WO2019197781A1 - Apprentissage automatique prédictif pour la prédiction d'une vitesse future d'un véhicule automobile en mouvement sur une route - Google Patents

Apprentissage automatique prédictif pour la prédiction d'une vitesse future d'un véhicule automobile en mouvement sur une route Download PDF

Info

Publication number
WO2019197781A1
WO2019197781A1 PCT/FR2019/050846 FR2019050846W WO2019197781A1 WO 2019197781 A1 WO2019197781 A1 WO 2019197781A1 FR 2019050846 W FR2019050846 W FR 2019050846W WO 2019197781 A1 WO2019197781 A1 WO 2019197781A1
Authority
WO
WIPO (PCT)
Prior art keywords
motor vehicle
acquisition
road
speed
during
Prior art date
Application number
PCT/FR2019/050846
Other languages
English (en)
Inventor
Florent PAJOT
Original Assignee
Continental Automotive France
Continental Automotive Gmbh
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 Continental Automotive France, Continental Automotive Gmbh filed Critical Continental Automotive France
Publication of WO2019197781A1 publication Critical patent/WO2019197781A1/fr

Links

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0841—Registering performance data
    • 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
    • B60W40/08—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 drivers or passengers
    • B60W40/09—Driving style or behaviour
    • 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
    • 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
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/30—Driving style

