FR3139402A1 - Procede d’evaluation de la securite d’un vehicule a delegation de conduite - Google Patents
Procede d’evaluation de la securite d’un vehicule a delegation de conduite Download PDFInfo
- Publication number
- FR3139402A1 FR3139402A1 FR2208763A FR2208763A FR3139402A1 FR 3139402 A1 FR3139402 A1 FR 3139402A1 FR 2208763 A FR2208763 A FR 2208763A FR 2208763 A FR2208763 A FR 2208763A FR 3139402 A1 FR3139402 A1 FR 3139402A1
- Authority
- FR
- France
- Prior art keywords
- vehicle
- driving
- driver
- safety
- evaluating
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000010801 machine learning Methods 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 238000000638 solvent extraction Methods 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 3
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 3
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 description 3
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 241000897276 Termes Species 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000036461 convulsion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000021183 entrée Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/04—Monitoring the functioning of the control system
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/04—Monitoring the functioning of the control system
- B60W50/045—Monitoring control system parameters
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
- B60W2050/0029—Mathematical model of the driver
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
- B60W2050/0031—Mathematical model of the vehicle
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Emergency Alarm Devices (AREA)
Abstract
L’invention concerne un procédé d’évaluation de la sécurité d’un véhicule à délégation de conduite pendant une période de temps donnée, comprenant des étapes de : - acquisition de données relatives au véhicule (1) ; - acquisition de données relatives à une situation de conduite (2) ; - acquisition de données relatives à un conducteur du véhicule (3); - détermination d’un niveau de sécurité par un modèle d’apprentissage automatique (4), le niveau de sécurité étant associé à la situation de conduite et au conducteur du véhicule,les étapes précédentes étant répétés pendant la période de temps donnée selon un pas de temps. Figure pour l’abrégé : Fig.1
Description
La présente invention concerne de manière générale les aides à la conduite de véhicules automobiles (communément appelés par l’acronyme ADAS pouradvanced driver-assistance systems). Plus précisément elle concerne l’évaluation de la sécurité de ces aides à la conduite et la quantification du risque perçu par les conducteurs de véhicules automobiles à délégation de conduite équipés de telles aides à la conduite.
Le développement des aides à la conduite et des véhicules à délégation de conduite nécessite la mise en place de méthodes permettant d’évaluer la sécurité des aides et des systèmes de conduite autonome préalablement à leur déploiement sur des véhicules de séries et leur homologation. Ainsi, de nombreux protocoles ont été créés pour tester le niveau de sécurité assurée par les aides à la conduite et à terme les véhicules autonomes de niveau supérieur. Malgré tout cela, certains conducteurs restent globalement méfiant vis-à-vis des systèmes d’aide à la conduite ce qui constitue un frein à leur adoption par les conducteurs, alors même que ces aides à la conduite permettent d’améliorer la sécurité des véhicules, voir peut constituer une source de danger lorsque ces aides surprennent le conducteur qui pourrait alors réaliser une manœuvre dangereuse par erreur, ou bien dans le cas d’une manœuvre d’évitement d’un danger par un système d’aide à la conduite empêcher celle-ci de bien se dérouler et causer un accident.
Il apparait donc important de mettre en place des moyens permettant d’évaluer la sécurité non pas simplement du point de vue objectif de la sécurité assurée par les ADAS, mais également de quantifier la sécurité telle qu’elle est perçue par les utilisateurs (et notamment quelle serai leur réaction face a une situation de danger imminent) afin de pouvoir développer des ADAS dans lesquels les conducteurs ont plus confiance et dont ils ne risquent pas de contrecarrer les actions d’évitement en cas de risque de collision.
Pour cela, des études ont été réalisée afin d’analyser le comportement des conducteurs dans certaines situations de conduite autonome, voir par exemple Gandrez, Clara, et al.Modèle comportemental d'identification des situations limites en conduite autonome. Diss. Paris, HESAM, 2022. Cependant, ces études reposent sur de longs protocoles expérimentaux devant être répétés dans un grand nombre de situation et avec un grand nombre de conducteurs différents.
