WO2023117857A1 - Device and method for assessing a driver assistance system for a motor vehicle, wherein the driver assistance system implements an artificial neural network - Google Patents

Device and method for assessing a driver assistance system for a motor vehicle, wherein the driver assistance system implements an artificial neural network Download PDF

Info

Publication number
WO2023117857A1
WO2023117857A1 PCT/EP2022/086581 EP2022086581W WO2023117857A1 WO 2023117857 A1 WO2023117857 A1 WO 2023117857A1 EP 2022086581 W EP2022086581 W EP 2022086581W WO 2023117857 A1 WO2023117857 A1 WO 2023117857A1
Authority
WO
WIPO (PCT)
Prior art keywords
driving
assistance system
neural network
characteristic vector
information
Prior art date
Application number
PCT/EP2022/086581
Other languages
French (fr)
Inventor
Hussam ATOUI
Nelson FERNANDEZ-PINTO
Original Assignee
Renault S.A.S.
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 Renault S.A.S. filed Critical Renault S.A.S.
Publication of WO2023117857A1 publication Critical patent/WO2023117857A1/en

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning

Definitions

  • the invention relates to the field of driving assistance systems for motor vehicles, and it relates more particularly to such driving assistance systems implementing at least one artificial neural network. It finds a non-exclusive but particularly advantageous application for autonomous or semi-autonomous motor vehicles.
  • Driving assistance systems occupy an increasingly important part in motor vehicles, whether the latter are completely autonomous or with varying degrees of autonomy. Depending on the types of vehicles and their configurations, these driving assistance systems have the task of facilitating or enabling safe driving of the vehicle. Such driving assistance systems can, for example, transmit a simple warning to the driver in the event of a potentially dangerous situation such as, for example, an untimely crossing of a line on a road, or they can act directly on one or several vehicle control devices, for example, to give an autonomous or semi-autonomous vehicle a change of direction.
  • the artificial neural network is implemented in particular to define a characteristic vector representative of a set of driving information assimilated simultaneously by the artificial neural network for a given road scene.
  • This characteristic vector represents a prioritization of the data present in the assimilated driving information and serves as a basis for the development, by appropriate calculation means of the driving assistance system, of a driving action on a control member of the vehicle capable of responding to the driving situation analyzed by the artificial neural network.
  • the use of these neural networks makes it possible to respond very effectively to instantaneous driving situations which may not have yet been encountered by the driver assistance system.
  • These systems are particularly reliable, but a disadvantage of their use is that it is complicated to detect possible cases of malfunctioning due to the difficulty of quickly apprehending and criticizing the information processing logic of the artificial neural network.
  • the technical problem to which the present invention proposes to provide a solution is that of identifying, in a driving assistance system implementing a neural network, cases of malfunction or driving situations in which the system driving assistance is likely to malfunction.
  • the subject of the invention is, according to a first aspect, a device for evaluating a driving assistance system for a motor vehicle, the driving assistance system implementing a neural network artificial to generate a driving action on a control member of the vehicle as a function of a set of instantaneous driving information, the driving assistance system acting in particular by the definition, by the artificial neural network, of a feature vector representative of the set of instantaneous driving information, the evaluation device being configured to identify at least one critical feature vector for which it is impossible to define a driving action or for which the driving action is erroneous .
  • the driving action generated by the driving assistance system is here performed on a control member of the vehicle. It may be, by way of non-exhaustive examples, the braking system of the vehicle, or the steering wheel thereof.
  • the driving assistance system considered thus controls the performance, by the control member considered, of the driving action that it has generated, with or without the intervention of a driver of the vehicle.
  • the driving information used by the driving assistance system to generate the driving action consists of a plurality of information measured and/or calculated by a set of sensors and/or calculation components of the vehicle. It should be considered that this driving information is said to be instantaneous since it is detected at a given instant, if necessary continuously in real time.
  • this driving information may include remote sensing data obtained by a device of the LIDAR or RADAR type, images taken by one or more cameras of the vehicle, values of vehicle operating parameters such as, for example, the speed or the direction of the vehicle, measured by various sensors such as, for example, a speed sensor or a steering wheel angle sensor, or values of parameters relating to the instantaneous environment of the vehicle such as, for example, a wet or dry state of the road surface, measured for example by a rain sensor of the windscreen wiper system of the vehicle, or an ambient brightness value measured for example by a brightness sensor of the assembly of vehicle lighting and signaling.
  • vehicle operating parameters such as, for example, the speed or the direction of the vehicle, measured by various sensors such as, for example, a speed sensor or a steering wheel angle sensor, or values of parameters relating to the instantaneous environment of the vehicle such as, for example, a wet or dry state of the road surface, measured for example by a rain sensor of the windscreen wiper system of the vehicle, or an ambient brightness value
  • the artificial neural network of the driving assistance system compiles this instantaneous driving information, obtained at a given instant of vehicle travel, into a characteristic vector that can be used by calculation means of the driving assistance system and, on the basis of the characteristic vector, the driving assistance system defines a driving action as mentioned above.
  • the evaluation device proposed by the invention is configured to identify, among the characteristic vectors defined by the artificial neural network of the driving assistance system, the one or those for which no driving action can be generated, for example due to a conflict between different driving information, as well as that or those leading to an erroneous driving action.
  • the term “erroneous” is here to be understood, such as, for example, an inconsistent driving action with regard to the driving parameters of the vehicle at the moment in question.
  • the evaluation device comprises, according to one of its characteristics: an approximator module configured to define a transfer function linking the characteristic vector defined by the artificial neural network of the driving assistance and the driving action generated by the driving assistance system as a function of this characteristic vector, the function of transfer being expressed in the form of a ratio of a numerator polynomial function and a denominator polynomial function, a resolution module configured to search for at least one critical characteristic vector, solution of divergence of the transfer function defined by the approximator module, more particularly a characteristic vector value solution of the cancellation equation of the denominator polynomial function.
  • variable of the transfer function defined by the approximator module is the characteristic vector defined by the artificial neural network of the driving assistance system.
  • the approximator module of the evaluation system is configured to express in the form of a ratio of polynomial functions the relationship existing within the driver assistance system between a characteristic vector defined by the neural network artificial and the resulting driving action
  • the resolution module is configured to search for the cases of divergence of a transfer function formed from the ratio of polynomial functions, that is to say, in particular, the cases of cancellation of the denominator of said report. It is considered here that the cases of divergence of the aforementioned transfer function lead to impossibilities of defining driving actions or to erroneous driving actions in the sense described previously.
  • the resolution module is configured to find one or more critical characteristic vectors that can lead to a malfunction of the driving assistance system, that is to say to cases in which the latter will not be able to generate driving action or cases in which the generated driving action will be inconsistent with the instantaneous driving information.
  • the evaluation device comprises a calculation module implementing an inverted artificial neural network, the calculation module being configured to determine critical driving information on the basis of the at least one critical characteristic vector defined by the resolution module. More particularly, the calculation module of the evaluation device according to the invention is configured to implement, via the inverse artificial neural network evoked, the inverse function of the function implemented by the artificial neural network of the aid system to driving to define a characteristic vector from the instantaneous driving information previously mentioned. The calculation module therefore determines a set of critical driving information which would lead to the critical characteristic vector defined by the approximator module and the resolution module.
  • the calculation module of the evaluation device implements an inverse artificial neural network, for example of the type known by the Anglo-Saxon acronym GAN for Generative Adversarial Network.
  • the evaluation device comprises a comparator member configured to compare the critical driving information determined by the inverse artificial neural network of the calculation module with the instantaneous driving information originally transmitted to the artificial neural network of the system driving assistance.
  • the comparator unit and the calculation module operate by successive iterations, that is to say that the critical driving information determined by the calculation module of the evaluation device on the basis of the critical characteristic vector defined by the resolution module are adjusted by successive iterations, until they correspond to the characteristic vector defined by the artificial neural network of the driving assistance system.
  • a form of self-learning of the calculation module of the evaluation device according to the invention is thus achieved.
  • the evaluation device comprises an analysis unit configured to compare the driving action generated by the driving assistance system for the at least one critical characteristic vector defined by the resolution module with a theoretical driving action to be performed defined by a driver of the vehicle for identical driving information.
  • the analysis unit is configured to validate or not the relevance of the action generated by the driver assistance system in the case of a critical characteristic vector leading to a divergence of the function transfer defined by the approximator module, and this validation is fed back to the driving assistance system in particular for the purposes of continuous learning of the artificial neural network of the driving assistance system.
  • the invention relates to a test bench for a driving assistance system comprising an artificial neural network and an evaluation device as mentioned above.
  • a test bench is in particular implemented in the workshop, during the development of the driving assistance system and the learning of the artificial neural network, and the evaluation device can be installed on the bench to improve the learning of the artificial neural network, in particular by sending back data to it on situations deemed critical following the analysis made initially by the driver assistance system.
  • the invention relates to a vehicle equipped with a driving assistance system comprising an artificial neural network and an evaluation device as mentioned above.
  • the function of the evaluation device on board the vehicle is in particular to detect critical analysis cases in real time and to send control information to the vehicle which replaces the control information previously generated by the assistance system. driving and its artificial neural network.
  • the subject of the invention is a method for evaluating a driving assistance system of a motor vehicle, the driving assistance system implementing an artificial neural network, the method evaluation comprising: a first phase of recovery, by the resolution module of an evaluation device as previously described, of at least one characteristic vector forming part of a pair of data established by the aid system to driving and consisting respectively of a characteristic vector defined on the basis of instantaneous driving information and of a driving action generated by the driving assistance system on the basis of the vector characteristic, a second phase, or a third phase, of determining at least one critical characteristic vector for which the transfer function defined by the approximator module of the evaluation device diverges, a transmission step, to the driving, discrepancy information on the basis of which the driving assistance system can generate a corrective action.
