la probabilité de changement de voie de circulation associée à chaque deuxième véhicule sélectionné, le contrôle comprenant une sélection d’un deuxième véhicule sélectionné comme véhicule cible en fonction de la probabilité de changement de voie de circulation associée à chaque deuxième véhicule sélectionné.
Selon une autre variante, les premières données, les deuxièmes données et les troisièmes données sont obtenues d’au moins un capteur de détection d’objet embarqué dans le premier véhicule.
Selon une variante supplémentaire, la au moins une information représentative de distance entre chaque deuxième véhicule et le premier véhicule appartient à un ensemble d’informations comprenant :
- information représentative de distance euclidienne ;
- information représentative de distance latérale.
Selon encore une variante, les quatrièmes données comprennent, pour chaque deuxième véhicule sélectionné, des données représentatives de distance latérale entre chaque deuxième véhicule et le premier véhicule.
Selon une variante additionnelle, la détermination d’une probabilité de changement de voie de circulation comprend une classification des troisièmes et quatrièmes données.
Selon une autre variante, la détermination d’une probabilité de changement de voie de circulation est mise en œuvre par un réseau de neurones.
Selon un deuxième aspect, la présente invention concerne un dispositif de prédiction d’un changement de voie de circulation pour véhicule, le dispositif comprenant une mémoire associée à un processeur configuré pour la mise en œuvre des étapes du procédé selon le premier aspect de la présente invention.
Selon un troisième aspect, la présente invention concerne un véhicule, par exemple de type automobile, comprenant un dispositif tel que décrit ci-dessus selon le deuxième aspect de la présente invention.
Selon un quatrième aspect, la présente invention concerne un programme d’ordinateur qui comporte des instructions adaptées pour l’exécution des étapes du procédé selon le premier aspect de la présente invention, ceci notamment lorsque le programme d’ordinateur est exécuté par au moins un processeur.
Un tel programme d’ordinateur peut utiliser n’importe quel langage de programmation, et être sous la forme d’un code source, d’un code objet, ou d’un code intermédiaire entre un code source et un code objet, tel que dans une forme partiellement compilée, ou dans n’importe quelle autre forme souhaitable.
Selon un cinquième aspect, la présente invention concerne un support d’enregistrement lisible par un ordinateur sur lequel est enregistré un programme d’ordinateur comprenant des instructions pour l’exécution des étapes du procédé selon le premier aspect de la présente invention.
D’une part, le support d’enregistrement peut être n'importe quel entité ou dispositif capable de stocker le programme. Par exemple, le support peut comporter un moyen de stockage, tel qu'une mémoire ROM, un CD-ROM ou une mémoire ROM de type circuit microélectronique, ou encore un moyen d'enregistrement magnétique ou un disque dur.
D'autre part, ce support d’enregistrement peut également être un support transmissible tel qu'un signal électrique ou optique, un tel signal pouvant être acheminé via un câble électrique ou optique, par radio classique ou hertzienne ou par faisceau laser autodirigé ou par d'autres moyens. Le programme d’ordinateur selon la présente invention peut être en particulier téléchargé sur un réseau de type Internet.
Alternativement, le support d'enregistrement peut être un circuit intégré dans lequel le programme d’ordinateur est incorporé, le circuit intégré étant adapté pour exécuter ou pour être utilisé dans l'exécution du procédé en question.
Brève description des figures
D’autres caractéristiques et avantages de la présente invention ressortiront de la description des exemples de réalisation particuliers et non limitatifs de la présente invention ci-après, en référence aux figures 1 à 5 annexées, sur lesquelles :
Description des exemples de réalisation
Un procédé et un dispositif de prédiction de changement de voie de circulation pour véhicule vont maintenant être décrits dans ce qui va suivre en référence conjointement aux figures 1 à 5. Des mêmes éléments sont identifiés avec des mêmes signes de référence tout au long de la description qui va suivre.
Selon un exemple particulier et non limitatif de réalisation de la présente invention, un premier véhicule circulant sur une portion de route à plusieurs voies de circulation dans un même sens de circulation met en œuvre un processus de prédiction d’un changement de voie d’un ou plusieurs deuxièmes véhicules circulant eux aussi sur cette portion de route. Selon ce processus, le premier véhicule obtient des premières données représentatives de position de chaque deuxième véhicule à un instant courant, des deuxièmes données représentatives du comportement dynamique (par exemple vitesse et/ou accélération) de chaque deuxième véhicule à l’instant courant et des troisièmes données représentatives de la géométrie de la portion de route (par exemple courbure, type de ligne séparant les voies de circulation). Un indice de pertinence est calculé et associé à chaque deuxième véhicule en fonction d’au moins une information représentative de distance entre chaque deuxième véhicule et le premier véhicule. Cette au moins une information de distance est déterminée en fonction des premières données de position. L’indice de pertinence associé à chaque deuxième véhicule est utilisé pour sélectionner une partie des deuxièmes véhicules, par exemple le ou les deuxièmes véhicules les plus proches du premier véhicule et/ou le ou les deuxièmes véhicules dans une voie de circulation adjacente à celle du premier véhicule. Des quatrièmes données représentatives de position de chaque deuxième véhicule sélectionné par rapport au premier véhicule, à un instant déterminé postérieur à l’instant courant, sont déterminées à partir des premières données et des deuxièmes données pour prédire ou estimer la position de chaque deuxième véhicule sélectionné à l’instant dit postérieur. Enfin, le premier véhicule détermine pour chaque deuxième véhicule sélectionné une probabilité de changement de voie de circulation vers la voie de circulation sur laquelle circule le premier véhicule à partir d’un modèle de prédiction de changement de voie de circulation alimenté avec les troisièmes données et les quatrièmes données. Un tel modèle correspond par exemple à un modèle appris dans une phase d’apprentissage préalable à l’utilisation du modèle en production pour la mise en œuvre du processus. Un tel modèle est par exemple mis en œuvre par un réseau de neurones, par exemple un réseau de type réseau de neurones à propagation avant (de l’anglais « Feedforward neural network »).
Un tel processus permet d’identifier en avance quel(s) deuxième(s) véhicule(s) de l’environnement du premier véhicule sont susceptibles de changer de voie pour venir sur la voie de circulation du premier véhicule, par exemple quelques secondes avant que le changement de voie ne soit effectué par un deuxième véhicule. Cela permet ainsi au premier véhicule d’anticiper la venue sur sa voie de circulation d’un autre véhicule pour prendre les mesures qui s’imposent, par exemple en termes de sécurité ou de contrôle de la vitesse et/ou de l’accélération.
L’environnement correspond par exemple à une portion de route 1 à plusieurs voies de circulation 101, 102, 103 sur lesquelles des véhicules circulent selon un même sens de circulation. Le nombre de voies de circulation est par exemple égal à 2, 3, 4 ou plus.