Afin de palier à ces problème, l’invention propose un procédé permettant de modéliser et prédire le niveau de sécurité perçu par le conducteur et/ou ses réactions vis-à-vis d’une situation de danger. En particulier, l’invention propose un procédé d’évaluation de la sécurité d’un véhicule à délégation de conduite pendant une période de temps donnée, comprenant des étapes de :
- acquisition de données relatives au véhicule ;
- acquisition de données relatives à une situation de conduite ;
- acquisition de données relatives à un conducteur du véhicule ;
- détermination d’un niveau de sécurité par un modèle d’apprentissage automatique, le niveau de sécurité étant associé à la situation de conduite et au conducteur du véhicule,
les étapes précédentes étant répétés pendant la période de temps donnée selon un pas de temps.
les étapes précédentes étant répétés pendant la période de temps donnée selon un pas de temps.
L’invention est avantageusement complétée par les caractéristiques suivantes, prises seules ou en une quelconque de leur combinaison techniquement possible :
- le modèle d’apprentissage automatique utilisé en est un réseau de neurone récurrent, par exemple un réseau de neurones récurrent à longue mémoire à court terme ;
- le niveau de sécurité du véhicule est évalué sous la forme d’une pluralité de catégories auxquelles correspondent des étiquettes ;
- les données relatives au véhicule comprennent :
- la vitesse actuelle du véhicule ;
- l’accélération longitudinale du véhicule ;
- la distance du véhicule au marquage droit de la voie ;
- la distance du véhicule au marquage gauche de la voie ;
- la distance du véhicule à la limite droite de la route ;
- la distance du véhicule à la limite gauche de la route ;
- l’angle du volant du véhicule ;
- la voie de la route sur laquelle circule le véhicule ;
- l’action réalisée par le véhicule, ladite action pouvant être : dépasser un autre véhicule, ou bien suivre un autre véhicule ;
- les données relatives à la situation de conduite comprennent :
- la vitesse relative des véhicules environnants par rapport au véhicule ego ;
- la distance des véhicules environnants au véhicule ego ;
- l’accélération longitudinale des véhicules environnants ;
- la situation météorologique ;
- le nombre de voies de la route ;
- la présence d’une voie d’entrée ou de sortie ;
- les données relatives au conducteur du véhicule comprennent :
- le genre du conducteur ;
- l’âge du conducteur ;
- la profession du conducteur ;
- l’expérience du conducteur ;
- le fait que le conducteur ai l’habitude d’utiliser un régulateur de vitesse ;
- le fait que le conducteur ai des connaissance relative aux véhicules à délégation de conduite ;
- le procédé comprend en outre une étape de partitionnement des données acquises préalablement à l’étape de détermination d’un niveau de sécurité par le modèle d’apprentissage automatique ;
- le modèle d’apprentissage artificiel est préalablement entrainé à l’aide de données acquises lors de l’utilisation d’un simulateur de conduite par un conducteur et/ou lors du visionnage de vidéo représentant une situation de conduite par un conducteur.
La description qui va suivre en regard des dessins annexés, donnés à titre d’exemples non limitatifs, fera bien comprendre en quoi consiste l’invention et comment elle peut être réalisée.
Sur les dessins annexés :
En référence à la , un procédé selon l’invention comprend une première étape d’acquisition de données relatives au véhicule dont le but est de représenter la situation dans laquelle se trouve le véhicule et sa dynamique, selon qu’il soit par exemple en circulation à haute vitesse sur autoroute, sur une route sinueuse, ou bien en circulation à basse vitesse. Ces données peuvent par exemple comprendre des informations relatives à la vitesse actuelle du véhicule, à son accélération longitudinale, ainsi que l’angle du volant, ces informations permettant de caractériser la dynamique du véhicule. D’autre informations relatives à la dynamique du véhicule peuvent également être intégrés, telles que l’accélération latérale, le jerk etc.