  • the corrective action may consist of a simple transmission of information on the divergence of the operation of the driver assistance system.
  • This discrepancy information can be sent to a driver of the vehicle, to a central control unit of the vehicle or to the driver assistance system.
  • the method according to the invention then makes it possible to carry out a form of self-learning of the driving assistance system.
  • the aforementioned corrective action may comprise one or more actions on the vehicle itself.
  • the corrective action may consist, depending on the degree of autonomy of the vehicle, of a request for control of the vehicle by a driver, or of an action on a control device of the vehicle. to make it safe.
  • the method according to the invention comprises: a step of determining at least one set of critical driving information corresponding to a critical characteristic vector for which the transfer function defined by the approximator module of a device of The evaluation as previously described diverges, a step of comparing the critical driving information with the instantaneous driving information having led to the determination of the characteristic vector by the artificial neural network of the driving assistance system.
  • the method according to the invention comprises: a step of comparing the driving action, controlled by the artificial neural network of the driving assistance system for information instantaneous driving actions having led to the critical characteristic vector for which the transfer function defined by the approximator module of an evaluation device as previously described diverges, with a theoretical driving action, previously defined by a driver of the vehicle, for the same driving information, a transmission step, to the driving assistance system, of the theoretical driving action.
  • the method according to the invention thus achieves a form of self-learning of the driving assistance system.
  • the invention therefore allows, on the one hand, an evaluation of a driving assistance system implementing an artificial neural network, and, on the other hand, a self-learning thereof.
  • FIG i is a schematic representation of a first embodiment of the evaluation device according to the invention.
  • FIG 2 is a schematic representation of a second embodiment of the evaluation device according to the invention.
  • FIG 3 schematically illustrates an example of the progress of a first mode of implementation of the method according to the invention
  • FIG 4 schematically illustrates an example of the course of a second embodiment of the method according to the invention.
  • FIG. 1 schematically shows an evaluation device 100 according to the invention, configured to evaluate a driving assistance system 200 of a motor vehicle, the driving assistance system 200 implementing a artificial neural network 201.
  • the artificial neural network 201 of the driving assistance system 200 is configured to define a characteristic vector Z from a plurality of instantaneous driving information X measured and/or calculated within of a motor vehicle not represented in FIG. 1.
  • the instantaneous driving information X can comprise remote sensing data obtained by a device of the LIDAR or RADAR type, and/or images recorded by a or several cameras on board the vehicle, and/or information relating to the speed of the vehicle or information relating to an angular position of the steering wheel of the vehicle.
  • the driving assistance system 200 is configured to generate a driving action Y on a control member 300 of the vehicle.
  • the control member 300 of the vehicle can be, for example, the steering wheel thereof.
  • the driving action Y is notably defined by calculation means 202, of the regressor and controller type.
  • the evaluation device 100 also comprises a resolution module 103, configured to search for the solutions of divergence of the transfer function Tf previously defined, that is to say the values of the characteristic vector Z for which the transfer function Tf diverges.
  • a value of the characteristic vector Z for which the transfer function diverges can in particular be considered as a critical characteristic value.
  • the driving assistance system 200 transmits to the evaluation device 100 pairs (Z, Y) each of which consists of a characteristic vector Z and of a driving action Y generated by the driving assistance system 200 on the basis of said characteristic vector Z.
  • this evaluation device 100 is in operation, whether in a test phase of the driving assistance system 200 or during a driving phase of a vehicle equipped with the driving assistance system 200 and from the evaluation device 100, a characteristic vector Zi is transmitted by the driving assistance system 200 to the evaluation device 100, this information being the only data likely to be recovered in the black box represented by the driving assistance system equipped with an artificial neural network.
  • the resolution module 103 associated with the approximator 102 searches whether the characteristic vector Zi is a solution of the equation for canceling the denominator function f2 as previously indicated. If so, the invention provides, according to the first exemplary embodiment illustrated by FIG. 1, that the evaluation device 100 transmits to the driving assistance system 200 information 110 of divergence so that the latter generates a corrective action 210.
  • the corrective action 210 can take the form of information to stop the driving assistance driving, or it can take the form of a request to take control of the vehicle by the driver of the latter, or it can take the form of a command from the previously mentioned component 300 for securing the vehicle.
  • FIG. 2 illustrates a second embodiment of an evaluation device 100 according to the invention. We find in FIG. 2 the approximator module 102 and the resolution module 103 previously defined, as well as the driving assistance system 200.
  • the calculation module 104 is configured to define the inverse relationship of the relationship established by the artificial neural network 201 of the driving assistance system 200 between the characteristic vector Z and instantaneous driving information X.
  • the calculation module 104 can implement an artificial neural network inverse to the artificial neural network implemented by the driver assistance system 200, for example of the type known by the acronym GAN for Generative Adversarial Network.
  • the evaluation device further comprises a comparator unit 105 configured to compare the critical driving information Xi′, determined by the calculation module 104, with instantaneous driving information Xi transmitted by the vehicle to the driving assistance system 200 and having led the artificial neural network 201 to define the characteristic vector Zi, which was then used to calculate the critical characteristic vector.
  • a comparator unit 105 configured to compare the critical driving information Xi′, determined by the calculation module 104, with instantaneous driving information Xi transmitted by the vehicle to the driving assistance system 200 and having led the artificial neural network 201 to define the characteristic vector Zi, which was then used to calculate the critical characteristic vector.
  • a succession of comparison iterations can be implemented in order to carry out a form of self-learning of the comparator unit 105 and of the calculation module 104, until critical driving information X′ defined by the calculation module 104 corresponds to instantaneous driving information X transmitted by the vehicle to the driving assistance system 200.
  • the evaluation device 100 allows, on the one hand, to identify critical characteristic vectors, for which the transfer function Tf, linking characteristic vector and driving action, diverges.
  • a divergence may result, for example, in the impossibility for the driver assistance system 200 to define and generate a driving action, or it may result in the definition, for the driving assistance system 200, of an inconsistent driving action with regard to the instantaneous driving information: by way of example, the driving action generated by the driving assistance system 200 for a vector critical characteristic inducing a divergence of the transfer function Tf may require a vehicle speed variation that is incompatible, for example, with its weight and speed, or even generate sharp turns, not necessarily adapted to the driving context .
  • the evaluation device 100 makes it possible to reconstitute the driving information leading to a critical characteristic vector.
  • the evaluation device 100 therefore thus makes it possible to identify driving situations which may lead to a divergence of the transfer function Tf of the evaluation system, that is to say, in other words, which may lead to an inconsistent or erroneous action generated by the driver assistance system 200.
  • the evaluation device can comprise an analysis unit configured to compare a driving action generated by the driving assistance system 200 from the characteristic vector identified as critical by the evaluation device with a theoretical driving action such as it would be carried out by a driver of the vehicle for instantaneous driving information equivalent to that having led to the establishment of the critical characteristic vector.
  • a theoretical driving action such as it would be carried out by a driver of the vehicle for instantaneous driving information equivalent to that having led to the establishment of the critical characteristic vector.
  • FIG. 3 schematically illustrates the different aspects of a first embodiment of a method according to the invention.
  • a plurality of pairs (Z, Y), respectively composed of a characteristic vector Z established from instantaneous driving information X by the artificial neural network 201 of the driving assistance system 200 and a driving action Y generated by the driving assistance system 200 on the basis of the characteristic vector Z is transmitted to the evaluation device 100, more precisely to the approximator module 102 of the latter.
  • the first phase 10 then consists in constructing the approximator 102 and this first phase 10 can be carried out on a test bench of the driving assistance system 200 and of the evaluation device 100.
  • a second phase 20 can therefore be implemented once the approximator 102 has been constructed, and this second phase comprises a first step 21 and a second step 22.
  • the evaluation device 100 transmits to the driving assistance system 200 divergence information 110 representative of the potential divergence of the model implemented by the artificial neural network 201 when the characteristic vector takes the critical values identified during the second step 22 of the second phase 20.
  • the evaluation device 100 can be associated with a test bench of the driving assistance system 200, and the information of divergence 110 fed back to the driver assistance system 200 serves to improve the performance of the latter, the artificial neural network taking into account the critical characteristic value that had been found for its self-learning.
  • a third phase 30 can be implemented once the approximator 102 has been constructed, and this third phase 30 comprises a first sequence 31 and a second sequence 32.
  • this first sequence 31 can be defined so that the equation considered is f2(Z) - 0.
  • the evaluation device 100 transmits to the driving assistance system 200 information 110 representative of a risk of potential divergence from the model implemented by the artificial neural network 201 since the characteristic vector takes values equal to or close to a critical characteristic vector.
  • the second phase 30 of the first mode of implementation of the method is carried out in real time when the evaluation device 100 is on board the vehicle.
  • the information 110 fed back to the driver assistance system 200 can in particular be used to correct the control of the vehicle as it was initially provided by the driver assistance system 200.
  • FIG. 4 schematically illustrates a second embodiment of the method according to the invention. We find here only the second phase 20 following the first phase, but it should be noted that the third phase could also be provided in this second mode of implementation without departing from the context of the invention.
  • the method according to the invention comprises a first additional step 40 during which, at from the critical characteristic vector defined during one of the preceding phases, here in particular the second phase 20, the calculation module 104 of the evaluation device 100 reconstitutes critical driving information Xi', for example from a neural network reverse artificial as previously mentioned.
  • a second additional step 50 du the critical driving information Xi' reconstituted from the critical characteristic vector is compared, within the comparison unit 5 of the evaluation device 100, with the instantaneous driving information Xi from which the artificial neural network 201 of the driving assistance system 200 has established the characteristic vector Zi.
  • the invention therefore makes it possible, by simple means, on the one hand, to identify, among all the applications on board a plurality of vehicles, the applications which have a number malfunctions or a frequency of repetitions of these malfunctions deemed too significant and, on the other hand, to selectively and preventively deactivate such applications.
  • the evaluation device according to the invention can be applied to any driving assistance system.
  • driving a large or small industrial machine such as, by way of non-exhaustive example, a set of pilot valves of an industrial installation, insofar as this driving assistance system implements an artificial neural network and to the extent that the device evaluation has one or more of the characteristics described or illustrated in this document.

