WO2020058234A1 - Dispositif de prédiction de trajet le plus probable d'un véhicule - Google Patents

Dispositif de prédiction de trajet le plus probable d'un véhicule Download PDF

Info

Publication number
WO2020058234A1
WO2020058234A1 PCT/EP2019/074786 EP2019074786W WO2020058234A1 WO 2020058234 A1 WO2020058234 A1 WO 2020058234A1 EP 2019074786 W EP2019074786 W EP 2019074786W WO 2020058234 A1 WO2020058234 A1 WO 2020058234A1
Authority
WO
WIPO (PCT)
Prior art keywords
vehicle
vector
road
segment
route
Prior art date
Application number
PCT/EP2019/074786
Other languages
English (en)
Inventor
Grégory VIAL
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 WO2020058234A1 publication Critical patent/WO2020058234A1/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
    • G01C21/34—Route searching; Route guidance
    • G01C21/36—Input/output arrangements for on-board computers
    • G01C21/3605—Destination input or retrieval
    • G01C21/3617—Destination input or retrieval using user history, behaviour, conditions or preferences, e.g. predicted or inferred from previous use or current movement

Definitions

  • the invention relates to a device for predicting the most likely route of a vehicle taking into account a current location of the vehicle, as well as a vehicle adapted to retrieve, from the prediction device, the most likely route .
  • This method involves the construction, for a given user, of a statistical model based on a hidden Markov model whose states are pairs comprising a link, that is to say a road segment, and a destination.
  • the statistical model is built on the basis of the user's movements, and a new model must be established for each new user.
  • the disadvantage of this method is that it does not generate a valid model for any user, since it is based on a particular user.
  • this method does not make it possible to predict a journey that the user has not already made, or even a journey that the user has not already made at the same time, since by definition this journey is associated with a zero probability and cannot be returned by the model as a probable path.
  • an extended version of the model also plans to take into account additional factors such as the time of day or the day of the week corresponding to the journey.
  • the method provides for discretizing these parameters, such as the time of day, by establishing wider time slots such as "before 8 hours “,” 8-10 hour rush hour “,” late morning “, etc.
  • This method is also based on the use of a hidden Markov model for the prediction of a most probable journey of a vehicle, and is based on a graph representing the road network. This involves greatly simplifying the network and therefore eliminating all secondary routes, which makes the model very imprecise.
  • this also involves grouping departure and arrival points by areas of interest, excluding the possibility of making short trips within an area of interest, which again degrades the performance of the model. .
  • the aim of the invention is to propose a model for predicting a most probable journey of a vehicle which is more precise than the prior art.
  • an object of the invention is to be able to predict a most probable route even from the initial circumstances never encountered for a given user.
  • Another object of the invention is to be able to predict a route from any section, including on secondary roads.
  • the subject of the invention is a device for predicting the most probable route of a vehicle, the predictive device comprising a computer and a memory, the predictive device being configured for:
  • the prediction device according to the invention is remarkable in that the prediction device is configured to carry out the training of the prediction model by:
  • each journey history further comprises a vehicle or vehicle user identifier
  • the neural network is configured to additionally receive a vehicle or user identifier as input
  • the prediction device is configured to predict the most likely route for the vehicle based on vehicle location data and an identifier of the vehicle or user, by applying the neural network corresponding to the current segment associated with the identifier of the vehicle or user.
  • the prediction device according to the invention is remarkable in that:
  • the neural network is configured to receive as input a vector of the vector space and an associated time stamp, and
  • the prediction device is configured to predict the most probable path of the vehicle from vehicle location data and a time stamp associated with this data, by applying the neural network to the vector corresponding to the current segment associated with the data of location of the vehicle and associated time stamp.
  • the prediction device is configured to implement the prediction of a most likely route for a vehicle by:
  • the prediction device is further configured to generate, from the set of vehicle trip histories, a Markov chain identifying the links between a current road segment and the set of road segments. following routes connected to it, and in which:
  • the prediction of a most probable path of a vehicle further comprises determining, from the Markov chain, the next possible road segments for the current road segment of the vehicle, and
  • the determination of the road segment corresponding to the output vector of the neural network comprises the determination, among the following possible road segments for the current road segment of the vehicle, of the road segment corresponding to the vector closest to the output vector of the neural network.
  • the prediction device can be configured to calculate a distance between two vectors in vector space by calculating a cosine distance between the vectors.
  • the prediction device is configured to, if the current road segment of the vehicle does not correspond to any road segment of the set of vehicle trip histories, apply a prediction model in which the segment of next road is the one, among the possible road segments, which belongs to the most important road.
  • the prediction device is advantageously configured to recursively implement the determination of a next road segment from a current road segment of the vehicle to determine a route comprising several successive road sections from the road segment current.
  • the subject of the invention is also a method for training a model for predicting the most probable route of a vehicle, from a set of vehicle trip histories, each trip history comprising a series of geographic coordinates, the method being implemented by an electronic computer and comprising:
  • the invention also relates to a computer program product, comprising code instructions for the implementation of the training method according to the above description, when it is executed by a processor.
  • the invention relates to a vehicle comprising:
  • the vehicle according to the invention is remarkable in that the electronic computer is configured for:
  • a request for determining the most probable path of the vehicle comprising vehicle location data acquired by the vehicle location sensor
  • the vehicle can also comprise a Human-Machine interface, and the electronic computer can then be configured to control the signaling by the Human-Machine interface, of at least one information depending on the most likely journey received.
  • the vehicle may further comprise a hybrid propulsion assembly comprising an electric motor, an internal combustion engine, a battery, and an electronic device for managing the hybrid propulsion assembly, in which the electronic computer is configured to control the electronic device for management of the hybrid drive package based on the most likely trip received.
  • a hybrid propulsion assembly comprising an electric motor, an internal combustion engine, a battery, and an electronic device for managing the hybrid propulsion assembly, in which the electronic computer is configured to control the electronic device for management of the hybrid drive package based on the most likely trip received.
  • the prediction device makes it possible to train and use a prediction model based on solutions developed in the field of language processing, coupled with a neural network, to predict a most probable path.
  • This model makes it possible to generate a vector space in which each known segment of a road network, that is to say a segment on which at least one user has traveled once, corresponds to a vector.
  • Using a neural network on the basis of path histories for several users allows the model to be able to return a next segment from a previous segment, even if the user has never traveled on the segment following.
  • the neural network can also receive as input the driver identifier as additional data for the prediction of a next road segment, which makes it possible to personalize the prediction.
  • the model can use a naive prediction model returning as next segment the most likely the segment corresponding to the most important route among the possible segments. This therefore makes it possible to accommodate the fact that a segment is unknown.
  • FIG. 1 schematically represents a most probable route prediction device and a vehicle connected to the latter
  • FIG. 2 schematically represents the main steps of a method for training a prediction model according to one of the embodiments of the invention.
  • FIG. 3a shows an example of a portion of a road network represented by road segments.
  • Figure 3b shows an example of Markov chain corresponding to the portion of the road network shown in Figure 3a.
  • FIG. 4 schematically shows the main steps of a method of predicting a most likely route according to one of the embodiments of the invention.
  • the prediction device comprises at least a memory 10, typically a non-volatile memory, and an electronic computer 1 1, such as a processor, a microprocessor, a controller, a microcontroller, etc., adapted to execute code instructions stored in the memory 10.
  • a memory 10 typically a non-volatile memory
  • an electronic computer 1 such as a processor, a microprocessor, a controller, a microcontroller, etc., adapted to execute code instructions stored in the memory 10.
  • the prediction device 1 is configured to drive and apply a most likely path prediction model described below.
  • the prediction model is trained from a set of vehicle trip histories, a trip history being a past trip of a vehicle.
  • a trip history being a past trip of a vehicle.
  • all of the trip histories come from different vehicles and users.
  • Each journey history comprises an ordered series of points from a road network acquired throughout the journey followed by the vehicle, each point being defined by its geographical coordinates, for example a “latitude, longitude” pair.
  • each journey history further comprises additional data corresponding to a context of the journey.
  • the additional data may include a time stamp of the geographic coordinates of a point, that is to say data on the moment at which the point was acquired (day of the week or date, time, etc.).
  • the additional data may also include a user identifier.
  • the additional data may include information concerning the weather conditions during the journey, or even data relating to recurrent punctual events likely to affect the movements of drivers: national holiday or other public holidays, school holidays, international fairs generating a lot traffic and influencing traffic conditions, etc.
  • All of the vehicle trip histories can be stored in memory 10 or in a separate memory, for example a remote database 2 to which the prediction device 1 can access via a telecommunications network.
  • the training 100 of the prediction model comprises a first step 110 during which the computer converts, for each journey history, the series of points of the journey into an ordered series of road segments traversed by the vehicle.
  • a road segment corresponds to a portion of road between two intersections, or between an intersection and a dead end. It is therefore defined by the geographic coordinates of its two extreme points, and is advantageously associated with a segment identifier.
  • the electronic computer 11 compares the geographic coordinates of each point of the journey with a map of the road network and allocates to each point the segment which corresponds to it by means of a trace matching process ).
  • the track matching algorithm uses GPS coordinates, and, if available, the time stamp, direction and speed of the vehicle, to locate the point on a plausible and likely road segment (based on the likely transition time d segment to segment and route attributes such as orientation, speed limit). If at least two consecutive points belong to the same road segment, the computer deletes all the occurrences of the same segment from the second so that the ordered sequence of segments obtained after the conversion never includes two occurrences successive of the same segment. Likewise if two points are distant and belong to non-contiguous segments, the trace correspondence algorithm will best reconstruct the missing segments.
  • a journey history includes additional context data linked to the journey
  • this data is advantageously kept during the conversion.
  • Some of the data can also be processed during the conversion step 110.
  • the step of conversion 110 can comprise the association, to the segment, of a timestamp datum comprising only one of the data associated with the different points of the segment, for example the datum associated with the first point encountered of the segment. This timestamp data then indicates substantially the moment of entry of the vehicle into the segment considered.
  • the prediction device has a set of trip histories where each trip is defined by a series of road segments, each road segment possibly being associated with data. Additional context (time, driver, weather conditions, etc.).
