FR3136578A1 - Procédé de prévision de dépassement de vitesse limite autorisée dans un tronçon routier, et dispositif associé - Google Patents

Procédé de prévision de dépassement de vitesse limite autorisée dans un tronçon routier, et dispositif associé Download PDF

Info

Publication number
FR3136578A1
FR3136578A1 FR2205575A FR2205575A FR3136578A1 FR 3136578 A1 FR3136578 A1 FR 3136578A1 FR 2205575 A FR2205575 A FR 2205575A FR 2205575 A FR2205575 A FR 2205575A FR 3136578 A1 FR3136578 A1 FR 3136578A1
Authority
FR
France
Prior art keywords
section
data
speed
predicting
input
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
FR2205575A
Other languages
English (en)
Inventor
Alia Bellabas
Theo Pierre
Rodrigo Silva
Jean Marc Fournier
Lydia Bechroune
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.)
PSA Automobiles SA
Original Assignee
PSA Automobiles SA
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 PSA Automobiles SA filed Critical PSA Automobiles SA
Priority to FR2205575A priority Critical patent/FR3136578A1/fr
Publication of FR3136578A1 publication Critical patent/FR3136578A1/fr
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/0475—Generative networks
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Traffic Control Systems (AREA)

Abstract

Procédé de prévision de dépassement de vitesse limite autorisée dans un premier tronçon routier caractérisé en ce qu’il comporte les étapes suivantes : Détermination, par au moins un premier réseau de neurones artificiel (400, 500) comprenant une entrée (410) et une sortie (550), d’une donnée de dépassement (551), en sortie (550), représentative d’un dépassement ou non d’une vitesse limite autorisée prédit dans le premier tronçon, à partir de données représentatives du premier tronçon (411) et d’une vitesse maximale arbitraire (412) en entrée (410), Ledit au moins un premier réseau de neurones artificiel (400, 500) étant entrainé de manière supervisée, préalablement à l’étape de détermination, à partir d’une vitesse maximale réelle d’un deuxième véhicule et de données représentatives d’un deuxième tronçon routier en entrée (410), étiquetée par une information selon laquelle le deuxième véhicule a dépassé la vitesse limite autorisée lorsqu’il a circulé sur le deuxième tronçon. Figure pour l’abrégé : figure 2

