WO2020127077A1 - Détection de ralentisseurs routiers par apprentissage automatique - Google Patents
Détection de ralentisseurs routiers par apprentissage automatique Download PDFInfo
- Publication number
- WO2020127077A1 WO2020127077A1 PCT/EP2019/085392 EP2019085392W WO2020127077A1 WO 2020127077 A1 WO2020127077 A1 WO 2020127077A1 EP 2019085392 W EP2019085392 W EP 2019085392W WO 2020127077 A1 WO2020127077 A1 WO 2020127077A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- time window
- particular time
- road
- during
- vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Ceased
Links
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0816—Indicating performance data, e.g. occurrence of a malfunction
-
- 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
- G01C21/3822—Road feature data, e.g. slope data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
Definitions
- TITLE Detection of road retarders by automatic learning
- the present invention relates to the detection of road retarders. More specifically, it relates to trained machine learning models, methods and a set of computer programs for detecting the passage of a road vehicle over a retarder.
- the present invention therefore aims to overcome the aforementioned drawbacks.
- the invention provides a method of training a machine learning model to detect the passage of a road vehicle on a road retarder.
- the invention proposes a method for detecting the passage of a road vehicle on a road retarder using the machine learning model trained in the method of the first aspect.
- the invention proposes a computer program with a program code making it possible to implement the methods of the first and second aspects.
- the invention provides a non-transient storage medium on which a computer program is stored according to the third aspect of the invention.
- the invention relates to a method of training a learning model to detect the passage of a road vehicle on a retarder.
- the method requires a plurality of moving road vehicles on a driving road network comprising one or more driving road retarders, each driving road vehicle comprising a data communication bus which is coupled to a plurality of sensors of the operating state of the road training vehicle.
- the training process comprises the following steps:
- a second calculation step during which at least one variation, hereinafter called D, is calculated for each particular time window, the variation D corresponding to a variation of Da and / or mathematical quantities, between the current particular time window and at least one particular time window preceding the current particular time window,
- a creation step during which, for each particular time window, a characteristic vector is created from the Da and the variations D,
- the invention also covers a method for detecting the passage of a road vehicle on a road retarder, the road vehicle comprising a communication bus of data which is coupled to a plurality of road vehicle operating status sensors.
- the process includes the following steps:
- an acquisition step during which acquisition data, hereinafter called Da, are acquired by the communication bus, in a sliding window comprising a particular window, the speed of rotation of each of the wheels of the motor vehicle training,
- a second calculation step during which at least one variation, hereinafter called D, is calculated for each particular time window, the variation D corresponding to variation of Da and / or mathematical quantities, between the current particular time window and at minus one particular time window preceding the current particular time window,
- a creation step during which, for the current particular time window, a characteristic vector is created from Da and the variations D
- a detection step during which, for each particular time window, the passage of the road vehicle over a road retarder, based on the characteristic vector and at least one machine learning model driven according to the first aspect of the invention.
- the invention covers a computer program with a program code for executing the steps of the methods according to the first and second aspects of the invention, when the computer program is loaded into the computer or executed in the 'computer.
- the invention also covers a non-transient storage medium on which the computer program, above, is stored.
- each particular time window substantially overlaps the particular time window preceding it and the particular time window following it, the recovery value being between 60% and 80%.
- At least one piece of information from a group, hereinafter called Inf is acquired, comprising at least one measurement of the ride height of the driving motor vehicle, at least one measurement of the acceleration of the driving motor vehicle, at least one measurement of a dynamic characteristic of the motor of the driving motor vehicle, a measurement of a braking pressure applied to the brake pedal of the training motor vehicle, an audio signal representative of one or more sounds emitted under the road training vehicle,
- the supervised automatic learning algorithm is of the gradient boosting type.
- Figure 1 shows a method of training a machine learning model according to the invention.
- Figure 2 shows an arrangement of a sliding window according to the invention.
- Figure 3 shows a method of detecting the passage of a road vehicle on a retarder according to the invention.
- Road vehicle means any vehicle with an engine (usually internal combustion or electric) intended to move it on a road network and capable of transporting people or loads (for example, a car or a motorcycle).
- the invention performs the detection using a machine learning model which is trained accordingly, and which is incorporated in the road vehicles in circulation on different road networks. Consequently, the detection of road retarders can be carried out by all of the road vehicles in circulation, so as to produce participatory road data (“road data crowdsourcing”, in English). Finally, this set of data acquired by participatory production can be consolidated to precisely determine the position of the speed bumps on the various road networks.
- the automatic learning model is trained according to a so-called supervised learning approach in which past observations are labeled.
- the machine learning model used is a so-called predictive model in which we discover significant correlations between past observations and the passage on a speed bump, and in which we seek to generalize these correlations to cases not yet observed .
- the supervised machine learning model differs from so-called explanatory models in which we seek to understand the causal mechanism underlying the phenomenon to be classified.
- FIG. 1 illustrates the method 100 of training a machine learning model 200, according to the invention.
- the method 100 requires a plurality (not shown) of road training vehicles in motion on one or more road training networks comprising one or more road training retarders.
- road training vehicles can be of the same type. However, they do not have to have the same or similar technical characteristics. By technical characteristics is meant, for example, characteristics related to the engine and / or suspension.
- each road training vehicle includes a data communication bus, for example, of CAN (Controller Area Network) or FlexRay type.
- the communication bus of each training road vehicle is coupled to a plurality of sensors of the operating state of the training road vehicle.
- the method 100 comprises an acquisition step 110, a first calculation step 120, a second calculation step 130, a creation step 140, an association step 150 and a step 160.
- All the steps of method 100 are implemented for each road training vehicle, so as to train a single machine learning model. However, it is also envisaged to train, for example, several machine learning models, where each will be trained, only on the basis of data acquired by road training vehicles having the same characteristics. techniques or similar technical characteristics, as mentioned above. In this case, a specific trained learning model will be incorporated, only in road vehicles having the same technical characteristics or technical characteristics similar to the road training vehicles used to train the machine learning model.
