WO2020048770A1 - Prédiction d'un paramètre de recalage cartographique par apprentissage profond - Google Patents

Prédiction d'un paramètre de recalage cartographique par apprentissage profond Download PDF

Info

Publication number
WO2020048770A1
WO2020048770A1 PCT/EP2019/072287 EP2019072287W WO2020048770A1 WO 2020048770 A1 WO2020048770 A1 WO 2020048770A1 EP 2019072287 W EP2019072287 W EP 2019072287W WO 2020048770 A1 WO2020048770 A1 WO 2020048770A1
Authority
WO
WIPO (PCT)
Prior art keywords
measurement
road map
digital
geographic coordinates
segment
Prior art date
Application number
PCT/EP2019/072287
Other languages
English (en)
Inventor
Lucien Garcia
Willy Vigneau
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
Priority to US17/273,480 priority Critical patent/US11982534B2/en
Publication of WO2020048770A1 publication Critical patent/WO2020048770A1/fr

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G01C21/30—Map- or contour-matching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3461—Preferred or disfavoured areas, e.g. dangerous zones, toll or emission zones, intersections, manoeuvre types, segments such as motorways, toll roads, ferries
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3807—Creation or updating of map data characterised by the type of data
    • G01C21/3815—Road data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3807—Creation or updating of map data characterised by the type of data
    • G01C21/3815—Road data
    • G01C21/3819—Road shape data, e.g. outline of a route
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3833—Creation or updating of map data characterised by the source of data
    • G01C21/3844—Data obtained from position sensors only, e.g. from inertial navigation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3859—Differential updating map data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3863—Structures of map data
    • G01C21/387—Organisation of map data, e.g. version management or database structures
    • G01C21/3878—Hierarchical structures, e.g. layering
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/03—Cooperating elements; Interaction or communication between different cooperating elements or between cooperating elements and receivers
    • G01S19/07—Cooperating elements; Interaction or communication between different cooperating elements or between cooperating elements and receivers providing data for correcting measured positioning data, e.g. DGPS [differential GPS] or ionosphere corrections
    • G01S19/072—Ionosphere corrections
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/13—Receivers
    • G01S19/24—Acquisition or tracking or demodulation of signals transmitted by the system
    • G01S19/25—Acquisition or tracking or demodulation of signals transmitted by the system involving aiding data received from a cooperating element, e.g. assisted GPS
    • G01S19/258—Acquisition or tracking or demodulation of signals transmitted by the system involving aiding data received from a cooperating element, e.g. assisted GPS relating to the satellite constellation, e.g. almanac, ephemeris data, lists of satellites in view
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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