Avantageusement, ces données peuvent être complétée par des données relatives à la situation de roulage, telles que la position du véhicule dans sa voie, pouvant être représentée par la distance du véhicule aux marquages droit et gauche de la voie dans laquelle il circule ainsi que par la distance du véhicule aux limites droite et gauche de la route (le fait que le véhicule bien dans sa voie, mais relativement proche du bord de la route pouvant par exemple avoir une influence sur la perception du risque par le conducteur). Par ailleurs, il est aussi possible d’intégrer des informations relatives à voie sur laquelle le véhicule circule dans le cas d’une route à plusieurs voies dans une même direction.
Enfin, des informations de plus haut niveau peuvent également être intégrées telles que l’action que le véhicule est en train de réaliser par exemple si le véhicule ego dépasse un autre véhicule, suit un véhicule, change de voie pour prendre une sortie ou une bifurcation.
Dans une deuxième étape, des données relatives à la situation de conduite peuvent être acquises. Ces informations permettent de prendre en compte le contexte dans lequel le véhicule ego évolue, il s’agit de paramètres externes au véhicule ego et sur lequel ce dernier n’a pas de contrôle. Ces données peuvent notamment comprendre la distance des véhicules environnants au véhicule ego, l’accélération longitudinale et éventuellement latérale des véhicules environnants, le nombre de voies de la route, la présence ou non de voies d’entrée ou de sortie, ainsi que la situation météorologique (notamment si le temps est clair, qu’il pleuve ou non…).
Enfin ces données peuvent être complétées par des données relatives au conducteur du véhicule telles que son genre, son âge, sa profession, son expérience en tant que conducteur, ainsi que des informations relatives à ses habitudes de conduite. On peut par exemple tenir compte du fait que le conducteur a l’habitude ou non d’utiliser des aides à la conduite (par exemple le fait que l’utilisateur ai l’habitude d’utiliser un régulateur de vitesse), ainsi que le fait qu’il ai des connaissances relatives aux aides à la conduites embarqués sur les véhicules à délégation de conduite.
Ces trois différentes catégories de données permettent ainsi de représenter au mieux la situation dans laquelle se situe un conducteur de véhicule à délégation de conduite lorsqu’il est sur la route. Il apparaitra évident à la personne de l’art que l’ordre dans lequel l’acquisition de ces données est réalisée n’a pas d’importance, l’ordre dans lequel les étapes d’acquisition sont décrite ci-dessus étant purement arbitraire.
Suite à la phase d’acquisition, le procédé comprend ensuite une étape de détermination du niveau de sécurité de la situation dans laquelle se situe le véhicule. Pour cela, les données acquises à un instant donnés son traitées par un modèle d’apprentissage automatique préalablement entrainé. Ce modèle d’apprentissage automatique peut être de manière avantageuse un réseau de neurones récurent (en anglais Récurrent Neural Network, RNN). Ce type de modèle est particulièrement intéressant car il permet de traiter des séquences temporelles de données et donc de fournir des prédictions (classification, régression, etc.) tenant compte non seulement des données qui lui sont passés à un instant donné, mais également en tenant compte des prédictions qu’il a précédemment réalisé. La détermination du niveau de sécurité peut alors être réalisée à intervalle de temps régulier lors du roulage du véhicule, par exemple toutes les 0,1 secondes, ou toutes les secondes.
De manière préférentielle, le réseau de neurones récurrent pourra être un réseau à longue mémoire à court terme (en anglais Long short-term memory ou LSTM) bien connu du domaine de l’apprentissage automatique et particulièrement efficace pour exploiter les dépendances temporelles dans les séries de données.
Quel que soit le modèle d’apprentissage automatique utilisé, sa sortie pourra être sous la forme de niveaux de sécurité représentés par une étiquette, on pourra pour cela représenter chaque étiquette par du « one-hot encoding ». Ces niveaux pourront par exemple être au nombre de 5 et représentant le ressenti du conducteur vis-à-vis du véhicule lors d’une situation de conduite : « j’ai fait pleinement confiance au véhicule », « j’ai plutôt fait confiance au véhicule », « j’ai eu des doutes dans la capacité du véhicule à gérer la situation », « j’ai eu de forts doutes dans la capacité du véhicule à gérer la situation », « j’ai dû reprendre le contrôle du véhicule immédiatement pour éviter l’accident ». Mais il n’est pas nécessaire d’utiliser de telles catégories, il est également parfaitement possible de représenter les niveaux de sécurité sous la forme d’un scalaire, par exemple un pourcentage de confiance.
