FR3133167A1 - Method for determining the speed of a vehicle and processing unit allowing the implementation of such a method - Google Patents

Method for determining the speed of a vehicle and processing unit allowing the implementation of such a method Download PDF

Info

Publication number
FR3133167A1
FR3133167A1 FR2201792A FR2201792A FR3133167A1 FR 3133167 A1 FR3133167 A1 FR 3133167A1 FR 2201792 A FR2201792 A FR 2201792A FR 2201792 A FR2201792 A FR 2201792A FR 3133167 A1 FR3133167 A1 FR 3133167A1
Authority
FR
France
Prior art keywords
vehicle
neural network
speed
wheels
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
FR2201792A
Other languages
French (fr)
Inventor
Carlos RAMIRES
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi Astemo France SAS
Original Assignee
Hitachi Astemo France SAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hitachi Astemo France SAS filed Critical Hitachi Astemo France SAS
Priority to FR2201792A priority Critical patent/FR3133167A1/en
Publication of FR3133167A1 publication Critical patent/FR3133167A1/en
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P3/00—Measuring linear or angular speed; Measuring differences of linear or angular speeds
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
    • B60T8/00—Arrangements for adjusting wheel-braking force to meet varying vehicular or ground-surface conditions, e.g. limiting or varying distribution of braking force
    • B60T8/17—Using electrical or electronic regulation means to control braking
    • B60T8/172—Determining control parameters used in the regulation, e.g. by calculations involving measured or detected parameters
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
    • B60T8/00—Arrangements for adjusting wheel-braking force to meet varying vehicular or ground-surface conditions, e.g. limiting or varying distribution of braking force
    • B60T8/17—Using electrical or electronic regulation means to control braking
    • B60T8/174—Using electrical or electronic regulation means to control braking characterised by using special control logic, e.g. fuzzy logic, neural computing
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B60W40/105—Speed
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
    • B60T2250/00—Monitoring, detecting, estimating vehicle conditions
    • B60T2250/04—Vehicle reference speed; Vehicle body speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/28—Wheel speed

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Fuzzy Systems (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

L’invention concerne un procédé d’entraînement d’un réseau de neurones (10) pour la détermination de la vitesse (V1) d’un véhicule comprenant au moins deux roues, le procédé étant mis en œuvre au moyen d’un réseau de neurones (10) du type réseau de neurones récurrents à mémoire court et long terme. Le procédé comprenant les étapes suivantes : E1. récupération de données de calibration correspondant à différentes situations de roulement du véhicule, lesdites données de calibration incluant les vitesses linéaire (V4A, V4B, V4C, V4D) des roues et une vitesse (V1) ; E3. entraînement du réseau de neurones (10), avec, en entrée les données de calibration, vitesse (V1) exclue, et en sortie dudit réseau de neurones (10) une valeur relative à la vitesse (V1). Figure pour l’abrégé : figure 2The invention relates to a method for training a neural network (10) for determining the speed (V1) of a vehicle comprising at least two wheels, the method being implemented by means of a network of neurons (10) of the recurrent neural network type with short and long term memory. The method comprising the following steps: E1. recovery of calibration data corresponding to different rolling situations of the vehicle, said calibration data including the linear speeds (V4A, V4B, V4C, V4D) of the wheels and a speed (V1); E3. training of the neural network (10), with, as input the calibration data, speed (V1) excluded, and at the output of said neural network (10) a value relating to the speed (V1). Figure for abstract: figure 2

Description

Procédé de détermination de la vitesse d’un véhicule et unité de traitement permettant la mise en œuvre d’un tel procédéMethod for determining the speed of a vehicle and processing unit allowing the implementation of such a method

L’invention concerne le domaine des véhicules et des systèmes de sécurités embarqués dans tels véhicules.The invention relates to the field of vehicles and safety systems embedded in such vehicles.

L’invention a ainsi plus précisément pour objet un procédé d’entraînement d’un réseau de neurones pour la détermination de la vitesse d’un véhicule, un procédé de détermination de la vitesse d’un véhicule, une unité de traitement et un véhicule comprenant une telle unité de traitement.The invention thus more precisely relates to a method of training a neural network for determining the speed of a vehicle, a method of determining the speed of a vehicle, a processing unit and a vehicle comprising such a processing unit.

État de l’art antérieurState of the prior art

Pour l’optimisation de la sécurité des véhicules et notamment de son freinage, il est important de connaître en permanence la vitesse d’un véhicule. Une telle vitesse est en effet nécessaire afin d’optimiser le fonctionnement des systèmes antiblocage des roues, plus connu sous le sigle anglais ABS, ou encore d’antiblocage des roues arrière, plus connu sous le sigle anglais RWU.To optimize vehicle safety and particularly braking, it is important to constantly know the speed of a vehicle. Such a speed is in fact necessary in order to optimize the operation of the anti-lock wheel systems, better known by the English acronym ABS, or even rear wheel anti-lock systems, better known by the English acronym RWU.

Par vitesse du véhicule, il est entendu ci-dessus et dans le reste de la description une vitesse linéaire du véhicule.By vehicle speed, is meant above and in the rest of the description a linear speed of the vehicle.

Actuellement, cette information est fournie à l’unité de commande des freins par le programme/système électronique de stabilité (connu sous le sigle anglais ESP/ESC). Il en résulte une dépendance interdépendance entre les deux systèmes qui peut être problématique puisque l’ABS est donc dépendant du bon fonctionnement de l’ESP/ESC.Currently, this information is provided to the brake control unit by the electronic stability program/system (known as ESP/ESC). This results in an interdependence between the two systems which can be problematic since the ABS is therefore dependent on the proper functioning of the ESP/ESC.

Il y aurait donc un intérêt à fournir une unité de commande de frein qui soit totalement indépendante de l’ESP/ESC et qui soit néanmoins à même de prendre en compte la vitesse du véhicule afin de sécuriser le freinage du véhicule.There would therefore be an interest in providing a brake control unit which is completely independent of the ESP/ESC and which is nevertheless able to take into account the speed of the vehicle in order to secure the braking of the vehicle.

