FR3128804A1 - Procede de prediction d’au moins un horaire de roulement et d’au moins un horaire de stationnement d’un vehicule - Google Patents

Abstract

L’invention concerne un procédé, mis en œuvre dans une unité de commande électronique d’un véhicule ou dans un dispositif mobile de communication, de prédiction d’au moins un horaire de roulement et d’au moins un horaire de stationnement du véhicule, ladite unité de commande électronique ou ledit dispositif mobile de communication stockant un réseau de neurones à apprentissage supervisé avec propagation avant, le procédé comprenant une phase initiale (12) au cours de laquelle le réseau de neurones est entraîné pour son apprentissage à l’aide de données d’entraînement, et une étape (22) de détermination, par le réseau de neurones, d’au moins une probabilité de roulement et d’au moins une probabilité de stationnement du véhicule, chaque probabilité étant associée à un horaire futur donné, l’ensemble des horaires futurs associés à des probabilités de roulement ou de stationnement du véhicule définissant un pas de temps prédéfini et se répartissant sur une durée prédéfinie. Fig. 1

Description

PROCEDE DE PREDICTION D’AU MOINS UN HORAIRE DE ROULEMENT ET D’AU MOINS UN HORAIRE DE STATIONNEMENT D’UN VEHICULE

L’invention se rapporte à un procédé, mis en œuvre dans une unité de commande électronique d’un véhicule ou dans un dispositif mobile de communication apte à recevoir des données relatives au véhicule, de prédiction d’au moins un horaire de roulement et d’au moins un horaire de stationnement du véhicule. L’invention se rapporte également à un procédé, mis en œuvre dans une unité de commande électronique d’un véhicule, de commande de charge d’une batterie électrique du véhicule, le procédé comprenant un tel sous-procédé de prédiction d’au moins un horaire de roulement et d’au moins un horaire de stationnement du véhicule. La batterie électrique est typiquement mais non limitativement une batterie de traction du véhicule, notamment une batterie lithium-ion.

Une batterie de stockage électrique (aussi appelée bloc batterie ou « battery pack » en anglais), implantée dans un véhicule électrique ou hybride, subit un vieillissement et une dégradation de ses capacités de stockage au cours du temps. Plus précisément, il existe deux types de vieillissement de la batterie : le vieillissement dû à l’utilisation de la batterie (lors de phases de roulage du véhicule), et le vieillissement calendaire dû au stockage d’énergie électrique dans cette dernière en phase statique (donc lors de phases de stationnement ou d’immobilisation du véhicule). Au vu du fait qu’un véhicule automobile est en moyenne à 95 % de sa vie à l’état de stationnement, le vieillissement calendaire de la batterie (qui correspond à son vieillissement intrinsèque) n’est pas négligeable. Dans ce contexte, il est connu qu’un haut état de charge de la batterie (appelé SOC en anglais pour « State Of Charge »), typiquement un état de charge à 100 %, accélère la dégradation des capacités de la batterie pendant son mode stockage. On entend par "batterie ou source de stockage en mode stockage" le mode de fonctionnement de la batterie lorsque le véhicule est en stationnement. Le vieillissement d'une batterie s'exprime par la perte progressive de performances de cette dernière en termes d'énergie et de puissance disponible.

Afin de répondre à ce problème, une solution connue consiste à prévoir une communication entre une interface du véhicule et l’automobiliste (directement ou via et un dispositif mobile de communication appartenant à l’automobiliste), afin de déterminer l’horaire du prochain départ du véhicule. Le document brevet FR 2 942 358 B1 décrit par exemple une telle solution. Ce document décrit ainsi un système de gestion de recharge d’une batterie électrique d’un véhicule, et un procédé de gestion de recharge associé, dans lesquels la gestion de l'état de charge de la batterie dans son mode stockage est optimisée de telle sorte que la batterie atteint son état de charge le plus élevé juste avant son utilisation pour une phase de roulage du véhicule. Pour ce faire, l’automobiliste entre manuellement ou par commande vocale, dans une interface de communication du véhicule, la date et l’heure de la prochaine utilisation du véhicule. Ainsi, en programmant la charge de la batterie pour qu'elle atteigne les états de charge élevées juste avant son utilisation et qu’elle reste dans les états de charge les plus bas le plus longtemps possible en mode stockage, une telle solution permet d’améliorer la durée de vie calendaire de la batterie. Toutefois, la solution décrite dans ce document brevet nécessite que l’utilisateur entre manuellement ou par commande vocale la date et l’heure de la prochaine utilisation du véhicule, ce qui est chronophage, contraignant pour l’utilisateur et nuit à la souplesse d’utilisation du système.