Lors du traitement d’un pluralité de séquences temporelles au cours desquelles des données telles que décrit ci-dessus ont été acquises en vu du traitement par le modèle d’apprentissage automatique, il est également possible de réaliser une étape préalable de partitionnement des données acquises de manière à simplifier l’étape de traitement en regroupant ensemble les situations, et les conducteurs en fonction de leurs similarités. Ce partitionnement est particulièrement avantageux lors de l’analyse postérieure des niveaux de sécurité prédits afin d’identifier des situations dans lesquelles le niveau de sécurité perçu est significativement moins bon.
Les données acquises peuvent par ailleurs être normalisées avant l’étape de détermination du niveau de sécurité.
Afin de procéder à l’entrainement du modèle d’apprentissage automatique, deux méthodes d’entrainement pourront être mises en œuvre, seules ou en combinaison. Selon la première méthode, des conducteurs sont invités à regarder des séquences vidéo correspondant à des situations de roulage pour lesquelles les données relatives aux véhicules et à la situation ont été préalablement obtenues, les données relatives aux conducteurs étant obtenues pour chacun des conducteurs. Ces séquences vidéo pourront notamment correspondre à des prises de vues à l’intérieur de l’habitacle du véhicule durant lesquelles le véhicule fait face à une situation de danger, par exemple une situation d’accident imminent. L’utilisation de séquences vidéo permet ainsi d’éviter d’exposer les conducteurs à une situation réellement dangereuse tout en créant des situations proches de la réalité.
De manière alternative ou complémentaire, un simulateur de conduite peut être utilisé afin de reproduire au mieux les situations de conduite tout en évitant d’exposer les conducteurs au risque d’un véritable accident. Pour cela les conducteurs sont invités à piloter un simulateur de conduite.
Suite à la simulation ou bien au visionnage de la séquence vidéo, chaque conducteur est invité à répondre à des questions sur le niveau de sécurité qu’il a perçu lors du roulage, les différents niveaux de sécurité possibles étant ceux définis comme les sorties possibles du modèle d’apprentissage automatique.
Il est également possible d’équiper les conducteurs afin de mesurer certaines variables physiologiques représentatives d’un niveau de stress (pouls, activité nerveuse, expressions faciales…).
Claims (8)
- Procédé d’évaluation de la sécurité d’un véhicule à délégation de conduite pendant une période de temps donnée, comprenant des étapes de :
- acquisition de données relatives au véhicule (1) ;
- acquisition de données relatives à une situation de conduite (2) ;
- acquisition de données relatives à un conducteur du véhicule (3);
- détermination d’un niveau de sécurité par un modèle d’apprentissage automatique (4), le niveau de sécurité étant associé à la situation de conduite et au conducteur du véhicule,
les étapes précédentes étant répétés pendant la période de temps donnée selon un pas de temps. - Procédé d’évaluation de la sécurité d’un véhicule à délégation de conduite selon la revendication 1 dans lequel le modèle d’apprentissage automatique utilisé en est un réseau de neurone récurrent, par exemple un réseau de neurones récurrent à longue mémoire à court terme.
- Procédé d’évaluation de la sécurité d’un véhicule à délégation de conduite selon l’une des revendications précédentes dans lequel le niveau de sécurité du véhicule est évalué sous la forme d’une pluralité de catégories auxquelles correspondent des étiquettes.