L’invention a ainsi pour but de résoudre les inconvénients ci-dessus et a donc pour objet de fournir un procédé de détermination de la vitesse d’un véhicule susceptible d’être implémenté sur une unité de commande de frein et qui nécessite pas à avoir à faire appel à l’ESP/ECS.The invention thus aims to resolve the above drawbacks and therefore aims to provide a method for determining the speed of a vehicle capable of being implemented on a brake control unit and which does not require having to call on the ESP/ECS.

A cet effet, l’invention concerne un procédé d’entraînement d’un réseau de neurones pour la détermination de la vitesse d’un véhicule comprenant au moins deux roues, le procédé étant mis en œuvre au moyen d’un réseau de neurones du type réseau de neurones récurrents à mémoire court et long terme, dit réseau de neurones LSTM, le procédé comprenant les étapes suivantes :
- récupération de données de calibration correspondant à différentes situations de roulement du véhicule, lesdites données de calibration incluant une vitesse linéaire d’au moins deux des roues du véhicule, préférentiellement chacune des roues du véhicule, et une vitesse du véhicule,
- entraînement du premier réseau neurones LSTM, avec, en entrée dudit réseau de neurones, les données de calibration récupérées pour au moins une première partie des situations de roulement du véhicule, la vitesse du véhicule étant exclue desdites données, et en sortie dudit réseau de neurones une valeur relative à la vitesse du véhicule.To this end, the invention relates to a method for training a neural network for determining the speed of a vehicle comprising at least two wheels, the method being implemented by means of a neural network of the type of recurrent neural network with short and long term memory, called LSTM neural network, the method comprising the following steps:
- recovery of calibration data corresponding to different rolling situations of the vehicle, said calibration data including a linear speed of at least two of the wheels of the vehicle, preferably each of the wheels of the vehicle, and a speed of the vehicle,
- training of the first LSTM neural network, with, at the input of said neural network, the calibration data recovered for at least a first part of the vehicle rolling situations, the speed of the vehicle being excluded from said data, and at the output of said network of neurons a value relating to the speed of the vehicle.

Un tel procédé d’entraînement d’un réseau de neurones est à même de permettre une détermination de la vitesse du véhicule sur la base des seules vitesses des roues qui soit fiable, puisqu’elle prend en compte, du fait de l’utilisation de neurones récurrents à mémoire court et long terme, l’évolution des conditions de roulement du véhicule et qui ne nécessite pas à faire appel à un système extérieur tel qu’un programme/système électronique de stabilité. Il est donc possible, à partir d’un réseau de neurones entraîné avec un tel procédé de fournir une estimation d’une vitesse d’un véhicule fiable et ceci de manière indépendante de l’ESP/ESC.Such a method of training a neural network is capable of allowing a determination of the speed of the vehicle on the basis of the wheel speeds alone which is reliable, since it takes into account, due to the use of recurrent neurons with short and long term memory, the evolution of the vehicle's running conditions and which does not require the use of an external system such as an electronic stability program/system. It is therefore possible, from a neural network trained with such a method, to provide an estimate of the speed of a reliable vehicle, independently of the ESP/ESC.

Les données de calibration peuvent comprendre en outre au moins un paramètre du véhicule, l’au moins un paramètre du véhicule étant préférentiellement sélectionné dans le groupe comprenant un signal fourni par un capteur de lacet, un signal de Géo-positionnement par satellite, un system d’antiblocage de roue.The calibration data may further comprise at least one vehicle parameter, the at least one vehicle parameter being preferably selected from the group comprising a signal provided by a yaw sensor, a satellite geo-positioning signal, a system wheel anti-lock.

De cette manière, les situations de roulement du véhicule peuvent pleinement être prises en compte. Il en résulte une détermination optimisée de la vitesse de véhicule.In this way, vehicle rolling situations can be fully taken into account. This results in an optimized determination of the vehicle speed.

Il peut être prévu, entre l’étape E1. de récupération de données de calibration et l’étape E3. d’entraînement l’étape suivante :
- E2. séparation des différentes situations de roulement du véhicules en au moins un premier, un deuxième et un troisième groupe de situations de roulement distinctes, la première partie à partir de laquelle est réalisée l’étape d’entraînement correspondant au premier groupe de situation de roulement,
dans lequel il est prévu après l’étape E3. d’entraînement les étapes suivantes :
- E4. validation de l’entraînement du réseau de neurones (10) LSTM à partir des données de calibration du deuxième groupe de situations, l’étape d’entraînement étant de nouveau mise en œuvre dans le cas où l’étape de validation ne permet pas de valider l’entraînement à partir des données de calibration du deuxième groupe de situations,
- E6. teste du réseau de neurones LSTM à partir des données de calibration du troisième groupe.It can be planned, between step E1. recovery of calibration data and step E3. practice the following step:
- E2. separation of the different rolling situations of the vehicle into at least a first, a second and a third group of distinct rolling situations, the first part from which the training step corresponding to the first group of rolling situations is carried out,
in which it is planned after step E3. training the following steps:
- E4. validation of the training of the LSTM neural network (10) from the calibration data of the second group of situations, the training step being implemented again in the case where the validation step does not make it possible to validate the training using the calibration data from the second group of situations,
- E6. tests the LSTM neural network from the calibration data of the third group.

De cette manière la détermination de la vitesse est validée, il en résulte que la vitesse de déterminé à partir d’un tel procédé d’entrainement pourra être considérée comme parfaitement fiable.In this way the determination of the speed is validated, it follows that the speed determined from such a training process can be considered perfectly reliable.

