WO2023227512A1 - Procédé de détection d'un type de route parcourue par un véhicule équipé - Google Patents

Procédé de détection d'un type de route parcourue par un véhicule équipé Download PDF

Info

Publication number
WO2023227512A1
WO2023227512A1 PCT/EP2023/063621 EP2023063621W WO2023227512A1 WO 2023227512 A1 WO2023227512 A1 WO 2023227512A1 EP 2023063621 W EP2023063621 W EP 2023063621W WO 2023227512 A1 WO2023227512 A1 WO 2023227512A1
Authority
WO
WIPO (PCT)
Prior art keywords
vehicle
road
type
detection
traveled
Prior art date
Application number
PCT/EP2023/063621
Other languages
English (en)
Inventor
Edouard DUBRAY
Original Assignee
Renault S.A.S.
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Renault S.A.S. filed Critical Renault S.A.S.
Publication of WO2023227512A1 publication Critical patent/WO2023227512A1/fr

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/06—Road conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G17/00—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load
    • B60G17/015—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load the regulating means comprising electric or electronic elements
    • B60G17/016—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load the regulating means comprising electric or electronic elements characterised by their responsiveness, when the vehicle is travelling, to specific motion, a specific condition, or driver input
    • B60G17/0165—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load the regulating means comprising electric or electronic elements characterised by their responsiveness, when the vehicle is travelling, to specific motion, a specific condition, or driver input to an external condition, e.g. rough road surface, side wind
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W10/00—Conjoint control of vehicle sub-units of different type or different function
    • B60W10/22—Conjoint control of vehicle sub-units of different type or different function including control of suspension systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2204/00—Indexing codes related to suspensions per se or to auxiliary parts
    • B60G2204/62—Adjustable continuously, e.g. during driving
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2400/00—Indexing codes relating to detected, measured or calculated conditions or factors
    • B60G2400/10—Acceleration; Deceleration
    • B60G2400/102—Acceleration; Deceleration vertical
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2400/00—Indexing codes relating to detected, measured or calculated conditions or factors
    • B60G2400/20—Speed
    • B60G2400/204—Vehicle speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2400/00—Indexing codes relating to detected, measured or calculated conditions or factors
    • B60G2400/20—Speed
    • B60G2400/208—Speed of wheel rotation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2400/00—Indexing codes relating to detected, measured or calculated conditions or factors
    • B60G2400/25—Stroke; Height; Displacement
    • B60G2400/252—Stroke; Height; Displacement vertical
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2400/00—Indexing codes relating to detected, measured or calculated conditions or factors
    • B60G2400/80—Exterior conditions
    • B60G2400/82—Ground surface
    • B60G2400/824—Travel path sensing; Track monitoring
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2401/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60G2401/14—Photo or light sensitive means, e.g. Infrared
    • B60G2401/142—Visual Display Camera, e.g. LCD
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2600/00—Indexing codes relating to particular elements, systems or processes used on suspension systems or suspension control systems
    • B60G2600/18—Automatic control means
    • B60G2600/187—Digital Controller Details and Signal Treatment
    • B60G2600/1878—Neural Networks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2600/00—Indexing codes relating to particular elements, systems or processes used on suspension systems or suspension control systems
    • B60G2600/70—Computer memory; Data storage, e.g. maps for adaptive control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0002—Automatic control, details of type of controller or control system architecture
    • B60W2050/0013—Optimal controllers
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
    • B60W2420/403—Image sensing, e.g. optical camera
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2510/00—Input parameters relating to a particular sub-units
    • B60W2510/22—Suspension systems
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B60W2520/105—Longitudinal acceleration
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/28—Wheel speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/05—Type of road, e.g. motorways, local streets, paved or unpaved roads
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/20—Road profile, i.e. the change in elevation or curvature of a plurality of continuous road segments
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/35—Road bumpiness, e.g. potholes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/406—Traffic density
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
    • B60W2555/20—Ambient conditions, e.g. wind or rain
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/20—Data confidence level
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2710/00—Output or target parameters relating to a particular sub-units
    • B60W2710/22—Suspension systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning

Definitions

  • the invention relates to a detection method, in particular intelligent detection, of a type of road traveled intended for a vehicle, in particular for a vehicle in a driving situation.
  • the invention also relates to a system for detecting a route traveled.
  • the invention also relates to a vehicle equipped with such a system and to a computer program product for implementing the steps of the detection method.
  • the present invention fits into this context and aims to propose a detection method suitable for a wide range of vehicles having distinct characteristics, for example private vehicles, utility vehicles or others, and this at lower cost.
  • the present invention relates to a method for detecting a type of road traveled by a vehicle, in particular a vehicle equipped with a variable suspension system, the method being characterized in that it comprises a phase of determining a type of road traveled comprising:
  • a detection module comprising at least one sensor and/or at least one detection means, such as a camera;
  • - a step of classifying the road traveled in one of the road type classes according to the estimated membership probability rates and extracting at least one level of comfort felt by a user previously associated with each class of road type as a function of at least one piece of equipment specific to the vehicle (10) capable of influencing the comfort felt by a user during the driving phase.
  • the method is an intelligent detection method.
  • the method according to the invention may comprise, prior to the execution of the determination phase, at least one supervised learning phase, specific to the equipped vehicle, of the identification of at least one class of predefined road type and the association of at least one level of comfort felt by a user with each class of road type as a function of at least one piece of equipment specific to the vehicle capable of influencing the comfort felt by a user in phase driving, the learning phase being implemented via a computer, a human-machine interface and/or a memory element.
  • the method may include a step of adjusting at least one additional system fitted to the vehicle, in particular a variable suspension system, so as to correct a level of comfort felt by the user, such a step being implemented when the comfort level associated with a road type class determined during the determination phase is lower than a predefined adapted comfort level threshold and/or when the determined road type class is included in a subset of predefined classes identified as requiring the execution of an adjustment step.
  • the method can, in addition, include a step of updating a map fitted to the vehicle so as to provide information on a specific road type class.
  • the classification step can be implemented only when the estimated probability rate is greater than a predetermined threshold of 60%.
  • the estimation step can be executed by a network capable of processing time series of data and of being trained during a learning phase, in particular by a convolutional neural network.
  • the data acquisition step can be implemented by:
  • the determination phase may comprise, subsequent to the estimation step, a step of validating the estimated probability rate, the validation step being carried out on the basis of measurements, by at least one sensor, at least one characteristic relating to the vehicle in a driving situation on said road traveled, in particular suspension travel, wheel speed, longitudinal speed of the vehicle and/or acceleration of the vehicle.
  • the present invention also relates to a system for detecting a type of road traveled for a vehicle in a driving situation.
  • the system comprises hardware and/or software elements implementing the method described above, the hardware elements comprising at least one data processing unit, a module for detecting at least one characteristic relating to a route traveled and a module for control of at least one additional system fitted to the vehicle, in particular a variable suspension system.
  • the detection system may be an intelligent detection system.
  • the invention further relates to a motor vehicle comprising at least one additional system capable of affecting a level of comfort felt by a user, such as a variable suspension system, and a detection system according to the invention, capable of controlling said ancillary system.
  • the invention can further be extended to a learning method for a detection method according to the invention or for a detection system according to the invention, comprising at least one supervised learning phase, specific to the equipped vehicle , the identification of at least one predefined road type class and the association of at least one level of comfort felt by a user with each road type class based on at least one piece of equipment specific to the vehicle capable of influencing the comfort felt by a user during the driving phase, the learning phase being implemented via a computer, a human-machine interface and/or a memory element.
  • the invention further extends to a computer program product comprising instructions program code modifications recorded on a computer-readable medium for implementing the steps of the method according to the invention when said program operates on a computer.
  • the invention can extend to a computer program product downloadable from a communications network and/or recorded on a data medium readable by a computer.
  • the invention relates to a data recording medium, readable by a computer, on which is recorded a computer program comprising program code instructions for implementing the detection method according to the invention or a computer-readable recording medium comprising instructions which, when executed by a computer, cause the computer to implement said detection method.
  • the invention finally relates to a signal from a data carrier, carrying the computer program product according to the invention.
  • [Eig.l] is a schematic representation of one embodiment of a detection system according to the invention.
  • [Eig.2] is a general flowchart of an example of execution of a method for detecting a type of road.
  • [Eig.3] is a schematic representation of an example of execution of a data acquisition step.
  • [Eig.4] is a flowchart detailing a second example of execution of the method according to the invention.
  • [Eig.l] schematically illustrates an exemplary embodiment of a detection system 1, in particular intelligent detection, of a type of road traveled by a vehicle 10.
  • a detection system in particular intelligent detection, of a type of road traveled by a vehicle 10.
  • vehicle 10 can be, for example, a private vehicle, a utility vehicle, a truck or a bus.
  • the vehicle considered may be a connected and/or autonomous vehicle.
  • Figures 2 to 4 illustrate examples and variants of execution of a detection method, in particular intelligent detection, of a type of road traveled by such a vehicle 10.
  • the detection method can also be considered as being a method of operation of the detection system 1 according to the invention or as a method of operating the automobile vehicle 10 equipped with such a detection system 1.
  • the vehicle 10 comprises the detection system 1, which comprises hardware and/or software elements capable of implementing, or designed to implement, the detection method according to the invention, as further explained below .
  • Said hardware elements comprise at least one data processing unit 2, a detection module 3 of at least one characteristic relating to a route traveled and a control module 4 of at least one annex system 5 equipping the vehicle 10, such as a variable suspension system 51, a driving assistance system 52 or a longitudinal speed management system 53.
  • the processing unit 2 comprises at least one calculator 21 comprising hardware and software resources, more precisely at least one processor, or microprocessor, cooperating with memory elements 6 of the detection system 1 and/or the vehicle 10
  • This computer 21 is able to execute instructions for implementing a computer program.
  • the processing unit 2 can provide at least one other function within the vehicle 10.
  • the computer 21 can be the on-board computer of the vehicle 10, or, in general, any computer 21 embarked in the vehicle 10 permanently or temporarily.
  • the detection module 3 can in particular be configured in order to detect and/or estimate at least one characteristic relating to a portion of the route traveled located upstream of the vehicle 10, such as a height of a road profile.
  • a road profile height a height of a point on the road relative to the vehicle.
  • F at least one characteristic considered can be detected and/or estimated on the basis of images of said portion of road.
  • the detection module 3 may comprise at least one optical detection means 31, such as a camera, a scanning laser or a Lidar, capable of providing signals representative of an image of the route traveled. which can then be transmitted to the processing unit 2 with a view to processing and/or archiving them.
  • the detection means 31 can be phonic, for example by ultrasound.
  • Such detection means 31 can, preferably, be equipped at the front of the vehicle 10 or on a roof of the vehicle 10 in order to acquire data relating to a portion of the road placed upstream of the vehicle 10.
  • the detection module 3 may comprise at least one sensor 32 equipped on the vehicle 10 and capable of measuring at least one characteristic specific to the running of the vehicle 10, for example relating to the vehicle or to an assembly formed by the vehicle and the route traveled. Such a characteristic may, in a non-limiting manner, relate to suspension travel, wheel rotation speed and/or longitudinal speed of the vehicle.
  • the control module 4 is configured to control at least one annex system 5 fitted to the vehicle 10.
  • Such an annex system 5 can be a variable suspension system 51, a driving assistance system 52, a management system longitudinal speed and/or a mapping system, such as a locating means 7 fitted to the vehicle 10.
  • the control module 4 is in particular capable of carrying out the switching on, switching off, modification and/or adjustment of all or part of the parameters defined by F at least one annex 5 system considered.
  • the control module 4 can be configured so as to control a plurality of ancillary systems fitted to the vehicle 10.
  • the detection system according to the invention may also include all or part of the following options:
  • the location means 7 can in particular allow the location of the vehicle 10. It integrates, for example, a system for approximate location of the vehicle 10 and/or high definition mapping of the road infrastructure.
  • the approximate location of the vehicle 10 can be provided by a GPS type system, from the English acronym “Global Positioning system” allowing the extraction, from a mapping database, of information concerning the road infrastructure around the approximate position of the vehicle 10.
  • the location means can be a location system on board the vehicle 10.
  • the communication module 8 notably allows the vehicle 10 to transmit and/or receive data from a database, a remote server, one or more connected devices such as a mobile telephone , or a vehicle itself equipped with a communication module 8 and a system according to the invention. Such communication is established via a low frequency or high frequency wireless link. It may, for example, be a wireless connection based on “cellular” or “Wifi” or “Bluetooth” technologies. As further explained below, the communication module 8 can be implemented in order to extract data relating to the external environment, in particular weather or road traffic conditions, or in order to transmit information relating to the road traveled in order to update mapping data.
  • the detection system 1 may, in addition, comprise a memory element 6 or a storage space constituting a recording medium readable by a computer or by the calculator 21 of the processing unit 2 comprising instructions which , when executed by the computer or the calculator 21, lead it to implement the method as described below.
  • the detection method 100 comprises a PI determination phase of a type of road traveled by the vehicle and, prior to the execution of the PI determination phase, at least one supervised learning phase P2, specific to the equipped vehicle 10, in particular associating a level of comfort felt by a user with different classes of road types, in particular bad roads.
  • a learning phase P2 can also be defined as relating to a training method for a detection method and/or a detection system according to the invention.
  • a type of road or a class of road type, may, in a non-limiting manner, relate to:
  • - roads including obstacles, such as speed bumps, level crossings, potholes or bars, depending on their impact on comfort, for example depending on their dimensions, likely to cause vibrations or shocks in the vehicle 10, in particular presenting a high frequency of said obstacles, that is to say a degraded road with a short distance between obstacles.
  • obstacles such as speed bumps, level crossings, potholes or bars, depending on their impact on comfort, for example depending on their dimensions, likely to cause vibrations or shocks in the vehicle 10, in particular presenting a high frequency of said obstacles, that is to say a degraded road with a short distance between obstacles.
  • the PI determination phase comprises at least one acquisition step El, in real time or for a predetermined duration, of data relating to a route traveled by the vehicle 10.
  • the PI determination phase may include a plurality of acquisition steps, relating to similar or different types of data.
  • said data may relate to one or more characteristics relating to the route traveled and/or the vehicle.
  • the acquisition step El may comprise the acquisition of different distinct types of data.
  • the acquisition step El is implemented via the detection module 3 as explained previously.
  • the acquisition step El can be carried out so as to include a sub-step of detection and/or estimation El i of at least one characteristic relating to a portion of the route traveled located upstream of the vehicle 10 and/or a measurement sub-step E12 of at least one characteristic relating to the vehicle 10 in a driving situation on said route traveled.
  • the acquisition step El can implement the acquisition of data so as to anticipate characteristics relating to a future portion of road included in the route traveled and/or so as to react to a portion of road on which the vehicle 10 moves, that is to say in contact with which is at least one of the wheels of the vehicle 10.
  • the data detected and/or estimated El 1 on the basis of the portion of the route traveled located upstream of the vehicle 10 can, for example, relate to characteristics such as a height of a road profile relatively to the vehicle, in particular to a wheel of the vehicle, or any other information coming from images of the road.
  • data can be obtained via optical detection means, such as a camera.
  • the detected and/or estimated data El 1 on the basis of the portion of road located upstream of the vehicle 10 can be associated with a confidence index a representative of a degree of reliability of the detection and/or the estimation carried out.
  • a confidence index can be defined on the basis of weather or road traffic conditions detected and/or depending on the type of road surface, likely to affect the detection and/or the estimation.
  • the confidence index a is defined depending on whether the road is paved, covered with snow, frost, leaves or sand.
  • the use of a confidence index makes it possible to discard data defined as unreliable, likely to bias the classification of the type of road, for example by discarding data presenting a confidence index lower than a threshold a predefined min .
  • the confidence index can be defined by the processing unit 2 and/or by the detection module 3.
  • the measured data E12 can, in a non-limiting manner, be obtained by at least one sensor 32 and relate to characteristics such as the travel of the suspensions or of a wheel, for example of the center of a wheel, a wheel speed, a longitudinal speed of the vehicle 10 and/or an acceleration of the vehicle 10.
  • the at least one sensor 32 can be included in the detection module 3.
  • the sensor 32 can be an on-board sensor 32 specific to the one of the ancillary systems 5 fitted to the vehicle 10 and configured to transmit data to said detection module 3.
  • Such sensors 32 may include an accelerometer, a travel sensor, a deformation sensor associated with one of the wheels and/or a sensor pressure.
  • the method according to the invention is at least carried out in anticipation, by estimation and/or detection El 1 of data relating to the portion of road located upstream of the vehicle 10.
  • estimation and/or detection El 1 of data relating to the portion of road located upstream of the vehicle 10.
  • the implementation of a measurement sub-step, in addition to a detection and/or estimation sub-step El i, can make it possible to improve the detection and the classification of the route traveled by means of a validation step.
  • the detection and/or estimation El 1 of data on the one hand and the measurement of data E12 on the other hand are each carried out at at least one point on the route.
  • the data acquisition is carried out in at least two points, for example a point arranged on two lines representative of a virtual trajectory of the front wheels of the vehicle.
  • FIG.3 illustrates a particular example of implementation of the acquisition step El in which the acquisition of data is carried out in anticipation via an optical detection means so as to allows an estimation of the heights of the profile of the portion of the road located upstream of the vehicle 10 by image processing.
  • the data is collected at a plurality of points arranged in front of each of the front wheels of the vehicle 10.
  • the data is collected, for each front wheel, at the level ten points.
  • said points Preferably, for each front wheel, said points have a spacing at a fixed frequency so that data acquisition is not negatively affected by the longitudinal speed of the vehicle 10.
  • the data relating to each of the twenty points of measurement, ten for each front wheel, are transmitted to the processing unit 2.
  • the estimated value of the height of the profile of the road portion is associated with a confidence index a x of said estimate.