  • a first path history can comprise the series of segments A, B, K
  • a second path history can comprise the series of segments A, C, E, G.
  • the electronic computer 1 1 of the prediction device 1 then applies during a step 120, to the set of trip histories each defined as a series of route segments, a natural language processing model, adapted to generate a vector space and to represent each segment appearing at least once in the set of trip histories as a single vector of the vector space.
  • the language processing model is typically a “word2vec” type model where each segment is presented with its immediate context, namely the segment visited previously and the segment visited then during a given journey, and this for each journey recorded in our database. Thanks to this information, the "word2vec” algorithm will project each segment into a vector space so that the nearby vectors have a low cosine distance or similarity, and the distant vectors have such a high distance.
  • Each road segment therefore corresponds to a vector comprising n coordinates in the vector space.
  • the training of the prediction model then comprises, during a step 130, the training of a neural network by supervised learning, the neural network being configured to receive as input the n coordinates of a vector of the vector space into which the road segments are converted, the vector corresponding to a current road segment of a vehicle, and to produce in output the n coordinates of a vector from vector space.
  • the neural network is advantageously a neural network of the multilayer perceptron type, in which each neuron of one layer is connected to all the neurons of the next layer.
  • Other types of networks can be used, such as recurrent networks of the LSTM type (English abbreviation for "Long Short-Term Memory”).
  • Supervised learning of the neural network is carried out from a set of series of two consecutive road segments from the history of vehicle journeys.
  • the neural network is trained on all of the series of two consecutive segments included in the entire set of vehicle trip histories.
  • the neural network can also be configured to receive as input, in addition to the coordinates of a vector corresponding to a segment, the additional data corresponding to this segment, if such data are available.
  • the neural network allows the neural network to also take into account the context associated with the movement of a vehicle on the segment concerned in its learning.
  • the input imposed on the neural network includes the coordinates of the vector corresponding to a current segment A of a path history, as well as the additional data corresponding to this current segment.
  • the neural network is advantageously adapted to receive as an additional input the identifier of the vehicle or of the driver associated with the journey, so as to be able to personalize the prediction performed.
  • the neural network can also be adapted to receive, as additional inputs, time stamp data from the current segment.
  • the imposed output may include only the coordinates of the vector corresponding to the next segment B of the same path history, since the neural network does not necessarily need to learn to return as output additional data corresponding to the next segment.
  • the imposed output may include, in addition to the coordinates of the vector corresponding to the next segment B of the same path history, the timestamp data associated with the next segment B so that the neural network can then determine, in addition to a next probable segment, a time to reach it.
  • the method may include calculating an average of transition time between a segment and a next segment, from all the occurrences of the series of these two consecutive segments that appear in all of the trip histories.
  • the neural network can only be trained to predict a next segment from a current segment.
  • the neural network is trained to output the coordinates of a vector corresponding to the next road segment from a previous road segment.
  • n coordinates generated by the neural network do not necessarily correspond exactly to the coordinates of a vector corresponding to a road segment, so that the translation of the output of the neural network into a next road segment is not not immediate.
  • the method for training the prediction model also comprises the census 140 of the known links between a current road segment and the set of the following road segments which are connected to it, this census then being coupled to the neural network for that the prediction model cannot return, as the next road segment from a current road segment, a road segment not connected to the current road segment.
  • the 140 census is advantageously carried out by the construction of a Markov chain from all the vehicle journey histories, coupled with the description of the road network which determines the segments according to a given segment according to its direction of travel. .
  • the Markov chain makes it possible to identify all the road segments which can follow a current road segment, therefore taking into account the direction of traffic (and one-way streets), this for all the road segments appearing at least one times in all trip histories.
  • FIG. 3b shows in the form of a table an example of a Markov chain corresponding to the portion of the road network represented in FIG. 3a.
  • the first column of this table corresponds to the current segment considered and to a traffic direction, and the other columns correspond to the following possible segments, that is to say the road segments which are connected to the current segment.
  • the prediction model obtained is therefore formed by all of the following elements:
  • the prediction 200 of a most probable route for a vehicle V can then be performed by the prediction device 1 from the prediction model thus generated.
  • This prediction of a most probable route is carried out using current geographic location data of a vehicle V, for example GPS data comprising a latitude and a longitude.
  • This prediction includes a first step 210 of converting the current geographic location data of the vehicle into a current road segment on which the vehicle is located.
  • This step 210 is carried out in the same way as the step 1 10 for converting trip histories, with the difference that it only returns a segment of a route and not a series of segments corresponding to a trip.
  • the prediction device 1 then converts during a step 220 the segment obtained into the coordinates of the corresponding vector of the vector space, by calling memory 10 where this correspondence has been previously recorded.
  • the prediction device 1 then applies during a step 230 the neural network previously trained to the vector representing the current road segment obtained at the end of the step 220.
  • the coordinates of the vector corresponding to the Current route segment are used as input to the neural network.
  • the data transmitted to the prediction device 1 advantageously comprise, in addition to the current geographic location data of the vehicle, additional data of the same nature as that present in the trip histories, i.e. for example time stamping data, an identifier of the driver, weather conditions, etc.
  • this additional data is added to the coordinates of the vector as input to the neural network.
  • the neural network then returns coordinates of a vector of the vector space, these coordinates not necessarily corresponding to the exact coordinates of a vector corresponding to one of the road segments on which learning has been carried out.
  • the method then includes a step 240 of selecting a set of possible next road segments from the current road segment and the direction in which it has been traveled, by interrogating the Markov chain identifying the known links between the road segments appearing at least once in all trip histories.
  • the prediction device 1 calculates a distance between the vector obtained by the neural network and each of the vectors corresponding to the road segments selected in step 240.
  • This distance is advantageously the cosine similarity, that is to say the cosine of the dot product between the two vectors.
  • the prediction device 1 determines during a step 260 the next most likely road segment as the segment, from among the following possible road segments selected in step 140 having the minimum distance with the output vector from the network. neurons.
  • the prediction device 1 does not implement steps 220 and 230 but implements during a step 215 a prediction model returning as the next most likely segment the road segment connected to the current road segment belonging to the most important road. This can be done from cartographic data where each segment is associated with an index corresponding to a type of road. This allows the prediction device to be able to predict the most likely route even if a vehicle is on a new segment.
  • the prediction device 1 can repeat steps 230 to 260 one or more times using as current segment the next most likely road segment determined at the end of the last occurrence of step 260. This makes it possible to obtain a series of segments forming a path, determined from the current segment on which the vehicle V is located.
  • the current location data of the vehicle V used for predicting the most probable route of the vehicle V can be acquired by a vehicle location sensor, such as for example a GPS sensor, which can for example be on board vehicle V, and then be transmitted by vehicle V to prediction device 1.
  • a vehicle location sensor such as for example a GPS sensor, which can for example be on board vehicle V, and then be transmitted by vehicle V to prediction device 1.
  • the vehicle V can comprise, as shown diagrammatically in FIG. 1, an electronic computer 21, for example a processor, a microprocessor, a controller, etc., and an interface for connection 22 to a telecommunications network R, for example a network using one of the GPRS, EDGE, UMTS, 3G, 4G, Wifi, WIMAX, Internet, etc. protocols, allowing the electronic computer 21 to communicate with the prediction device 1 via the telecommunications network R.
  • a telecommunications network R for example a network using one of the GPRS, EDGE, UMTS, 3G, 4G, Wifi, WIMAX, Internet, etc. protocols, allowing the electronic computer 21 to communicate with the prediction device 1 via the telecommunications network R.
  • the electronic computer 21 is advantageously configured to send a request for predicting a most probable route to the prediction device 1, the request comprising current geographic coordinates of the vehicle V acquired by the sensor 20.
  • the location sensor 20, the electronic computer 21 and the connection interface 22 may be components of a personal electronic device of a driver of the vehicle V, typically a driver's mobile phone.
  • the prediction device 1 Once the prediction device 1 has determined the most probable path according to the method described above, it returns this path to the electronic computer 21.
  • the electronic computer 21 has a road network map in which each road segment is associated with an identifier, such as the road network map on the basis of which the electronic computer 1 1 drives the model of prediction, and in this case the most likely route returned to the electronic computer 21 is sent in the form of the identifiers of the road segments that compose it.
  • the electronic computer 21 has a map of the road network devoid of segment identifiers, and the most likely route that it receives comprises the geographic coordinates (GPS coordinates) of the route.
  • the electronic computer 21 may have to perform a additional processing of coordinates, typically the conversion of geographic coordinates to road segments by the application of a trace matching algorithm.
  • the calculator can also receive data both in the form of segment identifiers and GPS coordinates.
  • the vehicle V (or where appropriate, the personal electronic device of the user) can also include a Man-Machine interface 23, adapted to provide the driver with information concerning the most probable journey.
  • this interface can advantageously include a screen on which information can be displayed, or one or more indicator lights. It may also include a loudspeaker suitable for broadcasting sound signals.
  • the vehicle V can for example comprise a memory in which a database is recorded comprising a set of road segments and information associated with these road segments, such as for example a speed limit, the existence of a turn on the road segment, an ascending or descending slope value, etc.
  • the memory can be updated periodically and the information can relate to the existence of works on the segment and road, etc.
  • the Human Machine Interface can for example warn the user about a speed limit concerning the next road segment used, or information on the presence of works on the next road segment, etc.
  • the most likely path returned by the prediction device 1 can also be used to optimize the management of vehicle V.
  • the electronic computer 21 can be configured to control the electronic device 34 for managing the hybrid propulsion system according to the most likely journey received.
  • the engine torque may be limited electronically in cases where the vehicle will have to slow down in the coming seconds (cornering, speed limitation, etc.) in order to avoid unnecessary acceleration and limit energy consumption.
  • the prediction model can be enriched as the journeys of the vehicles interrogating the prediction device 1 progress.
  • new segments can be added, and learning of the neural network can be completed on these additional journeys. for better reliability.