Description

Procédé de prévision de dépassement de vitesse limite autorisée dans un tronçon routier, et dispositif associé
L’invention concerne la prévision ou l’évaluation de dépassements de vitesse limite autorisée dans un tronçon routier.
Lorsque certains tronçons routiers font l’objet de dépassements fréquents de vitesse limite maximum autorisée, il est nécessaire d’envisager des mesures correctives dans ce tronçon, par exemple :
  • Revoir la limitation de vitesse, le long du premier tronçon,
  • Installer un ou plusieurs radars, couper des lampadaires ou l’éclairage, ou afficher des messages d’avertissement, le long du premier tronçon, ou
  • Installer des ralentisseurs (par exemple sous la forme de bosses) sur le premier tronçon.
Cependant, il n’est pas possible de déterminer l’existence de tels dépassements de vitesse facilement. La vitesse des véhicules dans les tronçons n’est pas mesurée ou n’est pas transmise par les véhicules afin de protéger les données personnelles des automobilistes.
Pour remédier à cet inconvénient, l’invention concerne un procédé de prévision (ou d’évaluation) de dépassement de vitesse limite autorisée dans un premier tronçon routier caractérisé en ce qu’il comporte les étapes suivantes :
  • Détermination, par au moins un premier réseau de neurones artificiel comprenant une entrée et une sortie, d’une donnée de dépassement, en sortie, représentative d’un dépassement ou non d’une vitesse limite autorisée prédit dans le premier tronçon (autrement dit : la donnée de dépassement indique si la vitesse limite est dépassée ou pas), à partir de données représentatives du premier tronçon et d’une vitesse maximale arbitraire en entrée
Ledit au moins un premier réseau de neurones artificiel étant entrainé (et l’entrainement peut faire partie du procédé selon l’invention) de manière supervisée, préalablement à l’étape de détermination, à partir d’une vitesse maximale réelle (atteinte pendant la circulation du véhicule dans le deuxième tronçon) d’un deuxième véhicule et de données représentatives d’un deuxième tronçon routier en entrée, étiquetée par une information selon laquelle le deuxième véhicule a dépassé la vitesse limite autorisée lorsqu’il a circulé sur le deuxième tronçon (cette information peut être par exemple déterminée à partir de la vitesse limitée autorisée et de la vitesse maximale réelle, reçue par exemple du deuxième véhicule).
Ainsi l’invention, permet de prévoir ou d’évaluer les dépassements de vitesse limite sur le premier tronçon sans information sur la vitesse des véhicules qui circulent effectivement sur ce premier tronçon, grâce à l’au moins un réseau de neurones.
Le au moins premier réseau de neurones est par exemple mémorisé dans un dispositif électronique, par exemple par le dispositif qui met en œuvre le procédé selon l’invention. Par exemple, la vitesse maximale réelle du deuxième véhicule peut être transmise par le deuxième véhicule au dispositif électronique par l’intermédiaire d’un réseau de télécommunication.
Par exemple, la vitesse maximale réelle est une vitesse maximale atteinte par le deuxième véhicule pendant que le véhicule a circulé sur le tronçon. Cette vitesse est par exemple mesurée par un odomètre du deuxième véhicule.
Par exemple, le premier tronçon est différent ou distinct du deuxième tronçon.
Par exemple, la vitesse maximale arbitraire est aléatoire ou constante.
Selon un mode de réalisation, l’entrée comprend en outre l’une parmi les données suivantes :
  • Une vitesse limite autorisée sur le premier tronçon,
  • Une date et/ou des données météorologiques sur le premier tronçon.
Par exemple les données représentatives du premier tronçon ou les données représentatives du deuxième tronçon comprennent l’une parmi les données suivantes :
  • Des altitudes tout au long du tronçon,
  • Des rayons de courbures de virages tout au long du tronçon,
  • La longueur de lignes droites du tronçon.
Selon un mode de réalisation, ledit au moins un premier réseau de neurones comprend un réseau adverse génératif comprenant un générateur et un discriminateur, le générateur et le discriminateur étant des réseaux de neurones artificiels (par exemple, électroniques), le procédé de prévision comprenant les étapes suivantes :
  • Génération d’une vitesse maximale prédite, par le générateur, à partir de l’entrée,
  • Production, par le discriminateur, de la donnée de dépassement en sortie à partir de la vitesse maximale prédite.
En variante, ledit au moins premier réseau de neurones est un seul réseau de neurones convolutionnel.
Selon un mode de réalisation, le générateur est entrainé pour produire une sortie similaire (ou identique) à l’entrée du générateur.
Par exemple, le discriminateur est entrainé à partir de la sortie du générateur étiquetée par une information selon laquelle le deuxième véhicule a dépassé réellement ou pas la vitesse limite autorisée lorsqu’il a circulé sur le deuxième tronçon.