  • a x can be defined by the detection module 3 and/or the processing unit 2. This results in a set of data comprising forty incoming signals which represent the heights and the confidence indices a x of the different points of the portion of the road located upstream of the two front wheels of the vehicle 10.
  • the processing unit 2 then executes an estimation step E2 of at least one probability rate of belonging of the route traveled to at least one type of road class. predefined route, particularly bad roads, based on the data acquired. As explained previously, when a confidence index is associated with the acquired data, such a probability rate is also defined on their basis.
  • the estimation of membership rates can be carried out by any type of network capable of carrying out a classification task from time series of data including beforehand a supervised P2 learning phase.
  • the network considered receives as input the data acquired during the acquisition phase, and provides as output estimates of the rate of membership of the route traveled to the different classes of predefined road types corresponding to a probability rate that the route traveled is similar, or of the same type, as a road type class considered.
  • such a type of network is previously trained during a supervised P2 learning phase, as further detailed below, in order to perform the identification of different classes of road types on the basis of different types of data and/or data ranges, then can subsequently be executed by the processing unit 2 during the implementation of the method in order to classify the road traveled in at least one of the classes identified during the learning phase.
  • the probability rates of belonging to different classes of road types can be calculated by a neural network, in particular by a convolutional neural network, or CNN from the English “Convolution Neural Network ".
  • This type of models can be used to perform supervised classification of time series data.
  • Such a principle is advantageously simple to implement and allows invariance of the processing by temporal translation.
  • the probability rates of belonging to different classes of road types can be calculated by a recurrent neural network, or RNN.
  • the processing unit 2 implements a step of classification E3 of the road traveled in a road type class and extraction of at least one level comfort felt by a user previously associated, for example during at least one supervised P2 learning phase as explained below, with each road type class depending on at least one piece of equipment specific to the vehicle 10 able to influence the comfort felt by a user while driving.
  • equipment equipment likely to affect the level of comfort felt by a user such as a suspension system or tires.
  • the route traveled is classified into a predefined road type class on the basis of the highest estimated probability rate obtained.
  • the classification step E3 can be implemented only when the estimated probability rate is greater than a predetermined threshold of 50%, or even 60% or even of 75% to ensure classification accuracy.
  • the processing unit 2 then extracts at least one level of comfort felt by a user associated with the road type class detected, that is to say previously defined, by calculation implemented by the processing unit 2 or by manual intervention of a user or technician, and recorded on the memory elements 6 of the detection system 1 and/or of the vehicle 10.
  • the processing unit 2 forms, as input to the network, in particular the neural network, a sliding window of data.
  • a window includes the last forty values relating to road profile heights and confidence indices.
  • the neural network performs inference to obtain a probability distribution across different classes of roads, including bad roads, and then the road type is determined by selecting the class with the highest probability rate.
  • the network used to extract features, in other words characteristics, relating to the road type classes on the basis of the time series of raw data acquired and to define probability rates can be defined, in a non-limiting manner, by a block basic including:
  • Such a block can be repeated several times, for example twice, in order to obtain a succession of three blocks.
  • these three basic blocks can be assembled with different filter sizes and used as input for a fully connected layer so as to give a distribution of probabilities of belonging to a road type class as output.
  • the sizes of filters used in the convolution layers can be defined as follows during the successive execution of the three basic blocks: 128, 256, 128.
  • the sizes of the kernels, or “kernel” in English, convolutions can be the following: 5, 3, 3.
  • the padding applied to the input allows the output to keep the same temporal dimension and the step used is preferably 1 .
  • a softmax layer can be implemented. It provides a probability rate of belonging to the route traveled for each of the possible classes, the sum of these probability rates amounting to 1.
  • the network receives as input a matrix of size 40x40 containing a time window containing 40 time steps of the 40 data signals described previously, relating to the height of profile of the portion of the road located upstream of the vehicle 10 and the confidence indices.
  • the network provides, as output, a distribution of the probability rates of belonging of the road to each of the classes of possible road types predefined during the learning phase P2.
  • the classification step E3 as explained above is then executed, for example so that the final classification of the route traveled corresponds to the class for which the probability rate obtained at the output of the network is maximum.
  • the training of the network is carried out, as explained previously, during at least one supervised learning phase P2, at least implemented prior to the determination phase PI as explained previously.
  • supervised we mean that such a P2 learning phase requires, at least partially, human intervention.
  • the learning phase P2 aims on the one hand to train the network, in other words the model, so that it is capable of allowing the identification of a predefined road type class corresponding to a road traveled when the PI determination phase is executed, and, on the other hand, to train the model so that it is able to associate with the different classes of road types a level of comfort felt by the user.
  • the learning phase P2 can be implemented via a computer 21, a human-machine interface and/or a memory element. Once trained, the model can easily be implemented in a computer 21 of the vehicle 10, for example in the processing unit 2, during the implementation of the PL determination phase
  • Training the network with a view to identifying a type of road comprises a so-called “inference” phase, carried out according to a principle similar to what was explained with reference to the determination phase PI, from data for which the road type class is previously known, for example by manual, i.e. supervised, labeling of a learning database, also the preceding description applies mutatis mutandis.
  • the learning base data recordings relating to different types of roads are made, on the base of one or more types of data relating to characteristics specific to the road traveled and/or the vehicle, as explained previously with reference to the acquisition step El.
  • a loss or cost function for example a cross-entropy function
  • a weighting can be applied to such a loss function in order to prevent overlearning, also called overfitting in English, or in order to allow artificially accelerated learning if the recordings of the different types of roads are not equally distributed in terms of number of examples per class.
  • Training the network also aims to identify and/or associate at least one estimated comfort level, representative of the user's comfort and the feeling of the road traveled, to the different classes of road types.
  • Such training can be carried out on the basis of at least one criterion, which can be objective or subjective.
  • training can be carried out on the basis of a plurality of objective and/or subjective criteria.
  • the different classes of road types can be associated with at least one criterion, in particular with at least one range of values defined for the at least one criterion considered.
  • the term “objective criterion” means criteria defined on the basis of values measured, estimated and/or calculated by detection means and/or sensors 32 on board the vehicle 10.
  • an objective criterion can relate to transmissibility, that is to say the ratio between the displacement of the suspended mass in relation to the stress on the road which makes it possible to evaluate the vibration isolation characteristic of a given suspension.
  • a criterion can also be defined based on the clearance of the wheels relative to the body when passing disturbances or obstacles, and in particular the reaching of the compression or suspension stops. relaxations which strongly penalize comfort, or even a criterion on the effective value, or RMS, of the vertical acceleration at the center of gravity of the car.
  • the training is based on objective criteria, it can advantageously be executed automatically and is defined specifically according to the equipment specific to the vehicle 10, or to a vehicle model 10, so that the evaluation of the felt comfort associated with the type of road identified is defined in an appropriate manner relative to the vehicle 10 equipped with the detection system and its equipment, such as its suspension system, and not in a generic manner.
  • subjective criterion we mean that learning is carried out in a supervised manner by a user or by an expert who can, for example, himself associate a predefined level of comfort with each of the different road type classes based on vehicle equipment, such as the suspension system. The user or expert is then able to subjectively classify the type of road encountered based on their feelings about the response of the vehicle and the resulting comfort for passengers passing on this road.
  • a loss function and, optionally, a weighting can be implemented.
  • the learning phase P2 can thus advantageously be adapted according to the need and the different types of roads can thus be classified by the user or the expert according to what is desirable to detect, this is that is to say depending on the equipment of the vehicle 10 and/or depending on the additional systems 5 capable of being controlled, in particular the suspension or shock absorber system, and depending on a desired comfort level defined by the user or the expert.
  • the method according to the invention advantageously makes it possible to obtain an overall precision of the order of 98% with a weighted Fl score of 97%.
  • At least one learning phase P2 is implemented prior to the execution of the determination phase PL.
  • a plurality of detection phases can be executed following such a phase of detection.
  • learning P2 as illustrated by the dotted box P2'.
  • the P2 learning phase can be carried out before putting the vehicle into circulation or during maintenance or an overhaul of the vehicle.
  • the method according to the invention may include an additional learning phase P2', implemented subsequently to the execution of the determination phase PI of a road type.
  • Such an additional learning phase P2 is executed similarly to what was explained previously and can be, for example, implemented by a user in order to refine or adapt the training of the identification and/or level of comfort associated with different types of road to his preferences or needs.
  • the processing unit can extract, for example from a memory element, a comfort level associated with the identified road type class which is then representative of a level of comfort felt, in real time, by the user while the vehicle moves along the route traveled.
  • the detection system 1 can then initiate, via the control module 4, an adjustment step E4 of at least one additional system 5 fitted to the vehicle 10 so as to correct the level of comfort felt by the user .
  • the adjustment step E4 can be implemented when the comfort level associated with the identified road type is lower than a predefined adapted comfort level threshold, for example when the determined road type is a bad road. associated with a level of comfort considered unsuitable during the learning phase.
  • a predefined adapted comfort level threshold can be defined beforehand by an expert and/or adjusted by a user.
  • the adjustment step can be implemented when the road type class identified during the PI determination phase is included in a subset of classes previously identified, for example during the learning phase, as requiring a correction of felt comfort. For example, such a type of road may be a “bad road”.
  • the damping force can be modified, in particular increased, in various proportions when an obstacle, a speed bump or a low frequency bad road is detected, said proportions being adapted to the type of obstacle or road detected.
  • the damping force can be reduced when passing a high frequency bad road or a small percussion.
  • the annex system 5 in question can be a variable suspension system 51, a longitudinal speed control system and/or a driving assistance system 52.
  • Driving assistance may include collision warnings, driver information or alerts, emergency braking or even emergency steering. There correction made may then affect one or more of said systems.
  • the classes of road types in particular bad roads
  • the method according to the invention thus allows, at the time of detection of the road type of the route traveled, the triggering of a control strategy of ancillary systems, such as the variable suspension system 51, specifically adapted to the type of road. determined during the PI determination phase and the vehicle 10 equipped in order to ensure optimal comfort for a user.
  • the detection system 1 can initiate a step E5 of updating a map fitted to the vehicle 10 so as to provide information on type of road, in particular bad road, determined during the PI determination phase.
  • the acquired data can be associated with GPS data.
  • this data can also be associated with a timestamp, in particular in order to ensure suitable mapping when the determined road type has a temporary component, for example due to temporary obstacles or the presence of bad weather such as rain, snow or ice likely to affect the road class.
  • the road type class determined for the route traveled, as well as the GPS data, and possibly timestamp data, can then be transmitted to other vehicles, to a database and/or to remote servers by via the communication module 8 in order to make this data accessible to other users, in particular other users using a similar or identical model of vehicle 10. It is, for example, then possible to associate in real time a GPS position and possibly a timestamp corresponding to an entry point and an exit point on the type of road detected. These data can, optionally, also be associated with a driving direction of the vehicle 10 on the route traveled and/or with the longitudinal speed of the vehicle 10.
  • this information has been transmitted to remote databases or servers, it can be subjected to additional processing allowing in particular to filter, group and/or validate this information before making it available to other users.
  • FIG.4 illustrates a second mode of execution of the method according to the invention, in which the determination phase PI comprises, subsequently to the estimation step E2, a validation step E6 of the estimated probability rate carried out on the basis of measurements, by at least one sensor 32, of at least one characteristic relating to the vehicle 10 in a driving situation on the route traveled.
  • the estimation step E2 as explained previously can be implemented in anticipation, on the basis of estimated and/or detected data relating to a portion of the route traveled located upstream of the vehicle 10, or in reaction, on the basis of measured data.
  • Validation step E6 can be executed simultaneously and/or subsequently to estimation step E2.
  • the validation step E6 is executed in a manner similar to what was explained above relating to the processing of data measured during the estimation step E2.
  • the classification step E3 of the road traveled in one of the predefined road type classes can then be executed conditionally only when the results of the estimation step E2 and the validation step E6 make it possible to identify an identical type of road.
  • the classification step E3 is only implemented when the probability rates of belonging to a road type class obtained during the estimation step E2 and the validation step E6 are such that they make it possible to identify the same class of road type.
  • validation step E6 can be executed in parallel with estimation step E2 and classification E3, validation step E6 reproducing said estimation steps E2 and classification E3 on the database measured for validation.
  • the method according to the invention then comprises two distinct classification steps, one primary E3, as described with reference to [Eig.2], and the other included in the validation step E6.
  • a classification of the route traveled is then recorded, for example on a memory element 6, and used for the adjustment E4 of an additional system only when the two classification steps result in the identification of the same class type of road.
  • the present invention thus proposes a method for detecting a type of road traveled by a vehicle coupling a phase of determining a type of road and a phase of learning the identification of a class of type of road.
  • road integrating an evaluation of the road comfort felt by a user for a vehicle of given model and equipment.
  • the method according to the invention can advantageously be transposed to any type of vehicle at lower cost, the execution of the learning phase making it possible to obtain a detection method adapted to the characteristics of the vehicle, in particular its model and/or its equipment. likely to impact driving comfort.
  • the invention thus makes it possible to obtain a performance of detection of road types, in particular bad roads, refined and adapted to the equipped vehicle, while ensuring the transportability of the invention to a wide range of vehicles.
  • the method according to the invention then allows more suitable control of the ancillary systems linked to the comfort of the user equipping the vehicle.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Transportation (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Chemical & Material Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Combustion & Propulsion (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Traffic Control Systems (AREA)
  • Vehicle Body Suspensions (AREA)