Definitions

  • the present invention relates to the field of prediction of the future speed of a motor vehicle moving on a road. More specifically, it relates to trained machine learning models, methods, apparatus and a set of computer programs for predicting such speed.
  • the present invention therefore aims to solve the aforementioned drawbacks by providing, in a first aspect of the invention, an automatic learning model driven to predict a future speed of a motor vehicle moving on a road.
  • an automatic learning model driven to predict a future speed of a motor vehicle moving on a road.
  • a method for predicting a future speed of a motor vehicle moving on a road from the machine learning model driven from the first aspect of the invention.
  • a non-transient storage medium on which a computer program according to the third aspect of the invention is stored.
  • the invention relates to a machine learning model driven to predict a future speed of a motor vehicle moving on a road, the driven machine learning model being obtained according to the following steps:
  • An acquisition step during which, at each of the instants of acquisition of a plurality of successive acquisition instants, for each of a plurality of driving motor vehicles in motion, the speed of the driving motor vehicle on a road and characteristics relating to the dynamic behavior of said driving motor vehicle on said road are acquired,
  • a characteristic vector creation step during which, for each of the plurality of driving motor vehicles, a characteristic vector is created from the characteristics relating to the behavior driving dynamics, the first mathematical magnitudes and the second mathematical magnitudes,
  • An association step during which, at each moment of acquisition, for each of the plurality of driving motor vehicles, the characteristic vector is associated with the speed of the vehicle, so as to obtain first model variables of machine learning, and
  • the driven automatic learning model is furthermore obtained according to the following steps:
  • a distance calculation step during which, at each moment of acquisition, for each of the plurality of driving motor vehicles, distances between a current position of the driving motor vehicle on the road and the position of a or several road infrastructure elements are calculated from the geographic data relating to the road infrastructure elements,
  • the second mathematical quantities comprise one or more speed gradients and / or sliding average speeds, calculated over all or part of the predetermined period of time.
  • the automatic learning algorithm is based on the method of decision tree forests.
  • the invention also covers a method for predicting a future speed of a moving motor vehicle, the motor vehicle comprising a data communication bus, coupled to a plurality of sensors of the dynamic operating state of the motor vehicle, the method comprising the following steps: A step of acquisition of speed during which, at each of the instants of acquisition of a plurality of successive acquisition instants, the current speed of the motor vehicle is acquired from the data communication bus,
  • a dynamic characterization step during which, at a current acquisition time, characteristics relating to the dynamic behavior of the motor vehicle are acquired from the data communication bus,
  • a speed-predicting step during which a future speed of the motor vehicle over a future time horizon less than or equal to the predetermined period of time, starting from the current characteristic vector and from a driven automatic learning model as previously described.
  • the prediction method described above further comprises the following steps:
  • the prediction method further comprises the following steps: An association step during which, at the instant of current acquisition, the current characteristic vector is associated with the current speed of the motor vehicle, so as to obtain second variables of the automatic learning model, and
  • the invention also relates to a computer program with program code for performing the method steps of a prediction method described above when the computer program is loaded into the computer or executed in the computer. .
  • the invention furthermore covers a non-transient storage medium on which a computer program described above is stored.
  • the invention covers an apparatus for predicting a future speed of a moving motor vehicle, the motor vehicle comprising a data communication bus, coupled to a plurality of sensors of the dynamic operating state of the motor vehicle, apparatus comprising:
  • a memory for storing the speed of the motor vehicle and characteristics relating to the dynamic behavior of the vehicle
  • An electronic control unit coupled to the geolocation device and to the memory, the electronic control unit being configured to execute instructions for implementing a speed prediction method described above.
  • FIG. 1 represents the general principle of the training of an automatic learning model, according to the invention.
  • FIG. 2 represents a method for obtaining a driven automatic learning model, according to the invention.
  • FIG. 3 represents a method of using the trained automatic learning model according to FIG. 2.
  • - Figure 4 shows an apparatus for predicting a future speed of a moving motor vehicle, according to a first implementation of the invention.
  • - Figure 5 shows an apparatus for predicting a future speed of a moving motor vehicle, according to a second implementation of the invention.
  • the general principle of the invention is based on the observation of correlations between the speed of a motor vehicle moving on a road with the past dynamic behavior of the motor vehicle.
  • machine learning in English
  • the driven automatic learning model is a so-called predictive model in which we discover significant correlations in a set of past observations and in which we seek to generalize these correlations to cases not yet observed.
  • the machine learning model driven according to the invention differs from so-called explanatory models in which it seeks to understand the causal mechanism underlying the phenomenon to be predicted.
  • the machine learning model driven according to the invention is obtained according to a so-called supervised learning process in which the past observations are labeled.
  • observations are said to be "labeled” when each of them is accompanied by a label that identifies the phenomenon to be predicted.
  • the driven automatic learning model then behaves like a filter whose transfer parameters are adjusted from input / output pairs presented and where the input corresponds to the data relating to the dynamic behavior of the motor vehicle and the output corresponds to the speed of the motor vehicle.
  • FIG. 2 illustrates the method 100 for obtaining the driven automatic learning model 200, according to the invention.
  • each motor vehicle training comprises a data communication bus, for example, type CAN ("Controller Area Network" in English) or FlexRay.
  • the communication bus of each driving motor vehicle is coupled to a plurality of sensors of the dynamic operating state of the driving motor vehicle.
  • the sensors of the dynamic operating state of the driving motor vehicle may be chosen from the following sensors: speed sensor, pedal position sensor, acceleration / deceleration sensor, steering wheel angle sensor / turning, blinker indicator, rain sensor, brightness sensor, obstacle detector, tire pressure sensor, stereo camera and radar / sonar ...
  • the method 100 consists first of all in an acquisition step 1 10, at each of the instants of acquisition of a plurality of successive acquisition instants, for each of the plurality driving motor vehicles in motion, the speed of the motor vehicle driving on a road and characteristics relating to the dynamic behavior of the motor vehicle driving on the road.
  • the successive acquisition instants are spaced from each other by a duration T, for example 500 ms or 1 s.
  • the successive acquisition instants are spaced apart from one another by a random duration. Indeed, in this example, it is considered that the various sensors of the drive motor vehicle transmit messages on the data communication bus at a frequency that meets their needs.
  • the method 100 comprises a step of listening to the messages transmitted on the data communication bus.
  • the first mathematical quantities are calculated from a plurality of behavioral data. dynamics of the driving motor vehicle, acquired at acquisition times within a predetermined period of time TA preceding the current acquisition time.
  • the first mathematical quantities include, the number of changes of speed, the number of presses on the brake pedal, the duration of the pressure on the brake pedal, the number of foots on the accelerator pedal, the duration of the acceleration pedal, the duration of the flashing and / or the average brightness received.
  • the predetermined period of time TA is chosen by the following values: 5 s, 10 s, 15 s, 30 s or 60 s.
  • second mathematical quantities are calculated from a plurality of speeds of the vehicle. driving motor, acquired at acquisition times, included in the predetermined period of time TA preceding the current acquisition time.
  • the second mathematical quantities comprise one or more speed gradients and / or one or more sliding average speeds.
  • a characteristic vector is created from the characteristics relating to the dynamic behavior of the driving motor vehicle, the first mathematical magnitudes and second mathematical magnitudes.
  • the characteristic vector is associated with the speed of the driving motor vehicle, so as to obtain first machine learning model variables.
  • an automatic learning model is used to predict, over a predetermined future time horizon, a future speed of a motor vehicle moving on a road, starting from a machine learning algorithm and first model variables machine learning.
  • the predetermined future time horizon is less than or equal to the predetermined time period TA.
  • learning of the machine learning model is performed by providing the machine learning model with a set of training data in English. couples (X, Y), in which X corresponds to a set of input variables, and Y corresponds to a predictable variable ("output feature" in English).
  • the learning data set is determined from the first machine learning model variables.
  • a pair (X, Y) is defined in such a way that the predictive variable X comprises the characteristic vector of the first learning model variables and the predicted variable Y comprises the speed of the motor vehicle driving the first variables. of machine learning model that are associated with the predetermined future time horizon.
  • the predetermined future time horizon is fixed at 10 s.
  • the predictive variable X comprises the characteristic vector of the first learning model variables associated with acquisition instant t
  • the predicted variable Y will comprise the speed of the motor vehicle driving the first machine learning model variables that are associated with the acquisition time t + 10 s.
  • the predetermined future time horizon is fixed at 25 s.
  • the predictive variable X comprises the characteristic vector of the first learning model variables associated with acquisition instant t
  • the predicted variable Y will comprise the speed of the motor vehicle driving the first machine learning model variables that are associated with the acquisition time t + 25 s.
  • each trained machine learning model 200 uses a different set of learning data that is derived from the first machine learning model variables.
  • the machine learning algorithm is based on the decision tree forest method ("Random Forest").
  • Random Forest the decision tree forest method
  • other supervised type regression machine learning algorithms can also be considered.
  • the trained machine learning model 200 also takes into consideration geographic data relating to infrastructure elements of the road on which a drive motor vehicle rolls.
  • Infrastructure element of a road for example, a roundabout, a traffic light, an intersection with another road, a speed bump or a road sign.
  • the method 100 further consists, first of all, in acquiring, during a geographic data acquisition step 170, at each moment of acquisition, for each of the plurality of motor vehicles. training, geographical data relating to road infrastructure elements.
  • each of the plurality of drive motor vehicles includes a geo-location database of road infrastructure elements.
  • Each of the plurality of automotive motor vehicles further comprises a geolocation device of the GPS, GLONASS or Galileo type, for example.
  • the geolocating data of road infrastructure elements is obtained from a remote server.
  • the acquisition of geographical data relating to road infrastructure elements is performed at a lower frequency than that of the plurality of successive acquisition instants.
  • the acquisition of geographic data relating to road infrastructure elements can be performed every 2 s or 5 s, while the acquisition frequency of the plurality of successive acquisition instants can be 500 ms or 1 s.
  • distances 180 at each moment of acquisition, for each of the plurality of driving motor vehicles, distances are calculated between a current position of the driving motor vehicle on the road and the position of one or more road infrastructure elements, based on the geographic data relating to the infrastructure elements of the road.
  • the distances calculated to the characteristic vector are added.
  • the trained machine learning model 200 may take into account meteorological data relating to the route used by each of the plurality of motor vehicles. training.
  • other road information may also be taken into account, such as the number of lanes, the type of road (eg motorway, road for automobile), the speed limit to be observed on the road. or the quality of the bitumen.
  • Figure 3 illustrates a method of using 300 of the trained machine learning model 200 in a motor vehicle moving on a road.
  • the moving motor vehicle comprises a data communication bus which is coupled to a plurality of sensors of the dynamic operating state of said motor vehicle.
  • the method of use 300 of the trained automatic learning model 200 consists firstly in acquiring, during a speed acquisition step 310, at each of the acquisition instants of a plurality of acquisition instants. successive, the current speed of the motor vehicle from the data communication bus.
  • a dynamic characterization step 320 at a current acquisition time, characteristics relating to the dynamic behavior of the motor vehicle are acquired from the data communication bus.
  • the first quantities 330, at the current acquisition instant are calculated of the first mathematical quantities from a plurality of data relating to the dynamic behavior of the motor vehicle, acquired at times of acquisition, included in a predetermined period of time TA preceding the current acquisition time.
  • the second mathematical quantities are calculated from a plurality of speeds of the motor vehicle, acquired at times of acquisition, included in the predetermined period of time TA preceding the current acquisition instant.
  • a characteristic vector running from the characteristics is created. relating to the dynamic behavior of the vehicle, the first mathematical quantities and the second mathematical quantities.
  • a future speed of the motor vehicle is determined over a predetermined future time horizon from the current characteristic vector and the driven automatic training model 200.
  • the method of use 300 of the trained automatic learning model 200 takes into account geographical data relating to road infrastructure elements, in the same manner as during the training of the model. trained auto-learning 200.
  • the method of use 300 of the trained machine learning model 200 uses the data acquired by the motor vehicle to drive the trained machine learning model 200.
  • the method of use 300 of the trained machine learning model 200 further comprises, first of all, to associate, when an association step 370, at the current acquisition time, the current characteristic vector with the current speed of the vehicle so as to obtain second learning model variables.
  • the trained automatic learning model 200 is driven from an automatic learning algorithm and the second learning model variables.
  • the various steps of the method of use 300 of the driven automatic learning model 200 are determined by computer program instructions. Therefore, the invention is also directed to a program with computer program code attached to a non-transitory storage medium, which program code is capable of executing process steps 300 when the computer program is loaded into the computer or running in the computer.
  • FIG. 4 illustrates an apparatus 400 for predicting a future speed of a motor vehicle moving on a road, said apparatus 400 implementing the method described in FIG. 3.
  • the apparatus 400 includes a memory 410 and a microcomputer such as an Electronic Control Unit (ECU) 430.
  • the apparatus 400 also optionally includes a geolocation device. 420.
  • the geolocation device 420 is configured to estimate a geographical position of the moving motor vehicle.
  • the memory 410 is provided for storing the speed of the motor vehicle and characteristics relating to the dynamic behavior of the motor vehicle.
  • the electronic control unit 430 is coupled to the geolocation device 420 and the memory 410, while being configured to execute instructions for implementing the method 300.
  • the memory 410 and the electronic control unit 430 are arranged in a remote server 440 of a computer architecture in the computing cloud 440.
  • “Cloud” is a set of interconnected computer hardware, networks and software that can be accessed from anywhere in the world.
  • the apparatus 400 comprises a transceiver 450, for example of radio-frequency type, configured to send to the remote server 440, the speed of the moving motor vehicle, the characteristics relating to the dynamic behavior of the vehicle and optionally the geographical position. said motor vehicle. Subsequently, the transceiver 450 is configured to receive the speed predicted by the electronic control unit 430.
  • the device 400 is coupled to the dashboard of the motor vehicle to display the future speed (s) predicted.
  • the apparatus 400 may generate a display on the dashboard of the motor vehicle, future predictions of speeds at 5 s, 10 s and 15 s with respect to the current acquisition time.
  • each future rate is obtained from a driven training model 200 specifically trained to make a prediction in the predetermined future time horizon that is desired.
  • the apparatus 400 may be used in a standalone car or in a driver assistance system.
  • a driver assistance system it will be possible to warn the driver of a motor vehicle of the upcoming arrival of a turn and inform him about an unsuitable future speed or future speed to adopt.
  • the trained automatic learning model 200 has the advantage of not being dependent on a geographical position, so that it can be used on a route not present in the training data set. In addition, it can constantly improve thanks to the continuous acquisition, new training data. The various improvements can also be centralized in the cloud computing in order to benefit all motor vehicles having access to it.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