Abstract

The main subject matter of the present invention is a device (100) for assessing a driver assistance system (200) for a motor vehicle, wherein the driver assistance system (200) implements an artificial neural network (201) so as to generate a driving action (Y, Y1) on a control member (300) of the vehicle according to a set of instantaneous driving data (X). The driver assistance system (200) acts, in particular, by defining, via the artificial neural network (201), a characteristic vector (Z) representative of the set of instantaneous driving data (X). The assessment device (100) is configured so as to identify at least one characteristic critical vector (Z1) for which it is impossible to define a driving action (Y, Y1) or for which the driving action (Y, Y1) is erroneous.

Description

DESCRIPTION DESCRIPTION
Titre ■ Dispositif et procédé d’évaluation d’un système d’aide à la conduite pour véhicule automobile, le système d’aide à la conduite mettant en œuvre un réseau neuronal artificiel Title ■ Device and method for evaluating a driver assistance system for a motor vehicle, the driver assistance system implementing an artificial neural network
L’invention se rapporte au domaine des systèmes d'aide à la conduite pour véhicules automobile, et elle concerne plus particulièrement de tels systèmes d'aide à la conduite mettant en œuvre au moins un réseau neuronal artificiel. Elle trouve une application non exclusive mais particulièrement avantageuse pour les véhicules automobiles autonomes ou semi-autonomes. The invention relates to the field of driving assistance systems for motor vehicles, and it relates more particularly to such driving assistance systems implementing at least one artificial neural network. It finds a non-exclusive but particularly advantageous application for autonomous or semi-autonomous motor vehicles.
Les systèmes d'aide à la conduite occupent une part de plus en plus importante dans les véhicules automobiles, que ces derniers soient complètement autonomes ou à des degrés d’autonomie divers. Selon les types de véhicules et leurs configurations, ces systèmes d'aide à la conduite ont pour tâche de faciliter ou de permettre la conduite du véhicule en toute sécurité. De tels systèmes d'aide à la conduite peuvent, par exemple, transmettre un simple avertissement au conducteur lors d'une situation potentiellement dangereuse telle que, par exemple, un franchissement intempestif de ligne sur une route, ou ils peuvent agir directement sur un ou plusieurs organes de commande du véhicule, par exemple, pour imprimer à un véhicule autonome ou semi-autonome un changement de direction. Driving assistance systems occupy an increasingly important part in motor vehicles, whether the latter are completely autonomous or with varying degrees of autonomy. Depending on the types of vehicles and their configurations, these driving assistance systems have the task of facilitating or enabling safe driving of the vehicle. Such driving assistance systems can, for example, transmit a simple warning to the driver in the event of a potentially dangerous situation such as, for example, an untimely crossing of a line on a road, or they can act directly on one or several vehicle control devices, for example, to give an autonomous or semi-autonomous vehicle a change of direction.
Quel que soit le degré d’autonomie du véhicule sur lequel est appliqué le système d’aide à la conduite, la mise en œuvre de réseaux neuronaux dans ces permet d'augmenter la précision et la pertinence de l'aide apportée. Le réseau neuronal artificiel est notamment mis en œuvre pour définir un vecteur caractéristique représentatif d’un ensemble d'informations de conduite assimilées simultanément par le réseau neuronal artificiel pour une scène de route donnée. Ce vecteur caractéristique représente une priorisation des données présentes dans les informations de conduite assimilées et sert de base à l’élaboration, par des moyens de calcul appropriés du système d’aide à la conduite, d’une action de conduite sur un organe de commande du véhicule propre à répondre à la situation de conduite analysée par le réseau neuronal artificiel. Tel qu’évoqué, l’utilisation de ces réseaux neuronaux permet de répondre très efficacement à des situations de conduite instantanées qui peuvent ne pas avoir été encore rencontrées par le système d’aide à la conduite. Ces systèmes sont particulièrement fiables, mais un inconvénient de leur utilisation est qu’il est compliqué de détecter d’éventuels cas de dysfonctionnement du fait de la difficulté d’appréhender et critiquer rapidement la logique de traitement des informations du réseau neuronal artificiel. Regardless of the degree of autonomy of the vehicle to which the driver assistance system is applied, the implementation of neural networks in these makes it possible to increase the precision and relevance of the assistance provided. The artificial neural network is implemented in particular to define a characteristic vector representative of a set of driving information assimilated simultaneously by the artificial neural network for a given road scene. This characteristic vector represents a prioritization of the data present in the assimilated driving information and serves as a basis for the development, by appropriate calculation means of the driving assistance system, of a driving action on a control member of the vehicle capable of responding to the driving situation analyzed by the artificial neural network. As mentioned, the use of these neural networks makes it possible to respond very effectively to instantaneous driving situations which may not have yet been encountered by the driver assistance system. These systems are particularly reliable, but a disadvantage of their use is that it is complicated to detect possible cases of malfunctioning due to the difficulty of quickly apprehending and criticizing the information processing logic of the artificial neural network.
Le problème technique auquel la présente invention se propose d'apporter une solution est celui de l'identification, dans un système d'aide à la conduite mettant en œuvre un réseau neuronal, des cas de dysfonctionnement ou des situations de conduite dans lesquelles le système d'aide à la conduite est susceptible de dysfonctionner. The technical problem to which the present invention proposes to provide a solution is that of identifying, in a driving assistance system implementing a neural network, cases of malfunction or driving situations in which the system driving assistance is likely to malfunction.
Pour atteindre son but, l'invention a pour objet, selon un premier aspect, un dispositif d'évaluation d'un système d'aide à la conduite pour véhicule automobile, le système d'aide à la conduite mettant en œuvre un réseau neuronal artificiel pour générer une action de conduite sur un organe de commande du véhicule en fonction d'un ensemble d'informations de conduite instantanées, le système d'aide à la conduite agissant notamment par la définition, par le réseau neuronal artificiel, d'un vecteur caractéristique représentatif de l'ensemble d'informations de conduite instantanées, le dispositif d'évaluation étant configuré pour identifier au moins un vecteur caractéristique critique pour lequel il est impossible de définir une action de conduite ou pour lequel l'action de conduite est erronée. To achieve its object, the subject of the invention is, according to a first aspect, a device for evaluating a driving assistance system for a motor vehicle, the driving assistance system implementing a neural network artificial to generate a driving action on a control member of the vehicle as a function of a set of instantaneous driving information, the driving assistance system acting in particular by the definition, by the artificial neural network, of a feature vector representative of the set of instantaneous driving information, the evaluation device being configured to identify at least one critical feature vector for which it is impossible to define a driving action or for which the driving action is erroneous .
L'action de conduite générée par le système d'aide à la conduite est ici effectuée sur un organe de commande du véhicule. Il peut s'agir, à titre d'exemples non exhaustifs, du système de freinage du véhicule, ou du volant de celui-ci. Le système d'aide à la conduite considéré pilote ainsi la réalisation, par l'organe de commande considéré, de l'action de conduite qu'il a générée, avec ou sans intervention d'un conducteur du véhicule. The driving action generated by the driving assistance system is here performed on a control member of the vehicle. It may be, by way of non-exhaustive examples, the braking system of the vehicle, or the steering wheel thereof. The driving assistance system considered thus controls the performance, by the control member considered, of the driving action that it has generated, with or without the intervention of a driver of the vehicle.
Les informations de conduite utilisées par le système d'aide à la conduite pour générer l'action de conduite sont constituées d'une pluralité d'informations mesurées et/ ou calculées par un ensemble de capteurs et/ ou organes de calcul du véhicule. Il convient de considérer que ces informations de conduite sont dites instantanées car détectées à un instant donné, le cas échéant de manière continue en temps réel. A titre d'exemples non exhaustifs, ces informations de conduite peuvent comprendre des données de télédétection obtenues par un dispositif de type LIDAR ou RADAR, des images prises par une ou plusieurs caméras du véhicule, des valeurs de paramètres de fonctionnement du véhicule tels que, par exemple, la vitesse ou la direction du véhicule, mesurées par différents capteurs tels que, par exemple, un capteur de vitesse ou un capteur d'angle de volant, ou des valeurs de paramètres relatifs à l'environnement instantané du véhicule tels que, par exemple, un état humide ou sec de la chaussée, mesuré par exemple par un capteur de pluie du système d'essuie-glace du véhicule, ou une valeur de luminosité ambiante mesurée par exemple par un capteur de luminosité de l'ensemble d'éclairage et de signalisation du véhicule. Le réseau neuronal artificiel du système d'aide à la conduite compile ces informations de conduite instantanées, obtenues à un instant donné de roulage du véhicule, en un vecteur caractéristique exploitable par des moyens de calcul du système d’aide à la conduite et, sur la base du vecteur caractéristique, le système d'aide à la conduite définit une action de conduite telle que précitée.The driving information used by the driving assistance system to generate the driving action consists of a plurality of information measured and/or calculated by a set of sensors and/or calculation components of the vehicle. It should be considered that this driving information is said to be instantaneous since it is detected at a given instant, if necessary continuously in real time. By way of non-exhaustive examples, this driving information may include remote sensing data obtained by a device of the LIDAR or RADAR type, images taken by one or more cameras of the vehicle, values of vehicle operating parameters such as, for example, the speed or the direction of the vehicle, measured by various sensors such as, for example, a speed sensor or a steering wheel angle sensor, or values of parameters relating to the instantaneous environment of the vehicle such as, for example, a wet or dry state of the road surface, measured for example by a rain sensor of the windscreen wiper system of the vehicle, or an ambient brightness value measured for example by a brightness sensor of the assembly of vehicle lighting and signaling. The artificial neural network of the driving assistance system compiles this instantaneous driving information, obtained at a given instant of vehicle travel, into a characteristic vector that can be used by calculation means of the driving assistance system and, on the basis of the characteristic vector, the driving assistance system defines a driving action as mentioned above.
Le dispositif d'évaluation proposé par l'invention est configuré pour identifier, parmi les vecteurs caractéristiques définis par le réseau neuronal artificiel du système d'aide à la conduite, celui ou ceux pour lesquels aucune action de conduite ne pourra être générée, par exemple en raison d'un conflit entre différentes informations de conduite, ainsi que celui ou ceux conduisant à une action de conduite erronée. Le terme "erroné" est ici à comprendre, comme par exemple, une action de conduite incohérente au regard des paramètres de conduite du véhicule à l'instant considéré. The evaluation device proposed by the invention is configured to identify, among the characteristic vectors defined by the artificial neural network of the driving assistance system, the one or those for which no driving action can be generated, for example due to a conflict between different driving information, as well as that or those leading to an erroneous driving action. The term “erroneous” is here to be understood, such as, for example, an inconsistent driving action with regard to the driving parameters of the vehicle at the moment in question.