L’invention concerne en outre un procédé de détermination de la vitesse d’un véhicule comprenant au moins deux roues, le procédé étant mis en œuvre au moyen d’un réseau de neurones du type réseau de neurones récurrents à mémoire court et long terme, dit réseau de neurones LSTM, ayant été préalablement entraîné dans le cadre d’un procédé selon l’invention :
- E11. récupération de la vitesse linéaire d’au moins deux roues du véhicule, préférentiellement de chacune des roues, dudit véhicules,
- E12. détermination de la valeur relative à la vitesse du véhicule à partir du réseau de neurones LSTM en lui fournissant en entrée la vitesse linéaire d’au moins deux roues du véhicule, préférentiellement de l’ensemble des roues du véhicule.The invention further relates to a method for determining the speed of a vehicle comprising at least two wheels, the method being implemented by means of a neural network of the recurrent neural network type with short and long term memory, said LSTM neural network, having been previously trained as part of a method according to the invention:
- E11. recovery of the linear speed of at least two wheels of the vehicle, preferably of each of the wheels, of said vehicle,
- E12. determination of the value relating to the speed of the vehicle from the LSTM neural network by providing it as input with the linear speed of at least two wheels of the vehicle, preferably of all the wheels of the vehicle.

Un tel procédé de détermination permet, en raison du procédé d’apprentissage selon l’invention, d’obtenir une vitesse du véhicule particulièrement fiable. Il est ainsi possible, à partir d’une telle vitesse fiabilisée, de fournir un freinage particulièrement sécurisé notamment lors d’un freinage d’urgence à partir de freins électriques de stationnement d’un véhicule.Such a determination method makes it possible, due to the learning method according to the invention, to obtain a particularly reliable vehicle speed. It is thus possible, from such a reliable speed, to provide particularly secure braking, particularly during emergency braking using the electric parking brakes of a vehicle.

Le réseau de neurones LSTM ayant été préalablement entrainé dans le cadre d’un procédé selon l’invention dans lequel les données de calibration comprennent en outre au moins un paramètre du véhicule, lors de l’étape E11. de récupération de la vitesse linéaire d’au moins deux roues il peut en outre être récupéré l’au moins un paramètre du véhicule.The LSTM neural network having been previously trained as part of a method according to the invention in which the calibration data further comprises at least one parameter of the vehicle, during step E11. recovering the linear speed of at least two wheels it can also be recovered the at least one parameter of the vehicle.

Après l’étape E12. de détermination de la vitesse du véhicule, il peut en outre être corrigé le modèle déterminé pendant l’entraînement préalable pour tenir en compte les données récupérées pendant la mise en œuvre du procédé de détermination.After step E12. for determining the speed of the vehicle, the model determined during the preliminary training can also be corrected to take into account the data recovered during the implementation of the determination method.

De cette manière il est possible de tenir compte des évolutions des conditions de circulation du véhicule, tel que par exemple l’usure des pneus.In this way it is possible to take into account changes in vehicle traffic conditions, such as for example tire wear.

L’invention concerne en outre une unité de traitement d’un véhicule comprenant au moins deux roues, l’unité de traitement comprenant un réseau de neurones, dans lequel le réseau de neurones est un réseau de neurones du type réseau de neurones récurrents à mémoire court et long terme, dit réseau de neurones LSTM, ledit réseau de neurones LSTM ayant été entrainé selon un procédé d’entraînement selon l’invention, l’unité de traitement étant configurée pour récupérer la vitesse linéaire d’au moins deux roues du véhicule et pour déterminer, à partir desdites vitesses linéaires une valeur relative à la vitesse du véhicule.The invention further relates to a processing unit for a vehicle comprising at least two wheels, the processing unit comprising a neural network, in which the neural network is a neural network of the recurrent memory neural network type. short and long term, called LSTM neural network, said LSTM neural network having been trained according to a training method according to the invention, the processing unit being configured to recover the linear speed of at least two wheels of the vehicle and to determine, from said linear speeds, a value relating to the speed of the vehicle.

Le véhicule peut comprendre au moins quatre roues dont au moins deux roues arrières, l’unité de traitement étant une unité de commande de freins arrières adaptée pour commander des freins arrières du véhicule qui équipent lesdites au moins deux roues arrières, lesdits freins arrières étant préférentiellement des freins électriques de stationnement du véhicule.The vehicle may comprise at least four wheels including at least two rear wheels, the processing unit being a rear brake control unit adapted to control rear brakes of the vehicle which equip said at least two rear wheels, said rear brakes preferably being the vehicle's electric parking brakes.

L’invention concerne en outre un véhicule comprenant au moins deux et une unité de traitement selon l’invention.The invention further relates to a vehicle comprising at least two and one processing unit according to the invention.

Un tel véhicule bénéficie des avantages liés à la détermination de vitesse fiable permise par le procédé d’apprentissage selon l’invention.Such a vehicle benefits from the advantages linked to the reliable speed determination enabled by the learning method according to the invention.

La présente invention sera mieux comprise à la lecture de la description d’exemples de réalisation, donnés à titre purement indicatif et nullement limitatif, en faisant référence aux dessins annexés sur lesquels :The present invention will be better understood on reading the description of exemplary embodiments, given for purely indicative purposes and in no way limiting, with reference to the appended drawings in which:

illustre schématiquement un véhicule comprenant une unité de traitement selon l’invention ; schematically illustrates a vehicle comprising a processing unit according to the invention;

illustre schématiquement un réseau de neurones tel que mis en œuvre dans le cadre de l’invention ; schematically illustrates a neural network as implemented in the context of the invention;

illustre un ordinogramme d’un procédé d’entraînement selon l’invention d’un réseau de neurones tel qu’illustré sur la ; illustrates a flowchart of a training method according to the invention of a neural network as illustrated in the ;

illustre un ordinogramme d’un procédé de détermination d’une vitesse du véhicule selon l’invention. illustrates a flowchart of a method for determining a vehicle speed according to the invention.

Des parties identiques, similaires ou équivalentes des différentes figures portent les mêmes références numériques de façon à faciliter le passage d’une figure à l’autre.Identical, similar or equivalent parts of the different figures bear the same numerical references so as to facilitate the transition from one figure to another.

Les différentes parties représentées sur les figures ne le sont pas nécessairement selon une échelle uniforme, pour rendre les figures plus lisibles.The different parts represented in the figures are not necessarily on a uniform scale, to make the figures more readable.

Les différentes possibilités (variantes et modes de réalisation) doivent être comprises comme n’étant pas exclusives les unes des autres et peuvent se combiner entre elles.The different possibilities (variants and embodiments) must be understood as not being exclusive of each other and can be combined with each other.

