WO2023118501A1 - Procédé de modélisation d'un environnement tactique d'un véhicule automobile - Google Patents

Procédé de modélisation d'un environnement tactique d'un véhicule automobile Download PDF

Info

Publication number
WO2023118501A1
WO2023118501A1 PCT/EP2022/087602 EP2022087602W WO2023118501A1 WO 2023118501 A1 WO2023118501 A1 WO 2023118501A1 EP 2022087602 W EP2022087602 W EP 2022087602W WO 2023118501 A1 WO2023118501 A1 WO 2023118501A1
Authority
WO
WIPO (PCT)
Prior art keywords
lane
motor vehicle
interest
autonomous vehicle
lanes
Prior art date
Application number
PCT/EP2022/087602
Other languages
English (en)
Inventor
Alexandre ARMAND
Philippe Bonnifait
Corentin SANCHEZ
Philippe XU
Original Assignee
Renault S.A.S.
Université de technologie de Compiègne (UTC)
Centre National De La Recherche Scientifique (Cnrs)
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., Université de technologie de Compiègne (UTC), Centre National De La Recherche Scientifique (Cnrs) filed Critical Renault S.A.S.
Publication of WO2023118501A1 publication Critical patent/WO2023118501A1/fr

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation

Definitions

  • TITLE Process for modeling a tactical environment of a motor vehicle.
  • the invention relates to a method for modeling a tactical environment of a motor vehicle.
  • the invention also relates to a device for modeling a tactical environment of a motor vehicle.
  • the invention also relates to a computer program implementing the mentioned method.
  • the invention finally relates to a recording medium on which such a program is recorded.
  • tactical relating to medium-term decisions, for example decisions to be taken in a time interval greater than one second and limited to about ten seconds
  • Operational decisions are made at high frequency, based on a fine and precise representation of the close environment in which the vehicle finds itself. Strategic decisions are taken at low frequency and only require a high-granularity representation of the vehicle's environment, over a range that can exceed one kilometer. These two types of representation of environment, fine for operational decisions or at high granularity for strategic decisions, are already widespread. On the other hand, representations of the environment dedicated to tactical decision-making are less widespread.
  • the object of the invention is to provide a device and method for modeling a tactical environment of a motor vehicle remedying the above drawbacks and improving the devices and methods for modeling a tactical environment of a motor vehicle.
  • the invention makes it possible to produce a device and a method which are simple and reliable and which identify all the navigation channels which must be taken into account in the modeling of the tactical environment of the autonomous vehicle.
  • the invention relates to a method for modeling an environment of an autonomous motor vehicle equipped with a data storage means provided with a high-definition map and a geolocation means, the environment tactical designating environmental data of the autonomous motor vehicle likely to impact tactical decision-making relating to medium-term decisions.
  • the process includes the following steps:
  • a second step comprising a first sub-step of determining, for each given path of the set of possible paths, a first set of traffic lanes interacting directly with the given path according to an interaction mode defined in a set predefined set of interaction modes, the predefined set of interaction modes making it possible to classify driving situations requiring tactical decision-making, and a second sub-step of determining a second set of traffic lanes interacting directly according to an interaction mode defined in the predefined set of interaction modes with at least one of the lanes of the first set of traffic lanes,
  • the autonomous motor vehicle comprises a navigation module and moves on a route planned by the navigation module and the determination of all the possible paths comprises a step of selecting the paths compatible with the planned route .
  • the set of interaction modes may include:
  • the autonomous motor vehicle comprises a set of perception means, and the value of the fixed pitch is determined according to the precision of the set of perception means and/or the precision of the geolocation means, in particular the value of the fixed pitch is between ten centimeters and five hundred centimeters.
  • the third decomposition step may comprise, for each path of interest of the first and/or second order, a division of a central line of said path of interest into contiguous center line segments whose length is equal to the fixed pitch and a decomposition of the surface of said track into adjoining cells in the form of a quadrilateral having as its median a center line segment.
  • the invention also relates to a device for modeling a tactical environment of an autonomous motor vehicle, the autonomous motor vehicle being equipped with a data storage means provided with a high definition map and with a geolocation means .
  • the device comprises hardware and/or software elements implementing the method as defined previously.
  • the invention also relates to a computer program product comprising program code instructions recorded on a computer-readable medium for implementing the steps of the method as defined above when said program is running on a computer.
  • the invention also relates to a computer program product downloadable from a communication network and/or recorded on a data carrier readable by a computer and/or executable by a computer, comprising instructions which, when the program is executed by the computer, lead the latter to implement the method as defined previously.
  • the invention also relates to a data recording medium, readable by a computer, on which is recorded a computer program comprising program code instructions for implementing the method as defined previously.
  • the invention also relates to a computer-readable recording medium comprising instructions which, when they are executed by a computer, cause the latter to implement the method as defined above.
  • the invention also relates to a signal from a data medium, carrying the computer program product as defined previously.
  • the appended drawing shows, by way of example, an embodiment of a device for modeling a tactical environment and an embodiment of a method for modeling a tactical environment according to the invention.
  • FIG. 1 represents a motor vehicle equipped with a device for modeling a tactical environment.
  • FIG. 2 is an alternative representation of a motor vehicle fitted with a device for modeling a tactical environment.
  • FIG. 3 illustrates an example of modeling of the traffic lanes to be taken into account for a tactical decision of the motor vehicle.
  • FIG. 4 is a flowchart of an embodiment of a method for modeling a tactical environment according to the invention.
  • Figure 5 illustrates first and second order path of interest selection processing.
  • FIG. 6 illustrates an example of a search for routes of interest of the first and second order starting from a given position of the motor vehicle.
  • FIG. 7 describes the routes of interest relating to a first mode of interaction of the motor vehicle starting from said given position.
  • FIG. 8 describes the routes of interest relating to a second mode of interaction of the motor vehicle starting from said given position.
  • FIG. 9 illustrates the first and second order pathways of interest relating to different types of interactions with which the motor vehicle may be confronted.
  • FIG. 10 describes a link between a first representation of the channels of interest, in the form of a graph of interaction between the channels, and a second representation of the channels of interest, in the form of a geometric representation of each channel of interest.
  • FIG. 11 provides an example of first-order lanes of interest and second-order lanes of interest in a situation where the motor vehicle enters a roundabout.
  • FIG. 12 illustrates a first example of discretization of a channel of interest.
  • FIG. 13 illustrates a first step of a second example of discretization of channels of interest.
  • FIG. 14 illustrates a second step of the second example of discretization of channels of interest.
  • FIG. 15 illustrates a third step of the second example of discretization of channels of interest.
  • FIG. 16 illustrates a third and a fourth example of discretization of channels of interest.
  • FIG. 17 illustrates the discretization of the lanes of interest relating to an entry maneuver of the motor vehicle on a roundabout.
  • the motor vehicle 100 can be a motor vehicle of any type, in particular a passenger vehicle, a utility vehicle, a truck or even a public transport vehicle such as a bus or a shuttle. According to the embodiment described, the motor vehicle 100 is an autonomous vehicle and will be referred to as an “autonomous vehicle” in the remainder of the description.
  • the motor vehicle could be a non-autonomous vehicle, equipped with a driving assistance system, in particular a driving assistance system corresponding to a level greater than or equal to level 2 of autonomy, i.e. that is to say corresponding to a partial autonomy of the vehicle.
  • tactical environment of the autonomous vehicle 100 designates the environmental data of the autonomous vehicle 100 which can impact tactical decision-making. This may be environmental data likely to impact a decision to be made in a time interval greater than one second and limited to one minute, or even several minutes.
  • the autonomous vehicle 100 moves in a given environment.
  • the autonomous vehicle 100 comprises a driving assistance system 70 and an autonomous control means 20 of the autonomous vehicle 100.
  • the driver assistance system 70 transmits a displacement command C to the autonomous control means 20.
  • the displacement command C can comprise a longitudinal displacement command and/or a lateral displacement command.
  • the longitudinal displacement command may comprise a first torque setpoint intended for a powertrain of the vehicle and/or a second torque setpoint intended for a brake actuator of the vehicle.
  • the lateral movement control includes a rotation angle of the steering wheels of the autonomous vehicle 100.
  • the driver assistance system 70 notably comprises a system 10 for modeling the tactical environment of the autonomous vehicle 100 and a decision module 3.
  • the role of the system 10 is to construct a model M_ENV_T of the tactical environment of the vehicle autonomous which will be transmitted to the decision module 3.
  • the modeling M_ENV_T allows the decision module 3 to take one or more tactical decisions. These decisions will then be translated into commands C for moving the autonomous vehicle 100.
  • the system 10 for modeling the tactical environment of the autonomous vehicle 100 notably comprises the following elements:
  • a data storage means in which is recorded a high definition map 1 comprising a description of the road network on which the autonomous vehicle 100 operates,
  • Map 1 provides a geometric, topological and semantic description of the road network.
  • the map 1 includes the information needed to determine, from a position of the autonomous vehicle 100 determined by the geolocation system 2, all the possible paths whose starting point is determined by said position.