- the acquisition step 110 is carried out continuously by the sensors.
- the road training vehicle can embark on one or more human operators to mark or record moments of driving indicating the passage on a training retarder. Later, by analyzing the driving sessions, it will be possible to keep only the driving session data that is most relevant for training. For example, it will be possible to filter the data so as to preserve substantially the same amount of data associated with the passage or not on a drive retarder, hereinafter called information indicative of the passage or not on a road retarder.
- the proportion of data associated with the passage or not on a training retarder varies in 40% and 60% and preferably amounts to 50%.
- acquisition data hereinafter called Da
- the Da comprise the speed of rotation of each of the wheels of the motor vehicle for driving.
- the Da are arranged in a sliding window comprising a plurality of particular windows.
- each particular window comprises one or more successive acquisition instants.
- the sliding window can be arranged directly in the sensors or after acquisition, for example, using a computer.
- the duration of the sliding window is predetermined, for example 1 s, 2s, 3s, 4s or 5s.
- each particular window is the same as that of the sliding window. Thus, if the duration of the sliding window is 2s, then the duration of each particular window is also 2s.
- FIG. 2 represents several particular windows fpi of a given sliding window. In the example of FIG. 2, each particular window fpi has a duration d. Furthermore, in the invention, each particular window fpi is arranged so as to substantially cover the particular window fpi preceding it, and so as to be covered substantially by the particular window fpi succeeding it.
- the example in Figure 2 shows a recovery level of around 80%. In this example, the po portion indicates the duration of acquisition of a window particular fpi which is not included in the particular fpi window preceding it. Without having to modify the invention, other recovery values can be envisaged, for example, between 60% and 80%.
- the ride height of the training motor vehicle may be the rear and / or front body height of the training motor vehicle;
- At least one acceleration measurement of the training motor vehicle may be one or more of the three linear accelerations of the training motor vehicle;
- At least one measurement of a dynamic characteristic of the engine of the training motor vehicle may be engine torque and / or engine speed;
- an audio signal representative of one or more sounds emitted under the road training vehicle may be a question of positioning one or more microphones under the axle of the road training vehicle.
- mathematical quantities are calculated for each particular time window from Da.
- the mathematical quantities are obtained from mathematical functions applied in the time domain and / or in the frequency domain according to the Da considered.
- descriptive statistics functions that include at least position measures (for example, mean / median sliding or not) and dispersion measures (for example, mode, maximum, minimum, standard deviation, variance , quartiles, number of crossings to zero).
- position measures for example, mean / median sliding or not
- dispersion measures for example, mode, maximum, minimum, standard deviation, variance , quartiles, number of crossings to zero.
- other mathematical functions can be envisaged without requiring modification of the invention.
- the second calculation step 130 is implemented for each particular time window.
- at least one variation hereinafter called D. is calculated.
- the variation D corresponds to the variation of Da and / or of the mathematical quantities, between the current particular time window and at minus a particular time window preceding the current particular time window.
- the creation step 140 is also implemented for each particular time window. During the creation step 140, a characteristic vector is created from the Da and the variations D.
- the characteristic vector is associated with information indicative of the passage or not on a road retarder, so that variables of the machine learning model are obtained.
- each characteristic vector associated with a particular time window is labeled, either with a label which indicates the passage of a training vehicle over a road speed retarder, or with a label which does not indicate the passage of a training vehicle on a training road retarder.
- the machine learning model 200 is trained, using a supervised machine learning algorithm and machine learning model variables.
- the machine learning model is learned by supplying the machine learning model with a training set (in English) in the form of pairs (X, Y ), in which X corresponds to a set of predictive variables (“input features”, in English) and Y corresponds to a variable to be predicted (“output” or “target”, in English).
- the training data set is determined from the machine learning model variables.
- a couple (X, Y) is defined so that the predictive variable X includes the vectors characteristic of the machine learning model variables and the predictable variable Y includes the information indicative of the passage on a road retarder used at step 150.
- the supervised machine learning algorithm is of the gradient boosting type, such as, for example, XGBoost or LightGBM.
- FIG. 3 represents a method 300 for detecting the passage of a road vehicle on a road retarder using the driven machine learning model 200.
- vehicle road includes a data communication bus which is coupled to a plurality of road vehicle operating condition sensors.
- the method 300 comprises an acquisition step 310, a first calculation step 320, a second calculation step 330, a creation step 340 and a detection step 350.
- steps 310 to 340 of method 300 are similar to steps 1 10 to 140 of method 100.
- the only difference lies in the fact that the steps of method 100 are implemented in a road training vehicle, while the steps of method 100 are implemented in a road vehicle which has not been used for training the machine learning model 200.
- steps 110 to 140 of method 100 are also apply to steps 310 to 340 of method 300.
- the passage of the road vehicle over a road retarder, for each particular time window is detected from the characteristic vector and at least one machine learning model driven according to the steps of the method 100 .
- the different steps of the methods 100 and 300 are determined by instructions of computer programs. Consequently, the invention also relates to a program with a computer program code fixed on a non-transient storage medium, this program code being capable of executing the steps of the methods 100 and / or 300, when the program d computer is loaded into the computer or running in the computer.
- the invention also includes a computer system comprising a plurality of sensors of the operating state of a road vehicle and a processor configured to implement the steps of methods 100 and 300.
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Regulating Braking Force (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
La présente invention a pour objet des procédés (100, 300) et un ensemble de programmes informatiques pour détecter le passage d'un véhicule routier sur un ralentisseur routier. Le principe général de l'invention est basé sur la détection du passage d'un véhicule routier sur un ralentisseur routier grâce à l'apprentissage automatique (« machine learning », en langue anglaise).