Un premier véhicule 10 et un ensemble de deuxièmes véhicules 11, 12, 13, 14, 15 circulent sur les différentes voies de circulation 101, 102, 103 de la portion de route 1.
Ce premier véhicule 10 et les deuxièmes véhicules 11 à 15 sont chacun représentés par leur boite englobante sur la .
Le premier véhicule 10 et les deuxièmes véhicules 11 à 15 correspondent chacun par exemple à un véhicule à moteur thermique, à moteur(s) électrique(s) ou encore un véhicule hybride avec un moteur thermique et un ou plusieurs moteurs électriques. Le véhicule 10 et les deuxièmes véhicules 11 à 15 correspondent ainsi chacun par exemple à un véhicule terrestre, par exemple une automobile, un camion, un car, une moto. Enfin, le premier véhicule 10 correspond à un véhicule autonome ou non, c’est-à-dire un véhicule circulant selon un niveau d’autonomie déterminée ou sous la supervision totale du conducteur.
Le niveau d’autonomie du premier véhicule 10 est par exemple compris entre 0 et 5 (0 pour un véhicule n’ayant aucune autonomie et dont la conduite est sous la supervision totale du conducteur et 5 pour un véhicule totalement autonome).
Les niveaux d’autonomie de la classification de l’agence fédérale chargée de la sécurité routière sont :
- niveau 0 : aucune automatisation, le conducteur du véhicule contrôle totalement les fonctions principales du véhicule (moteur, accélérateur, direction, freins) ;
- niveau 1 : assistance au conducteur, l’automatisation est active pour certaines fonctions du véhicule, le conducteur gardant un contrôle global sur la conduite du véhicule ; le régulateur de vitesse fait partie de ce niveau, comme d’autres aides telles que l’ABS (système antiblocage des roues) ou l’ESP (électro-stabilisateur programmé) ;
- niveau 2 : automatisation de fonctions combinées, le contrôle d’au moins deux fonctions principales est combiné dans l’automatisation pour remplacer le conducteur dans certaines situations ; par exemple, le régulateur de vitesse adaptatif combiné avec le centrage sur la voie permet à un véhicule d’être classé niveau 2, tout comme l’aide au stationnement (de l’anglais « Park assist ») automatique ;
- niveau 3 : conduite autonome limitée, le conducteur peut céder le contrôle complet du véhicule au système automatisé qui sera alors en charge des fonctions critiques de sécurité ; la conduite autonome ne peut cependant avoir lieu que dans certaines conditions environnementales et de trafic déterminées (uniquement sur autoroute par exemple) ;
- niveau 4 : conduite autonome complète sous conditions, le véhicule est conçu pour assurer seul l’ensemble des fonctions critiques de sécurité sur un trajet complet ; le conducteur fournit une destination ou des consignes de navigation mais n’est pas tenu de se rendre disponible pour reprendre le contrôle du véhicule ;
- niveau 5 : conduite complètement autonome sans l’aide de conducteur dans toutes les circonstances.
Lorsque le premier véhicule 10 correspond à un véhicule autonome, ce dernier circule par exemple selon un niveau d’autonomie supérieur ou égal à 2.
Les deuxièmes véhicules 11 à 15 circulant dans l’environnement du premier véhicule 10 correspondent par exemple aux véhicules circulant devant le premier véhicule 10 ou au minimum à hauteur du premier véhicule 10 selon le sens de circulation des voies de circulation 101, 102, 103. Dit autrement, les deuxièmes véhicules 11 à 15 considérés sont ceux circulant dans le champ de vision du premier véhicule 10, en prenant par exemple un champ de vision à 180 °.
Les deuxièmes véhicules 11 à 15 sont par exemple détectés par un ou plusieurs capteurs de détection d’objet embarqués dans le premier véhicule 10.
Le ou les capteurs associés à ces systèmes de détection d’objet correspondent par exemple à un ou plusieurs des capteurs suivants :
- un ou plusieurs radars à ondes millimétriques arrangés sur le premier véhicule 10, par exemple à l’avant, à l’arrière, sur chaque coin avant/arrière du premier véhicule 10 ; chaque radar est adapté pour émettre des ondes électromagnétiques et pour recevoir les échos de ces ondes renvoyées par un ou plusieurs objets, dans le but de détecter des obstacles et leurs distances vis-à-vis du premier véhicule 10 ; et/ou
- un ou plusieurs LIDAR(s) (de l’anglais « Light Detection And Ranging », ou « Détection et estimation de la distance par la lumière » en français), un capteur LIDAR correspondant à un système optoélectronique composé d’un dispositif émetteur laser, d’un dispositif récepteur comprenant un collecteur de lumière (pour collecter la partie du rayonnement lumineux émis par l’émetteur et réfléchi par tout objet situé sur le trajet des rayons lumineux émis par l’émetteur) et d’un photodétecteur qui transforme la lumière collectée en signal électrique ; un capteur LIDAR permet ainsi de détecter la présence d’objets situés dans le faisceau lumineux émis et de mesurer la distance entre le capteur et chaque objet détecté ; et/ou
- une ou plusieurs caméras (associées ou non à un capteur de profondeur) pour l’acquisition d’une ou plusieurs images de l’environnement autour du premier véhicule 10 se trouvant dans le champ de vision de la ou les caméras.
Selon une variante de réalisation, le premier véhicule 10 embarque un système de détection de marquage au sol. Un tel système comprend une ou plusieurs caméras pour l’acquisition d’images des voies de circulation 101 à 103, par exemple la portion de route située à l’avant et/ou sur les côtés du véhicule 10. Le système de détection de marquage au sol est configuré pour détecter les marquages au sol dans l’environnement du premier véhicule 10. Les marquages au sol sont également appelés signalement horizontal et correspondent en un ensemble de lignes tracées sur le sol. Un traitement d’image est appliqué aux images obtenues de la ou les caméras du système de détection de marquage au sol pour déterminer la présence de lignes au sol et de classifier ces lignes en différentes catégories, par exemple pour déterminer si les lignes au sol correspondent à des lignes de rive ou des lignes médianes, à des lignes continues ou en traits pointillés par exemple.
Le ou les capteurs embarqués dans le premier véhicule 10 permettent ainsi au premier véhicule 10 d’obtenir des données sur son environnement, par exemple :
- des premières données représentatives de position de chaque deuxième véhicule, la position de chaque deuxième véhicule étant par exemple exprimée par un couple de coordonnées (x,y) dans le repère du premier véhicule 10, c’est-à-dire un repère associée au premier véhicule avec une origine correspondant à un point du premier véhicule 10 (par exemple le milieu de l’essieu avant ou le barycentre du premier véhicule), un vecteur longitudinal X et un vecteur latéral Y orthogonal au vecteur longitudinal ; et/ou
- des deuxièmes données représentatives du comportement dynamique de chaque deuxième véhicule, ces deuxièmes données étant par exemple représentatives de la vitesse longitudinale, de la vitesse latérale et de l’accélération longitudinale ; et/ou
- des troisièmes données représentatives de la géométrie et/ou de la topologie de la portion de route 1 et des voies de circulation 101 à 103 formant cette portion de route 1, par exemple la courbure de la route, le type de lignes au sol.