  • Map 1 The road network depicted by Map 1 includes roads broken down into traffic lanes.
  • the traffic lanes are themselves broken down into lane segments; card 1 associates an identifier with each track segment.
  • lane or “traffic lane” refer to a segment of lane associated with a unique identifier defined by the card 1 .
  • the geolocation of the autonomous vehicle 100 by the geolocation system 2 consists in determining an identifier of a lane on which the autonomous vehicle 100 travels, and the position of the vehicle on this segment of lane.
  • Map 1 further includes a definition of a centerline of each lane. The position of the autonomous vehicle 100 is thus determined by
  • a one-dimensional position of the autonomous vehicle 100 (for example a curvilinear abscissa) on the central line of the channel V N designated by the identifier Id N .
  • the central line of a channel can be modeled by a central “polyline”, that is to say a line made up of a succession of straight line segments, according to a processing described later in this document.
  • FIG. 2 provides a high-level description of the processing implemented in the driver assistance system 70, concerning decision-making at the tactical level. The processing is broken down into a perception X1 of the environment of the autonomous vehicle 100, then a structuring X2 of the perception, then a decision-making X3 based on the structured perception.
  • the driving assistance system 70 creates a structured model M_ENV_T of the tactical environment of the autonomous vehicle 100, and transmits the structured model M_ENV_T to the decision module 3.
  • a geometric description LGM (named in reference to the acronym “Lane Grid Map”) is determined at a given instant T from the instantaneous position of the autonomous vehicle 100.
  • LGM grid a geometric description LGM is named LGM grid. It will be seen in the remainder of the document that the determination of the LGM grid comprises a determination 61A of the position of the autonomous vehicle 100, then a determination 61B of a set of possible paths for the autonomous vehicle 100, then a determination 61C of navigation routes to be taken into account in the construction of the LGM grid.
  • An LGM grid is an allocentric and discretized representation (in the form of a grid made up of a succession of contiguous cells) of the navigation routes, in the direction of the length and along the navigation routes.
  • the lanes could also be broken down into cells in the direction of the width.
  • an LGM grid would then be an allocentric and discretized representation (in the form of a grid made up of a succession of contiguous cells) of the navigation routes, in the direction of the length and in the direction of the width.
  • An allocentric representation uses a fixed landmark in the world, unlike an egocentric representation which uses a landmark that moves with the vehicle.
  • Each cell extends over a length equal to a fixed discretization step PDIS, and over the complete width of the navigation channel.
  • the value of the fixed pitch PDIS is determined according to the precision of the set of perception means 5 and/or the precision of the geolocation means 2, in particular the value of the fixed pitch is between ten centimeters and five hundred centimeters.
  • the value of the fixed pitch PDIS could be included in other ranges of values.
  • Figure 3 provides an example of an LGM grid relating to the autonomous vehicle 100.
  • the arrow pointing to the right indicates the route that the autonomous vehicle 100 is about to follow.
  • the LGM grid includes modeling of the following pathways:
  • the other navigation routes are not modeled in the LGM grid because they have no impact on the decisions to be taken by the autonomous vehicle 100 at this given instant.
  • the processing carried out in module 4 consists in structuring the environmental data D_ENV according to the geometry of the LGM grid.
  • the processing carried out in module 4 consists in structuring the environmental data D_ENV according to the geometry of the LGM grid.
  • the information relating to the channels discretized in the LGM grid will be taken into account in the tactical environmental model M_ENV_T.
  • the environmental information will advantageously be structured according to the cells of the LGM grid.
  • the position of the autonomous vehicle 100 determines the starting point of a set E of possible paths, likely to be taken by the autonomous vehicle 100.
  • the grid LGM is a geometric description of all the traffic lanes likely to be taken into account in the decision whether or not to perform a maneuver when the autonomous vehicle moves on any of the paths of the set E.
  • path is used to designate a continuous succession of lanes forming a given route having as its starting point the current position of the autonomous vehicle 100, the route being compatible with the geometric, topological and semantic data of the road network.
  • the navigation data is not taken into account in the search for the set of possible paths.
  • the modeling of the environment of the autonomous vehicle 100 which will be used for tactical decision-making, can be carried out without taking into account a route predetermined by a navigation module of the autonomous vehicle 100.
  • the search for all the possible paths is then simply bounded by a horizon of distance or time.
  • the given distance possibly being for example one kilometer.
  • the environment modeling system 10 can also comprise a communication network 7 of the autonomous vehicle 100—for example a CAN— network.
  • the communication network 7 can in particular supply the microprocessor 61 with kinematic data of the autonomous vehicle 100, such as the speed, the acceleration, the jerk.
  • the microprocessor 61 can also have access, via a cellular network, to a shared database 8 comprising contextual information, such as for example map updates, work zone notifications, etc.
  • the computer 61 makes it possible to execute software comprising the following modules which communicate with each other:
  • a module 611 for determining a traffic lane of the autonomous vehicle 100, and for determining a set of possible paths, which communicates with the geolocation means and the HD card,
  • a determination module 612 from a predetermined set of maneuvers of a set of routes of interest of the first order and of a set of routes of interest of the second order,
  • module 613 for breaking down into continuous segments, contiguous and with a fixed pitch, of the routes of interest of the first order and of the routes of interest of the second order,
  • the method comprises four steps E1 to E4.
  • a traffic lane of the autonomous vehicle 100 is determined.
  • the current position of the vehicle is determined on the map 1, thus making it possible to determine a channel identifier Id N and a one-dimensional position on the center line of the associated channel. to the identifier Id N .
  • the term “central line” denotes a virtual line separating a traffic lane into two half-lanes in the longitudinal direction of the lane.
  • channel V Id N the channel associated with an identifier Id N is called "channel V Id N "
  • central line LId N the central line of channel Id N is named "central line LId N"
  • position PId N the position of the autonomous vehicle 100 on the central line LId N is called “position PId N ”.
  • the autonomous vehicle 100 is located at the position PId N .
  • a search is then made for a set E of paths likely to be taken at time T by the autonomous vehicle 100 from the position PId N , within a given distance or time horizon.
  • the topological information provided by the map 1 is used to consider all the paths corresponding to the possibilities offered by the road network.
  • the planned route could be a route determined by a mission planning module in the case of an autonomous vehicle of level 3 and above.
  • the planned route could be defined by a navigation system in the case of a level 0, 1 or 2 autonomous vehicle.
  • the navigation system should then preferably present guidance functionalities according to a defined route, and possibly a updating the route based on updates of traffic data on the route.
  • FIG. 5 illustrates the progress of step E2 from the set E of paths determined in step E1.
  • step E2 iterates over the set E of possible paths by applying, to each possible path C k of the set E,
  • the routes of interest are therefore defined with respect to the subjective point of view of the autonomous vehicle 100, and with respect to a predefined set of interaction modes M1, the predefined set of interaction modes being described later in the document. Indeed, the routes of interest only include the navigation routes to be taken into account to decide to perform any of the maneuvers adapted to the predefined set of interaction modes M1.
  • the first-order lanes of interest correspond to the lanes in direct interaction with the path of the vehicle (they therefore share a common navigation space). It is essential for the autonomous vehicle 100 to evaluate the information relating to these zones, all the more so if the vehicle does not have priority.
  • Second-order pathways of interest include pathways that have an indirect interaction with the autonomous vehicle. They are in direct interaction (first order) with the first order routes of interest previously defined for the vehicle. Information about second-order pathways of interest is of lesser importance, but may be useful for providing data about first-order pathways.
  • the predefined set of interaction modes M1 defines four possible interaction modes making it possible to classify the driving situations requiring tactical decision-making:
  • lane-following mode MI1 in which the autonomous vehicle 100 remains on its lane
  • lane change mode MI2 in which the autonomous vehicle 100 joins a lane adjacent to its traffic lane
  • lane merging in which the lane of the autonomous vehicle 100 merges with another traffic lane
  • a fourth MI4 mode called lane crossing in which the lane of the autonomous vehicle 100 crosses at least one other lane.
  • the autonomous vehicle 100 is at the position POS(T) on the leftmost lane 120 of a three-lane road .
  • the position POS(T) made it possible to determine in step E1 a set E comprising two possible paths for the autonomous vehicle 100:
  • step E2 an iteration of sub-steps E21 and E22 is applied to each of the paths C1, C2 defined in step E1.
  • FIG. 7 illustrates the iteration of sub-steps E21 and E22 for determining the paths of interest, respectively of the first and second order, associated with the path C1.
  • the autonomous vehicle 100 stays on its lane, of circulation. For this reason,
  • the channel 120 is determined as being the only channel of interest of the first order V 11 associated with the path C1,
  • the channel 121 is determined as being the only channel of interest of the second order V 21 associated with the path C1, since the channel 121 is the only channel capable of interacting with channel 120 according to one of the predetermined interaction modes M1.
  • FIG. 8 illustrates the iteration of sub-steps E21 and E22 for determining the paths of interest, respectively of the first and second order, associated with the path C2.
  • the autonomous vehicle 100 performs a lane change to lane 121 . For this reason,
  • the channel 121 is determined as being the only channel of interest of the first order V12 associated with the path C2,