Description
DESCRIPTION
TITRE : Détection de ralentisseurs routiers par apprentissage automatique
Domaine technique
La présente invention concerne la détection de ralentisseurs routiers. Plus précisément, elle concerne des modèles d’apprentissage automatique entraînés, des procédés et un ensemble de programmes informatiques pour détecter le passage d’un véhicule routier sur un ralentisseur routier.
Technique antérieure
La vitesse excessive ou inappropriée constitue le premier problème de sécurité routière dans de nombreux pays. En pratique, elle est à l’origine d’environ un tiers des accidents mortels en milieu urbain. En outre, du fait de l’énergie libérée lors d’un choc, la vitesse constitue un facteur aggravant dans tous les accidents.
Par leurs capacités à obliger un véhicule routier à réduire sa vitesse, les ralentisseurs routiers sont régulièrement utilisés pour résoudre ce problème de sécurité routière.
Toutefois, l’utilisation des ralentisseurs routiers pose certaines difficultés pour les systèmes d’aide à la conduite comme l’assistance au changement de voie (« Lane Change Control », en langue anglaise) ou la régulation de vitesse (« Auto Cruise Control », en langue anglaise). En effet, ces systèmes doivent connaître la position des ralentisseurs routiers pour fonctionner correctement. Or, la production de cartes routières numériques comprenant les positions des ralentisseurs routiers nécessite beaucoup de temps et est très coûteuse. Ainsi, certains systèmes d’aide à la conduite ne fonctionnent pas efficacement par manque d’informations sur les ralentisseurs routiers.
Par conséquent, il existe un besoin pour la production rapide et peu onéreuse de cartes de ralentisseurs routiers.
Exposé de l’invention
La présente invention vise donc à pallier les inconvénients précités. Pour cela, dans un premier aspect, l’invention propose un procédé d’entraînement d’un modèle d’apprentissage automatique pour détecter le passage d’un véhicule routier sur un ralentisseur routier.
Dans un deuxième aspect, l’invention propose un procédé de détection du passage d’un véhicule routier sur un ralentisseur routier à l’aide du modèle d’apprentissage automatique entraîné dans le procédé du premier aspect.
Dans un troisième aspect, l’invention propose un programme d’ordinateur avec un code de programme permettant de mettre en œuvre les procédés des premiers et deuxièmes aspects.
Dans un quatrième aspect, l’invention propose un support de stockage non transitoire sur lequel on stocke un programme d’ordinateur selon le troisième aspect de l’invention.
Ainsi, l’invention se rapporte à un procédé d’entraînement d’un modèle d’apprentissage pour détecter le passage d’un véhicule routier sur un ralentisseur routier. Le procédé nécessite une pluralité de véhicules routiers d’entraînement en mouvement sur un réseau routier d’entraînement comprenant un ou plusieurs ralentisseurs routiers d’entraînement, chaque véhicule routier d’entraînement comprenant un bus de communication de données qui est couplé à une pluralité de capteurs de l’état de fonctionnement du véhicule routier d’entraînement. Pour chacun parmi la pluralité de véhicules routiers d’entraînement le procédé d’entraînement comprend les étapes suivantes :
une étape d’acquisition durant laquelle on acquiert des données d’acquisition, ci- après appelées Da, par le bus de communication, dans une fenêtre glissante comprenant une pluralité de fenêtre particulière, les Da comprenant la vitesse de rotation de chacune des roues du véhicule automobile d’entraînement,
une première étape de calcul durant laquelle on calcule, pour chaque fenêtre temporelle particulière, des grandeurs mathématiques à partir des Da,
une seconde étape de calcul durant laquelle on calcule, pour chaque fenêtre temporelle particulière, au moins une variation, ci-après appelée D, la variation D correspondant à une variation des Da et/ou des grandeurs mathématiques, entre la fenêtre temporelle particulière courante et au moins une fenêtre temporelle particulière précédant la fenêtre temporelle particulière courante,
une étape de création durant laquelle, pour chaque fenêtre temporelle particulière, on crée un vecteur caractéristique à partir des Da et des variations D,
une étape d’association durant laquelle on associe le vecteur caractéristique avec une information indicative du passage ou non sur un ralentisseur routier, de sorte que l’on obtient des variables de modèle d’apprentissage automatique, et une étape d’entraînement durant laquelle on entraîne le modèle d’apprentissage automatique, à partir d’un algorithme d’apprentissage automatique supervisé et des variables de modèle d’apprentissage automatique.
L’invention couvre également un procédé de détection du passage d’un véhicule routier sur un ralentisseur routier, le véhicule routier comprenant un bus de communication de
données qui est couplé à une pluralité de capteurs de l’état de fonctionnement du véhicule routier. Le procédé comprend les étapes suivantes :
une étape d’acquisition, durant laquelle on acquiert des données d’acquisition, ci- après appelées Da, par le bus de communication, dans une fenêtre glissante comprenant une pluralité de fenêtre particulière, la vitesse de rotation de chacune des roues du véhicule automobile d’entraînement,
une première étape de calcul durant laquelle on calcule, pour chaque fenêtre temporelle particulière, des grandeurs mathématiques à partir des Da,
une seconde étape de calcul durant laquelle on calcule, pour chaque fenêtre temporelle particulière, au moins une variation, ci-après appelée D, la variation D correspondant à variation des Da et/ou des grandeurs mathématiques, entre la fenêtre temporelle particulière courante et au moins une fenêtre temporelle particulière précédant la fenêtre temporelle particulière courante,
une étape de création durant laquelle, pour la fenêtre temporelle particulière courante, on crée un vecteur caractéristique à partir des Da et des variations D, une étape de détection durant laquelle on détecte, pour chaque fenêtre temporelle particulière, le passage du véhicule routier sur un ralentisseur routier, à partir du vecteur caractéristique et d’au moins un modèle d’apprentissage automatique entraîné selon le premier aspect de l’invention.