Definitions

  • the present invention relates to the field of updating a digital road map. More specifically, it relates to methods for training deep learning models, methods for predicting a cartographic registration parameter, methods for updating a digital road map, a computer program making it possible to implement methods and devices for updating a digital road map.
  • Land navigation is generally used to provide an indication of the position of a road vehicle.
  • the position indication can refer to a digital map representative of said road network, which allows the road vehicle to have very concrete information, for example visual for the driver , allowing it to take decisions to change direction at characteristic points of the road network, for example.
  • the road vehicle can be located more consistently on the road network by matching its geographic position and said digital map according to a map matching method ("map matching" in English).
  • the cartographic registration service is not always available and accurate, because it requires the presence of a precise digital map, as well as knowledge of the initial absolute position of the road vehicle.
  • the cartographic registration service can be ineffective, especially when the road vehicle is traveling on a section of the road network which is not covered by the digital map. This is also the case when the road vehicle is traveling on a fairly long section without a clear change in direction so that a registration on the digital road map does not provide a correction of the position towards the road segment traveled.
  • a first aspect of the invention relates to a method for training a deep learning model driven to predict a cartographic registration parameter from a measurement of geographic coordinates and an identifier of the position sensor. having carried out the measurement.
  • a second aspect of the invention relates to a method for predicting a cartographic registration parameter from the pre-trained machine learning model according to the first aspect of the invention.
  • a third aspect of the invention relates to a method for updating a digital road map from the cartographic registration parameter obtained according to the second aspect of the invention.
  • a fourth aspect of the invention relates to a computer program with program code for executing the process steps of the methods according to the first, second and third aspects of the invention, when the computer program is loaded into the computer or run in the computer.
  • a fifth aspect of the invention relates to a device for updating a digital road map.
  • the training process includes the following steps:
  • each section being associated with a segment of a representative digital road map of the road network and in which each segment consists of a plurality of successive points
  • the deep learning model is a network of artificial neurons.
  • the first associated additional data is added to the characteristic vector.
  • the first additional data are taken, alone or in combination, from: the number of satellites used when measuring geographic coordinates, an indicator of the geometry conditions of the satellite constellation used during the measurement of geographic coordinates, an indicator of the ionospheric propagation conditions of the satellite signals received, an indicator of the quality of the satellite signals received and the instant of the measurement of the geographic coordinate.
  • the second associated complementary data is added to the characteristic vector.
  • the invention also covers a method for predicting a cartographic registration parameter defining a deviation between a measurement of geographic coordinates representative of the position of a road vehicle and a position of a point of a segment of a road map. where it is most likely to match the measurement of geographic coordinates, the method comprising a prediction step during which, the cartographic registration parameter is predicted, from the measurement of geographic coordinates, of an identifier specific to the sensor position having carried out the measurement of geographic coordinates and of a pre-trained deep learning model according to the training process described above.
  • the invention also covers a method for updating a digital road map, the digital road map being representative of a road network and comprising at least one segment consisting of a plurality of successive points.
  • the process includes the following steps: • an acquisition stage during which:
  • a digital layer is added to the digital road map, the digital layer comprising the dispersion measurement at the associated point of the segment of the digital road map.
  • the digital layer is added to the digital road map only when the central tendency measurement and / or the dispersion measurement is beyond a predetermined value for a predetermined period.
  • the invention covers a computer program with a program code for executing the process steps of the methods for training, predicting and updating a digital road map, when the computer program is loaded into the computer or run in the computer.
  • the invention also covers a non-transient storage medium on which the computer program, above, is stored.
  • the invention covers a device for updating a digital road map, the digital road map being representative of a road network and comprising at least one segment consisting of a plurality of successive points.
  • the device includes a processor comprising:
  • a prediction module for predicting, for each measurement of geographic coordinates, a cartographic registration parameter
  • a calculation module for calculating, for each point of a segment of the digital road map with which a plurality of cartographic registration parameters is associated, at least one measure of central tendency or a measure of dispersion from the plurality of cartographic registration parameters, and
  • an image processing module to add a digital layer to the digital road map, the digital layer comprising the measurement of central tendency or the measurement of dispersion at the associated point of the segment of the digital road map.
  • the image processing module is further configured to add the digital layer to the digital road map only when the measure of central tendency and / or the measure of dispersion is beyond a predetermined value for a predetermined period.
  • FIG. 1 shows a device for updating a digital road map according to the invention.
  • FIG. 2 shows a digital road map usable according to the invention.
  • FIG. 3 shows a method of training a deep learning model according to the invention.
  • the elements represented are not necessarily represented on the same scale, with respect to each other, unless otherwise stated.
  • the general principle of the invention is based on the use of machine learning in order to predict a map matching parameter in map language.
  • we train a statistical model of deep learning ("deep learning", in English) according to a so-called supervised machine learning process in which 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 pre-trained deep learning statistical model is used to predict the cartographic registration parameter based on a measurement of geographic coordinates and an identifier of the position sensor having performed the measurement of geographic coordinates.
  • the cartographic registration parameter can be used to update a digital road map.
  • FIG. 1 illustrates a device 100 for updating a digital road map according to the invention.
  • FIG. 2 illustrates a digital road map 200 representative of a road network comprising several sections.
  • the digital road map 200 comprises a segment 210 associated with each section of the road network.
  • a first segment 210 connects the road nodes A and B
  • a second segment 210 connects the road nodes B and C
  • a third segment 210 connects the road nodes B and D.
  • a segment 210 can be associated with a direction of circulation 220.
  • each segment 210 consists of a plurality of successive points (not shown) and can include for each point, a indication of curvature, direction or slope of the corresponding road, at this point.
  • the device 100 comprises an acquisition module 110, a prediction module 120, a calculation module 130 and an image processing module 140 which are functionally coupled to each other .
  • the acquisition module 110, the prediction module 120, the calculation module 130 and the image processing module 140 are included in a single processor-type processing module.
  • the acquisition module 110 is configured to acquire a plurality of measurements of geographic coordinates Ci, C 2 , ..., Ci.
  • the measurements of geographic coordinates Ci, C 2 , . .., C are representative of the position of each of a plurality of road vehicles (not shown) in circulation on at least one section of a road network.
  • Road vehicle means any vehicle with an engine (generally internal combustion or electric) intended to move it on a road network and capable of transporting people or loads (for example, a car, a truck or a motorcycle ).
  • the acquisition module 1 10 comprises a position sensor on board in each road vehicle.
  • the position sensor is part of a GNSS satellite position system, such as the American GPS system, the Russian GLONASS system and / or the European GALILEO system.
  • the acquisition module 110 is configured to acquire an identifier idi, id2, ..., id specific to each position sensor having carried out a measurement of geographic coordinates Ci, C2,. .., Ci.
  • the identifier idi, id ⁇ . id is an alphanumeric value representative of the model of the position sensor and therefore of the performance of the position sensor when measuring geographic coordinates Ci, C2, ..., C ,.
  • the prediction module 120 is configured to predict for each measurement of geographic coordinates Ci, C2,. .., Ci, a cartographic registration parameter n.
  • cartographic registration parameter n is understood to mean a parameter defining a deviation between a measurement of geographic coordinates Ci, C2, ..., C, and a position of a point of a segment 210 of the digital road map 200 where it is most likely to match the measure of geographic coordinates Ci, C2, ..., C ,.