  • the channels 120 and 122 are determined as being the two channels of interest of the second order V22 associated with the path C2, since they are likely to interact with the channel 121 according to one of the modes of predetermined interactions M1.
  • FIGS. 6 to 8 relate to a simple road configuration which confines the autonomous vehicle to a very small number of possible paths.
  • the routes of interest of the first and second order according to the type of interaction encountered by the autonomous vehicle 100.
  • the routes of interest determined in the table of FIG. 9 only takes account of a single path for the vehicle 100, represented by a thick arrow.
  • the first-order pathways of interest are shown hatched on the images corresponding to the first order
  • the second-order pathways of interest relating to the first-order pathway framed in black are shown hatched on the images corresponding to the second order.
  • the first two lines LL1 and LL2 of the table correspond to the situations previously described with reference to figures 5 to 7.
  • the first row LL1 of the table describes the first and second order lanes of interest when the autonomous vehicle is maintained in its lane.
  • the first column CC1 of this row represents the first-order path of interest, which is the path followed by the vehicle.
  • the channel(s) adjacent to the first-order channel of interest constitute second-order channels of interest (see second column CC2 of this row).
  • the second line LL2 of the table describes the lanes of interest of the first and second order during a lane change of the autonomous vehicle to a lane adjacent to its lane of circulation.
  • the first column CC1 of this row represents the channel of first-order interest, which is the channel towards which the channel change takes place.
  • the channels adjacent to the first-order channel of interest constitute second-order channels of interest (see second column CC2 of this line).
  • the third row LL3 of the table describes the first and second order pathways of interest during a pathway merge.
  • the first column CC1 of this row represents the first order lane of interest, which is the lane that merges with the vehicle path. All the channels being in direct interaction with the first-order channel of interest are second-order channels of interest (see second column CC2 of this row).
  • the fourth row LL4 of the table describes the first and second order lanes of interest during a lane crossing.
  • the first column CC1 of this row represents the first-order lanes of interest, which are the lanes that intersect the path of the vehicle. All the pathways being in direct interaction with one of the first-order pathways of interest are second-order pathways of interest (see second column CC2 of this row).
  • FIG. 10 represents such a graph Gk comprising in particular a first level path of interest V1j and two second level paths of interest V2m, V2p capable of interacting with the first level path of interest V1d.
  • FIG. 10 illustrates the fact that each path of interest of the graph Gk (that is to say each node of the graph Gk) is then represented geometrically and in a discrete way in the grid LGM.
  • FIG. 11 illustrates the concepts of first-order lanes of interest and second-order lanes of interest in a situation where the autonomous vehicle 100 enters a roundabout.
  • the path followed by the autonomous vehicle implements a merging of the lane between the traffic lane taken by the path C k , and a first level lane of interest V1j (which corresponds to the outer lane of the roundabout).
  • Traffic lane V2m adjacent to path C k is a second-order lane, as is the outer lane of the roundabout V2p.
  • a discretized representation is created, in the form of a grid, of all the navigation routes determined in step E2. In the rest of the document, this representation is called “Lane Grid Map” or LGM grid.
  • first order paths of interest and the second order paths of interest are broken down into continuous segments, contiguous and of fixed pitch.
  • the continuous, contiguous and fixed-pitch segments are called “cells”.
  • Each channel is therefore broken down into cells according to a fixed discretization step PDIS.
  • the center line L10 of the lane is cut out according to a fixed pitch PDIS, and the cells C1 to C8 are delimited by the width of the traffic lane and by line segments spaced apart from each other by the distance PDIS and perpendicularly intersecting the central line L10.
  • the central line L10 being rectilinear, the cells are rectangular.
  • Figures 12 to 15 illustrate an embodiment of the decomposition into contiguous cells and fixed pitch of a succession of several channels 201, 202, 203, 204 whose center lines are not aligned.
  • the cells are quadrilaterals and are not always rectangular.
  • this description of FIG. 13 is based on a breakdown of the succession of tracks 201 to 204 into several polylines each formed of a single segment, each polyline comprising, in this example, only two points (i.e. i.e. a point at each end of the polyline).
  • figure 13 could be interpreted as representing a single polyline comprising several polyline segments P1, P2, P3, P4 and associated with a single track composed of track segments 201 to 204.
  • the method described below would apply to each point 301, 302, 303, 304, 305 of the polyline and not only to the extreme points of the polyline.
  • a problem of decomposition of tracks into cells relates to the definition of the cells with a constant pitch while ensuring that the cells are contiguous with each other at any junction of two contiguous tracks, in particular a junction of two contiguous tracks whose central polylines meet forming an angle other than 180 degrees.
  • tangent vector is used to name a vector, defined at a given point of the polyline, serving to define a cell one side of which passes through said given point.
  • the interpolation method consists, as illustrated by FIG. 13, in defining a first tangent vector 402 at the first end of track 202 (that is to say at point 302) , and a second tangent vector 403 at the second end of the path 202 (that is to say at the point 303).
  • the direction of the first tangent vector 402 (at point 202) can be defined as being the direction of a vector V202 connecting points 301 and 303; similarly, the direction of the second tangent vector 403 (at point 203) can be defined as the direction of a vector V203 connecting point 302 to point 304.
  • the direction of the tangent vector 402 is defined as being the direction of the polyline P2.
  • direction of tangent vector 402 is defined as the direction of polyline P2.
  • each tangent at a point on the polyline depends on the tangent at the previous point on the polyline and the tangent at the next point on the polyline.
  • the tangent vectors thus determined are then used to define the cells of the LGM grid. As illustrated by FIG. 15, to define a cell 310 of the channel 202, two consecutive points P A , P B of the polyline P2 are selected.
  • the straight line passing through the points P A and P B is a median of the quadrilateral delimiting the cell 310, and the tangents at the points P A and P B are the medians of the segments S A and S B respectively.
  • a first end of the segment S A is connected to a first end of the segment S B , these two ends being located on the same side with respect to the polyline P2.
  • the second end of the S A is connected to the second end of the segment S B .
  • FIG. 16 A first and a second example of channel configurations are illustrated in Figure 16:
  • the problem relates to the direction chosen for the tangent to the point of fusion or of the two paths 501, 502.
  • the polylines 601, 602 respectively of the paths 501 and 502 meet and join the polyline 603 of the path 503 a first common point 701.
  • the direction of the tangent 801 at the point 701 is then merged with the direction of the polyline 603.
  • the polyline 604 of the track 504 separates at the common point 702 into two polylines 605, 606 respectively of the tracks 505, 505.
  • the direction of the tangent 802 at the point 702 is then coincident with the direction of the polyline 604.
  • FIG. 17 illustrates the discretization of the lanes of interest V1j, V2m and V2p relating to an entry maneuver of the autonomous vehicle 100 on a roundabout (previously described with reference to FIG. 11).
  • step E4 is continued in which a modeling of the first-order routes of interest and of the second-order routes of interest is transmitted to the module 4 for structuring environmental data.
  • environmental data from perception systems 5 will be distributed in the LGM grid.
  • the data assigned to a cell can relate to the position of vehicles located in this cell and having priority over the autonomous vehicle 100, or the presence of traffic lights and their state.
  • the data assigned to a cell can also relate to spatial information, in particular the occupation of the space on each cell.
  • the cells of the LGM grid may further be used to contain prediction data.
  • the method of modeling the tactical environment of an autonomous vehicle 100 in the form of an LGM grid makes it possible to describe the tactical situation of the autonomous vehicle 100 according to two levels of information.
  • the first level of information is related to the geometric nature of the representation. Indeed, the sampling of the navigation routes in cells makes it possible to know at any time the distance separating the autonomous vehicle 100 from a given cell. In addition, the accuracy of this distance can be calibrated using the value assigned to the PDIS discretization step.
  • the second level of information relates to the information associated with each cell, which makes it possible to characterize the space covered by the cell, that is to say the portion of track covered by the cell.
  • the method according to the invention differs from the prior art, and in particular from document US2018/0322777A1, in which an occupancy grid is only defined on a simple space of interest corresponding to the space in front of the autonomous vehicle and the topology of the road is not taken into account for the construction of this grid.
  • the modeling method according to the invention takes into account the geometric shape of the navigation channels.
  • the LGM grid includes not only the navigation lane on which the autonomous vehicle is moving, but also the lanes likely to interact with the lane of the autonomous vehicle.
  • the method according to the invention is not limited to modeling the lane located opposite the autonomous vehicle.
  • the modeling according to the invention has several advantages. First of all, it provides a compact representation of the environment with which the vehicle interacts, because only the lanes of interest are modeled. It is a context-dependent representation, because it is focused on the areas that condition tactical decision-making.
  • the fineness of the modeling is easily adjustable by modifying the discretization step or by aggregating cells.
  • the modeling according to the invention requires only a high-definition cartographic database having a topological layer.
  • the modeling according to the invention simplifies the subsequent processing carried out in the decision module, in particular by facilitating the calculation of risk metrics such as for example the delay before collision.

