FR3136723A1 - Procédé et dispositif de détection de pluie - Google Patents

Procédé et dispositif de détection de pluie Download PDF

Info

Publication number
FR3136723A1
FR3136723A1 FR2206101A FR2206101A FR3136723A1 FR 3136723 A1 FR3136723 A1 FR 3136723A1 FR 2206101 A FR2206101 A FR 2206101A FR 2206101 A FR2206101 A FR 2206101A FR 3136723 A1 FR3136723 A1 FR 3136723A1
Authority
FR
France
Prior art keywords
rain
vehicle
data
image data
module
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
FR2206101A
Other languages
English (en)
Inventor
Nicolas Dangy-Caye
Thomas Hannagan
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 FR2206101A priority Critical patent/FR3136723A1/fr
Priority to PCT/FR2023/000099 priority patent/WO2023247844A1/fr
Publication of FR3136723A1 publication Critical patent/FR3136723A1/fr
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60S—SERVICING, CLEANING, REPAIRING, SUPPORTING, LIFTING, OR MANOEUVRING OF VEHICLES, NOT OTHERWISE PROVIDED FOR
    • B60S1/00—Cleaning of vehicles
    • B60S1/02—Cleaning windscreens, windows or optical devices
    • B60S1/04—Wipers or the like, e.g. scrapers
    • B60S1/06—Wipers or the like, e.g. scrapers characterised by the drive
    • B60S1/08—Wipers or the like, e.g. scrapers characterised by the drive electrically driven
    • B60S1/0818—Wipers or the like, e.g. scrapers characterised by the drive electrically driven including control systems responsive to external conditions, e.g. by detection of moisture, dirt or the like
    • B60S1/0822—Wipers or the like, e.g. scrapers characterised by the drive electrically driven including control systems responsive to external conditions, e.g. by detection of moisture, dirt or the like characterized by the arrangement or type of detection means
    • B60S1/0833—Optical rain sensor
    • B60S1/0844—Optical rain sensor including a camera
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60S—SERVICING, CLEANING, REPAIRING, SUPPORTING, LIFTING, OR MANOEUVRING OF VEHICLES, NOT OTHERWISE PROVIDED FOR
    • B60S1/00—Cleaning of vehicles
    • B60S1/02—Cleaning windscreens, windows or optical devices
    • B60S1/04—Wipers or the like, e.g. scrapers
    • B60S1/06—Wipers or the like, e.g. scrapers characterised by the drive
    • B60S1/08—Wipers or the like, e.g. scrapers characterised by the drive electrically driven
    • B60S1/0818—Wipers or the like, e.g. scrapers characterised by the drive electrically driven including control systems responsive to external conditions, e.g. by detection of moisture, dirt or the like
    • B60S1/0822—Wipers or the like, e.g. scrapers characterised by the drive electrically driven including control systems responsive to external conditions, e.g. by detection of moisture, dirt or the like characterized by the arrangement or type of detection means
    • B60S1/0859—Other types of detection of rain, e.g. by measuring friction or rain drop impact
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60S—SERVICING, CLEANING, REPAIRING, SUPPORTING, LIFTING, OR MANOEUVRING OF VEHICLES, NOT OTHERWISE PROVIDED FOR
    • B60S1/00—Cleaning of vehicles
    • B60S1/02—Cleaning windscreens, windows or optical devices
    • B60S1/04—Wipers or the like, e.g. scrapers
    • B60S1/06—Wipers or the like, e.g. scrapers characterised by the drive
    • B60S1/08—Wipers or the like, e.g. scrapers characterised by the drive electrically driven
    • B60S1/0818—Wipers or the like, e.g. scrapers characterised by the drive electrically driven including control systems responsive to external conditions, e.g. by detection of moisture, dirt or the like
    • B60S1/0822—Wipers or the like, e.g. scrapers characterised by the drive electrically driven including control systems responsive to external conditions, e.g. by detection of moisture, dirt or the like characterized by the arrangement or type of detection means
    • B60S1/0862—Wipers or the like, e.g. scrapers characterised by the drive electrically driven including control systems responsive to external conditions, e.g. by detection of moisture, dirt or the like characterized by the arrangement or type of detection means including additional sensors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

L’invention concerne un dispositif de détection de pluie (110) embarqué dans un véhicule comprenant un module d’acquisition d’image (111) configuré pour récupérer des données d’image provenant d’une caméra (101) de parebrise du véhicule, caractérisé en ce qu’il comporte en outre :- un module d’acquisition de son (112), configuré des données sonore provenant d’un microphone (102) dans l’habitacle du véhicule,- un module de perception (113) configuré pour utiliser les données d’image et les données sonore pour déterminer la présence de pluie. . Figure pour l’abrégé : Figure 1