Modèle d'apprentissage automatique entrainé (200), procédés (100, 300), appareils (400) et ensemble de programmes informatiques permettant de prédire une vitesse future d'un véhicule automobile en mouvement sur une route. Le principe général de l'invention est basé sur l'observation de corrélations entre la vitesse d'un véhicule automobile en mouvement sur une route avec le comportement dynamique passé du véhicule automobile. Cette observation a conduit l'inventeur à envisager l'utilisation de l'apprentissage automatique pour créer un modèle d'apprentissage automatique entrainé afin de prédire une vitesse future d'un véhicule automobile en mouvement sur une route à partir du comportement dynamique du véhicule automobile. Dans l'invention, le modèle d'apprentissage automatique entrainé est un modèle dit prédictif dans lequel on découvre des corrélations significatives dans un jeu d'observations passées et dans lequel on cherche à généraliser ces corrélations à des cas non encore observés.

Description

Apprentissage automatique prédictif pour la prédiction d’une vitesse future d’un véhicule automobile en mouvement sur une route
La présente invention concerne le domaine de la prédiction de la vitesse future d’un véhicule automobile en mouvement sur une route. Plus précisément, elle concerne des modèles d’apprentissage automatique entraînés, des procédés, des appareils et un ensemble de programmes informatiques permettant de prédire une telle vitesse.
La vitesse excessive ou inappropriée constitue le premier problème de sécurité routière dans de nombreux pays. En pratique, elle est à l’origine d'environ un tiers des accidents mortels. En outre, elle constitue un facteur aggravant dans tous les accidents.
Afin de résoudre ce problème de sécurité, des technologies d’assistance à la vitesse et des technologies de contrôle de la vitesse ont été développées.
On connaît ainsi, des systèmes régulateurs de vitesse ou limiteurs de vitesse qui permettent à un conducteur d’un véhicule automobile de fixer une vitesse maximale à ne pas dépasser. C'est le cas, par exemple, dans des zones de conduite ou des situations de conduite particulières, telles que des zones à virage.
On connaît également des méthodes pour prédire une vitesse d’un véhicule automobile en fonction d'un historique de vitesse. Toutefois, on a constaté que la connaissance d’un historique de vitesse ne permet pas de connaître le comportement futur du véhicule automobile dû à la variabilité de son environnement. Les prédictions proposées par ces méthodes sont donc peu précises, car la connaissance du passé du véhicule automobile est insuffisante.
On connaît aussi des méthodes pour prédire une vitesse d’un véhicule automobile en fonction d'un profil de conduite. Toutefois, ces méthodes présentent de nombreux inconvénients. Par exemple, la vitesse prédite n’est pas adaptée à un véhicule automobile spécifique, car la vitesse prédite est dérivée d’une distribution statistique de vitesse qui peut varier au cours du temps, de sorte que la vitesse prédite correspond à une généralisation ne prenant pas en compte le comportement singulier d’un véhicule automobile particulier. En outre, ces méthodes sont dépendantes du lieu où la distribution statistique de vitesse a été déterminée. Il n’est donc pas possible d’extrapoler la prédiction de vitesse sur des routes n’ayant pas été utilisées pour déterminer la distribution statistique de vitesse.
La présente invention vise donc à résoudre les inconvénients précités en procurant, dans un premier aspect de l’invention un modèle d’apprentissage automatique entraîné pour prédire une vitesse future d’un véhicule automobile en mouvement sur une route. Dans un deuxième aspect de l’invention il est proposé un procédé de prédiction d’une vitesse future d’un véhicule automobile en mouvement sur une route à partir du modèle d’apprentissage automatique entraîné du premier aspect de l’invention.
Dans un troisième aspect de l’invention il est proposé un ordinateur avec un code de programme pour exécuter les étapes de procédé du deuxième aspect de l’invention.
Dans un quatrième aspect de l’invention il est proposé un support de stockage non transitoire sur lequel un programme d'ordinateur selon le troisième aspect de l’invention est stocké.
Enfin, dans un cinquième aspect de l’invention il est proposé un appareil pour prédire une vitesse future d’un véhicule automobile en mouvement sur une route.
Ainsi, l’invention se rapporte à un modèle d’apprentissage automatique entraîné pour prédire une vitesse future d’un véhicule automobile en mouvement sur une route, le modèle d’apprentissage automatique entraîné étant obtenu selon les étapes suivantes :
• une étape d’acquisition durant laquelle, à chacun des instants d’acquisition d'une pluralité d'instants d’acquisition successifs, pour chacun parmi une pluralité de véhicules automobiles d’entraînement en mouvement, la vitesse du véhicule automobile d’entraînement sur une route et des caractéristiques relatives au comportement dynamique dudit véhicule automobile d’entraînement sur ladite route sont acquises,
• une étape de calcul des premières grandeurs durant laquelle, à chaque instant d’acquisition, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, de premières grandeurs mathématiques sont calculées à partir d’une pluralité de données relatives au comportement dynamique du véhicule automobile d’entraînement, acquises à des instants d’acquisition compris dans une période de temps prédéterminée précédant l’instant d’acquisition courant,
• une étape de calcul des secondes grandeurs durant laquelle, à chaque instant d’acquisition, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, des secondes grandeurs mathématiques sont calculées à partir d’une pluralité de vitesses du véhicule automobile d’entraînement, acquises à des instants d’acquisition compris dans la période de temps prédéterminée précédant l’instant d’acquisition courant,
• une étape de création de vecteur caractéristique durant laquelle, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, on créé un vecteur caractéristique à partir des caractéristiques relatives au comportement dynamique du véhicule automobile d’entraînement, des premières grandeurs mathématiques et des secondes grandeurs mathématiques,
• une étape d’association durant laquelle, à chaque instant d’acquisition, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, on associe le vecteur caractéristique avec la vitesse du véhicule, de sorte à obtenir des premières variables de modèle d’apprentissage automatique, et
• une étape d’entraînement du modèle durant laquelle on entraîne un modèle d’apprentissage automatique pour prédire sur un horizon temporel futur inférieur ou égal à la période de temps prédéterminée, une vitesse future d’un véhicule automobile en mouvement sur une route, à partir d’un algorithme d’apprentissage automatique et des premières variables de modèle d’apprentissage automatique.
Selon un mode de réalisation, le modèle d’apprentissage automatique entraîné est en outre obtenu selon les étapes suivantes :
• une étape d’acquisition de données géographiques durant laquelle, à chaque instant d’acquisition, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, des données géographiques relatives à des éléments d'infrastructure de la route sont acquises,
• une étape de calcul des distances durant laquelle, à chaque instant d’acquisition, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, des distances entre une position courante du véhicule automobile d’entraînement sur la route et la position d’un ou de plusieurs éléments d'infrastructure de la route sont calculées à partir des données géographiques relatives aux éléments d'infrastructure de la route,
• une étape de combinaison durant laquelle, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, les distances calculées sont ajoutées au vecteur caractéristique.
Selon un mode de réalisation les secondes grandeurs mathématiques comprennent une ou plusieurs gradients de vitesse et/ou moyennes glissantes de vitesse, calculés sur tout ou partie de la période de temps prédéterminée.
Dans une variante l’algorithme d’apprentissage automatique est basé sur la méthode des forêts d'arbres décisionnels.
L’invention couvre également un procédé de prédiction d’une vitesse future d’un véhicule automobile en mouvement, le véhicule automobile comprenant un bus de communication de données, couplé à une pluralité de capteurs de l’état dynamique de fonctionnement du véhicule automobile, le procédé comprenant les étapes suivantes : • une étape d’acquisition de vitesse durant laquelle, à chacun des instants d’acquisition d'une pluralité d'instants d’acquisition successifs, la vitesse courante du véhicule automobile est acquise à partir du bus de communication de données,