  • this technique which is known under the English term of “map matching”, literally “stick to the map”, is used to periodically correct the inaccuracies which can result from the position sensors.
  • this technique consists in regularly comparing the geographical positions of a road vehicle with a digital map, in order to determine the route taken. For this, a distance error n is calculated between each measurement of geographic coordinates Ci, C2, ..., C, and its most probable counterpart in segment 210 of the digital road map 200.
  • FIG. 2 illustrates on the digital road map 200, a plurality of geographic coordinates Ci, C2, ..., C, associated with a road vehicle (not shown).
  • FIG. 2 illustrates the cartographic registration parameter n for each of the plurality of geographic coordinates Ci, C2, ..., C ,.
  • FIG. 3 illustrates a method 300 for training a deep learning model 400 according to the invention.
  • the training method 300 comprises an acquisition step 310, a calculation step 320, a creation step 330 and a training step 340.
  • the training method 300 requires a plurality (not shown) of road training vehicles which are used for training the deep learning model 400.
  • the road vehicles for training run on at least one section of the road network.
  • each section is associated with a segment 210 of a digital road map 200 representative of the road network.
  • Each training road vehicle has at least one known type of position sensor (not shown) such as that above with reference to FIG. 1.
  • the invention is based on the fact that the majority of current road vehicles comprises a position sensor which is generally used by driver assistance systems.
  • the training method 300 consists first of all in acquiring, in the acquisition step 310, a plurality of measurements of geographic coordinates Ci, C2, ..., Ci from the position sensor associated with road training vehicles.
  • the identifier idi, id2, ..., id, specific to each position sensor having carried out a measurement of geographic coordinates Ci, C2, ..., C is acquired.
  • each road training vehicle comprises a data communication bus, for example, of CAN (“Controller Area Network”) or FlexRay type, which is coupled to the associated position sensor. In this case, it is possible to acquire the identifier idi, id2, ..., id, via the communication bus.
  • the cartographic registration parameter n associated with the measurement of geographic coordinates Ci, C2, ... is calculated for each measurement of geographic coordinates Ci, C2, ..., C, and a position of a point of a segment 210 of the digital road map 200 where it is most likely to match the measurement of geographic coordinates Ci, C2, ..., Ci.
  • the cartographic registration parameter n defines a deviation between a measurement of geographic coordinates Ci, C2, ..., C, and a segment 210 or the position of a point of a segment 210 of the digital road map 200 where it is the more likely to match the measure of geographic coordinates Ci, C2, ..., C, concerned.
  • a characteristic vector is created for each measurement of geographic coordinates Ci, C 2 , ..., Ci measurement of geographic coordinates Ci, C2, ..., C, and the identifier idi, id ⁇ . id, associated position sensor.
  • training step 340 for each measurement of geographic coordinates Ci, C2, ..., Ci, the associated characteristic vector and the associated cartographic registration parameter n are presented, respectively at the input and at the output of the deep learning model 400.
  • a supervised learning algorithm is applied to the deep learning model 400.
  • the deep learning model 400 is taught by providing the deep learning model 400 with a training data set (in English language) in the form of couples (X, Y), in which X corresponds to a set of predictive variables ("input features", in English) and Y corresponds to a variable to be classified ("output" or "target", in English).
  • a pair (X, Y) is defined so that the predictive variable X corresponds to all or part of the measures of geographic coordinates Ci, C2, ..., C, and the variable to be predicted Y corresponds to cartographic registration parameters n associated with the predictive variable X.
  • the deep learning model 400 is a network of artificial neurons.
  • the artificial neural network includes an output neuron which corresponds to the cartographic registration parameter n to be predicted.
  • the number of input neurons is equal to the number of samples of geographic coordinate measurements Ci, C2, ..., C, and of identifiers idi, id2, ..., id, of position sensor to be taken consideration for predicting the cartographic registration parameter n.
  • the artificial neural network comprises a number of input neurons and a number of intermediate layers, also called hidden layers, defined empirically.
  • the artificial neural network implements an activation function, for example, of the sigmoid type, allowing for each of the output neurons to provide a probability that the associated cartographic registration parameter n is that which corresponds to the coordinate measurement data.
  • the synaptic weights are determined by the supervised learning algorithm. There are a multitude of supervised learning algorithms such as the backpropagation method of the gradient ("backpropagation", in English). The principle of this algorithm consists, from a stimulus at the input of a neural network, to calculate the output of the neural network, compare it to the expected output and back propagate an error signal in the neural network, which changes the synaptic weights by a gradient descent method.
  • the deep learning model 400 is then trained to predict a cartographic registration parameter n from a measurement of geographic coordinates Ci, C2, ..., C, and of the identifier idi, id 2 . id, of the associated position sensor.
  • first complementary data representative of the error in measuring the geographic coordinate is taken, alone or in combination, from: the number of satellites used when measuring geographic coordinates, an indicator of the geometry conditions of the constellation of satellites used when measuring geographic coordinates (for example, the DOP for “Dilution of Precision”, in English) an indicator of the ionospheric propagation conditions of the received satellite signals, an indicator of the quality of the received satellite signals (for example, the signal to noise ratio C / No, the binary energy on the noise power spectral density Eb / No, the carrier on interference C / l), and the instant of the measurement of the geographic coordinate.
  • the first associated complementary data is added to the characteristic vector.
  • second complementary data representative of proprioceptive data of the road training vehicle are acquired.
  • proprioceptive data therefore means data acquired from proprioceptive sensors of a road training vehicle such as the atmospheric pressure sensor, the gyroscope, the acceleration / deceleration sensor or the attitude sensor.
  • the second associated complementary data is added to the characteristic vector.
  • the different stages of the training method 300 are determined by instructions from computer programs. Consequently, the invention also relates to a program with a computer program code fixed on a non-transient storage medium, program code being capable of executing the steps of the training method 300 when the computer program is loaded into the computer or executed in the computer. In addition, all or part of the program can be implemented in a remote server to which the road vehicle is connected.
  • the calculation module 130 is configured to calculate for each point of a segment 210 of the digital road map 200 with which is associated a plurality of cartographic registration parameters n, at least one measure of central tendency and / or a measure of dispersion from the plurality of cartographic registration parameters.
  • the measure of central tendency is an average or a median.
  • the measure of dispersion is a minimum, a maximum, a standard deviation or a variance.
  • the dispersion measurement can be used by a navigation system or a driving assistance system of a vehicle to monitor a performance degradation of the associated position sensor. Degradation can be assessed by comparing the dispersion measure is beyond a predetermined dispersion value over a predetermined period or for a predetermined number of measurements. For example, a dispersion measurement greater than the predetermined dispersion value over a period of one week may trigger a malfunction signal from the position sensor in a navigation system. In another example, a dispersion measurement greater than the predetermined dispersion value per hundred consecutive measurements may trigger a signal from the position sensor malfunctioning in a driving assistance system.
  • the image processing module 140 is configured to add a digital layer to the digital road map 200, the digital layer comprising the measurement of central tendency and / or the measurement of dispersion at the associated point. segment 210 of the digital road map 200.
  • the image processing module 140 is configured to add the digital layer to the digital road map 200 only when the central trend measurement and / or the measurement dispersion is beyond a predetermined value for a predetermined period. For example, it will be possible to update the digital road map 200 only when the central tendency measurement and / or the dispersion measurement has varied by more than 5% during a period of one month of measurements. However, other predetermined values and other predetermined periods can be considered.
  • the invention also covers a method for updating a digital road map 200 as implemented by the device 100. It will also be noted that it is envisaged to train a plurality of deep learning models 400 in order to predict the cartographic registration parameter n according to the model of the position sensor used to make the measurements of geographic coordinates Ci, C2, .. ., Ci. Thus, for example, we can obtain a first deep learning model 400 for a first position sensor model, a second deep learning model 400 for a second position sensor model, and so on. .