Description

Procédé et dispositif de détection de pluie
L’invention concerne un dispositif de détection de pluie notamment sur un vitrage.
 Arrière-plan technologique
Ce type de dispositif est utilisé pour détecter la pluie présente sur les vitrages de véhicules automobiles, pour permettre notamment le déclenchement automatique d'un essuie-glace.
Il est connu d’utilisé un capteur de détection dédié au niveau du parebrise. Mais ce type de capteur renchéri le cout du véhicule.
De plus en plus de véhicule sont équipés d’une caméra de parebrise utilisées par des systèmes d’aide à la conduite du véhicule. Il a été proposé d’utiliser cette caméra pour détecter la présence de pluie en se passant d’un capteur dédié sur le parebrise. Un tel système est notamment décrit dans le document US 2021/0101564. Ces systèmes ne donnent pas entière satisfaction car la fiabilité de la détection est inférieure à celle d’un capteur dédié.
Un but de la présente invention est de pallier tout ou partie des inconvénients de l'art antérieur relevés ci-dessus.
Un objet de la présente invention est de proposer une solution pour détecter la pluie efficacement sans augmenter le coût du véhicule, en particulier sans ajouter d'équipements dédiés.
A cette effet, l’invention a pour objet, un dispositif de détection de pluie embarqué dans un véhicule comprenant un module d’acquisition d’image configuré pour récupérer des données d’image provenant d’une caméra de parebrise du véhicule, caractérisé en ce qu’il comporte en outre :
- un module d’acquisition de son, configuré des données sonore provenant d’un microphone dans l’habitacle du véhicule,
- un module de perception configuré pour utiliser les données d’image et les données sonore pour déterminer la présence de pluie.
En utilisant deux sources de données distinctes l’invention permet d’améliorer la qualité de la détection de la pluie. En outre en utilisant des capteurs déjà présents dans le véhicule, permet d’obtenir un détecteur efficace sans utiliser d’équipement dédié et donc renchérir le coût du véhicule.
Selon un premier mode de réalisation, le module de perception est configuré pour :
- Combiner les données d’image et les données sonores,
- Déterminer la présence de pluie à partir des données combinées en mettant en œuvre un réseau de neurones à convolution profond comportant des coefficients optimisés lors d’une étape d’apprentissage.
Selon un deuxième mode de réalisation, le module de perception est configuré pour :
- déterminer une première estimation de présence de pluie à partir des données d’image, en mettant en œuvre un premier réseau de neurones à convolution profond comportant des coefficients optimisés lors d’une étape d’apprentissage,
- déterminer une deuxième estimation de présence de pluie à partir des données sonores en mettant en œuvre un deuxième réseau de neurones à convolution profond comportant des coefficients optimisés lors d’une étape d’apprentissage,
- Déterminer la présence de pluie à partir de la première et la deuxième estimation.
Selon un mode de réalisation de l’invention, le module de perception est configuré pour déterminer la présence de pluie à partir d’uniquement les données de l’un de la caméra et du microphone, lorsque l’autre de la caméra et du microphone est défectueux.
Avantageusement, le module de détection (113) émet un signal d’actionnement des essuie-glaces (104) à destination d’un module de commande (103) d’essuie-glaces, lorsqu’il détermine la présence de pluie.
L’invention concerne aussi un programme d'ordinateur comprenant des instructions qui, lorsque le programme est exécuté par un ordinateur, conduisent celui-ci à mettre en œuvre le procédé selon l’invention.
L’invention concerne aussi un procédé de détection de pluie par un dispositif embarqué dans un véhicule comprenant des étapes de :
- Acquisition de données d’image provenant d’une caméra de parebrise du véhicule,
- Acquisition de données sonore provenant d’au moins un micro de l’habitacle du véhicule,
- Détermination, par un module de perception, de la présence de pluie à partir des données d’image et des données sonores.
L’invention concerne aussi un véhicule comportant un dispositif de détection de pluie selon l’invention.
Brève description des figures
D’autres caractéristiques et avantages de l’invention ressortiront de la description des modes de réalisation non limitatifs de l’invention ci-après, en référence aux figures annexées, sur lesquelles :
illustre de façon fonctionnelle un dispositif, selon un exemple de réalisation particulier de la présente invention ;
illustre schématiquement un exemple de réalisation particulier de la présente invention ;
La montre un exemple de réalisation d’un dispositif de détection de pluie selon l’invention.