Le document brevet FR 3 063 581 B1 répond en partie à cette problématique en proposant un procédé permettant de réaliser la recharge d’une batterie de traction d’un véhicule en fonction des habitudes de conduite de l’automobiliste. Plus précisément, un tel procédé réalise automatiquement un calcul statistique basé sur les habitudes de l’utilisateur (et notamment son heure habituelle de départ au travail) pour en déduire un horaire moyen de départ et effectuer une prédiction de l’horaire de la prochaine utilisation du véhicule. La charge de la batterie est alors réalisée au juste nécessaire, en prenant par exemple en compte l'autonomie de la batterie, ou de manière équivalente le niveau de charge de cette dernière souhaité par l'utilisateur. Un tel procédé permet ainsi d'ajuster la puissance électrique de charge au minimum compatible avec les besoins indiqués l’utilisateur, ce qui permet d’augmenter la durée de vie calendaire de la batterie, notamment par rapport à une approche visant systématiquement une charge complète de la batterie. Toutefois, un inconvénient d’un tel procédé est qu’il ne prend pas en compte la variabilité des horaires (du fait qu’un calcul statistique d’horaire moyen est effectué, ce qui donne une seule valeur d’horaire et présuppose une conduite très régulière de la part de l’utilisateur qui est rarement le cas en pratique). Or, les habitudes de conduite d’un automobiliste se répartissent entre des habitudes de trajets « réguliers » (par exemple trajet pour aller au travail ou pour faire ses courses), et trajets « aléatoires » (par exemple trajets pour les voyages d’affaire ou pour les sorties de loisir). Ceci nuit à la précision de la prédiction de l’horaire de roulement qui est effectuée.

Le but de l’invention est de pallier les inconvénients de l’art antérieur en proposant un procédé, mis en œuvre dans une unité de commande électronique d’un véhicule ou dans un dispositif mobile de communication apte à recevoir des données relatives au véhicule, de prédiction d’au moins un horaire de roulement et d’au moins un horaire de stationnement du véhicule, qui soit simple, précis et fiable, et qui fournisse une prédiction automatique sans nécessiter d’intervention de la part de l’utilisateur.

Pour ce faire, l’invention se rapporte ainsi, dans son acceptation la plus large, à un procédé, mis en œuvre dans une unité de commande électronique d’un véhicule ou dans un dispositif mobile de communication apte à recevoir des données relatives au véhicule, de prédiction d’au moins un horaire de roulement et d’au moins un horaire de stationnement du véhicule, ladite unité de commande électronique ou ledit dispositif mobile de communication stockant un réseau de neurones à apprentissage supervisé avec propagation avant, le procédé comprenant une phase initiale au cours de laquelle le réseau de neurones est entraîné pour son apprentissage à l’aide de données d’entraînement comportant des données indicatives d’au moins un horaire passé de roulement du véhicule et des données indicatives d’au moins un horaire passé de stationnement du véhicule, le procédé comportant en outre une étape de détermination, par le réseau de neurones, d’au moins une probabilité de roulement du véhicule et d’au moins une probabilité de stationnement du véhicule, chaque probabilité de roulement ou de stationnement du véhicule étant associée à un horaire futur donné, l’ensemble des horaires futurs associés à des probabilités de roulement ou de stationnement du véhicule définissant un pas de temps prédéfini et se répartissant sur une durée prédéfinie.