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Social Psychology (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Abstract

La présente invention a pour objet un dispositif de prédiction (1) d'un trajet le plus probable d'un véhicule (V), le dispositif comprenant un calculateur (11) et une mémoire (10), • · le dispositif de prédiction (1) étant configuré pour entraîner un modèle de prédiction de trajet le plus probable à partir d'un ensemble d'historiques de trajets de véhicules, chaque historique de trajet comprenant une liste de coordonnées géographiques, • · et pour prédire le trajet le plus probable d'un véhicule (V) par application du modèle de prédiction à des données de localisation du véhicule (V), caractérisé en ce que le dispositif de prédiction (1) est configuré pour réaliser l'entrainement (100) du modèle de prédiction par : • · la conversion (110) de chaque historique de trajets de véhicules en une série de segments de route, un segment de route étant une portion d'une route comprise entre deux intersections ou entre une intersection et une impasse de la route, • · la production (120), par application d'un modèle de traitement du langage à l'ensemble des segments de route des historiques de trajets de véhicules, d'un espace vectoriel dans lequel chaque segment de route de l'ensemble des historiques de trajets de véhicules correspond à un vecteur, et • · l'apprentissage supervisé (130) d'un réseau de neurones recevant en entrée un vecteur de l'espace vectoriel et générant en sortie un vecteur de l'espace vectoriel, à partir d'un ensemble de séries de deux segments consécutifs de l'ensemble des historiques de trajets de véhicules.