• une étape de caractérisation dynamique durant laquelle, à un instant d’acquisition courant, des caractéristiques relatives au comportement dynamique du véhicule automobile sont acquises à partir du bus de communication de données,
• une étape de calcul des premières grandeurs durant laquelle, à l’instant d’acquisition courant, des premières grandeurs mathématiques sont calculées à partir d’une pluralité de données relatives au comportement dynamique du véhicule automobile, acquises à des instants d’acquisition compris dans une période de temps prédéterminée précédant l’instant d’acquisition courant,
• une étape de calcul des secondes grandeurs durant laquelle, à l’instant d’acquisition courant, des secondes grandeurs mathématiques sont calculées à partir d’une pluralité de vitesses du véhicule automobile acquises à des instants d’acquisition compris dans la période de temps prédéterminée précédant l’instant d’acquisition courant,
• une étape d’établissement d’un vecteur caractéristique durant laquelle un vecteur caractéristique courant est créé à partir des caractéristiques relatives au comportement dynamique du véhicule automobile, des premières grandeurs mathématiques et des secondes grandeurs mathématiques,
• une étape de prévision de vitesse durant laquelle une vitesse future du véhicule automobile sur un horizon temporel futur inférieur ou égal à la période de temps prédéterminée, à partir du vecteur caractéristique courant et d’un modèle d’apprentissage automatique entraîné tel que décrit précédemment.
Avantageusement, le procédé de prédiction décrit ci-dessus comprend en outre les étapes suivantes :
• acquérir à l’instant d’acquisition courant, des données géographiques relatives à des éléments d'infrastructure de la route,
• calculer à l’instant d’acquisition courant, des distances entre une position courante du véhicule automobile et la position d’un ou de plusieurs éléments d'infrastructure de la route, à partir des données géographiques relatives aux éléments d'infrastructure de la route,
• ajouter les distances calculées au vecteur caractéristique courant.
Selon une variante, le procédé de prédiction comprend en outre les étapes suivantes : • une étape d’association durant laquelle, à l’instant d’acquisition courant, le vecteur caractéristique courant est associé avec la vitesse courante du véhicule automobile, de sorte à obtenir des secondes variables de modèle d’apprentissage automatique, et
• une étape d’entraînement durant laquelle le modèle d’apprentissage automatique entraîné décrit ci-dessus est entraîné à partir d’un algorithme d’apprentissage automatique et des secondes variables de modèle d’apprentissage automatique.
L’invention se rapporte également à un programme d'ordinateur avec un code de programme pour exécuter les étapes de procédé d'un procédé de prédiction décrit plus haut lorsque le programme d'ordinateur est chargé dans l'ordinateur ou exécuté dans l'ordinateur.
L’invention couvre en outre un support de stockage non transitoire sur lequel un programme d'ordinateur décrit ci-dessus est stocké.
Enfin, l’invention couvre un appareil pour prédire une vitesse future d’un véhicule automobile en mouvement, le véhicule automobile comprenant un bus de communication de données, couplé à une pluralité de capteurs de l’état dynamique de fonctionnement du véhicule automobile, l’appareil comprenant :
• un dispositif de géolocalisation pour estimer une position géographique du véhicule automobile,
• une mémoire pour stocker la vitesse du véhicule automobile et des caractéristiques relatives au comportement dynamique du véhicule,
• une unité de commande électronique couplée au dispositif de géolocalisation et à la mémoire, l’unité de commande électronique étant configurée pour exécuter des instructions pour mettre en oeuvre un procédé de prédiction de vitesse décrit ci-dessus.
D’autres caractéristiques et avantages de l'invention seront mieux compris à la lecture de la description qui va suivre et en référence aux dessins annexés, donnés à titre illustratif et nullement limitatif.
- La figure 1 représente le principe général de l’entrainement d’un modèle d’apprentissage automatique, selon l’invention.
- La figure 2 représente un procédé d’obtention d’un modèle d’apprentissage automatique entraîné, selon l’invention.
- La figure 3 représente un procédé d’utilisation du modèle d’apprentissage automatique entraîné conformément à la figure 2.
- La figure 4 représente un appareil pour prédire une vitesse future d’un véhicule automobile en mouvement, selon une première mise en oeuvre de l’invention. - La figure 5 représente un appareil pour prédire une vitesse future d’un véhicule automobile en mouvement, selon une deuxième mise en oeuvre de l’invention.
Pour des raisons de clarté, les éléments représentés ne sont pas à l’échelle les uns par rapport aux autres, sauf mention contraire.
Le principe général de l’invention est basé sur l’observation de corrélations entre la vitesse d’un véhicule automobile en mouvement sur une route avec le comportement dynamique passé du véhicule automobile.
Cette observation a conduit l’inventeur à envisager l’utilisation de l’apprentissage automatique (« machine learning », en langue anglaise) pour créer un modèle d’apprentissage automatique.
Dans l’invention, le modèle d’apprentissage automatique entraîné est un modèle dit prédictif dans lequel on découvre des corrélations significatives dans un jeu d’observations passées et dans lequel on cherche à généraliser ces corrélations à des cas non encore observés. À ce titre, le modèle d’apprentissage automatique entraîné selon l’invention se distingue des modèles dits explicatifs dans lesquels on cherche à comprendre le mécanisme causal qui sous-tend le phénomène à prédire.
En outre, le modèle d’apprentissage automatique entraîné selon l’invention est obtenu selon une démarche d’apprentissage dite supervisée dans laquelle les observations passées sont labélisées. En pratique, des observations sont dites « labélisées » lorsque chacune d’entre elles est accompagnée d’un label qui identifie le phénomène à prédire.
Dans ce cadre, le modèle d’apprentissage automatique entraîné se comporte alors comme un filtre dont les paramètres de transfert sont ajustés à partir de couples entrée/sortie présentés et où l’entrée correspond aux données relatives au comportement dynamique du véhicule automobile et la sortie correspond à la vitesse du véhicule automobile.
Dans un souci de précision, on notera que la notion de paramètres de transfert d’un filtre, telle qu’utilisée ci-dessus pour illustrer les effets du comportement dynamique du véhicule automobile sur la vitesse future du véhicule automobile, constitue ce que l’on appelle la rétroaction (« feedback », en langue anglaise) qui est obtenue dans le cadre de l’optimisation d’un algorithme d’apprentissage supervisé. Dans une telle optimisation, on calcule le gradient de la fonction de coût choisie selon chaque entrée du système en fonction des entrées/sorties présentées dans le but d’ajuster les paramètres de transfert. La figure 1 illustre le principe général de l’entrainement d’un modèle d’apprentissage automatique. Dans la figure 1 , des données brutes Di sont utilisées par un procédé 100 pour obtenir un modèle d’apprentissage automatique entraîné 200.
La figure 2 illustre le procédé 100 d’obtention du modèle d’apprentissage automatique entraîné 200, selon de l’invention.
Le procédé 100 nécessite une pluralité (non représentée) de véhicules automobiles d’entrainement, en mouvement sur une pluralité de routes. En outre, chaque véhicule automobile d’entrainement comprend un bus de communication de données, par exemple, de type CAN (« Controller Area Network », en langue anglaise) ou FlexRay. Le bus de communication de chaque véhicule automobile d’entrainement est couplé à une pluralité de capteurs de l’état dynamique de fonctionnement du véhicule automobile d’entrainement. Dans un exemple, les capteurs de l’état dynamique de fonctionnement du véhicule automobile d’entrainement peuvent être choisis parmi les capteurs suivants : capteur de vitesse, capteur de position de pédale, capteur d'accélération/de décélération, capteur d'angle volant / de braquage, indicateur de clignotant, capteur de pluie, capteur de luminosité, détecteur d’obstacle, capteur de pression de pneus, caméra stéréo et radars/sonars...
