WO2024078965A1 - Procédé de gestion automatisée de la vitesse longitudinale d'un véhicule automobile - Google Patents

Procédé de gestion automatisée de la vitesse longitudinale d'un véhicule automobile Download PDF

Info

Publication number
WO2024078965A1
WO2024078965A1 PCT/EP2023/077592 EP2023077592W WO2024078965A1 WO 2024078965 A1 WO2024078965 A1 WO 2024078965A1 EP 2023077592 W EP2023077592 W EP 2023077592W WO 2024078965 A1 WO2024078965 A1 WO 2024078965A1
Authority
WO
WIPO (PCT)
Prior art keywords
motor vehicle
tsp
mod
model
tracking time
Prior art date
Application number
PCT/EP2023/077592
Other languages
English (en)
Inventor
Renaud DEBORNE
Original Assignee
Ampere 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 Ampere S.A.S. filed Critical Ampere S.A.S.
Publication of WO2024078965A1 publication Critical patent/WO2024078965A1/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
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
    • B60W30/14—Adaptive cruise control
    • B60W30/16—Control of distance between vehicles, e.g. keeping a distance to preceding vehicle
    • 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
    • B60W40/08—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 drivers or passengers
    • B60W40/09—Driving style or behaviour
    • 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
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/10—Interpretation of driver requests or demands
    • 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
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0028—Mathematical models, e.g. for simulation
    • B60W2050/0029—Mathematical model of the driver
    • 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
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/80—Spatial relation or speed relative to objects
    • B60W2554/802—Longitudinal distance
    • 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
    • B60W2554/80—Spatial relation or speed relative to objects
    • B60W2554/804—Relative 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
    • 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
    • B60W2556/10—Historical data

Definitions

  • the invention relates to a method for automated management of the longitudinal speed of a motor vehicle.
  • the invention also relates to a device for automated management of the longitudinal speed of a motor vehicle.
  • the invention also relates to a computer program implementing the mentioned method.
  • the invention finally relates to a recording medium on which such a program is recorded.
  • Control of the longitudinal speed of a motor vehicle can be automated, whether by a cruise control or by an autonomous driving system.
  • Such automatic longitudinal speed management systems make it possible in particular to adapt the speed of the equipped vehicle to the presence of vehicles in its environment. Thus, when they are active, they act on the behavior of the vehicle like a virtual driver taking over part of the driving task.
  • the aim of the invention is to provide a device and a method for automated management of longitudinal speed which overcomes the above drawbacks and improves the devices and methods for automated management of longitudinal speed known from the prior art.
  • the invention makes it possible to produce a device and a method which are simple and reliable and which adapts to the driving habits of a user.
  • the invention relates to a method for managing the longitudinal speed of a first motor vehicle comprising means for perceiving the environment located at the front of the motor vehicle and a first means for determining the the speed and acceleration of the motor vehicle.
  • the process includes an alternation between the following steps:
  • a learning step comprising an iteration, at different observation times, of the following sub-steps:
  • a sub-step of recording observation data comprising a measurement at the moment of observation of a longitudinal speed of the first motor vehicle and a calculation at the moment observation of a driver tracking time separating the first motor vehicle from a second motor vehicle preceding the first motor vehicle on its lane, the driver tracking time being calculated as a function of the data from the perception means and the first means of determination, or
  • an end of observation sub-step comprising a calculation of a model of a personalized monitoring time from the observation data collected during the different observation times, the calculation of the model including a calculation according to the least squares method
  • the personalized tracking time being calculated from the personalized tracking time model and as a function of a longitudinal speed of the first motor vehicle measured by the first determination means at an iteration instant of the application step.
  • the motor vehicle further comprising a second means for determining a type of weather conditions among a predefined set of weather conditions, and
  • the observation data recording sub-step further comprises a determination and recording of meteorological conditions at the observation time from among the predefined set of meteorological conditions,
  • the end of observation sub-step includes an update of a sub-model of the model consolidated by meteorological condition of the predefined set
  • the application step includes a sub-step of determining, among the predefined set, the weather conditions at the iteration instant, and the sub-model used to calculate the personalized tracking time is determined by the conditions meteorological conditions determined at the time of iteration.
  • a personalized tracking time model is a piecewise affine function which associates a driver tracking time with any longitudinal speed included in a given interval of values, the given interval of values being broken down into subintervals delimiting the pieces of the piecewise affine function.