- Procédé d’évaluation de la sécurité d’un véhicule à délégation de conduite selon l’une des revendications précédentes dans lequel les données relatives au véhicule comprennent :
- la vitesse actuelle du véhicule ;
- l’accélération longitudinale du véhicule ;
- la distance du véhicule au marquage droit de la voie ;
- la distance du véhicule au marquage gauche de la voie ;
- la distance du véhicule à la limite droite de la route ;
- la distance du véhicule à la limite gauche de la route ;
- l’angle du volant du véhicule ;
- la voie de la route sur laquelle circule le véhicule ;
- l’action réalisée par le véhicule, ladite action pouvant être : dépasser un autre véhicule, ou bien suivre un autre véhicule. - Procédé d’évaluation de la sécurité d’un véhicule à délégation de conduite selon l’une des revendications précédentes dans lequel les données relatives à la situation de conduite comprennent :
- la vitesse relative des véhicules environnants par rapport au véhicule ego ;
- la distance des véhicules environnants au véhicule ego ;
- l’accélération longitudinale des véhicules environnants ;
- la situation météorologique ;
- le nombre de voies de la route ;
- la présence d’une voie d’entrée ou de sortie. - Procédé d’évaluation de la sécurité d’un véhicule à délégation de conduite selon l’une des revendications précédentes dans lequel les données relatives au conducteur du véhicule comprennent :
- le genre du conducteur ;
- l’âge du conducteur ;
- la profession du conducteur ;
- l’expérience du conducteur ;
- le fait que le conducteur ai l’habitude d’utiliser un régulateur de vitesse ;
- le fait que le conducteur ai des connaissance relative aux véhicules à délégation de conduite. - Procédé d’évaluation de la sécurité d’un véhicule à délégation de conduite selon l’une des revendications précédentes comprenant en outre une étape de partitionnement des données acquises préalablement à l’étape de détermination d’un niveau de sécurité par le modèle d’apprentissage automatique.
- Procédé d’évaluation de la sécurité d’un véhicule à délégation de conduite selon l’une des revendications précédentes dans lequel le modèle d’apprentissage artificiel est préalablement entrainé à l’aide de données acquises lors de l’utilisation d’un simulateur de conduite par un conducteur et/ou lors du visionnage de vidéo représentant une situation de conduite par un conducteur.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2208763A FR3139402A1 (fr) | 2022-09-01 | 2022-09-01 | Procede d’evaluation de la securite d’un vehicule a delegation de conduite |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2208763A FR3139402A1 (fr) | 2022-09-01 | 2022-09-01 | Procede d’evaluation de la securite d’un vehicule a delegation de conduite |
| FR2208763 | 2022-09-01 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| FR3139402A1 true FR3139402A1 (fr) | 2024-03-08 |
Family
ID=84887360
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR2208763A Pending FR3139402A1 (fr) | 2022-09-01 | 2022-09-01 | Procede d’evaluation de la securite d’un vehicule a delegation de conduite |
Country Status (1)
| Country | Link |
|---|---|
| FR (1) | FR3139402A1 (fr) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140218187A1 (en) * | 2013-02-04 | 2014-08-07 | Anthony L. Chun | Assessment and management of emotional state of a vehicle operator |
| US20160009295A1 (en) * | 2014-07-10 | 2016-01-14 | Hyundai Mobis Co., Ltd. | On-vehicle situation detection apparatus and method |
| US20190185014A1 (en) * | 2017-12-18 | 2019-06-20 | Hyundai Mobis Co., Ltd. | Safe driving support apparatus and method |
| US20220126820A1 (en) * | 2014-11-13 | 2022-04-28 | State Farm Mutual Automobile Insurance Company | Autonomous vehicle control assessment and selection |
-
2022
- 2022-09-01 FR FR2208763A patent/FR3139402A1/fr active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140218187A1 (en) * | 2013-02-04 | 2014-08-07 | Anthony L. Chun | Assessment and management of emotional state of a vehicle operator |