Abstract

Procédé de détection de détection d'un type de route parcourue par un véhicule e couplant une phase de détermination d'un type de route et une phase d'apprentissage de l'identification d'une classe de type de route intégrant une évaluation du confort de la route ressenti par un utilisateur pour un véhicule de modèle et d'équipement donné.

Description

Description
Titre de l'invention : Procédé de détection d’un type de route parcourue par un véhicule équipé
Domaine technique de l’invention
[0001] L’invention concerne un procédé de détection, notamment de détection intelligente, d’un type de route parcourue destiné à un véhicule, notamment à un véhicule en situation de roulage. L’invention porte aussi sur un système de détection d’une route parcourue. L’invention porte encore sur un véhicule équipé d’un tel système et sur un produit programme d’ordinateur pour mettre en œuvre les étapes du procédé de détection.
Etat de la technique antérieure
[0002] Dans le milieu automobile, il est connu d’équiper des véhicules de systèmes de suspension pilotées. Classiquement, de tels systèmes nécessitent de connaitre l’état et/ ou les caractéristiques d’une route parcourue par un véhicule équipé afin de piloter au mieux le système en fonction des caractéristiques propres à la route parcourue.
[0003] A cette fin, il est possible d’exécuter des méthodes de détection de mauvaises routes et/ou d’obstacles. De telles méthodes dépendent de systèmes de détection réalisant des calculs explicites de variables et de caractéristiques intermédiaires, ou « features » en anglais. Il est de ce fait nécessaire d’effectuer un réglage et un paramétrage affiné du système de détection afin d’obtenir un niveau acceptable de précision. Un autre inconvénient de tels systèmes de détection réside dans le fait qu’ils ne sont pas adaptés pour prendre en considération, pour un type de mauvaise route ou obstacle détecté, la variabilité du ressenti ou du confort du conducteur d’un type, ou modèle, de véhicule à un autre, notamment du fait de leurs différents équipements. Il en résulte qu’une route détectée comme étant mauvaise pour un certain véhicule sera également considérée comme étant mauvaise, à tort, pour un véhicule distinct plus adapté à parcourir un tel type de route, par exemple du fait d’équipement particuliers tels que des systèmes de suspensions plus adaptés. A l’inverse, une route identifiée comme étant bonne, ou praticable, pourrait être ressentie comme étant mauvaise et inconfortable selon le type de véhicule utilisé. De telles méthodes présentent ainsi un défaut de portabilité les rendant inadaptées pour une application à un ensemble de véhicules différents.
[0004] La présente invention s’inscrit dans ce contexte et vise à proposer un procédé de détection adapté pour une large gamme de véhicules présentant des caractéristiques distinctes, par exemple des véhicules particuliers, véhicules utilitaires ou autre, et ce à moindre coût.
[0005] La présente invention concerne un procédé de détection d’un type de route parcourue par un véhicule, notamment un véhicule équipé d’un système de suspensions variables, le procédé étant caractérisé en ce qu’il comprend une phase de détermination d’un type de route parcourue comprenant :
- au moins une étape d’acquisition, en temps réel ou pendant une durée prédéterminée, de données relatives au véhicule et/ou à une route parcourue par le véhicule mise en œuvre par l’intermédiaire d’un module de détection comprenant au moins un capteur et/ou au moins un moyen de détection, tel qu’une caméra;
- une étape d’estimation d’un taux de probabilité d’appartenance de la route parcourue à au moins une classe de type de route, notamment de mauvaises routes, prédéfinie en fonction desdites données acquises ;
- une étape de classification de la route parcourue dans l’une des classes de type de route en fonction des taux de probabilité d’appartenance estimés et d’extraction d’au moins un niveau de confort ressenti par un utilisateur préalablement associé à chaque classe de type de route en fonction d’au moins un équipement propre au véhicule (10) apte à influencer le confort ressenti par un utilisateur en phase de roulage.
[0006] Notamment, le procédé est un procédé de détection intelligente.
[0007] Notamment, le procédé selon l’invention peut comprendre, préalablement à l’exécution de la phase de détermination, au moins une phase d’apprentissage supervisé, propre au véhicule équipé, de l’identification d’au moins une classe de type de route prédéfinie et de l’association d’au moins un niveau de confort ressenti par un utilisateur à chaque classe de type de route en fonction d’au moins un équipement propre au véhicule apte à influencer le confort ressenti par un utilisateur en phase de roulage, la phase d’apprentissage étant mise en œuvre par l’intermédiaire d’un calculateur, d’une interface Homme-machine et/ou d’un élément de mémoire.
[0008] En outre, le procédé peut comprendre une étape d’ajustement d’au moins un système annexe équipant le véhicule, notamment un système de suspensions variables, de sorte à corriger un niveau de confort ressenti par l’utilisateur, une telle étape étant mise en œuvre lorsque le niveau de confort associé à une classe de type de route déterminée lors de la phase de détermination est inférieur à un seuil de niveau de confort adapté prédéfini et/ou lorsque la classe de type de route déterminée est comprise dans un sous- ensemble de classe prédéfini identifiées comme nécessitant l’exécution d’une étape d’ajustement.
[0009] Le procédé peut, en outre, comprendre une étape d’actualisation d’une cartographie équipant le véhicule de sorte à renseigner une classe de type de route déterminée.
[0010] Selon un exemple d’exécution du procédé selon l’invention, l’étape de classification peut être mise en œuvre seulement lorsque le taux de probabilité estimé est supérieur à un seuil prédéterminé de 60%.
[0011] Selon un exemple d’exécution du procédé, l’étape d’estimation peut être exécutée par un réseau apte à traiter des séries temporelles de données et à être entraîné lors d’une phase d’apprentissage, notamment par un réseau de neurones convolutifs.
[0012] L’étape d’acquisition de données peut être mise en œuvre par :
- détection et/ou estimation d’au moins une caractéristique relative à une portion de la route parcourue située en amont du véhicule, notamment une hauteur d’un profil de route ; et/ou
- mesure par au moins un capteur d’au moins une caractéristique relative au véhicule en situation de roulage sur ladite route parcourue, notamment un débattement des suspensions, une vitesse de roue, une vitesse longitudinale du véhicule et/ou une accélération du véhicule.
[0013] Egalement, la phase de détermination peut comprendre, ultérieurement à l’étape d’estimation, une étape de validation du taux de probabilité estimé, l’étape de validation étant réalisée sur la base de mesures, par au moins un capteur, d’au moins une caractéristique relative au véhicule en situation de roulage sur ladite route parcourue, notamment un débattement des suspensions, une vitesse de roue, une vitesse longitudinale du véhicule et/ou une accélération du véhicule.
[0014] La présente invention concerne également un système de détection d’un type de route parcourue pour un véhicule en situation de roulage. Le système comprend des éléments matériels et/ou logiciels mettant en œuvre le procédé exposé précédemment, les éléments matériels comportant au moins une unité de traitement de données, un module de détection d’au moins une caractéristique relative à une route parcourue et un module de contrôle d’au moins un système annexe équipant le véhicule, notamment un système de suspensions variables. Notamment, le système de détection peut être un système de détection intelligente.
[0015] L’invention porte, en outre, sur un véhicule automobile comprenant au moins un système annexe susceptible d’affecter un niveau de confort ressenti d’un utilisateur, tel qu’un système de suspensions variables, et un système de détection selon l’invention, apte à contrôler ledit système annexe.
[0016] L’invention peut encore s’étendre à procédé d’apprentissage pour un procédé de détection selon l’invention ou pour un système de détection selon l’invention, comprenant au moins une phase d’apprentissage supervisé, propre au véhicule équipé, de l’identification d’au moins une classe de type de route prédéfinie et de l’association d’au moins un niveau de confort ressenti par un utilisateur à chaque classe de type de route en fonction d’au moins un équipement propre au véhicule apte à influencer le confort ressenti par un utilisateur en phase de roulage, la phase d’apprentissage étant mise en œuvre par l’intermédiaire d’un calculateur, d’une interface Homme-machine et/ou d’un élément de mémoire.
[0017] L’invention s’étend encore à un produit programme d’ordinateur comprenant des ins- tructions de code de programme enregistrées sur un support lisible par ordinateur pour mettre en œuvre les étapes du procédé selon l’invention lorsque ledit programme fonctionne sur un ordinateur. Alternativement, l’invention peut s’étendre à un produit programme d’ordinateur téléchargeable depuis un réseau de communication et/ou enregistré sur un support de données lisible par un ordinateur.
[0018] Egalement, l’invention concerne 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 de détection selon l’invention ou 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 ledit procédé de détection.
[0019] L’invention porte enfin sur un signal d'un support de données, portant le produit programme d'ordinateur selon l’invention.
[0020] D’autres détails, caractéristiques et avantages ressortiront plus clairement à la lecture de la description détaillée donnée ci-après, à titre indicatif et non limitatif, en relation avec les différents exemples de réalisation illustrés sur les figures suivantes :
[0021] La [Eig.l] est une représentation schématique d’un mode de réalisation d’un système de détection selon l’invention.
[0022] La [Eig.2] est un ordinogramme général d’un exemple d’exécution d’un procédé de détection d’un type de route.
[0023] La [Eig.3] est une représentation schématique d’un exemple d’exécution d’une étape d’acquisition de données.
[0024] La [Eig.4] est un ordinogramme détaillant un deuxième exemple d’exécution du procédé selon l’invention.
Description détaillée
[0025] La [Eig.l] illustre schématiquement un exemple de réalisation d’un système de détection 1, notamment de détection intelligente, d’un type de route parcourue par un véhicule 10. Un tel système est destiné à un véhicule, notamment un véhicule automobile. Le véhicule 10 peut être, par exemple, un véhicule particulier, un véhicule utilitaire, un camion ou un bus. Notamment, le véhicule considéré peut être un véhicule connecté et/ou autonome. Les figures 2 à 4 illustrent des exemples et variantes d’exécution d’un procédé de détection, notamment de détection intelligente, d’un type de route parcourue par un tel véhicule 10. Le procédé de détection peut également être considéré comme étant un procédé de fonctionnement du système de détection 1 selon l’invention ou comme un procédé de fonctionnement du véhicule 10 automobile équipé d’un tel système de détection 1.
[0026] On entend ici par « route parcourue » une route ou un tronçon d’une route, d’une voie de circulation ou d’une chaussée au niveau duquel ou de laquelle le véhicule 10 circule en temps réel.
[0027] Le véhicule 10 comprend le système de détection 1, lequel comporte des éléments matériels et/ou logiciels aptes à mettre en œuvre, ou conçus pour mettre en œuvre le procédé de détection selon l’invention, tel que davantage exposé ci-après.
[0028] Lesdits éléments matériels comportent au moins une unité de traitement 2 de données, un module de détection 3 d’au moins une caractéristique relative à une route parcourue et un module de contrôle 4 d’au moins un système annexe 5 équipant le véhicule 10, tel qu’un système de suspensions variables 51, un système d’assistance à la conduite 52 ou un système de gestion 53 de la vitesse longitudinale.
[0029] L’unité de traitement 2 comprend au moins un calculateur 21 comportant des ressources matérielles et logicielles, plus précisément au moins un processeur, ou microprocesseur, coopérant avec des éléments de mémoire 6 du système de détection 1 et/ou du véhicule 10. Ce calculateur 21 est apte à exécuter des instructions pour la mise en œuvre d’un programme d’ordinateur. Notamment, l’unité de traitement 2 peut assurer au moins une autre fonction au sein du véhicule 10. Par exemple, le calculateur 21 peut être l’ordinateur de bord du véhicule 10, ou, d’une manière générale n’importe quel calculateur 21 embarqué dans le véhicule 10 de façon permanente ou temporaire.