  • each given subinterval is associated with a subset of the set of observations grouping together the observations carried out when the longitudinal speed applied by a motor vehicle was within the range of speeds defined by the given subinterval, and in that the origin and the slope of the piece of the piecewise affine function delimited by the subinterval are calculated by application of the least squares method to the observations of the subset .
  • the subintervals determine speed ranges of a fixed amplitude, for example speed ranges whose amplitude is equal to 10 kilometers per hour.
  • steps E2 and/or E3 are carried out at a frequency of a computer on which the method is executed, for example at a frequency of 100 Hertz.
  • the method comprises a driving phase delimited by
  • a personalized tracking time model is recorded in a volatile memory of the motor vehicle, and, at the end time of driving phase, a personalized tracking time model is recorded in a non-volatile memory of the motor vehicle.
  • the invention further relates to a device for managing the longitudinal speed of a first motor vehicle, the motor vehicle being equipped with a longitudinal speed control module, a motor and a system braking, the device comprising hardware and/or software elements implementing the method according to the invention, in particular hardware and/or software elements designed to implement the method according to the invention, and/or the device comprising means of implementing the steps of the method according to the invention.
  • the invention further relates to a computer program product comprising program code instructions recorded on a computer-readable medium for implementing the steps of the method according to the invention when said program operates on a computer, or on a computer program product downloadable from a communications network and/or recorded on a data carrier readable by a computer and/or executable by a computer, comprising instructions which, when the program is executed by the computer, lead him to implement the steps of the method according to the invention.
  • the invention also relates to a data recording medium, readable by a computer, on which is recorded a computer program comprising program code instructions for implementing the method according to the invention, or on a computer-readable recording medium comprising instructions which, when executed by a computer, lead it to implement the steps of the method according to the invention.
  • the invention also relates to a signal from a data carrier, carrying the computer program product according to the invention.
  • FIG.l represents a motor vehicle equipped with an automated longitudinal speed management device according to the invention.
  • FIG.2 defines the longitudinal and lateral speeds of the motor vehicle and of a previous target vehicle on its lane.
  • FIG.4 is a first flowchart of an automated management method according to the invention.
  • FIG.5 illustrates a method for updating a personalized tracking time model.
  • FIG.6 illustrates a method of applying a personalized tracking time model.
  • FIG.7 is a second flowchart of an automated management method according to the invention.
  • FIG.8 is a flowchart of a step of learning a conductor tracking time.
  • FIG.9 is a flowchart of a step of automatic application of a personalized tracking time.
  • the first motor vehicle 100, or motor vehicle 100 can be a motor vehicle of any type, in particular a passenger vehicle, a utility vehicle, a truck or even a public transport vehicle such as a bus or a shuttle. According to the embodiment described, the motor vehicle 100 is an autonomous vehicle and will be designated “autonomous vehicle” in the remainder of the description.
  • the vehicle tomobile could be a non-autonomous vehicle, equipped with a driving assistance system, in particular a driving assistance system corresponding to a level greater than or equal to level 2 of autonomy, i.e. corresponding to partial autonomy of the vehicle.
  • the motor vehicle 100 comprises a system 10 for automated management of the longitudinal speed of a motor vehicle, also called “management system 10” in the rest of the document.
  • the management system 10 can be part of a more global driving assistance system 50, comprising a longitudinal speed control module 5 capable of transmitting control orders to a motor 6 or to a system braking 7 of the vehicle.
  • the motor vehicle 100 can be equipped with several motors, for example a thermal engine and an electric motor.
  • the stopping of the motor vehicle 100 corresponds to the stopping of all the engines used for the movement of the motor vehicle 100.
  • the axis known as the longitudinal axis 101 of the motor vehicle 100 is defined as an axis of symmetry of the motor vehicle 100 parallel to the axis along which the vehicle moves in a straight line, oriented towards the front of the vehicle.
  • the so-called lateral axis 102 of the motor vehicle intersects the longitudinal axis 101 perpendicularly at a point located at the center of gravity of the motor vehicle 100, and it is oriented towards the left of the motor vehicle, the left and the right being defined according to the driver's point of view.
  • the speed vector 103 of the motor vehicle 100 projected onto the longitudinal axis 101 defines the longitudinal component 104 of the speed vector, called longitudinal speed.