Par ailleurs, l’invention couvre un programme d'ordinateur avec un code de programme pour exécuter les étapes des procédés selon les premier et deuxième aspects de l’invention, lorsque le programme d'ordinateur est chargé dans l'ordinateur ou exécuté dans l'ordinateur.
L’invention couvre également un de support de stockage non transitoire sur lequel le programme d'ordinateur, ci-dessus, est stocké.
Selon un premier mode de réalisation de l’invention, chaque fenêtre temporelle particulière recouvre substantiellement la fenêtre temporelle particulière la précédant et la fenêtre temporelle particulière lui succédant, la valeur de recouvrement étant comprise entre 60 % et 80%.
Selon un deuxième mode de réalisation de l’invention, durant l’étape d’acquisition, on acquiert, en outre, au moins une information d’un groupe, ci-après appelée Inf, comprenant au moins une mesure de la hauteur de caisse du véhicule automobile d’entraînement, au moins une mesure de l’accélération du véhicule automobile d’entraînement, au moins une mesure d’une caractéristique dynamique du moteur du véhicule automobile d’entraînement,
une mesure d’une pression de freinage appliquée sur la pédale de frein du véhicule automobile d’entraînement, un signal audio représentatif d’un ou plusieurs sons émis sous le véhicule routier d’entraînement,
et dans lequel, durant l’étape de création, on ajoute Inf au vecteur caractéristique.
Selon un troisième mode de réalisation de l’invention, durant la seconde étape de calcul, on calcule, en outre, pour chaque fenêtre temporelle particulière, au moins une variation D, entre la fenêtre temporelle particulière courante et au moins une fenêtre temporelle particulière succédant à la fenêtre temporelle particulière courante.
Selon un quatrième mode de réalisation de l’invention, l’algorithme d’apprentissage automatique supervisé est du type gradient boosting.
Brève description des figures
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.
[Fig. 1] La figure 1 représente un procédé d’entraînement d’un modèle d’apprentissage automatique selon l’invention.
[Fig. 2] La figure 2 représente un agencement d’une fenêtre glissante selon l’invention.
[Fig. 3] La figure 3 représente un procédé de détection du passage d’un véhicule routier sur un ralentisseur routier 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.
Description des modes de réalisation
Le principe général de l’invention est basé sur la détection du passage d’un véhicule routier sur un ralentisseur routier grâce à l’apprentissage automatique (« machine learning », en langue anglaise). On entend par véhicule routier, tout véhicule doté d’un moteur (généralement à explosion ou électrique) destiné à le mouvoir sur un réseau routier et capable de transporter des personnes ou des charges (par exemple, une voiture ou une motocyclette).
Pour cela, l’invention réalise la détection en utilisant un modèle d’apprentissage automatique qui est entraîné en conséquence, et qui est incorporé dans les véhicules routiers en circulation sur différents réseaux routiers. Par conséquent, la détection des ralentisseurs routiers peut être réalisée par l’ensemble des véhicules routiers en circulation,
de sorte à produire des données routières participatives (« road data crowdsourcing », en langue anglaise). Enfin, cet ensemble de données acquises par production participative peut être consolidé pour déterminer de manière précise la position des ralentisseurs routiers sur les différents réseaux routiers.
Dans l’invention, on entraîne le modèle d’apprentissage automatique selon une démarche d’apprentissage dite supervisée dans laquelle des observations passées sont labélisées. En pratique, cela signifie que chaque observation est accompagnée d’un label qui identifie le phénomène à prédire, à savoir, le passage d’un véhicule sur un ralentisseur routier. Dans ce cadre, le modèle d’apprentissage automatique utilisé est un modèle dit prédictif dans lequel on découvre des corrélations significatives entre les observations passées et le passage sur un ralentisseur routier, et dans lequel on cherche à généraliser ces corrélations à des cas non encore observés. À ce titre, le modèle d’apprentissage automatique supervisé se distingue des modèles dits explicatifs dans lesquels on cherche à comprendre le mécanisme causal qui sous-tend le phénomène à classer.
La figure 1 illustre le procédé 100 d’entraînement d’un modèle d’apprentissage automatique 200, selon l’invention.
Le procédé 100 nécessite une pluralité (non représentée) de véhicules routiers d’entraînement en mouvement sur un ou plusieurs réseaux routiers d’entraînement comprenant un ou plusieurs ralentisseurs routiers d’entraînement. En pratique, les véhicules routiers d’entraînement peuvent être du même type. Toutefois, il n’est pas nécessaire qu’ils présentent les mêmes caractéristiques techniques ou des caractéristiques techniques similaires. On entend par caractéristiques techniques, par exemple, les caractéristiques liées au moteur et/ou à la suspension. En outre, chaque véhicule routier d’entraînement comprend un bus de communication de données, par exemple, de type CAN (« Controller Area Network », en langue anglaise) ou FlexRay. Le bus de communication de chaque véhicule routier d’entraînement est couplé à une pluralité de capteurs de l’état de fonctionnement du véhicule routier d’entraînement.
Dans l’exemple de la figure 1 , le procédé 100 comprend une étape d’acquisition 1 10, une première étape de calcul 120, une seconde étape de calcul 130, une étape de création 140, une étape d’association 150 et une étape d’entraînement 160.
L’ensemble des étapes du procédé 100 est mis en œuvre pour chaque véhicule routier d’entraînement, de sorte à entraîner un seul modèle d’apprentissage automatique. Toutefois, il est également envisagé d’entraîner, par exemple, plusieurs modèles d’apprentissage automatique, où chacun sera entraîné, seulement à partir des données acquises par des véhicules routiers d’entraînement présentant les mêmes caractéristiques
techniques ou des caractéristiques techniques similaires, comme mentionnées plus haut. Dans ce cas, on incorporera un modèle d’apprentissage entraîné particulier, seulement dans les véhicules routiers présentant les mêmes caractéristiques techniques ou des caractéristiques techniques similaires aux véhicules routiers d’entraînement ayant servi à entraîner le modèle d’apprentissage automatique.