[0030] Le module de détection 3 peut notamment être configuré afin de détecter et/ou estimer au moins une caractéristique relative à une portion de la route parcourue située en amont du véhicule 10, telle qu’une hauteur d’un profil de route. On entend ici par « hauteur de profil de route » une hauteur d’un point de la route relativement au véhicule. Notamment, F au moins une caractéristique considérée peut être détectée et/ ou estimée sur la base d’images de ladite portion de route.
[0031] Par exemple, le module de détection 3 peut comprendre au moins un moyen de détection 31 optique, tel qu’une caméra, un laser de balayage ou un Lidar, apte à fournir des signaux représentatifs d'une image de la route parcourue qui peuvent ensuite être transmis à l’unité de traitement 2 en vue de les traiter et/ou les archiver. Alternativement ou en combinaison, le moyen de détection 31 peut être phonique, par exemple par ultrasons. Un tel moyen de détection 31 peut, de manière préférentielle, être équipé à l’avant du véhicule 10 ou sur un toit du véhicule 10 afin d'acquérir des données relatives à une portion de route disposée en amont du véhicule 10.
[0032] Alternativement ou additionnellement, le module de détection 3 peut comprendre au moins un capteur 32 équipé sur le véhicule 10 et apte à mesurer au moins une caractéristique propre au roulage du véhicule 10, par exemple relatif au véhicule ou à un ensemble formé par le véhicule et la route parcourue. Une telle caractéristique peut, de manière non limitative, être relative à un débattement des suspensions, une vitesse de rotation des roues et/ou une vitesse longitudinale du véhicule. [0033] Le module de contrôle 4 est configuré pour commander au moins un système annexe 5 équipant le véhicule 10. Un tel système annexe 5 peut être un système de suspensions variables 51, un système d’assistance à la conduite 52, un système gestion de la vitesse longitudinale et/ou un système de cartographie, tel qu’un moyen de localisation 7 équipant le véhicule 10. Le module de contrôle 4 est notamment apte à exécuter l’allumage, l’extinction, la modification et/ou le réglage de tout ou partie des paramètres définis par F au moins un système annexe 5 considéré. De manière avantageuse, le module de contrôle 4 peut être configuré de sorte à commander une pluralité de systèmes annexes équipant le véhicule 10.
[0034] De manière optionnelle, le système de détection selon l’invention peut, en outre, comprendre tout ou partie des options suivantes :
- un moyen de localisation 7 ;
- un module de communication 8.
[0035] Le moyen de localisation 7 peut notamment permettre la localisation du véhicule 10. Il intègre, par exemple, un système de localisation approximative du véhicule 10 et/ou une cartographie haute définition de l’infrastructure routière. Notamment, la localisation approximative du véhicule 10 peut être fournie par un système de type GPS, de l’acronyme anglais « Global Positioning system » permettant l’extraction, d’une base de données de cartographie, d’informations concernant l’infrastructure routière autour de la position approximative du véhicule 10. Alternativement ou en complément, le moyen de localisation peut être un système de localisation embarqué dans le véhicule 10.
[0036] Le module de communication 8 permet notamment au véhicule 10 d’émettre et/ou de recevoir des données issues d’une base de données, d’un serveur distant, d’un ou plusieurs appareils connectés tel qu’un téléphone mobile, ou d’un véhicule lui-même équipé d’un module de communication 8 et d’un système selon l’invention. Une telle communication est établie par l’intermédiaire d’une liaison sans fil basse fréquence ou haute fréquence. Il peut, par exemple, s’agir d’une liaison sans fil basée sur des technologies « cellulaire» ou « Wifi » ou « Bluetooth ». Tel que davantage exposé ci-après, le module de communication 8 peut être mis en œuvre afin d’extraire des données relatives à l’environnement extérieur, notamment des conditions météorologiques ou de trafic routier, ou afin de transmettre des informations relatives à la route parcourue afin d’actualiser des données de cartographie.
[0037] Le système de détection 1 peut, en outre, comprendre un élément de mémoire 6 ou un espace de stockage constituant un support d'enregistrement lisible par un ordinateur ou par le calculateur 21 de l’unité de traitement 2 comprenant des instructions qui, lorsqu'elles sont exécutées par l’ordinateur ou le calculateur 21, conduisent celui-ci à mettre en œuvre le procédé tel que décrit ci-après. [0038] Un mode d’exécution du procédé de détection 100 d’un type de route parcourue par un véhicule 10 en situation de roulage est décrit ci-après en référence aux figures 2 à 4. De manière générale, le procédé de détection 100 selon l’invention comprend une phase de détermination PI d’un type de route parcourue par le véhicule et, préalablement à l’exécution de la phase de détermination PI, au moins une phase d’apprentissage P2 supervisé, propre au véhicule 10 équipé, associant notamment un niveau de confort ressenti par un utilisateur à différentes classes de type de routes, notamment de mauvaises routes. Une telle phase d’apprentissage P2 peut également être définie comme étant relative à un procédé d’entrainement pour un procédé de détection et/ou un système de détection selon l’invention.
[0039] Dans l’ensemble de la description ci-après un type de route, ou une classe de type de route, peut, de manière non limitative, être relatif à :
- un ou des type(s) de mauvaises routes susceptible(s) de provoquer des mouvements de pompage de la caisse lorsque le véhicule 10 évolue sur une route dont la densité d’amplitude spectrale des sollicitations verticales est maximale à basses fréquences ;
- un ou des type(s) de mauvaises routes susceptible(s) susceptibles de générer des tressautements ou des rebonds de roues lorsque le véhicule 10 évolue sur une route dont la densité d’amplitude spectrale des sollicitations verticales est maximale à des hautes fréquences ;
- des routes pavées ou chemins de montagne ;
- des routes dont le revêtement est de mauvaise qualité, par exemple du fait d’intempéries, tels que des précipitations, du gel, ou du fait de l’usure ;
- des routes comprenant des obstacles, tels que des dos d’ânes, passages à niveau, nids de poules ou barrettes, en fonction de leur impact sur le confort, par exemple en fonction de leurs dimensions, susceptibles de provoquer des vibrations ou chocs dans le véhicule 10, notamment présentant une haute fréquence desdits obstacles, c’est- à dire une route dégradée avec une faible distance entre des obstacles.
[0040] La phase de détermination PI comprend au moins une étape d’acquisition El, en temps réel ou pendant une durée prédéterminée, de données relatives à une route parcourue par le véhicule 10. Selon un exemple de réalisation non détaillé à la [Fig.2], la phase de détermination PI peut comprendre une pluralité d’étapes d’acquisitions, relatives à des types de données similaires ou différents. Par exemples, lesdites données peuvent porter sur une ou plusieurs caractéristiques relatives à la route parcourue et/ou au véhicule. Alternativement, l’étape d’acquisition El peut comprendre l’acquisition de différents types de données distincts. L’étape d’acquisition El est mise en œuvre par l’intermédiaire du module de détection 3 tel qu’exposé précédemment.
[0041] Afin de réaliser la classification de la route parcourue dans au moins un classe de type de route prédéterminée, tel qu’un type de mauvaise route, l’étape d’acquisition El peut être réalisée de manière à comprendre une sous-étape de détection et/ou d’estimation El i d’au moins une caractéristique relative à une portion de la route parcourue située en amont du véhicule 10 et/ou une sous-étape de mesure E12 d’au moins une caractéristique relative au véhicule 10 en situation de roulage sur ladite route parcourue. Autrement dit l’étape d’acquisition El peut mettre en œuvre l’acquisition de données de manière à anticiper des caractéristiques relatives à une portion de route à venir comprise dans la route parcourue et/ou de manière à réagir à une portion de route sur laquelle évolue le véhicule 10, c’est dire au contact de laquelle est au moins l’une des roues du véhicule 10.
[0042] Les données détectées et/ou estimées El 1 sur la base de la portion de la route parcourue située en amont du véhicule 10 peuvent, par exemple, être relatives à des caractéristiques telles qu’une hauteur d’un profil de route relativement au véhicule, notamment à une roue du véhicule, ou toutes autres informations provenant d’images de la route. Par exemple de telles données peuvent être obtenues par l’intermédiaire d’un moyen de détection optique, tel qu’une caméra.
[0043] De manière optionnelle mais préférentielle, les données détectées et/ou estimées El 1 sur la base de la portion de route située en amont du véhicule 10 peuvent être associées à un indice de confiance a représentatif d’un degré de fiabilité de la détection et/ou de l’estimation réalisée. Notamment, un tel indice de confiance a peut être défini sur la base de conditions météorologiques ou de trafic routier détectée et/ou en fonction du type de revêtement de la chaussée, susceptibles d’affecter la détection et/ou l’estimation. Par exemple, l’indice de confiance a est défini selon que la route est pavée, recouverte de neige, de gel, de feuilles ou de sable. De manière avantageuse, l’utilisation d’un indice de confiance permet d’écarter des données définies comme peu fiables, susceptibles de biaiser la classification du type de route, par exemple en écartant des données présentant un indice de confiance inférieur à un seuil amin prédéfini. Par exemple, l’indice de confiance peut être défini par l’unité de traitement 2 et/ou par le module de détection 3.
[0044] Les données mesurées E12 peuvent, de manière non limitative, être obtenues par au moins un capteur 32 et être relatives à des caractéristiques telles que le débattement des suspensions ou d’une roue, par exemple du centre d’une roue, une vitesse de roue, une vitesse longitudinale du véhicule 10 et/ou une accélération du véhicule 10. L’au moins un capteur 32 peut être compris dans le module de détection 3. Alternativement, le capteur 32 peut être un capteur 32 embarqué propre à l’un des systèmes annexes 5 équipant le véhicule 10 et configuré pour transmettre des données audit module de détection 3. De tels capteurs 32 peuvent comprendre un accéléromètre, un capteur de débattement, un capteur de déformation associé à l’une des roues et/ou un capteur de pression.
[0045] De manière préférentielle, le procédé selon l’invention est au moins réalisé en anticipation, par estimation et/ou détection El 1 de données relatives à la portion de route située en amont du véhicule 10. Tel que davantage exposé ci-après, en référence à la [Fig.4], la mise en œuvre d’une sous-étape de mesure, en sus d’une sous-étape de détection et/ou estimation El i, peut permettre d’améliorer la détection et la classification de la route parcourue au moyen d’une étape de validation.
[0046] Indépendamment du type d’acquisition réalisé, c’est-à-dire en anticipation ou en réaction, la détection et/ou l’estimation El 1 de données d’une part et la mesure de données E12 d’autre part sont chacune réalisées en au moins un point de la route. De manière préférentielle, l’acquisition de données est réalisée en au moins deux points, par exemple un point disposé sur deux lignes représentatives d’une trajectoire virtuelle des roues avant du véhicule.
[0047] La [Fig.3] illustre un exemple particulier de mise en œuvre de l’étape d’acquisition El dans lequel l’acquisition de données est réalisée en anticipation par l’intermédiaire d’un moyen de détection optique de sorte à permette une estimation des hauteurs du profil de la portion de route située en amont du véhicule 10 par traitement d’image. Dans l’exemple illustré, de manière non limitative, les données sont collectées au niveau d’une pluralité de points disposés devant chacune des roues avant du véhicule 10. En l’espèce, les données sont collectées, pour chaque roue avant, au niveau de dix points. De manière préférentielle, pour chaque roue avant, lesdits points présentent un espacement à une fréquence fixe de sorte que l’acquisition de données ne soit pas affectée de manière négative par la vitesse longitudinale du véhicule 10. Les données relatives à chacun des vingt points de mesure, dix pour chaque roue avant, sont transmises à l’unité de traitement 2.
[0048] Pour chacun des points précités, la valeur estimée de la hauteur du profil de la portion de route est associée à un indice de confiance ax de ladite estimation. Tel qu’exposé plus haut, un tel indice peut être défini par le module de détection 3 et/ou l’unité de traitement 2. Il en résulte, un ensemble de données comprenant quarante signaux entrants qui représentent les hauteurs et les indices de confiance ax des différents points de la portion de route située en amont des deux roues avant du véhicule 10.