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Navigation (AREA)

Abstract

Procédé de modélisation d'un environnement tactique d'un véhicule automobile, caractérisé en ce qu'il comprend les étapes suivantes : − Une première étape de détermination d'un ensemble de chemins possibles, − Une deuxième étape comprenant une détermination, pour chaque chemin donné de l'ensemble de chemins possibles, d'un premier ensemble de voies de circulation interagissant directement avec le chemin donné, et une détermination d'un deuxième ensemble de voies de circulation interagissant directement selon un mode d'interaction défini dans l'ensemble prédéfini de modes d'interaction avec au moins une des voies du premier ensemble de voies de circulation, − Une troisième étape de décomposition, en segments continus, jointifs et de pas fixe, des voies de circulation du premier ensemble et des voies de circulation du deuxième ensemble.

Description

DESCRIPTION
TITRE : Procédé de modélisation d'un environnement tactique d'un véhicule automobile.
L'invention concerne un procédé de modélisation d'un environnement tactique d'un véhicule automobile. L'invention porte encore sur un dispositif de modélisation d'un environnement tactique d'un véhicule automobile. L'invention porte également sur un programme d'ordinateur mettant en œuvre le procédé mentionné. L'invention porte enfin sur un support d'enregistrement sur lequel est enregistré un tel programme.
Un véhicule intelligent ou autonome est amené à prendre des décisions en permanence, par rapport à la situation dans laquelle il se trouve. Dans la littérature, on distingue trois niveaux de décisions prises par un véhicule autonome :
- un premier niveau de décision dit opérationnel portant sur des décisions à prendre dans une première fenêtre de temps très restreinte, de l'ordre de la milliseconde et à l'horizon d'une seconde par exemple,
- un deuxième niveau de décision dit tactique portant sur des décisions à moyen terme, par exemple des décisions à prendre dans un intervalle de temps supérieur à la seconde et limité à une dizaine de secondes,
- un troisième niveau de décision dit stratégique portant sur des décisions à long terme, par exemple des décisions à prendre dans plus de dix secondes par rapport à l'instant présent.
Les décisions opérationnelles sont prises à haute fréquence, à partir d'une représentation fine et précise de l'environnement proche dans lequel le véhicule se trouve. Les décisions stratégiques sont, quant à elles, prises à basse fréquence et ne nécessitent qu'une représentation à haute granularité de l'environnement du véhicule, sur une portée pouvant dépasser le kilomètre. Ces deux types de représentation de l'environnement, fine pour des décisions opérationnelles ou à haute granularité pour des décisions stratégiques, sont déjà largement répandues. En revanche, les représentations de l'environnement dédiées aux prises de décisions tactiques sont moins répandues.
On connait du document US2018/0322777A1 un procédé et un système qui permettent de générer, à partir d'un système de perception, une grille d'occupation de la voie de navigation d'un véhicule autonome. Toutefois cette solution présente des inconvénients. Notamment, la grille d'occupation n'est réalisée que pour la voie de navigation sur laquelle le véhicule autonome évolue, et ne représente que la partie de la voie située face au véhicule.
Le but de l'invention est de fournir un dispositif et procédé de modélisation d'un environnement tactique d'un véhicule automobile remédiant aux inconvénients ci-dessus et améliorant les dispositifs et procédés de modélisation d'un environnement tactique d'un véhicule automobile. En particulier, l'invention permet de réaliser un dispositif et un procédé qui soient simples et fiables et qui identifie toutes les voies de navigation devant être prises en compte dans la modélisation de l'environnement tactique du véhicule autonome.
A cet effet, l'invention porte sur un procédé de modélisation d'un environnement d'un véhicule automobile autonome équipé d'un moyen de stockage de données pourvu d'une carte haute définition et d'un moyen de géolocalisation, l'environnement tactique désignant des données environnementales du véhicule automobile autonome susceptibles d'impacter une prise de décision tactique portant sur des décisions à moyen terme. Le procédé comprend les étapes suivantes :
- une première étape de détermination d'une position courante du véhicule automobile autonome sur une voie de circulation à partir de données fournies par le moyen de géolocalisation et la carte haute définition, et de détermination d'un ensemble de chemins possibles, chaque chemin possible partant de la position courante et se situant dans un horizon de temps donné ou dans un horizon de distance donné à partir de la position courante,
- une deuxième étape comprenant une première sous-étape de détermination, pour chaque chemin donné de l'ensemble de chemins possibles, d'un premier ensemble de voies de circulation interagissant directement avec le chemin donné selon un mode d'interaction défini dans un ensemble prédéfini de modes d'interaction, l'ensemble prédéfini de modes d'interaction permettant de classer des situations de conduites nécessitant une prise de décision tactique, et une deuxième sous-étape de détermination d'un deuxième ensemble de voies de circulation interagissant directement selon un mode d'interaction défini dans l'ensemble prédéfini de modes d'interaction avec au moins une des voies du premier ensemble de voies de circulation,
- une troisième étape de décomposition, en cellules continues, jointives et de pas fixe, des voies de circulation du premier ensemble et des voies de circulation du deuxième ensemble.
Dans un mode de réalisation, le véhicule automobile autonome comprend un module de navigation et se déplace sur un itinéraire planifié par le module de navigation et la détermination de l'ensemble des chemins possibles comprend une étape de sélection des chemins compatibles avec l'itinéraire planifié.
L'ensemble de modes d'interaction peut comprendre :
- un maintien du véhicule automobile autonome sur sa voie de circulation, et/ou,
- un changement de voie du véhicule automobile autonome sur une voie adjacente à sa voie de circulation, et/ou
- une fusion de la voie du véhicule automobile autonome avec une autre voie de circulation, et/ou - une traversée de la voie du véhicule automobile autonome par au moins une autre voie de circulation.
Dans un mode de réalisation, le véhicule automobile autonome comprend un ensemble de moyens de perception, et la valeur du pas fixe est déterminée en fonction de la précision de l'ensemble de moyens de perception et/ou de la précision du moyen de géolocalisation, notamment la valeur du pas fixe est comprise entre dix centimètres et cinq cents centimètres.
La troisième étape de décomposition peut comprendre, pour chaque voie d'intérêt du premier et/ou du second ordre, un découpage d'une ligne centrale de ladite voie d' intérêt en segments de ligne centrale jointifs dont la longueur est égale au pas fixe et une décomposition de la surface de ladite voie en cellules jointives en forme de quadrilatère ayant pour médiane un segment de ligne centrale.
L'invention porte également sur un dispositif de modélisation d'un environnement tactique d'un véhicule automobile autonome, le véhicule automobile autonome étant équipé d'un moyen de stockage de données pourvu d'une carte haute définition et d'un moyen de géolocalisation. Le dispositif comprend des éléments matériels et/ou logiciels mettant en œuvre le procédé tel que défini précédemment.
L'invention porte également sur un produit programme d'ordinateur comprenant des instructions de code de programme enregistrées sur un support lisible par ordinateur pour mettre en œuvre les étapes du procédé tel que défini précédemment lorsque ledit programme fonctionne sur un ordinateur. L'invention porte également sur un produit programme d'ordinateur téléchargeable depuis un réseau de communication et/ou enregistré sur un support de données lisible par un ordinateur et/ou exécutable par un ordinateur, comprenant des instructions qui, lorsque le programme est exécuté par l'ordinateur, conduisent celui-ci à mettre en œuvre le procédé tel que défini précédemment.
L'invention porte encore sur un support d'enregistrement de données, lisible par un ordinateur, sur lequel est enregistré un programme d'ordinateur comprenant des instructions de code de programme de mise en œuvre du procédé tel que défini précédemment. L'invention porte encore sur un support d'enregistrement lisible par ordinateur comprenant des instructions qui, lorsqu'elles sont exécutées par un ordinateur, conduisent celui-ci à mettre en œuvre le procédé tel que défini précédemment.
L'invention porte encore sur un signal d'un support de données, portant le produit programme d'ordinateur tel que défini précédemment.
Le dessin annexé représente, à titre d'exemple, un mode de réalisation d'un dispositif de modélisation d'un environnement tactique et un mode d'exécution d'un procédé de modélisation d'un environnement tactique selon l'invention.
La figure 1 représente un véhicule automobile équipé d'un dispositif de modélisation d'un environnement tactique.
La figure 2 est une représentation alternative d'un véhicule automobile équipé d'un dispositif de modélisation d'un environnement tactique.
La figure 3 illustre un exemple de modélisation des voies de circulation à prendre en compte pour une décision tactique du véhicule automobile.
La figure 4 est un ordinogramme d'un mode d'exécution d'un procédé de modélisation d'un environnement tactique selon l'invention.
La figure 5 illustre un traitement de sélection de voies d'intérêt du premier et du second ordre.
La figure 6 illustre un exemple de recherche de voies d'intérêt du premier et du second ordre à partir d'une position donnée du véhicule automobile. La figure 7 décrit les voies d'intérêt relatives à un premier mode d'interaction du véhicule automobile partant de ladite position donnée.
La figure 8 décrit les voies d'intérêt relatives à un deuxième mode d'interaction du véhicule automobile partant de ladite position donnée.
La figure 9 illustre les voies d'intérêt du premier et du deuxième ordre relatives à différents types d'interactions auxquelles le véhicule automobile peut être confronté.
La figure 10 décrit un lien entre une première représentation des voies d'intérêt, sous forme de graphe d'interaction entre les voies, et une deuxième représentation des voies d' intérêt, sous forme de représentation géométrique de chaque voie d'intérêt.
La figure 11 fournit un exemple de voies d'intérêt du premier ordre et de voies d'intérêt du second ordre dans une situation d'entrée du véhicule automobile sur un rond-point.
La figure 12 illustre un premier exemple de discrétisation d'une voie d'intérêt.
La figure 13 illustre une première étape d'un deuxième exemple de discrétisation de voies d'intérêt.
La figure 14 illustre une deuxième étape du deuxième exemple de discrétisation de voies d'intérêt.
La figure 15 illustre une troisième étape du deuxième exemple de discrétisation de voies d'intérêt.
La figure 16 illustre un troisième et un quatrième exemple de discrétisation de voies d'intérêt.
La figure 17 illustre la discrétisation des voies d'intérêt relatives à une manœuvre d'entrée du véhicule automobile sur un rond-point.