Pour réaliser l'identification précitée, le dispositif d'évaluation selon l'invention comprend, selon l'une de ses caractéristiques : un module approximateur configuré pour définir une fonction de transfert reliant le vecteur caractéristique défini par le réseau neuronal artificiel du système d'aide à la conduite et l'action de conduite générée par le système d'aide à la conduite en fonction de ce vecteur caractéristique, la fonction de transfert s'exprimant sous la forme d'un rapport d'une fonction polynomiale numérateur et d'une fonction polynomiale dénominateur, un module de résolution configuré pour rechercher au moins un vecteur caractéristique critique, solution de divergence de la fonction de transfert définie par le module approximateur, plus particulièrement une valeur de vecteur caractéristique solution de l'équation d'annulation de la fonction polynomiale dénominateur. To perform the aforementioned identification, the evaluation device according to the invention comprises, according to one of its characteristics: an approximator module configured to define a transfer function linking the characteristic vector defined by the artificial neural network of the driving assistance and the driving action generated by the driving assistance system as a function of this characteristic vector, the function of transfer being expressed in the form of a ratio of a numerator polynomial function and a denominator polynomial function, a resolution module configured to search for at least one critical characteristic vector, solution of divergence of the transfer function defined by the approximator module, more particularly a characteristic vector value solution of the cancellation equation of the denominator polynomial function.
On comprend ici que la variable de la fonction de transfert définie par le module approximateur est le vecteur caractéristique défini par le réseau neuronal artificiel du système d'aide à la conduite. It is understood here that the variable of the transfer function defined by the approximator module is the characteristic vector defined by the artificial neural network of the driving assistance system.
En d'autres termes, le module approximateur du système d’évaluation est configuré pour exprimer sous la forme d'un rapport de fonctions polynomiales la relation existant au sein du système d’aide à la conduite entre un vecteur caractéristique défini par le réseau neuronal artificiel et l'action de conduite qui en résulte, et le module de résolution est configuré pour rechercher les cas de divergence d’une fonction de transfert formée du rapport de fonctions polynomiales, c'est-à-dire, notamment, les cas d'annulation du dénominateur dudit rapport. On considère ici que les cas de divergence de la fonction de transfert précitée conduisent à des impossibilités de définition d'actions de conduite ou à des actions de conduite erronées au sens précédemment décrit. Autrement dit, le module de résolution est configuré pour trouver un ou plusieurs vecteurs caractéristiques critiques pouvant conduire à un dysfonctionnement du système d'aide à la conduite, c'est-à-dire à des cas dans lesquels ce dernier ne pourra pas générer d'action de conduite ou des cas dans lesquels l'action de conduite générée sera incohérente par rapport aux informations de conduite instantanées. In other words, the approximator module of the evaluation system is configured to express in the form of a ratio of polynomial functions the relationship existing within the driver assistance system between a characteristic vector defined by the neural network artificial and the resulting driving action, and the resolution module is configured to search for the cases of divergence of a transfer function formed from the ratio of polynomial functions, that is to say, in particular, the cases of cancellation of the denominator of said report. It is considered here that the cases of divergence of the aforementioned transfer function lead to impossibilities of defining driving actions or to erroneous driving actions in the sense described previously. In other words, the resolution module is configured to find one or more critical characteristic vectors that can lead to a malfunction of the driving assistance system, that is to say to cases in which the latter will not be able to generate driving action or cases in which the generated driving action will be inconsistent with the instantaneous driving information.
Selon une autre caractéristique, le dispositif d'évaluation selon l'invention comprend un module de calcul mettant en œuvre un réseau neuronal artificiel inversé, le module de calcul étant configuré pour déterminer des informations de conduite critiques sur la base de l'au moins un vecteur caractéristique critique défini par le module de résolution. Plus particulièrement, le module de calcul du dispositif d'évaluation selon l'invention est configuré pour mettre en œuvre, via le réseau neuronal artificiel inverse évoqué, la fonction inverse de la fonction mise en œuvre par le réseau neuronal artificiel du système d'aide à conduite pour définir un vecteur caractéristique à partir des informations de conduite instantanées précédemment évoquées. Le module de calcul détermine donc un ensemble d'informations de conduite critiques qui conduirait au vecteur caractéristique critique défini par le module approximateur et le module de résolution. According to another characteristic, the evaluation device according to the invention comprises a calculation module implementing an inverted artificial neural network, the calculation module being configured to determine critical driving information on the basis of the at least one critical characteristic vector defined by the resolution module. More particularly, the calculation module of the evaluation device according to the invention is configured to implement, via the inverse artificial neural network evoked, the inverse function of the function implemented by the artificial neural network of the aid system to driving to define a characteristic vector from the instantaneous driving information previously mentioned. The calculation module therefore determines a set of critical driving information which would lead to the critical characteristic vector defined by the approximator module and the resolution module.
Avantageusement, le module de calcul du dispositif d'évaluation selon l'invention met en œuvre un réseau neuronal artificiel inverse, par exemple du type connu sous l'acronyme anglo-saxon GAN pour Generative Adversarial Network. Advantageously, the calculation module of the evaluation device according to the invention implements an inverse artificial neural network, for example of the type known by the Anglo-Saxon acronym GAN for Generative Adversarial Network.
Selon une autre caractéristique, le dispositif d'évaluation comprend un organe comparateur configuré pour comparer les informations de conduite critiques déterminées par le réseau neuronal artificiel inverse du module de calcul avec les informations de conduite instantanées transmises à l’origine au réseau neuronal artificiel du système d'aide à la conduite. According to another characteristic, the evaluation device comprises a comparator member configured to compare the critical driving information determined by the inverse artificial neural network of the calculation module with the instantaneous driving information originally transmitted to the artificial neural network of the system driving assistance.
Dans une phase d’apprentissage du dispositif d’évaluation, l'organe comparateur et le module de calcul fonctionnent par itérations successives, c'est-à-dire que les informations de conduite critiques déterminées par le module de calcul du dispositif d’évaluation sur la base du vecteur caractéristique critique défini par le module de résolution sont ajustées par itérations successives, jusqu'à ce qu'elles correspondent au vecteur caractéristique défini par le réseau neuronal artificiel du système d'aide à la conduite. On réalise ainsi une forme d'auto-apprentissage du module de calcul du dispositif d'évaluation selon l'invention. In a learning phase of the evaluation device, the comparator unit and the calculation module operate by successive iterations, that is to say that the critical driving information determined by the calculation module of the evaluation device on the basis of the critical characteristic vector defined by the resolution module are adjusted by successive iterations, until they correspond to the characteristic vector defined by the artificial neural network of the driving assistance system. A form of self-learning of the calculation module of the evaluation device according to the invention is thus achieved.
Selon une autre caractéristique, le dispositif d'évaluation selon l'invention comprend un organe d'analyse configuré pour comparer l'action de conduite générée par le système d'aide à la conduite pour l'au moins un vecteur caractéristique critique défini par le module de résolution avec une action de conduite théorique à effectuer définie par un conducteur du véhicule pour des informations de conduite identiques. En d'autres termes, l'organe d'analyse est configuré pour valider ou non la pertinence de l'action générée par le système d'aide à la conduite dans le cas d'un vecteur caractéristique critique conduisant à une divergence de la fonction de transfert définie par le module approximateur, et cette validation est remontée au système d’aide à la conduite notamment à des fins d’apprentissage continu du réseau neuronal artificiel du système d’aide à la conduite. According to another characteristic, the evaluation device according to the invention comprises an analysis unit configured to compare the driving action generated by the driving assistance system for the at least one critical characteristic vector defined by the resolution module with a theoretical driving action to be performed defined by a driver of the vehicle for identical driving information. In other words, the analysis unit is configured to validate or not the relevance of the action generated by the driver assistance system in the case of a critical characteristic vector leading to a divergence of the function transfer defined by the approximator module, and this validation is fed back to the driving assistance system in particular for the purposes of continuous learning of the artificial neural network of the driving assistance system.
Selon un autre aspect, l’invention concerne un banc d’essai d’un système d’aide à la conduite comportant un réseau neuronal artificiel et un dispositif d'évaluation tel que précédemment évoqué. Un tel banc d’essai est notamment mis en œuvre en atelier, lors de la mise au point du système d'aide à la conduite et de l’apprentissage du réseau neuronal artificiel, et le dispositif d’évaluation peut être implanté sur le banc d’essai pour améliorer l’apprentissage du réseau neuronal artificiel, notamment en lui renvoyant des données sur des situations jugées critiques suite à l’analyse faite dans un premier temps par le système d’aide à la conduite. According to another aspect, the invention relates to a test bench for a driving assistance system comprising an artificial neural network and an evaluation device as mentioned above. Such a test bench is in particular implemented in the workshop, during the development of the driving assistance system and the learning of the artificial neural network, and the evaluation device can be installed on the bench to improve the learning of the artificial neural network, in particular by sending back data to it on situations deemed critical following the analysis made initially by the driver assistance system.
Selon un autre aspect, l’invention concerne un véhicule équipé d’un système d’aide à la conduite comprenant un réseau neuronal artificiel et un dispositif d'évaluation tel que précédemment évoqué. Le dispositif d’évaluation embarqué sur le véhicule a notamment pour fonction de détecter en temps réel des cas d’analyse critiques et d’envoyer une information de commande au véhicule qui vienne remplacer l’information de commande préalablement générée par le système d’aide à la conduite et son réseau neuronal artificiel. According to another aspect, the invention relates to a vehicle equipped with a driving assistance system comprising an artificial neural network and an evaluation device as mentioned above. The function of the evaluation device on board the vehicle is in particular to detect critical analysis cases in real time and to send control information to the vehicle which replaces the control information previously generated by the assistance system. driving and its artificial neural network.