[0049] Un tel principe s’applique mutatis mutandis au fonctionnement « par réaction » exposé plus haut, selon lequel les données sont directement obtenues par mesures E12 représentatives d’un ensemble formé par la route parcourue et le véhicule 10, à la différence qu’aucun indice de confiance n’est alors inclus.
[0050] L’unité de traitement 2 exécute ensuite une étape d’estimation E2 d’au moins un taux de probabilité d’appartenance de la route parcourue à au moins une classe de type de route prédéfinie, notamment de mauvaise route, en fonction des données acquises. Tel qu’exposé précédemment, lorsque qu’un indice de confiance est associé aux données acquises, un tel taux de probabilité est également défini sur leur base.
[0051] L’estimation des taux d’appartenance peut être réalisée par tout type de réseau apte à réaliser une tâche de classification à partir de séries temporelles de données incluant au préalable une phase d’apprentissage P2 supervisé. Le réseau considéré reçoit en entrée les données acquises lors de la phase d’acquisition, et fournit en sortie des estimations de taux d’appartenance de la route parcourue aux différentes classes de types de routes prédéfinies correspondant à un taux de probabilité que la route parcourue soit similaire, ou de même type, qu’une classe de type de route considérée. En d’autres termes, un tel type de réseau est préalablement entraîné lors d’une phase d’apprentissage P2 supervisé, tel que davantage détaillé ci-après, afin d’exécuter l’identification de différentes classes de types de routes sur la base de différents types de données et/ou de plages de données, puis peut ultérieurement être exécuté par l’unité de traitement 2 lors de la mise en œuvre du procédé afin de réaliser la classification de la route parcourue dans au moins l’une des classes identifiée lors de la phase d’apprentissage.
[0052] Selon un exemple de réalisation, les taux de probabilité d’appartenance à différentes classes de types de routes peuvent être calculés par un réseau de neurones, notamment par un réseau de neurones convolutifs, ou CNN de l’anglais « Convolution Neural Network ». Ce type de modèles peut être utilisé afin d’exécuter la classification supervisée de séries temporelles de données. Un tel principe est avantageusement simple d’implémentation et permet une invariance du traitement par translation temporelle. Selon un autre exemple de réalisation, non limitatif, les taux de probabilité d’appartenance à différentes classes de types de routes peuvent être calculés par un réseau de neurones récurrent, ou RNN de l’anglais « Recurrent Neural Network ».
[0053] Sur la base des taux de probabilité d’appartenance obtenus, l’unité de traitement 2 met en œuvre une étape de classification E3 de la route parcourue dans une classe de type de routes et d’extraction d’au moins un niveau de confort ressenti par un utilisateur préalablement associé, par exemple lors d’au moins une phase d’apprentissage P2 supervisé telle qu’exposée ci-après, à chaque classe de type de route en fonction d’au moins un équipement propre au véhicule 10 apte à influencer le confort ressenti par un utilisateur en phase de roulage. On entend, selon des exemples non limitatifs, par « équipement » des équipements susceptibles d’affecter le niveau de confort ressenti par un utilisateur tels qu’un système de suspensions ou des pneumatiques.
[0054] Par exemple, la route parcourue est classée dans une classe de type de route prédéfini sur la base du taux de probabilité estimé le plus élevé obtenu. De manière particulière, l’étape de classification E3 peut être mise en œuvre seulement lorsque le taux de probabilité estimé est supérieur à un seuil prédéterminé de 50%, voire de 60% ou encore de 75% afin d’assurer la précision de la classification. L’unité de traitement 2 extrait alors au moins un niveau de confort ressenti par un utilisateur associé à la classe de type de route détecté, c’est-à-dire préalablement défini, par calcul mis en œuvre par l’unité de traitement 2 ou par intervention manuelle d’un utilisateur ou technicien, et enregistré sur les éléments de mémoire 6 du système de détection 1 et/ou du véhicule 10.
[0055] Selon exemple d’exécution non limitatif, mis en œuvre pour un véhicule 10 en situation de roulage tel qu’illustré à la [Fig.3], à chaque pas de calcul l’unité de traitement 2 forme, comme entrée du réseau, notamment du réseau de neurones, une fenêtre glissante de données. En l’espèce, une telle fenêtre comprend les quarante dernières valeurs relatives aux hauteurs de profils de routes et indices de confiance. Le réseau de neurone exécute une inférence afin d’obtenir une distribution de probabilités sur les différentes classes de routes, notamment de mauvaises routes, puis le type de route est déterminé par sélection de la classe présentant le taux de probabilité le plus élevé.
[0056] Le réseau utilisé pour extraire des features, autrement dit caractéristiques, relatives aux classes de types de routes sur la base des séries temporelles de données brutes acquises et définir des taux de probabilité peut être défini, de manière non limitative, par un bloc de base comprenant :
- une couche, ou un filtre, de Convolution ID ; puis
- une couche ReLU, pour Unité Linéaire Rectifiée ou « Rectified Linear Units » en anglais, correspondant à une couche de correction incluant la fonction d’activation ReLU ; puis
- une couche de MaxPooling, correspondant à une couche de mise en commun ; puis
- une couche de normalisation par lot, ou « Batch Normalization ».
[0057] Un tel bloc peut être répété à plusieurs reprises, par exemple deux fois, afin d’obtenir une succession de trois blocs. Selon un exemple de réalisation non limitatif, ces trois blocs basiques peuvent être assemblés avec différentes tailles de filtres et utilisés comme entrée pour une couche entièrement connectée de sorte à donner une distribution de probabilités d’appartenance à une classe de type de route en sortie. Par exemple, les tailles de filtres utilisés dans les couches de convolutions peuvent être définies comme suit lors de l’exécution successive des trois blocs de base : 128, 256, 128. Similairement, les tailles des noyaux, ou « kernel » en anglais, des convolutions peuvent être les suivantes : 5, 3, 3. Pour l’exécution des convolutions de chacun des blocs, le padding appliqué à l’entrée permet à la sortie de garder la même dimension temporelle et le pas utilisé est de préférence de 1.
[0058] Suite à la mise en œuvre des blocs de base, une couche softmax peut être mise en œuvre. Elle fournit un taux de probabilité d’appartenance de la route parcourue pour chacune des classes possibles, la somme de ces taux de probabilité s’élevant à 1. De manière classique, la fonction softmax prend en entrée un vecteur de dimension K : z=(zi ...zK) et est définie selon :
Figure imgf000013_0001
[0060] Dans le présent exemple de réalisation, le réseau, notamment le réseau de neurones convolutifs, reçoit en entrée une matrice de taille 40x40 contenant une fenêtre temporelle contenant 40 pas de temps des 40 signaux de données décrits précédemment, relatifs à la hauteur de profil de la portion de route située en amont du véhicule 10 et aux indices de confiance. Le réseau fournit, en sortie, une distribution des taux de probabilités d’appartenance de la route à chacune des classes de types de routes possibles prédéfinies lors de la phase d’apprentissage P2. L’étape de classification E3 telle qu’exposée plus haut est ensuite exécutée, par exemple de sorte que la classification finale de la route parcourue correspond à la classe pour laquelle le taux de probabilité obtenu en sortie du réseau est maximal.
[0061] L’entraînement du réseau, par exemple du réseau de neurones convolutifs, est réalisé, tel qu’exposé précédemment lors d’au moins une phase d’apprentissage P2 supervisé, au moins mise en œuvre préalablement à la phase de détermination PI telle qu’exposé précédemment. On entend par « supervisé » qu’une telle phase d’apprentissage P2 nécessite, au moins partiellement, une intervention humaine.
[0062] La phase d’apprentissage P2 vise d’une part à entraîner le réseau, autrement dit le modèle, afin qu’il soit apte à permettre l’identification d’une classe de type de route prédéfinie correspondant à une route parcourue lorsque la phase de détermination PI est exécutée, et, d’autre part, à entraîner le modèle afin qu’il soit apte à associer aux différentes classes de types de route un niveau de confort ressenti par l’utilisateur.
[0063] La phase d’apprentissage P2 peut être mise en œuvre par l’intermédiaire d’un calculateur 21, d’une interface Homme-machine et/ou d’un élément de mémoire. Une fois entraîné, le modèle peut aisément être implémenté dans un calculateur 21 du véhicule 10, par exemple dans l’unité de traitement 2, lors de la mise en œuvre de la phase de détermination PL
[0064] L’entraînement du réseau en vue de l’identification d’un type de route comprend une phase dite « d’inférence », réalisé selon un principe similaire à ce qui a été exposé en référence à la phase de détermination PI, à partir de données pour lesquels la classe de type de route est préalablement connue, par exemple par un étiquetage manuel, c’est-à-dire supervisé, d’une base de données d’apprentissage, aussi la description précédente s’applique mutatis mutandis. Pour constituer la base d’apprentissage, des enregistrements de données relatives à différents types de routes sont réalisés, sur la base d’un ou plusieurs types de données relatives à des caractéristiques propres à la route parcourue et/ou au véhicule, tel qu’exposé précédemment en référence à l’étape d’acquisition El.
[0065] Ces enregistrements, pour lesquelles le résultat désiré du traitement pas le modèle, sont soumis au modèle afin d’entraîner celui-ci à l’identification, c’est-à-dire à l’exécution de l’étape d’estimation et de classification telles que précédemment exposées, d’un type de route sur la base de données détectées et/ou estimées, c’est-à-dire en anticipation, et/ou sur la base de données mesurées, c’est-à-dire en réaction. Les différentes classes de types de routes sont ainsi définies en fonction d’au moins un type de données, notamment en fonction de plages de valeurs définies pour au moins un type de données considéré, par exemple la hauteur de profil de route. Puis, en fonction de la classe ou bien de la distribution des taux de probabilités d’appartenance de la route à chacune des classes de types de routes possibles prédéfinies déterminée pas le modèle, une estimation de l’erreur faite par le modèle est calculée.
[0066] Dans le cas de réseaux, en particulier de réseaux de neurones convolutifs, une fonction de perte ou de coût, par exemple une fonction d’entropie croisée, peut être utilisée. De manière optionnelle mais préférentielle une pondération peut être appliquée à une telle fonction de perte afin de prévenir un suraprentissage, aussi qualifié d’overfitting en anglais, ou afin de permettre un apprentissage artificiellement accéléré si les enregistrements des différents types de routes ne sont pas équitablement répartis en termes de nombre d’exemples par classe.
[0067] L’entraînement du réseau vise également à identifier et/ou associer au moins un niveau de confort estimé, représentatif du confort de l’utilisateur et du ressenti de la route parcourue, aux différentes classes de types de route. Un tel entraînement peut être effectué sur la base d’au moins un critère, lequel peut être objectif ou subjectif. De manière avantageuse, l’entraînement peut être réalisé sur la base d’une pluralité de critères objectifs et/ou subjectifs. Les différentes classes de types de routes peuvent être associées à au moins un critère, notamment à au moins une plage de valeurs définie pour l’au moins un critère considéré.
[0068] On entend par exemple par « critère objectif » des critères définis sur la base de valeurs mesurées, estimées et/ou calculées par des moyens de détections et/ou des capteurs 32 embarqués dans le véhicule 10. Par exemple, un critère objectif peut être relatif à la transmissibilité, c’est-à-dire au ratio entre le déplacement de la masse suspendue par rapport à la sollicitation de la route qui permet d’évaluer la caractéristique d’isolation vibratoire d’une suspension donnée. Il peut également être défini un critère basé sur le débattement des roues par rapport à la caisse au passage des perturbations ou obstacles, et notamment l’atteinte des butées de compression ou de détentes qui pénalisent fortement le confort, ou encore un critère sur la valeur efficace, ou RMS, de l’accélération verticale au centre de gravité de la voiture.