La illustre un véhicule 1, telle qu’une automobile, équipé d’un système de freinage électrique arrière dont une unité de traitement est à même de mettre en œuvre un procédé de détermination de vitesse selon l’invention.There illustrates a vehicle 1, such as an automobile, equipped with a rear electric braking system, a processing unit of which is capable of implementing a speed determination method according to the invention.

On notera que dans le présent cas et comme illustré sur la , le véhicule 1 étant un véhicule à quatre roues 2A, 2B, 2C, 2D, tel qu’une automobile, il comprend deux freins électriques arrières 3C, 3D aptes à faire office de frein de stationnement. Bien entendu, même si l’invention est particulièrement avantageuse dans le cadre d’une telle application, elle ne se limite pas à cette seule configuration et elle est parfaitement applicable à des véhicules comprenant un nombre de roues différent de quatre et à l’utilisation de freins présentant une autre configuration que celle-ci. On notera également que si la présente invention est particulièrement adaptée pour être mis en œuvre par une unité de commande de frein, comme cela est le cas dans le présent mode de réalisation, elle peut être mise en œuvre par d’autre type d’unité de traitement équipant un véhicule, ceci sans que l’on sorte du carde de l’invention.It will be noted that in this case and as illustrated in the , the vehicle 1 being a four-wheeled vehicle 2A, 2B, 2C, 2D, such as an automobile, it comprises two rear electric brakes 3C, 3D capable of acting as a parking brake. Of course, even if the invention is particularly advantageous in the context of such an application, it is not limited to this configuration alone and it is perfectly applicable to vehicles comprising a number of wheels other than four and to the use brakes having a configuration other than this one. It will also be noted that if the present invention is particularly suitable for being implemented by a brake control unit, as is the case in the present embodiment, it can be implemented by other type of unit. treatment equipping a vehicle, this without departing from the scope of the invention.

Comme montré sur la , le véhicule comprend, outre les quatre roues 2A, 2B, 2C, 2D :
- les freins électriques arrière 3C, 3D aptes à faire office de frein de stationnement,
- des capteurs de vitesse de roue 4A, 4B, 4C, 4D équipant chacun une roue 2A, 2B, 2C, 2D, respective du véhicule, chaque capteur de vitesse de roue 4A, 4B, 4C, 4D étant apte à fournir une vitesse linéaire V4A, V4B, V4C, V4Dde la roue 2A, 2B, 2C, 2D correspondante,
- un ou plusieurs éventuels équipements du véhicule 6, tels qu’un capteur de lacet et un signal de Géo-positionnement,
- une unité de commande 5 des freins électriques arrière 3C, 3D.As shown on the , the vehicle comprises, in addition to the four wheels 2A, 2B, 2C, 2D:
- the rear electric brakes 3C, 3D capable of acting as a parking brake,
- wheel speed sensors 4A, 4B, 4C, 4D each equipping a wheel 2A, 2B, 2C, 2D, respectively of the vehicle, each wheel speed sensor 4A, 4B, 4C, 4D being capable of providing a linear speed V 4A , V 4B , V 4C , V 4D of the corresponding wheel 2A, 2B, 2C, 2D,
- one or more possible pieces of equipment of the vehicle 6, such as a yaw sensor and a geo-positioning signal,
- a control unit 5 for the rear electric brakes 3C, 3D.

L’unité de commande 5, ou unité de traitement, est configurée pour commander les freins électriques et est préférentiellement adaptée pour mettre en œuvre un système anti-blocage de roue, tel que l’ABS ou l’RWU. De même, en conformité avec l’invention, l’unité de commande 5 est à même de déterminer une vitesse du véhicule 1 à partir de la vitesse linéaire V4A, V4B, V4C, V4Ddes roues 2A, 2B, 2C, 2D. Pour se faire, l’unité de commande 5 est donc en communication directe ou indirecte avec au moins une partie des capteurs de vitesse de roue 4A, 4B, 4C, 4D pour récupérer les la vitesse linéaire V4A, V4B, V4C, V4Dcorrespondantes.The control unit 5, or processing unit, is configured to control the electric brakes and is preferably adapted to implement an anti-locking wheel system, such as ABS or RWU. Likewise, in accordance with the invention, the control unit 5 is able to determine a speed of the vehicle 1 from the linear speed V 4A , V 4B , V 4C , V 4D of the wheels 2A, 2B, 2C , 2D. To do this, the control unit 5 is therefore in direct or indirect communication with at least part of the wheel speed sensors 4A, 4B, 4C, 4D to recover the linear speed V 4A , V 4B , V 4C , V 4D corresponding.

l’unité de commande 5 comprend un réseau de neurones 10 du type réseau de neurones récurrents à mémoire court et long terme, dit réseau de neurones LSTM 10, tel qu’illustré sur la . Comme le montre la , le réseau de neurones comprend une pluralité de neurones LSTM 10A interconnectés et agencés en couches L1, L2, LN dont une couche d’entrée L1, destinée à la récupération des données d’entrée, dont notamment et une couche de sortie LN, les couches restantes L2 étant dites couches cachées.the control unit 5 comprises a neural network 10 of the type recurrent neural network with short and long term memory, called LSTM neural network 10, as illustrated in the . As shown in the , the neural network comprises a plurality of LSTM 10A neurons interconnected and arranged in layers L1, L2, LN including an input layer L1, intended for the recovery of input data, including in particular and an output layer LN, the remaining layers L2 being called hidden layers.