Selon un mode de réalisation, L’entrainement du au moins premier réseau de neurones peut être réalisé à partir de la vitesse limite autorisée réelle dans le deuxième tronçon. Cette vitesse limite peut être acquise par le deuxième véhicule, par exemple par une caméra du deuxième véhicule, par reconnaissance des panneaux de limitation de vitesse, ou à partir de la localisation géographique du véhicule et d’une carte comportant la vitesse limite en fonction de la localisation. En variante, la vitesse limite peut être déterminé par exemple à partir de l’information selon laquelle le tronçon est situé en zone urbaine, extra-urbaine, ou sur autoroute.
Selon un mode de réalisation, le procédé selon l’invention comprend, en outre, les étapes suivantes :
  • Répétition de l’étape de détermination pour ledit premier tronçon,
  • Estimation d’un état de dépassement, pour le premier tronçon, à partir de l’étape de répétition,
Par exemple, durant l’étape d’estimation, il est vérifié si le nombre ou le pourcentage de fois où les données de dépassement indiquent que la vitesse limite est dépassée est au-delà d’un certain seuil.
Le cas échant, il faut envisager des mesures dans le premier tronçon, par exemple :
  • Revoir la limitation de vitesse dans le premier tronçon,
  • Installer un ou plusieurs radars, couper des lampadaires, ou afficher des messages d’avertissement, le long du premier tronçon, ou
  • Installer des ralentisseurs (par exemple sous la forme de bosses) sur le premier tronçon.
L’invention concerne également un programme d’ordinateur comprenant des instructions, exécutables par un microprocesseur ou un microcontroller, pour la mise en œuvre du procédé selon l’invention, lorsque le programme d’ordinateur est exécuté par le microprocesseur ou un microcontroller.
Le procédé est par exemple mis en œuvre par un dispositif électronique. Le dispositif électronique a par exemple l’architecture d’un ordinateur ou d’un microprocesseur. Il s’agit par exemple d’un serveur. Par exemple, le au moins premier réseau de neurones artificiel est un (ou plusieurs) réseau(x) de neurones électroniques. Il est par exemple mis en œuvre par un microprocesseur (par exemple compris dans le dispositif électronique).
L’invention concerne donc aussi un dispositif électronique configuré pour mettre en œuvre les étapes du procédé selon l’invention. Le dispositif électronique peut avoir l’architecture d’un microprocesseur, d’un microcontrôleur ou d’un ordinateur.
Les caractéristiques et avantages du dispositif électronique, du programme d’ordinateur sont identiques à ceux du procédé, c’est pourquoi, ils ne sont pas repris ici.
On entend qu’un élément tel que le dispositif électronique ou un autre élément est « configuré pour » réaliser ou mettre en œuvre une étape ou une opération, par le fait que l’élément comporte des moyens pour (autrement dit « est conformé pour » ou « est adapté pour ») réaliser l’étape ou l’opération. Il s’agit préférentiellement de moyens électroniques, par exemple d’un programme d’ordinateur, de données en mémoire et/ou de circuits électroniques spécialisés.
Lorsqu’une étape ou une opération est réalisée (autrement dit : mise en œuvre) par un tel élément, cela implique généralement que l’élément comporte des moyens pour (autrement dit « est conformé pour » ou « est adapté pour » ou « est configuré pour ») réaliser l’étape ou l’opération. Il s’agit également par exemple de moyens électroniques, par exemple un programme d’ordinateur, des données en mémoire et/ou des circuits électroniques spécialisés.
D’autres caractéristiques et avantages de la présente invention apparaitront plus clairement à la lecture de la description détaillée qui suit comprenant des modes de réalisation de l’invention donnés à titre d’exemples nullement limitatifs et illustrés par les dessins annexés, dans lesquels.
représente un dispositif électronique et les véhicules avec lesquels il communique selon un mode de réalisation de l’invention.
représente un générateur et un discriminateur selon un exemple de réalisation de l’invention, mémorisés par le dispositif électronique de la .
représente la mise en œuvre du procédé selon l’invention, selon un exemple de réalisation, par le dispositif électronique de la .
Description détaillée d’un exemple de réalisation de l’invention
En référence aux à 3, à l’étape S10, un deuxième véhicule 300 circule sur un deuxième tronçon routier 200. Les données représentatives du deuxième tronçon routier 200, la vitesse maximale réelle atteinte par le véhicule 300 sur le deuxième tronçon routier 200 sont transmises au dispositif électronique 100, par exemple par l’intermédiaire du réseau de télécommunication mobile 600. Les données représentatives du deuxième tronçon routier 200 sont obtenues par le deuxième véhicule 300 à partir de la position du deuxième véhicule 300 déterminée par un module de géolocalisation du deuxième véhicule 300 et d’une carte géographique mémorisée par le deuxième véhicule 300.