Dans l’exemple de la figure 1 , l’étape d’acquisition 1 10 est réalisée en continue par les capteurs. Dans ce cas, le véhicule routier d’entraînement peut embarquer un ou plusieurs opérateurs humains pour marquer ou noter des instants de conduite indiquant le passage sur un ralentisseur d’entraînement. Plus tard, en analysant les sessions de conduite, il sera possible de garder seulement les données de sessions de conduite qui sont les plus pertinentes pour l’entraînement. Par exemple, on pourra filtrer les données de façon à conserver substantiellement la même quantité de données associées au passage ou non sur un ralentisseur d’entraînement, ci-après appelé information indicative du passage ou non sur un ralentisseur routier. Dans une mise en œuvre particulière, la proportion de données associées au passage ou non sur un ralentisseur d’entraînement varie en 40 % et 60 % et s’élève de préférence à 50 %.
Durant l’étape d’acquisition 1 10, on acquiert des données d’acquisition, ci-après appelées Da, par le bus de communication. Dans l’invention, les Da comportent la vitesse de rotation de chacune des roues du véhicule automobile d’entraînement. En outre, dans l’invention, les Da sont agencées dans une fenêtre glissante comprenant une pluralité de fenêtre particulière. De manière classique, chaque fenêtre particulière comprend un ou plusieurs instants d’acquisition successifs. L’agencement de la fenêtre glissante peut être réalisé directement dans les capteurs ou postérieurement à l’acquisition, par exemple, grâce à un ordinateur.
Dans une première mise en œuvre de l’étape d’acquisition 110, la durée de la fenêtre glissante est prédéterminée, par exemple 1 s, 2s, 3s, 4s ou 5s.
Dans l’invention, la durée de chaque fenêtre particulière est la même que celle de la fenêtre glissante. Ainsi, si la durée de la fenêtre glissante est de 2s, alors la durée de chaque fenêtre particulière est également de 2s. La figure 2 représente plusieurs fenêtres particulières fpi d’une fenêtre glissante donnée. Dans l’exemple de la figure 2, chaque fenêtre particulière fpi possède une durée d. En outre, dans l’invention, chaque fenêtre particulière fpi est disposée de façon à recouvrir substantiellement la fenêtre particulière fpi la précédant, et de façon à être recouverte substantiellement par la fenêtre particulière fpi la succédant. L’exemple de la figure 2 montre un niveau de recouvrement de l’ordre de 80%. Dans cet exemple, la portion po indique la durée d’acquisition d’une fenêtre
particulière fpi qui n’est pas comprise dans la fenêtre particulière fpi la précédant. Sans avoir besoin de modifier l’invention, d’autres valeurs de recouvrement peuvent être envisagées, par exemple, entre 60% et 80%.
Dans une troisième mise en œuvre de l’étape d’acquisition 1 10, on acquiert d’autres Da pour caractériser le passage sur un ralentisseur routier. En pratique, on acquiert, en outre, au moins une information d’un groupe, ci-après appelée Inf, comprenant :
au moins une mesure de la hauteur de caisse du véhicule automobile d’entraînement. Par exemple, il peut s’agir de la hauteur de caisse arrière et/ou avant du véhicule automobile d’entraînement ;
au moins une mesure d’accélération du véhicule automobile d’entraînement. Par exemple, il peut s’agir d’une ou de plusieurs des trois accélérations linéaires du véhicule automobile d’entraînement ;
au moins une mesure d’une caractéristique dynamique du moteur du véhicule automobile d’entraînement. Par exemple, il peut s’agir du couple moteur et/ou du régime moteur ;
une mesure d’une pression de freinage appliquée sur la pédale de frein du véhicule automobile d’entraînement ; et,
un signal audio représentatif d’un ou plusieurs sons émis sous le véhicule routier d’entraînement. Pour cela, par exemple, il peut s’agir de positionner un ou plusieurs microphones sous l’essieu du véhicule routier d’entraînement.
De retour à la figure 1 , durant la première étape de calcul 120, on calcule, pour chaque fenêtre temporelle particulière, des grandeurs mathématiques à partir des Da. Les grandeurs mathématiques sont obtenues à partir de fonctions mathématiques appliquées dans le domaine temporel et/ou dans le domaine fréquentiel selon la Da considérée. Par exemple, on pourra utiliser des fonctions de statistique descriptive qui comprennent au moins des mesures de position (par exemple, moyenne/médiane glissante ou non) et des mesures de dispersion (par exemple, mode, maximum, minimum, écart-type, variance, quartiles, nombre de passage à zéro). Toutefois, d’autres fonctions mathématiques peuvent être envisagées sans nécessiter de modification de l’invention.
La seconde étape de calcul 130 est mise en œuvre pour chaque fenêtre temporelle particulière. Durant la seconde étape de calcul 130, on calcule au moins une variation, ci- après appelée D. Dans l’invention, la variation D correspond à la variation des Da et/ou des grandeurs mathématiques, entre la fenêtre temporelle particulière courante et au moins une fenêtre temporelle particulière précédant la fenêtre temporelle particulière courante.
Dans une mise en œuvre de la seconde étape de calcul 130, on calcule, en outre, pour chaque fenêtre temporelle particulière, au moins une variation D, entre la fenêtre temporelle particulière courante et au moins une fenêtre temporelle particulière succédant la fenêtre temporelle particulière courante.
L’étape de création 140 est également mise en œuvre pour chaque fenêtre temporelle particulière. Durant l’étape de création 140, on crée un vecteur caractéristique à partir des Da et des variations D.
Dans une première mise en œuvre de l’étape de création 140, on ajoute Inf au vecteur caractéristique.