Selon un autre aspect, l'invention a pour objet un procédé d'évaluation d'un système d'aide à la conduite d'un véhicule automobile, le système d'aide à la conduite mettant en œuvre un réseau neuronal artificiel, le procédé d'évaluation comprenant : une première phase de récupération, par le module de résolution d'un dispositif d'évaluation tel que précédemment décrit, d’au moins un vecteur caractéristique formant partie d’un couple de données établi par le système d'aide à la conduite et constitués respectivement d’un vecteur caractéristique défini à partir d'informations de conduite instantanées et d'une action de conduite générée par le système d'aide à la conduite sur la base du vecteur caractéristique, une deuxième phase, ou une troisième phase, de détermination d'au moins un vecteur caractéristique critique pour lequel la fonction de transfert définie par le module approximateur du dispositif d'évaluation diverge, une étape de transmission, au système d'aide à la conduite, d'une information de divergence sur la base de laquelle le système d'aide à la conduite peut générer une action corrective. According to another aspect, the subject of the invention is a method for evaluating a driving assistance system of a motor vehicle, the driving assistance system implementing an artificial neural network, the method evaluation comprising: a first phase of recovery, by the resolution module of an evaluation device as previously described, of at least one characteristic vector forming part of a pair of data established by the aid system to driving and consisting respectively of a characteristic vector defined on the basis of instantaneous driving information and of a driving action generated by the driving assistance system on the basis of the vector characteristic, a second phase, or a third phase, of determining at least one critical characteristic vector for which the transfer function defined by the approximator module of the evaluation device diverges, a transmission step, to the driving, discrepancy information on the basis of which the driving assistance system can generate a corrective action.
Selon un exemple, l'action corrective peut consister en une simple transmission d'une information de divergence du fonctionnement du système d'aide à la conduite. Cette information de divergence peut être adressée à un conducteur du véhicule, à un organe central de contrôle du véhicule ou au système d'aide à la conduite. Le procédé selon l'invention permet alors de réaliser une forme d'auto-apprentissage du système d'aide à la conduite. According to one example, the corrective action may consist of a simple transmission of information on the divergence of the operation of the driver assistance system. This discrepancy information can be sent to a driver of the vehicle, to a central control unit of the vehicle or to the driver assistance system. The method according to the invention then makes it possible to carry out a form of self-learning of the driving assistance system.
Selon un autre exemple, l'action corrective précitée peut comprendre une ou plusieurs actions sur le véhicule lui-même. Par exemple, dans le cas de véhicules autonomes, l'action corrective peut consister, selon le degré d'autonomie du véhicule, en une demande de prise de contrôle du véhicule par un conducteur, ou à une action sur un organe de commande du véhicule pour réaliser une mise en sécurité de ce dernier. According to another example, the aforementioned corrective action may comprise one or more actions on the vehicle itself. For example, in the case of autonomous vehicles, the corrective action may consist, depending on the degree of autonomy of the vehicle, of a request for control of the vehicle by a driver, or of an action on a control device of the vehicle. to make it safe.
Selon une caractéristique, le procédé selon l'invention comprend : une étape de détermination d'au moins un ensemble d'informations de conduite critiques correspondant à un vecteur caractéristique critique pour lequel la fonction de transfert définie par le module approximateur d'un dispositif d'évaluation tel que précédemment décrit diverge, une étape de comparaison des informations de conduite critiques avec les informations de conduite instantanées ayant conduit à la détermination du vecteur caractéristique par le réseau neuronal artificiel du système d'aide à la conduite. According to one characteristic, the method according to the invention comprises: a step of determining at least one set of critical driving information corresponding to a critical characteristic vector for which the transfer function defined by the approximator module of a device of The evaluation as previously described diverges, a step of comparing the critical driving information with the instantaneous driving information having led to the determination of the characteristic vector by the artificial neural network of the driving assistance system.
Selon une autre caractéristique, le procédé selon l'invention comprend : une étape de comparaison de l'action de conduite, commandée par le réseau neuronal artificiel du système d'aide à la conduite pour des informations de conduite instantanées ayant conduit au vecteur caractéristique critique pour lequel la fonction de transfert définie par le module approximateur d'un dispositif d'évaluation tel que précédemment décrit diverge, avec une action de conduite théorique, préalablement définie par un conducteur du véhicule, pour les mêmes informations de conduite, une étape de transmission, au système d'aide à la conduite, de l'action de conduite théorique. According to another characteristic, the method according to the invention comprises: a step of comparing the driving action, controlled by the artificial neural network of the driving assistance system for information instantaneous driving actions having led to the critical characteristic vector for which the transfer function defined by the approximator module of an evaluation device as previously described diverges, with a theoretical driving action, previously defined by a driver of the vehicle, for the same driving information, a transmission step, to the driving assistance system, of the theoretical driving action.
Le procédé selon l'invention réalise ainsi une forme d'auto-apprentissage du système d'aide à la conduite. The method according to the invention thus achieves a form of self-learning of the driving assistance system.
L'invention permet donc, d'une part, une évaluation d'un système d'aide à la conduite mettant en œuvre un réseau neuronal artificiel, et, d'autre part, un auto-apprentissage de celui-ci. The invention therefore allows, on the one hand, an evaluation of a driving assistance system implementing an artificial neural network, and, on the other hand, a self-learning thereof.
D'autres caractéristiques, détails et avantages de l'invention apparaîtront plus clairement à l'aide de la description qui suit et des dessins parmi lesquels :Other characteristics, details and advantages of the invention will appear more clearly with the aid of the following description and the drawings, among which:
[Fig i] est une représentation schématique d'un premier exemple de réalisation du dispositif d'évaluation selon l'invention, [Fig i] is a schematic representation of a first embodiment of the evaluation device according to the invention,
[Fig 2] est une représentation schématique d'un deuxième exemple de réalisation du dispositif d'évaluation selon l'invention, [Fig 2] is a schematic representation of a second embodiment of the evaluation device according to the invention,
[Fig 3] illustre schématiquement un exemple du déroulement d'un premier mode de mise en œuvre du procédé selon l'invention, [Fig 3] schematically illustrates an example of the progress of a first mode of implementation of the method according to the invention,
[Fig 4] illustre schématiquement un exemple du déroulement d'un deuxième mode de mise en œuvre du procédé selon l'invention. [Fig 4] schematically illustrates an example of the course of a second embodiment of the method according to the invention.
Il faut tout d'abord noter que si les figures exposent l'invention de manière détaillée pour sa mise en œuvre, elles peuvent bien entendu servir à mieux définir l'invention le cas échéant. Il est également à noter que, sur l'ensemble des figures, les éléments similaires et/ou remplissant la même fonction sont indiqués par le même repère. It should be noted first of all that if the figures expose the invention in detail for its implementation, they can of course be used to better define the invention if necessary. It should also be noted that, in all of the figures, similar elements and/or fulfilling the same function are indicated by the same reference.
La figure 1 montre schématiquement un dispositif d'évaluation 100 selon l'invention, configuré pour évaluer un système d'aide à la conduite 200 d'un véhicule automobile, le système d'aide à la conduite 200 mettant en œuvre un réseau neuronal artificiel 201. Plus précisément, le réseau neuronal artificiel 201 du système d'aide à la conduite 200 est configuré pour définir un vecteur caractéristique Z à partir d'une pluralité d'informations de conduite instantanées X mesurées et/ou calculées au sein d'un véhicule automobile non représenté sur la figure 1. A titre d'exemples non exhaustifs, les informations de conduite instantanées X peuvent comprendre des données de télédétection obtenues par un dispositif de type LIDAR ou RADAR, et/ou des images enregistrées par une ou plusieurs caméras embarquées sur le véhicule, et/ ou des informations relatives à la vitesse du véhicule ou des informations relatives à une position angulaire du volant du véhicule. FIG. 1 schematically shows an evaluation device 100 according to the invention, configured to evaluate a driving assistance system 200 of a motor vehicle, the driving assistance system 200 implementing a artificial neural network 201. More specifically, the artificial neural network 201 of the driving assistance system 200 is configured to define a characteristic vector Z from a plurality of instantaneous driving information X measured and/or calculated within of a motor vehicle not represented in FIG. 1. By way of non-exhaustive examples, the instantaneous driving information X can comprise remote sensing data obtained by a device of the LIDAR or RADAR type, and/or images recorded by a or several cameras on board the vehicle, and/or information relating to the speed of the vehicle or information relating to an angular position of the steering wheel of the vehicle.
Sur la base du vecteur caractéristique Z précité, le système d'aide à la conduite 200 est configuré pour générer une action de conduite Y sur un organe de commande 300 du véhicule. A titre d'exemple non exclusif, l'organe de commande 300 du véhicule peut être, par exemple, le volant de celui-ci. L’action de conduite Y est notamment définie par des moyens de calcul 202, du type régresseur et contrôleur. Based on the aforementioned characteristic vector Z, the driving assistance system 200 is configured to generate a driving action Y on a control member 300 of the vehicle. By way of non-exclusive example, the control member 300 of the vehicle can be, for example, the steering wheel thereof. The driving action Y is notably defined by calculation means 202, of the regressor and controller type.
Selon l'invention, le dispositif d'évaluation 100 du système d'aide à la conduite 200 comprend un module approximateur 102, configuré pour reconstruire un modèle mathématique similaire à ceux mis en œuvre par les moyens de calcul du système d’aide à la conduite, en se basant notamment sur une relation entre l'action de conduite Y générée par le système d'aide à la conduite et le vecteur caractéristique Z correspondant précédemment décrit. Plus précisément, le module approximateur 102 est configuré pour définir une fonction de transfert Tf du type Y=Tf(Z), dans laquelle le vecteur caractéristique Z est la variable fonctionnelle. Plus précisément encore, le module approximateur 102 est configuré pour exprimer la fonction Tf sous la forme d'un rapport d'une fonction polynomiale numérateur fl et d'une fonction polynomiale dénominateur f2, de telle manière que la relation précitée Y=Tf(Z) s'exprime sous la forme du rapport Y=fi(Z)/f2(Z). According to the invention, the evaluation device 100 of the driving assistance system 200 comprises an approximator module 102, configured to reconstruct a mathematical model similar to those implemented by the calculation means of the driving assistance system. driving, based in particular on a relationship between the driving action Y generated by the driving assistance system and the corresponding characteristic vector Z previously described. More precisely, the approximator module 102 is configured to define a transfer function Tf of the type Y=Tf(Z), in which the characteristic vector Z is the functional variable. More precisely still, the approximator module 102 is configured to express the function Tf in the form of a ratio of a numerator polynomial function fl and of a denominator polynomial function f2, in such a way that the aforementioned relation Y=Tf(Z ) is expressed as the ratio Y=fi(Z)/f2(Z).
Le dispositif d'évaluation 100 selon l'invention comprend également un module de résolution 103, configuré pour rechercher les solutions de divergence de la fonction de transfert Tf précédemment définie, c'est-à-dire les valeurs du vecteur caractéristique Z pour lesquelles la fonction de transfert Tf diverge. Notamment, le module de résolution 103 est configuré pour rechercher les solutions de l'équation d'annulation de la fonction dénominateur f2, c'est-à-dire les solutions de l'équation f2(Z)=o. Une valeur du vecteur caractéristique Z pour laquelle la fonction de transfert diverge peut notamment être considérée comme une valeur caractéristique critique. The evaluation device 100 according to the invention also comprises a resolution module 103, configured to search for the solutions of divergence of the transfer function Tf previously defined, that is to say the values of the characteristic vector Z for which the transfer function Tf diverges. In particular, the resolution module 103 is configured to search for the solutions of the cancellation equation of the denominator function f2, that is to say the solutions of the equation f2(Z)=o. A value of the characteristic vector Z for which the transfer function diverges can in particular be considered as a critical characteristic value.