La vitesse limite, la date et/ou les données météorologiques sur le deuxième tronçon 200 peut également être transmise au dispositif électronique 100 par la véhicule 300, par exemple par l’intermédiaire du réseau de télécommunication mobile 600. La vitesse limite sur le deuxième tronçon peut être acquise par le deuxième véhicule 300, par exemple par une caméra du deuxième véhicule 300, par reconnaissance des panneaux de limitation de vitesse, ou à partir de la localisation géographique du véhicule 300 et d’une carte comportant la vitesse limite en fonction de la localisation. La date peut être obtenue par un calendrier du deuxième véhicule 300 et peut comprendre l’heure. Les données météorologiques peuvent être obtenues par des capteurs du deuxième véhicule 300 ou bien à partir d’un serveur météorologique auquel se connecte le deuxième véhicule 300. Préférentiellement, ces données, à l’exception de la la vitesse maximale réelle atteinte par le véhicule 300, peuvent être déterminées par le dispositif électronique 100 à partir de la géolocalisation du deuxième véhicule 300 reçue du deuxième véhicule 300.
Le dispositif électronique 100 comprends en mémoire un réseau adverse génératif comprenant un générateur 400 et un discriminateur 500, le générateur 400 et le discriminateur 500 étant des réseaux de neurones artificiels électroniques. Le générateur 400 comprends une entrée 410 et une sortie 450. Le réseau de discriminateur 500 comprends une entrée 510 et une sortie 550.
A l’étape S20, le générateur 400 est entrainé à partir :
  • Des données représentatives du deuxième tronçon, en 411 et 451,
  • De la vitesse maximale réelle, en 412 et 452,
  • De la vitesse limite sur le deuxième tronçon, en 413 et 453,
  • De la date et/ou les données météorologiques sur le deuxième tronçon, en 414 et 454.
Ainsi, le générateur est entrainé pour produire une sortie 450 équivalente à l’entrée 410.
Par exemple, la vitesse maximale réelle est une vitesse maximale atteinte par le deuxième véhicule 300 lorsqu’il a circulé sur le tronçon 200. Cette vitesse est par exemple mesurée par un odomètre du véhicule 300.
Selon un mode de réalisation, L’entrainement du générateur et du discriminateur peut être réalisé à partir de la vitesse limite autorisée réelle dans le deuxième tronçon. En variante, la vitesse limite peut être déterminé par exemple en fonction de l’information selon laquelle le tronçon est situé en zone urbaine, extra-urbaine, ou sur autoroute.
A l’étape S30, le discriminateur 500 est entrainé à partir des données en sortie 550 du générateur 400 étiquetées en 551 par une information selon laquelle le deuxième véhicule 300 a dépassé la vitesse limite autorisée lorsqu’il a circulé sur le deuxième tronçon 200. Cette information peut être par exemple déterminée par le dispositif 100 à partir de la vitesse limitée autorisée et de la vitesse maximale réelle (reçue du troisième véhicule 300).
Pour entrainer le générateur 400 et le discriminateur 500, les étapes S20 et S30 peuvent être répétées pour une pluralité de deuxième véhicule 300 différents circulant sur des deuxième tronçons 200 différents.
A l’étape S40, à partir des données d’entrée 410, notamment à partir de données 411 représentatives du premier tronçon 700, le générateur 400 engendre une vitesse maximale prédite 452, entrée ensuite, dans le discriminateur en 512. Le générateur engendre en 451 en outre des données représentatives du premier tronçon 700 entré ensuite, dans le discriminateur, en 511, une vitesse limite en 452, entrée ensuite dans le discriminateur en 513, une date, une heure, et/ou les données météorologiques sur le premier tronçon 700 en 454, entrée ensuite dans le discriminateur en 514.
Préférentiellement, les données d’entrée 410, peuvent être déterminées par le dispositif électronique 100. Par exemple, le dispositif électronique 100 peut mémoriser les données 411 représentatives du tronçon 700 et la vitesse limite 413 sur le deuxième tronçon 700 (par exemple pour une pluralité de tronçons 700). La date et/ou les données météorologiques 414 sur le deuxième tronçon 400, ainsi que la vitesse maximale arbitraire 412 peuvent être déterminées de manière aléatoire par le dispositif électronique 100.
A l’étape S50, le discriminateur 500 produit la donnée de dépassement 551 en sortie 550 l’entrée 510.
Les données représentatives du premier tronçon 411 ou les données représentatives du deuxième tronçon comprennent par exemple l’une parmi les données suivantes :
  • Des altitudes tout au long du tronçon 700,
  • Des rayons de courbures de virage tout au long du tronçon 700,
  • La longueur de lignes droites du tronçon 700.
Les étapes S40 et S50, peuvent être répétées pour le premier tronçon, avec plusieurs vitesses.
Si le pourcentage de fois où les données de dépassement indiquent que la vitesse limite est dépassée est au-delà un certain seuil, par exemple 35%, il est considéré que l’état de dépassement nécessite de prendre des mesures, à l’étape S60, dans le premier tronçon 700. Ces mesures peuvent comprendre par exemple les actions suivantes :
  • Revoir la limitation de vitesse dans le premier tronçon,
  • Installer un ou plusieurs radars, couper des lampadaires, ou afficher des messages d’avertissement, le long du premier tronçon, ou
  • Installer des ralentisseurs (par exemple sous la forme de bosses) sur le premier tronçon.