  • the speed vector 103 of the motor vehicle 100 projected onto the lateral axis 102 defines the lateral component 105 of the speed vector, called lateral speed.
  • a distance between two vehicles can be projected onto the longitudinal and lateral axes, thus defining a longitudinal distance -or tracking distance DS- and a lateral distance.
  • a target vehicle 200 can be a motor vehicle of any type, in particular a passenger vehicle or a utility vehicle or even a motorcycle.
  • tracking time the time it would take, at a given moment, for the motor vehicle 100 to reach the position of a target vehicle 200.
  • the motor vehicle 100 may also be designated by the term “following vehicle”.
  • FIG.3 makes it possible to compare automatic management and manual management of the tracking time applied between a following vehicle and a target vehicle, the automatic management taking place without implementing the invention.
  • Graphs G30, G40 and G50 illustrate the evolution of the tracking time as a function of the longitudinal speed of the following vehicle.
  • the tracking time is expressed in seconds on the ordinate axis 400 and the longitudinal speed of the following vehicle is expressed in kilometers per hour on the abscissa axis 300.
  • the benchmarks TS_min and TS_max respectively materialize a minimum tracking time and a maximum tracking time.
  • the minimum following time TS_min corresponds to a lower limit of the following time below which the following vehicle presents a significant risk of accident, for example 0.5 seconds.
  • the maximum tracking time TS_max corresponds to a detection limit of the target vehicle, for example 3 seconds.
  • Graph G30 illustrates an implementation of a classic system for automatic management of tracking time - without implementation of the invention - which allows a driver to choose between several predefined automatic tracking time profiles.
  • the classic system applies a mapping of several profiles Pl, P2, Pi, Pj of evolution of the tracking time as a function of the longitudinal speed of the following vehicle.
  • the profiles Pl, P2, Pi, Pj determine a substantially linear and increasing variation of the automatic tracking time as a function of the longitudinal speed of the following vehicle. If the driver selects the PI profile, the classic system will implement a reduced automatic following time, while if he chooses the Pj profile, the classic system will implement a high automatic following time.
  • Other profiles, such as P2 to Pi allow intermediate adjustments between profiles PI and Pj.
  • the graph G40 makes it possible to compare a manual monitoring time profile TSM implemented by a driver to automatic profiles PI, Pj.
  • the tracking time TSM does not evolve linearly as a function of the longitudinal speed of the following vehicle.
  • the operation of the classic automatic tracking time management system will differ from the driver's tracking habits.
  • Graph G50 illustrates the principle of the invention in which a personalized profile automatic tracking time TSP is obtained by decomposing a manual tracking time profile TSM into a succession of linear segments (corresponding to segments SI to S6).
  • a personalized profile automatic tracking time TSP is obtained by decomposing a manual tracking time profile TSM into a succession of linear segments (corresponding to segments SI to S6).
  • the management system 10 alternates between phases of learning a personalized monitoring time profile and phases of implementing a personalized monitoring time profile.
  • the control of the longitudinal speed of the motor vehicle 100 can be manual.
  • the longitudinal speed of the motor vehicle 100 is determined by the driver.
  • the management system 10 carries out learning processing of the driver's driving habits, relating in particular to the tracking time TSC applied by the driver between a target vehicle 200 and the motor vehicle 100.
  • the processing learning includes building a custom tracking time model MOD_TSP which will be described later in this document.
  • the control of the longitudinal speed of the motor vehicle 100 can be automatic, that is to say determined by the management system 10 from the personalized tracking time model MOD_TSP.
  • the longitudinal speed is preferably determined so as to apply a tracking time TSP reproducing the driving habits of the driver of the motor vehicle 100.
  • the system 10 for automated management of the longitudinal speed of a motor vehicle mainly comprises the following elements:
  • a man-machine interface 3 allowing the driver to manage the activation and deactivation of the automatic management of the longitudinal speed, and to determine whether the automatic management of the longitudinal speed is carried out by application of predefined tracking times, or by application of learned tracking time,
  • processing unit 4 comprising a microprocessor 41, a memory 42 and communication interfaces 43.
  • mission start module 411 this module being able to cooperate with the interface man-machine 3 and/or memory 42,
  • module 412 for learning a driver tracking time, this module being able to cooperate with the perception means 1, the determination means 2, the man-machine interface 3 and/or the memory 42,
  • module 413 for automatically applying a personalized tracking time, this module being able to cooperate with the perception means 1 and the determination means 2, the man-machine interface 3, the longitudinal speed control module 5 and/or memory 42,
  • the motor vehicle 100 in particular the management system 10, preferably comprises all the hardware and/or software elements configured so as to implement the method defined in the subject of the invention or the method described more down.