Selon un exemple de mise en œuvre particulier, les premières, deuxièmes et/ou troisièmes données sont obtenues par l’intermédiaire de moyens de communication sans fil entre le premier véhicule 10 et chaque deuxième véhicule 11 à 15 et/ou entre le premier véhicule 10 et un dispositif distant fournissant des données sur la géométrie de la route, par exemple un serveur de l’infrastructure routière et/ou un serveur d’un système de navigation routière.
Les premières, deuxièmes et/ou troisièmes données sont par exemple obtenues par les capteurs de détection d’objets embarqués dans le premier véhicule 10 uniquement, par les moyens de communications sans fil uniquement ou de manière conjointe et complémentaire par les capteurs de détection d’objets et les moyens de communication sans fil.
Selon cet exemple de mise en œuvre particulier, le premier véhicule 10 embarque par exemple un système de communication configuré configuré pour communiquer avec un ou plusieurs dispositifs distants tels que les deuxièmes véhicules 11 à 15 et/ou un ou plusieurs dispositifs de calculs de type serveur du « cloud » (ou « nuage » en français) via une infrastructure d’un réseau de communication sans fil.
Le système de communication du premier véhicule 10 comprend par exemple une ou plusieurs antennes de communication reliées à une unité de contrôle télématique, dite TCU (de l’anglais « Telematic Control Unit »), elle-même reliée à un ou plusieurs calculateurs du système embarqué du premier véhicule 10. La ou les antennes, l’unité TCU et le ou les calculateurs forment par exemple une architecture multiplexée pour la réalisation de différents services utiles pour le bon fonctionnement du véhicule et pour assister le conducteur et/ou les passagers du véhicule dans le contrôle du premier véhicule 10, par exemple dans le contrôle de la vitesse, de la détection des objets présents dans l’environnement du premier véhicule 10, dans la gestion des alertes ou des systèmes de sécurité embarqués du premier véhicule 10. Le ou les calculateurs et l’unité TCU communiquent et échangent des données entre eux par l’intermédiaire d’un ou plusieurs bus informatiques, par exemple un bus de communication de type bus de données CAN (de l’anglais « Controller Area Network » ou en français « Réseau de contrôleurs »), CAN FD (de l’anglais « Controller Area Network Flexible Data-Rate » ou en français « Réseau de contrôleurs à débit de données flexible »), FlexRay (selon la norme ISO 17458) ou Ethernet (selon la norme ISO/IEC 802-3).
L’infrastructure de communication mobile permettant la communication sans fil de données entre le premier véhicule 10 d’une part et les deuxièmes véhicules 11 à 15 et/ou le « cloud » comprend par exemple ou plusieurs équipements de communication de type antenne relais (réseau cellulaire) ou unité bord de route, dite UBR.
Le système de communication sans fil permettant l’échange de données entre le premier véhicule 10 d’une part et les deuxièmes véhicules 11 à 15 et/ou le « cloud » d’autre part correspond par exemple à :
- un système de communication véhicule vers tout, dit V2X (de l’anglais « vehicle-to-everything »), par exemple basé sur les standards 3GPP LTE-V ou IEEE 802.11p de ITS G5 ; ou
- un système de communication de type réseau cellulaire, par exemple un réseau de type LTE (de l’anglais « Long-Term Evolution » ou en français « Evolution à long terme »), LTE-Advanced (ou en français LTE-avancé) LTE 4G ou 5G ; ou
- un système de communication de type Wifi selon IEEE 802.11, par exemple selon IEEE 802.11n ou IEEE 802.11ac.
Un processus de prédiction d’un changement de voie de circulation d’un ou plusieurs deuxièmes véhicules est avantageusement mis en œuvre par le premier véhicule 10, par exemple par un ou plusieurs calculateurs du système embarqué du premier véhicule 10.
Dans une première opération, le calculateur mettant en œuvre le processus obtient des premières données représentatives de position de chaque deuxième à un instant courant, dit t0, des deuxièmes données dynamiques de chaque deuxième véhicule à l’instant courant t0et des troisièmes données représentatives de géométrie de la portion de route 1.
Les premières, deuxièmes et troisièmes données sont par exemple déterminées à partir de données reçues d’un ou plusieurs capteurs embarqués (ou de calculateurs du système embarqué contrôlant ces capteurs) dans le premier véhicule 10.
Selon une variante, les premières et deuxièmes données sont reçues de chaque deuxième véhicule via une connexion sans fil reliant le premier véhicule 10 à chaque deuxième véhicule 11 à 15. Les troisièmes données sont par exemple obtenues (reçues ou déterminées) d’un système de navigation routière, par exemple embarqué dans le premier véhicule 10 ou exécuté sur un dispositif de communication mobile (par exemple une application mobile installée et exécutée sur et par un téléphone intelligent, de l’anglais « smartphone ») relié en communication sans fil avec le premier véhicule 10.
Selon une variante, les premières, deuxièmes et troisièmes données sont obtenues en combinant les données obtenues des capteurs et des deuxièmes véhicule et/ou du « cloud » (ou du système de navigation).
Dans une deuxième opération, un indice de pertinence est déterminé et associé à chaque deuxième véhicule 11 à 15.
Chaque indice de pertinence est par exemple déterminé à partir d’une ou plusieurs informations de distance entre le premier véhicule 10 et chaque deuxième véhicule 11 à 15, cette ou ces informations de distance étant déterminées à partir des premières données représentatives de position de chaque deuxième véhicule 11 à 15 par rapport au premier véhicule 10 à l’instant courant t0.
Par exemple, la ou les informations de distance correspondent à :
- une distance euclidienne entre le premier véhicule 10 et chaque deuxième véhicule 11 à 15, par exemple la distance entre le premier véhicule 10 et le deuxième véhicule 11 correspondant à d1, la distance entre le premier véhicule 10 et le deuxième véhicule 12 correspondant à d2, la distance entre le premier véhicule 10 et le deuxième véhicule 13 correspondant à d3 ; et/ou
- une distance latérale entre le centre de la voie de circulation 101 dans laquelle circule le premier véhicule 10 et un deuxième véhicule considéré.
L’indice de pertinence correspond par exemple à un entier naturel positif. Un tel indice de pertinence appartient par exemple à un ensemble d’indices comprenant par exemple 3, 4, 5 ou plus de valeurs.