Dans l’exemple de la figure 2, le procédé 100 consiste tout d’abord en une étape d’acquisition 1 10, à chacun des instants d’acquisition d'une pluralité d'instants d’acquisition successifs, pour chacun parmi la pluralité de véhicules automobiles d’entraînement en mouvement, de la vitesse du véhicule automobile d’entrainement sur une route et des caractéristiques relatives au comportement dynamique du véhicule automobile d’entrainement sur la route. Dans un exemple de l’étape d’acquisition 110, les instants d’acquisition successifs sont espacés les uns des autres d'une durée T, par exemple 500 ms ou 1 s. Dans un autre exemple, les instants d’acquisition successifs sont espacés les uns des autres d'une durée aléatoire. En effet, dans cet exemple, on considère que les différents capteurs du véhicule automobile d’entrainement émettent des messages sur le bus de communication de données à une fréquence répondant à leurs besoins. Dans ce cas, le procédé 100 comprend une étape consistant à écouter les messages émis sur le bus de communication de données. Dans l’étape de cet exemple, il peut être nécessaire de réaliser un traitement postérieur des données recueillies du bus de communication de données afin de rectifier la distribution temporelle des messages observés, et ce, afin que la distribution temporelle des messages observés soit régulièrement espacée dans le temps, par exemple 500 ms ou 1 s. Par exemple, on pourra réaliser des interpolations ou calculer des moyennes adéquates pour obtenir une valeur représentative des messages observés dans l’intervalle de temps souhaité. Ensuite, on calcule lors d’une étape de calcul des premières grandeurs 120, à chaque instant d’acquisition, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, des premières grandeurs mathématiques à partir d’une pluralité de données relatives au comportement dynamique du véhicule automobile d’entrainement, acquises à des instants d’acquisition compris dans une période de temps prédéterminée TA précédant l’instant d’acquisition courant.
Dans un exemple de l’étape de calcul des premières grandeurs 120, les premières grandeurs mathématiques comprennent, le nombre de changements de vitesse, le nombre d’appuis sur la pédale de frein, la durée d’appui sur la pédale de frein, le nombre d’appuis sur la pédale d’accélération, la durée d’appui sur la pédale d’accélération, la durée de maintien du clignotant et/ou la moyenne de luminosité reçue.
Dans un autre exemple de l’étape de calcul des premières grandeurs 120, la période de temps prédéterminée TA est choisie par les valeurs suivantes : 5 s, 10 s, 15 s, 30 s ou 60 s.
Par ailleurs, on calcule lors d’une étape de calcul des secondes grandeurs 130, à chaque instant d’acquisition, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, des secondes grandeurs mathématiques à partir d’une pluralité de vitesses du véhicule automobile d’entrainement, acquises à des instants d’acquisition, compris dans la période de temps prédéterminée TA précédant l’instant d’acquisition courant.
Dans un exemple de l’étape de calcul des secondes grandeurs 130, les secondes grandeurs mathématiques comprennent, un ou plusieurs gradients de vitesse et/ou une ou plusieurs moyennes glissantes de vitesse.
Par la suite, on crée lors d’une étape de création de vecteur caractéristique 140, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, un vecteur caractéristique à partir des caractéristiques relatives au comportement dynamique du véhicule automobile d’entrainement, des premières grandeurs mathématiques et des secondes grandeurs mathématiques.
Puis, on associe lors d’une étape d’association 150, à chaque instant d’acquisition, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, le vecteur caractéristique avec la vitesse du véhicule automobile d’entraînement, de sorte à obtenir des premières variables de modèle d’apprentissage automatique.
Enfin, lors d’une étape d’entraînement du modèle 160, on entraine un modèle d’apprentissage automatique pour prédire sur un horizon temporel futur prédéterminé, une vitesse future d’un véhicule automobile en mouvement sur une route, à partir d’un algorithme d’apprentissage automatique et des premières variables de modèle d’apprentissage automatique. Dans une mise en oeuvre particulière, l’horizon temporel futur prédéterminé est inférieur ou égal à la période de temps prédéterminée TA.
Dans l’étape d’entraînement du modèle 160, on réalise l’apprentissage du modèle d’apprentissage automatique en fournissant au modèle d’apprentissage automatique un jeu de données d’apprentissage (« training set », en langue anglaise) sous forme de couples (X, Y), dans lesquels X correspond à un ensemble de variables prédictives (« input features », en langue anglaise) et Y correspond à une variable à prédire (« output feature », en langue anglaise). Dans l’invention, le jeu de données d’apprentissage est déterminé à partir des premières variables de modèle d’apprentissage automatique. En pratique, un couple (X, Y) est défini de telle sorte que la variable prédictive X comprend le vecteur caractéristique des premières variables de modèle d’apprentissage automatique et la variable prédite Y comprend la vitesse du véhicule automobile d’entraînement des premières variables de modèle d’apprentissage automatique qui sont associées à l’horizon temporel futur prédéterminé.
Pour illustrer l’étape d’entraînement du modèle 160, prenons un exemple dans lequel on considère que l’horizon temporel futur prédéterminé est fixé à 10 s. Dans ce cas, pour chaque couple (X, Y), si la variable prédictive X comprend le vecteur caractéristique des premières variables de modèle d’apprentissage automatique associées à instant d’acquisition t, alors la variable prédite Y comprendra la vitesse du véhicule automobile d’entraînement des premières variables de modèle d’apprentissage automatique qui sont associées à l’instant d’acquisition t + 10 s. Prenons un autre exemple dans lequel on considère que l’horizon temporel futur prédéterminé est fixé à 25 s. Dans ce cas, pour chaque couple (X, Y), si la variable prédictive X comprend le vecteur caractéristique des premières variables de modèle d’apprentissage automatique associées à instant d’acquisition t, alors la variable prédite Y comprendra la vitesse du véhicule automobile d’entraînement des premières variables de modèle d’apprentissage automatique qui sont associées à l’instant d’acquisition t + 25 s.
On notera qu’il est envisagé d’entrainer une pluralité de modèles d’apprentissage automatique entraîné 200 afin de prédire la vitesse future d’un véhicule automobile en mouvement sur une route, sur une pluralité d’horizons temporels futurs prédéterminés. Ainsi, par exemple, on pourra obtenir un premier modèle d’apprentissage automatique entraîné 200 sur un l’horizon temporel futur prédéterminé de 5 s, un deuxième modèle d’apprentissage automatique entraîné 200 sur un l’horizon temporel futur prédéterminé de 10 s, un troisième modèle d’apprentissage automatique entraîné 200 sur un l’horizon temporel futur prédéterminé de 20 s et un quatrième modèle d’apprentissage automatique entraîné 200 sur un l’horizon temporel futur prédéterminé de 60 s. Dans cet exemple, chaque modèle d’apprentissage automatique entraîné 200 utilise alors, un jeu de données d’apprentissage différents qui est dérivé des premières variables de modèle d’apprentissage automatique.
Dans un exemple de l’étape d’entraînement du modèle 160, l’algorithme d’apprentissage automatique est basé sur la méthode des forêts d'arbres décisionnels (« Random Forest », en langue anglaise). Toutefois, d’autres algorithmes d’apprentissage automatique de régression de type supervisé peuvent également être envisagés.
Dans une mise en oeuvre particulière, le modèle d’apprentissage automatique entraîné 200 prend également en considération des données géographiques relatives à des éléments d'infrastructure de la route sur laquelle roule un véhicule automobile d’entraînement. On entend par élément d’infrastructure d’une route, par exemple, un rond-point, un feu tricolore, une intersection avec une autre route, un dos d’âne ou encore un panneau de signalisation.
Dans cette mise en oeuvre particulière, le procédé 100 consiste en outre, tout d’abord, à acquérir lors d’une étape d’acquisition de données géographiques 170, à chaque instant d’acquisition, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, des données géographiques relatives à des éléments d'infrastructure de la route. Dans un exemple de l’étape d’acquisition de données géographiques 170, chacun parmi la pluralité de véhicules automobiles d’entraînement comprend une base de données géolocalisant des éléments d'infrastructure de la route. Chacun parmi la pluralité de véhicules automobiles d’entraînement comprend en outre un dispositif de géolocalisation de type GPS, GLONASS ou encore par exemple Galileo. Dans un autre exemple de l’étape d’acquisition de données géographiques 170, les données géolocalisant des éléments d'infrastructure de la route sont obtenues à partir serveur distant. Dans une mise en oeuvre particulière, l’acquisition des données géographiques relatives à des éléments d'infrastructure de la route est réalisée à une fréquence moins élevée que celle de la pluralité d'instants d’acquisition successifs. Par exemple, l’acquisition des données géographiques relatives à des éléments d'infrastructure de la route peut est réalisée tous les 2 s ou 5 s, tandis que la fréquence d’acquisition de la pluralité d'instants d’acquisition successifs peut être de 500 ms ou 1 s.