Description

Dispositif de prédiction de trajet le plus probable d’un véhicule
L’invention concerne un dispositif de prédiction d’un trajet le plus probable d’un véhicule compte-tenu d’une localisation courante du véhicule, ainsi qu’un véhicule adapté pour récupérer, auprès du dispositif de prédiction, le trajet le plus probable.
On connaît déjà plusieurs méthodes de prédiction personnalisée d’un trajet le plus probable d’un véhicule, également appelé « MPP » pour l’abréviation anglaise « Most Probable Path ».
Une première méthode de prédiction a été décrite dans l’article de R.Simmons et al. « Learning to predict driver route and destination intent », paru dans Intelligent Transportation Systems Conférence, 2006. ITSC Ό6. IEEE.
Cette méthode comprend la construction, pour un utilisateur donné, d’un modèle statistique basé sur un modèle de Markov caché dont les états sont des paires comprenant un lien, c’est-à-dire un segment de route, et une destination. Le modèle statistique est construit sur la base des déplacements de l’utilisateur, et un nouveau modèle doit être établi pour tout nouvel utilisateur.
L’inconvénient de cette méthode et qu’elle ne permet pas de générer un modèle valable pour n’importe quel utilisateur, puisqu’elle est basée sur un utilisateur en particulier.
De plus, cette méthode ne permet pas de prévoir un trajet que l’utilisateur n’a pas déjà fait, voire même un trajet que l’utilisateur n’a pas déjà fait à la même heure, puisque par définition ce trajet est associé à une probabilité nulle et ne pourra être retourné par le modèle comme un trajet probable.
Il convient également d’ajouter qu’une version étendue du modèle prévoit également de tenir compte de facteurs additionnels tels que l’heure de la journée ou le jour de la semaine correspondant au trajet. Or, comme l’utilisation d’un modèle de Markov caché ne permet pas l’utilisation de paramètres continus, la méthode prévoit de discrétiser ces paramètres, comme notamment l’heure de la journée, en établissant des créneaux horaires plus larges comme « avant 8 heures », « heure de pointe de 8 à 10 heures », « fin de matinée », etc.
Il peut résulter de cette discrétisation des paramètres des imprécisions sur le modèle de prédiction de trajet.
Une autre méthode a été décrite dans l’article de N. Ye et al.“A method for driving route prédictions based on hidden Markov modef’, paru dans Mathematical Problems in Engineering, Volume 2015, Article ID 824532.
Cette méthode repose également sur l’utilisation d’un modèle de Markov caché pour la prédiction d’un trajet le plus probable d’un véhicule, et se base sur un graphe représentant le réseau routier. Ceci implique de simplifier fortement le réseau et donc d’éliminer toutes les routes secondaires, ce qui rend le modèle très imprécis.
De plus, ceci implique également de regrouper des points de départ et d’arrivée par zones d’intérêts, en excluant la possibilité de réaliser des trajets courts au sein d’une zone d’intérêt, ce qui là encore dégrade les performances du modèle.
Compte-tenu de ce qui précède, l’invention a pour but de proposer un modèle de prédiction d’un trajet le plus probable d’un véhicule qui soit plus précis que l’art antérieur.
En particulier, un but de l’invention est de pouvoir prédire un trajet le plus probable même à partir de circonstances initiales jamais rencontrées pour un utilisateur donné.
Un autre but de l’invention est de pouvoir prédire un trajet à partir de n’importe quel tronçon, y compris sur des routes secondaires.
A cet égard, l’invention a pour objet un dispositif de prédiction d’un trajet le plus probable d’un véhicule, le dispositif de prédiction comprenant un calculateur et une mémoire, le dispositif de prédiction étant configuré pour :
• entraîner un modèle de prédiction de trajet le plus probable à partir d’un ensemble d’historiques de trajets de véhicules, chaque historique de trajet comprenant une liste de coordonnées géographiques, et
• prédire le trajet le plus probable d’un véhicule par application du modèle de prédiction à des données de localisation du véhicule.
Le dispositif de prédiction selon l’invention est remarquable en ce que le dispositif de prédiction est configuré pour réaliser l’entrainement du modèle de prédiction par :
• la conversion de chaque historique de trajets de véhicules en une série de segments de route, un segment de route étant une portion d’une route comprise entre deux intersections ou entre une intersection et une impasse de la route,
• la production, par application d’un modèle de traitement du langage à l’ensemble des segments de route des historiques de trajets de véhicules, d’un espace vectoriel dans lequel chaque segment de route de l’ensemble des historiques de trajets de véhicules correspond à un vecteur, et
• l’apprentissage supervisé d’un réseau de neurones recevant en entrée un vecteur de l’espace vectoriel et générant en sortie un vecteur de l’espace vectoriel, à partir d’un ensemble de séries de deux segments consécutifs de l’ensemble des historiques de trajets de véhicules.
Le réseau de neurones peut être du type perceptron multicouches. Avantageusement, chaque historique de trajet comprend en outre un identifiant de véhicule ou d’utilisateur du véhicule, et le réseau de neurones est configuré pour recevoir en outre en entrée un identifiant de véhicule ou d’utilisateur, et le dispositif de prédiction est configuré pour prédire le trajet le plus probable du véhicule à partir de données de localisation du véhicule et d’un identifiant du véhicule ou de l’utilisateur, par application du réseau de neurones correspondant au segment courant associé à l’identifiant du véhicule ou de l’utilisateur.
Avantageusement encore, le dispositif de prédiction selon l’invention est remarquable en ce que :
• les coordonnées géographiques de chaque historique de trajet sont en outre horodatées, et
• le réseau de neurones est configuré pour recevoir en entrée un vecteur de l’espace vectoriel et un horodatage associé, et
• le dispositif de prédiction est configuré pour prédire le trajet le plus probable du véhicule à partir de données de localisation du véhicule et d’un horodatage associé à ces données, par application du réseau de neurones au vecteur correspondant au segment courant associé aux données de localisation du véhicule et à l’horodatage associé.
Dans un mode de réalisation, le dispositif de prédiction est configuré pour mettre en oeuvre la prédiction d’un trajet le plus probable d’un véhicule par :
• la conversion de données de localisation du véhicule en un segment de route courant du véhicule,
• la conversion, par application du modèle de traitement du langage, du segment de route courant en un vecteur de l’espace vectoriel,
• l’application du réseau de neurones au vecteur obtenu pour obtenir un vecteur de sortie du réseau de neurones, et
• la détermination d’un segment de route correspondant au vecteur de sortie, ledit segment de route correspondant au segment de route suivant le plus probable du véhicule.
Dans un mode de réalisation, le dispositif de prédiction est en outre configuré pour générer, à partir de l’ensemble des historiques de trajets de véhicules, une chaîne de Markov recensant les liens entre un segment de route courant et l’ensemble des segments de route suivants qui lui sont connectés, et dans lequel :
• la prédiction d’un trajet le plus probable d’un véhicule comprend en outre la détermination, à partir de la chaîne de Markov, des segments de route suivants possibles pour le segment de route courant du véhicule, et • la détermination du segment de route correspondant au vecteur de sortie du réseau de neurones comprend la détermination, parmi les segments de route suivants possibles pour le segment de route courant du véhicule, du segment de route correspondant au vecteur le plus proche du vecteur de sortie du réseau de neurones.
Le dispositif de prédiction peut être configuré pour calculer une distance entre deux vecteurs de l’espace vectoriel par calcul d’une distance cosinusoïdale entre les vecteurs.
Dans un mode de réalisation, le dispositif de prédiction est configuré pour, si le segment de route courant du véhicule ne correspond à aucun segment de route de l’ensemble des historiques de trajets de véhicule, appliquer un modèle de prédiction dans lequel le segment de route suivant est celui, parmi les segments de route possibles, qui appartient à la route la plus importante.
Le dispositif de prédiction est avantageusement configuré pour mettre en oeuvre de manière récursive la détermination d’un segment de route suivant à partir d’un segment de route courant du véhicule pour déterminer un trajet comprenant plusieurs tronçons de route successifs à partir du segment de route courant.
L’invention a également pour objet un procédé d’entrainement d’un modèle de prédiction de trajet le plus probable d’un véhicule, à partir d’un ensemble d’historiques de trajets de véhicules, chaque historique de trajet comprenant une série de coordonnées géographiques, le procédé étant mis en oeuvre par un calculateur électronique et comprenant :
• la conversion de chaque historique de trajet de véhicule en une série de segments de route, un segment de route étant une portion d’une route comprise entre deux intersection ou entre une intersection et une impasse de la route,
• la production, par application d’un modèle de traitement du langage à l’ensemble des segments de route des historiques de trajets de véhicules, d’un espace vectoriel dans lequel chaque segment de route correspond à un vecteur, et
• l’apprentissage supervisé d’un réseau de neurones recevant en entrée un vecteur de l’espace vectoriel et générant en sortie un vecteur de l’espace vectoriel, à partir de l’ensemble des séries de deux segments consécutifs de l’historique de trajets de véhicules.
L’invention a également pour objet un produit programme d’ordinateur, comprenant des instructions de code pour la mise en oeuvre du procédé d’entrainement selon la description qui précède, quand il est exécuté par un processeur.
L’invention porte enfin sur un véhicule comprenant :
• un capteur de localisation du véhicule, • un calculateur électronique, et
• une interface de connexion à un réseau de télécommunications.
Le véhicule selon l’invention est remarquable en ce que le calculateur électronique est configuré pour :
• envoyer au dispositif de prédiction selon la description qui précède, via le réseau de télécommunications, une requête de détermination du trajet le plus probable du véhicule, la requête comportant des données de localisation du véhicule acquises par le capteur de localisation du véhicule,
• recevoir un trajet le plus probable du véhicule,
• commander une opération d’au moins un composant électronique du véhicule en fonction du trajet le plus probable reçu.
Le véhicule peut comprendre en outre une interface Homme-Machine, et le calculateur électronique peut alors être configuré pour commander le signalement par l’interface Homme-Machine, d’au moins une information fonction du trajet le plus probable reçu.
Le véhicule peut comprendre en outre un ensemble de propulsion hybride comprenant un moteur électrique, un moteur thermique, une batterie, et un dispositif électronique de gestion de l’ensemble de propulsion hybride, dans lequel le calculateur électronique est configuré pour commander le dispositif électronique de gestion de l’ensemble de propulsion hybride en fonction du trajet le plus probable reçu.
Le dispositif de prédiction selon l’invention permet d’entraîner et d’utiliser un modèle de prédiction basé sur des solutions développées dans le domaine du traitement du langage, couplé à un réseau de neurones, pour prédire un trajet le plus probable.
Ce modèle permet de générer un espace vectoriel dans lequel chaque segment connu d’un réseau routier, c’est-à-dire un segment sur lequel au moins un utilisateur a circulé une fois, correspond à un vecteur.
L’apprentissage d’un réseau de neurones sur cet espace vectoriel en fonction des historiques de trajets de plusieurs utilisateurs permet ensuite au réseau de neurones de retourner un vecteur permettant de déterminer le segment de route correspondant le plus probable.
Le fait d’utiliser un réseau de neurones sur une base d’historiques de trajets pour plusieurs utilisateurs permet au modèle de pouvoir retourner un segment suivant à partir d’un segment précédent, même si l’utilisateur n’a jamais circulé sur le segment suivant.