Durant l’étape d’association 150, on associe le vecteur caractéristique avec une l’information indicative du passage ou non sur un ralentisseur routier, de sorte que l’on obtient des variables de modèle d’apprentissage automatique. En d’autres termes, on labélise chaque vecteur caractéristique associé à une fenêtre temporelle particulière, soit avec un label qui indique le passage d’un véhicule d’entraînement sur un ralentisseur routier d’entraînement, soit avec un label qui n’indique pas le passage d’un véhicule d’entraînement sur un ralentisseur routier d’entraînement.
Enfin, durant l’étape d’entraînement 160, on entraîne le modèle d’apprentissage automatique 200, à partir d’un algorithme d’apprentissage automatique supervisé et des variables de modèle d’apprentissage automatique.
Dans l’étape 160, on réalise l’apprentissage du modèle d’apprentissage automatique en fournissant au modèle d’apprentissage automatique un jeu de données d’apprentissage (« training set », en langue anglaise) sous forme de couples (X, Y), dans lesquels X correspond à un ensemble de variables prédictives (« input features », en langue anglaise) et Y correspond à une variable à prédire (« output » ou « target », en langue anglaise). Dans l’invention, le jeu de données d’apprentissage est déterminé à partir des variables de modèle d’apprentissage automatique. En pratique, un couple (X, Y) est défini de telle sorte que la variable prédictive X comprend les vecteurs caractéristique des variables de modèle d’apprentissage automatique et la variable à prédire Y comprend les informations indicatives du passage sur un ralentisseur routier utilisée à l’étape 150.
Dans une mise en œuvre particulière de l’étape d’entraînement 160, l’algorithme d’apprentissage automatique supervisé est du type gradient boosting, comme par exemple, XGBoost ou LightGBM.
La figure 3 représente un procédé 300 de détection du passage d’un véhicule routier sur un ralentisseur routier à l’aide du modèle d’apprentissage automatique entraîné 200. Dans l’exemple de la figure 3, tout comme pour les véhicules routiers d’entraînement, le véhicule
routier comprend un bus de communication de données qui est couplé à une pluralité de capteurs de l’état de fonctionnement du véhicule routier.
Dans l’exemple de la figure 3, le procédé 300 comprend une étape d’acquisition 310, une première étape de calcul 320, une seconde étape de calcul 330, une étape de création 340 et une étape de détection 350.
Dans l’invention, les étapes 310 à 340 du procédé 300 sont similaires aux étapes 1 10 à 140 du procédé 100. La seule différence réside dans le fait que les étapes du procédé 100 sont mises en œuvre dans un véhicule routier d’entraînement, tandis que les étapes du procédé 100 sont mises en œuvre dans un véhicule routier qui n’a pas servi à l’entraînement du modèle d’apprentissage automatique 200. Ainsi, les mises en œuvre particulières des étapes 110 à 140 du procédé 100 s’appliquent également aux étapes 310 à 340 du procédé 300.
Durant l’étape de détection 350, on détecte, pour chaque fenêtre temporelle particulière, le passage du véhicule routier sur un ralentisseur routier, à partir du vecteur caractéristique et d’au moins un modèle d’apprentissage automatique entraîné selon les étapes du procédé 100.
Dans un mode particulier de réalisation de l’invention, les différentes étapes des procédés 100 et 300 sont déterminées par des instructions de programmes d’ordinateur. Par conséquent, l’invention vise aussi un programme avec un code de programme d’ordinateur fixé sur un support de stockage non transitoire, ce code de programme étant susceptible d’exécuter les étapes des procédés 100 et/ou 300, lorsque le programme d’ordinateur est chargé dans l’ordinateur ou exécuté dans l’ordinateur.
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. Par exemple, l’invention comprend également un système informatique comprenant une pluralité de capteurs de l’état de fonctionnement d’un véhicule routier et un processeur configuré pour mettre en œuvre les étapes des procédés 100 et 300.
Claims
1. Procédé (100) d’entraînement d’un modèle d’apprentissage automatique (200) pour détecter le passage d’un véhicule routier sur un ralentisseur routier, le procédé comprenant les étapes suivantes, pour chacun parmi une pluralité de véhicules routiers d’entraînement en mouvement sur un réseau routier d’entraînement comprenant un ou plusieurs ralentisseurs routiers d’entraînement, chaque véhicule routier d’entraînement comprenant un bus de communication de données qui est couplé à une pluralité de capteurs de l’état de fonctionnement du véhicule routier d’entraînement :
a. une étape d’acquisition (110) durant laquelle on acquiert des données d’acquisition, ci-après appelées Da, par le bus de communication, dans une fenêtre glissante comprenant une pluralité de fenêtre particulière, les Da comprenant la vitesse de rotation de chacune des roues du véhicule automobile d’entraînement,
b. une première étape de calcul (120) durant laquelle on calcule, pour chaque fenêtre temporelle particulière, des grandeurs mathématiques à partir des Da, c. une seconde étape de calcul (130) durant laquelle on calcule, pour chaque fenêtre temporelle particulière, au moins une variation, ci-après appelée D, la variation D correspondant à variation des Da et/ou des grandeurs mathématiques, entre la fenêtre temporelle particulière courante et au moins une fenêtre temporelle particulière précédant la fenêtre temporelle particulière courante,
d. une étape de création (140) durant laquelle, pour chaque fenêtre temporelle particulière, on crée un vecteur caractéristique à partir des Da et des variations D, e. une étape d’association (150) durant laquelle on associe le vecteur caractéristique avec une information indicative du passage ou non sur un ralentisseur routier, de sorte que l’on obtient des variables de modèle d’apprentissage automatique, et f. une étape d’entraînement (160) durant laquelle on entraîne le modèle d’apprentissage automatique, à partir d’un algorithme d’apprentissage automatique supervisé et des variables de modèle d’apprentissage automatique.