Par exemple, l’indice de pertinence appartient à l’ensemble comprenant les valeurs 1, 2, 3 et 4, un deuxième véhicule de pertinence la plus élevée ayant un indice égal à 1 et un deuxième véhicule de pertinence la moins élevée ayant un indice égal à 4.
L’indice de pertinence pour chaque deuxième véhicule 11 à 15 est par exemple déterminé en fonction de règles déterminées sur la base de la distance euclidienne et/ou la distance latérale.
Par exemple, les deuxièmes véhicules circulant dans la même voie de circulation 101 que celle du premier véhicule 10 ont un indice de pertinence égal à 1 ou 2, l’indice de pertinence égal à 1 étant assigné au deuxième véhicule circulant dans la même voie de circulation que le premier véhicule et en ligne de vue directe du premier véhicule 10 (c’est-à-dire le deuxième véhicule 11 circulant juste devant le premier véhicule 10 dans la voie 101), l’indice de pertinence égal à 2 étant assigné au(x) deuxième(s) véhicule (s) 14 circulant dans la voie 101 devant le deuxième véhicule 11, c’est-à-dire à une distance du premier véhicule 10 supérieure à la distance séparant le premier véhicule 10 du deuxième véhicule 11. Selon une variante, un indice de pertinence égal à 3 est assigné et associé à le ou les deuxièmes véhicules 14 circulant dans la même voie de circulation que le premier véhicule 10 et à une distance supérieure à d1. La voie de circulation d’un deuxième véhicule est par exemple déterminée sur la base de la distance latérale entre ce deuxième véhicule et le premier véhicule 10, connaissant par exemple la largeur d’une voie de circulation.
Par exemple, en comparant la distance latérale à une ou plusieurs valeurs seuils (par exemple déterminées en fonction de la largeur d’une voie de circulation), il est possible de déterminer si un deuxième véhicule circule dans la même voie de circulation que le premier véhicule 10, dans une voie de circulation adjacente à celle du premier véhicule 10 ou dans une voie de circulation éloignée (c’est-à-dire non adjacente) de celle du premier véhicule 10.
Selon une variante de réalisation, la voie de circulation dans laquelle circule un deuxième véhicule est déterminée par analyse d’images acquises par une ou plusieurs caméras embarquées dans le premier véhicule, en détectant les deuxièmes véhicules et les lignes au sol.
Un deuxième véhicule circulant dans une voie 102 adjacente à la voie 101 du premier véhicule 10 obtient par exemple un indice de pertinence égal à 2 ou 3.
Un indice égal à 2 est par exemple attribué à un deuxième véhicule 12 dont la distance d2 le séparant du premier véhicule 10 est inférieure ou égale à la distance d1 séparant le deuxième véhicule 11 circulant devant le premier véhicule 10 (d2 ≤ d1).
Un indice égal à 3 est par exemple attribué à un deuxième véhicule 13 dont la distance d3 le séparant du premier véhicule 10 est supérieure à la distance d1 séparant le deuxième véhicule 11 circulant devant le premier véhicule 10 (d3 > d1).
Enfin, l’indice de pertinence de valeur la plus élevée (c’est-à-dire 4 selon l’exemple ci-dessus)) est attribuée ou associée au(x) deuxième(s) véhicule(s) 15 circulant dans une voie de circulation 103 non adjacente à la voie du circulation 101 du premier véhicule 10, une telle information étant par exemple obtenue en comparant la distance latérale entre le deuxième véhicule 15 et le premier véhicule à une valeur seuil (par exemple égale à 1,5 fois la largeur d’une voie de circulation, l’indice 4 étant assigné au deuxième véhicule 15 lorsque la distance latérale le séparant du premier véhicule 10 est supérieure à cette valeur seuil) à l’instant courant t0.
Bien entendu, l’indice de pertinence associé à un deuxième véhicule 11 à 15 peut varier et évoluer au cours du temps en fonction des déplacements du premier véhicule 10 et des deuxièmes véhicules 11 à 15.
Dans une troisième opération, une partie des deuxièmes véhicules 11 à 15 est sélectionnée. Par exemple, seuls les deuxièmes véhicules 11, 12, 14 ayant un indice de pertinence inférieur ou égal à un indice seuil (l’indice seuil étant par exemple égal à 2) sont sélectionnés pour la suite du processus.
Selon une variante, seuls les deuxièmes véhicules ayant un indice égal à 2 et hors de la voie de circulation 101 du premier véhicule 10 sont sélectionnés, c’est-à-dire le deuxième véhicule 12.
Une telle sélection permet de limiter les calculs mis en œuvre dans les opérations suivantes du processus, limitant ainsi la charge du ou des processeurs exécutant ces calculs ainsi que l’empreinte mémoire nécessaire pour stocker les données et autres paramètres pris en compte dans ces calculs.
Les opérations suivantes du processus sont décrites en regard de la en prenant pour exemple le cas du deuxième véhicule 12 circulant dans la voie de circulation 102 adjacente à la voie 101 du premier véhicule 10 et ayant reçu un indice de pertinence égal à 2.
La illustre le deuxième véhicule 12 à l’instant t0correspondant à l’instant auquel son indice de pertinence a été déterminé et le deuxième véhicule 12 à l’instant tx, tx étant postérieur à t0, c’est-à-dire tx = t0+ ∆t, avec ∆t un intervalle de temps de durée déterminée, par exemple de durée égale à 1, 2 ou 3 secondes.
Sur la , seule la position du premier véhicule 10 à l’instant t0est représentée pour des raisons de clarté.
La valeur de ∆t correspond par exemple à la durée moyenne nécessaire à un véhicule pour changer de voie, déterminée par exemple de manière empirique. Selon un autre exemple, la valeur de ∆t est fixée de manière déterministe, cette valeur étant par exemple stockée en mémoire du calculateur mettant en œuvre le processus. Une telle valeur correspond par exemple à un paramètre ajustable, par exemple par mise à jour OTA (de l’anglais « Over-the-air » ou en français « via les airs »), par une mise à jour via un outil de diagnostic (valise de diagnostic) ou via une interface homme-machine (IHM) embarquée dans le premier véhicule 10.
La position du deuxième véhicule 12 à l’instant tx correspond à une position prédite ou estimée à partir des premières et deuxièmes données associées au deuxième véhicule 12 et déterminées à l’instant t0, dit instant courant.
Dans une quatrième opération, la position du deuxième véhicule 12 (et de chaque deuxième véhicule sélectionné à la troisième opération) est prédite à partir des premières données et des deuxièmes données obtenues pour ce deuxième véhicule 12 à la première opération.
Plus précisément, la position du deuxième véhicule 12 est prédite sur la base de sa vitesse latérale Vlatà l’instant t0, sa vitesse longitudinale à l’instant Vlongit0et son accélération longitudinale Alongià l’instant t0, ainsi que la position du deuxième véhicule à l’instant t0.