[0069] Lorsque l’entraînement est basé sur des critères objectifs, il peut avantageusement être exécuté de manière automatique et est défini spécifiquement en fonction des équipements propres au véhicule 10, ou à un modèle de véhicule 10, de sorte que l’évaluation du confort ressenti associé au type de route identifié est définie de manière adaptée relativement au véhicule 10 équipé du système de détection et à ses équipements, tels que son système de suspensions, et non de manière générique.
[0070] A l’inverse, on entend par « critère subjectif » que l’apprentissage est réalisé de manière supervisée par un utilisateur ou par un expert qui peut, par exemple, lui-même associer un niveau de confort prédéfini à chacune des différentes classes de types de routes en fonction des équipements du véhicule, tel que le système de suspensions. L’utilisateur ou l’expert est alors en mesure de classifier subjectivement le type de la route rencontrée en fonction de son ressenti sur la réponse du véhicule et du confort résultants pour les passager au passage sur cette route.
[0071] Similairement à ce qui a été exposé plus haut, lors de l’entraînement relatif au confort, une fonction de perte et, de manière optionnelle, une pondération, peuvent être mises en œuvre.
[0072] La phase d’apprentissage P2 peut ainsi avantageusement être adaptée selon le besoin et les différents types de routes peuvent ainsi être classifiés par l’utilisateur ou l’expert en fonction de ce qu’il est souhaitable de détecter, c’est-à-dire en fonction des équipements du véhicule 10 et/ou en fonction des systèmes annexes 5 susceptibles d’être pilotés, notamment du système de suspension ou d’amortisseurs, et en fonction d’un niveau confort désiré défini par l’utilisateur ou l’expert.
[0073] Lors de cette phase d’apprentissage P2 la qualité et la consistance de l’entraînement est essentielle afin d’assurer une identification précise et performante des différents types. Dans cette application, le procédé selon l’invention permet avantageusement d’obtenir une précision globale de l’ordre de 98% avec un score Fl pondéré de 97%.
[0074] Dans le cas exposé ci-dessus, au moins une phase d’apprentissage P2 est mis en œuvre préalablement à l’exécution de la phase de détermination PL Une pluralité de phases de détections peut être exécutées suite à une telle phase d’apprentissage P2, tel qu’illustré par le cadre pointillé P2’. Par exemple, la phase d’apprentissage P2 peut être réalisée préalablement à la mise en circulation du véhicule ou lors d’un entretien, ou une révision du véhicule.
[0075] De manière optionnelle, le procédé selon l’invention peut comprendre une phase additionnelle d’apprentissage P2’, mise en œuvre ultérieurement à l’exécution de la phase de détermination PI d’un type de route. Une telle phase d’apprentissage P2 additionnelle est exécutée similairement à ce qui a été exposé précédemment et peut être, par exemple, mise en œuvre par un utilisateur afin d’affiner ou d’adapter l’entraînement de l’identification et/ou du niveau de confort associé aux différents types de route à ses préférences ou besoins.
[0076] Ainsi, tel qu’illustré à la [Fig.2], en conditions de roulage, une fois la classe de type de route propre à la route parcourue identifié, c’est-à-dire à l’issue de l’étape de classification E3 de la phase de détermination PI, l’unité de traitement peut extraire, par exemple d’un élément de mémoire, un niveau de confort associé à la classe de type de route identifiée qui est alors représentatif d’un niveau de confort ressenti, en temps réel, par l’utilisateur alors que le véhicule évolue sur la route parcourue. Le système de détection 1 peut alors initier, par l’intermédiaire du module de contrôle 4, une étape d’ajustement E4 d’au moins un système annexe 5 équipant le véhicule 10 de sorte à corriger le niveau de confort ressenti par l’utilisateur.
[0077] L’étape d’ajustement E4 peut être mise en œuvre lorsque le niveau de confort associé au type de route identifié est inférieur à un seuil de niveau de confort adapté prédéfini, par exemple lorsque le type de route déterminé est une mauvaise route associée à un niveau de confort jugé inadapté lors de la phase d’apprentissage. Un tel seuil peut être défini préalablement par un expert et/ou ajusté par un utilisateur. Alternativement, l’étape d’ajustement peut être mise en œuvre lorsque la classe de type de route identifiée lors de la phase de détermination PI est comprise dans un sous-ensemble de classe préalablement identifiées, par exemple lors de la phase d’apprentissage, comme nécessitant une correction du confort ressenti. Par exemple, un tel type de route peut être une « mauvaise route ».
[0078] On entend ici par « corriger » que, lorsque le niveau de confort ressenti estimé est inférieur au seuil prérequis, il est nécessaire d’adapter au moins un système annexe 5 afin d’augmenter le confort d’un utilisateur. Un tel principe peut être réalisé en adaptant le système de suspensions de manière à les rendre plus souples ou rigides, en adaptant la vitesse longitudinale du véhicule, par exemple en la réduisant.
[0079] Par exemple, dans le cadre du pilotage d’un système de suspensions ou d’amortisseurs variable, la force d’amortissement peut être modifiée, notamment augmentée, dans diverses proportions lorsque qu’un obstacle, un dos d’âne ou une mauvaise route basse fréquence est détecté, lesdites proportions étant adaptées au type d’obstacle ou de route détecté. A l’inverse, la force d’amortissement peut être diminuée au passage d’une mauvaise route haute fréquence ou d’une petite percussion.
[0080] Comme exposé précédemment, le système annexe 5 en question peut être un système de suspensions variables 51, un système de contrôle de la vitesse longitudinale et/ou un système d’assistance à la conduite 52. A noter que les fonctions d'assistance à la conduite peuvent notamment inclure les avertissements de collision, l’information ou l’alerte du conducteur, le freinage d'urgence ou encore la direction d'urgence. La correction effectuée peut alors affecter un ou plusieurs desdits systèmes.
[0081] Comme indiqué plus haut, de manière avantageuse, les classes de types de route, notamment de mauvaises routes, peuvent être adaptées selon l’utilisation souhaitée du véhicule et/ou du système de détection, c’est-à-dire par exemple selon le système annexe 5 visé et/ou selon un mode de fonctionnement du véhicule 10 parmi des modes classiquement disponibles tels qu’un mode de conduite « sportive » ou « confort » par exemple. Le procédé selon l’invention permet ainsi, au moment de la détection du type de route de la route parcourue, le déclenchement d’une stratégie de contrôle des systèmes annexes, tels que le système de suspensions variables 51, spécifiquement adaptée au type de route déterminé lors de la phase de détermination PI et au véhicule 10 équipé afin d’assurer le confort optimal d’un utilisateur.
[0082] De manière additionnelle ou alternative, une fois la classe de type de route propre à la route parcourue identifiée, le système de détection 1 peut initier une étape d’actualisation E5 d’une cartographie équipant le véhicule 10 de sorte à renseigner un type de route, notamment de mauvaise route, déterminé lors de la phase de détermination PI. En ce sens, lors de la phase de détermination PI, par exemple lors de l’étape d’acquisition El et/ou lors de l’étape de classification E3, les données acquises peuvent être associées à des données GPS. De manière optionnelle, ces données peuvent également être associées à un horodatage, notamment afin d’assurer une cartographie adaptée lorsque le type de route déterminé présente une composante temporaire, par exemple du fait d’obstacles temporaires ou de la présence d’intempéries telles que de la pluie, neige ou glace susceptibles d’affecter la classe de la route.
[0083] La classe de type de route déterminée pour la route parcourue, ainsi que les données GPS, et éventuellement d’horodatage, peuvent alors être transmises à d’autres véhicules, à une base de données et/ou à des serveurs distants par l’intermédiaire du module de communication 8 afin de rendre ces données accessibles à d’autres utilisateurs, notamment d’autres utilisateurs utilisant un modèle similaire ou identique de véhicule 10. Il est, par exemple, alors possible d’associer en temps réel une position GPS et éventuellement un horodatage correspondant à un point d’entrée et un point de sortie sur le type de route détectée. Ces données peuvent, de manière optionnelle, également être associées à un sens de roulage du véhicule 10 sur la route parcourue et/ ou à la vitesse longitudinale du véhicule 10.
[0084] Une fois ces informations transmises sur des bases de données ou serveurs distants, celles-ci peuvent être soumises à des traitements additionnels permettant notamment de filtrer, regrouper et/ou valider ces informations avant de les rentre disponibles à d’autres utilisateurs.
[0085] La [Fig.4] illustre un deuxième mode d’exécution du procédé selon l’invention, dans lequel la phase de détermination PI comprend, ultérieurement à l’étape d’estimation E2, une étape de validation E6 du taux de probabilité estimé réalisée sur la base de mesures, par au moins un capteur 32, d’au moins une caractéristique relative au véhicule 10 en situation de roulage sur la route parcourue. Dans un tel mode d’exécution, l’étape d’estimation E2 telle qu’exposée précédemment peut être mise en œuvre en anticipation, sur la base de données estimées et/ou détectées relatives à une portion de la route parcourue située en amont du véhicule 10, ou en réaction, sur la base de données mesurées.
[0086] L’étape de validation E6 peut être exécutée simultanément et/ou ultérieurement à l’étape d’estimation E2. L’étape de validation E6 est exécutée de manière similaire à ce qui a été exposé plus haut relativement au traitement de données mesurées lors de l’étape d’estimation E2.
[0087] L’étape de classification E3 de la route parcourue dans l’une des classes de types de route prédéfinies peut alors être exécutée de manière conditionnelle seulement lorsque les résultats de l’étape d’estimation E2 et de l’étape de validation E6 permettent d’identifier un type de route identique. En d’autres termes, l’étape de classification E3 n’est mise en œuvre que lorsque les taux de probabilités d’appartenance à une classe de type de route obtenus lors de l’étape d’estimation E2 et l’étape de validation E6 sont tels qu’ils permettent d’identifier une même classe de type de route.
[0088] Alternativement, l’étape de validation E6 peut être exécutée parallèlement à l’étape d’estimation E2 et de classification E3, l’étape de validation E6 reproduisant lesdites étapes d’estimation E2 et de classification E3 sur la base de données mesurées en vue de la validation. Le procédé selon l’invention comprend alors deux étapes de classification distinctes, l’une primaire E3, telle que décrite en référence à la [Eig.2], et l’autre comprise dans l’étape de validation E6. Une classification de la route parcourue n’est alors enregistrée, par exemple sur un élément de mémoire 6, et utilisée pour l’ajustement E4 d’un système annexe que lorsque les deux étapes de classification résultent en l’identification d’une même classe de type de route. Un tel principe permet avantageusement d’optimiser encore la précision du procédé selon l’invention.
[0089] La présente invention propose ainsi un procédé de détection d’un type de route parcourue par un véhicule couplant une phase de détermination d’un type de route et une phase d’apprentissage de l’identification d’une classe de type de route intégrant une évaluation du confort de la route ressenti par un utilisateur pour un véhicule de modèle et d’équipement donné. Le procédé selon l’invention peut avantageusement être transposé à tout type de véhicule à moindre coût, l’exécution de la phase d’apprentissage permettant d’obtenir un procédé de détection adapté aux caractéristiques du véhicule, notamment son modèle et/ou ses équipement susceptibles d’impacter le confort de route. L’invention permet ainsi d’obtenir une performance de détection des types de route, notamment de mauvaise route, affinée et adaptée au véhicule équipé, tout en assurant la transportabilité de l’invention à une large gamme de véhicules. Le procédé selon l’invention permet alors un contrôle plus adapté des systèmes annexes liés au confort de l’utilisateur équipant le véhicule.
[0090] La présente invention ne saurait toutefois se limiter aux moyens et configurations décrits et illustrés ici et elle s’étend également à tout moyen ou configuration équivalents et à toute combinaison techniquement opérante de tels moyens dans la mesure où ils remplissent in fine les fonctionnalités décrites et illustrées dans le présent document.