Le réseau de neurones peut également recevoir en entrée l’identifiant du conducteur comme donnée additionnelle pour la prédiction d’un segment de route suivant, ce qui permet de personnaliser la prédiction. De plus, si le segment courant sur lequel l’utilisateur circule est inconnu, c’est- à-dire si jamais aucun utilisateur n’a circulé sur ce segment, le modèle peut recourir à un modèle de prédiction naïf renvoyant comme prochain segment le plus probable le segment correspondant à la route la plus importante parmi les segments possibles. Ceci permet donc d’accommoder le fait qu’un segment soit inconnu.
D’autres caractéristiques, buts et avantages de l’invention ressortiront de la description qui suit, qui est purement illustrative et non limitative, et qui doit être lue en regard des dessins annexés sur lesquels :
- La figure 1 représente schématiquement un dispositif de prédiction de trajet le plus probable et un véhicule connecté à ce dernier,
- La figure 2 représente schématiquement les principales étapes d’un procédé d’entrainement d’un modèle de prédiction selon l’un des modes de réalisation de l’invention.
- La figure 3a représente un exemple d’une portion d’un réseau routier représenté par des segments de routes.
- La figure 3b représente un exemple de chaîne de Markov correspondant à la portion du réseau routier représentée en figure 3a.
- La figure 4 représente schématiquement les principales étapes d’un procédé de prédiction d’un trajet le plus probable selon l’un des modes de réalisation de l’invention.
En référence à la figure 1 , on va maintenant décrire un dispositif de prédiction 1 d’un trajet le plus probable selon un mode de réalisation de l’invention. Le dispositif de prédiction comprend au moins une mémoire 10, typiquement une mémoire non volatile, et un calculateur électronique 1 1 , comme un processeur, un microprocesseur, un contrôleur, un microcontrôleur, etc., adapté pour exécuter des instructions de code stockées dans la mémoire 10.
Le dispositif de prédiction 1 est configuré pour entraîner et appliquer un modèle de prédiction de trajet le plus probable décrit ci-après.
Entrainement du modèle de prédiction
L’entraînement du modèle de prédiction est réalisé à partir d’un ensemble d’historiques de trajets de véhicules, un historique de trajet étant un trajet passé d’un véhicule. Avantageusement, l’ensemble des historiques de trajet provient de véhicules et d’utilisateurs différents.
Chaque historique de trajet comprend une suite ordonnée de points d’un réseau routier acquis tout au long du trajet suivi par le véhicule, chaque point étant défini par ses coordonnées géographiques, par exemple un couple « latitude, longitude ». Dans un mode de réalisation particulier, chaque historique de trajet comprend en outre des données additionnelles correspondant à un contexte du trajet. Par exemple, les données additionnelles peuvent comprendre un horodatage des coordonnées géographiques d’un point, c’est-à-dire des données sur le moment auquel le point a été acquis (jour de la semaine ou date, heure, etc.).
De préférence, pour permettre une prédiction personnalisée, les données additionnelles peuvent également comprendre un identifiant d’utilisateur.
Enfin, les données additionnelles peuvent comprendre des informations concernant les conditions météorologiques lors du trajet, ou encore des données relatives à des évènements ponctuels récurrents susceptibles d’affecter les déplacements des conducteurs : fête nationale ou autres jours fériés, vacances scolaires, foires internationales générant beaucoup de trafic et influençant les conditions de circulation, etc.
L’ensemble des historiques de trajets de véhicules peut être stocké dans la mémoire 10 ou dans une mémoire distincte, par exemple une base de données distante 2 à laquelle le dispositif de prédiction 1 peut accéder via un réseau de télécommunications.
En référence à la figure 2, l’entrainement 100 du modèle de prédiction comprend une première étape 110 au cours de laquelle le calculateur convertit, pour chaque historique de trajet, la suite de points du trajet en une suite ordonnée de segments de route parcourus par le véhicule.
En référence à la figure 3a, un segment de route correspond à une portion de route comprise entre deux intersections, ou comprise entre une intersection et une impasse. Il est donc défini par les coordonnées géographiques de ses deux points extrêmes, et est avantageusement associé à un identifiant de segment. Dans toute la suite et sur la figure 3a, on prendra l’exemple non limitatif de segments identifiés par des lettres de l’alphabet A, B, C etc.
Pour la conversion 1 10, le calculateur électronique 11 confronte les coordonnées géographiques de chaque point du trajet à une carte du réseau routier et attribue à chaque point le segment qui lui correspond grâce à un processus de correspondance de trace (« trace matching » en anglais). L’algorithme de correspondance de trace utilise les coordonnées GPS, et, si disponibles, l’horodatage, la direction et la vitesse du véhicule, pour situer le point sur un segment de route plausible et probable (en fonction du temps probable de transition d’un segment à l’autre et des attributs de route tels que l’orientation, la limitation de vitesse). Si au moins deux points consécutifs appartiennent au même segment de route, le calculateur supprime toutes les occurrences du même segment à partir de la deuxième de manière à ce que la suite ordonnée de segments obtenue à l’issue de la conversion ne comprenne jamais deux occurrences successives d’un même segment. De même si deux points sont éloignés et appartiennent à des segments non contigus, l’algorithme de correspondance de trace reconstituera au mieux les segments manquants.
Dans le cas où un historique de trajets comprend des données additionnelles de contexte liées au trajet, ces données sont avantageusement conservées lors de la conversion. Certaines des données peuvent également faire l’objet d’un traitement lors de l’étape de conversion 110. Par exemple, si plusieurs points appartenant à un même segment de route sont tous associés à des données d’horodatage différentes, l’étape de conversion 110 peut comprendre l’association, au segment, d’une donnée d’horodatage comprenant seulement l’une parmi les données associées aux différents points du segment, par exemple la donnée associée au premier point rencontré du segment. Cette donnée d’horodatage indique alors sensiblement le moment d’entrée du véhicule dans le segment considéré.
A l’issue de l’étape 1 10 de conversion, le dispositif de prédiction dispose d’un ensemble d’historiques de trajets où chaque trajet est défini par une suite de segments de route, chaque segment de route étant éventuellement associé à des données additionnelles de contexte (moment, conducteur, conditions météorologiques, etc.).
Pour reprendre l’exemple non limitatif illustré en figure 3a, un premier historique de trajet peut comprendre la suite de segments A, B, K, et un deuxième historique de trajet peut comprendre la suite de segments A, C, E, G.
Le calculateur électronique 1 1 du dispositif de prédiction 1 applique ensuite lors d’une étape 120, à l’ensemble des historiques de trajets définis chacun comme une suite de segments de route un modèle de traitement du langage naturel, adapté pour générer un espace vectoriel et pour représenter chaque segment apparaissant au moins une fois dans l’ensemble des historiques de trajets comme un vecteur unique de l’espace vectoriel.
Le modèle de traitement du langage est typiquement un modèle du type « word2vec » où chaque segment est présenté avec son contexte immédiat, à savoir le segment visité précédemment et le segment visité ensuite lors d’un trajet donné, et ce pour chaque trajet enregistré dans notre base de données. Grâce à ces informations l’algorithme « word2vec » va projeter chaque segment dans un espace vectoriel de manière à ce que les vecteurs proches aient une distance cosinusoïdale ou similarité cosinus faible, et que les vecteurs éloignés aient une telle distance élevée.
Chaque segment de route correspond donc à un vecteur comprenant n coordonnées dans l’espace vectoriel.
L’entrainement du modèle de prédiction comprend ensuite au cours d’une étape 130, l’entrainement d’un réseau de neurones par apprentissage supervisé, le réseau de neurones étant configuré de manière à recevoir en entrée les n coordonnées d’un vecteur de l’espace vectoriel dans lequel les segments de route sont convertis, le vecteur correspondant à un segment de route courant d’un véhicule, et à produire en sortie les n coordonnées d’un vecteur de l’espace vectoriel.
Le réseau de neurones est avantageusement un réseau de neurones du type perceptron multicouches, dans lequel chaque neurone d’une couche est connecté à tous les neurones de la couche suivante. D’autres types de réseaux peuvent être utilisés, comme par exemple des réseaux récurrents de type LSTM (abréviation anglaise de « Long Short-Term Memory »).
L’apprentissage supervisé du réseau de neurones est réalisé à partir d’un ensemble de séries de deux segments de routes consécutifs de l’historique de trajets de véhicules.
En reprenant l’exemple précédent dans lequel les identifiants de trajets sont des lettres, on peut avoir par exemple dans l’historique de trajets de véhicules au moins une occurrence d’un segment A suivi d’un segment B. L’apprentissage supervisé sur la base de cette série de deux segments consécutifs consiste alors à imposer en entrée du réseau de neurones le segment A et en sortie le segment B, de manière à modifier les poids de connexion du réseau de neurones pour l’adapter à cette sortie B à partir de l’entrée A.
De préférence, le réseau de neurones est entraîné sur l’ensemble des séries de deux segments consécutifs comprises dans tout l’ensemble des historiques de trajets de véhicules.
Avantageusement, mais facultativement, le réseau de neurones peut aussi être configuré pour recevoir en entrée, en plus des coordonnées d’un vecteur correspondant à un segment, les données additionnelles correspondant à ce segment, si de telles données sont disponibles.
Ceci permet que le réseau de neurones puisse aussi tenir compte du contexte associé à la circulation d’un véhicule sur le segment concerné dans son apprentissage. Dans ce cas, lors de l’apprentissage supervisé, l’entrée imposée au réseau de neurones comprend les coordonnées du vecteur correspondant à un segment courant A d’un historique d’un trajet, ainsi que les données additionnelles correspondant à ce segment courant.
En particulier, le réseau de neurones est avantageusement adapté pour recevoir en entrée supplémentaire l’identifiant du véhicule ou du conducteur associé au trajet, de manière à pouvoir personnaliser la prédiction réalisée. Le réseau de neurones peut également être adapté pour recevoir en entrées additionnelles des données d’horodatage du segment courant. La sortie imposée peut ne comprendre que les coordonnées du vecteur correspondant au segment suivant B du même historique de trajet, puisque le réseau de neurones n’a pas nécessairement besoin d’apprendre à retourner en sortie des données additionnelles correspondant au segment suivant.
En variante, dans le cas de données d’entrées comprenant un horodatage du segment courant, la sortie imposée peut comprendre, en plus des coordonnées du vecteur correspondant au segment suivant B du même historique de trajet, les données d’horodatage associées au segment suivant B pour que le réseau de neurones puisse déterminer ensuite, en plus d’un prochain segment probable, un temps pour y parvenir.
Alternativement, pour pouvoir prédire une heure d’arrivée au prochain segment à partir du segment courant, le procédé peut comprendre le calcul d’une moyenne de temps de transition entre un segment et un prochain segment, à partir de toutes les occurrences de la série de ces deux segments consécutifs apparentes dans l’ensemble des historiques de trajets. Dans ce cas le réseau de neurones peut n’être entraîné que pour prédire un prochain segment à partir d’un segment courant.
Grâce à cet apprentissage, le réseau de neurones est entraîné pour produire en sortie les coordonnées d’un vecteur correspondant au segment de route suivant à partir d’un segment de route précédent.