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Navigation (AREA)
  • Image Analysis (AREA)
  • Instructional Devices (AREA)

Abstract

La présente invention a pour objet des procédés (300) d'entrainement de modèles d'apprentissage profond(400), des procédés de prédiction d'un paramètre de recalage cartographique, des procédés de mise à jour d'une carte routière numérique, un programme informatique permettant de mettre en œuvre les procédés et des dispositifs (100) pour la mise à jour d'une carte routière numérique. Le principe général de l'invention est basé sur l'utilisation de l'apprentissage automatique(« machine learning», en langue anglaise). Pour cela, dans l'invention, on entraine un modèle statistique d'apprentissage profond (« deep learning», en langue anglaise) selon une démarche d'apprentissage automatique dite supervisée. Par la suite, le modèle statistique d'apprentissage profond pré-entraînéest utilisé pour prédire un paramètre de recalage cartographique à partir d'une mesure de coordonnées géographiques et d'un identifiant du capteur de position ayant réalisé la mesure de coordonnées géographiques. Enfin, le paramètre de recalage cartographique peut être utilisé pour mettre à jour une carte routière numérique.

Description

Prédiction d’un paramètre de recalaqe cartographique par apprentissage profond
La présente invention concerne le domaine de la mise à jour d’une carte routière numérique. Plus précisément, elle concerne des procédés d’entrainement de modèles d’apprentissage profond, des procédés de prédiction d’un paramètre de recalage cartographique, des procédés de mise à jour d’une carte routière numérique, un programme informatique permettant de mettre en œuvre les procédés et des dispositifs pour la mise à jour d’une carte routière numérique.
La navigation terrestre est généralement utilisée pour fournir une indication de la position d'un véhicule routier. Comme celui-ci se déplace généralement sur le réseau routier, l'indication de position peut se référer à une carte numérique représentative dudit réseau routier, ce qui permet au véhicule routier de disposer d'une information très concrète, par exemple visuelle pour le conducteur, lui permettant de prendre les décisions de changement de direction aux points caractéristiques du réseau routier par exemple.
En pratique, le véhicule routier peut être localisé de manière plus cohérente sur le réseau routier par une mise en correspondance de sa position géographique et de ladite carte numérique selon une méthode de recalage cartographique (« map matching », en langue anglaise).
Or, le service de recalage cartographique n’est pas toujours disponible et exact, car il nécessite la présence d’une carte numérique précise, ainsi qu’une connaissance de la position absolue initiale du véhicule routier. En outre, même lorsque le service de recalage cartographique est disponible, ce dernier peut être inopérant, notamment lorsque le véhicule routier circule sur un tronçon du réseau routier qui n’est pas couvert par la carte numérique. C’est également le cas lorsque le véhicule routier circule sur tronçon assez long sans variation nette de direction de sorte qu'un recalage sur la carte routière numérique ne fournit pas de correction de la position vers le segment routier parcouru. De ce fait, pour un trajet assez long, il apparaît une erreur de positionnement qui peut avoir pour résultat que la manœuvre suivante de conduite soit présentée au conducteur à un instant qui n'est pas le bon ou que, dans le cas où l'on est supposé devoir tourner, que la route convenable sur la carte routière numérique ne soit pas reconnue.
Ainsi, à ce jour, il n’existe pas de méthodes efficaces pour réaliser un recalage cartographique lorsque ledit service est indisponible ou inopérant.
La présente invention vise donc à éliminer, au moins partiellement, les inconvénients précités. Pour cela, un premier aspect de l’invention concerne un procédé d’entrainement d’un modèle d’apprentissage profond entraîné pour prédire un paramètre de recalage cartographique à partir d’une mesure de coordonnées géographiques et d’un identifiant du capteur de position ayant réalisé la mesure. Un deuxième aspect de l’invention concerne un procédé de prédiction d’un paramètre de recalage cartographique à partir du modèle d’apprentissage automatique pré-entraîné selon le premier aspect de l’invention.
Un troisième aspect de l’invention concerne un procédé de mise à jour d’une carte routière numérique à partir du paramètre de recalage cartographique obtenu selon le deuxième aspect de l’invention.
Un quatrième aspect de l’invention concerne un programme d'ordinateur avec un code de programme pour exécuter les étapes de procédé des procédés selon les premier, deuxième et troisième aspects de l’invention, lorsque le programme d'ordinateur est chargé dans l'ordinateur ou exécuté dans l'ordinateur.
Enfin, un cinquième aspect de l’invention concerne un dispositif pour la mise à jour d’une carte routière numérique.
Ainsi, l’invention se rapporte à un procédé d’entrainement d’un modèle d’apprentissage profond. Le procédé d’entrainement comprend les étapes suivantes :
• une étape d’acquisition durant laquelle, on acquiert :
- une pluralité de mesures de coordonnées géographiques représentatives de la position de chacun parmi une pluralité de véhicules routiers d’entrainement en circulation sur au moins un tronçon d’un réseau routier, chaque tronçon étant associé à un segment d’une carte routière numérique représentative du réseau routier et dans laquelle chaque segment est constitué d’une pluralité de points successifs, et
- un identifiant propre à chaque capteur de position ayant réalisé une mesure de coordonnées géographiques,
• une étape de calcul durant laquelle on calcule, pour chaque mesure de coordonnées géographiques, un paramètre de recalage cartographique définissant une déviation entre la mesure de coordonnées géographiques et une position d’un point d’un segment de la carte routière numérique où il est le plus probable de faire correspondre la mesure de coordonnées géographiques,
• une étape de création durant laquelle on crée, pour chaque mesure de coordonnées géographiques, un vecteur caractéristique comprenant la mesure de coordonnées géographiques et l’identifiant de capteur de position associé, et
• une étape d’entrainement durant laquelle on présente, pour chaque mesure de coordonnées géographiques, le vecteur caractéristique associé et le paramètre de recalage cartographique associé, respectivement à l’entrée et à la sortie du modèle d’apprentissage profond, et dans laquelle on applique un algorithme d’apprentissage supervisé au modèle d’apprentissage profond. Selon un premier mode de réalisation, le modèle d’apprentissage profond est un réseau de neurones artificiels.
Selon un second mode de réalisation :
• pendant l’étape d’acquisition, on acquiert en outre, pour chaque mesure de coordonnées géographiques, des premières données complémentaires représentatives de l’erreur de la mesure de la coordonnée géographique, et
• pendant l’étape de création, pour chaque mesure de coordonnées géographiques, on ajoute les premières données complémentaires associées, au vecteur caractéristique.
Dans une variante, dans l’étape d’entrainement, les premières données complémentaires sont prises, seules ou en combinaison, parmi : le nombre de satellites utilisés lors de la mesure de coordonnées géographiques, un indicateur des conditions de géométrie de la constellation de satellites utilisés lors de la mesure de coordonnées géographiques, un indicateur des conditions de propagation ionosphérique des signaux satellitaires reçus, un indicateur de qualité des signaux satellitaires reçus et l’instant de la mesure de la coordonnée géographique.
Selon un troisième mode de réalisation :
• pendant l’étape d’acquisition, on acquiert en outre, pour chaque mesure de coordonnées géographiques, des deuxièmes données complémentaires représentatives de données proprioceptives du véhicule routier d’entrainement, et
• pendant l’étape de création, pour chaque mesure de coordonnées géographiques, on ajoute les deuxièmes données complémentaires associées, au vecteur caractéristique.
L’invention couvre également un procédé de prédiction d’un paramètre de recalage cartographique définissant une déviation entre une mesure de coordonnées géographiques représentative de la position d’un véhicule routier et une position d’un point d’un segment d’une carte routière numérique où il est le plus probable de faire correspondre la mesure de coordonnées géographiques, le procédé comprenant une étape de prédiction durant laquelle, on prédit le paramètre de recalage cartographique, à partir de la mesure de coordonnées géographiques, d’un identifiant propre au capteur de position ayant réalisé la mesure de coordonnées géographiques et d’un modèle d’apprentissage profond pré-entraîné selon le procédé d’entrainement décrit ci-avant.
L’invention couvre aussi un procédé de mise à jour d’une carte routière numérique, la carte routière numérique étant représentative d’un réseau routier et comprenant au moins un segment constitué d’une pluralité de points successifs. Le procédé comprend les étapes suivantes : • une étape d’acquisition durant laquelle, on acquiert :
- une pluralité de mesures de coordonnées géographiques représentatives de la position de chacun parmi une pluralité de véhicules routiers en circulation sur au moins un tronçon du réseau routier, chaque tronçon étant associé à un segment de la carte routière numérique, et
- un identifiant propre au capteur de position ayant réalisé la mesure de coordonnées géographiques,
• une étape de prédiction durant laquelle on prédit, pour chaque mesure de coordonnées géographiques, un paramètre de recalage cartographique selon le procédé de prédiction,
• une étape de calcul durant laquelle on calcule, pour chaque point d’un segment de la carte routière numérique avec lequel est associé une pluralité de paramètres de recalage cartographique, au moins une mesure de tendance centrale à partir de la pluralité de paramètres de recalage cartographique, et
• une étape de traitement d’image durant laquelle on ajoute un calque numérique à la carte routière numérique, le calque numérique comprenant la mesure de tendance centrale au niveau du point associé du segment de la carte routière numérique.