Un exemple d'un véhicule automobile 100 équipé d'un mode de réalisation d'un dispositif de modélisation d'un environnement tactique d'un véhicule automobile est décrit ci-après en référence à la figure 1 . Le véhicule automobile 100 peut être un véhicule automobile de n'importe quel type, notamment un véhicule de tourisme, un véhicule utilitaire, un camion ou encore un véhicule de transport en commun tel qu'un bus ou une navette. Selon le mode de réalisation décrit, le véhicule automobile 100 est un véhicule autonome et sera désigné "véhicule autonome" dans la suite de la description.
Cette illustration est donc faite à titre non limitatif. Notamment le véhicule automobile pourrait être un véhicule non autonome, équipé d'un système d'aide à la conduite, notamment un système d'aide à la conduite correspondant à un niveau supérieur ou égal au niveau 2 d'autonomie, c'est-à-dire correspondant à une autonomie partielle du véhicule.
Dans la suite du document, le terme d'environnement tactique du véhicule autonome 100 désigne les données environnementales du véhicule autonome 100 qui peuvent impacter une prise de décision tactique. Il peut s'agir des données environnementales susceptibles d'impacter une décision à prendre dans un intervalle de temps supérieur à la seconde et limité à une minute, voire plusieurs minutes.
Le véhicule autonome 100 se déplace dans un environnement donné. Le véhicule autonome 100 comprend un système d'aide à la conduite 70 et un moyen de contrôle autonome 20 du véhicule autonome 100.
Le système d'aide à la conduite 70 transmet une commande de déplacement C au moyen de contrôle autonome 20. La commande de déplacement C peut comprendre une commande de déplacement longitudinal et/ou une commande de déplacement latéral. La commande de déplacement longitudinal peut comprendre une première consigne de couple destinée à un groupe motopropulseur du véhicule et/ou une deuxième consigne de couple destinée à un actionneur de freins du véhicule. La commande de déplacement latéral comprend un angle de rotation des roues directrices du véhicule autonome 100.
Le système d'aide à la conduite 70 comprend notamment un système 10 de modélisation de l'environnement tactique du véhicule autonome 100 et un module de décision 3. Le système 10 a pour rôle de construire une modélisation M_ENV_T de l'environnement tactique du véhicule autonome qui sera transmise au module de décision 3. La modélisation M_ENV_T permet au module de décision 3 de prendre une ou plusieurs décisions tactiques. Ces décisions seront ensuite traduites en commandes C de déplacement du véhicule autonome 100.
Le système 10 de modélisation de l'environnement tactique du véhicule autonome 100 comprend notamment les éléments suivants :
- un moyen de stockage de données dans lequel est enregistré une carte haute définition 1 comprenant une description du réseau routier sur lequel le véhicule autonome 100 évolue,
- un système de géolocalisation 2 permettant localiser le véhicule autonome 100 sur la carte 1 ,
- un module 4 de structuration des données environnementales nécessaires à la construction d'un modèle M_ENV_T de l'environnement tactique du véhicule autonome 100,
- des systèmes 5 de perception de l'environnement du véhicule autonome 100, fournissant des données au module 4 de structuration des données environnementales,
- une unité de calcul 6 comprenant un microprocesseur 61 , une mémoire électronique locale 62 et des interfaces de communication 63 permettant au microprocesseur 61 de recevoir des données issues du système de géolocalisation 2 et de transmettre une modélisation LGM des voies d'intérêt au module 4 de structuration des données environnementales du véhicule autonome 100. La carte 1 fournit une description géométrique, topologique et sémantique du réseau routier. En particulier, la carte 1 comprend les informations nécessaires pour déterminer, à partir d'une position du véhicule autonome 100 déterminée par le système de géolocalisation 2, tous les chemins possibles dont le point de départ est déterminé par ladite position.
Le réseau routier décrit par la carte 1 comprend des routes décomposées en voies de circulation. Les voies de circulation sont elles-mêmes décomposées en segments de voies ; la carte 1 associe un identifiant à chaque segment de voie.
Dans la suite du document, les termes « voie » ou « voie de circulation » font référence à un segment de voie associé à un identifiant unique défini par la carte 1 .
La géolocalisation du véhicule autonome 100 par le système de géolocalisation 2 consiste à déterminer un identifiant d'une voie sur laquelle circule le véhicule autonome 100, et la position du véhicule sur ce segment de voie.
La carte 1 comprend en outre une définition d'une ligne centrale de chaque voie. La position du véhicule autonome 100 est ainsi déterminée par
- un identifiant de voie IdN et
- une position unidimensionnelle du véhicule autonome 100 (par exemple une abscisse curviligne) sur la ligne centrale de la voie VN désignée par l'identifiant IdN.
La ligne centrale d'une voie peut être modélisée par une « polyligne » centrale, c'est-à-dire une ligne composée d'une succession de segments de droite, selon un traitement décrit plus loin dans ce document. La figure 2 fournit une description haut niveau des traitements mis en œuvre dans le système d'aide à la conduite 70, concernant une prise de décision de niveau tactique. Le traitement se décompose en une perception X1 de l'environnement du véhicule autonome 100, puis une structuration X2 de la perception, puis une prise de décision X3 à partir de la perception structurée.
Ainsi, à partir d'une perception X1 de l'environnement tactique du véhicule autonome 100, notamment sur réception de données D_ENV issues de l'ensemble de moyens de perception 5, le système d'aide à la conduite 70 crée un modèle structuré M_ENV_T de l'environnement tactique du véhicule autonome 100, et transmet le modèle structuré M_ENV_T au module de décision 3.
La construction du modèle structuré M_ENV_T s'effectue en deux étapes :
- une première étape de création, par le microprocesseur 61 , d'une description géométrique LGM d'un ensemble de voies de navigation susceptibles de jouer un rôle dans une prise de décision tactique,
- une deuxième étape de structuration, par le module 4, des données environnementales D_ENV selon la description géométrique LGM.
Une description géométrique LGM (nommée ainsi en référence à l'acronyme anglais « Lane Grid Map ») est déterminée à un instant donné T à partir de la position instantanée du véhicule autonome 100. Dans la suite du document, une description géométrique LGM est nommée grille LGM. On verra dans la suite du document que la détermination de la grille LGM comprend, une détermination 61A de la position du véhicule autonome 100, puis une détermination 61 B d'un ensemble de chemins possibles pour le véhicule autonome 100, puis une détermination 61 C de voies de navigations à prendre en compte dans la construction de la grille LGM. Une grille LGM est une représentation allocentrée et discrétisée (sous forme de grille constituée d'une succession de cellules jointives entre elles) des voies de navigation, dans le sens de la longueur et le long des voies de navigation.
Dans un mode de réalisation alternatif non décrit dans ce document, les voies pourraient également être décomposées en cellules dans le sens de la largeur. Dans ce cas, une grille LGM serait alors une représentation allocentrée et discrétisée (sous forme de grille constituée d'une succession de cellules jointives entre elles) des voies de navigation, dans le sens de la longueur et dans le sens de la largeur.
Une représentation allocentrée utilise un repère fixe dans le monde, contrairement à une représentation égocentrée qui utilise un repère se déplaçant avec le véhicule.
Chaque cellule s'étend sur une longueur égale à un pas de discrétisation fixe PDIS, et sur la largeur complète de la voie de navigation. Dans un mode de réalisation la valeur du pas fixe PDIS est déterminée en fonction de la précision de l'ensemble de moyens de perception 5 et/ou de la précision du moyen de géolocalisation 2, notamment la valeur du pas fixe est comprise entre dix centimètres et cinq cents centimètres. La valeur du pas fixe PDIS pourrait être compris dans d'autres plages de valeurs.
La Figure 3 fournit un exemple d'une grille LGM relative au véhicule autonome 100. La flèche dirigée vers la droite indique le trajet que le véhicule autonome 100 s'apprête à suivre. Dans ce contexte, la grille LGM inclut une modélisation des voies suivantes :
- la voie 151 sur laquelle circule le véhicule autonome 100 ainsi que la voie 152 qu'il s'apprête à suivre après avoir tourné à droite,
- la voie 153 adjacente à la voie de circulation du véhicule autonome 100 qui se trouve immédiatement à gauche et dans la même sens de circulation que la voie 151 ,
- la voie 154 venant de la gauche, qui va croiser le chemin du véhicule autonome 100.
Les autres voies de navigation ne sont pas modélisées dans la grille LGM car elles n'ont aucun impact sur les décisions à prendre par le véhicule autonome 100 à cet instant donné.
Le traitement effectué dans le module 4 consiste à structurer les données environnementales D_ENV selon la géométrie de la grille LGM. Ainsi, seules les informations relatives aux voies discrétisées dans la grille LGM seront prises en compte dans le modèle environnemental tactique M_ENV_T. De plus, les informations environnementales seront avantageusement structurées selon les cellules de la grille LGM.
A l'instant T, la position du véhicule autonome 100 détermine le point de départ d'un ensemble E de chemins possibles, susceptibles d'être empruntés par le véhicule autonome 100. A l'instant T, la grille LGM est une description géométrique de l'ensemble des voies de circulation susceptibles d'être prises en compte dans la décision d'effectuer ou non une manœuvre lorsque le véhicule autonome se déplace sur l'un quelconque des chemins de l'ensemble E.
Dans la suite du document, le terme « chemin » est utilisé pour désigner une succession continue de voies formant un itinéraire donné ayant pour point de départ la position courante du véhicule autonome 100, l'itinéraire étant compatible avec les données géométriques, topologiques et sémantiques du réseau routier.
Comme cela est décrit plus loin dans ce document, dans un mode de réalisation de l'invention, les données de navigation ne sont pas prises en compte dans la recherche de l'ensemble de chemins possibles. En d'autres termes, la modélisation de l'environnement du véhicule autonome 100, qui sera utilisée pour des prises de décision tactiques, peut être menée sans prendre en compte un itinéraire prédéterminé par un module de navigation du véhicule autonome 100. La recherche de tous les chemins possibles est alors simplement bornée par un horizon de distance ou de temps.
Par exemple, on peut déterminer tous les chemins possibles dans un rayon d'une distance donnée autour de la position courante du véhicule autonome 100, la distance donnée pouvant être par exemple d'un kilomètre. Alternativement, on peut déterminer tous les chemins que le véhicule autonome 100 peut parcourir dans un délai donné autour de sa position courante, le délai donné pouvant être par exemple de dix minutes.
Le système 10 de modélisation de l'environnement peut également comprendre un réseau de communication 7 du véhicule autonome 100 - par exemple un réseau CAN-. Le réseau de communication 7 peut notamment fournir au microprocesseur 61 des données cinématiques du véhicule autonome 100, comme la vitesse, l'accélération, le jerk.
Le microprocesseur 61 peut en outre avoir accès, via un réseau cellulaire, à une base de données partagée 8 comprenant des informations contextuelles, comme par exemple des mises à jour de carte, des notifications de zones de travaux, etc...