Cependant, les n coordonnées générées par le réseau de neurones ne correspondent pas nécessairement exactement aux coordonnées d’un vecteur correspondant à un segment de route, de sorte que la traduction de la sortie du réseau de neurones en un segment de route suivant n’est pas immédiate.
Par conséquent, le procédé d’entrainement du modèle de prédiction comprend également le recensement 140 des liens connus entre un segment de route courant et l’ensemble des segments de route suivants qui lui sont connectés, ce recensement étant ensuite couplé au réseau de neurones pour que le modèle de prédiction ne puisse pas retourner, comme segment de route suivant à partir d’un segment de route courant, un segment de route non connecté au segment de route courant.
Le recensement 140 est avantageusement réalisé par la construction d’une chaîne de Markov à partir de l’ensemble des historiques de trajets de véhicules, couplés avec la description du réseau routier qui détermine les segments suivant un segment donné en fonction de son sens de parcours. La chaîne de Markov permet de recenser tous les segments de route qui peuvent suivre un segment de route courant, en prenant donc en compte le sens de circulation (et les voies à sens uniques), ceci pour tous les segments de route apparaissant au moins une fois dans l’ensemble des historiques de trajets. On a représenté en figure 3b sous la forme d’un tableau un exemple de chaîne de Markov correspondant à la portion de réseau routier représentée en figure 3a. La première colonne de ce tableau correspond au segment courant considéré et à une direction de circulation, et les autres colonnes correspondent aux segments suivants possibles, c’est-à-dire les segments de route qui sont connectés au segment courant.
Le modèle de prédiction obtenu est donc formé par l’ensemble des éléments suivants :
• le modèle de traitement du langage naturel appliqué à l’ensemble des segments recensés dans l’ensemble des historiques de trajets,
• le réseau de neurones entraîné sur l’ensemble des historiques de trajets, et
• la chaîne de Markov construite sur la base du même ensemble d’historiques de trajets, ainsi que la connaissance de la topologie du réseau routier.
Tous ces composants du modèle de prédiction et le cas échéant leurs paramètres associés sont avantageusement enregistrés dans la mémoire 10 du dispositif de prédiction 1. S’agissant du modèle de traitement du langage naturel, avantageusement seule la correspondance entre un segment de route et les coordonnées correspondantes du vecteur dans l’espace vectoriel peut être enregistrée dans la mémoire 10.
Prédiction d’un trajet le plus probable
En référence à la figure 4, la prédiction 200 d’un trajet le plus probable d’un véhicule V peut ensuite être réalisée par le dispositif de prédiction 1 à partir du modèle de prédiction ainsi généré.
Cette prédiction d’un trajet le plus probable est réalisée à partir de données de localisation géographique courante d’un véhicule V, par exemple des données GPS comprenant une latitude et une longitude.
Cette prédiction comporte une première étape 210 de conversion des données de localisation géographique courante du véhicule en un segment de route courant sur lequel le véhicule se trouve. Cette étape 210 est réalisée de la même manière que l’étape de conversion 1 10 d’historiques de trajets, à la différence qu’elle ne retourne qu’un segment de route et non pas une suite de segments correspondant à un trajet.
Le dispositif de prédiction 1 convertit ensuite lors d’une étape 220 le segment obtenu en les coordonnées du vecteur correspondant de l’espace vectoriel, par appel à la mémoire 10 où cette correspondance a été précédemment enregistrée.
Le dispositif de prédiction 1 applique ensuite lors d’une étape 230 le réseau de neurones précédemment entraîné au vecteur représentant le segment de route courant obtenu à l’issue de l’étape 220. En d’autres termes, les coordonnées du vecteur correspondant au segment de route courant sont utilisées comme entrée du réseau de neurones. Dans le mode de réalisation dans lequel les historiques de trajets de véhicules comprennent des données additionnelles, et dans lequel le réseau de neurones a été entraîné en tenant compte de ces données additionnelles, les données transmises au dispositif de prédiction 1 comprennent avantageusement, en plus des données de localisation géographique courante du véhicule, des données additionnelles de même nature que celles présentes dans les historiques de trajet, c’est-à-dire par exemple des données d’horodatage, un identifiant du conducteur, des conditions météorologiques, etc.
Dans ce cas, ces données additionnelles sont ajoutées aux coordonnées du vecteur comme entrée du réseau de neurones.
Le réseau de neurones retourne alors des coordonnées d’un vecteur de l’espace vectoriel, ces coordonnées ne correspondant pas nécessairement aux coordonnées exactes d’un vecteur correspondant à l’un des segments de route sur lequel l’apprentissage a été réalisé.
Le procédé comprend alors une étape 240 de sélection d’un ensemble de segments de route suivants possibles à partir du segment de route courant et de la direction dans lequel il a été parcouru, par interrogation de la chaîne de Markov recensant les liens connus entre les segments de route apparaissant au moins une fois dans l’ensemble des historiques de trajets.
Puis, lors d’une étape 250, le dispositif de prédiction 1 calcule une distance entre le vecteur obtenu par le réseau de neurones et chacun des vecteurs correspondants aux segments de route sélectionnés à l’étape 240. Cette distance est avantageusement la similarité cosinus, c’est-à-dire le cosinus du produit scalaire entre les deux vecteurs.
Le dispositif de prédiction 1 détermine ensuite lors d’une étape 260 le segment de route suivant le plus probable comme le segment, parmi les segments de route suivants possibles sélectionnés à l’étape 140 présentant la distance minimale avec le vecteur de sortie du réseau de neurones.
Dans le cas où, à l’issue de l’étape 210, le segment de route correspondant à la localisation courante du véhicule V ne correspond à aucun des segments de route rencontrés dans l’ensemble des historiques de trajets - ce qui est détecté car le segment n’apparaît pas dans la table de correspondances permettant d’obtenir le vecteur correspondant - alors le dispositif de prédiction 1 ne met pas en oeuvre les étapes 220 et 230 mais met en oeuvre lors d’une étape 215 un modèle de prédiction retournant comme segment suivant le plus probable le segment de route relié au segment de route courant appartenant à la route la plus importante. Ceci peut être réalisé à partir de données cartographiques où chaque segment est associé à un indice correspondant à un type de route. Ceci permet au dispositif de prédiction de pouvoir prédire un trajet le plus probable même dans le cas où un véhicule se trouve sur un segment inédit. Dans un mode de réalisation, le dispositif de prédiction 1 peut réitérer une ou plusieurs fois les étapes 230 à 260 en utilisant comme segment courant le segment de route suivant le plus probable déterminé à l’issue de la dernière occurrence de l’étape 260. Ceci permet d’obtenir une suite de segments formant un trajet, déterminée à partir du segment courant sur lequel se trouve le véhicule V.
De retour à la figure 1 , les données de localisation courante du véhicule V utilisées pour la prédiction du trajet le plus probable du véhicule V peuvent être acquises par un capteur 20 de localisation du véhicule, comme par exemple un capteur GPS, qui peut par exemple être embarqué à bord du véhicule V, et être transmises ensuite par le véhicule V au dispositif de prédiction 1.
Pour cela le véhicule V peut comprendre, comme représenté schématiquement sur la figure 1 , un calculateur électronique 21 , par exemple un processeur, un microprocesseur, un contrôleur, etc., et une interface de connexion 22 à un réseau de télécommunications R, par exemple un réseau utilisant l’un des protocoles GPRS, EDGE, UMTS, 3G, 4G, Wifi, WIMAX, Internet, etc., permettant au calculateur électronique 21 de communiquer avec le dispositif de prédiction 1 via le réseau de télécommunications R.
En particulier le calculateur électronique 21 est avantageusement configuré pour envoyer une requête de prédiction d’un trajet le plus probable au dispositif de prédiction 1 , la requête comprenant des coordonnées géographiques courantes du véhicule V acquises par le capteur 20.
En variante, le capteur 20 de localisation, le calculateur électronique 21 et l’interface de connexion 22 peuvent être des composants d’un dispositif électronique personnel d’un conducteur du véhicule V, typiquement un téléphone portable du conducteur.
Une fois que le dispositif de prédiction 1 a déterminé le trajet le plus probable selon le procédé décrit ci-avant, il retourne ce trajet au calculateur électronique 21.
Dans un mode de réalisation, le calculateur électronique 21 dispose d’une carte du réseau routier dans laquelle chaque segment de route est associé à un identifiant, comme la carte du réseau routier sur la base de laquelle le calculateur électronique 1 1 entraîne le modèle de prédiction, et dans ce cas le trajet le plus probable retourné au calculateur électronique 21 est envoyé sous la forme des identifiants des segments de route qui le composent.
En variante, le calculateur électronique 21 dispose d’une carte du réseau routier dépourvue d’identifiants de segments, et le trajet le plus probable qu’il reçoit comprend les coordonnées géographiques (coordonnées GPS) du trajet. En fonction du format de carte dont il dispose, le calculateur électronique 21 peut avoir à effectuer un traitement additionnel des coordonnées, typiquement la conversion des coordonnées géographiques en segments de route par l’application d’un algorithme de correspondance de traces.
Le calculateur peut également recevoir les données à la fois sous la forme d’identifiants de segments et de coordonnées GPS.
Avantageusement, le véhicule V (ou le cas échéant, le dispositif électronique personnel de l’utilisateur) peut aussi comprendre une interface Homme-Machine 23, adaptée pour fournir au conducteur des informations concernant le trajet le plus probable. Par exemple cette interface peut avantageusement comprendre un écran sur lequel des informations peuvent être affichées, ou un ou plusieurs voyants lumineux. Elle peut également comprendre un haut-parleur adapté pour diffuser des signaux sonores.
Le véhicule V peut par exemple comprendre une mémoire dans laquelle est enregistrée une base de données comprenant un ensemble de segments de routes et des informations associées à ces segments de routes, comme par exemple une limitation de vitesse, l’existence d’un virage sur le segment de route, une valeur de pente montante ou descendante, etc. Dans un mode de réalisation la mémoire peut être mise à jour périodiquement et les informations peuvent porter sur l’existence de travaux sur le segment et route, etc.
Sur la base de cette base de données et du trajet le plus probable retourné par le dispositif de prédiction 1 , l’interface Homme Machine peut par exemple avertir l’utilisateur sur une limitation de vitesse concernant le prochain segment de route utilisé, ou une information sur la présence de travaux sur le prochain segment de route, etc.
En variante, le trajet le plus probable renvoyé par le dispositif de prédiction 1 peut également être utilisé pour optimiser la gestion du véhicule V.
Par exemple, dans le cas d’un véhicule comprenant un ensemble de propulsion dit hybride 30, comprenant un moteur électrique 31 , un moteur thermique 32, une batterie 33, et un dispositif électronique 34 de gestion de l’ensemble de propulsion hybride, le calculateur électronique 21 peut être configuré pour commander le dispositif électronique 34 de gestion de l’ensemble de propulsion hybride en fonction du trajet le plus probable reçu. Par exemple le couple moteur peut-être limité électroniquement dans les cas où le véhicule devra ralentir dans les secondes à venir (virage, limitation de vitesse etc.) afin d’éviter les accélérations inutiles et de limiter la consommation d’énergie.
Avantageusement, le modèle de prédiction peut être enrichi au fur et à mesure des trajets des véhicules interrogeant le dispositif de prédiction 1. En particulier, de nouveaux segments peuvent être ajoutés, et l’apprentissage du réseau de neurones peut être complété sur ces trajets supplémentaires pour une meilleure fiabilité.