  • the detection means 1 may comprise for example a radar, and/or a lidar, and/or a camera and/or any other type of sensor adapted to detect targets at the front of the motor vehicle 100.
  • the detection means 1 can provide measurements to the microprocessor 3, including:
  • the analysis of the images provided by the detection means 1 can also provide data concerning the weather conditions which may influence the driving of the motor vehicle 100.
  • the detection means 1 makes it possible to detect the presence of rain or snow.
  • the detection means 1 makes it possible to determine at each moment the weather conditions in which the motor vehicle 100 is operating as being rainy conditions M_RAIN, snowy conditions M_SNOW or otherwise normal conditions M_N0RMAL.
  • a meteorological criterion can thus be taken into account in the construction and application of the personalized monitoring time model MOD_TSP.
  • the MOD_TSP model could include several sub-models MOD_TSP_NO, MOD_TSP_P, MOD_TSP_NE each corresponding respectively to each of the meteorological conditions, NORMAL, M_RAIN, M_SNOW.
  • meteorological data and/or other environmental conditions which may modify the vi- sibility could be deduced from, for example, a windshield wiper operation indicator and/or a state of the lighting lights.
  • the means 2 for determining the speed and acceleration of the motor vehicle 100 can be produced by computers using data relating to the chassis of the motor vehicle 100, data from the wheel rotation speed sensors.
  • the man-machine interface 3 notably allows the driver to alternate between a driving mode of a first type M_MANUEL, in which he manually controls the longitudinal speed of the motor vehicle 100, and a driving mode of the second type M_AUTO in which longitudinal speed control is automatic.
  • a driving mode of a first type M_MANUEL in which he manually controls the longitudinal speed of the motor vehicle 100
  • a driving mode of the second type M_AUTO in which longitudinal speed control is automatic.
  • Different embodiments are possible for the man-machine interface 3, for example buttons and/or a touch screen and/or voice control.
  • the man-machine interface 3 allows the driver to specify whether the automatic longitudinal speed control must apply predefined tracking times or learned tracking times.
  • the predefined tracking times can correspond to tracking time values defined during vehicle calibration.
  • the predefined tracking times can be values defined by the driver via the human-machine interface 3.
  • the learned tracking times - named in the rest of the document "customized tracking times TSP" - are calculated automatically by the management system 10 during the manual driving phases, so as to reproduce the driver's habits during automatic driving phases.
  • the learned tracking times are recorded in one or more MOD_TSP models.
  • the management system 10 could receive information from a user management system of the motor vehicle 100.
  • the speed management system longitudinal 10 could build a MOD_TSP model per user.
  • a personalized tracking time can be managed for each of the users of the motor vehicle 100, so as to adapt the behavior of the vehicle to each of the users.
  • the module 413 for applying a personalized tracking time is capable of transmitting, via communication interfaces 43, a tracking time to the module 5 for controlling the longitudinal speed.
  • Module 5 transmits control orders to motor 6 or to braking system 7 so as to apply the tracking time determined by management system 10.
  • the memory 42 constitutes a recording medium readable by a computer or by the computer comprising instructions which, when executed by the computer or the calculator, lead it to implement a management method 10 according to one embodiment of the invention.
  • Memory 42 also makes it possible to record the personalized tracking time model MOD_TSP.
  • the memory 42 comprises a volatile memory 421, the content of which is erased regularly, in particular when the memory is no longer supplied with electric current, and a non-volatile memory 422 whose content persists over time even when it is no longer supplied with electrical current. is no longer supplied with electrical current.
  • the personalized monitoring time model MOD_TSP will advantageously be constructed over the course of the missions (or driving) of the motor vehicle 100, a mission being a driving phase delimited by
  • the memory 42 makes it possible to record at the end of an Nth mission of the motor vehicle 100 a MOD_TSP N model, corresponding to an update of a MOD TSPM model recorded during from the previous mission.
  • the update of the MOD_TSP model takes into account the learning carried out during the Nth mission.
  • the memory 42 comprises a volatile memory 421 and a non-volatile memory 422.