Les équations cinématiques pour un véhicule sont les suivantes, en fonction du temps ‘t’ :
Avec X(t) la position à l’instant t, X0la position à l’instant t0et A0l’accélération à l’instant t0.
Pour déterminer la position à l’instant tx, il est supposé que l’accélération longitudinale est constante et que la vitesse latérale est constante sur l’intervalle de temps ∆t.
Selon une variante de réalisation, la prédiction de la position du deuxième véhicule 12 à l’instant tx consiste à déterminer la distance latérale dlat,xentre un point du deuxième véhicule 12 et le centre de la voie de circulation 101 du premier véhicule à l’instant tx. Le point considéré du deuxième véhicule 12 correspond à un point de référence déterminé du deuxième véhicule, par exemple le coin avant droit ou gauche d’une boite englobante représentant le deuxième véhicule 12 selon que le deuxième véhicule se déplace vers la droite ou la gauche, respectivement.
La distance latérale dlat,xà l’instant tx est par exemple obtenue à partir de l’équation suivante :
Avec dlat,t0la distance latérale entre le deuxième véhicule 12 et le centre de la voie de circulation 101 à l’instant t0.
Selon une variante, la distance latérale dlat,t0correspond à la distance latérale entre le premier véhicule 10 et le deuxième véhicule 12, cette distance latérale étant obtenue à partir des positions respectives du premier véhicule 10 et du deuxième véhicule 12 prédites à l’instant tx à partir des données dynamiques et des positions du premier véhicule 10 et du deuxième véhicule 12 à l’instant t0, obtenues à partir des équations cinématiques ci-dessus.
Dans une cinquième opération, une probabilité que le deuxième véhicule 12 (ainsi que chaque deuxième véhicule sélectionné) change de voie pour pénétrer dans la voie de circulation 101 est déterminée à partir d’un modèle de prédiction de changement de voie de circulation alimenté avec les troisièmes données représentatives de la géométrie de la portion de route et les quatrièmes données représentatives de la position du deuxième véhicule 12 à l’instant tx (ou représentatives de dlat,x).
Le modèle de prédiction correspond avantageusement à un modèle appris dans une phase d’apprentissage préalable à la mise en œuvre du processus décrit en regard des figures 1 et 2.
Un tel modèle de prédiction est par exemple mis en œuvre par un réseau de neurones tel que décrit ci-dessous en regard de la , un tel réseau mettant en œuvre une classification des troisièmes données et des quatrièmes données pour déterminer quelle est la probabilité que le deuxième véhicule 12 change de voie (et quelle est la voie de circulation de destination du changement de voie).
Les coefficients du modèle de prédiction sont par exemple appris à partir d’un grand nombre de données d’apprentissage obtenues de phases de roulage. Ces phases de roulage et les données associées sont par exemple obtenues en analysant le comportement de véhicules (quelques centaines, des milliers ou des dizaines/centaines de milliers de véhicules) circulant dans un environnement routier réel et/ou à partir d’outils informatiques de simulation.
L’apprentissage mis en œuvre est par exemple du type supervisé ou du type non supervisé.
A titre d’exemple, la distance latérale dlat,xest comparée à une valeur seuil pour déterminer si le deuxième véhicule va pénétrer ou non dans la voie de circulation 101, la valeur seuil correspondant par exemple à la demi-largeur de la voie de circulation 101, notée l101/2.
Ainsi, si la distance latérale dlat,xest inférieure ou égale à l101/2 (dlat,x≤ l101/2), alors la probabilité que le deuxième véhicule 12 change de voie de circulation pour aller sur la voie 101 est élevée.
Sinon, si la distance latérale dlat,xest supérieure à l101/2 (dlat,x> l101/2), alors la probabilité que le deuxième véhicule 12 change de voie de circulation pour aller sur la voie 101 est plus faible, la probabilité diminuant d’autant plus que élevée que dlat,xs’éloigne de l101/2.
D’autres paramètres sont pris en compte par le modèle de prédiction pour déterminer la probabilité tels que par exemple :
- le type de ligne : si la ligne séparant la voie de circulation 102 et la voie de circulation 101 est une ligne continue alors la probabilité que le deuxième véhicule change de voie de circulation pour aller sur la voie 101 est faible, alors que si la ligne est une ligne interrompue ou discontinue la probabilité du changement de voie augmente ; et/ou
- la courbure de la route : plus la courbure est élevée, plus la probabilité d’un changement de voie est faible (il est peu probable qu’un deuxième véhicule change de voie en entrée de virage).
Dans une sixième opération, un ou plusieurs systèmes ADAS du premier véhicule 10 sont contrôlés en fonction de la probabilité de changement de voie associée à chaque deuxième véhicule.
Par exemple, concernant un système de régulation adaptative de vitesse (système ACC) du premier véhicule, si la probabilité que le deuxième véhicule 12 pénètre sur la voie 101 à l’instant tx, le système ACC anticipe le changement de véhicule cible pour passer du deuxième véhicule 11 (correspondant à la cible à l’instant t0) au deuxième véhicule 12 à l’instant tx. Cela permet d’anticiper un freinage trop important du premier véhicule 10 dû à l’entrée du deuxième véhicule 12 sur la voie 101 en prenant par exemple en considération la cinématique du deuxième véhicule 12 dans la loi de commande du système ACC en plus de la cinématique du deuxième véhicule 11 pour passer en transition douce d’une cible égale au deuxième véhicule 11 à une cible égale au deuxième véhicule 12.
Selon un autre exemple, un système de détection de collision prend par exemple en compte la probabilité de changement de voie et la position du deuxième véhicule 12 à l’instant tx pour estimer un risque de collision et déclencher un avertissement du conducteur du premier véhicule 10, par exemple pour que ce dernier réduise la vitesse du premier véhicule en anticipation du danger associé à l’entrée du deuxième véhicule 12 sur la voie de circulation 101 devant le premier véhicule 10.
Le processus 3 de changement de voie d’un ou plusieurs deuxièmes véhicules correspond avantageusement au processus décrit en regard des figures 1 et 2.
Le processus comprend ainsi l’obtention 31 de troisièmes données représentatives de la géométrie de la route sur laquelle circule le premier véhicule 10 et le ou les deuxièmes véhicules 11 à 15, l’obtention 32 de premières et deuxièmes données représentatives de positions et de cinématiques des deuxièmes véhicules, avec la sélection ou le filtrage 321 d’une partie des deuxièmes véhicules pour obtenir une liste 322 d’un ou plusieurs deuxièmes véhicules.
Ces opérations permettent de fournir en entrée du réseau de neurones 33 un ensemble de troisièmes données et un ensemble de quatrièmes données.
Les troisièmes données comprennent par exemple :
- des données 311 représentatives du type de la ligne au sol à gauche de la voie de circulation 101 sur laquelle circule le premier véhicule 10 ;
- des données 312 représentatives du type de la ligne au sol à droite de la voie de circulation 101 sur laquelle circule le premier véhicule 10 ;
- des données 313 représentatives de la courbure de la route.