Dans le mode de réalisation de l'invention, le calculateur 61 permet d'exécuter un logiciel comprenant les modules suivants qui communiquent entre eux :
- un module 611 de détermination d'une voie de circulation du véhicule autonome 100, et de détermination d'un ensemble de chemins possibles, qui communique avec le moyen de géolocalisation et la carte HD,
- un module 612 détermination, à partir d'un ensemble prédéterminé de manœuvres d'un ensemble de voies d'intérêt du premier ordre et d'un ensemble de voies d'intérêt du second ordre,
- un module 613 de décomposition en segments continus, jointifs et de pas fixe des voies d'intérêt du premier ordre et des voies d'intérêt du second ordre,
- un module 614 de transmission d'une modélisation des voies d'intérêt du premier ordre et des voies d'intérêt du second ordre, qui collabore avec le module 4 de structuration des données environnementales.
Un mode d'exécution du procédé de commande d'un véhicule autonome est décrit ci-après en référence à la figure 4. Le procédé comprend quatre étapes E1 à E4.
Dans un première étape E1 , on détermine une voie de circulation du véhicule autonome 100.
Grâce aux informations fournies par la carte 1 et par les moyens de géolocalisation 2, on détermine la position courante du véhicule sur la carte 1 , permettant ainsi de déterminer un identifiant de voie IdN et une position unidimensionnelle sur la ligne centrale de la voie associée à l'identifiant IdN. On désigne par le terme « ligne centrale » une ligne virtuelle séparant une voie de circulation en deux demi-voies dans le sens longitudinal de la voie.
Dans la suite du document,
- la voie associée à un identifiant IdN est nommée « voie V IdN »,
- la ligne centrale de la voie IdN est nommée « ligne centrale LIdN »,
- la position du véhicule autonome 100 sur la ligne centrale LIdN est nommée « position PIdN ».
A un instant donné T de modélisation de l'environnement tactique, le véhicule autonome 100 se situe à la position PIdN. On recherche ensuite un ensemble E de chemins susceptibles d'être empruntés à l'instant T par le véhicule autonome 100 à partir de la position PIdN, dans un horizon de distance ou de temps donné. Pour cela on exploite l'information topologique fournie par la carte 1 , pour envisager tous les chemins correspondant aux possibilités offertes par le réseau routier.
Dans un mode de réalisation de l'invention, on pourrait appliquer une sélection des chemins en fonction des données de navigation. Ainsi, certains chemins pourraient être rejetés car jugés incohérents par rapport à un itinéraire planifié.
Selon les cas, l'itinéraire planifié pourrait être un itinéraire déterminé par un module de planification de mission dans le cas d'un véhicule autonome de niveau 3 et plus. Alternativement, l'itinéraire planifié pourrait être défini par un système de navigation dans le cas d'un véhicule autonome de niveau 0, 1 ou 2. Le système de navigation devrait alors préférentiellement présenter des fonctionnalités de guidage selon un itinéraire défini, et éventuellement une actualisation de l'itinéraire en fonction des mises à jour des données de trafic sur l'itinéraire.
La figure 5 illustre le déroulement de l'étape E2 à partir de l'ensemble E de chemins déterminés dans l'étape E1. Dans l'étape E2 on itère sur l'ensemble E de chemins possibles en appliquant, à chaque chemin possible Ck de l'ensemble E,
- une première sous-étape E21 de détermination d'un premier ensemble de voies de circulation V1k, dites voies d'intérêt du premier ordre associées au chemin donné Ck, interagissant directement avec le chemin donné Ck selon l'un des modes d'interaction d'un ensemble prédéfini Ml de modes d'interaction, puis
- une deuxième sous-étape E22 de détermination d'un deuxième ensemble de voies de circulation V2k, dites voies d'intérêt du second ordre, interagissant directement avec au moins une des voies de l'ensemble de voies d'intérêt du premier ordre V1k selon l'un des modes d'interaction d'un ensemble prédéfini Ml de modes d'interaction.
Les voies d'intérêt sont donc définies par rapport au point de vue subjectif du véhicule autonome 100, et relativement à un ensemble prédéfini de modes d'interaction Ml, l'ensemble prédéfini de modes d'interaction étant décrit plus loin dans le document. En effet, les voies d'intérêt ne comprennent que les voies de navigation à prendre en compte pour décider d'effectuer une des quelconques manœuvres adaptées à l'ensemble prédéfini de modes d'interaction Ml.
Les voies d'intérêt de premier ordre correspondent aux voies en interaction directe avec le chemin du véhicule (ils partagent donc un espace de navigation en commun). Il est primordial pour le véhicule autonome 100 d'évaluer l'information relative à ces zones, d'autant plus si le véhicule n'est pas prioritaire.
Les voies d'intérêt de second ordre comprennent les voies qui ont une interaction indirecte avec le véhicule autonome. Elles sont en interaction directes (de premier ordre) avec les voies d'intérêt de premier ordre définies précédemment pour le véhicule. Les informations relatives aux voies d'intérêt de second ordre sont d'importance moindre, mais peuvent être utiles pour fournir des données relatives aux voies de premier ordre.
Dans le mode de réalisation décrit, l'ensemble prédéfini de modes d'interactions Ml définit quatre modes d'interactions possibles permettant de classer les situations de conduite nécessitant une prise de décision tactique :
- un premier mode MI1 dit de suivi de voie, dans lequel le véhicule autonome 100 demeure sur sa voie de circulation, - un deuxième mode MI2 dit de changement de voie, dans lequel le véhicule autonome 100 rejoint une voie adjacente à sa voie de circulation,
- un troisième mode MI3 dit de fusion de voie, dans lequel la voie du véhicule autonome 100 fusionne avec une autre voie de circulation,
- un quatrième mode MI4 dit de croisement de voies, dans lequel la voie de circulation du véhicule autonome 100 croise au moins une autre voie de circulation.
Dans un exemple décrit par la figure 6, à l'instant T de modélisation de l'environnement tactique, le véhicule autonome 100 se trouve à la position POS(T) sur la voie 120 la plus à gauche d'une route à trois voies.
La position POS(T) a permis de déterminer dans l'étape E1 un ensemble E comprenant deux chemin possibles pour le véhicule autonome 100 :
- un premier chemin C1 , illustré par la figure 7, correspondant au mode d'interaction de suivi de voie MI1 , et
- un deuxième chemin C2, illustré par la figure 8, correspondant au mode d'interaction de changement de voie MI2, le changement de voie pouvant s'effectuer uniquement vers la voie 121 située à droite du véhicule autonome 100.
Dans l'étape E2, on applique une itération des sous-étapes E21 et E22 à chacun des chemins C1 , C2 définis dans l'étape E1 .
La figure 7 illustre l'itération des sous-étapes E21 et E22 pour la détermination des voies d'intérêt, respectivement du premier et du deuxième ordre, associées au chemin C1. Le véhicule autonome 100 se maintient sur sa voie, de circulation. De ce fait,
- dans la sous-étape E21 , on détermine la voie 120 comme étant la seule voie d'intérêt du premier ordre V11 associée au chemin C1 ,
- dans la sous-étape E22, on détermine la voie 121 comme étant la seule voie d' intérêt du second ordre V21 associée au chemin C1 , puisque la voie 121 est la seule voie susceptible d'interagir avec la voie 120 selon l'un des modes d'interaction prédéterminés Ml.
La figure 8 illustre l'itération des sous-étapes E21 et E22 pour la détermination des voies d'intérêt, respectivement du premier et du deuxième ordre, associées au chemin C2. Le véhicule autonome 100 effectue un changement de voie vers la voie 121 . De ce fait,
- dans la sous-étape E21 , on détermine la voie 121 comme étant la seule voie d'intérêt du premier ordre V12 associée au chemin C2,
- dans la sous-étape E22, on détermine les voies 120 et 122 comme étant les deux voies d'intérêt du second ordre V22 associées au chemin C2, puisqu'elles sont susceptibles d'interagir avec la voie 121 selon l'un des modes d'interaction prédéterminés Ml.
L'exemple illustré par les figures 6 à 8 porte sur une configuration routière simple qui cantonne le véhicule autonome sur un nombre très réduit de chemins possibles.
Selon un point de vue complémentaire présenté par la figure 9, on peut également décrire les voies d'intérêt du premier et du deuxième ordre selon le type d'interaction rencontré par le véhicule autonome 100. En remarque, les voies d'intérêt déterminées dans le tableau de la figure 9 ne tiennent compte que d'un seul chemin pour le véhicule 100, représenté par une flèche épaisse. Dans la figure 9, les voies d'intérêt du premier ordre sont représentées hachurées sur les images correspondant au premier ordre, et les voies d'intérêt du deuxième ordre relatifs à la voie de premier ordre encadrée en noir sont représentées hachurées sur les images correspondant au deuxième ordre.
Les deux premières lignes LL1 et LL2 du tableau correspondent aux situations précédemment décrites en référence aux figures 5 à 7. La première ligne LL1 du tableau décrit les voies d'intérêt du premier et du second ordre lors d'un maintien du véhicule autonome dans sa voie de circulation. La première colonne CC1 de cette ligne représente la voie d'intérêt de premier ordre, qui est le chemin suivi par le véhicule. La ou les voies adjacentes à la voie d'intérêt de premier ordre constituent des voies d'intérêt de second ordre (voir deuxième colonne CC2 de cette ligne).
La deuxième ligne LL2 du tableau décrit les voies d'intérêt du premier et du second ordre lors d'un changement de voie du véhicule autonome vers une voie adjacente à sa voie de circulation. La première colonne CC1 de cette ligne représente la voie d'intérêt de premier ordre, qui est la voie vers laquelle le changement de voie s'effectue. Les voies adjacentes à la voie d'intérêt de premier ordre constituent des voies d'intérêt de second ordre (voir deuxième colonne CC2 de cette ligne).
La troisième ligne LL3 du tableau décrit les voies d'intérêt du premier et du second ordre lors d'une fusion de voies. La première colonne CC1 de cette ligne représente la voie d'intérêt de premier ordre, qui est la voie qui fusionne avec le chemin du véhicule. Toutes les voies étant en interaction directe avec la voie d'intérêt de premier ordre sont des voies d'intérêt de second ordre (voir deuxième colonne CC2 de cette ligne).
La quatrième ligne LL4 du tableau décrit les voies d'intérêt du premier et du second ordre lors d'un croisement de voies. La première colonne CC1 de cette ligne représente les voies d'intérêt de premier ordre, qui sont les voies qui croisent le chemin du véhicule. Toutes les voies étant en interaction directe avec l'une des voies d'intérêt de premier ordre sont des voies d'intérêt de second ordre (voir deuxième colonne CC2 de cette ligne). Finalement, après itération des étapes E21 et E22 sur tous les chemins Ck de l'ensemble E, on obtient un ensemble de graphes Gk d'interaction de voies de circulation du premier et du second ordre avec le véhicule autonome 100 à un instant T donné. A titre d'exemple, la figure 10 représente un tel graphe Gk comprenant notamment une voie d'intérêt de premier niveau V1j et deux voies d'intérêt de second niveau V2m, V2p susceptibles d'interagir avec la voie d”intérêt de premier niveau V1j. La figure 10 illustre le fait que chaque voie d' intérêt du graphe Gk (c'est-à-dire chaque nœud du graphe Gk) est ensuite représentée géométriquement et de façon discrétisée dans la grille LGM.