2. Procédé selon la revendication 1 , dans lequel chaque fenêtre temporelle particulière recouvre substantiellement la fenêtre temporelle particulière la précédant et la fenêtre temporelle particulière lui succédant, la valeur de recouvrement étant comprise entre 60 % et 80%.
3. Procédé selon l’une des revendications 1 à 2, dans lequel, durant l’étape d’acquisition, on acquiert, en outre, au moins une information d’un groupe, ci-après appelée
Inf, comprenant au moins une mesure de la hauteur de caisse du véhicule automobile d’entraînement, au moins une mesure de l’accélération du véhicule automobile d’entraînement, au moins une mesure d’une caractéristique dynamique du moteur du véhicule automobile d’entraînement, une mesure d’une pression de freinage appliquée sur la pédale de frein du véhicule automobile d’entraînement, un signal audio représentatif d’un ou plusieurs sons émis sous le véhicule routier d’entraînement, et dans lequel, durant l’étape de création, on ajoute Inf au vecteur caractéristique.
4. Procédé selon l’une des revendications 1 à 3, dans lequel, durant la seconde étape de calcul, on calcule, en outre, pour chaque fenêtre temporelle particulière, au moins une variation D, entre la fenêtre temporelle particulière courante et au moins une fenêtre temporelle particulière succédant à la fenêtre temporelle particulière courante.
5. Procédé selon l’une des revendications 1 à 4, dans lequel l’algorithme d’apprentissage automatique supervisé est du type gradient boosting.
6. Procédé (300) de détection du passage d’un véhicule routier sur un ralentisseur routier, le véhicule routier comprenant un bus de communication de données qui est couplé à une pluralité de capteurs de l’état de fonctionnement du véhicule routier, le procédé comprenant les étapes suivantes :
a. une étape d’acquisition (310), on acquiert des données d’acquisition, ci-après appelées Da, par le bus de communication, dans une fenêtre glissante comprenant une pluralité de fenêtre particulière, la vitesse de rotation de chacune des roues du véhicule automobile d’entraînement,
b. une première étape de calcul (320) durant laquelle on calcule, pour chaque fenêtre temporelle particulière, des grandeurs mathématiques à partir des Da, c. une seconde étape de calcul (330) durant laquelle on calcule, pour chaque fenêtre temporelle particulière, au moins une variation, ci-après appelée D, la variation D correspondant à variation des Da et/ou des grandeurs mathématiques, entre la fenêtre temporelle particulière courante et au moins une fenêtre temporelle particulière précédant la fenêtre temporelle particulière courante,
d. une étape de création (340) durant laquelle, pour la fenêtre temporelle particulière courante, on crée un vecteur caractéristique à partir des Da et des variations D, e. une étape de détection (350) durant laquelle on détecte, pour chaque fenêtre temporelle particulière, le passage du véhicule routier sur un ralentisseur routier, à partir du vecteur caractéristique et d’au moins un modèle d’apprentissage automatique entraîné selon l’une des revendications 1 à 5.
7. Procédé selon la revendication 6, dans lequel chaque fenêtre temporelle particulière recouvre substantiellement la fenêtre temporelle particulière la précédant et la fenêtre temporelle particulière lui succédant, la valeur de recouvrement étant comprise entre 60 % et 80%.
8. Procédé selon l’une des revendications 6 à 7, dans lequel, durant l’étape d’acquisition, on acquiert, en outre, au moins une information d’un groupe, ci-après appelée Inf, comprenant au moins une mesure de la hauteur de caisse du véhicule automobile, au moins une mesure de l’accélération du véhicule automobile, au moins une mesure d’une caractéristique dynamique du moteur du véhicule automobile, une mesure d’une pression de freinage appliquée sur la pédale de frein du véhicule automobile, un signal audio représentatif d’un ou plusieurs sons émis sous le véhicule routier, et dans lequel, durant l’étape de création, on ajoute Inf au vecteur caractéristique.
9. Procédé selon l’une des revendications 6 à 8, dans lequel, durant la seconde étape de calcul, on calcule, en outre, pour chaque fenêtre temporelle particulière, au moins une variation D, entre la fenêtre temporelle particulière courante et au moins une fenêtre temporelle particulière succédant à la fenêtre temporelle particulière courante.
10. Programme d’ordinateur avec un code de programme pour exécuter les étapes d’un procédé selon l’une des revendications 1 à 5 ou 6 à 9 lorsque le programme d’ordinateur est chargé dans l’ordinateur ou exécuté dans l’ordinateur.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1873078 | 2018-12-17 | ||
| FR1873078A FR3090162B1 (fr) | 2018-12-17 | 2018-12-17 | Détection de ralentisseurs routiers par apprentissage automatique |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2020127077A1 true WO2020127077A1 (fr) | 2020-06-25 |
Family
ID=66542388
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/EP2019/085392 Ceased WO2020127077A1 (fr) | 2018-12-17 | 2019-12-16 | Détection de ralentisseurs routiers par apprentissage automatique |
Country Status (2)
| Country | Link |
|---|---|
| FR (1) | FR3090162B1 (fr) |
| WO (1) | WO2020127077A1 (fr) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113033463B (zh) * | 2021-04-09 | 2023-08-01 | 腾讯科技（深圳）有限公司 | 减速带检测方法、装置、电子设备及存储介质 |
| FR3115135A1 (fr) * | 2021-05-18 | 2022-04-15 | Continental Automotive | Procédé de détection d’un objet routier |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140195112A1 (en) * | 2013-01-08 | 2014-07-10 | Ford Global Technologies, Llc | Adaptive Active Suspension System With Road Preview |