  • a volatile memory 421 and a non-volatile memory 422.
  • non-volatile memory 422 to record in non-volatile memory 422 the MOD_TSP N model generated at the end of an Nth mission, and to keep it until the end of the N+ lth mission.
  • the motor vehicle 100 in particular the management system 10, preferably comprises all the hardware and/or software elements configured so as to implement the method defined in the subject of the invention or the method described herein. -After.
  • the process comprises four steps El to E4 which take place over the duration of an Nth mission of the motor vehicle 100: - steps El and E4 are executed respectively at the start of the Nth mission, and at the end of the Nth mission, and
  • the process comprises an alternation of iterations on one or other of the steps E2 or E3.
  • a mission start step El the process is initialized for the Nth mission of the vehicle.
  • the initialization of the method includes a recovery in non-volatile memory 422 of a personalized tracking time model MOD_TSP N i, which was saved in the non-volatile memory 422 at the end of the Nlth mission.
  • the MOD_TSP N model is therefore equal to the MOD_TSP NL model
  • the MOD_TSP N i model may contain a default value of the MOD_TSP 0 model. This is the case, for example,
  • the default value of the model MOD_TSP 0 can correspond to a model which associates, with any value of the longitudinal speed, a default tracking time, for example a tracking time of 2 seconds.
  • step El an initial mode of driving the first motor vehicle 100 is determined.
  • the initial driving mode of the motor vehicle 100 can be determined by the value of a MODE_V variable stored in memory, in particular in the volatile memory 421.
  • the MODE_V variable could take the values M_MANUEL and M_AUTO .
  • the value of the MODE_V variable could be updated in memory depending on an action by the driver of the motor vehicle 100 on the man-machine interface 3.
  • variable MODE_V could also take a third value M_STOP when the driver ends the current mission.
  • the initial driving mode is determined to be of the first type M_MANUEL, then we continue with the second learning step E2; if the initial driving mode is determined to be of the second type M_AUTO on continues with the third step E3 of applying a personalized tracking time.
  • the learning step E2 comprises an iteration, at different observation times T_OBS P , of the following sub-steps:
  • a sub-step E21 of recording observation data D_OBS P comprising a measurement at the observation instant T_OBS P of a longitudinal speed of the first motor vehicle 100 and a calculation at the observation instant T_OBS P of a driver tracking time TSC P separating the first motor vehicle 100 from a second motor vehicle 200 preceding the first motor vehicle on its lane 40, the tracking time conductor TSC P being calculated as a function of the data from the perception means 1 and the determination means 2, or
  • an end of observation substep E22 comprising an update of a model of a personalized tracking time MOD_TSP from the observation data D_OBS collected at different observation times T_OBS P , the update including a calculation using the least squares method.
  • step E2 the determination of a current driving mode of the first motor vehicle 100 is carried out in step El, then
  • step E2 the determination at the observation instant T_OBS P of a current driving mode of the first motor vehicle 100 is carried out in a sub-step E22 of the p th iteration of step E2.
  • step E2 which iterates on sub-step E21 followed by sub-step -step E22.
  • a driver tracking time TSC P is calculated separating the motor vehicle 100 from a target vehicle 200 preceding the motor vehicle 100 on its lane 40, the driver tracking time being calculated as a function data from the perception means 1 and the determination means 2.
  • the determination means 2 provides a longitudinal speed VL P and an acceleration A p of the motor vehicle 100.
  • the driver tracking time can thus be calculated from the longitudinal distance DS P , the speed 204, VL P and the longitudinal accelerations A c and A p .
  • substep E21 begins with a processing of verification of conditions required for recording an observation.
  • the required conditions preferably include:
  • the first threshold given can correspond to a percentage of the current speed of the motor vehicle 100, for example 2% of the current speed. In this case, the first threshold is around 2 km/h for a current speed of 110 km/h. This percentage can be calibrated to other percentage values.
  • the second threshold given may correspond to a percentage of the current distance between the motor vehicle 100 and the target vehicle 200, for example 1% of the current distance between the motor vehicle 100 and the target vehicle 200.
  • the second threshold can be, for example, approximately 6 meters for a current speed of 110 km/h.
  • the required conditions must be satisfied for a minimum duration of 2 seconds.
  • the current tracking time can then be determined from the tracking distance DS p and a relative longitudinal speed VLR P calculated between the target vehicle 200 and the motor vehicle 100.