Claims (8)

  1. Procédé de prévision de dépassement de vitesse limite autorisée dans un premier tronçon routier caractérisé en ce qu’il comporte les étapes suivantes :
    • Détermination, par au moins un premier réseau de neurones artificiel (400, 500) comprenant une entrée (410) et une sortie (550), d’une donnée de dépassement (551), en sortie (550), représentative d’un dépassement ou non d’une vitesse limite autorisée prédit dans le premier tronçon, à partir de données représentatives du premier tronçon (411) et d’une vitesse maximale arbitraire (412) en entrée (410),
    Ledit au moins un premier réseau de neurones artificiel (400, 500) étant entrainé de manière supervisée, préalablement à l’étape de détermination, à partir d’une vitesse maximale réelle d’un deuxième véhicule (300) et de données représentatives d’un deuxième tronçon routier en entrée (410), étiquetée par une information selon laquelle le deuxième véhicule (300) a dépassé la vitesse limite autorisée lorsqu’il a circulé sur le deuxième tronçon.
  2. Procédé de prévision de dépassement de vitesse selon la revendication 1 dans lequel la vitesse maximale arbitraire (412) est aléatoire ou constante.
  3. Procédé de prévision de dépassement de vitesse selon l’une quelconque des revendications précédentes dans lequel l’entrée (410) comprend l’une parmi les données suivantes :
    • Une vitesse limite (413) sur le premier tronçon,
    • Une date et/ou des données météorologiques (414).
  4. Procédé de prévision de dépassement de vitesse selon l’une quelconque des revendications précédentes dans lequel les données représentatives du premier tronçon (411) ou les données représentatives du deuxième tronçon comprennent l’une parmi les données suivantes :
    • Des altitudes tout au long du tronçon,
    • Des rayons de courbures de virage tout au long du tronçon,
    • La longueur de lignes droites du tronçon.
  5. Procédé de prévision de dépassement de vitesse selon l’une quelconque des revendications précédentes dans lequel ledit au moins un premier réseau de neurones comprend un réseau adverse génératif comprenant un générateur (400) et un discriminateur (500), le générateur (400) et le discriminateur (500) étant des réseaux de neurones artificiels, le procédé de prévision comprenant les étapes suivantes :
    • Génération (S40) d’une vitesse maximale prédite (452), par le générateur (400), à partir de l’entrée (410),
    • Production (S50) de la donnée de dépassement (551) en sortie (550) à partir de la vitesse maximale prédite (452), par le discriminateur (500).
  6. Procédé de prévision de dépassement de vitesse selon l’une quelconque des revendications précédentes comprenant, en outre, les étapes suivantes :
    • Répétition de l’étape de détermination pour ledit premier tronçon,
    • Estimation (S60) d’un état de dépassement, pour le premier tronçon, à partir de l’étape de répétition,
  7. Programme d’ordinateur comprenant des instructions, exécutables par un microprocesseur ou un microcontrôleur, pour la mise en œuvre du procédé selon l’une quelconque des revendications 1 à 6, lorsqu’il est exécuté par le microprocesseur ou le microcontrôleur.
  8. Dispositif électronique (100) configuré pour mettre en œuvre les étapes du procédé selon l’une quelconque des revendications 1 à 6.
FR2205575A 2022-06-10 2022-06-10 Procédé de prévision de dépassement de vitesse limite autorisée dans un tronçon routier, et dispositif associé Pending FR3136578A1 (fr)

Priority Applications (1)

Application Number Priority Date Filing Date Title
FR2205575A FR3136578A1 (fr) 2022-06-10 2022-06-10 Procédé de prévision de dépassement de vitesse limite autorisée dans un tronçon routier, et dispositif associé