Le dispositif de détection de pluie 110, embarqué dans un véhicule, comprend un module d’acquisition d’image 111 configuré pour récupérer des données d’image provenant d’une caméra 101 de parebrise du véhicule.
Le dispositif de détection de pluie 110 comporte aussi un module d’acquisition de son 112, configuré des données sonores provenant d’un microphone 102 dans l’habitacle du véhicule.
Le dispositif de détection de pluie 110 comporte aussi un module de perception 113 configuré pour utiliser les données d’image et les données sonore pour déterminer la présence de pluie.
Lorsqu’il détecte la présence de pluie, le module de perception 113 émet un signal à destination d’un contrôleur d’essuie-glaces 103 pour commander l’actionnement d’essuie-glaces du véhicules 104.
Selon un premier mode de réalisation, dit de fusion précoce (ou early fusion en anglais), module de perception 113 est configuré pour :
- Combiner les données d’image et les données sonores,
- Déterminer la présence de pluie à partir des données combinées en mettant en œuvre un réseau de neurones à convolution profond comportant des coefficients optimisés lors d’une étape d’apprentissage.
Le module de perception 113 s'appuie, par exemple, sur une approche par apprentissage qui permet d'entrainer un réseau de neurones à détecter la présence de pluie. Lors d’une étape d'apprentissage, le réseau de neurones évolue pour apprendre à reconnaitre un ensemble d'éléments caractéristiques qui permettent de confirmer la présence de pluie.
L’étape d’apprentissage comprend la capture des données d'images et des données sonores représentatives de la présence ou non de pluie.
Ces données acquises sont éventuellement traitées pour les formater et les coder selon un format et un codage déterminés. Chaque combinaison de données d’image et de données sonore est associée à la présence ou non de pluie pour constituer une base d'apprentissage. L’apprentissage met en œuvre un réseau de neurone à convolution profond recevant itérativement en entrée un couple de données (données d’image et données sonore / présence de pluie) de la base d'apprentissage et optimisant les coefficients du réseau de neurones.
Les coefficients optimisés dans l'étape d'apprentissage, sont entrés comme paramètres dans un calculateur du véhicule implémentant ledit réseau de neurones et qui à partir des données acquises par la caméra et le micro et des coefficients optimisés, délivre une estimation de type de présence de pluie.
Selon un deuxième mode de réalisation, dit de fusion tardive (ou late fusion en anglais), le module de perception 113 est configuré pour :
- déterminer une première estimation de présence de pluie à partir des données d’image, en mettant en œuvre un premier réseau de neurones à convolution profond comportant des coefficients optimisés lors d’une étape d’apprentissage,
- déterminer une deuxième estimation de présence de pluie à partir des données sonores en mettant en œuvre un deuxième réseau de neurones à convolution profond comportant des coefficients optimisés lors d’une étape d’apprentissage,
- Déterminer la présence de pluie à partir de la première et la deuxième estimation.
La première estimation est obtenue avec une approche par apprentissage qui permet d'entrainer le premier réseau de neurones à détecter la présence de pluie. Lors d’une étape d'apprentissage, le premier réseau de neurones évolue pour apprendre à reconnaitre un ensemble d'éléments caractéristiques qui permettent de confirmer la présence de pluie à partir de données d’image. La manière d'obtenir les informations d'apprentissage peut différer (tout en étant compatible) avec la manière d'utiliser le réseau sur le véhicule (par exemple, on peut entrainer le réseau avec des données issues d'une caméra de type 'labo', et utiliser une caméra optimisée pour le véhicule pour l'utilisation du premier réseau de neurones).
L’étape d’apprentissage comprend la capture d'une pluralité d'images représentatives de la présence ou non de pluie sur le parebrise du véhicule ;
Ces images acquises sont éventuellement traitées pour les formater et les coder selon un format et un codage déterminés. Chaque image est associée à la présence ou non de pluie pour constituer une base d'apprentissage. L’apprentissage met en œuvre un premier réseau de neurone à convolution profond recevant itérativement en entrée un couple de données (image capturée, présence de pluie) de la base d'apprentissage et optimisant les coefficients du premier réseau de neurones.
Les coefficients optimisés dans l'étape d'apprentissage, sont entrés comme paramètres dans un calculateur du véhicule implémentant ledit premier réseau de neurones et qui à partir des images acquises par la caméra de parebrise du véhicule et des coefficients optimisés, délivre une estimation de type de présence de pluie.