Afin d’autoriser une détermination de vitesse du véhicule, le réseau de neurones LSTM 10 peut être entraîné à partir d’un procédé d’entraînement pour la détermination de la vitesse V1d’un véhicule 1 dont les étapes principes sont illustrée sur l’organigramme montrée sur la . Un tel procédé d’entraînement comporte les étapes suivantes :
- E1. récupération de données de calibration correspondant à différentes situations de roulement du véhicule 1, lesdites données de calibration incluant une vitesse linéaire V4A, V4B, V4C, V4Ddes roues 2A, 2B, 2C, 2D du véhicule 1 et une vitesse V1du véhicule 1,
- E3. entraînement du réseau de neurones LSTM 10, avec, en entrée dudit réseau de neurones LSTM 10, les données de calibration récupérées pour au moins une première partie des situations de roulement du véhicule 1, la vitesse V1du véhicule 1 étant exclue desdites données, et en sortie dudit réseau de neurones LSTM 10 une valeur relative à la vitesse V1du véhicule 1.In order to authorize a determination of the speed of the vehicle, the neural network LSTM 10 can be trained using a training method for determining the speed V 1 of a vehicle 1, the principle steps of which are illustrated on the organization chart shown on the . Such a training method comprises the following steps:
- E1. recovery of calibration data corresponding to different rolling situations of the vehicle 1, said calibration data including a linear speed V 4A , V 4B , V 4C , V 4D of the wheels 2A, 2B, 2C, 2D of the vehicle 1 and a speed V 1 of vehicle 1,
- E3. training of the LSTM 10 neural network, with, as input to said LSTM 10 neural network, the calibration data recovered for at least a first part of the rolling situations of the vehicle 1, the speed V 1 of the vehicle 1 being excluded from said data, and at the output of said neural network LSTM 10 a value relating to the speed V 1 of the vehicle 1.

On notera que, dans une configuration classique, correspondant à celle de l’organigramme de la , le procédé comprend en outre, entre l’étape E1. de récupération de données de calibration et l’étape E3. d’entraînement, l’étape suivante :
- E2. séparation des différentes situations de roulement du véhicules 1 en au moins un premier, un deuxième et un troisième groupe de situations de roulement distinctes, la première partie à partir de laquelle est réalisée l’étape d’entraînement correspondant au premier groupe de situation de roulement,
et après l’étape E3. d’entraînement les étapes suivantes :
- E4. validation de l’entraînement du réseau de neurones (10) LSTM à partir des données de calibration du deuxième groupe de situations, l’étape d’entraînement étant de nouveau mise en œuvre dans le cas où l’étape de validation ne permet pas de valider l’entraînement à partir des données de calibration du deuxième groupe de situations,
- E6. teste du réseau de neurones LSTM à partir des données de calibration du troisième groupe.It will be noted that, in a classic configuration, corresponding to that of the organization chart of the , the method further comprises, between step E1. recovery of calibration data and step E3. training, the following step:
- E2. separation of the different rolling situations of the vehicle 1 into at least a first, a second and a third group of distinct rolling situations, the first part from which the training step corresponding to the first group of rolling situations is carried out ,
and after step E3. training the following steps:
- E4. validation of the training of the LSTM neural network (10) from the calibration data of the second group of situations, the training step being implemented again in the case where the validation step does not make it possible to validate the training using the calibration data from the second group of situations,
- E6. tests the LSTM neural network from the calibration data of the third group.

On notera que, comme indiqué à l’étape E4., après l’étape E4. de validation, il est prévu une vérification E5. du résultat de l’étape de validation de telle manière à remettre en œuvre l’étape d’entraînement E3. dans le cas où ledit entraînement ne serait pas validé lors de l’étape E4. de validation.Note that, as indicated in step E4., after step E4. validation, an E5 verification is planned. of the result of the validation step in such a way as to reimplement the training step E3. in the event that said training is not validated during step E4. of confirmation.

On notera que pour parfaire l’entraînement, lors de l’étape E3. entraînement du réseau de neurones LSTM 10, les données de calibration peuvent comprendre en outre au moins un paramètre du véhicule 1, tel que un signal fourni par un capteur de lacet, un signal de Géo-positionnement par satellite ou encore un system d’antiblocage de roue. Pour ce faire, comme montré sur la , l’unité de traitement 5 est à même d’interroger, directement ou indirectement, l’un ou plusieurs des éventuels équipements du véhicule 6.Note that to complete the training, during step E3. training of the LSTM 10 neural network, the calibration data may also include at least one parameter of the vehicle 1, such as a signal provided by a yaw sensor, a geo-positioning signal by satellite or even an anti-lock system wheel. To do this, as shown on the , the processing unit 5 is able to interrogate, directly or indirectly, one or more of the possible pieces of equipment of the vehicle 6.

Dans le cadre d’un tel entraînement, les différentes situations de roulement du véhicule 1 sont choisies pour correspondre, d’une manière la plus exhaustive possible, aux situations de roulement susceptibles d’être rencontré par le véhicule dont notamment une conduite normale selon différents type de météo et de surfaces (différents type d’asphaltes, de routes de terre, de béton, ceci dans des conditions sèches, humides et en présence de glace) et une conduite avec antiblocage de roue activé ou désactivé selon différents type de météo et de surfaces également.As part of such training, the different rolling situations of the vehicle 1 are chosen to correspond, in the most exhaustive manner possible, to the rolling situations likely to be encountered by the vehicle, including in particular normal driving according to different type of weather and surfaces (different types of asphalt, dirt roads, concrete, in dry, wet and in the presence of ice) and driving with anti-lock brakes activated or deactivated depending on different types of weather and surfaces as well.

Avec un réseau de neurones LSTM 10 ainsi entraîné, l’unité de commande 5 est à même de mettre en œuvre un procédé de détermination de la vitesse du véhicule 1. Un procédé de détermination de la vitesse du véhicule comprend, comme montré sur l’ordinogramme illustré sur la , les étapes suivantes :
- E11. récupération de la vitesse linéaire V4A, V4B, V4C, V4Dde chacune des roues 2A, 2B, 2C, 2D, dudit véhicules 1,
- E12. détermination de la valeur relative à la vitesse V1du véhicule 1 à partir du réseau de neurones LSTM 10 en lui fournissant en entrée la vitesse linéaire V4A, V4B, V4C, V4 Ddes roues 2A, 2B, 2C, 2D du véhicule 1.With an LSTM neural network 10 thus trained, the control unit 5 is able to implement a method for determining the speed of the vehicle 1. A method for determining the speed of the vehicle comprises, as shown in the flowchart illustrated on the , the following steps:
- E11. recovery of the linear speed V 4A , V 4B , V 4C , V 4D of each of the wheels 2A, 2B, 2C, 2D, of said vehicles 1,
- E12. determination of the value relating to the speed V 1 of the vehicle 1 from the neural network LSTM 10 by providing it as input with the linear speed V 4A , V 4B , V 4C , V 4 D of the wheels 2A, 2B, 2C, 2D of vehicle 1.