Dans une mise en œuvre particulière :
• pendant l’étape de calcul, on calcule pour chaque point d’un segment de la carte routière numérique avec lequel est associé une pluralité de paramètres de recalage cartographique, au moins une mesure de dispersion à partir de la pluralité de paramètres de recalage cartographique, et
• pendant l’étape de traitement d’image, on ajoute un calque numérique à la carte routière numérique, le calque numérique comprenant la mesure de dispersion au niveau du point associé du segment de la carte routière numérique.
Dans une autre mise en œuvre, pendant l’étape de traitement d’image, on ajoute le calque numérique à la carte routière numérique seulement lorsque la mesure de tendance centrale et/ou la mesure de dispersion est au-delà d’une valeur prédéterminée pendant une période prédéterminée.
Par ailleurs, l’invention couvre un programme d'ordinateur avec un code de programme pour exécuter les étapes de procédé des procédés d’entrainement, de prédiction et de mise à jour de carte routière numérique, lorsque le programme d'ordinateur est chargé dans l'ordinateur ou exécuté dans l'ordinateur.
L’invention couvre également un support de stockage non transitoire sur lequel le programme d'ordinateur, ci-dessus, est stocké. Enfin, l’invention couvre un dispositif pour la mise à jour d’une carte routière numérique, la carte routière numérique étant représentative d’un réseau routier et comprenant au moins un segment constitué d’une pluralité de points successifs. Le dispositif comprend un processeur comprenant :
• un module d’acquisition pour acquérir :
- une pluralité de mesures de coordonnées géographiques représentatives de la position de chacun parmi une pluralité de véhicules routiers en circulation sur au moins un tronçon du réseau routier, chaque tronçon étant associé à un segment de la carte routière numérique, et
- un identifiant propre à chaque capteur de position ayant réalisé une mesure de coordonnées géographiques,
• un module de prédiction pour prédire, pour chaque mesure de coordonnées géographiques, un paramètre de recalage cartographique,
• un module de calcul pour calculer, pour chaque point d’un segment de la carte routière numérique avec lequel est associée une pluralité de paramètres de recalage cartographique, au moins une mesure de tendance centrale ou une mesure de dispersion à partir de la pluralité de paramètres de recalage cartographique, et
• un module de traitement d’image pour ajouter un calque numérique à la carte routière numérique, le calque numérique comprenant la mesure de tendance centrale ou la mesure de dispersion au niveau du point associé du segment de la carte routière numérique.
Dans une mise en œuvre particulière, le module de traitement d’image est, en outre, configuré pour ajouter le calque numérique à la carte routière numérique seulement lorsque la mesure de tendance centrale et/ou la mesure de dispersion est au-delà d’une valeur prédéterminée pendant une période prédéterminée.
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 un dispositif pour la mise à jour d’une carte routière numérique selon l’invention.
- La figure 2 représente une carte routière numérique utilisable selon l’invention.
- La figure 3 représente un procédé d’entrainement d’un modèle d’apprentissage profond selon l’invention. Pour des raisons de clarté, les éléments représentés ne sont pas nécessairement représentés à la même échelle, les uns par rapport aux autres, sauf mention contraire.
Le principe général de l’invention est basé sur l’utilisation de l’apprentissage automatique (« machine learning », en langue anglaise) pour prédire un paramètre de recalage cartographique (« map matching », en langue anglaise). Pour cela, dans l’invention, on entraîne un modèle statistique d’apprentissage profond (« deep learning », en langue anglaise) selon une démarche d’apprentissage automatique 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. Par la suite, le modèle statistique d’apprentissage profond pré-entraîné est utilisé pour prédire le paramètre de recalage cartographique à partir d’une mesure de coordonnées géographiques et d’un identifiant du capteur de position ayant réalisé la mesure de coordonnées géographiques. Enfin, le paramètre de recalage cartographique peut être utilisé pour mettre à jour une carte routière numérique.
La figure 1 illustre un dispositif 100 pour la mise à jour d’une carte routière numérique selon l’invention.
La figure 2 illustre, une carte routière numérique 200 représentative d’un réseau routier comprenant plusieurs tronçons. Dans l’exemple de la figure 2, la carte routière numérique 200 comprend un segment 210 associé à chaque tronçon du réseau routier. Ainsi, dans la figure 2, un premier segment 210 relie les nœuds routiers A et B, un deuxième segment 210 relie les nœuds routiers B et C et un troisième segment 210 relie les nœuds routiers B et D. Dans une mise en œuvre particulière, comme illustrée dans la figure 2, un segment 210 peut être associé à un sens de circulation 220. Enfin, de manière classique, chaque segment 210 est constitué d’une pluralité de points successifs (non représentés) et peut comporter pour chaque point, une indication de courbure, de direction ou de pente de la route correspondante, au niveau de ce point.
De retour à la figure 1 , le dispositif 100 comprend un module d’acquisition 1 10, un module de prédiction 120, un module de calcul 130 et un module de traitement d’image 140 qui sont fonctionnellement couplés l’un à l’autre. Dans une mise en œuvre particulière, le module d’acquisition 1 10, le module de prédiction 120, le module de calcul 130 et le module de traitement d’image 140 sont compris dans un seul module de traitement de type processeur.
A la figure 1 , le module d’acquisition 1 10 est configuré pour acquérir une pluralité de mesures de coordonnées géographiques Ci, C2, ..., Ci. Dans l’invention, les mesures de coordonnées géographiques Ci, C2,..., C, sont représentatives de la position de chacun parmi une pluralité de véhicules routiers (non représentés) en circulation sur au moins un tronçon d’un réseau routier. On entend par véhicule routier, tout véhicule doté d’un moteur (généralement à combustion interne ou électrique) destiné à le mouvoir sur un réseau routier et capable de transporter des personnes ou des charges (par exemple, une voiture, un camion ou une motocyclette). Dans une mise en œuvre de l’invention, le module d’acquisition 1 10 comprend un capteur de position embarqué dans chaque véhicule routier. Dans un exemple, le capteur de position fait partie d’un système de position par satellites GNSS, tel que le système GPS américain, le système GLONASS russe et/ou le système GALILEO Européen.
En outre, le module d’acquisition 110 est configuré pour acquérir un identifiant idi, id2,..., id propre à chaque capteur de position ayant réalisé une mesure de coordonnées géographiques Ci , C2, . .. , Ci. Dans un exemple, l’identifiant idi, idå . id est une valeur alphanumérique représentative du modèle du capteur de position et par là même de la performance du capteur de position lors de la mesure de coordonnées géographiques Ci, C2,..., C,.
Par ailleurs, à la figure 1 , le module de prédiction 120 est configuré pour prédire pour chaque mesure de coordonnées géographiques Ci , C2, . .. , Ci, un paramètre de recalage cartographique n.
On entend par paramètre de recalage cartographique n, un paramètre définissant une déviation entre une mesure de coordonnées géographiques Ci, C2,..., C, et une position d’un point d’un segment 210 de la carte routière numérique 200 où il est le plus probable de faire correspondre la mesure de coordonnées géographiques Ci, C2,..., C,. Comme indiqué plus haut, cette technique qui est connue sous le terme anglais de « map matching », littéralement « coller à la carte », est utilisée pour corriger périodiquement les imprécisions qui peuvent résulter des capteurs de position. En pratique, cette technique consiste à comparer régulièrement les positions géographiques d’un véhicule routier avec une carte numérique, afin de déterminer la route empruntée. Pour cela, on calcule une erreur de distance n entre chaque mesure de coordonnées géographiques Ci, C2,..., C, et son pendant le plus probable dans segment 210 de la carte routière numérique 200.
La figure 2 illustre sur la carte routière numérique 200, une pluralité de coordonnées géographiques Ci, C2,..., C, associées à un véhicule routier (non représenté). En outre, la figure 2 illustre le paramètre de recalage cartographique n pour chacune de la pluralité de coordonnées géographiques Ci, C2,..., C,.
De retour à la figure 1 , le module de prédiction 120 utilise un modèle d’apprentissage profond pré-entraîné pour prédire le paramètre de recalage cartographique n à partir d’une mesure de coordonnées géographiques Ci, C2,..., C, et de l’identifiant idi, id2,..., id, du capteur de position associé. La figure 3 illustre un procédé 300 d’entrainement d’un modèle d’apprentissage profond 400 selon l’invention. Le procédé 300 d’entrainement comprend une étape d’acquisition 310, une étape de calcul 320, une étape de création 330 et une étape d’entrainement 340.
Le procédé 300 d’entrainement nécessite une pluralité (non représentée) de véhicules routiers d’entrainement qui sont utilisés pour l’entrainement du modèle d’apprentissage profond 400. Lors de l’entrainement du modèle d’apprentissage profond 400, les véhicules routiers d’entrainement circulent sur au moins un tronçon du réseau routier. En outre, chaque tronçon est associé à un segment 210 d’une carte routière numérique 200 représentative du réseau routier. Chaque véhicule routier d’entrainement embarque au moins un capteur de position (non représenté) de type connu tel que celui plus haut en référence à la figure 1. Ainsi, l’invention se base sur le fait que la majorité des véhicules routiers actuels comprend un capteur de position qui est généralement utilisé par les systèmes d’assistance à la conduite.