Ensuite, on calcule lors d’une étape de calcul des distances 180, à chaque instant d’acquisition, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, des distances entre une position courante du véhicule automobile d’entraînement sur la route et la position d’un ou de plusieurs éléments d'infrastructure de la route, à partir des données géographiques relatives aux éléments d'infrastructure de la route. Enfin, on ajoute lors d’une étape de combinaison 190, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, les distances calculées au vecteur caractéristique.
Dans une autre mise en oeuvre particulière, de la même manière que la mise en oeuvre particulière précédente, le modèle d’apprentissage automatique entraîné 200 peut prendre en considération des données météorologiques relatives à la route utilisée par chacun parmi la pluralité de véhicules automobiles d’entraînement. En outre, d’autres informations concernant la route peuvent également être prises en compte comme, par exemple, le nombre de voies, le type de route (par exemple, autoroute, route pour automobile), la limitation de vitesse à observer sur la route ou encore la qualité du bitume.
La figure 3 illustre un procédé d’utilisation 300 du modèle d’apprentissage automatique entraîné 200 dans un véhicule automobile en mouvement sur une route. Comme les véhicules automobiles d’entrainement, le véhicule automobile en mouvement comprend un bus de communication de données qui est couplé à une pluralité de capteurs de l’état dynamique de fonctionnement dudit véhicule automobile.
Le procédé d’utilisation 300 du modèle d’apprentissage automatique entraîné 200 consiste tout d’abord à acquérir lors d’une étape d’acquisition de vitesse 310, à chacun des instants d’acquisition d'une pluralité d'instants d’acquisition successifs, la vitesse courante du véhicule automobile à partir du bus de communication de données.
Par ailleurs, on acquiert également lors d’une étape de caractérisation dynamique 320, à un instant d’acquisition courant, des caractéristiques relatives au comportement dynamique du véhicule automobile à partir du bus de communication de données.
Ensuite, on calcule lors d’une étape de calcul des premières grandeurs 330, à l’instant d’acquisition courant, des premières grandeurs mathématiques à partir d’une pluralité de données relatives au comportement dynamique du véhicule automobile, acquises à des instants d’acquisition, compris dans une période de temps prédéterminée TA précédant l’instant d’acquisition courant.
On calcule lors d’une étape de calcul des secondes grandeurs 340, également à l’instant d’acquisition courant, des secondes grandeurs mathématiques à partir d’une pluralité de vitesses du véhicule automobile, acquises à des instants d’acquisition, compris dans la période de temps prédéterminée TA précédant l’instant d’acquisition courant.
Par la suite, on crée lors d’une étape d’établissement d’un vecteur caractéristique 350, un vecteur caractéristique courant à partir des caractéristiques relatives au comportement dynamique du véhicule, des premières grandeurs mathématiques et des secondes grandeurs mathématiques.
Enfin, on détermine lors d’une étape de prévision de vitesse 360, une vitesse future du véhicule automobile sur un horizon temporel futur prédéterminé, à partir du vecteur caractéristique courant et du modèle d’apprentissage automatique entraîné 200.
Dans une mise en oeuvre particulière, le procédé d’utilisation 300 du modèle d’apprentissage automatique entraîné 200 prend en considération des données géographiques relatives à des éléments d'infrastructure de la route, de la même manière que lors de l’entrainement du modèle d’apprentissage automatique entraîné 200.
Dans une autre mise en oeuvre particulière, le procédé d’utilisation 300 du modèle d’apprentissage automatique entraîné 200 utilise les données acquises par le véhicule automobile pour entraîner le modèle d’apprentissage automatique entraîné 200.
Dans cette mise en oeuvre particulière qui correspond à un entrainement continu du modèle d’apprentissage automatique entraîné 200, le procédé d’utilisation 300 du modèle d’apprentissage automatique entraîné 200 consiste en outre, tout d’abord, à associer, lors d’une étape d’association 370, à l’instant d’acquisition courant, le vecteur caractéristique courant avec la vitesse courante du véhicule de sorte à obtenir des secondes variables de modèle d’apprentissage automatique.
Enfin, lors d’une étape d’entraînement 380, on entraîne le modèle d’apprentissage automatique entraîné 200, à partir d’un algorithme d’apprentissage automatique et des secondes variables de modèle d’apprentissage automatique.
Dans un mode particulier de réalisation de l’invention, les différentes étapes du procédé d’utilisation 300 du modèle d’apprentissage automatique entraîné 200 sont déterminées par des instructions de programmes d'ordinateurs. Par conséquent, l'invention vise aussi un programme avec un code de programme d'ordinateur fixé sur un support de stockage non transitoire, ce code de programme étant susceptible d’exécuter les étapes de procédé 300 lorsque le programme d'ordinateur est chargé dans l'ordinateur ou exécuté dans l'ordinateur.
La figure 4 illustre un appareil 400 pour prédire une vitesse future d’un véhicule automobile en mouvement sur une route, ledit appareil 400 mettant en oeuvre le procédé décrit à la figure 3.
L’appareil 400 comprend une mémoire 410 et un micro-ordinateur telle une unité de commande électronique « ECU » (« Electronic Control Unit », en langue anglaise) 430. L’appareil 400 comprend également, de façon optionnelle, un dispositif de géolocalisation 420.
Dans la figure 4, le dispositif de géolocalisation 420 est configuré pour estimer une position géographique du véhicule automobile en mouvement. La mémoire 410 est prévue pour stocker la vitesse du véhicule automobile et des caractéristiques relatives au comportement dynamique du véhicule automobile. Enfin, l’unité de commande électronique 430 est couplée au dispositif de géolocalisation 420 et à la mémoire 410, tout en étant configurée pour exécuter des instructions pour mettre en oeuvre le procédé 300.
Dans une mise en oeuvre particulière de l’appareil 400, comme illustrée par la figure 5, la mémoire 410 et l’unité de commande électronique 430 sont disposées dans un serveur distant 440 d'une architecture d'informatique dans le nuage informatique 440. On entend par « nuage informatique » (appelé « cloud », en langue anglaise) un ensemble de matériels, réseaux et logiciels informatiques interconnectés et accessibles depuis n'importe où dans le monde. Dans ce cas, l’appareil 400 comprend un émetteur- récepteur 450, par exemple de type radiofréquence, configuré pour envoyer au serveur distant 440, la vitesse du véhicule automobile en mouvement, les caractéristiques relatives au comportement dynamique du véhicule et optionnellement la position géographique dudit véhicule automobile. Par la suite, l’émetteur-récepteur 450 est configuré pour recevoir la vitesse prédite par l’unité de commande électronique 430.
Dans un exemple des figures 4 et 5, l’appareil 400 est couplé au tableau de bord du véhicule automobile pour afficher la ou les vitesse(s) future(s) prédites. Par exemple, l’appareil 400 peut générer un affichage sur le tableau de bord du véhicule automobile, des prédictions futures de vitesses à 5 s, 10 s et 15 s par rapport à l’instant d’acquisition courant. Dans ce cas, chaque vitesse future est obtenue à partir d’un modèle d’apprentissage automatique entraîné 200 spécifiquement entraîné pour réaliser une prédiction dans l’horizon temporel futur prédéterminé qui est souhaité.
Dans un autre exemple des figures 4 et 5, l’appareil 400 peut être utilisé dans une voiture autonome ou dans un système d’assistance à la conduite. Ainsi, par exemple, il sera possible de prévenir le conducteur d’un véhicule automobile de l’arrivée prochaine d’un virage et de l’informer à propos d’une vitesse future inadaptée ou de la vitesse future à adopter.
Le modèle d’apprentissage automatique entraîné 200, selon l’invention, présente l’avantage de ne pas dépendre d’une position géographique, de sorte qu’il peut être utilisé sur une route non présente dans le jeu de données d’apprentissage. En outre, il peut s’améliorer en permanence grâce à l’acquisition en continu, de nouvelles données d’entrainement. Les différentes améliorations peuvent en outre être centralisées dans le nuage informatique afin d’en faire profiter l’ensemble des véhicules automobiles y ayant accès.
La présente invention a été décrite et illustrée dans la présente description détaillée et dans les figures. Toutefois, la présente invention ne se limite pas aux formes de réalisation présentées. Ainsi, d’autres variantes et modes de réalisation peuvent être déduits et mis en oeuvre par l’homme du métier à la lecture de la présente description et des figures annexées.