Lors d'une phase de construction du dispositif d'évaluation 100, le système d'aide à la conduite 200 transmet au dispositif d'évaluation 100 des couples (Z, Y) dont chacun est constitué d'un vecteur caractéristique Z et d'une action de conduite Y générée par le système d'aide à la conduite 200 sur la base dudit vecteur caractéristique Z. Le module approximateur 102 définit alors la fonction de transfert Tf=fi/f2 précitée sur la base des couples (Z, Y) fournis par le système d’aide à la conduite. During a construction phase of the evaluation device 100, the driving assistance system 200 transmits to the evaluation device 100 pairs (Z, Y) each of which consists of a characteristic vector Z and of a driving action Y generated by the driving assistance system 200 on the basis of said characteristic vector Z. The approximator module 102 then defines the aforementioned transfer function Tf=fi/f2 on the basis of the pairs (Z, Y) provided by the driver assistance system.
Une fois ce dispositif d'évaluation 100 en fonction, que ce soit dans une phase d'essai du système d'aide à la conduite 200 ou lors d'une phase de conduite d'un véhicule équipé du système d'aide à la conduite 200 et du dispositif d'évaluation 100, un vecteur caractéristique Zi est transmis par le système d'aide à la conduite 200 au dispositif d'évaluation 100, cette information étant la seule donnée susceptible d’être récupérée dans la boîte noire que représente le système d’aide à la conduite équipée d’un réseau neuronal artificiel. Le module de résolution 103 associé à l’approximateur 102 recherche si le vecteur caractéristique Zi est solution de l'équation d'annulation de la fonction dénominateur f2 comme précédemment indiqué. Dans l'affirmative, l'invention prévoit, selon le premier exemple de réalisation illustré par la figure 1, que le dispositif d'évaluation 100 transmet au système d'aide à la conduite 200 une information 110 de divergence afin que ce dernier génère une action corrective 210. A titre d'exemples et selon un degré d'autonomie du véhicule équipé du système d'aide à la conduite 200, l'action corrective 210 peut prendre la forme d'une information d'arrêt de l'aide à la conduite, ou elle peut prendre la forme d'une demande de prise de contrôle du véhicule par le conducteur de celui-ci, ou elle peut prendre la forme d'une commande de l'organe 300 précédemment évoqué pour une mise en sécurité du véhicule. La figure 2 illustre un deuxième exemple de réalisation d'un dispositif d'évaluation 100 selon l'invention. On retrouve sur la figure 2 le module approximateur 102 et le module de résolution 103 précédemment définis, ainsi que le système d'aide à la conduite 200. Once this evaluation device 100 is in operation, whether in a test phase of the driving assistance system 200 or during a driving phase of a vehicle equipped with the driving assistance system 200 and from the evaluation device 100, a characteristic vector Zi is transmitted by the driving assistance system 200 to the evaluation device 100, this information being the only data likely to be recovered in the black box represented by the driving assistance system equipped with an artificial neural network. The resolution module 103 associated with the approximator 102 searches whether the characteristic vector Zi is a solution of the equation for canceling the denominator function f2 as previously indicated. If so, the invention provides, according to the first exemplary embodiment illustrated by FIG. 1, that the evaluation device 100 transmits to the driving assistance system 200 information 110 of divergence so that the latter generates a corrective action 210. By way of examples and depending on a degree of autonomy of the vehicle equipped with the driving assistance system 200, the corrective action 210 can take the form of information to stop the driving assistance driving, or it can take the form of a request to take control of the vehicle by the driver of the latter, or it can take the form of a command from the previously mentioned component 300 for securing the vehicle. FIG. 2 illustrates a second embodiment of an evaluation device 100 according to the invention. We find in FIG. 2 the approximator module 102 and the resolution module 103 previously defined, as well as the driving assistance system 200.
Selon l'exemple plus particulièrement illustré par la figure 2, le dispositif d'évaluation 100 comprend par ailleurs un module de calcul 104 configuré pour définir, sur la base d'un vecteur caractéristique critique solution de l'équation f2(Zi) =0 précitée, des informations de conduite critiques Xi' qui devraient conduire au vecteur caractéristique Zi critique si ces informations de conduite étaient considérées par le réseau neuronal artificiel 201. En d'autres termes, le module de calcul 104 est configuré pour définir la relation inverse de la relation établie par le réseau neuronal artificiel 201 du système d'aide à la conduite 200 entre le vecteur caractéristique Z et informations de conduite instantanées X. Avantageusement, le module de calcul 104 peut mettre en œuvre un réseau neuronal artificiel inverse du réseau neuronal artificiel mis en œuvre par le système d'aide à la conduite 200, par exemple du type connu sous l'acronyme anglo-saxon GAN pour Generative Adversarial Network. According to the example more particularly illustrated by FIG. 2, the evaluation device 100 also comprises a calculation module 104 configured to define, on the basis of a critical characteristic vector solution of the equation f2(Zi) =0 mentioned above, critical driving information Xi' which should lead to the critical characteristic vector Zi if this driving information were considered by the artificial neural network 201. In other words, the calculation module 104 is configured to define the inverse relationship of the relationship established by the artificial neural network 201 of the driving assistance system 200 between the characteristic vector Z and instantaneous driving information X. Advantageously, the calculation module 104 can implement an artificial neural network inverse to the artificial neural network implemented by the driver assistance system 200, for example of the type known by the acronym GAN for Generative Adversarial Network.
Selon l'exemple plus particulièrement illustré par la figure 2, le dispositif d'évaluation comprend en outre un organe comparateur 105 configuré pour comparer les informations de conduite critiques Xi', déterminées par le module de calcul 104, avec des informations de conduite instantanées Xi transmises par le véhicule au système d'aide à la conduite 200 et ayant conduit le réseau neuronal artificiel 201 à définir le vecteur caractéristique Zi, qui a servi ensuite à calculer le vecteur caractéristique critique. According to the example more particularly illustrated by FIG. 2, the evaluation device further comprises a comparator unit 105 configured to compare the critical driving information Xi′, determined by the calculation module 104, with instantaneous driving information Xi transmitted by the vehicle to the driving assistance system 200 and having led the artificial neural network 201 to define the characteristic vector Zi, which was then used to calculate the critical characteristic vector.
Lors d’une phase d’étalonnage du dispositif d’évaluation, une succession d'itérations de comparaison peut être mise en œuvre afin d'effectuer une forme d'auto-apprentissage de l'organe comparateur 105 et du module de calcul 104, jusqu'à ce que des informations de conduite critiques X' définies par le module de calcul 104 correspondent à des informations de conduite instantanées X transmises par le véhicule au système d'aide à la conduite 200. During a calibration phase of the evaluation device, a succession of comparison iterations can be implemented in order to carry out a form of self-learning of the comparator unit 105 and of the calculation module 104, until critical driving information X′ defined by the calculation module 104 corresponds to instantaneous driving information X transmitted by the vehicle to the driving assistance system 200.
Par la mise en œuvre, respectivement, du module approximateur 102 et du module de résolution 103, le dispositif d'évaluation 100 permet, d'une part, d'identifier des vecteurs caractéristiques critiques, pour lesquels la fonction de transfert Tf, reliant vecteur caractéristique et action de conduite, diverge. Sur un plan pratique, une telle divergence peut avoir pour conséquence, par exemple, une impossibilité, pour le système d'aide à la conduite 200, de définir et de générer une action de conduite, ou elle peut avoir pour conséquence la définition, par le système d'aide à la conduite 200, d'une action de conduite incohérente au regard des informations de conduite instantanées : à titre d'exemple, l'action de conduite générée par le système d'aide à la conduite 200 pour un vecteur caractéristique critique induisant une divergence de la fonction de transfert Tf peut nécessiter une variation de vitesse du véhicule incompatible, par exemple, avec le poids et la vitesse de celui-ci, ou bien encore générer des virages brusques, pas forcément adaptés au contexte de conduite. By implementing, respectively, the approximator module 102 and the resolution module 103, the evaluation device 100 allows, on the one hand, to identify critical characteristic vectors, for which the transfer function Tf, linking characteristic vector and driving action, diverges. On a practical level, such a divergence may result, for example, in the impossibility for the driver assistance system 200 to define and generate a driving action, or it may result in the definition, for the driving assistance system 200, of an inconsistent driving action with regard to the instantaneous driving information: by way of example, the driving action generated by the driving assistance system 200 for a vector critical characteristic inducing a divergence of the transfer function Tf may require a vehicle speed variation that is incompatible, for example, with its weight and speed, or even generate sharp turns, not necessarily adapted to the driving context .
Par la mise en œuvre du module de calcul 104 et de l'organe comparateur 105, le dispositif d'évaluation 100 permet de reconstituer les informations de conduite conduisant à un vecteur caractéristique critique. Le dispositif d'évaluation 100 permet donc ainsi d'identifier des situations de conduite pouvant conduire à une divergence de la fonction de transfert Tf du système d’évaluation, c'est-à-dire, en d'autres termes, pouvant conduire à une action incohérente ou erronée générée par le système d'aide à la conduite 200. By implementing the calculation module 104 and the comparator unit 105, the evaluation device 100 makes it possible to reconstitute the driving information leading to a critical characteristic vector. The evaluation device 100 therefore thus makes it possible to identify driving situations which may lead to a divergence of the transfer function Tf of the evaluation system, that is to say, in other words, which may lead to an inconsistent or erroneous action generated by the driver assistance system 200.
Par ailleurs, dans une configuration complémentaire non illustrée, le dispositif d'évaluation peut comprendre un organe d'analyse configuré pour comparer une action de conduite générée par le système d'aide à la conduite 200 à partir du vecteur caractéristique identifié comme critique par le dispositif d’évaluation avec une action de conduite théorique telle qu’elle serait réalisée par un conducteur du véhicule pour des informations de conduite instantanées équivalentes à celles ayant conduit à l'établissement du vecteur caractéristique critique. Par la transmission, au système d'aide à la conduite, de l'action de conduite théorique qu’il conviendrait d’associer aux informations de conduite instantanées, l'invention permet de renforcer l’apprentissage du système d'aide à la conduite 200. Furthermore, in a complementary configuration not shown, the evaluation device can comprise an analysis unit configured to compare a driving action generated by the driving assistance system 200 from the characteristic vector identified as critical by the evaluation device with a theoretical driving action such as it would be carried out by a driver of the vehicle for instantaneous driving information equivalent to that having led to the establishment of the critical characteristic vector. By transmitting, to the driving assistance system, the theoretical driving action that should be associated with the instantaneous driving information, the invention makes it possible to reinforce the learning of the driving assistance system 200.