Dans l’exemple de la figure 3, le procédé 300 d’entrainement consiste tout d’abord à acquérir à l’étape d’acquisition 310, une pluralité de mesures de coordonnées géographiques Ci, C2,..., Ci à partir du capteur de position associée aux véhicules routiers d’entrainement. En outre, dans l’étape d’acquisition 310, on acquiert l’identifiant idi, id2,..., id, propre à chaque capteur de position ayant réalisé une mesure de coordonnées géographiques Ci, C2,..., C,. Dans une mise en œuvre particulière, chaque véhicule routier d’entrainement comprend un bus de communication de données, par exemple, de type CAN (« Controller Area Network », en langue anglaise) ou FlexRay, lequel est couplé au capteur de position associé. Dans ce cas, il est possible d’acquérir l’identifiant idi, id2,..., id, via le bus de communication.
Ensuite, à l’étape de calcul 320, on calcule, pour chaque mesure de coordonnées géographiques Ci, C2,..., Ci, le paramètre de recalage cartographique n associé à la mesure de coordonnées géographiques Ci, C2,..., C, et une position d’un point d’un segment 210 de la carte routière numérique 200 où il est le plus probable de faire correspondre la mesure de coordonnées géographiques Ci, C2,... , Ci. Comme indiqué plus haut, le paramètre de recalage cartographique n définit une déviation entre une mesure de coordonnées géographiques Ci, C2,..., C, et un segment 210 ou la position d’un point d’un segment 210 de la carte routière numérique 200 où il est le plus probable de faire correspondre la mesure de coordonnées géographiques Ci, C2,..., C, concernée.
Par ailleurs, à l’étape de création 330, on crée pour chaque mesure de coordonnées géographiques Ci , C2, ... , Ci, un vecteur caractéristique comprenant la mesure de coordonnées géographiques Ci, C2,..., C, et l’identifiant idi, idå . id, de capteur de position associé.
Enfin, à l’étape d’entrainement 340, on présente, pour chaque mesure de coordonnées géographiques Ci , C2, ... , Ci, le vecteur caractéristique associé et le paramètre de recalage cartographique n associé, respectivement à l’entrée et à la sortie du modèle d’apprentissage profond 400. En outre, on applique un algorithme d’apprentissage supervisé au modèle d’apprentissage profond 400.
Dans l’étape d’entrainement 340, on réalise l’apprentissage du modèle d’apprentissage profond 400 en fournissant au modèle d’apprentissage profond 400 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 classer (« output » ou » target », en langue anglaise). Dans l’invention, un couple (X, Y) est défini de telle sorte que la variable prédictive X correspond à tout ou partie des mesures de coordonnées géographiques Ci, C2,... , C, et la variable à prédire Y correspond aux paramètres de recalage cartographique n associés à la variable prédictive X.
Dans une mise en œuvre de l’invention, le modèle d’apprentissage profond 400 est un réseau de neurones artificiels. Dans un exemple, le réseau de neurones artificiels comporte un neurone de sortie qui correspond au paramètre de recalage cartographique n à prédire. Le nombre de neurones d'entrée est égal au nombre d'échantillons de mesures de coordonnées géographiques Ci, C2,..., C, et d’identifiants idi, id2,... , id, de capteur de position à prendre en considération pour prédire le paramètre de recalage cartographique n. Le réseau de neurones artificiels comporte un nombre de neurones d'entrée et un nombre de couches intermédiaires, appelées aussi couches cachées, définis empiriquement. Le réseau de neurones artificiels met en œuvre une fonction d'activation, par exemple, de type sigmoïde, permettant pour chacun des neurones de sortie de fournir une probabilité que le paramètre de recalage cartographique n associé soit celui qui correspond aux données de mesures de coordonnées géographiques Ci, C2,..., C, et des identifiants idi, idå . id, de capteur de position, fournis aux neurones d'entrée. Lorsque l'une de ces probabilités est supérieure à un seuil prédéfini, le paramètre de recalage cartographique n correspondant est considéré comme correctement prédit. Dans cette mise en œuvre, les poids synaptiques sont déterminés par l’algorithme d’apprentissage supervisé. Il existe une multitude d'algorithmes d'apprentissage supervisé telle que la méthode de rétropropagation du gradient (« backpropagation », en langue anglaise). Le principe de cet algorithme consiste, à partir d'un stimulus en entrée d’un réseau de neurones, à calculer la sortie du réseau de neurones, la comparer à la sortie attendue et à rétro propager un signal d'erreur dans le réseau de neurones, qui vient modifier les poids synaptiques par une méthode de descente du gradient.
À la fin de l’étape d’entrainement 340, le modèle d’apprentissage profond 400 est alors entraîné pour prédire un paramètre de recalage cartographique n à partir d’une mesure de coordonnées géographiques Ci, C2,..., C, et de l’identifiant idi, id2. id, du capteur de position associé.
Dans une mise en œuvre du procédé 300 d’entrainement, pendant l’étape d’acquisition 310, on acquiert, en outre, pour chaque mesure de coordonnées géographiques Ci, C2,... , Ci, des premières données complémentaires représentatives de l’erreur de la mesure de la coordonnée géographique. Dans un exemple, les premières données complémentaires sont prises, seules ou en combinaison, parmi : le nombre de satellites utilisés lors de la mesure de coordonnées géographiques, un indicateur des conditions de géométrie de la constellation de satellites utilisés lors de la mesure de coordonnées géographiques (par exemple, le DOP pour « Dilution of Précision », en langue anglaise), un indicateur des conditions de propagation ionosphérique des signaux satellitaires reçus, un indicateur de qualité des signaux satellitaires reçus (par exemple, le rapport de signal à bruit C/No, l’énergie binaire sur la densité spectrale de puissance de bruit Eb/No, la porteuse sur interférences C/l), et l’instant de la mesure de la coordonnée géographique. Ensuite, pendant l’étape de création 330, pour chaque mesure de coordonnées géographiques, on ajoute les premières données complémentaires associées, au vecteur caractéristique.
Dans une autre mise en œuvre du procédé 300 d’entrainement, pendant l’étape d’acquisition 310, on acquiert, en outre, pour chaque mesure de coordonnées géographiques, des deuxièmes données complémentaires représentatives de données proprioceptives du véhicule routier d’entrainement. On entend, alors, par données proprioceptives, des données acquises à partir de capteurs proprioceptifs d’un véhicule routier d’entrainement tels que le capteur de pression atmosphérique, le gyroscope, le capteur d’accélération/de décélération ou le capteur d'assiette. Ensuite, pendant l’étape de création 330, pour chaque mesure de coordonnées géographiques, on ajoute les deuxièmes données complémentaires associées, au vecteur caractéristique.
Dans un mode particulier de réalisation de l’invention, les différentes étapes du procédé 300 d’entrainement 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, de code de programme étant susceptible d’exécuter les étapes du procédé 300 d’entrainement lorsque le programme d’ordinateur est chargé dans l’ordinateur ou exécuté dans l’ordinateur. En outre, tout ou partie du programme peut être mis en œuvre dans un serveur distant auquel est connecté le véhicule routier.
De retour à la figure 1 , le module de calcul 130 est configuré pour calculer pour chaque point d’un segment 210 de la carte routière numérique 200 avec lequel est associé une pluralité de paramètres de recalage cartographique n, au moins une mesure de tendance centrale et/ou une mesure de dispersion à partir de la pluralité de paramètres de recalage cartographique. Dans un exemple de l’invention, la mesure de tendance centrale est une moyenne ou une médiane. Dans un autre exemple de l’invention, la mesure de dispersion est un minimum, un maximum, un écart-type ou une variance.
Dans une mise en œuvre particulière, la mesure de dispersion peut être utilisée par un système de navigation ou un système d’assistance à la conduite d’un véhicule pour surveiller une dégradation de performance du capteur de position associé. On pourra évaluer la dégradation en comparant la mesure de dispersion est au-delà d’une valeur de dispersion prédéterminée sur une période prédéterminée ou pour un nombre de mesures prédéterminée. Par exemple, une mesure de dispersion supérieure à la valeur de dispersion prédéterminée sur une période d’une semaine pourra déclencher un signal de dysfonctionnement du capteur de position au niveau d’un système de navigation. Dans un autre exemple, une mesure de dispersion supérieure à la valeur de dispersion prédéterminée pour cent mesures consécutives pourra déclencher un signal de dysfonctionnement du capteur de position au niveau d’un système d’assistance à la conduite.
Enfin, dans la figure 1 , le module de traitement d’image 140 est configuré pour ajouter un calque numérique à la carte routière numérique 200, le calque numérique comprenant la mesure de tendance centrale et/ou la mesure de dispersion au niveau du point associé du segment 210 de la carte routière numérique 200. Dans une mise en œuvre particulière, le module de traitement d’image 140 est configuré pour ajouter le calque numérique à la carte routière numérique 200 seulement lorsque la mesure de tendance centrale et/ou la mesure de dispersion est au-delà d’une valeur prédéterminée pendant une période prédéterminée. Par exemple, on pourra mettre à jour la carte routière numérique 200 seulement lorsque la mesure de tendance centrale et/ou la mesure de dispersion aura variée de plus de 5 % pendant une période d’un mois de mesures. Toutefois, d’autres valeurs prédéterminées et d’autres périodes prédéterminées peuvent être envisagées.
On notera que l’invention couvre également un procédé de mise à jour d’une carte routière numérique 200 tel que mis en œuvre par le dispositif 100. On notera également qu’il est envisagé d’entraîner une pluralité de modèles d’apprentissage profond 400 afin de prédire le paramètre de recalage cartographique n selon le modèle du capteur de position utilisé pour réaliser les mesures de coordonnées géographiques Ci , C2,... , Ci. Ainsi, par exemple, on pourra obtenir un premier modèle d’apprentissage profond 400 pour un premier modèle de capteur de position, un second modèle d’apprentissage profond 400 pour un second modèle de capteur de position, et ainsi de suite.
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 œuvre par la personne du métier à la lecture de la présente description et des figures annexées.