Claims

Revendications
[Revendication 1] Procédé de détection (100) d’un type de route parcourue par un véhicule (10), notamment un véhicule (10) équipé d’un système de suspensions variables (51), le procédé étant caractérisé en ce qu’il comprend une phase de détermination (PI) d’un type de route parcourue comprenant :
- au moins une étape d’acquisition (El), en temps réel ou pendant une durée prédéterminée, de données relatives au véhicule et/ou à une route parcourue par le véhicule (10) mise en œuvre par l’intermédiaire d’un module de détection (3) comprenant au moins un capteur (32) et/ou au moins un moyen de détection (31), tel qu’une caméra;
- une étape d’estimation (E2) d’un taux de probabilité d’appartenance de la route parcourue à au moins une classe de type de route, notamment de mauvaises routes, prédéfinie en fonction desdites données acquises ;
- une étape de classification (E3) de la route parcourue dans l’une des classes de type de route en fonction des taux de probabilité d’appartenance estimés et d’extraction d’au moins un niveau de confort ressenti par un utilisateur préalablement associé à chaque classe de type de route en fonction d’au moins un équipement propre au véhicule (10) apte à influencer le confort ressenti par un utilisateur en phase de roulage.
[Revendication 2] Procédé de détection (100) selon la revendication précédente, comprenant, en outre, préalablement à l’exécution de la phase de détermination (PI), au moins une phase d’apprentissage (P2) supervisé, propre au véhicule (10) équipé, de l’identification d’au moins une classe de type de route prédéfinie et de l’association d’au moins un niveau de confort ressenti par un utilisateur à chaque classe de type de route en fonction d’au moins un équipement propre au véhicule (10) apte à influencer le confort ressenti par un utilisateur en phase de roulage, la phase d’apprentissage (P2) étant mise en œuvre par l’intermédiaire d’un calculateur (21), d’une interface Homme-machine et/ou d’un élément de mémoire.
[Revendication 3] Procédé de détection (100) selon l’une des revendications précédentes, comprenant, en outre, une étape d’ajustement (E4) d’au moins un système annexe (5) équipant le véhicule (10), notamment un système de suspensions variables (51), de sorte à corriger un niveau de confort ressenti par l’utilisateur, une telle étape étant mise en œuvre lorsque le niveau de confort associé à une classe de type de route déterminée lors de la phase de détermination (PI) est inférieur à un seuil de niveau de confort adapté prédéfini et/ou lorsque la classe de type de route déterminée est comprise dans un sous-ensemble de classe prédéfini identifiées comme nécessitant l’exécution d’une étape d’ajustement (E4).
[Revendication 4] Procédé de détection (100) selon l’une des revendications précédentes, comprenant, en outre, une étape d’actualisation (E5) d’une cartographie équipant le véhicule (10) de sorte à renseigner une classe de type de route déterminée.
[Revendication 5] Procédé de détection (100) selon l’une des revendications précédentes, dans lequel l’étape de classification (E3) est mise en œuvre seulement lorsque le taux de probabilité estimé est supérieur à un seuil prédéterminé de 60%.
[Revendication 6] Procédé de détection (100) selon l’une des revendications précédentes, dans lequel l’étape d’estimation (E2) est exécutée par un réseau apte à traiter des séries temporelles de données et à être entraîné lors d’une phase d’apprentissage (P2), notamment par un réseau de neurones convolutifs.
[Revendication 7] Procédé de détection (100) selon l’une des revendications précédentes, dans lequel l’étape d’acquisition (El) de données est mise en œuvre par
- détection et/ou estimation d’au moins une caractéristique relative à une portion de la route parcourue située en amont du véhicule (10), notamment une hauteur d’un profil de route ; et/ou
- mesure par au moins un capteur (32) d’au moins une caractéristique relative au véhicule (10) en situation de roulage sur ladite route parcourue, notamment un débattement des suspensions, une vitesse de roue, une vitesse longitudinale du véhicule (10) et/ou une accélération du véhicule (10).
[Revendication 8] Procédé de détection (100) selon l’une des revendications précédentes, dans lequel la phase de détermination (PI) comprend, ultérieurement à l’étape d’estimation (E2), une étape de validation (E6) du taux de probabilité estimé, l’étape de validation (E6) étant réalisée sur la base de mesures, par au moins un capteur (32), d’au moins une caractéristique relative au véhicule (10) en situation de roulage sur ladite route parcourue, notamment un débattement des suspensions, une vitesse de roue, une vitesse longitudinale du véhicule (10) et/ou une accélération du véhicule (10).
[Revendication 9] Système de détection (1) d’un type de route parcourue pour un véhicule (10) en situation de roulage, le système comprenant des éléments matériels et/ou logiciels mettant en œuvre le procédé selon l’une des revendications 1 à 8, les éléments matériels comportant au moins une unité de traitement (2) de données, un module de détection (3) d’au moins une caractéristique relative à une route parcourue et un module de contrôle (4) d’au moins un système annexe (5) équipant le véhicule (10), notamment un système de suspensions variables (51).
[Revendication 10] Véhicule (10) automobile comprenant au moins un système annexe (5) susceptible d’affecter un niveau de confort ressenti d’un utilisateur, tel qu’un système de suspensions variables (51), et un système de détection (1) selon la revendication 9, apte à contrôler ledit système annexe (5).
[Revendication 11] 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 8 lorsque ledit programme fonctionne sur un ordinateur.
PCT/EP2023/063621 2022-05-25 2023-05-22 Procédé de détection d'un type de route parcourue par un véhicule équipé WO2023227512A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FRFR2205046 2022-05-25
FR2205046A FR3135945A1 (fr) 2022-05-25 2022-05-25 Procédé de détection d’un type de route parcourue par un véhicule équipé

Publications (1)

Publication Number Publication Date
WO2023227512A1 true WO2023227512A1 (fr) 2023-11-30

Family

ID=82780991

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2023/063621 WO2023227512A1 (fr) 2022-05-25 2023-05-22 Procédé de détection d'un type de route parcourue par un véhicule équipé

Country Status (2)

Country Link
FR (1) FR3135945A1 (fr)
WO (1) WO2023227512A1 (fr)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118196105A (zh) * 2024-05-20 2024-06-14 东港市广增建筑安装有限公司 一种基于图像识别的道路质量检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2853295A1 (fr) * 2003-04-01 2004-10-08 Renault Sa Procede de commande d'une direction assistee electrique pour vehicule automobile
US20140195112A1 (en) * 2013-01-08 2014-07-10 Ford Global Technologies, Llc Adaptive Active Suspension System With Road Preview
DE102018109965A1 (de) * 2017-12-14 2019-06-19 Neusoft Corporation Verfahren und Vorrichtung für intelligente Geländeidentifikation, fahrzeugmontiertes Endgerät und Fahrzeug
US10479356B1 (en) * 2018-08-17 2019-11-19 Lyft, Inc. Road segment similarity determination
CN110834639A (zh) * 2019-10-24 2020-02-25 中国第一汽车股份有限公司 车辆控制方法、装置、设备和存储介质
US20210178845A1 (en) * 2019-12-13 2021-06-17 Hyundai Motor Company Method and apparatus for controlling electronic control suspension

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2853295A1 (fr) * 2003-04-01 2004-10-08 Renault Sa Procede de commande d'une direction assistee electrique pour vehicule automobile
US20140195112A1 (en) * 2013-01-08 2014-07-10 Ford Global Technologies, Llc Adaptive Active Suspension System With Road Preview
DE102018109965A1 (de) * 2017-12-14 2019-06-19 Neusoft Corporation Verfahren und Vorrichtung für intelligente Geländeidentifikation, fahrzeugmontiertes Endgerät und Fahrzeug
US10479356B1 (en) * 2018-08-17 2019-11-19 Lyft, Inc. Road segment similarity determination
CN110834639A (zh) * 2019-10-24 2020-02-25 中国第一汽车股份有限公司 车辆控制方法、装置、设备和存储介质
US20210178845A1 (en) * 2019-12-13 2021-06-17 Hyundai Motor Company Method and apparatus for controlling electronic control suspension

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118196105A (zh) * 2024-05-20 2024-06-14 东港市广增建筑安装有限公司 一种基于图像识别的道路质量检测方法

Also Published As

Publication number Publication date
FR3135945A1 (fr) 2023-12-01

Similar Documents

Publication Publication Date Title
US12002308B1 (en) Driving event data analysis
US10636291B1 (en) Driving event data analysis
JP7295036B2 (ja) トリップの種類を識別するためのテレマティクスデータの使用
US10657739B2 (en) Vehicle tire monitoring systems and methods
US9604648B2 (en) Driver performance determination based on geolocation
JP7014608B2 (ja) 運転者の自動特定
US9390568B2 (en) Driver identification based on driving maneuver signature
US20230012186A1 (en) System and method for vibroacoustic diagnostic and condition monitoring a system using neural networks
US10467482B2 (en) Method and arrangement for assessing the roadway surface being driven on by a vehicle
EP2047345A1 (fr) Procede de determination de limites de roulage d'un vehicule
WO2015044384A2 (fr) Dispositif et procédé d'aide à la conduite
WO2023227512A1 (fr) Procédé de détection d'un type de route parcourue par un véhicule équipé
FR3074123A1 (fr) Evaluation d'un style de conduite d'un conducteur d'un vehicule routier en mouvement par apprentissage automatique
JP7377154B2 (ja) 路面性状判定装置
WO2017198973A1 (fr) Procédé de proposition d'une vitesse de roulage
FR3093055A1 (fr) Méthodes et Systèmes de recommandation de vitesse
EP3328668B1 (fr) Dispositif pour estimer un indicateur d'état d'une voie de circulation empruntée par un véhicule terrestre
WO2014077921A1 (fr) Procédé et système de détermination du risque de crédit à partir du comportement de conduite
US20240053167A1 (en) System and method for road feature detection
NL2026649B1 (en) Systems and methods for personalized safe driving instructions
FR3101045A1 (fr) Module de détermination en temps réel d’un profil de conduite personnalisé
FR3143514A1 (fr) Procédé de gestion automatisée de la vitesse longitudinale d’un véhicule automobile.
CN118843084A (en) Collecting and distributing metadata of a vehicle surroundings
FR3138534A1 (fr) Procédé et dispositif de contrôle de système d’aide à la conduite d’un véhicule en fonction d’un niveau d’usure des plaquettes de frein
WO2019122719A1 (fr) Procede et systeme de construction d'une base de donnees de signatures acoustiques de roulement de pneumatique sur un sol de roulage

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: 23728699

Country of ref document: EP

Kind code of ref document: A1