La figure 3 illustre schématiquement les différents aspects d'un premier mode de mise en œuvre d’un procédé selon l'invention. Dans une première phase 10 du procédé, une pluralité de couples (Z, Y), composés respectivement d'un vecteur caractéristique Z établi à partir d'informations de conduite instantanées X par le réseau neuronal artificiel 201 du système d'aide à la conduite 200 et d'une action de conduite Y générée par le système d'aide à la conduite 200 sur la base du vecteur caractéristique Z, est transmise au dispositif d'évaluation 100, plus précisément au module approximateur 102 de ce dernier. FIG. 3 schematically illustrates the different aspects of a first embodiment of a method according to the invention. In a first phase 10 of the method, a plurality of pairs (Z, Y), respectively composed of a characteristic vector Z established from instantaneous driving information X by the artificial neural network 201 of the driving assistance system 200 and a driving action Y generated by the driving assistance system 200 on the basis of the characteristic vector Z, is transmitted to the evaluation device 100, more precisely to the approximator module 102 of the latter.
Le module approximateur 102 définit alors la fonction de transfert Y=Tf(Z) en l'exprimant sous sa forme Tf=fi/f2 comme précédemment évoqué. On comprend que tel qu’illustré sur la figure 3, plusieurs échanges sont nécessaires entre le système d’aide à la conduite 200 et l’approximateur 102 du système d’évaluation 100. The approximator module 102 then defines the transfer function Y=Tf(Z) by expressing it in its form Tf=fi/f2 as previously mentioned. It is understood that as illustrated in FIG. 3, several exchanges are necessary between the driver assistance system 200 and the approximator 102 of the evaluation system 100.
La première phase 10 consiste alors à construire l’approximateur 102 et cette première phase 10 peut être réalisée sur un banc d'essai du système d'aide à la conduite 200 et du dispositif d'évaluation 100. The first phase 10 then consists in constructing the approximator 102 and this first phase 10 can be carried out on a test bench of the driving assistance system 200 and of the evaluation device 100.
Une deuxième phase 20 peut dès lors être mise en œuvre une fois l’approximateur 102 construit, et cette deuxième phase comporte une première étape 21 et une deuxième étape 22. A second phase 20 can therefore be implemented once the approximator 102 has been constructed, and this second phase comprises a first step 21 and a second step 22.
Dans la première étape 21 de cette deuxième phase, le module de résolution 103 du dispositif d'évaluation 100 recherche les couples (Zi, Yi) pour lesquels le vecteur caractéristique est un vecteur caractéristique critique solution de l'équation f2(Zi) =0, comme précédemment défini. In the first step 21 of this second phase, the resolution module 103 of the evaluation device 100 searches for the pairs (Zi, Yi) for which the characteristic vector is a critical characteristic vector solution of the equation f2(Zi) =0 , as previously defined.
Dans la deuxième étape 22 de cette deuxième phase, le dispositif d'évaluation 100 transmet alors au système d'aide à la conduite 200 une information de divergence 110 représentative de la divergence potentielle du modèle mis en œuvre par le réseau neuronal artificiel 201 lorsque le vecteur caractéristique prend les valeurs critiques identifiées lors de la deuxième étape 22 de la deuxième phase 20. In the second step 22 of this second phase, the evaluation device 100 then transmits to the driving assistance system 200 divergence information 110 representative of the potential divergence of the model implemented by the artificial neural network 201 when the characteristic vector takes the critical values identified during the second step 22 of the second phase 20.
Comme pour la première phase, lors cette deuxième phase du premier mode de mise en œuvre du procédé, le dispositif d'évaluation 100 peut être associé à un banc d'essai du système d'aide à la conduite 200, et l’information de divergence 110 remontée au système d’aide à la conduite 200 sert à améliorer la performance de celui-ci, le réseau neuronal artificiel tenant compte de la valeur caractéristique critique qui avait été trouvé pour son auto-apprentissage. As for the first phase, during this second phase of the first embodiment of the method, the evaluation device 100 can be associated with a test bench of the driving assistance system 200, and the information of divergence 110 fed back to the driver assistance system 200 serves to improve the performance of the latter, the artificial neural network taking into account the critical characteristic value that had been found for its self-learning.
De manière alternative à la deuxième phase 20 précédemment décrite, une troisième phase 30 peut être mise en œuvre une fois l’approximateur 102 construit, et cette troisième phase 30 comporte une première séquence 31 et une deuxième séquence 32. As an alternative to the second phase 20 previously described, a third phase 30 can be implemented once the approximator 102 has been constructed, and this third phase 30 comprises a first sequence 31 and a second sequence 32.
Dans la première séquence 31, le module de résolution 103 du dispositif d'évaluation 100 teste les vecteurs caractéristiques Z récupérés en sortie de la boîte noire que constitue le système d’aide à la conduite 200 équipé du réseau neuronal artificiel 201, afin de vérifier si ces vecteurs caractéristiques récupérés en temps réel sont égaux ou proches d’une valeur caractéristique critique solution de l'équation f2(Z)=o. Tel qu’illustré sur la figure 3, cette première séquence 31 peut être définie de sorte que l’équation considérée est f2(Z) - 0.In the first sequence 31, the resolution module 103 of the evaluation device 100 tests the characteristic vectors Z recovered at the output of the black box constituted by the driving assistance system 200 equipped with the artificial neural network 201, in order to verify if these characteristic vectors recovered in real time are equal to or close to a critical characteristic value solution of the equation f2(Z)=o. As illustrated in Figure 3, this first sequence 31 can be defined so that the equation considered is f2(Z) - 0.
Dans la deuxième séquence 32 de cette troisième phase 30, le dispositif d'évaluation 100 transmet alors au système d'aide à la conduite 200 une information 110 représentative d’un risque de divergence potentielle du modèle mis en œuvre par le réseau neuronal artificiel 201 puisque le vecteur caractéristique prend des valeurs égales ou proches d’un vecteur caractéristique critique. In the second sequence 32 of this third phase 30, the evaluation device 100 then transmits to the driving assistance system 200 information 110 representative of a risk of potential divergence from the model implemented by the artificial neural network 201 since the characteristic vector takes values equal to or close to a critical characteristic vector.
Contrairement à ce qui a été évoqué pour la première phase, la deuxième phase 30 du premier mode de mise en œuvre du procédé est réalisée en temps réel lorsque le dispositif d'évaluation 100 est embarqué sur le véhicule. Contrary to what was mentioned for the first phase, the second phase 30 of the first mode of implementation of the method is carried out in real time when the evaluation device 100 is on board the vehicle.
L’information 110 remontée au système d’aide à la conduite 200 peut notamment servir à corriger la commande du véhicule telle qu’elle était prévue initialement par le système d’aide à la conduite 200. The information 110 fed back to the driver assistance system 200 can in particular be used to correct the control of the vehicle as it was initially provided by the driver assistance system 200.
La figure 4 illustre schématiquement un deuxième mode de mise en œuvre du procédé selon l'invention. On retrouve ici seulement la deuxième phase 20 à la suite de la première phase, mais il convient de noter que la troisième phase pourrait également être prévue dans ce deuxième mode de mise en œuvre sans sortir du contexte de l’invention. FIG. 4 schematically illustrates a second embodiment of the method according to the invention. We find here only the second phase 20 following the first phase, but it should be noted that the third phase could also be provided in this second mode of implementation without departing from the context of the invention.
Selon ce deuxième mode de mise en œuvre toutefois, le procédé selon l'invention comporte une première étape supplémentaire 40 durant laquelle, à partir du vecteur caractéristique critique défini lors d’une des phases précédentes, ici notamment la deuxième phase 20, le module de calcul 104 du dispositif d'évaluation 100 reconstitue des informations de conduite critiques Xi', par exemple à partir d'un réseau neuronal artificiel inverse comme précédemment évoqué. According to this second mode of implementation, however, the method according to the invention comprises a first additional step 40 during which, at from the critical characteristic vector defined during one of the preceding phases, here in particular the second phase 20, the calculation module 104 of the evaluation device 100 reconstitutes critical driving information Xi', for example from a neural network reverse artificial as previously mentioned.
Dans une deuxième étape supplémentaire 50 du, les informations de conduite critiques Xi’ reconstituées à partir du vecteur caractéristique critique sont comparées, au sein de l'organe de comparaison 5 du dispositif d'évaluation 100, aux informations de conduite instantanées Xi à partir desquelles le réseau neuronal artificiel 201 du système d'aide à la conduite 200 a établi le vecteur caractéristique Zi. Par itérations successives des étapes supplémentaires 40, 50 il est possible de réaliser un auto-apprentissage du module de calcul 104 du dispositif d'évaluation 100, rendant ainsi possible la reconstitution, par ce dernier, de scènes de conduite pouvant conduire à une divergence du modèle mise en œuvre par le réseau neuronal artificiel 201 du système d'aide à la conduite 200. In a second additional step 50 du, the critical driving information Xi' reconstituted from the critical characteristic vector is compared, within the comparison unit 5 of the evaluation device 100, with the instantaneous driving information Xi from which the artificial neural network 201 of the driving assistance system 200 has established the characteristic vector Zi. By successive iterations of the additional steps 40, 50 it is possible to carry out a self-learning of the calculation module 104 of the evaluation device 100, thus making possible the reconstitution, by the latter, of driving scenes which may lead to a divergence of the model implemented by the artificial neural network 201 of the driving assistance system 200.
L'invention, telle qu'elle vient d'être décrite, permet donc, par des moyens simples, d'une part, d'identifier, parmi l'ensemble des applications embarquées sur une pluralité de véhicules, les applications qui présentent un nombre de dysfonctionnements ou une fréquence de répétitions de ces dysfonctionnements jugés trop importants et, d'autre part, de désactiver sélectivement et préventivement de telles applications. The invention, as it has just been described, therefore makes it possible, by simple means, on the one hand, to identify, among all the applications on board a plurality of vehicles, the applications which have a number malfunctions or a frequency of repetitions of these malfunctions deemed too significant and, on the other hand, to selectively and preventively deactivate such applications.
L'invention ne saurait toutefois se limiter aux moyens et configurations décrits et illustrés, et elle s'applique également à tous moyens ou configurations équivalents et à toute combinaison de tels moyens. En particulier, si l'invention a été ici décrite et illustré pour d'un système d'aide à la conduite d'un véhicule automobile, le dispositif d'évaluation selon l'invention peut être appliqué à tout système d'aide à la conduite d'un engin industriel de grande ou de petite taille tel que, à titre d'exemple non exhaustif, un ensemble de vannes de pilotage d'une installation industrielle, dans la mesure où ce système d'aide à la conduite met en œuvre un réseau neuronal artificiel et dans la mesure où le dispositif d'évaluation présente une ou plusieurs des caractéristiques décrites ou illustrées dans le présent document. The invention cannot however be limited to the means and configurations described and illustrated, and it also applies to all equivalent means or configurations and to any combination of such means. In particular, if the invention has been described and illustrated here for a motor vehicle driving assistance system, the evaluation device according to the invention can be applied to any driving assistance system. driving a large or small industrial machine such as, by way of non-exhaustive example, a set of pilot valves of an industrial installation, insofar as this driving assistance system implements an artificial neural network and to the extent that the device evaluation has one or more of the characteristics described or illustrated in this document.