Grâce à l’utilisation d’un réseau de neurones à apprentissage supervisé avec propagation avant, qui est entraîné à l’aide de données d’entraînement comportant des données indicatives d’au moins un horaire passé de roulement du véhicule et des données indicatives d’au moins un horaire passé de stationnement du véhicule, et qui fournit en sortie au moins une probabilité de roulement du véhicule et au moins une probabilité de stationnement du véhicule, le procédé selon l’invention permet de fournir une prédiction précise et fiable d’au moins un horaire de roulement et d’au moins un horaire de stationnement du véhicule. Le procédé fournit en effet des probabilités de roulement ou de stationnement du véhicule pour différents horaires définissant un pas de temps prédéfini (par exemple, mais sans que cela ne soit limitatif, un pas d’une minute), et non un unique horaire (moyen) de roulement comme c’est le cas des procédés de l’art antérieur qui mettent en œuvre un calcul statistique. La prédiction délivrée par le procédé selon l’invention est donc plus précise et faible que celle fournie par de tels procédés par calcul statistique, car l’utilisation d’un réseau de neurones à apprentissage supervisé permet d’effectuer une prédiction tenant compte de toutes les situations de conduite (trajets « réguliers » aussi bien que les trajets « aléatoires »). Là où un calcul statistique ne donne qu’une seule valeur d’horaire moyen, le procédé selon l’invention donne une plage de probabilités se répartissant sur la durée prédéfinie, avec le pas de temps prédéfini. La précision de la prédiction est d’autant plus améliorée avec des horaires de départ irréguliers de la part de l’usager. Ce dernier peut alors définir un seuil, en fonction de son habitude de départ ou de ses préférences, afin de sélectionner un horaire prédit de roulement. En outre, l’utilisation d’un tel réseau de neurones fournit une solution simple qui fournit une prédiction automatique de l’horaire de prochain roulement ou stationnement, sans nécessiter que l’utilisateur entre manuellement ou par commande vocale la date et l’heure de la prochaine utilisation du véhicule.

Avantageusement, l’unité de commande électronique ou le dispositif mobile de communication stocke en outre plusieurs modèles de conduite prédéterminés, et stocke, pour chaque modèle de conduite prédéterminé, un ensemble de paramètres de réseau de neurones propres à ce modèle de conduite, et l’unité de commande électronique ou le dispositif mobile de communication est apte, pour chaque modèle de conduite prédéterminé, à reconfigurer le réseau de neurones en fonction dudit modèle de conduite, à l’aide des paramètres de réseau de neurones propres à ce modèle de conduite. L’usager peut alors choisir l’activation d’un modèle de conduite particulier qui correspond le mieux son style de conduite actuel. Ceci permet d’améliorer encore la précision de la prédiction, en tenant compte des différents styles et habitudes de conduite de l’usager (par exemple : conduite du type « routine » pendant une période de travail, conduite du type « vacances » qui se caractérise par une longue conduite et un long stationnement, conduite du type « professionnel » qui a ses horaires particuliers selon les missions dédiées, etc.).

Avantageusement, la phase initiale du procédé comporte une étape de détection d’un démarrage du véhicule, un horaire initial de roulement du véhicule et un horaire final de stationnement du véhicule étant enregistrés à l’issue de cette étape de détection ; une étape d’acquisition d’horaires de roulement successifs du véhicule, lesdits horaires de roulement du véhicule étant acquis avec un premier intervalle temporel prédéfini ; une étape de détection d’un arrêt du véhicule, un horaire final de roulement du véhicule et un horaire initial de stationnement du véhicule étant enregistrés à l’issue de cette étape de détection ; et une étape d’acquisition d’horaires de stationnement successifs du véhicule, lesdits horaires de stationnement du véhicule étant acquis avec un second intervalle temporel prédéfini ; lesdites étapes de détection et d’acquisition d’horaires étant rebouclées. Une telle séquence de la phase initiale permet de garantir que chaque roulement et chaque stationnement du véhicule est au moins enregistré à son début et à sa fin, tout en limitant la quantité de données d’entraînement accumulées et ce sans nuire à la précision du procédé. L’acquisition et l’accumulation des données d’entraînement sont réalisées en rebouclant les étapes de détection et d’acquisition d’horaires.