Claims

REVENDICATIONS
1. Dispositif de prédiction (1 ) d’un trajet le plus probable d’un véhicule (V), le dispositif de prédiction (1 ) comprenant un calculateur électronique (1 1 ) et une mémoire (10), le dispositif de prédiction (1 ) étant configuré pour :
• entraîner un modèle de prédiction de trajet le plus probable à partir d’un ensemble d’historiques de trajets de véhicules, chaque historique de trajet comprenant une liste de coordonnées géographiques, et
• prédire le trajet le plus probable d’un véhicule (V) par application du modèle de prédiction à des données de localisation du véhicule (V),
caractérisé en ce que le dispositif de prédiction (1 ) est configuré pour réaliser l’entrainement (100) du modèle de prédiction par :
• la conversion (110) de chaque historique de trajets de véhicules en une série de segments de route, un segment de route étant une portion d’une route comprise entre deux intersections ou entre une intersection et une impasse de la route,
• la production (120), par application d’un modèle de traitement du langage à l’ensemble des segments de route des historiques de trajets de véhicules, d’un espace vectoriel dans lequel chaque segment de route de l’ensemble des historiques de trajets de véhicules correspond à un vecteur, et
• l’apprentissage supervisé (130) d’un réseau de neurones recevant en entrée un vecteur de l’espace vectoriel et générant en sortie un vecteur de l’espace vectoriel, à partir d’un ensemble de séries de deux segments consécutifs de l’ensemble des historiques de trajets de véhicules.
2. Dispositif de prédiction (1 ) selon la revendication 1 , dans lequel le réseau de neurones est du type perceptron multicouches.
3. Dispositif de prédiction (1 ) selon l’une quelconque des revendications précédentes, dans lequel :
• chaque historique de trajet comprend en outre un identifiant de véhicule ou d’utilisateur du véhicule, et le réseau de neurones est configuré pour recevoir en outre en entrée l’identifiant de véhicule ou d’utilisateur, et
• le dispositif de prédiction (1 ) est configuré pour prédire le trajet le plus probable du véhicule (V) à partir de données de localisation du véhicule (V) et de l’identifiant du véhicule (V) ou de l’utilisateur, par application du réseau de neurones correspondant au segment courant associé à l’identifiant du véhicule (V) ou de l’utilisateur.
4. Dispositif de prédiction (1 ) selon l’une quelconque des revendications précédentes, dans lequel :
• les coordonnées géographiques de chaque historique de trajet sont en outre horodatées, et
• le réseau de neurones est configuré pour recevoir en entrée un vecteur de l’espace vectoriel et un horodatage associé, et
• le dispositif de prédiction (1 ) est configuré pour prédire le trajet le plus probable du véhicule (V) à partir de données de localisation du véhicule (V) et d’un horodatage associé à ces données, par application du réseau de neurones au vecteur correspondant au segment courant associé aux données de localisation du véhicule (V) et à l’horodatage associé.
5. Dispositif de prédiction (1 ) selon l’une quelconque des revendications 1 à 4, configuré pour mettre en oeuvre la prédiction (200) d’un trajet le plus probable d’un véhicule (V) par :
• la conversion (210) de données de localisation du véhicule (V) en un segment de route courant du véhicule (V),
• la conversion (220), par application du modèle de traitement du langage, du segment de route courant en un vecteur de l’espace vectoriel,
• l’application (230) du réseau de neurones au vecteur obtenu pour obtenir un vecteur de sortie du réseau de neurones, et
• la détermination (260) d’un segment de route correspondant au vecteur de sortie, ledit segment de route correspondant au segment de route suivant le plus probable du véhicule (V).
6. Dispositif de prédiction (1 ) selon la revendication s, ledit dispositif de prédiction (1 ) étant en outre configuré pour générer (130), à partir de l’ensemble des historiques de trajets de véhicules, une chaîne de Markov recensant les liens entre un segment de route courant et l’ensemble des segments de route suivants qui lui sont connectés, et dans lequel :
• la prédiction (200) d’un trajet le plus probable d’un véhicule (V) comprend en outre la détermination (240), à partir de la chaîne de Markov, des segments de route suivants possibles pour le segment de route courant du véhicule (V), et
• la détermination (260) du segment de route correspondant au vecteur de sortie du réseau de neurones comprend la détermination, parmi les segments de route suivants possibles pour le segment de route courant du véhicule (V), du segment de route correspondant au vecteur le plus proche du vecteur de sortie du réseau de neurones.
7. Dispositif de prédiction (1 ) selon la revendication 6, configuré pour calculer (250) une distance entre deux vecteurs de l’espace vectoriel par calcul d’une distance cosinusoïdale entre les vecteurs.
8. Dispositif de prédiction (1 ) selon l’une quelconque des revendications 5 à 7, configuré pour, si le segment de route courant du véhicule (V) ne correspond à aucun segment de route de l’ensemble des historiques de trajets de véhicule, appliquer (215) un modèle de prédiction dans lequel le segment de route suivant est celui, parmi les segments de route possibles, qui appartient à la route la plus importante.
9. Dispositif de prédiction (1 ) selon l’une quelconque des revendications 5 à 8, configuré pour mettre en oeuvre de manière récursive la détermination d’un segment de route suivant à partir d’un segment de route courant du véhicule (V) pour déterminer un trajet comprenant plusieurs tronçons de route successifs à partir du segment de route courant.
10. Procédé d’entrainement (100) d’un modèle de prédiction de trajet le plus probable d’un véhicule (V), à partir d’un ensemble d’historiques de trajets de véhicules, chaque historique de trajet comprenant une série de coordonnées géographiques, le procédé étant mis en oeuvre par un calculateur électronique et comprenant :
• la conversion (1 10) de chaque historique de trajet de véhicules en une série de segments de route, un segment de route étant une portion d’une route comprise entre deux intersections ou entre une intersection et une impasse de la route,
• la production (120), par application d’un modèle de traitement du langage à l’ensemble des segments de route des historiques de trajets de véhicules, d’un espace vectoriel dans lequel chaque segment de route correspond à un vecteur, et
• l’apprentissage supervisé (130) d’un réseau de neurones recevant en entrée un vecteur de l’espace vectoriel et générant en sortie un vecteur de l’espace vectoriel, à partir de l’ensemble des séries de deux segments consécutifs de l’historique de trajets de véhicules.
11. Produit programme d’ordinateur, comprenant des instructions de code pour la mise en oeuvre du procédé d’entrainement (100) selon la revendication 10, quand il est exécuté par un processeur.
12. Véhicule (V) comprenant :
• un capteur (20) de localisation du véhicule (V),
• un calculateur électronique (21 ), et
• une interface de connexion (22) à un réseau (R) de télécommunications,
caractérisé en ce que le calculateur électronique (21 ) est configuré pour : • envoyer au dispositif de prédiction (1 ) selon l’une quelconque des revendications 1 à 9, via le réseau (R) de télécommunications, une requête de détermination du trajet le plus probable du véhicule (V), la requête comportant des données de localisation du véhicule (V) acquises par le capteur de localisation du véhicule (V),
• recevoir un trajet le plus probable du véhicule (V),
• commander une opération d’au moins un composant électronique du véhicule (V) en fonction du trajet le plus probable reçu.
13. Véhicule (V) selon la revendication 12, comprenant en outre une interface Homme-Machine (23), dans lequel le calculateur électronique (21 ) est configuré pour commander le signalement par l’interface Homme-Machine (23), d’au moins une information fonction du trajet le plus probable reçu.
14. Véhicule selon la revendication 12 ou 13, comprenant en outre un ensemble de propulsion hybride (30) comprenant un moteur électrique (31 ), un moteur thermique (32), une batterie (33), et un dispositif électronique (34) de gestion de l’ensemble de propulsion hybride, dans lequel le calculateur électronique (21 ) est configuré pour commander le dispositif électronique de gestion (34) de l’ensemble de propulsion hybride en fonction du trajet le plus probable reçu.
PCT/EP2019/074786 2018-09-18 2019-09-17 Dispositif de prédiction de trajet le plus probable d'un véhicule WO2020058234A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1858398 2018-09-18
FR1858398A FR3086053B1 (fr) 2018-09-18 2018-09-18 Dispositif de prediction de trajet le plus probable d'un vehicule