| US20150291177A1 (en) * | 2014-04-14 | 2015-10-15 | Hyundai Motor Company | Speed bump detection apparatus and navigation data updating apparatus and method using the same |
| US20170050599A1 (en) * | 2014-02-12 | 2017-02-23 | Risk Telematics Uk Limited | Vehicle event assessment |
-
2018
- 2018-12-17 FR FR1873078A patent/FR3090162B1/fr active Active
-
2019
- 2019-12-16 WO PCT/EP2019/085392 patent/WO2020127077A1/fr not_active Ceased
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140195112A1 (en) * | 2013-01-08 | 2014-07-10 | Ford Global Technologies, Llc | Adaptive Active Suspension System With Road Preview |
| US20170050599A1 (en) * | 2014-02-12 | 2017-02-23 | Risk Telematics Uk Limited | Vehicle event assessment |
| US20150291177A1 (en) * | 2014-04-14 | 2015-10-15 | Hyundai Motor Company | Speed bump detection apparatus and navigation data updating apparatus and method using the same |
Non-Patent Citations (4)
| Title |
|---|
| JOSE CELAYA-PADILLA ET AL: "Speed Bump Detection Using Accelerometric Features: A Genetic Algorithm Approach", SENSORS, vol. 18, no. 2, 3 February 2018 (2018-02-03), pages 443, XP055618013, DOI: 10.3390/s18020443 * |
| RAVI BHORASKAR ET AL: "Wolverine: Traffic and road condition estimation using smartphone sensors", COMMUNICATION SYSTEMS AND NETWORKS (COMSNETS), 2012 FOURTH INTERNATIONAL CONFERENCE ON, IEEE, 3 January 2012 (2012-01-03), pages 1 - 6, XP032115080, ISBN: 978-1-4673-0296-8, DOI: 10.1109/COMSNETS.2012.6151382 * |
| SILVA NUNO ET AL: "Anomaly Detection in Roads with a Data Mining Approach", PROCEDIA COMPUTER SCIENCE, ELSEVIER, AMSTERDAM, NL, vol. 121, 14 December 2017 (2017-12-14), pages 415 - 422, XP085307981, ISSN: 1877-0509, DOI: 10.1016/J.PROCS.2017.11.056 * |
| V S K P VARMA ET AL: "Real Time Detection of Speed Hump/Bump and Distance Estimation with Deep Learning using GPU and ZED Stereo Camera", PROCEDIA COMPUTER SCIENCE, vol. 143, 26 November 2018 (2018-11-26), AMSTERDAM, NL, pages 988 - 997, XP055618022, ISSN: 1877-0509, DOI: 10.1016/j.procs.2018.10.335 * |
Also Published As
| Publication number | Publication date |
|---|---|
| FR3090162A1 (fr) | 2020-06-19 |
| FR3090162B1 (fr) | 2020-11-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| FR3074123A1 (fr) | Evaluation d'un style de conduite d'un conducteur d'un vehicule routier en mouvement par apprentissage automatique | |
| EP2880409B1 (fr) | Procede d'estimation de la masse d'un vehicule | |
| FR2868157A1 (fr) | Procede et dispositif pour determiner la position angulaire de rotation d'un arbre | |
| WO2019053357A1 (fr) | Procédé d'optimisation d'un paramètre indicateur de vitesse véhicule destiné aux fonctions d'assistance de direction et aux fonctions de sécurisation | |
| EP3875906B1 (fr) | Procédé de détermination du type de voie empruntée par un véhicule automobile | |
| FR3090162A1 (fr) | Détection de ralentisseurs routiers par apprentissage automatique | |
| FR3079954A1 (fr) | Apprentissage automatique predictif pour la prediction d'une vitesse future d'un vehicule automobile en mouvement sur une route | |
| FR2783924A1 (fr) | Dispositif et procede de surveillance d'un capteur d'acceleration transversale equipant un vehicule | |
| EP1481876A1 (fr) | Procédé de commande d'une direction assistée électrique pour véhicule automobile | |
| FR2933033A1 (fr) | Procede et dispositif de detection de perte de pression dans les pneumatiques | |
| EP1894800A1 (fr) | Procédé de détermination de la pente sur laquelle se déplace un véhicule automobile | |
| EP2307253B1 (fr) | Dispositif d'evaluation de l'acceleration transversale d'un vehicule automobile et procede correspondant | |
| FR2851612A1 (fr) | Procede de detection de rates de combustion d'un moteur a combustion interne par filtrage des variations de l'indice d'irregularite de combustion | |
| EP3328668B1 (fr) | Dispositif pour estimer un indicateur d'état d'une voie de circulation empruntée par un véhicule terrestre | |
| FR2985237B1 (fr) | Procede et dispositif d'adaptation d'un parametre dans l'algorithme de fin de roulage d'un vehicule | |
| FR3147144A1 (fr) | Procédé de supervision de l’usure d’un pneumatique de véhicule automobile et module de surveillance de la pression des pneumatiques pour la mise en œuvre dudit procédé | |
| FR3140052A1 (fr) | Procédé d’adaptation du pilotage à la charge d’un véhicule | |
| EP2176110B1 (fr) | Procede d'estimation d'une vitesse longitudinale d'un vehicule, dispositif pour sa mise en oeuvre | |
| FR3115135A1 (fr) | Procédé de détection d’un objet routier | |
| CA3047432A1 (fr) | Dispositif electronique et procede de surveillance d'un ensemble de vehicules automobiles autonomes, ststeme de transport et programme d'ordinateur associes | |
| EP2176111B1 (fr) | Procede d'estimation du glissement des roues d'un vehicule et dispositif pour sa mise en oeuvre | |
| FR3140053A1 (fr) | Procédé de calibration dynamique d’un indicateur de charge d’un véhicule automobile | |
| FR3133167A1 (fr) | Procédé de détermination de la vitesse d’un véhicule et unité de traitement permettant la mise en œuvre d’un tel procédé | |
| FR2892686A1 (fr) | Procede de determination de l'etat des roues d'un vehicule automobile et dispositif de mise en oeuvre | |
| FR3001939A3 (fr) | Procede d'assistance a la conduite d'un vehicule automobile |
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: 19817375 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: 19817375 Country of ref document: EP Kind code of ref document: A1 |