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2205575 2022-06-10
FR2205575A FR3136578A1 (fr) 2022-06-10 2022-06-10 Procédé de prévision de dépassement de vitesse limite autorisée dans un tronçon routier, et dispositif associé

Publications (1)

Publication Number Publication Date
FR3136578A1 true FR3136578A1 (fr) 2023-12-15

Family

ID=82694098

Family Applications (1)

Application Number Title Priority Date Filing Date
FR2205575A Pending FR3136578A1 (fr) 2022-06-10 2022-06-10 Procédé de prévision de dépassement de vitesse limite autorisée dans un tronçon routier, et dispositif associé

Country Status (1)

Country Link
FR (1) FR3136578A1 (fr)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210027620A1 (en) * 2019-07-26 2021-01-28 Here Global B.V. Methods and systems for determining speed of a vehicle

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210027620A1 (en) * 2019-07-26 2021-01-28 Here Global B.V. Methods and systems for determining speed of a vehicle

Similar Documents

Publication Publication Date Title
CN110516823B (zh) 一种基于时序模型的车辆智慧保养模型
FR3082613A1 (fr) Procédé et dispositif de prédiction d’un trajet probable pour un véhicule
FR3136578A1 (fr) Procédé de prévision de dépassement de vitesse limite autorisée dans un tronçon routier, et dispositif associé
US20150213518A1 (en) Method and device for determining periodic payment reduction based on extrapolated residual value
CN112559972B (zh) 基于电子标签的非道路机械排放清单的计算方法及系统
FR3085024A1 (fr) Procédé pour tester une fonction de conduite au moins partiellement automatisée d’un véhicule
CN113779366B (zh) 用于自动驾驶的神经网络架构自动优化部署方法及装置
FR3085144A1 (fr) Procede et dispositif d’assistance pour conduire un vehicule taxi autonome vers un lieu de prise en charge de clients potentiels
WO2021125063A1 (fr) Dispositif et procédé de traitement d'informations, programme, et corps mobile
WO2004084118A2 (fr) Equipement portable et procede de realite virtuelle, pour optimiser une inspection visuelle et une expertise d' une structure, notamment en genie civil
CN113506386A (zh) 违章停车的监控方法、行车记录仪、程序及存储介质
FR3111424A1 (fr) Génération de trajectoires par un réseau de neurones issu d’un système de réseaux antagonistes génératifs
CN111191957B (zh) Ubi评分方法、ubi评分装置及可读存储介质
FR3136300A1 (fr) Procédé de prévision ou d’évaluation de pollution issue de la circulation automobile dans une zone géographique, et dispositif associé
US20240212097A1 (en) Image enhancement targeted at addressing degradations caused by environmental conditions
FR3133097A1 (fr) Procédé d’analyse d’images amélioré, en fonction du temps disponible, dans un véhicule automobile, dispositif et véhicule associés
US20240193435A1 (en) Federated training for a neural network with reduced communication requirement
EP2012290A1 (fr) Estimation de trafic dans un réseau routier
FR3133096A1 (fr) Procédé d’analyse d’images par masquage et complétion en fonction de l’incertitude, dispositif et véhicule associés
EP2562518B1 (fr) Dispositif et procédé d'évaluation de la conduite d'un véhicule
FR3035921A1 (fr) Procede d'optimisation du temps d'arret d'un moteur a fonction d'arret et redemarrage automatique
FR3100201A1 (fr) Procédé de sélection de la valeur d’une limitation de vitesse pour un régulateur de vitesse d’un véhicule terrestre.
FR3135151A1 (fr) Maintien de la continuité de fonctions d’assistance à la conduite
KR101277634B1 (ko) 단말기에서의 차량 연료 분사량 데이터 처리 방법 및 이를 이용한 단말기
FR3122009A1 (fr) Procédé, dispositif et système de prédiction d’une opération de maintenance pour véhicule

Legal Events

Date Code Title Description
PLFP Fee payment

Year of fee payment: 2

PLSC Publication of the preliminary search report

Effective date: 20231215

PLFP Fee payment

Year of fee payment: 3