A titre d'exemple, la figure 11 illustre les notions de voies d'intérêt du premier ordre et de voie d'intérêt du second ordre dans une situation d'entrée du véhicule autonome 100 sur un rond-point. Le chemin suivi par le véhicule autonome met en œuvre une fusion de voie entre la voie de circulation empruntée par le chemin Ck , et une voie d'intérêt de premier niveau V1j (qui correspond à la voie extérieure du rond-point). La voie V2m de circulation adjacente au chemin Ck est une voie d'intérêt de second ordre, de même que la voie extérieure du rond-point V2p.
Dans une troisième étape E3, on crée une représentation discrétisée, sous forme de grille, de l'ensemble des voies de navigation déterminées dans l'étape E2. Dans la suite du document, cette représentation est nommée « Lane Grid Map » ou grille LGM.
Pour cela, on décompose les voies d'intérêt du premier ordre et les voies d'intérêt du second ordre en segments continus, jointifs et de pas fixe. Dans la suite du document, les segments continus, jointifs et de pas fixe sont nommés « cellules ».
Chaque voie est donc décomposée en cellules selon un pas de discrétisation fixe PDIS. Comme cela est illustré par la figure 12 représentant une voie de circulation rectiligne V10, la ligne centrale L10 de la voie est découpée selon un pas fixe PDIS, et les cellules C1 à C8 sont délimitées par la largeur de la voie de circulation et par des segments de droites espacés entre eux de la distance PDIS et coupant perpendiculairement la ligne centrale L10. Sur la portion de voie V10 représentée, la ligne centrale L10 étant rectiligne, les cellules sont rectangulaires.
Les figures 12 à 15 illustrent un mode de réalisation de la décomposition en cellules jointives et de pas fixe d'une succession de plusieurs voies 201 , 202, 203, 204 dont les lignes centrales ne sont pas alignées. Dans ce mode de réalisation, les cellules sont des quadrilatères et ne sont pas systématiquement rectangulaires.
Les polylignes des voies 201 , 202, 203, 204 sont représentées dans la< figure 13 :
- la polyligne P1 de la voie 201 relie un point 301 à un point 302,
- la polyligne P2 de la voie 202 relie le point 302 à un point 303,
- la polyligne P3 de la voie 203 relie le point 303 à un point 304, et
- la polyligne P4 de la voie 204 relie le point 304 à un point 305.
En remarque, cette description de la figure 13 est basée sur une décomposition de la succession de voies 201 à 204 en plusieurs polylignes formées chacune d'un seul segment, chaque polyligne ne comprenant, dans cet exemple, que deux points (c'est-à-dire un point à chaque extrémité de la polyligne).
Alternativement, la figure 13 pourrait être interprétée comme représentant une polyligne unique comportant plusieurs segments de polyligne P1 , P2, P3, P4 et associée à une voie unique composée de segments de voies 201 à 204. Dans ce cas, la méthode décrite ci-après s'appliquerait à chaque point 301 , 302, 303, 304, 305 de la polyligne et pas uniquement aux points extrêmes de la polyligne.
Une problématique de décomposition de voies en cellules porte sur la définition des cellules avec un pas constant tout en faisant en sorte les cellules soient jointives entre elles à toute jonction de deux voies contiguës, notamment une jonction de deux voies contiguës dont les polylignes centrales se rejoignent en formant un angle différent de 180 degrés.
Dans l'exemple présenté, il s'agit de définir des cellules jointives lors de la transition entre la voie 201 et la voie 202, puis entre la voie 202 et la voie 203, puis entre la voie 203 et la voie 204.
A cet effet, dans un mode de réalisation, on peut utiliser une méthode d'interpolation des tangentes ou méthode dite des lanelets. Dans la suite du document, le terme « vecteur tangent » est utilisé pour nommer un vecteur, défini en un point donné de la polyligne, servant à définir une cellule dont un côté passe par ledit point donné.
Appliquée à la voie 202, la méthode d'interpolation consiste, comme c'est illustré par la figure 13, à définir un premier vecteur tangent 402 à la première extrémité de la voie 202 (c'est-à-dire au point 302), et un deuxième vecteur tangent 403 à la deuxième extrémité de la voie 202 (c'est-à-dire au point 303).
Dans un mode de réalisation, illustré par la figure 13, la direction du premier vecteur tangent 402 (au point 202) peut être définie comme étant la direction d'un vecteur V202 reliant les points 301 et 303 ; de même, la direction du deuxième vecteur tangent 403 (au point 203) peut être définie comme étant la direction d'un vecteur V203 reliant le point 302 au point 304.
Dans le cas (non illustré) où la décomposition des voies en cellules commence au point 302 (par exemple, si la voie 201 n'existe pas), alors la direction du vecteur tangent 402 est définie comme étant la direction de la polyligne P2.
Alternativement, dans le cas (non illustré) où deux voies se rejoignent au point 302, alors direction du vecteur tangent 402 est définie comme étant la direction de la polyligne P2.
Puis, comme cela est illustré par la figure 14, on peut définir un vecteur tangent pour chaque point intermédiaire de la polyligne P2, les points intermédiaires étant des points situés entre les points 302 et 303, et découpant la polyligne P2 en segments de longueur PDIS.
Dans ce mode de réalisation, chaque tangente en un point de la polyligne dépend de la tangente au point précédent de la polyligne et de la tangente au point suivant de la polyligne.
Les vecteurs tangent ainsi déterminés sont ensuite utilisés pour définir les cellules de la grille LGM. Comme cela est illustré par la figure 15, pour définir une cellule 310 de la voie 202, on sélectionne deux points consécutifs PA, PB de la polyligne P2.
On trace ensuite
- un premier segment SA perpendiculaire à la tangente définie au point PA et passant par le point PA et, le premier segment ayant pour milieu le point PA et pour longueur la largeur de la voie 202, et
- un deuxième segment SB perpendiculaire à la tangente définie au point PB et passant par le point PB et, le premier segment ayant pour milieu le point PB et pour longueur la largeur de la voie 202.
En remarque, la droite passant par les points PA et PB est une médiane du quadrilatère délimitant la cellule 310, et les tangentes aux point PA et PB sont respectivement des médiatrices des segments SA et SB.
Puis on relie une première extrémité du segment SA à une première extrémité du segment SB, ces deux extrémités étant situées du même côté par rapport à la polyligne P2. De même on relie la deuxième extrémité du SA à la deuxième extrémité du segment SB.
Les étapes de traitement précédemment décrites permettent ainsi de modéliser de proche en proche une succession de voies de circulation formant un chemin.
Il existe toutefois des configurations de voies dans lesquelles la méthode d'interpolation des tangentes ne peut pas s'appliquer. Cela concerne notamment des situations de divergence et de convergence de voies.
Un premier et un deuxième exemples de configurations de voies sont illustrées par la figure 16 :
- un premier exemple de configuration où deux voies 501 , 502 fusionnent en une seule voie 503,
- un deuxième exemple de configuration où une voie 504 se sépare en deux voies 505, 506.
Dans le premier exemple de configuration, la problématique porte sur la direction choisie pour la tangente au point de fusion ou des deux voies 501 , 502. Les polylignes 601 , 602 respectivement des voies 501 et 502 se rejoignent et rejoignent la polyligne 603 de la voie 503 un premier point commun 701. La direction de la tangente 801 au point 701 est alors confondue avec la direction de la polyligne 603. Dans le deuxième exemple de configuration, la polyligne 604 de la voie 504 se sépare au point commun 702 en deux polylignes 605, 606 respectivement des voies 505, 505. La direction de la tangente 802 au point 702 est alors confondue avec la direction de la polyligne 604.
La figure 17 illustre la discrétisation des voies d'intérêt V1j, V2m et V2p relatives à une manœuvre d'entrée du véhicule autonome 100 sur un rond- point (précédemment décrites en référence à la figure 11 ).
Lorsque toutes les voies d'intérêt du premier et du second ordre ont été discrétisés en cellules, on enchaîne sur l'étape E4 dans laquelle on transmet une modélisation des voies d' intérêt du premier ordre et des voies d'intérêt du second ordre au module 4 de structuration des données environnementales. Dans le module 4, les données environnementales issues des systèmes de perception 5 seront réparties dans la grille LGM. Par exemple, les données affectées à une cellule peuvent concerner la position de véhicules situés dans cette cellule et ayant la priorité sur le véhicule autonome 100, ou la présence de feux de circulation et leur état. Les données affectées à une cellule peuvent également concerner des informations spatiales, notamment l'occupation de l'espace sur chaque cellule. Dans un mode de réalisation, les cellules de la grille LGM peuvent en outre être utilisées pour contenir des données de prédiction.
Finalement, le procédé de modélisation de l'environnement tactique d'un véhicule autonome 100 sous forme de grille LGM permet de décrire la situation tactique du véhicule autonome 100 selon deux niveaux d'informations. Le premier niveau d'information est lié à la nature géométrique de la représentation. En effet, l'échantillonnage des voies de navigation en cellules permet de connaître à tout moment la distance séparant le véhicule autonome 100 d'une cellule donnée. De plus, la précision de cette distance peut être calibrée par l'intermédiaire de la valeur attribuée au pas de discrétisation PDIS. Le second niveau d'information porte sur l'information associée à chaque cellule, qui permet de caractériser l'espace couvert par la cellule, c'est-à-dire la portion de voie couverte par la cellule.
Le procédé selon l'invention se différencie de l'art antérieur, et notamment du document US2018/0322777A1 , dans lequel une grille d'occupation n'est définie que sur un espace d'intérêt simple correspondant à l'espace devant le véhicule autonome et la topologie de la route n'est pas prise en compte pour la construction de cette grille. En effet, en premier lieu, le procédé de modélisation selon l'invention prend en compte la forme géométrique des voies de navigation. De plus, la grille LGM comprend non seulement la voie de navigation sur laquelle le véhicule autonome évolue, mais également les voies susceptibles d'interagir avec la voie du véhicule autonome. Ainsi, contrairement à l'art antérieur, le procédé selon l'invention ne se limite pas à une modélisation de la voie située face au véhicule autonome.
La modélisation selon l'invention présente plusieurs avantages. Tout d'abord elle fournit une représentation compacte de l'environnement avec lequel le véhicule interagit, car seules les voies d'intérêt sont modélisées. Il s'agit d'une représentation dépendante du contexte, car elle est focalisée sur les zones conditionnant une prise de décision tactique.
En outre, la finesse de la modélisation est aisément modulable par modification du pas de discrétisation ou par agrégation de cellules.
De plus, la modélisation selon l'invention nécessite uniquement une base de données cartographique haute définition disposant d'une couche topologique. Enfin, par sa nature géométrique, la modélisation selon l'invention simplifie le traitement ultérieurement effectué dans le module de décision, notamment en facilitant le calcul de métriques de risque comme par exemple le délai avant collision.