Claims

REVENDICATIONS
1. Procédé d’entrainement d’un modèle d’apprentissage profond (400), le procédé comprenant les étapes suivantes :
• une étape d’acquisition (310) durant laquelle, on acquiert :
- une pluralité de mesures de coordonnées géographiques (Ci, C2,..., C,) représentatives de la position de chacun parmi une pluralité de véhicules routiers d’entrainement en circulation sur au moins un tronçon d’un réseau routier, chaque tronçon étant associé à un segment (210) d’une carte routière numérique (200) représentative du réseau routier et dans laquelle chaque segment (210) est constitué d’une pluralité de points successifs, et
- un identifiant (idi, id2,..., idi) propre à chaque capteur de position ayant réalisé une mesure de coordonnées géographiques,
• une étape de calcul (320) durant laquelle on calcule, pour chaque mesure de coordonnées géographiques, un paramètre de recalage cartographique (n) définissant une déviation entre la mesure de coordonnées géographiques et une position d’un point d’un segment (210) de la carte routière numérique (200) où il est le plus probable de faire correspondre la mesure de coordonnées géographiques,
• une étape de création (330) durant laquelle on crée pour chaque mesure de coordonnées géographiques, un vecteur caractéristique comprenant la mesure de coordonnées géographiques et l’identifiant de capteur de position associé, et
• une étape d’entrainement (340) durant laquelle on présente, pour chaque mesure de coordonnées géographiques, le vecteur caractéristique associé et le paramètre de recalage cartographique (ri) associé, respectivement à l’entrée et à la sortie du modèle d’apprentissage profond (400), et dans laquelle on applique un algorithme d’apprentissage supervisé au modèle d’apprentissage profond (400).
2. Procédé d’entrainement selon la revendication 1 , dans lequel le modèle d’apprentissage profond (400) est un réseau de neurones artificiels.
3. Procédé d’entrainement selon l’une quelconque des revendications 1 à 2, dans lequel :
• pendant l’étape d’acquisition (310), on acquiert, en outre, pour chaque mesure de coordonnées géographiques, des premières données complémentaires représentatives de l’erreur de la mesure de la coordonnée géographique, et • pendant l’étape de création (330), pour chaque mesure de coordonnées géographiques, on ajoute les premières données complémentaires associées, au vecteur caractéristique.
4. Procédé d’entrainement selon la revendication 3, dans lequel les premières données complémentaires sont prises, seules ou en combinaison, parmi : le nombre de satellites utilisés lors de la mesure de coordonnées géographiques, un indicateur des conditions de géométrie de la constellation de satellites utilisés lors de la mesure de coordonnées géographiques, un indicateur des conditions de propagation ionosphérique des signaux satellitaires reçus, un indicateur de qualité des signaux satellitaires reçus et l’instant de la mesure de la coordonnée géographique.
5. Procédé d’entrainement selon l’une quelconque des revendications 1 à 4, dans lequel :
• pendant l’étape d’acquisition (310), on acquiert, en outre, pour chaque mesure de coordonnées géographiques, des deuxièmes données complémentaires représentatives de données proprioceptives du véhicule routier d’entrainement, et
• pendant l’étape de création (330), pour chaque mesure de coordonnées géographiques, on ajoute les deuxièmes données complémentaires associées, au vecteur caractéristique.
6. Procédé de prédiction d’un paramètre de recalage cartographique (n) définissant une déviation entre une mesure de coordonnées géographiques (Ci , C2, ... , Ci) représentative de la position d’un véhicule routier et une position d’un point d’un segment (210) d’une carte routière numérique (200) où il est le plus probable de faire correspondre la mesure de coordonnées géographiques, le procédé comprenant une étape de prédiction durant laquelle, on prédit le paramètre de recalage cartographique (ri), à partir de la mesure de coordonnées géographiques, d’un identifiant (idi, id2,..., id,) propre au capteur de position ayant réalisé la mesure de coordonnées géographiques et d’un modèle d’apprentissage profond (400) pré-entraîné selon l’une quelconque des revendications 1 à 5.
7. Procédé de mise à jour d’une carte routière numérique (200), la carte routière numérique (200) étant représentative d’un réseau routier et comprenant au moins un segment (210) constitué d’une pluralité de points successifs, le procédé comprenant les étapes suivantes :
• une étape d’acquisition (310) durant laquelle, on acquiert : - une pluralité de mesures de coordonnées géographiques (Ci, C2,..., C,) représentatives de la position de chacun parmi une pluralité de véhicules routiers en circulation sur au moins un tronçon du réseau routier, chaque tronçon étant associé à un segment (210) de la carte routière numérique (200), et
- un identifiant (idi, id2,... , id,) propre au capteur de position ayant réalisé la mesure de coordonnées géographiques,
• une étape de prédiction durant laquelle, on prédit pour chaque mesure de coordonnées géographiques, un paramètre de recalage cartographique (n) selon la revendication 6,
• une étape de calcul (320), durant laquelle, on calcule pour chaque point d’un segment (210) de la carte routière numérique (200) avec lequel est associé une pluralité de paramètres de recalage cartographique (n), au moins une mesure de tendance centrale à partir de la pluralité de paramètres de recalage cartographique (n), et
• une étape de traitement d’image, durant laquelle, on ajoute un calque numérique à la carte routière numérique (200), le calque numérique comprenant la mesure de tendance centrale au niveau du point associé du segment (210) de la carte routière numérique (200).
8. Procédé de mise à jour d’une carte routière numérique (200) selon la revendication 7, dans lequel :
• pendant l’étape de calcul (320), on calcule pour chaque point d’un segment (210) de la carte routière numérique (200) avec lequel est associé une pluralité de paramètres de recalage cartographique (n), au moins une mesure de dispersion à partir de la pluralité de paramètres de recalage cartographique (n), et
• pendant l’étape de traitement d’image, on ajoute un calque numérique à la carte routière numérique (200), le calque numérique comprenant la mesure de dispersion au niveau du point associé du segment (210) de la carte routière numérique (200).
9. Procédé selon l’une quelconque des revendications 7 à 8, dans lequel, pendant l’étape de traitement d’image, on ajoute le calque numérique à la carte routière numérique (200) seulement lorsque la mesure de tendance centrale et/ou la mesure de dispersion est au-delà d’une valeur prédéterminée pendant une période prédéterminée.
10. Dispositif (100) pour la mise à jour d’une carte routière numérique (200), la carte routière numérique (200) étant représentative d’un réseau routier et comprenant au moins un segment (210) constitué d’une pluralité de points successifs, le dispositif comportant un processeur comprenant :
• un module d’acquisition (1 10) pour acquérir :
- une pluralité de mesures de coordonnées géographiques (Ci , C2, ... , Ci) représentatives de la position de chacun parmi une pluralité de véhicules routiers en circulation sur au moins un tronçon du réseau routier, chaque tronçon étant associé à un segment (210) de la carte routière numérique (200), et
- un identifiant (idi, id2,..., idi) propre à chaque capteur de position ayant réalisé une mesure de coordonnées géographiques,
• un module de prédiction (120) pour prédire pour chaque mesure de coordonnées géographiques, un paramètre de recalage cartographique (n) selon la revendication 6,
• un module de calcul (130) pour calculer, pour chaque point d’un segment (210) de la carte routière numérique (200) avec lequel est associé une pluralité de paramètres de recalage cartographique, au moins une mesure de tendance centrale et/ou une mesure de dispersion à partir de la pluralité de paramètres de recalage cartographique (n), et
• un module de traitement d’image (140) pour ajouter un calque numérique à la carte routière numérique (200), le calque numérique comprenant la mesure de tendance centrale et/ou la mesure de dispersion au niveau du point associé du segment (210) de la carte routière numérique (200).
11. Dispositif selon la revendication 10, dans lequel le module de traitement d’image est, en outre, configuré pour ajouter le calque numérique à la carte routière numérique (200) seulement lorsque la mesure de tendance centrale et/ou la mesure de dispersion est au-delà d’une valeur prédéterminée pendant une période prédéterminée.
PCT/EP2019/072287 2018-09-07 2019-08-20 Prédiction d'un paramètre de recalage cartographique par apprentissage profond WO2020048770A1 (fr)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/273,480 US11982534B2 (en) 2018-09-07 2019-08-20 Prediction of a cartographic readjustment parameter by deep learning