Comme pour la première estimation, la deuxième estimation est obtenue avec une approche par apprentissage qui permet d'entrainer le deuxième réseau de neurones à détecter la présence de pluie. Lors d’une étape d'apprentissage, le deuxième réseau de neurones évolue pour apprendre à reconnaitre un ensemble d'éléments caractéristiques qui permettent de confirmer la présence de pluie à partir de données sonores. La manière d'obtenir les informations d'apprentissage peut différer (tout en étant compatible) avec la manière d'utiliser le réseau sur le véhicule (par exemple, on peut entrainer le deuxième réseau avec des données issues d'un micro de type 'labo', et utiliser un micro optimisé pour le véhicule pour l'utilisation du deuxième réseau de neurones).
L’étape d’apprentissage comprend la capture d'une pluralité d’échantillons sonores représentatifs de la présence ou non de pluie à l’extérieur du véhicule ;
Ces échantillons sonores acquis sont éventuellement traités pour les formater et les coder selon un format et un codage déterminés. Chaque échantillon sonore est associé à la présence ou non de pluie pour constituer une base d'apprentissage. L’apprentissage met en œuvre un deuxième réseau de neurones à convolution profond recevant itérativement en entrée un couple de données (échantillon sonore capturé, présence de pluie) de la base d'apprentissage et optimisant les coefficients du deuxième réseau de neurones.
Les coefficients optimisés dans l'étape d'apprentissage, sont entrés comme paramètres dans un calculateur du véhicule implémentant ledit deuxième réseau de neurones et qui à partir des échantillons sonores acquis par le micro dans l’habitacle du véhicule et des coefficients optimisés, délivre une estimation de type de présence de pluie.
Le module de détection 113 est configuré pour utiliser la première et la deuxième estimation pour déterminer la présence de pluie. Ce module utilise par exemple une méthode de fusion de données selon l’art connu. Le premier et le deuxième réseau de neurones produisent, par exemple, chacun un vecteur en sortie. Il est ensuite possible de calculer la distance entre les deux vecteurs, puis à partir de cette distance de faire une classification.
Lorsqu’il détecte la présence de pluie, le module de détection 113 émet un signal à destination d’un contrôleur d’essuie-glaces 103 pour commander l’actionnement d’essuie-glaces du véhicules 104.
Selon une caractéristique de l’invention, le module de perception 113 est configuré pour déterminer la présence de pluie à partir d’uniquement les données de l’un de la caméra et du microphone, lorsque l’autre de la caméra et du microphone est défectueux.
Autrement dit, lorsque la caméra est en panne, le module de perception est capable de fonctionner de façon dégradée et de déterminer la présence de pluie uniquement avec les données sonores provenant du micro. Inversement, lorsque le micro est en panne, le module de perception est capable de fonctionner de façon dégradée et de déterminer la présence de pluie uniquement avec les données d’image provenant de la caméra.
L’invention concerne aussi un procédé de détection de pluie par un dispositif 110 embarqué dans un véhicule comprenant des étapes de :
  • Acquisition de données d’image provenant d’une caméra de parebrise du véhicule,
  • Acquisition de données sonore provenant un micro de l’habitacle du véhicule,
  • Détermination, par un module de perception 113, de la présence de pluie à partir des données d’image et des données sonore.
La représente un exemple de dispositif de détection de pluie 301 compris dans le véhicule, dans un réseau (« cloud ») ou dans un serveur. Ce dispositif 301 peut être utilisé en tant que dispositif centralisé en charge d’au moins certaines étapes du procédé décrit ci-après en référence à la .
Ce dispositif 301 peut prendre la forme d’un boitier comprenant des circuits imprimés, de tout type d’ordinateur ou encore d’un téléphone mobile (« smartphone »).
Le dispositif 301 comprend une mémoire vive 302 pour stocker des instructions pour la mise en œuvre par un processeur 303 d’au moins une étape du procédé tel que décrit ci-avant. Le dispositif comporte aussi une mémoire de masse 304 pour le stockage de données destinées à être conservées après la mise en œuvre du procédé.
Le dispositif 301 peut en outre comporter un processeur de signal numérique (DSP) 305. Ce DSP 305 reçoit des données pour mettre en forme, démoduler et amplifier, de façon connue en soi ces données.
Le dispositif 301 comporte également une interface d’entrée 306 pour la réception des données mises en œuvre par le procédé selon l’invention et une interface de sortie 307 pour la transmission des données mises en œuvre par le procédé selon l’invention.