Claims

REVENDICATIONS
1. Procédé (100) d’obtention d’un modèle de prédiction pour prédire une vitesse future d’un véhicule automobile en mouvement sur une route, le procédé comportant les étapes suivantes :
• une étape d’acquisition (110) durant laquelle, à chacun des instants d’acquisition d'une pluralité d'instants d’acquisition successifs, pour chacun parmi une pluralité de véhicules automobiles d’entraînement en mouvement, la vitesse du véhicule automobile d’entraînement sur une route et des caractéristiques relatives au comportement dynamique dudit véhicule automobile d’entraînement sur ladite route sont acquises au moyen d’un bus de communication de données, couplé à une pluralité de capteurs de l’état dynamique de fonctionnement du véhicule d’entrainement,
• une étape de calcul des premières grandeurs (120) durant laquelle, à chaque instant d’acquisition, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, de premières grandeurs mathématiques sont calculées à partir d’une pluralité de données relatives au comportement dynamique du véhicule automobile d’entraînement, acquises à des instants d’acquisition compris dans une période de temps prédéterminée (TA) précédant l’instant d’acquisition courant,
• une étape de calcul des secondes grandeurs (130) durant laquelle, à chaque instant d’acquisition, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, des secondes grandeurs mathématiques sont calculées à partir d’une pluralité de vitesses du véhicule automobile d’entraînement, acquises à des instants d’acquisition compris dans la période de temps prédéterminée (TA) précédant l’instant d’acquisition courant,
• une étape de création de vecteur caractéristique (140) durant laquelle, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, on créé un vecteur caractéristique à partir des caractéristiques relatives au comportement dynamique du véhicule automobile d’entraînement, des premières grandeurs mathématiques et des secondes grandeurs mathématiques,
• une étape d’association (150) durant laquelle, à chaque instant d’acquisition, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, on associe le vecteur caractéristique avec la vitesse du véhicule, de sorte à obtenir des premières variables de modèle d’apprentissage automatique, et • une étape d’entraînement du modèle (160) durant laquelle on entraine un modèle d’apprentissage automatique pour prédire sur un horizon temporel futur inférieur ou égal à la période de temps prédéterminée (TA), une vitesse future d’un véhicule automobile en mouvement sur une route, à partir d’un algorithme d’apprentissage automatique et des premières variables de modèle d’apprentissage automatique.
2. Procédé selon la revendication 1 comprenant en outre les étapes suivantes :
• une étape d’acquisition de données géographiques (170) durant laquelle, à chaque instant d’acquisition, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, des données géographiques relatives à des éléments d'infrastructure de la route sont acquises,
• une étape de calcul des distances (180) durant laquelle, à chaque instant d’acquisition, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, des distances entre une position courante du véhicule automobile d’entraînement sur la route et la position d’un ou de plusieurs éléments d'infrastructure de la route sont calculées à partir des données géographiques relatives aux éléments d'infrastructure de la route,
• une étape de combinaison (190) durant laquelle, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, les distances calculées sont ajoutées au vecteur caractéristique.
3. Procédé selon l’une quelconque des revendications 1 à 2, dans lequel les secondes grandeurs mathématiques comprennent une ou plusieurs gradients de vitesse et/ou moyennes glissantes de vitesse, calculés sur tout ou partie de la période de temps prédéterminée (TA).
4. Procédé selon l’une quelconque des revendications 1 à 3, dans lequel l’algorithme d’apprentissage automatique est basé sur la méthode des forêts d'arbres décisionnels.
5. Procédé (300) de prédiction d’une vitesse future d’un véhicule automobile en mouvement sur une route, le véhicule automobile comprenant un bus de communication de données, couplé à une pluralité de capteurs de l’état dynamique de fonctionnement du véhicule automobile, le procédé comprenant les étapes suivantes :
• une étape d’acquisition de vitesse (310) durant laquelle, à chacun des instants d’acquisition d'une pluralité d'instants d’acquisition successifs, la vitesse courante du véhicule automobile est acquise à partir du bus de communication de données, • une étape de caractérisation dynamique (320) durant laquelle, à un instant d’acquisition courant, des caractéristiques relatives au comportement dynamique du véhicule automobile sont acquises à partir du bus de communication de données,
• une étape de calcul des premières grandeurs (330) durant laquelle, à l’instant d’acquisition courant, des premières grandeurs mathématiques sont calculées à partir d’une pluralité de données relatives au comportement dynamique du véhicule automobile, acquises à des instants d’acquisition compris dans une période de temps prédéterminée (TA) précédant l’instant d’acquisition courant,
• une étape de calcul des secondes grandeurs (340) durant laquelle, à l’instant d’acquisition courant, des secondes grandeurs mathématiques sont calculées à partir d’une pluralité de vitesses du véhicule automobile acquises à des instants d’acquisition compris dans la période de temps prédéterminée (TA) précédant l’instant d’acquisition courant,
• une étape d’établissement d’un vecteur caractéristique (350) durant laquelle un vecteur caractéristique courant est créé à partir des caractéristiques relatives au comportement dynamique du véhicule automobile, des premières grandeurs mathématiques et des secondes grandeurs mathématiques,
• une étape de prévision de vitesse (360) durant laquelle une vitesse future du véhicule automobile sur un horizon temporel futur inférieur ou égal à la période de temps prédéterminée (TA), à partir du vecteur caractéristique courant et d’un modèle de prédiction obtenu selon l’une quelconque des revendications 1 à 4 est déterminée.
6. Procédé de prédiction selon la revendication 5, comprenant en outre les étapes suivantes :
• acquérir à l’instant d’acquisition courant, des données géographiques relatives à des éléments d'infrastructure de la route,
• calculer à l’instant d’acquisition courant, des distances entre une position courante du véhicule automobile et la position d’un ou de plusieurs éléments d'infrastructure de la route, à partir des données géographiques relatives aux éléments d'infrastructure de la route,
• ajouter les distances calculées au vecteur caractéristique courant.
7. Procédé de prédiction selon l’une quelconque des revendications 5 à 6, comprenant en outre les étapes suivantes : • une étape d’association (370) durant laquelle, à l’instant d’acquisition courant, le vecteur caractéristique courant est associé avec la vitesse courante du véhicule automobile, de sorte à obtenir des secondes variables de modèle d’apprentissage automatique, et
• une étape d’entraînement (380) durant laquelle le modèle de prédiction obtenu l’une quelconque des revendications 1 à 4 est entraîné à partir d’un algorithme d’apprentissage automatique et des secondes variables de modèle d’apprentissage automatique.
8. Programme d'ordinateur avec un code de programme pour exécuter les étapes de procédé d'un procédé selon l’une quelconque des revendications 5 à 7 lorsque le programme d'ordinateur est chargé dans l'ordinateur ou exécuté dans l'ordinateur.
9. Support de stockage non transitoire sur lequel un programme d'ordinateur selon la revendication 8 est stocké.
10. Appareil (400) pour prédire une vitesse future d’un véhicule automobile en mouvement, le véhicule automobile comprenant un bus de communication de données, couplé à une pluralité de capteurs de l’état dynamique de fonctionnement du véhicule automobile, l’appareil comprenant :
• un dispositif de géolocalisation (420) pour estimer une position géographique du véhicule automobile,
• une mémoire (410) pour stocker la vitesse du véhicule automobile et des caractéristiques relatives au comportement dynamique du véhicule,
• une unité de commande électronique (430) couplée au dispositif de géolocalisation (420) et à la mémoire (410), l’unité de commande électronique (430) étant configurée pour exécuter des instructions pour mettre en oeuvre un procédé selon l’une quelconque des revendications 5 à 7.
PCT/FR2019/050846 2018-04-10 2019-04-10 Apprentissage automatique prédictif pour la prédiction d'une vitesse future d'un véhicule automobile en mouvement sur une route WO2019197781A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1853126 2018-04-10
FR1853126A FR3079954B1 (fr) 2018-04-10 2018-04-10 Apprentissage automatique predictif pour la prediction d'une vitesse future d'un vehicule automobile en mouvement sur une route