Selon une caractéristique technique particulière de l’invention, le second intervalle temporel prédéfini est supérieur au premier intervalle temporel prédéfini.

De préférence, le réseau de neurones à apprentissage supervisé avec propagation avant est un perceptron multicouche.

Selon une caractéristique technique particulière de l’invention, le réseau de neurones à apprentissage supervisé avec propagation avant est composé d’une succession de plusieurs couches, le nombre de couches du réseau de neurones étant compris entre deux et trois couches, et étant de préférence égal à deux couches.

Selon une autre caractéristique technique particulière de l’invention, chaque couche du réseau de neurones comporte entre quatre et cinq neurones.

L’invention se rapporte également à un procédé, mis en œuvre dans une unité de commande électronique d’un véhicule, de commande de charge d’une batterie électrique du véhicule, ladite unité de commande électronique étant reliée à ladite batterie électrique et stockant un réseau de neurones à apprentissage supervisé avec propagation avant, la batterie électrique étant connectée à une borne de charge externe au véhicule, le procédé comportant un sous-procédé de prédiction d’au moins un horaire de roulement et d’au moins un horaire de stationnement du véhicule tel que décrit ci-dessus, et le procédé comportant en outre une étape de détermination du prochain horaire prédit de roulement du véhicule, une étape de détermination de l’état de charge courant de la batterie électrique, une étape de calcul, en fonction du prochain horaire prédit de roulement du véhicule et de l’état de charge courant de la batterie électrique, d’une loi de commande de charge de la batterie électrique, et une étape de commande de la borne de charge pour qu’elle délivre à la batterie électrique une puissance électrique de charge en fonction de la loi de commande de charge calculée.

Ce procédé permet une recharge précise et optimisée de la batterie électrique du véhicule, via l’utilisation du réseau de neurones à apprentissage supervisé avec propagation avant. En calculant la loi de commande de charge de la batterie électrique (et donc l’état de charge final souhaité pour cette dernière) en fonction du prochain horaire de roulement du véhicule prédit par le réseau de neurones et de l’état de charge courant de la batterie, le procédé permet ainsi de commander de manière automatique et précise la recharge de la batterie, au juste nécessaire. Ceci permet à terme d’augmenter la durée de vie calendaire de la batterie.

Avantageusement, la loi de commande de charge de la batterie électrique est telle que la batterie électrique atteint son état de charge le plus élevé à un horaire précédant immédiatement le prochain horaire prédit de roulement du véhicule. Ceci permet d’augmenter encore davantage la durée de vie calendaire de la batterie.

On décrira ci-après, à titre d’exemples non limitatifs, des formes d’exécution de la présente invention, en référence aux figures annexées sur lesquelles :

est un organigramme représentant un procédé de commande de charge d’une batterie électrique d’un véhicule, comprenant un sous-procédé de prédiction d’au moins un horaire de roulement et d’au moins un horaire de stationnement du véhicule, selon la présente invention ; et

illustre schématiquement une suite de données binaires indicatives d’un roulement ou d’un stationnement du véhicule, lesdites données étant utilisées par un réseau de neurones mettant en œuvre une des étapes du procédé de la .

En se référant à la la présente invention concerne un procédé, mis en œuvre dans une unité de commande électronique d’un véhicule, de commande de charge d’une batterie électrique du véhicule. Le véhicule est typiquement un véhicule automobile électrique ou hybride. La batterie électrique est connectée à une borne de charge externe au véhicule et est typiquement une batterie de traction du véhicule, notamment une batterie lithium-ion. La borne de charge, qui est typiquement une borne de charge rapide, comporte des moyens de connexion au véhicule (par exemple via un système de fiche/prise électrique) et est adaptée à délivrer au véhicule une puissance électrique permettant de charger (ou recharger) sa batterie électrique. L’unité de commande électronique est reliée à la batterie électrique et est munie de moyens mémoire et de moyens de traitement reliés aux moyens mémoire. L’unité de commande électronique stocke dans ses moyens mémoire un réseau de neurones à apprentissage supervisé avec propagation avant. De préférence, l’unité de commande électronique stocke également dans ses moyens mémoire plusieurs modèles de conduite prédéterminés et stocke, pour chaque modèle de conduite prédéterminé, un ensemble de paramètres de réseau de neurones propres à ce modèle de conduite. De tels modèles de conduite, qui sont déterminés et préimplantés dans l’unité de commande en usine (donc avant la livraison du véhicule à l’utilisateur) correspondent par exemple à une conduite du type « routine » pendant une période de travail, à une conduite du type « vacances » qui se caractérise par une longue conduite et un long stationnement, ou encore à une conduite du type « professionnel » qui a ses horaires particuliers selon les missions dédiées.