Claims (8)

  1. Dispositif de détection de pluie (110) embarqué dans un véhicule comprenant un module d’acquisition d’image (111) configuré pour récupérer des données d’image provenant d’une caméra (101) de parebrise du véhicule, caractérisé en ce qu’il comporte en outre :
    - un module d’acquisition de son (112), configuré pour récupérer des données sonore provenant d’un microphone (102) dans l’habitacle du véhicule,
    - un module de perception (113) configuré pour utiliser les données d’image et les données sonore pour déterminer la présence de pluie.
  2. Dispositif de détection de pluie (110) selon la revendication 1, dans lequel le module de perception (113) est configuré pour :
    - Combiner les données d’image et les données sonore,
    - Déterminer la présence de pluie à partir des données combinées en mettant en œuvre un réseau de neurones à convolution profond comportant des coefficients optimisés lors d’une étape d’apprentissage.
  3. Dispositif de détection de pluie selon la revendication 1, dans lequel le module de perception (113) est configuré pour :
    - déterminer une première estimation de présence de pluie à partir des données d’image, en mettant en œuvre un premier réseau de neurones à convolution profond comportant des coefficients optimisés lors d’une étape d’apprentissage,
    - déterminer une deuxième estimation de présence de pluie à partir des données sonores en mettant en œuvre un deuxième réseau de neurones à convolution profond comportant des coefficients optimisés lors d’une étape d’apprentissage,
    - Déterminer la présence de pluie à partir de la première et la deuxième estimation.
  4. Dispositif de détection de pluie selon l’une des revendications précédentes, dans lequel le module de perception (113) est configuré pour déterminer la présence de pluie à partir d’uniquement les données de l’un de la caméra ou du microphone, lorsque l’autre de la caméra ou du microphone est défectueux.
  5. Dispositif de détection de pluie selon l’une des revendications précédentes, dans lequel le module de détection (113) émet un signal d’actionnement des essuie-glaces (104) à destination d’un module de commande (103) d’essuie-glaces, lorsqu’il détermine la présence de pluie.
  6. Procédé de détection de pluie par un dispositif (110) embarqué dans un véhicule comprenant des étapes de :
    • Acquisition de données d’image provenant d’une caméra de parebrise du véhicule,
    • Acquisition de données sonores provenant d’au moins un micro de l’habitacle du véhicule,
    • Détermination, par un module de perception (113), de la présence de pluie à partir des données d’image et des données sonores.
  7. Programme d'ordinateur comprenant des instructions qui, lorsque le programme est exécuté par un ordinateur, conduisent celui-ci à mettre en œuvre le procédé selon la revendication précédente.
  8. Véhicule comportant un dispositif de détection de pluie selon l’une des revendications 1 à 5.
FR2206101A 2022-06-21 2022-06-21 Procédé et dispositif de détection de pluie Pending FR3136723A1 (fr)

Priority Applications (2)

Application Number Priority Date Filing Date Title
FR2206101A FR3136723A1 (fr) 2022-06-21 2022-06-21 Procédé et dispositif de détection de pluie
PCT/FR2023/000099 WO2023247844A1 (fr) 2022-06-21 2023-05-12 Procédé et dispositif de détection de pluie

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2206101 2022-06-21
FR2206101A FR3136723A1 (fr) 2022-06-21 2022-06-21 Procédé et dispositif de détection de pluie

Publications (1)

Publication Number Publication Date
FR3136723A1 true FR3136723A1 (fr) 2023-12-22

Family

ID=83188369

Family Applications (1)

Application Number Title Priority Date Filing Date
FR2206101A Pending FR3136723A1 (fr) 2022-06-21 2022-06-21 Procédé et dispositif de détection de pluie

Country Status (2)

Country Link
FR (1) FR3136723A1 (fr)
WO (1) WO2023247844A1 (fr)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117908168A (zh) * 2024-03-18 2024-04-19 深圳市九天睿芯科技有限公司 一种基于声音的降雨状态检测装置及电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006044318A (ja) * 2004-07-30 2006-02-16 Sony Corp 駆動装置及び方法
KR20160059179A (ko) * 2014-11-18 2016-05-26 현대모비스 주식회사 강우 감지 기능을 이용한 차량 기기 제어 장치 및 방법
DE102014226358A1 (de) * 2014-12-18 2016-06-23 Bayerische Motoren Werke Aktiengesellschaft Vorrichtung und Verfahren zum Ermitteln einer Oberflächenverschmutzung eines Fahrzeugs
US20180099646A1 (en) * 2016-10-06 2018-04-12 Ford Global Technologies, Llc Multi-Sensor Precipitation-Classification Apparatus and Method
US20210101564A1 (en) 2019-10-07 2021-04-08 Denso Corporation Raindrop recognition device, vehicular control apparatus, method of training model, and trained model