Publications (1)

Publication Number Publication Date
WO2019197781A1 true WO2019197781A1 (fr) 2019-10-17

Family

ID=63407306

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/FR2019/050846 WO2019197781A1 (fr) 2018-04-10 2019-04-10 Apprentissage automatique prédictif pour la prédiction d'une vitesse future d'un véhicule automobile en mouvement sur une route

Country Status (2)

Country Link
FR (1) FR3079954B1 (fr)
WO (1) WO2019197781A1 (fr)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117922221A (zh) * 2024-01-24 2024-04-26 南栖仙策(南京)高新技术有限公司 车身姿态预测方法、装置、设备和介质

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3102260B1 (fr) * 2019-10-17 2023-02-17 Continental Automotive Apprentissage automatique multi-agents.
CN113408740B (zh) * 2021-05-28 2023-08-01 联合汽车电子有限公司 转子温度的计算方法、装置、设备和存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3029878A1 (fr) * 2014-12-16 2016-06-17 Michelin & Cie Procede de prediction de la vitesse d'un conducteur au volant d'un vehicule

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3029878A1 (fr) * 2014-12-16 2016-06-17 Michelin & Cie Procede de prediction de la vitesse d'un conducteur au volant d'un vehicule

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117922221A (zh) * 2024-01-24 2024-04-26 南栖仙策(南京)高新技术有限公司 车身姿态预测方法、装置、设备和介质

Also Published As

Publication number Publication date
FR3079954B1 (fr) 2023-03-10
FR3079954A1 (fr) 2019-10-11

Similar Documents

Publication Publication Date Title
FR3074123A1 (fr) Evaluation d'un style de conduite d'un conducteur d'un vehicule routier en mouvement par apprentissage automatique
WO2019197781A1 (fr) Apprentissage automatique prédictif pour la prédiction d'une vitesse future d'un véhicule automobile en mouvement sur une route
FR3054684A1 (fr) Systeme de pilotage d’un vehicule autonome
FR2988191B1 (fr) Procede de filtrage et dispositif de filtre pour des donnees de capteur
WO2016097037A1 (fr) Procédé de prédiction de la vitesse d'un conducteur au volant d'un véhicule
CA3056611A1 (fr) Systeme de generation automatique d'alertes destinees aux usagers d'une route
WO2020048770A1 (fr) Prédiction d'un paramètre de recalage cartographique par apprentissage profond
EP3472015A1 (fr) Procédé de détermination d'une classe de conduite de référence
WO2023052692A1 (fr) Procédé et dispositif de détection d'insertion dans une voie de circulation d'un véhicule.
WO2018041978A1 (fr) Dispositif de détermination d'une limitation de vitesse, système embarqué comprenant un tel dispositif et procédé de détermination d'une limitation de vitesse.
FR3087732A1 (fr) Procede et dispositif de determination d’un changement de voie d’un vehicule
FR3062836A1 (fr) Procede et systeme de determination d'un indice de confiance associe a un objet d'un environnement d'un vehicule
EP2489548A1 (fr) Procédé et dispositif de commande de commutation du système d'éclairage avant adaptatif d'un véhicule automobile
EP4021772B1 (fr) Procédé de sélection de la valeur d'une limitation de vitesse pour un régulateur de vitesse d'un véhicule terrestre
US20240357318A1 (en) System and method of determining micro mobility vehicle riding location
EP4277820B1 (fr) Procédé et dispositif de contrôle d'accélération d'un véhicule
WO2023066710A1 (fr) Procédé de prédiction d'une condition de surface d'un segment routier
WO2023222960A1 (fr) Procédé et dispositif de contrôle d'un système de régulation de vitesse d'un véhicule en approche d'un élément de signalisation routière
FR3138401A1 (fr) Procédé et dispositif de contrôle de système d’aide à la conduite d’un véhicule en fonction d’un niveau de performance des pneumatiques
EP4448365A1 (fr) Procédé de supervision du fonctionnement d'un véhicule automobile
FR3146640A1 (fr) Procédé et dispositif de contrôle d’un trajet d’un véhicule autonome circulant selon un mode manuel
FR3140453A1 (fr) Procédé et dispositif de contrôle d’un système embarqué d’un véhicule en approche d’un feu de signalisation à décompte de temps
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
IL302358B2 (en) System and method for determining the location of miniature vehicles
WO2022112672A1 (fr) Procédé et dispositif de détermination d'une ligne virtuelle de délimitation entre deux voies de circulation

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19726050

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19726050

Country of ref document: EP

Kind code of ref document: A1