| US20160009295A1 (en) * | 2014-07-10 | 2016-01-14 | Hyundai Mobis Co., Ltd. | On-vehicle situation detection apparatus and method |
| US20220126820A1 (en) * | 2014-11-13 | 2022-04-28 | State Farm Mutual Automobile Insurance Company | Autonomous vehicle control assessment and selection |
| US20190185014A1 (en) * | 2017-12-18 | 2019-06-20 | Hyundai Mobis Co., Ltd. | Safe driving support apparatus and method |
Non-Patent Citations (1)
| Title |
|---|
| GANDREZ, CLARA ET AL.: "Diss", 2022, HESAM, article "Modèle comportemental d'identification des situations limites en conduite autonome" |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108944939B (zh) | 用于提供驾驶指导的方法和系统 | |
| EP2903875B1 (fr) | Procede d'evaluation du risque de collision a une intersection | |
| FR3054684A1 (fr) | Systeme de pilotage d’un vehicule autonome | |
| US11610411B2 (en) | Driver assistance system and method for displaying traffic information | |
| Katare et al. | Embedded system enabled vehicle collision detection: an ANN classifier | |
| FR3074123A1 (fr) | Evaluation d'un style de conduite d'un conducteur d'un vehicule routier en mouvement par apprentissage automatique | |
| EP3519267B1 (fr) | Assistance à la conduite sur voie rapide à chaussées séparées par un rail de sécurité | |
| Ortiz et al. | Prediction of driver behavior on a limited sensory setting | |
| FR3139402A1 (fr) | Procede d’evaluation de la securite d’un vehicule a delegation de conduite | |
| WO2017051120A1 (fr) | Dispositif d'aide a la conduite pour estimation du danger d'une situation | |
| WO2017118688A1 (fr) | Procédé mis en œuvre dans un véhicule automobile et véhicule automobile associé | |
| EP3338260B1 (fr) | Procédé de détermination d'un niveau d'attention d'un conducteur d'un véhicule automobile et méthode de stimulation de l'attention d'un conducteur d'un véhicule automobile | |
| EP3338261B1 (fr) | Procédé de détermination d'un niveau d'attention d'un conducteur d'un véhicule automobile et méthode de stimulation de l'attention d'un conducteur d'un véhicule automobile | |
| FR2976091A1 (fr) | "procede et dispositif de deconnexion automatique des systemes d'aide a la conduite d'un vehicule en approche d'une barriere de peage" | |
| EP3306590A1 (fr) | Système d'assistance au conducteur et procédé pour véhicule à moteur | |
| FR3075136B1 (fr) | Procede et dispositif d’assistance pour conduire un vehicule a conduite partiellement automatisee, par comparaison d’etats globaux | |
| FR3119697A1 (fr) | Procédé de génération d’une base de données d’images pour l’entrainement d’un réseau de neurones artificiels destiné à être implémenté à bord d’un véhicule automobile | |
| FR3144092A1 (fr) | Procédé mis en œuvre par ordinateur d’aide à la conduite d’un véhicule automobile | |
| FR3135047A1 (fr) | Procédé et dispositif de contrôle d’un système d’aide à la conduite d’un véhicule en fonction d’une information d’intersection de lignes de marquage au sol | |
| WO2020174142A1 (fr) | Assistance à la conduite d'un véhicule, par détermination fiable d'objets dans des images déformées | |
| FR3133098A1 (fr) | Procédé d’analyse d’images dans un véhicule automobile, dispositif et véhicule associés | |
| FR3109125A1 (fr) | Procédé et dispositif d’assistance à la conduite d’un véhicule automobile dans une intersection | |
| FR3135240A1 (fr) | Procédé et dispositif de contrôle d’un système d’aide à la conduite de véhicule en fonction de la détection d’un panneau de signalisation et d’un changement de voie | |
| FR3138101A1 (fr) | Procédé et dispositif de contrôle d’un système SALC d’un véhicule en fonction de la qualité des lignes de marquage au sol | |
| FR3137642A1 (fr) | Procédé et dispositif de contrôle d’un système de changement semi-automatique de voie de circulation d’un véhicule en fonction d’une valeur maximale d’un paramètre dynamique |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20240308 |
|
| PLFP | Fee payment |
Year of fee payment: 3 |