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1858045 2018-09-07
FR1858045A FR3085747B1 (fr) 2018-09-07 2018-09-07 Prediction d’un parametre de recalage cartographique par apprentissage profond

Publications (1)

Publication Number Publication Date
WO2020048770A1 true WO2020048770A1 (fr) 2020-03-12

Family

ID=65201319

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2019/072287 WO2020048770A1 (fr) 2018-09-07 2019-08-20 Prédiction d'un paramètre de recalage cartographique par apprentissage profond

Country Status (3)

Country Link
US (1) US11982534B2 (fr)
FR (1) FR3085747B1 (fr)
WO (1) WO2020048770A1 (fr)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230194738A1 (en) * 2021-12-16 2023-06-22 Landmark Graphics Corporation Seismic navigation data quality analysis

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4116871A1 (fr) * 2021-07-08 2023-01-11 Argo AI GmbH Procédé et unité de traitement pour traiter des données de plusieurs capteurs différents à l'aide d'un réseau de neurones artificiels dans un véhicule
US20230140584A1 (en) * 2021-11-02 2023-05-04 Here Global B.V. Apparatus and methods for detecting light-based attributes of road segments and monitoring the light-based attributes for adverse road conditions

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006078286A (ja) * 2004-09-08 2006-03-23 Victor Co Of Japan Ltd カーナビゲーション装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006078286A (ja) * 2004-09-08 2006-03-23 Victor Co Of Japan Ltd カーナビゲーション装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"Apprentissage profond", 5 July 2018 (2018-07-05), XP002791007, Retrieved from the Internet <URL:https://fr.wikipedia.org/w/index.php?title=Apprentissage_profond&oldid=150128306> [retrieved on 20190503] *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230194738A1 (en) * 2021-12-16 2023-06-22 Landmark Graphics Corporation Seismic navigation data quality analysis

Also Published As

Publication number Publication date
FR3085747A1 (fr) 2020-03-13
FR3085747B1 (fr) 2020-08-14
US11982534B2 (en) 2024-05-14
US20210356294A1 (en) 2021-11-18

Similar Documents

Publication Publication Date Title
WO2020048770A1 (fr) Prédiction d&#39;un paramètre de recalage cartographique par apprentissage profond
EP2541200B1 (fr) Dispositif et procédé de navigation integrant plusieurs systemes inertiels de navigation hybridés
FR3074123A1 (fr) Evaluation d&#39;un style de conduite d&#39;un conducteur d&#39;un vehicule routier en mouvement par apprentissage automatique
EP1205732B1 (fr) Centrale inertielle de navigation comportant un récepteur GPS intégré
FR3005510A1 (fr) Procede ameliore de determination de la position et/ou de la vitesse d&#39;un vehicule guide ; systeme associe.
WO2019063566A1 (fr) Procédé de détermination de la fréquence et de la phase instantanées d&#39;un signal périodique
EP3963286B1 (fr) Procédé de navigation à double filtre
WO2022175105A1 (fr) Navigation lors d&#39;une operation de leurrage d&#39;un recepteur de signaux satellitaires
FR3106665A1 (fr) Procédé et dispositif de localisation d’un véhicule
FR2912221A1 (fr) Procede de determination d&#39;une position d&#39;un corps mobile et d&#39;une limite de protection autour de cette position
WO2017216495A1 (fr) Procédé de détermination d&#39;une classe de conduite de référence
EP4100696A1 (fr) Procede d&#39;aide à la navigation d&#39;un porteur mobile
EP2006707B1 (fr) Procédé de détermination d&#39;une limite de protection avec compensation des retards de calcul
WO2021032749A1 (fr) Detection d&#39;une operation de leurrage d&#39;un recepteur de signaux satellitaires
FR3104704A1 (fr) Filtrage particulaire et centrale de navigation a correlation de mesure
FR3087732A1 (fr) Procede et dispositif de determination d’un changement de voie d’un vehicule
FR3136882A1 (fr) Procédé et dispositif de prédiction d’une capacité à rouler d’un véhicule à la suite d’un accident
FR3119142A1 (fr) Procédé de circulation d’un véhicule sur des voies de circulation, programme d’ordinateur, support d’informations et système de transport associés
FR3102277A1 (fr) Préparation de jeu de données pour un apprentissage automatique multi-agents
FR3090126A1 (fr) Procédé de localisation, dans un repère absolu, d’un dispositif, calculateur et véhicule associé.
FR3130238A1 (fr) Procédé de supervision du fonctionnement d’un véhicule automobile.
FR3124469A1 (fr) Procede d’optimisation du contrôle dynamique du châssis d’un vehicule
EP4295176A1 (fr) Navigation lors d&#39;une operation de leurrage d&#39;un recepteur de signaux satellitaires
FR3143514A1 (fr) Procédé de gestion automatisée de la vitesse longitudinale d’un véhicule automobile.
FR3120690A1 (fr) Procédé et dispositif de détermination d’une fiabilité d’une cartographie base définition.

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: 19755918

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: 19755918

Country of ref document: EP

Kind code of ref document: A1