Le réseau de neurones à apprentissage supervisé avec propagation avant est de préférence composé d’une succession de plusieurs couches, typiquement un perceptron multicouche. De préférence, le nombre de couches du réseau de neurones est compris entre deux et trois couches, et est de préférence égale à deux couches. De préférence encore, chaque couche du réseau de neurones comporte entre quatre et cinq neurones.

Comme illustré sur la , le procédé comporte un sous-procédé 10, mis en œuvre dans l’unité de commande électronique du véhicule, de prédiction d’au moins un horaire de roulement et d’au moins un horaire de stationnement du véhicule.

Le sous-procédé 10 comporte une phase initiale 12 au cours de laquelle le réseau de neurones est entraîné pour son apprentissage à l’aide de données d’entraînement. Les données d’entraînement comportent des données indicatives d’au moins un horaire passé de roulement du véhicule et des données indicatives d’au moins un horaire passé de stationnement du véhicule.

De préférence, la phase initiale 12 du procédé sous-procédé 10 comporte quatre étapes 14, 16, 18, 20 : une première étape 14 de détection d’un démarrage du véhicule, une deuxième étape 16 d’acquisition d’horaires de roulement successifs du véhicule, une troisième étape 18 de détection d’un arrêt du véhicule et une quatrième étape 20 d’acquisition d’horaires de stationnement successifs du véhicule. Les quatre étapes 14, 16, 18, 20 sont de préférence rebouclées. A l’issue de la première étape de détection 14, un horaire initial de roulement du véhicule et un horaire final de stationnement du véhicule sont enregistrés (avec une précision typiquement de l’ordre de 1 minute). Par exemple, comme illustré sur la , la minute M2 à laquelle le démarrage du véhicule est détecté est enregistrée avec la valeur « 1 » (indicative d’un roulement du véhicule). La minute M1 précédant immédiatement le démarrage est enregistrée avec la valeur « 0 » (indicative d’un stationnement du véhicule). Au cours de la deuxième étape 16 d’acquisition d’horaires de roulement successifs du véhicule, les horaires de roulement du véhicule sont acquis avec un premier intervalle temporel prédéfini. Sans que cela ne soit limitatif dans le cadre de la présente invention, le premier intervalle temporel prédéfini est par exemple égal à 5 minutes, afin de limiter la quantité de données accumulées pendant les phases de roulement du véhicule. Dans l’exemple illustratif de la , ces horaires de roulement M__{roul ement}sont enregistrés avec la valeur « 1 ». A l’issue de la troisième étape de détection 18, un horaire final de roulement du véhicule et un horaire initial de stationnement du véhicule sont enregistrés (avec une précision typiquement de l’ordre de 1 minute). Comme illustré sur la , la minute M4 à l’arrêt du véhicule est détecté est enregistrée avec la valeur « 0 » (indicative d’un stationnement du véhicule). La minute M3 précédant immédiatement l’arrêt est enregistrée avec la valeur « 1 » (indicative d’un roulement du véhicule). Au cours de la quatrième étape 20 d’acquisition d’horaires de stationnement successifs du véhicule, les horaires de stationnement du véhicule sont acquis avec un second intervalle temporel prédéfini. Sans que cela ne soit limitatif dans le cadre de la présente invention, le second intervalle temporel prédéfini est par exemple égal à 20 minutes, afin de limiter la quantité de données accumulées pendant les phases de stationnement du véhicule. Dans l’exemple illustratif de la , ces horaires de stationnement M__{stationne ment}sont enregistrés avec la valeur « 0 ».