Publications (1)

Publication Number Publication Date
WO2020058234A1 true WO2020058234A1 (fr) 2020-03-26

Family

ID=65201487

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2019/074786 WO2020058234A1 (fr) 2018-09-18 2019-09-17 Dispositif de prédiction de trajet le plus probable d'un véhicule

Country Status (2)

Country Link
FR (1) FR3086053B1 (fr)
WO (1) WO2020058234A1 (fr)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112649010A (zh) * 2020-10-14 2021-04-13 桂林电子科技大学 路径规划方法、路径规划系统、电子设备及计算机存储介质
CN112896176A (zh) * 2021-01-25 2021-06-04 广汽蔚来新能源汽车科技有限公司 车辆使用环境感知方法、系统、计算机设备和存储介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113361206B (zh) * 2021-06-30 2022-07-29 上海理工大学 基于地图api信息和hmm的未来能耗预测方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2369299A1 (fr) * 2010-03-24 2011-09-28 Sap Ag Dispositif de navigation et procédé de prédiction de la destination d'un voyage

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2369299A1 (fr) * 2010-03-24 2011-09-28 Sap Ag Dispositif de navigation et procédé de prédiction de la destination d'un voyage

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CUI JINGZE ET AL: "A Road-Aware Neural Network for Multi-step Vehicle Trajectory Prediction", 13 May 2018, INTERNATIONAL CONFERENCE ON COMPUTER ANALYSIS OF IMAGES AND PATTERNS. CAIP 2017: COMPUTER ANALYSIS OF IMAGES AND PATTERNS; [LECTURE NOTES IN COMPUTER SCIENCE; LECT.NOTES COMPUTER], SPRINGER, BERLIN, HEIDELBERG, PAGE(S) 701 - 716, ISBN: 978-3-642-17318-9, XP047477101 *
DANILO LÓPEZ ET AL: "Analysis Of Multilayer Neural Network Modeling And Long Short-Term Memory", 1 January 2017 (2017-01-01), XP055593089, Retrieved from the Internet <URL:https://waset.org/publications/10006216/analysis-of-multilayer-neural-network-modeling-and-long-short-term-memory> DOI: 10.5281/ZENODO.1339747 *
N. YE ET AL.: "A method for driving route prédictions based on hidden Markov modef", MATHEMATICAL PROBLEMS IN ENGINEERING, vol. 2015
R.SIMMONS ET AL.: "Intelligent Transportation Systems Conference, 2006. ITSC '06", 2006, IEEE, article "Learning to predict driver route and destination intent"

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112649010A (zh) * 2020-10-14 2021-04-13 桂林电子科技大学 路径规划方法、路径规划系统、电子设备及计算机存储介质
CN112649010B (zh) * 2020-10-14 2022-09-20 桂林电子科技大学 路径规划方法、路径规划系统、电子设备及计算机存储介质
CN112896176A (zh) * 2021-01-25 2021-06-04 广汽蔚来新能源汽车科技有限公司 车辆使用环境感知方法、系统、计算机设备和存储介质

Also Published As

Publication number Publication date
FR3086053B1 (fr) 2021-03-19
FR3086053A1 (fr) 2020-03-20

Similar Documents

Publication Publication Date Title
US10989544B2 (en) Utilizing artificial neural networks to evaluate routes based on generated route tiles
RU2683902C2 (ru) Транспортное средство, способ и система для планирования режимов транспортного средства с использованием изученных предпочтений пользователя
US10728708B2 (en) Verifying sensor data using embeddings
JP6637054B2 (ja) オン・デマンドサービスの情報を提供する方法及びシステム
US20200134735A1 (en) Enhancement using analytics based on vehicle kinematic data
CN108885765A (zh) 信息处理设备、信息处理方法、程序以及系统
CN105383495B (zh) 使用物理模型的基于路线的能耗估计
Xiao et al. TrajData: On vehicle trajectory collection with commodity plug-and-play OBU devices
WO2020058234A1 (fr) Dispositif de prédiction de trajet le plus probable d&#39;un véhicule
EP3903069B1 (fr) Procédé et système de planification d&#39;un trajet
WO2020072501A1 (fr) Système d&#39;assistance routière
US20220063639A1 (en) Method, apparatus, and computer program product for predicting autonomous transition regions using historical information
EP3961154A1 (fr) Procédé, appareil et produit programme informatique pour la génération d&#39;indice de carte de capacité de conduite automatisée
JP2022517454A (ja) ナビゲーション中に難しい操縦についての追加の命令を提供すること
EP3936824A1 (fr) Procede de caracterisation d&#39;un trajet parcouru par un utilisateur
CN113665576B (zh) 车辆行驶工况预测方法、装置、设备及介质
FR3079954A1 (fr) Apprentissage automatique predictif pour la prediction d&#39;une vitesse future d&#39;un vehicule automobile en mouvement sur une route
Jain et al. Review of computational techniques for modelling eco-safe driving behavior
CN116648390A (zh) 具有机器学习控制器的车辆传动系统
EP4375620A1 (fr) Procédé, appareil et produit programme d&#39;ordinateur pour placement intelligent d&#39;intervalle dans des données de mobilité à l&#39;aide de jonctions inférées par des caractéristiques des données de mobilité
EP4382865A1 (fr) Procédé, appareil et produit programme d&#39;ordinateur pour configurations de trajectoire intelligentes dans des données de mobilité à l&#39;aide de jonctions inférées par des caractéristiques des données de mobilité
US20240175703A1 (en) Method, apparatus, and computer program product for at least approximate real-time intelligent gap placement within mobility data using junctions inferred by features of the mobility data
EP4138057B1 (fr) Procédé de sélection d&#39;itinéraire pour véhicule de mesure
US20230419675A1 (en) Estimating a number of people at a point of interest using vehicle sensor data and generating related visual indications
US12097878B2 (en) Generating training data for machine learning based models for autonomous vehicles

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: 19768830

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: 19768830

Country of ref document: EP

Kind code of ref document: A1