On notera que dans le cadre de l’étape E11. de récupération de la vitesse linéaire (V4A, V4B, V4C, V4D) de chaque roue 2A, 2B, 2C, 2D, il peut en outre être récupéré l’au moins un paramètre du véhicule 1.Note that in the context of step E11. recovery of the linear speed (V 4A , V 4B , V 4C , V 4D ) of each wheel 2A, 2B, 2C, 2D, it can also be recovered at least one parameter of the vehicle 1.

La valeur relative à la vitesse déterminée dans le cadre d’un tel procédé de détermination de la vitesse du véhicule peut être sélectionné dans le groupe comportant : une vitesse estimée du véhicule 1, une valeur proportionnelle à une telle vitesse estimée du véhicule 1 ou encore un facteur multiplicatif vis-à-vis d’une vitesse linéaire V4A, V4B, V4C, V4 Dde roue parmi les vitesses linéaires de roue linéaire V4A, V4B, V4C, V4 D. The value relating to the speed determined as part of such a method for determining the speed of the vehicle can be selected from the group comprising: an estimated speed of the vehicle 1, a value proportional to such an estimated speed of the vehicle 1 or even a multiplicative factor with respect to a linear wheel speed V 4A , V 4B , V 4C , V 4 D among the linear speeds of a linear wheel V 4A , V 4B , V 4C , V 4 D.

Claims (9)