  • a p th observation D_OBSP p is recorded comprising a conductor tracking time TSC P and a speed VL P applied at an instant T_OBS P.
  • sub-step E21 can also include a determination and recording of meteorological conditions METEO_M P at the observation time T_OBS P from a predefined set ENS_METEO of meteorological conditions.
  • T_OBS P is one of the conditions defined in the predefined set ENS_METEO, that is to say as being equal to M_NORMAL, M_RAIN, M_SNOW.
  • the METEO_M P data is then integrated into the p th observation D_OBS P.
  • MOD_TSP model includes several sub-models MOD_TSP_NO, MOD_TSP_P, MOD_TSP_NE each corresponding respectively to the meteorological conditions, M_N0RMAL, M_RAIN, M_SNOW, the p th observation D_OBS P will be integrated into the sub-model determined by the data METEO_M P .
  • substep E22 in which we start a time delay of a duration equal to an iteration period P_ITER_MAN.
  • the iteration period of sub-steps E21 and E22 is determined by the processing frequency of the calculator, that is to say 100 Hertz.
  • substep E22 includes an update of the model MOD_TSP N by integration of the observation data D_OBS P acquired during the learning phase which ends.
  • a personalized tracking time model MOD_TSP N is a piecewise affine function which associates a driver tracking time TSC P with any longitudinal speed VL P included in a given interval of values [VL min , VL max ], the given interval of values [VL min , VL max ] being decomposed into a set of subintervals II, 12, Ij delimiting the pieces of the affine function.
  • subintervals II, 12, Ij are of the same amplitude, for example they determine speed ranges whose amplitude is 10 kilometers per hour.
  • a first processing consists of constructing an evolution curve C5 of the driver tracking time TSC as a function of the longitudinal speed of the motor vehicle 100 as represented by [Fig.5]. Time to followed is expressed in seconds on the ordinate axis 400 and the longitudinal speed of the following vehicle is expressed in kilometers per hour on the abscissa axis 300.
  • the abscissa axis 300 is segmented into intervals or speed ranges Ij of the same amplitude, for example into intervals or ranges of 10 km/h. Alternatively the intervals or ranges could be of variable length, to refine the model over certain speed ranges.
  • Curve C5 is discretized into segments Sj, each representing - over a given range of longitudinal speeds Ij - a linear evolution of the driver tracking time as a function of the longitudinal speed.
  • Each segment Sj is characterized by a triplet (a,, bj, n,) which is calculated in the manner described below.
  • the segment Sj is determined from a subset of observation data D_OBSj, relating to observations carried out when the longitudinal speed of the motor vehicle 100 was included in the speed range Ij.
  • Each observation data of the subset D_OBSj can be represented by a point My with coordinates (x y , y y ),
  • nj the number of observations of the subset D_OBSj, that is to say the number of points M y used to determine the segment Sj.
  • the segments Sj each being characterized by a triplet (a j5 bj, nj), they together constitute a model of the driver tracking time resulting from the last learning phase.
  • the model obtained is consolidated in order to also take into account the data observed during the previous learning phases, that is to say a model prev_MOD_TSP N defined at the end of the previous learning phase. learning.
  • the new model new_MOD_TSP N is determined by calculating a weighted average between the model prev_MOD_TSP N and the model resulting from D_OBS data collected in the last learning phase (represented by curve C5).
  • the model prev_MOD_TSP N is made up of a series of sub-models prev_MOD_TSP Nj or segments prev_S Nj characterized by a triplet (prev_a Nj , prev_b Nj , prev_n Nj ),
  • new_MOD_TSP N model is made up of a series of new_MOD_TSP Nj sub-models or new_S Nj segments characterized by a triplet (new_a Nj , new_b Nj , new_n Nj ),
  • each new_MOD_TSP Nj submodel is defined by the triplet (new_a Nj , new_b Nj , new_n Nj ) calculated according to the formulas Math2 to Math4:
  • the new_Sj segments thus obtained are not systematically joined to each other.
  • filters are applied to the new model new_MOD_TSP N.
  • the filters used may be linear filters of order 2. Alternatively, other types of filters may be used.
  • the new_MOD_TSP N model is named MOD_TSP N.
  • the MOD_TSP N model is the model resulting from the most recent learning phase of the Nth mission.
  • observation data D_OBS N includes meteorological data
  • a model per meteorological condition of the ENS_METEO set for example respectively a model for rainy, snowy and normal.