Les quatrièmes données comprennent par exemple :
- des données 321 représentatives de la position latérale des deuxièmes véhicules dans la voie de destination 101 à l’instant tx ;
- des données 322 représentatives de la position longitudinale des deuxièmes véhicules dans la voie de destination 101 à l’instant tx ;
- des données 323 représentatives de la position latérale du premier véhicule 10 à l’instant tx ; et
- des données 324 représentatives de la position longitudinale du premier véhicule 10 à l’instant tx.
Le réseau de neurones 33 comprend par exemple une plusieurs couches de neurones interconnectés entre eux, formant par exemple une partie densément connectée du réseau de neurone 33. Un tel réseau 33 correspond à un réseau de neurones artificiels acycliques (de l’anglais « feed-forward »). La partie densément connectée du réseau 33 met par exemple en œuvre une ou plusieurs couches de neurones densément connectées (ou entièrement connectés), tel qu’illustré par la , assurant la classification des troisièmes et quatrièmes données selon par exemple un modèle de type MLP (de l’anglais « Multi Layers Perceptron » ou en français « Perceptrons multicouches »).
En sortie de la classification mise en œuvre par la partie densément connectée du réseau 33 sont obtenues une ou plusieurs probabilités d’appartenances à une ou plusieurs classes 341, 342, 343, chaque classe identifiant une probabilité de changement de voie et/ou une voie de destination : la classe 341 correspond par exemple à une absence de changement de voie, correspondant par exemple à une probabilité de changement de voie inférieure à un seuil ; la classe 342 correspond par exemple à un changement de voie vers la droite, avec une probabilité de changement de voie supérieure audit seuil ; et la classe 343 correspond par exemple à un changement de voie vers la gauche, avec une probabilité de changement de voie supérieure audit seuil.
Bien entendu le nombre de classes en sortie du classificateur peut être différent de 3, par exemple supérieur à 3, par exemple égale à 7, 10, 15 ou plus (avec pour chaque classe un intervalle de probabilités de changement de voie par exemple et la voie de destination identifiée).
Le dispositif 4 est par exemple configuré pour la mise en œuvre des opérations décrites en regard des figures 1, 2, et 3 et/ou des étapes du procédé décrit en regard de la . Des exemples d’un tel dispositif 4 comprennent, sans y être limités, un équipement électronique embarqué tel qu’un ordinateur de bord d’un véhicule, un calculateur électronique tel qu’une UCE (« Unité de Commande Electronique »), un ordinateur, un dispositif de calcul. Les éléments du dispositif 4, individuellement ou en combinaison, peuvent être intégrés dans un unique circuit intégré, dans plusieurs circuits intégrés, et/ou dans des composants discrets. Le dispositif 4 peut être réalisé sous la forme de circuits électroniques ou de modules logiciels (ou informatiques) ou encore d’une combinaison de circuits électroniques et de modules logiciels.
Le dispositif 4 comprend un (ou plusieurs) processeur(s) 40 configurés pour exécuter des instructions pour la réalisation des étapes du procédé et/ou pour l’exécution des instructions du ou des logiciels embarqués dans le dispositif 4. Le processeur 40 peut inclure de la mémoire intégrée, une interface d’entrée/sortie, et différents circuits connus de l’homme du métier. Le dispositif 4 comprend en outre au moins une mémoire 41 correspondant par exemple à une mémoire volatile et/ou non volatile et/ou comprend un dispositif de stockage mémoire qui peut comprendre de la mémoire volatile et/ou non volatile, telle que EEPROM, ROM, PROM, RAM, DRAM, SRAM, flash, disque magnétique ou optique.
Le code informatique du ou des logiciels embarqués comprenant les instructions à charger et exécuter par le processeur est par exemple stocké sur la mémoire 41.
Selon différents exemples de réalisation particuliers et non limitatifs, le dispositif 4 est couplé en communication avec d’autres dispositifs ou systèmes similaires et/ou avec des dispositifs de communication, par exemple une TCU (de l’anglais « Telematic Control Unit » ou en français « Unité de Contrôle Télématique »), par exemple par l’intermédiaire d’un bus de communication ou au travers de ports d’entrée / sortie dédiés.
Selon un exemple de réalisation particulier et non limitatif, le dispositif 4 comprend un bloc 42 d’éléments d’interface pour communiquer avec des dispositifs externes, par exemple un serveur distant ou le « cloud », d’autres nœuds du réseau ad hoc. Les éléments d’interface du bloc 42 comprennent une ou plusieurs des interfaces suivantes :
- interface radiofréquence RF, par exemple de type Wi-Fi® (selon IEEE 802.11), par exemple dans les bandes de fréquence à 2,4 ou 5 GHz, ou de type Bluetooth® (selon IEEE 802.15.1), dans la bande de fréquence à 2,4 GHz, ou de type Sigfox utilisant une technologie radio UBN (de l’anglais Ultra Narrow Band, en français bande ultra étroite), ou LoRa dans la bande de fréquence 868 MHz, LTE (de l’anglais « Long-Term Evolution » ou en français « Evolution à long terme »), LTE-Advanced (ou en français LTE-avancé) ;
- interface USB (de l’anglais « Universal Serial Bus » ou « Bus Universel en Série » en français) ;
- interface HDMI (de l’anglais « High Definition Multimedia Interface », ou « Interface Multimedia Haute Definition » en français) ;
- interface LIN (de l’anglais « Local Interconnect Network », ou en français « Réseau interconnecté local »).
Des données sont par exemples chargées vers le dispositif 4 via l’interface du bloc 42 en utilisant un réseau Wi-Fi® tel que selon IEEE 802.11, un réseau ITS G5 basé sur IEEE 802.11p ou un réseau mobile tel qu’un réseau 4G (ou 5G) basé sur la norme LTE (de l’anglais Long Term Evolution) définie par le consortium 3GPP notamment un réseau LTE-V2X.
Selon un autre exemple de réalisation particulier et non limitatif, le dispositif 4 comprend une interface de communication 43 qui permet d’établir une communication avec d’autres dispositifs (tels que d’autres serveurs ou d’autres calculateurs du système embarqué) via un canal de communication 430. L’interface de communication 43 correspond par exemple à un transmetteur configuré pour transmettre et recevoir des informations et/ou des données via le canal de communication 430. L’interface de communication 43 correspond par exemple à un réseau filaire de type CAN (de l’anglais « Controller Area Network » ou en français « Réseau de contrôleurs »), CAN FD (de l’anglais « Controller Area Network Flexible Data-Rate » ou en français « Réseau de contrôleurs à débit de données flexible »), FlexRay (standardisé par la norme ISO 17458) ou Ethernet (standardisé par la norme ISO/IEC 802-3).