Procédé d’entraînement d’un réseau de neurones (10) pour la détermination de la vitesse (V1) d’un véhicule (1) comprenant au moins deux roues (2A, 2B, 2C, 2D), le procédé étant mis en œuvre au moyen d’un réseau de neurones (10) du type réseau de neurones récurrents à mémoire court et long terme, dit réseau de neurones LSTM, le procédé comprenant les étapes suivantes :
- E1. récupération de données de calibration correspondant à différentes situations de roulement du véhicule (1), lesdites données de calibration incluant une vitesse linéaire (V4A, V4B, V4C, V4D) d’au moins deux des roues (2A, 2B, 2C, 2D) du véhicule (1), préférentiellement de chacune des roues (2A, 2B, 2C, 2D) du véhicule (1), et une vitesse (V1) du véhicule (1),
- E3. entraînement du réseau de neurones LSTM (10), avec, en entrée dudit réseau de neurones LSTM (10), les données de calibration récupérées pour au moins une première partie des situations de roulement du véhicule (1), la vitesse du véhicule (1) étant exclue desdites données, et en sortie dudit réseau de neurones LSTM (10) une valeur relative à la vitesse (V1) du véhicule (1).Method for training a neural network (10) for determining the speed (V 1 ) of a vehicle (1) comprising at least two wheels (2A, 2B, 2C, 2D), the method being implemented works by means of a neural network (10) of the recurrent neural network type with short and long term memory, called LSTM neural network, the method comprising the following steps:
- E1. recovery of calibration data corresponding to different rolling situations of the vehicle (1), said calibration data including a linear speed (V 4A , V 4B , V 4C , V 4D ) of at least two of the wheels (2A, 2B, 2C, 2D) of the vehicle (1), preferably of each of the wheels (2A, 2B, 2C, 2D) of the vehicle (1), and a speed (V 1 ) of the vehicle (1),
- E3. training of the LSTM neural network (10), with, as input to said LSTM neural network (10), the calibration data recovered for at least a first part of the rolling situations of the vehicle (1), the speed of the vehicle (1 ) being excluded from said data, and at the output of said LSTM neural network (10) a value relating to the speed (V 1 ) of the vehicle (1). Procédé d’entraînement selon la revendication 1, dans lequel les données de calibration comprennent en outre au moins un paramètre du véhicule (1), l’au moins un paramètre du véhicule étant préférentiellement sélectionné dans le groupe comprenant un signal fourni par un capteur de lacet, un signal de Géo-positionnement par satellite, un system d’antiblocage de roue.Training method according to claim 1, in which the calibration data further comprises at least one parameter of the vehicle (1), the at least one parameter of the vehicle being preferentially selected from the group comprising a signal supplied by a sensor of yaw, a satellite geo-positioning signal, an anti-lock wheel system. Procédé d’entraînement selon l’une quelconque des revendications 1 à 3, dans lequel il est prévu, entre l’étape E1. de récupération de données de calibration et l’étape E3. d’entraînement l’étape suivante :
- E2. séparation des différentes situations de roulement du véhicules (1) en au moins un premier, un deuxième et un troisième groupe de situations de roulement distinctes, la première partie à partir de laquelle est réalisée l’étape d’entraînement correspondant au premier groupe de situation de roulement,
dans lequel il est prévu après l’étape E3. d’entraînement les étapes suivantes :
- E4. validation de l’entraînement du réseau de neurones (10) LSTM à partir des données de calibration du deuxième groupe de situations, l’étape d’entraînement étant de nouveau mise en œuvre dans le cas où l’étape de validation ne permet pas de valider l’entraînement à partir des données de calibration du deuxième groupe de situations,
- E6. teste du réseau de neurones LSTM à partir des données de calibration du troisième groupe.Training method according to any one of claims 1 to 3, in which it is provided, between step E1. recovery of calibration data and step E3. practice the following step:
- E2. separation of the different rolling situations of the vehicle (1) into at least a first, a second and a third group of distinct rolling situations, the first part from which the training step corresponding to the first group of situations is carried out rolling,
in which it is planned after step E3. training the following steps:
- E4. validation of the training of the LSTM neural network (10) from the calibration data of the second group of situations, the training step being implemented again in the case where the validation step does not make it possible to validate the training using the calibration data from the second group of situations,
- E6. tests the LSTM neural network from the calibration data of the third group. Procédé de détermination de la vitesse (V1) d’un véhicule comprenant au moins deux roues (2A, 2B, 2C, 2D), le procédé étant mis en œuvre au moyen d’un réseau de neurones (10) du type réseau de neurones récurrents à mémoire court et long terme, dit réseau de neurones LSTM, ayant été préalablement entraîné dans le cadre d’un procédé selon l’une quelconque des revendications 1 à 3 :
- E11. récupération de la vitesse linéaire (V4A, V4B, V4C, V4D) d’au moins deux roues (2A, 2B, 2C, 2D) du véhicule (1), préférentiellement de chacune des roues (2A, 2B, 2C, 2D), dudit véhicules (1),
- E12. détermination de la valeur relative à la vitesse (V1) du véhicule (1) à partir du réseau de neurones LSTM (10) en lui fournissant en entrée la vitesse linéaire (V4A, V4B, V4C, V4D) d’au moins deux roues (2A, 2B, 2C, 2D) du véhicule (1), préférentiellement de l’ensemble des roues (2A, 2B, 2C, 2D) du véhicule(1).Method for determining the speed (V 1 ) of a vehicle comprising at least two wheels (2A, 2B, 2C, 2D), the method being implemented by means of a neural network (10) of the network type recurrent neurons with short and long term memory, called LSTM neural network, having been previously trained as part of a method according to any one of claims 1 to 3:
- E11. recovery of the linear speed (V 4A , V 4B , V 4C , V 4D ) of at least two wheels (2A, 2B, 2C, 2D) of the vehicle (1), preferably of each of the wheels (2A, 2B, 2C , 2D), of said vehicles (1),
- E12. determination of the value relating to the speed (V 1 ) of the vehicle (1) from the LSTM neural network (10) by providing it as input with the linear speed (V 4A , V 4B , V 4C , V 4D ) of at least two wheels (2A, 2B, 2C, 2D) of the vehicle (1), preferably of all the wheels (2A, 2B, 2C, 2D) of the vehicle (1). Procédé de détermination de la vitesse (V1) d’un véhicule (1) selon la revendication 4, dans lequel le réseau de neurones LSTM (10) a été préalablement entrainé dans le cadre d’un procédé selon la revendication 2 prise seule ou en combinaison avec la revendication 3 ou 4, dans lequel lors de l’étape E11. de récupération de la vitesse linéaire (V4A, V4B, V4C, V4D) d’au moins deux roues il est en outre récupéré l’au moins un paramètre du véhicule (1).Method for determining the speed (V 1 ) of a vehicle (1) according to claim 4, in which the LSTM neural network (10) has been previously trained as part of a method according to claim 2 taken alone or in combination with claim 3 or 4, wherein during step E11. recovery of the linear speed (V 4A , V 4B , V 4C , V 4D ) of at least two wheels, at least one parameter of the vehicle (1) is also recovered. Procédé de détermination de la vitesse (V1) d’un véhicule (1) selon la revendication 4 ou 5, dans lequel après l’étape E12. de détermination de la vitesse du véhicule (1), il est en outre corrigé le modèle déterminé pendant l’entraînement préalable pour tenir en compte les données récupérées pendant la mise en œuvre du procédé de détermination.Method for determining the speed (V 1 ) of a vehicle (1) according to claim 4 or 5, in which after step E12. for determining the speed of the vehicle (1), the model determined during the preliminary training is further corrected to take into account the data recovered during the implementation of the determination method. Unité de traitement (5) d’un véhicule (1) comprenant au moins deux roues (2A, 2B, 2C, 2D), l’unité de traitement (5) comprenant un réseau de neurones (10), dans lequel le réseau de neurones (10) est un réseau de neurones du type réseau de neurones récurrents à mémoire court et long terme, dit réseau de neurones LSTM, ledit réseau de neurones LSTM (10) ayant été entrainé selon un procédé d’entraînement selon l’une quelconque des revendications 1 à 4,
l’unité de traitement (5) étant configurée pour récupérer la vitesse linéaire (V4A, V4B, V4C, V4D) d’au moins deux roues (2A, 2B, 2C, 2D) du véhicule (1) et pour déterminer, à partir desdites vitesses linéaires (V4A, V4B, V4C, V4D) une valeur relative à la vitesse (V1) du véhicule (1).Processing unit (5) of a vehicle (1) comprising at least two wheels (2A, 2B, 2C, 2D), the processing unit (5) comprising a neural network (10), in which the network of neurons (10) is a neural network of the type recurrent neural network with short and long term memory, called LSTM neural network, said LSTM neural network (10) having been trained according to a training method according to any one of claims 1 to 4,
the processing unit (5) being configured to recover the linear speed (V 4A , V 4B , V 4C , V 4D ) of at least two wheels (2A, 2B, 2C, 2D) of the vehicle (1) and to determine, from said linear speeds (V 4A , V 4B , V 4C , V 4D ) a value relating to the speed (V 1 ) of the vehicle (1). Unité de traitement (5) selon la revendication 7, dans laquelle le véhicule comprend au moins quatre roues (2A, 2B, 2C, 2D) dont au moins deux roues arrières (2C, 2D), l’unité de traitement (5) étant une unité de commande de freins arrières adaptée pour commander des freins arrières (3C, 3D) du véhicule (1) qui équipent lesdites au moins deux roues arrières (2C, 2D), lesdits freins arrières (3C, 3D) étant préférentiellement des freins électriques de stationnement du véhicule (1).Processing unit (5) according to claim 7, in which the vehicle comprises at least four wheels (2A, 2B, 2C, 2D) including at least two rear wheels (2C, 2D), the processing unit (5) being a rear brake control unit adapted to control rear brakes (3C, 3D) of the vehicle (1) which equip said at least two rear wheels (2C, 2D), said rear brakes (3C, 3D) preferably being electric brakes parking position of the vehicle (1). Véhicule (1) comprenant au moins deux roues (2A, 2B, 2C, 2D) et une unité de traitement (5) selon la revendication 7 ou 8.Vehicle (1) comprising at least two wheels (2A, 2B, 2C, 2D) and a processing unit (5) according to claim 7 or 8.
FR2201792A 2022-03-01 2022-03-01 Method for determining the speed of a vehicle and processing unit allowing the implementation of such a method Pending FR3133167A1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
FR2201792A FR3133167A1 (en) 2022-03-01 2022-03-01 Method for determining the speed of a vehicle and processing unit allowing the implementation of such a method