Ces quatre étapes 14, 16, 18, 20 permettent en outre de contribuer à affiner les différents modèles de conduite, associés à des styles de conduite distincts. Pour chaque modèle de conduite prédéterminé, l’unité de commande électronique reconfigure le réseau de neurones en fonction de ce modèle de conduite, à l’aide des paramètres de réseau de neurones propres à ce modèle de conduite. En variante à ces quatre étapes 14, 16, 18, 20, des données d’entraînement artificielles sont générées (avant la livraison du véhicule) et sont fournies en entrée du réseau de neurones pour son entraînement. Chaque série de données artificielles correspond par exemple à un style de conduite distinct.

Au cours d’une étape suivante 22 du sous-procédé, le réseau de neurones détermine au moins une probabilité de roulement du véhicule et au moins une probabilité de stationnement du véhicule. Chaque probabilité de roulement ou de stationnement du véhicule est associée à un horaire futur donné. Ces différentes probabilités sont par exemple stockées dans une table de données. Pour chaque horaire futur donné, la probabilité de roulement du véhicule et la probabilité de stationnement de ce dernier correspondent à des événements complémentaires. Ainsi, pour chaque horaire futur donné, si la probabilité de roulement du véhicule est P1, alors la probabilité de stationnement du véhicule est 1-P1. L’ensemble des horaires futurs associés à des probabilités de roulement ou de stationnement du véhicule définissent un pas de temps prédéfini et se répartissent sur une durée prédéfinie. Sans que cela ne soit limitatif dans le cadre de la présente invention, le pas de temps prédéfini est par exemple égal à une minute, et la durée prédéfinie est par exemple égale à une semaine.

Le procédé comporte une étape suivante 24 au cours de laquelle l’unité de commande électronique détermine le prochain horaire de roulement du véhicule qui est prédit par le sous-procédé 10. Pour ce faire, un seuil peut être indiqué à l’unité de commande électronique par l’usager du véhicule (par exemple via une interface de type écran tactile ou via un dispositif mobile type smartphone communiquant avec le véhicule). Un tel seuil correspond à une valeur de probabilité de roulement à partir de laquelle l’horaire associé est considéré par l’unité de commande électronique comme le prochain horaire de roulement.

Le procédé comporte une étape suivante 26 au cours de laquelle l’unité de commande électronique détermine l’état de charge courant de la batterie électrique.

Le procédé comporte une étape suivante 28 au cours de laquelle l’unité de commande électronique calcule, en fonction du prochain horaire prédit de roulement du véhicule et de l’état de charge courant de la batterie électrique, une loi de commande de charge de la batterie électrique (cette loi de commande tenant compte également de la puissance électrique disponible en sortie de la borne de charge). Au cours de cette étape 28, l’unité de commande électronique détermine ainsi l’état de charge final de la batterie électrique. De préférence, la loi de commande de charge de la batterie électrique est telle que la batterie électrique atteint son état de charge le plus élevé à un horaire précédant immédiatement le prochain horaire prédit de roulement du véhicule.

Le procédé comporte une étape finale 30 au cours de laquelle l’unité de commande électronique commande la borne de charge pour qu’elle délivre à la batterie électrique une puissance électrique de charge en fonction de la loi de commande de charge calculée.

Le procédé selon l’invention est simple, précis et fiable, et fournit une prédiction automatique des horaires de roulement et de stationnement du véhicule sans nécessiter d’intervention de la part de l’utilisateur. Le procédé selon l’invention offre en outre une meilleure convivialité pour la gestion de la recharge de la batterie.