Claims

REVENDICATIONS
1. Dispositif (ioo) d'évaluation d'un système d'aide à la conduite (200) pour véhicule automobile, le système d'aide à la conduite (200) mettant en œuvre un réseau neuronal artificiel (201) pour générer une action de conduite (Y, Yi) sur un organe (300) de commande du véhicule en fonction d'un ensemble d'informations de conduite instantanées (X), le système d'aide à la conduite (200) agissant notamment par la définition, par le réseau neuronal artificiel (201), d'un vecteur caractéristique (Z) représentatif de l'ensemble d'informations de conduite instantanées (X), le dispositif d'évaluation (100) étant configuré pour identifier au moins un vecteur caractéristique critique (Zi) pour lequel il est impossible de définir une action de conduite (Y, Yi) ou pour lequel l'action de conduite (Y, Yi) est erronée. 1. Device (ioo) for evaluating a driver assistance system (200) for a motor vehicle, the driver assistance system (200) implementing an artificial neural network (201) to generate a driving action (Y, Yi) on a vehicle control member (300) as a function of a set of instantaneous driving information (X), the driving assistance system (200) acting in particular by the definition , by the artificial neural network (201), of a characteristic vector (Z) representative of the set of instantaneous driving information (X), the evaluation device (100) being configured to identify at least one characteristic vector critical (Zi) for which it is impossible to define a driving action (Y, Yi) or for which the driving action (Y, Yi) is erroneous.
2. Dispositif d'évaluation (100) selon la revendication précédente, caractérisé en ce qu'il comprend : un module approximateur (102) configuré pour définir une fonction de transfert (Tf) reliant le vecteur caractéristique (Z) défini par le réseau neuronal artificiel (201) du système d'aide à la conduite (200) et l'action de conduite (Y) générée par la système d'aide à la conduite (200) en fonction de ce vecteur caractéristique (Z), la fonction de transfert (Tf) s'exprimant sous la forme d'un rapport d'une fonction polynomiale numérateur (fl) et d'une fonction polynomiale dénominateur (f2), un module de résolution (103) configuré pour rechercher au moins un vecteur caractéristique critique (Zi), solution de divergence de la fonction de transfert (Tf) définie par le module approximateur (102). 2. Evaluation device (100) according to the preceding claim, characterized in that it comprises: an approximator module (102) configured to define a transfer function (Tf) linking the characteristic vector (Z) defined by the neural network artificial (201) of the driving assistance system (200) and the driving action (Y) generated by the driving assistance system (200) as a function of this characteristic vector (Z), the function of transfer (Tf) expressed as a ratio of a numerator polynomial function (fl) and a denominator polynomial function (f2), a resolution module (103) configured to search for at least one critical feature vector (Zi), divergence solution of the transfer function (Tf) defined by the approximator module (102).
3. Dispositif d'évaluation (100) selon la revendication précédente, caractérisé en ce qu'il comprend un module de calcul (104) mettant en œuvre un réseau neuronal artificiel inversé, le module de calcul (104) étant configuré pour déterminer des informations de conduite critiques (Xi) sur la base de l'au moins un vecteur caractéristique critique (Zi) défini par le module de résolution (103). 3. Evaluation device (100) according to the preceding claim, characterized in that it comprises a calculation module (104) implementing an inverted artificial neural network, the calculation module (104) being configured to determine information driving characteristics (Xi) on the basis of the at least one critical characteristic vector (Zi) defined by the resolution module (103).
4. Dispositif d'évaluation (100) selon la revendication précédente, caractérisé en ce qu'il comprend un organe comparateur (105) configuré pour comparer les informations de conduite critiques (Xi) déterminées par le réseau neuronal artificiel inversé du module de calcul (104) avec les informations de conduite instantanées (X) transmises à l’origine au réseau neuronal artificiel (201) du système d'aide à la conduite (200). 4. Evaluation device (100) according to the preceding claim, characterized in that it comprises a comparator unit (105) configured to compare the critical driving information (Xi) determined by the inverted artificial neural network of the calculation module ( 104) with information from driving instantaneous (X) originally transmitted to the artificial neural network (201) of the driver assistance system (200).
5. Dispositif d'évaluation (100) selon la revendication précédente, caractérisé en ce qu'il comprend un organe d'analyse configuré pour comparer l'action de conduite (Yi) générée par le système d'aide à la conduite (200) pour l'au moins un vecteur caractéristique critique (Zi) défini par le module de résolution (103) avec une action de conduite théorique à effectuer définie par un conducteur du véhicule pour des informations de conduite identiques (Xi). 5. Evaluation device (100) according to the preceding claim, characterized in that it comprises an analysis member configured to compare the driving action (Yi) generated by the driving assistance system (200) for the at least one critical characteristic vector (Zi) defined by the resolution module (103) with a theoretical driving action to be performed defined by a driver of the vehicle for identical driving information (Xi).
6. Banc d’essai d’un système d’aide à la conduite (200) comportant un réseau neuronal artificiel (201) et un dispositif d'évaluation (100) selon l'une quelconque des revendications précédentes. 6. Test bench for a driving assistance system (200) comprising an artificial neural network (201) and an evaluation device (100) according to any one of the preceding claims.
7. Véhicule équipé d’un système d’aide à la conduite (200) comprenant un réseau neuronal artificiel (201) et un dispositif d'évaluation (100) selon l'une quelconque des revendications 1 à 5. 7. Vehicle equipped with a driver assistance system (200) comprising an artificial neural network (201) and an evaluation device (100) according to any one of claims 1 to 5.
8. Procédé d'évaluation d'un système d'aide à la conduite (200) d'un véhicule automobile, le système d'aide à la conduite (200) mettant en œuvre un réseau neuronal (201), le procédé d'évaluation comprenant : une première phase (10) de récupération, par le module de résolution (103) d'un dispositif d'évaluation (100) selon la revendication 2, d’au moins un vecteur caractéristique (Z) formant partie d'un couple (Z, Y) de données établi par le système d'aide à la conduite (200) et constitués respectivement d’un vecteur caractéristique (Z) défini à partir d'informations de conduite instantanées (X) et d'une action de conduite (Y) générée par le système d'aide à la conduite (200) sur la base du vecteur caractéristique (Z), une deuxième phase (20), ou une troisième phase (30), de détermination d'au moins un vecteur caractéristique critique (Zi) pour lequel la fonction de transfert (Tf) définie par le module approximateur (102) du dispositif d'évaluation (100) diverge, une étape de transmission, au système d'aide à la conduite (200), d'une information de divergence (110) sur la base de laquelle le système d'aide à la conduite peut générer une action corrective (210). 8. Method for evaluating a driver assistance system (200) of a motor vehicle, the driver assistance system (200) implementing a neural network (201), the method of evaluation comprising: a first phase (10) of recovery, by the resolution module (103) of an evaluation device (100) according to claim 2, of at least one characteristic vector (Z) forming part of a pair (Z, Y) of data established by the driving assistance system (200) and consisting respectively of a characteristic vector (Z) defined from instantaneous driving information (X) and an action of driving (Y) generated by the driving assistance system (200) on the basis of the characteristic vector (Z), a second phase (20), or a third phase (30), of determining at least one vector critical characteristic (Zi) for which the transfer function (Tf) defined by the approximator module (102) of the evaluation device (100) diverges, a transmission step, to the driving assistance system (200), d discrepancy information (110) on the basis of which the driver assistance system can generate a corrective action (210).
9. Procédé d'évaluation selon la revendication précédente, comprenant : une étape (40) de détermination d'au moins un ensemble d'informations de 19 conduite critiques (Xi') correspondant à un vecteur caractéristique critique (Zi) pour lequel la fonction de transfert (Tf) définie par le module approximateur (103) diverge, une étape (50) de comparaison des informations de conduite critiques (Xi') avec les informations de conduite instantanées (Xi) ayant conduit à la détermination du vecteur caractéristique (Z) par le réseau neuronal (201) du système d'aide à la conduite (200). 9. Evaluation method according to the preceding claim, comprising: a step (40) of determining at least one set of information of 19 critical driving information (Xi') corresponding to a critical characteristic vector (Zi) for which the transfer function (Tf) defined by the approximator module (103) diverges, a step (50) for comparing the critical driving information (Xi' ) with the instantaneous driving information (Xi) having led to the determination of the characteristic vector (Z) by the neural network (201) of the driving assistance system (200).
10. Procédé selon la revendication précédente, comprenant : une étape de comparaison de l'action de conduite (Y 1), commandée par le réseau neuronal (201) du système d'aide à la conduite (200) pour les informations de conduite instantanées (X) ayant conduit au vecteur caractéristique critique (Z) pour lequel la fonction de transfert (Tf) définie par le module approximateur (103) diverge, avec une action de conduite théorique, préalablement définie par un conducteur du véhicule, pour les mêmes informations de conduite, - une étape de transmission, au système d'aide à la conduite (200), de l'action de conduite théorique. 10. Method according to the preceding claim, comprising: a step of comparing the driving action (Y 1), controlled by the neural network (201) of the driving assistance system (200) for the instantaneous driving information (X) having led to the critical characteristic vector (Z) for which the transfer function (Tf) defined by the approximator module (103) diverges, with a theoretical driving action, previously defined by a driver of the vehicle, for the same information driving, - a transmission step, to the driving assistance system (200), of the theoretical driving action.
PCT/EP2022/086581 2021-12-24 2022-12-19 Device and method for assessing a driver assistance system for a motor vehicle, wherein the driver assistance system implements an artificial neural network WO2023117857A1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2114472A FR3131260A1 (en) 2021-12-24 2021-12-24 Device and method for evaluating a driver assistance system for a motor vehicle, the driver assistance system implementing an artificial neural network
FRFR2114472 2021-12-24

Publications (1)

Publication Number Publication Date
WO2023117857A1 true WO2023117857A1 (en) 2023-06-29

Family

ID=80933200

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2022/086581 WO2023117857A1 (en) 2021-12-24 2022-12-19 Device and method for assessing a driver assistance system for a motor vehicle, wherein the driver assistance system implements an artificial neural network

Country Status (2)

Country Link
FR (1) FR3131260A1 (en)
WO (1) WO2023117857A1 (en)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190004513A1 (en) * 2015-07-31 2019-01-03 Denso Corporation Driving assistance control apparatus
WO2020183568A1 (en) * 2019-03-11 2020-09-17 三菱電機株式会社 Driving assistance device and driving assistance method
US20210027630A1 (en) * 2019-07-22 2021-01-28 Wistron Corporation Driving alarm system, driving alarm method and electronic device using the same
US20210380143A1 (en) * 2021-08-23 2021-12-09 Intel Corporation Handover assistant for machine to driver transitions

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190004513A1 (en) * 2015-07-31 2019-01-03 Denso Corporation Driving assistance control apparatus
WO2020183568A1 (en) * 2019-03-11 2020-09-17 三菱電機株式会社 Driving assistance device and driving assistance method
US20220161810A1 (en) * 2019-03-11 2022-05-26 Mitsubishi Electric Corportion Driving assistance device and driving assistance method
US20210027630A1 (en) * 2019-07-22 2021-01-28 Wistron Corporation Driving alarm system, driving alarm method and electronic device using the same
US20210380143A1 (en) * 2021-08-23 2021-12-09 Intel Corporation Handover assistant for machine to driver transitions

Also Published As

Publication number Publication date
FR3131260A1 (en) 2023-06-30

Similar Documents

Publication Publication Date Title
EP2903875B1 (en) Method for assessing the risk of collision at an intersection
EP0657723B1 (en) Method and apparatus for detecting a load dimensioning overrun of an aircraft
FR2674023A1 (en) POCEDE FOR DETECTING THE INTERFERENCE OF THE OPERATION OF A MOTOR VEHICLE.
FR2956848A1 (en) DRIVING ASSISTANCE SYSTEM AND AUTOMATIC DRIVING ASSISTANCE METHOD
EP2307249A2 (en) Procedure and system for diagnosis of the operating state of an assisted departure system for a motor vehicle
FR3059615A1 (en) METHOD AND DEVICE FOR VERIFYING A VEHICLE SENSOR SYSTEM
EP3010746B1 (en) System and method for monitoring the torque supplied by the motor of an electric or hybrid motor vehicle
CN111947669A (en) Method for using feature-based positioning maps for vehicles
FR2852559A1 (en) Motor vehicle speed limiting method, involves defining maximum authorized speed, and limiting motor vehicle speed to maximum authorized speed according to environmental conditions of motor vehicle
WO2023117857A1 (en) Device and method for assessing a driver assistance system for a motor vehicle, wherein the driver assistance system implements an artificial neural network
FR2751032A1 (en) METHOD AND DEVICE FOR DETECTING VARIABLE SIZE IN MOTOR VEHICLES
WO2019063566A1 (en) Method for determining the instantaneous frequency and phase of a periodic signal
FR3006241A1 (en) METHOD FOR DETECTING AND INDICATING DISSYMMETRIC WEAR OF A VEHICLE TIRE
FR3014752A1 (en) TIRE PRESSURE MONITORING SYSTEM OF A MOTOR VEHICLE
WO2018041978A1 (en) Device for determining a speed limit, on-board system comprising such a device, and method for determining a speed limit
EP3072019B1 (en) Critical system and associated monitoring method
EP1660765B1 (en) Signal failure detection method, whereby the signal represents motor vehicle accelerator pedal depression
EP1940662B1 (en) Method for determining the condition of a motor vehicle wheels and device therefor
EP2919421A1 (en) Ethernet switch, mobile machine and passenger bus including said Ethernet switch
FR2871889A1 (en) Longitudinal velocity determining system for motor vehicle, has unit determining quality index, and another determination unit estimating longitudinal velocity of vehicle based on estimated longitudinal velocities of wheels
FR2892520A1 (en) PROCESS FOR VALIDATION OF THE MEASUREMENT PROVIDED BY AN ACCELEROMETER IN A MOTOR VEHICLE AND APPLICATION TO ESTIMATING THE SLOPE
FR3087732A1 (en) METHOD AND DEVICE FOR DETERMINING A CHANGE OF TRACK OF A VEHICLE
US20210061285A1 (en) Method for generating a reference representation
EP3676148B1 (en) Method for analysing the driving behaviour of a motor vehicle user
WO2012052688A1 (en) Method and system for redundancy of a measurement signal of a steering wheel angle sensor

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: 22835834

Country of ref document: EP

Kind code of ref document: A1