Claims

REVENDICATIONS
1. Procédé de modélisation d'un environnement tactique d'un véhicule automobile autonome (100) équipé d'un moyen de stockage de données pourvu d'une carte haute définition (1 ) et d'un moyen de géolocalisation (2), l'environnement tactique désignant des données environnementales du véhicule automobile autonome (100) susceptibles d'impacter une prise de décision tactique portant sur des décisions à moyen terme, caractérisé en ce qu'il comprend les étapes suivantes :
Une première étape (E1 ) de détermination d'une position courante du véhicule automobile autonome (100) sur une voie de circulation à partir de données fournies par le moyen de géolocalisation (2) et la carte haute définition (1 ), et de détermination d'un ensemble (E) de chemins possibles, chaque chemin possible partant de la position courante et se situant dans un horizon de temps donné ou dans un horizon de distance donné à partir de la position courante,
Une deuxième étape (E2) comprenant une première sous-étape (E21 ) de détermination, pour chaque chemin donné (Ck ) de l'ensemble de chemins possibles (E), d'un premier ensemble de voies de circulation (V1k) interagissant directement avec le chemin donné (Ck ) selon un mode d'interaction défini dans un ensemble prédéfini de modes d'interaction (Ml), l'ensemble prédéfini de modes d'interaction permettant de classer des situations de conduites nécessitant une prise de décision tactique, et une deuxième sous-étape (E22) de détermination d'un deuxième ensemble de voies de circulation (V2k ) interagissant directement selon un mode d'interaction défini dans l'ensemble prédéfini de modes d'interaction (Ml) avec au moins une des voies du premier ensemble de voies de circulation (V1k),
Une troisième étape (E3) de décomposition, en cellules continues, jointives et de pas fixe (PDIS), des voies de circulation du premier ensemble et des voies de circulation du deuxième ensemble. Procédé de modélisation selon la revendication précédente, le véhicule automobile autonome (100) comprenant un module de navigation (9) et se déplaçant sur un itinéraire planifié par le module de navigation (9), caractérisé en ce que la détermination de l'ensemble (E) des chemins possibles comprend une étape de sélection des chemins compatibles avec l'itinéraire planifié. Procédé de modélisation selon l'une des revendications précédentes, caractérisé en ce que l'ensemble de modes d'interaction comprend :
- un maintien du véhicule automobile autonome (100) sur sa voie de circulation, et/ou,
- un changement de voie du véhicule automobile autonome (100) sur une voie adjacente à sa voie de circulation, et/ou
- une fusion de la voie du véhicule automobile autonome (100) avec une autre voie de circulation, et/ou
- une traversée de la voie du véhicule automobile autonome (100) par au moins une autre voie de circulation. Procédé de modélisation selon l'une des revendications précédentes, le véhicule automobile autonome (100) comprenant un ensemble de moyens de perception (5), caractérisé en ce que la valeur du pas fixe (PDIS) est déterminée en fonction de la précision de l'ensemble de moyens de perception (5) et/ou de la précision du moyen de géolocalisation (2), notamment la valeur du pas fixe est comprise entre dix centimètres et cinq cents centimètres.
5. Procédé de modélisation selon l'une des revendications précédentes, caractérisé en ce que la troisième étape (E3) de décomposition comprend, pour chaque voie d'intérêt du premier et/ou du second ordre, un découpage d'une ligne centrale de ladite voie d'intérêt en segments de ligne centrale jointifs dont la longueur est égale au pas fixe (PDIS) et une décomposition de la surface de ladite voie en cellules jointives en forme de quadrilatère ayant pour médiane un segment de ligne centrale.
6. Dispositif (10) de modélisation d'un environnement tactique d'un véhicule automobile autonome (100), le véhicule automobile autonome étant équipé d'un moyen de stockage de données pourvu d'une carte haute définition (1 ) et d'un moyen de géolocalisation (2), le dispositif comprenant des éléments (1 , 2, 4, 5, 6, 7, 8, 9, 61 , 62, 63, 611 , 612, 613, 614) matériels et/ou logiciels mettant en œuvre le procédé selon l'une des revendications 1 à 5.
7. Produit programme d'ordinateur comprenant des instructions de code de programme enregistrées sur un support lisible par ordinateur pour mettre en œuvre les étapes du procédé selon l'une quelconque des revendications 1 à 5 lorsque ledit programme fonctionne sur un ordinateur.
8. Support d'enregistrement de données, lisible par un ordinateur, sur lequel est enregistré un programme d'ordinateur comprenant des instructions de code de programme de mise en œuvre du procédé selon l'une des revendications 1 à 5.
9. Signal d'un support de données, portant le produit programme d'ordinateur selon la revendication 7.
PCT/EP2022/087602 2021-12-22 2022-12-22 Procédé de modélisation d'un environnement tactique d'un véhicule automobile WO2023118501A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2114213A FR3130958B1 (fr) 2021-12-22 2021-12-22 Procédé de modélisation d’un environnement tactique d’un véhicule automobile.
FR2114213 2021-12-22

Publications (1)

Publication Number Publication Date
WO2023118501A1 true WO2023118501A1 (fr) 2023-06-29

Family

ID=80999892

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2022/087602 WO2023118501A1 (fr) 2021-12-22 2022-12-22 Procédé de modélisation d'un environnement tactique d'un véhicule automobile

Country Status (2)

Country Link
FR (1) FR3130958B1 (fr)
WO (1) WO2023118501A1 (fr)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180189323A1 (en) * 2016-12-30 2018-07-05 DeepMap Inc. High definition map and route storage management system for autonomous vehicles
US20180322777A1 (en) 2015-11-25 2018-11-08 Volkswagen Aktiengesellschaft Method and system for creating a lane-accurate occupancy grid map for lanes

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180322777A1 (en) 2015-11-25 2018-11-08 Volkswagen Aktiengesellschaft Method and system for creating a lane-accurate occupancy grid map for lanes
US20180189323A1 (en) * 2016-12-30 2018-07-05 DeepMap Inc. High definition map and route storage management system for autonomous vehicles

Also Published As

Publication number Publication date
FR3130958A1 (fr) 2023-06-23
FR3130958B1 (fr) 2024-05-03

Similar Documents

Publication Publication Date Title
CN111433698B (zh) 自动车辆的实时车道变换选择
FR2789771A1 (fr) Procede pour la generation d&#39;une trajectoire horizontale d&#39;evitement de zones dangereuses pour un aeronef
US11112237B2 (en) Using map information to smooth objects generated from sensor data
WO2018083200A1 (fr) Procédé d`élaboration d`une carte d`autonomie de navigation pour un véhicule
FR3096637A1 (fr) Procédé et dispositif de détermination d’un chemin pour un véhicule autonome
EP1057086B1 (fr) Procede de routage horizontal d&#39;un aeronef entre deux points de passage obliges
FR3094318A1 (fr) Procédé de commande du positionnement d’un véhicule automobile sur une voie de circulation
WO2023118501A1 (fr) Procédé de modélisation d&#39;un environnement tactique d&#39;un véhicule automobile
EP4453513A1 (fr) Procédé de modélisation d&#39;un environnement tactique d&#39;un véhicule automobile
EP3270108B1 (fr) Procédé d&#39;assistance d&#39;un conducteur d&#39;un véhicule en fonction d&#39;informations fournies par un véhicule pilote, et dispositif associé
EP4178842B1 (fr) Procédé de commande d&#39;un véhicule automobile muni de moyens de conduite autonome
FR2941794A1 (fr) Procede et dispositif de gestion d&#39;une route optionnelle pour un aeronef
FR3103891A1 (fr) Dispositif d’aide à la navigation à détermination de voie la plus probable pour un véhicule, et procédé d’assistance à la conduite associé
FR3095401A1 (fr) Plateforme et procédé de supervision d’une infrastructure pour véhicules de transport, véhicule, système de transport et programme d’ordinateur associés
FR3099961A1 (fr) Estimation de la vitesse moyenne d’un trafic d’au moins un vehicule sur un troncon de route
WO2023025490A1 (fr) Procédé de modélisation d&#39;un environnement de navigation d&#39;un véhicule automobile
WO2023118498A1 (fr) Procédé de modélisation d&#39;un environnement tactique d&#39;un véhicule automobile.
FR3075949A1 (fr) Procede de determination sur une distance d’anticipation de la trajectoire d’un vehicule automobile.
FR3077549A1 (fr) Procede de determination de la trajectoire d’un vehicule automobile en absence de marquage au sol.
EP4005895B1 (fr) Procédé de contrôle d&#39;un véhicule autonome pour tout type de scénario
EP3727974B1 (fr) Procédé de détection durant une phase de conduite automatisée d&#39;un vehicule de sa présence dans une voie d&#39;insertion vers une route à chaussée separée
FR3097317A1 (fr) Procédé et système pour déterminer un parcours à accomplir au sein d’un espace
FR3081142A1 (fr) Procede et dispositif d’assistance a la conduite automatisee d’un vehicule par determination de la surete d’une trajectoire proposee.
EP4028298A1 (fr) Procédé de démarrage de conduite autonome d&#39;un véhicule automobile
EP4015332A1 (fr) Méthode de supervision pour le contrôle d&#39;un véhicule automobile autonome

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: 22843791

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2022843791

Country of ref document: EP

Effective date: 20240722