Le procédé de prédiction selon l’invention a été décrit ci-dessus dans le cadre d’un procédé plus global de commande de charge d’une batterie électrique d’un véhicule. En variante ou en complément, le procédé selon l’invention peut également être utilisé dans le cadre d’une mise à jour d’un logiciel interne de l’unité de commande électronique. La mise à jour du logiciel ne s’effectue que pendant le stationnement du véhicule, et elle requiert souvent un certain temps, ce qui réduit le temps de chargement de la batterie électrique. Dans ce contexte, le procédé de prédiction selon l’invention fournit une estimation de l’horaire et de la durée de stationnement du véhicule. Ceci permet à l’unité de commande électronique d’estimer l’horaire de la mise à jour de son logiciel interne de manière automatique et de mettre cette information à la disposition de l’usager (par exemple via une interface de bord type écran ou via le dispositif mobile de communication de l’usager). Pour ce faire, un seuil peut être indiqué à l’unité de commande électronique par l’usager du véhicule. Un tel seuil correspond à une valeur de probabilité de stationnement à partir de laquelle l’horaire associé est considéré par l’unité de commande électronique comme le prochain horaire de stationnement. La mise à jour du logiciel commence alors à l’heure correspondante, et uniquement lorsque l’unité de commande électronique confirme le statut de stationnement. Deux autres conditions sont des prérequis au lancement de ce processus de mise à jour : le temps de stationnement prédit doit être suffisant pour la mise à jour du logiciel, et l’état de charge de la batterie électrique doit être suffisant pour permettre un départ du véhicule après cette mise à jour. Le logiciel vérifie ces deux conditions en scannant l’ensemble des résultats prédits par le procédé de prédiction selon l’invention. L’horaire de mise à jour du logiciel qui est sélectionné par l’unité de commande électronique est affiché dans l’interface de bord ou dans le dispositif mobile de communication de l’usager afin que ce dernier puisse l’autoriser, ou le refuser. Le procédé de mise à jour du logiciel interne de l’unité de commande électronique, qui comporte un sous-procédé de prédiction selon l’invention, offre une meilleure convivialité à l’utilisateur pour la mise à jour du logiciel, et permet une mise à jour automatique de ce dernier.

Le procédé de prédiction selon l’invention a été décrit ci-dessus en référence à une unité de commande électronique d’un véhicule, mais il est entendu qu’il peut être mis en œuvre de la même manière, dans le cadre de la présente invention, par un dispositif mobile de communication (appartenant par exemple à l’usager du véhicule). Dans ce cas, le dispositif mobile de communication est configuré (par exemple via une application mobile dédiée) pour communiquer avec des moyens de communication du véhicule, et pour recevoir des données relatives au véhicule, notamment des données indicatives d’horaires passés de roulement du véhicule et d’horaires passés de stationnement de ce dernier. Ces données peuvent par exemple transiter depuis le véhicule jusqu’au dispositif mobile de communication via une infrastructure dite « en nuage » (« cloud » en anglais). L’application mobile dédiée peut également servir à afficher, sur le dispositif mobile, l’état de charge final souhaité pour la batterie électrique et/ou l’horaire de mise à jour du logiciel sélectionné (pour validation ou refus par l’utilisateur), ainsi qu’à permettre à l’utilisateur de pouvoir choisir le modèle de conduite prédéterminé le plus proche de son utilisation actuelle. L’utilisateur peut bien sûr aussi essayer différents modèles avec ses données accumulées et choisir celui qui lui convient le mieux. Bien entendu, en accumulant le plus de données possibles pour un même style de conduite, la prédiction effectuée par le procédé gagne en précision.

Claims (9)