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB1413407A (en) 1972-11-14 1975-11-12 Smb Anciens Etabs J Muelberger Dihydropyrido-pyrimidine derivatives their preparation and therapeutical use
DE102022200154A1 (de) * 2022-01-10 2023-07-13 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Erfassen von Informationen zu einer Windschutzscheibe

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006044318A (ja) * 2004-07-30 2006-02-16 Sony Corp 駆動装置及び方法
KR20160059179A (ko) * 2014-11-18 2016-05-26 현대모비스 주식회사 강우 감지 기능을 이용한 차량 기기 제어 장치 및 방법
DE102014226358A1 (de) * 2014-12-18 2016-06-23 Bayerische Motoren Werke Aktiengesellschaft Vorrichtung und Verfahren zum Ermitteln einer Oberflächenverschmutzung eines Fahrzeugs
US20180099646A1 (en) * 2016-10-06 2018-04-12 Ford Global Technologies, Llc Multi-Sensor Precipitation-Classification Apparatus and Method
US20210101564A1 (en) 2019-10-07 2021-04-08 Denso Corporation Raindrop recognition device, vehicular control apparatus, method of training model, and trained model

Also Published As

Publication number Publication date
WO2023247844A1 (fr) 2023-12-28

Similar Documents

Publication Publication Date Title
WO2023247844A1 (fr) Procédé et dispositif de détection de pluie
FR2883656A1 (fr) Traitement continu de la parole utilisant une fonction de transfert heterogene et adaptee
WO2020089230A1 (fr) Procédé d'élaboration d'une consigne de pilotage d'un véhicule automobile
US20150215522A1 (en) Imaging apparatus
CN111261134A (zh) 车辆道路噪声的降噪方法及其系统
FR3103437A1 (fr) Procédé et dispositif de détermination de consigne pour véhicule
WO2022152986A1 (fr) Procédé et dispositif de suivi de trajectoire d'un véhicule circulant sur une voie de circulation
FR3080189A1 (fr) Dispositif de geo-localisation d'un objet mobile
FR3118824A1 (fr) Procédé et dispositif de reprise en main par un conducteur d’un véhicule autonome circulant dans un tunnel
WO2012013637A1 (fr) Procede de configuration pour codeur de source adaptatif base sur une prediction des futures conditions de transmisson, terminal et systeme mettant en oeuvre le procede
FR3107873A1 (fr) Procédé et dispositif de contrôle d’un véhicule dans une zone météorologique à risque
US20240212357A1 (en) Information processing apparatus and method
FR3087732A1 (fr) Procede et dispositif de determination d’un changement de voie d’un vehicule
FR3129236A1 (fr) Procédé de détermination de l’orientation relative de deux véhicules
EP4090565B1 (fr) Procédé et dispositif de contrôle d'un vehicule
FR3098326A1 (fr) Procédé de détection d’une anomalie affectant une partie extérieure d’un véhicule automobile
US11461918B2 (en) Information processor and detection method for detecting misalignment of a vehicle-mounted imaging device
US11827216B2 (en) Optimal sensor reading for low latency object detection
FR3118745A1 (fr) Procédé et dispositif de détermination d’une accélération d’un objet mobile dans un environnement d’un véhicule
CN116027691A (zh) 无人驾驶汽车降级的控制方法、装置、设备及介质
FR3127736A1 (fr) Procédé et dispositif de détermination d’une carte de fréquentation tridimensionnelle pour véhicule
FR3137352A1 (fr) Procédé et dispositif de contrôle d’un système d’aide à la conduite d’un véhicule circulant dans un environnement routier comprenant une intersection
FR3133816A1 (fr) Procédé et dispositif de détermination d’instructions de contrôle pour véhicule en fonction de l’éblouissement d’une caméra du véhicule par le soleil
FR3073352A1 (fr) Procede de controle automatique des emissions wifi dans un vehicule
FR3080176A1 (fr) Dispositif de synchronisation d'une position primaire d'un objet mobile avec une position secondaire

Legal Events

Date Code Title Description
PLFP Fee payment

Year of fee payment: 2

PLSC Publication of the preliminary search report

Effective date: 20231222

PLFP Fee payment

Year of fee payment: 3