Selon un exemple de réalisation particulier et non limitatif, le dispositif 4 peut fournir des signaux de sortie à un ou plusieurs dispositifs externes, tels qu’un écran d’affichage 450, tactile ou non, un ou des haut-parleurs 460 et/ou d’autres périphériques 470 (système de projection) via respectivement des interfaces de sortie 45, 46 et 47. Selon une variante, l’un ou l’autre des dispositifs externes est intégré au dispositif 4.
Dans une première étape 51, des premières données représentatives de position de chaque deuxième véhicule d’un ensemble de deuxièmes véhicules à un instant courant, des deuxièmes données dynamiques de chaque deuxième véhicule à l’instant courant et des troisièmes données représentatives de géométrie de la portion de route sont obtenues (par exemple reçues et/ou déterminées), chaque deuxième véhicule circulant sur la portion de route.
Dans une deuxième étape 52, un indice de pertinence est associé à chaque deuxième véhicule, l’indice de pertinence étant déterminé en fonction d’au moins une information représentative de distance entre chaque deuxième véhicule et le premier véhicule, la au moins une information étant déterminée en fonction des premières données.
Dans une troisième étape 53, au moins une partie des deuxièmes véhicules de l’ensemble de deuxièmes véhicules est sélectionnée en fonction des indices de pertinence associés.
Dans une quatrième étape 54, pour chaque deuxième véhicule sélectionné de la au moins une partie des deuxièmes véhicules, des quatrièmes données sont prédites à partir des premières données et des deuxièmes données, les quatrièmes données étant représentatives de position de chaque deuxième véhicule sélectionné par rapport au premier véhicule à un instant déterminé postérieur à l’instant courant.
Dans une cinquième étape 55, pour chaque deuxième véhicule sélectionné, une probabilité de changement de voie de circulation vers la voie de circulation sur laquelle circule le premier véhicule est déterminée à partir d’un modèle de prédiction de changement de voie de circulation alimenté avec les troisièmes données et les quatrièmes données.
Selon une variante, les variantes et exemples des opérations décrits en relation avec les figures 1, 2 et/ou 3 s’appliquent aux étapes du procédé de la .
Bien entendu, la présente invention ne se limite pas aux exemples de réalisation décrits ci-avant mais s’étend à un procédé de contrôle d’un ou plusieurs systèmes embarqués dans le premier véhicule, par exemple un ou plusieurs systèmes ADAS, par exemple le système ACC, qui inclurait des étapes secondaires sans pour cela sortir de la portée de la présente invention. Il en serait de même d’un dispositif configuré pour la mise en œuvre d’un tel procédé.
La présente invention concerne également un véhicule comprenant le dispositif 4 de la .
Claims (10)
- Procédé de prédiction d’un changement de voie de circulation pour véhicule, ledit procédé étant mis en œuvre par un premier véhicule (10) circulant sur une voie de circulation (101) d’une portion de route (1) comprenant au moins deux voies de circulation (101, 102, 103), ledit procédé comprenant les étapes suivantes :
- obtention (51) de premières données représentatives de position de chaque deuxième véhicule d’un ensemble de deuxièmes véhicules (11 à 15) à un instant courant, de deuxièmes données dynamiques dudit chaque deuxième véhicule audit instant courant et de troisièmes données représentatives de géométrie de ladite portion de route (1), ledit chaque deuxième véhicule circulant sur ladite portion de route (1) ;
- association (52) d’un indice de pertinence audit chaque deuxième véhicule, ledit indice de pertinence étant déterminé en fonction d’au moins une information représentative de distance entre ledit chaque deuxième véhicule et ledit premier véhicule (10), ladite au moins une information étant déterminée en fonction desdites premières données ;
- sélection (53) d’au moins une partie des deuxièmes véhicules dudit ensemble de deuxièmes véhicules (11 à 15) en fonction des indices de pertinence associés ;
- prédiction (54), pour chaque deuxième véhicule (12) sélectionné de ladite au moins une partie des deuxièmes véhicules (11 à 15), de quatrièmes données représentatives de position dudit chaque deuxième véhicule sélectionné (12) par rapport audit premier véhicule (10) à un instant déterminé postérieur audit instant courant à partir desdites premières données et desdites deuxièmes données ;
- détermination (55), pour chaque deuxième véhicule sélectionné, d’une probabilité de changement de voie de circulation vers la voie de circulation (101) sur laquelle circule ledit premier véhicule (10) à partir d’un modèle de prédiction de changement de voie de circulation alimenté avec lesdites troisièmes données et lesdites quatrièmes données. - Procédé selon la revendication 1, comprenant en outre une étape de contrôle d’un système de régulation adaptative de vitesse embarqué dans ledit premier véhicule (10) en fonction de ladite probabilité de changement de voie de circulation associée audit chaque deuxième véhicule sélectionné (12), ledit contrôle comprenant une sélection d’un deuxième véhicule sélectionné (12) comme véhicule cible en fonction de ladite probabilité de changement de voie de circulation associée audit chaque deuxième véhicule sélectionné.
- Procédé selon la revendication 1 ou 2, pour lequel lesdites premières données, lesdites deuxièmes données et lesdites troisièmes données sont obtenues d’au moins un capteur de détection d’objet embarqué dans ledit premier véhicule (10).
- Procédé selon l’une des revendications 1 à 3, pour lequel ladite au moins une information représentative de distance entre ledit chaque deuxième véhicule et ledit premier véhicule (10) appartient à un ensemble d’informations comprenant :
- information représentative de distance euclidienne ;
- information représentative de distance latérale. - Procédé selon l’une des revendications 1 à 4, pour lequel lesdites quatrièmes données comprennent, pour chaque deuxième véhicule sélectionné (12), des données représentatives de distance latérale entre ledit chaque deuxième véhicule (12) et ledit premier véhicule (10).
- Procédé selon l’une des revendications 1 à 5, pour lequel ladite détermination d’une probabilité de changement de voie de circulation comprend une classification desdites troisièmes et quatrièmes données.
- Procédé selon l’une des revendications 1 à 6, pour lequel ladite détermination d’une probabilité de changement de voie de circulation est mise en œuvre par un réseau de neurones (33).
- Programme d’ordinateur comportant des instructions pour la mise en œuvre du procédé selon l’une quelconque des revendications précédentes, lorsque ces instructions sont exécutées par un processeur.
- Dispositif (4) de prédiction d’un changement de voie de circulation pour véhicule, ledit dispositif (4) comprenant une mémoire (41) associée à au moins un processeur (40) configuré pour la mise en œuvre des étapes du procédé selon l’une quelconque des revendications 1 à 7.