1. Procédé (10), mis en œuvre dans une unité de commande électronique d’un véhicule ou dans un dispositif mobile de communication apte à recevoir des données relatives au véhicule, de prédiction d’au moins un horaire de roulement et d’au moins un horaire de stationnement du véhicule, ladite unité de commande électronique ou ledit dispositif mobile de communication stockant un réseau de neurones à apprentissage supervisé avec propagation avant, le procédé comprenant une phase initiale (12) au cours de laquelle le réseau de neurones est entraîné pour son apprentissage à l’aide de données d’entraînement comportant des données indicatives d’au moins un horaire passé de roulement du véhicule et des données indicatives d’au moins un horaire passé de stationnement du véhicule, caractérisé en ce que le procédé comporte en outre une étape (22) de détermination, par le réseau de neurones, d’au moins une probabilité de roulement du véhicule et d’au moins une probabilité de stationnement du véhicule, chaque probabilité de roulement ou de stationnement du véhicule étant associée à un horaire futur donné, l’ensemble des horaires futurs associés à des probabilités de roulement ou de stationnement du véhicule définissant un pas de temps prédéfini et se répartissant sur une durée prédéfinie.
2. Procédé (10) selon la revendication 1, caractérisé en ce que l’unité de commande électronique ou le dispositif mobile de communication stocke en outre plusieurs modèles de conduite prédéterminés, et stocke, pour chaque modèle de conduite prédéterminé, un ensemble de paramètres de réseau de neurones propres à ce modèle de conduite, et en ce que l’unité de commande électronique ou le dispositif mobile de communication est apte, pour chaque modèle de conduite prédéterminé, à reconfigurer le réseau de neurones en fonction dudit modèle de conduite, à l’aide des paramètres de réseau de neurones propres à ce modèle de conduite.
3. Procédé (10) selon la revendication 1 ou 2, caractérisé en ce que la phase initiale (12) du procédé (10) comporte une étape (14) de détection d’un démarrage du véhicule, un horaire initial de roulement du véhicule et un horaire final de stationnement du véhicule étant enregistrés à l’issue de cette étape de détection (14) ; une étape (16) d’acquisition d’horaires de roulement successifs du véhicule, lesdits horaires de roulement du véhicule étant acquis avec un premier intervalle temporel prédéfini ; une étape (18) de détection d’un arrêt du véhicule, un horaire final de roulement du véhicule et un horaire initial de stationnement du véhicule étant enregistrés à l’issue de cette étape de détection (18) ; et une étape (20) d’acquisition d’horaires de stationnement successifs du véhicule, lesdits horaires de stationnement du véhicule étant acquis avec un second intervalle temporel prédéfini ; lesdites étapes de détection (14, 18) et d’acquisition d’horaires (16, 20) étant rebouclées.
4. Procédé (10) selon la revendication 3, caractérisé en ce que le second intervalle temporel prédéfini est supérieur au premier intervalle temporel prédéfini.
5. Procédé (10) selon l’une quelconque des revendications 1 à 4, caractérisé en ce que le réseau de neurones à apprentissage supervisé avec propagation avant est un perceptron multicouche.
6. Procédé (10) selon l’une quelconque des revendications 1 à 5, caractérisé en ce que le réseau de neurones à apprentissage supervisé avec propagation avant est composé d’une succession de plusieurs couches, le nombre de couches du réseau de neurones étant compris entre deux et trois couches, et étant de préférence égal à deux couches.
7. Procédé (10) selon la revendication 6, caractérisé en ce que chaque couche du réseau de neurones comporte entre quatre et cinq neurones.
8. Procédé, mis en œuvre dans une unité de commande électronique d’un véhicule, de commande de charge d’une batterie électrique du véhicule, ladite unité de commande électronique étant reliée à ladite batterie électrique et stockant un réseau de neurones à apprentissage supervisé avec propagation avant, la batterie électrique étant connectée à une borne de charge externe au véhicule, caractérisé en ce que le procédé comporte un sous-procédé (10) de prédiction d’au moins un horaire de roulement et d’au moins un horaire de stationnement du véhicule selon l’une quelconque des revendications 1 à 7, et en ce que le procédé comporte en outre une étape (24) de détermination du prochain horaire prédit de roulement du véhicule, une étape (26) de détermination de l’état de charge courant de la batterie électrique, une étape (28) de calcul, en fonction du prochain horaire prédit de roulement du véhicule et de l’état de charge courant de la batterie électrique, d’une loi de commande de charge de la batterie électrique, et une étape (30) de commande de la borne de charge pour qu’elle délivre à la batterie électrique une puissance électrique de charge en fonction de la loi de commande de charge calculée.
9. Procédé selon la revendication 8, caractérisé en ce que la loi de commande de charge de la batterie électrique est telle que la batterie électrique atteint son état de charge le plus élevé à un horaire précédant immédiatement le prochain horaire prédit de roulement du véhicule.