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2201792A FR3133167A1 (en) 2022-03-01 2022-03-01 Method for determining the speed of a vehicle and processing unit allowing the implementation of such a method
FR2201792 2022-03-01

Publications (1)

Publication Number Publication Date
FR3133167A1 true FR3133167A1 (en) 2023-09-08

Family

ID=81346646

Family Applications (1)

Application Number Title Priority Date Filing Date
FR2201792A Pending FR3133167A1 (en) 2022-03-01 2022-03-01 Method for determining the speed of a vehicle and processing unit allowing the implementation of such a method

Country Status (1)

Country Link
FR (1) FR3133167A1 (en)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2176110B1 (en) * 2007-08-06 2011-09-07 Renault S.A.S. Method for estimating the longitudinal speed of a vehicle and device for implementing same
US20200114926A1 (en) * 2018-10-16 2020-04-16 Toyota Motor Engineering & Manufacturing North America, Inc. Vehicle velocity predictor using neural networks based on v2x data augmentation to enable predictive optimal control of connected and automated vehicles
US20210171004A1 (en) * 2019-12-10 2021-06-10 Hyundai Motor Company System of modeling anti-lock brake system controller of vehicle

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2176110B1 (en) * 2007-08-06 2011-09-07 Renault S.A.S. Method for estimating the longitudinal speed of a vehicle and device for implementing same
US20200114926A1 (en) * 2018-10-16 2020-04-16 Toyota Motor Engineering & Manufacturing North America, Inc. Vehicle velocity predictor using neural networks based on v2x data augmentation to enable predictive optimal control of connected and automated vehicles
US20210171004A1 (en) * 2019-12-10 2021-06-10 Hyundai Motor Company System of modeling anti-lock brake system controller of vehicle

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
PUSCA R ET AL: "FUZZY LOGIC BASED CONTROL FOR ELECTRIC VEHICLE WITH FOUR SEPARATE TRACTION DRIVES", VTC SPRING 2002. IEEE 55TH. VEHICULAR TECHNOLOGY CONFERENCE. PROCEEDINGS. BIRMINGHAM, AL, MAY 6 - 9, 2002; [IEEE VEHICULAR TECHNOLGY CONFERENCE], NEW YORK, NY : IEEE, US, vol. 4, 6 May 2002 (2002-05-06), pages 2089 - 2096, XP001218073, ISBN: 978-0-7803-7484-3, DOI: 10.1109/VTC.2002.1002991 *

Similar Documents

Publication Publication Date Title
EP1476339B1 (en) Estimating maximum friction coefficient based on knowledge of loads and self-alignment torque generated in a tyre contact zone
FR3049560A1 (en) METHOD AND SYSTEM FOR ASSISTING THE CHANGE OF THE TRACK TRACK FOR A MOTOR VEHICLE
FR2575983A1 (en) METHOD AND CIRCUITS FOR ADAPTING SLIDER REGULATION BASED ON INSTANT FRICTION COEFFICIENT
EP2870042A1 (en) Method for detecting the direction of travel of a motor vehicle
EP3784987A1 (en) Method for a motor vehicle to select a preferred traffic lane to cross a toll area
EP1417470A1 (en) Method for determining components of forces exerted on a tyre and the self-alignment torque
FR2995991A1 (en) METHOD FOR LOCATING THE POSITION OF WHEELS EQUIPPED WITH AN ELECTRONIC HOUSING INCORPORATING MEANS FOR MEASURING AN OPERATING PARAMETER OF THE SOFT WHEEL
EP3021302A1 (en) Automatic determination of a speed limit on a road
EP1517822B1 (en) Measurement of the maximum adhesion coefficient by measuring stress in a bead of a tyre
FR2835918A1 (en) MEASUREMENT OF MAXIMUM ADHESION COEFFICIENT FROM MEASUREMENT OF THE CIRCUMFERENTIAL EXTENSION IN A SIDE OF A TIRE
WO2017198973A1 (en) Method for proposing a driving speed
FR3133167A1 (en) Method for determining the speed of a vehicle and processing unit allowing the implementation of such a method
EP1932734A1 (en) Method for estimating a risk of failure in the ground contact of a motor vehicle
WO2020127077A1 (en) Detection of road speed reducers by means of automatic learning
FR3051422A1 (en) METHOD FOR DETERMINING A ADHESIVE MARGIN FOR A VEHICLE IN A RUNNING SITUATION
FR2768110A1 (en) METHOD AND DEVICE FOR CONTROLLING THE BRAKING SYSTEM OF A VEHICLE
EP3328668B1 (en) Device for estimating an indicator of the state of a traffic route taken by a land vehicle
FR2894669A1 (en) Front and rear forces estimating method for motor vehicle`s front and rear wheels, involves applying to transversal acceleration and rate of yaw representing signals, forces determining treatment based on vehicle`s dynamic model
FR2995858A1 (en) Method for controlling e.g. front brakes of car, involves elaborating control instruction so as to exclusively control front brakes when condition that acquired data is characteristic of backward movement of vehicle, is met
EP1940662B1 (en) Method for determining the condition of a motor vehicle wheels and device therefor
FR2844074A1 (en) MOTOR VEHICLE TIRE IDENTIFICATION SYSTEM
FR2918749A1 (en) METHOD FOR EVALUATING THE TRANSVERSAL ADHESION OF A TIRE ON A SNORED SOIL
EP2176111B1 (en) Method for estimating the sliding of the wheels of a vehicle and device for implementing same
FR2955414A1 (en) METHOD OF EXCHANGING SIGNALS BETWEEN A TIRE PRESSURE SENSOR AND A CENTRAL UNIT EQUIPPED WITH A MOTOR VEHICLE.
FR3001939A3 (en) Method for providing assistance to control of e.g. sporting vehicle, involves providing output data to direction of driver of vehicle, where output data is obtained from input data to assist driver

Legal Events

Date Code Title Description
PLFP Fee payment

Year of fee payment: 2

PLSC Publication of the preliminary search report

Effective date: 20230908

PLFP Fee payment

Year of fee payment: 3