- Véhicule (10) comprenant le dispositif (4) selon la revendication 9.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2111021A FR3128177B1 (fr) | 2021-10-18 | 2021-10-18 | Procédé et dispositif de prédiction d’un changement de voie de circulation pour véhicule |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2111021A FR3128177B1 (fr) | 2021-10-18 | 2021-10-18 | Procédé et dispositif de prédiction d’un changement de voie de circulation pour véhicule |
| FR2111021 | 2021-10-18 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| FR3128177A1 true FR3128177A1 (fr) | 2023-04-21 |
| FR3128177B1 FR3128177B1 (fr) | 2024-01-12 |
Family
ID=78827852
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR2111021A Active FR3128177B1 (fr) | 2021-10-18 | 2021-10-18 | Procédé et dispositif de prédiction d’un changement de voie de circulation pour véhicule |
Country Status (1)
| Country | Link |
|---|---|
| FR (1) | FR3128177B1 (fr) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150032289A1 (en) * | 2012-03-15 | 2015-01-29 | Continental Automotive Gmbh | Method for detecting traffic jams using a wireless vehicle to vehicle communication system |
| US20200026282A1 (en) * | 2018-07-23 | 2020-01-23 | Baidu Usa Llc | Lane/object detection and tracking perception system for autonomous vehicles |
| CN110789528A (zh) * | 2019-08-29 | 2020-02-14 | 腾讯科技（深圳）有限公司 | 一种车辆行驶轨迹预测方法、装置、设备及存储介质 |
-
2021
- 2021-10-18 FR FR2111021A patent/FR3128177B1/fr active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150032289A1 (en) * | 2012-03-15 | 2015-01-29 | Continental Automotive Gmbh | Method for detecting traffic jams using a wireless vehicle to vehicle communication system |
| US20200026282A1 (en) * | 2018-07-23 | 2020-01-23 | Baidu Usa Llc | Lane/object detection and tracking perception system for autonomous vehicles |
| CN110789528A (zh) * | 2019-08-29 | 2020-02-14 | 腾讯科技（深圳）有限公司 | 一种车辆行驶轨迹预测方法、装置、设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| DIXIT ANISH ET AL: "Lane Change Prediction based on Trajectory Analysis and Driver Actions Tracking", 2021 INTERNATIONAL CONFERENCE ON COMPUTING, COMPUTATIONAL MODELLING AND APPLICATIONS (ICCMA), IEEE, 14 July 2021 (2021-07-14), pages 21 - 26, XP033987683, DOI: 10.1109/ICCMA53594.2021.00012 * |
| HA TIMOTHY ET AL: "Vehicle Control with Prediction Model Based Monte-Carlo Tree Search", 2020 17TH INTERNATIONAL CONFERENCE ON UBIQUITOUS ROBOTS (UR), IEEE, 22 June 2020 (2020-06-22), pages 303 - 308, XP033796454, DOI: 10.1109/UR49135.2020.9144958 * |
| JONES IAN ET AL: "Probabilistic Modeling of Vehicle Acceleration and State Propagation With Long Short-Term Memory Neural Networks", 2019 IEEE INTELLIGENT VEHICLES SYMPOSIUM (IV), IEEE, 9 June 2019 (2019-06-09), pages 2236 - 2242, XP033606091, DOI: 10.1109/IVS.2019.8814063 * |
Also Published As
| Publication number | Publication date |
|---|---|
| FR3128177B1 (fr) | 2024-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| FR3118669A1 (fr) | Procédé et dispositif de détermination d’une trajectoire d’un véhicule autonome | |
| FR3118616A1 (fr) | Procédé et dispositif d’alerte anticollision et/ou de freinage d’urgence | |
| FR3103437A1 (fr) | Procédé et dispositif de détermination de consigne pour véhicule | |
| EP4352305A1 (fr) | Procédé et dispositif de désactivation de système d'aide à la conduite | |
| FR3128177A1 (fr) | Procédé et dispositif de prédiction d’un changement de voie de circulation pour véhicule | |
| FR3119817A1 (fr) | Procédé et dispositif de détermination d’une trajectoire pour un véhicule autonome | |
| EP2489548B1 (fr) | Procédé et dispositif de commande de commutation du système d'éclairage avant adaptatif d'un véhicule automobile | |
| EP4090565B1 (fr) | Procédé et dispositif de contrôle d'un vehicule | |
| FR3137642A1 (fr) | Procédé et dispositif de contrôle d’un système de changement semi-automatique de voie de circulation d’un véhicule en fonction d’une valeur maximale d’un paramètre dynamique | |
| FR3137781A1 (fr) | Procédé et dispositif de détermination d’une largeur d’une voie latérale adjacente à une voie de circulation | |
| FR3130228A1 (fr) | Procédé et dispositif de contrôle d’un système de changement de voie automatique | |
| FR3129911A1 (fr) | Procédé et dispositif de contrôle d’un système d’aide à la conduite | |
| FR3103613A1 (fr) | Procédé et dispositif de transmission de consignes pour véhicule | |
| FR3117974A1 (fr) | Procédé et dispositif de contrôle d’un véhicule | |
| WO2024115827A1 (fr) | Procédé et dispositif de contrôle d'un système d'aide à la conduite dans un environnement comportant un croisement | |
| FR3125151A1 (fr) | Procédé et dispositif de contrôle d’un véhicule à partir d’une prédiction d’intention d’un piéton de traverser une route | |
| FR3118849A1 (fr) | Procédé et dispositif de mise en sécurité d’un véhicule autonome | |
| EP4330096A1 (fr) | Procédé et dispositif de contrôle d'un système d'arrêt-démarrage automatique de moteur dans un groupement de véhicules par peloton | |
| FR3131724A1 (fr) | Procédé et dispositif de contrôle d’un système de changement semi-automatique de voie de circulation d’un véhicule | |
| FR3132896A1 (fr) | Procédé et dispositif de contrôle d’un système d’aide à la conduite d’un véhicule dans un environnement routier comportant une fusion de voies | |
| FR3140452A1 (fr) | Procédé et dispositif de contrôle d’un système d’aide à la conduite d’un véhicule en fonction d’une hauteur d’un bord de voie | |
| FR3141424A1 (fr) | Procédé et dispositif de contrôle de gestion des messages d’alertes pour un système de régulation adaptative de vitesse d’un véhicule | |
| FR3133357A1 (fr) | Procédé et dispositif de contrôle d’un véhicule autonome utilisant des informations de localisation d’au moins un dispositif de communication mobile | |
| WO2023233088A1 (fr) | Procédé et dispositif de contrôle de système d'aide à la conduite d'un véhicule basé sur une limite de vitesse | |
| FR3135814A1 (fr) | Procédé et dispositif de contrôle d’un système de régulation de vitesse d’un véhicule en approche d’un élément de signalisation routière |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20230421 |
|
| PLFP | Fee payment |
Year of fee payment: 3 |
|
| CD | Change of name or company name |
Owner name: STELLANTIS AUTO SAS, FR Effective date: 20240423 |