  • step E2 the method can continue either with an end-of-mission phase implemented in step E4, or with a phase of automatic application of a monitoring time Custom implementation in iterations of step E3:
  • step E3 If the value of the M0DE_V variable is M_AUT0, this means that the driver has activated automatic tracking time management. In this case, we continue with step E3 of applying a personalized monitoring time.
  • Step E3 comprises an iteration at different times T_AUTO q on two sub-steps E31 and E32.
  • substep E31 At an iteration instant T_AUTO q , in substep E31 the type of automatic monitoring times that the driver wishes to apply, that is to say predefined monitoring times, or monitoring times are determined. personalized monitoring through learning.
  • a predefined tracking time value is transmitted to the longitudinal speed control module 5. We then continue with sub-step E32.
  • the driver has configured the automatic driving mode to apply a personalized tracking time by learning
  • the personalized tracking time TSP q is calculated as a function of the longitudinal speed VL q of the motor vehicle 100 measured at time T_AUTO q .
  • [Eig.6] describes a method for calculating a personalized tracking time from the longitudinal speed VL q of the motor vehicle 100.
  • the longitudinal speed VL q makes it possible to determine which segment S Nj of the MOD_TSP N model will be used to calculate the personalized tracking time.
  • the segment S Nj is characterized by the triplet (a Nj , b Nj , n Nj ).
  • We then determine the coordinates of the middle Z Nj of the segment S Nj that is to say the abscissa VL_Z Nj and the ordinate TSP_Z Nj ,.
  • the ordinate TSP_Z Nj represents the middle tracking time of the segment S Nj ; it is determined by the following Math 5 formula:
  • the personalized tracking time TSP q is determined by interpolation.
  • the personalized tracking time TSP q is then transmitted to the longitudinal speed control module 5.
  • substep E31 can also include a determination of meteorological conditions METEO_A q at the application instant T_AUTO q .
  • METEO_A q the meteorological conditions METEO_A q at the time of application T_AUTO q as being one of the conditions defined in the predefined set ENS_METEO, that is to say as being equal to M_N0RMAL, M_RAIN, M_SNOW.
  • the METEO_A q data is then used to choose the sub-model adapted to the meteorological conditions to determine a personalized monitoring time TSP q , among the sub-models MOD_TSP_NO, MOD_TSP_P, MOD_TSP_NE each corresponding respectively to each of the meteorological conditions, NORMAL , M_RAIN, M_RAIN, M_SNOW.
  • substep E32 we continue with substep E32 in which we start a time delay of a duration equal to an iteration period P_ITER_AUTO.
  • the iteration period of sub-steps E31 and E32 is determined by the processing frequency of the calculator, that is to say 100 Hertz.
  • the P_ITER_AUTO period of iteration of sub-steps E31 and E32 may be different from the P_ITER_MAN period of iteration of sub-steps E21 and E22.
  • step E4 The process can then continue either with an end-of-mission phase implemented in step E4, or with a learning phase implemented in step E2:
  • step E4 at the end of the mission the MOD_TSP N model available in volatile memory 421 is retrieved and it is recorded in non-volatile memory 422.
  • each model uses 432 bytes in memory.
  • the size of the MOD_TSP N model and the frequency of recording a model at each end of the mission are compatible with the lifespan of the non-volatile memory 422.
  • FIG.7 is a second flowchart of an automated management method according to the invention.
  • a first step 70 the mission of the motor vehicle 100 begins.
  • a step 71 we test whether the mission is completed.
  • step 79 at the end of the mission which may include recording data in non-volatile memory. Then, following step 79 we return to step 70.
  • step 74 we check whether the current driving mode is manual:
  • step 75 we test whether the mission is completed. If yes, we continue with step 79 at the end of the mission. If not, we return to step 73 of identifying the current driving mode.
  • step 76 we test whether the mission is completed. If yes, we continue with step 79 at the end of the mission. If not, we return to step 73 of identifying the current driving mode.
  • FIG.8 is a flowchart detailing an embodiment of step 75 of learning a conductive tracking time. In step 80 we initialize the learning.
  • FIG.9 is a flowchart detailing an embodiment of step 76 of automatic application of a personalized setting of a tracking time.
  • step 90 we start the automatic application of a personalized setting of a tracking time.
  • step 91 we check whether the driver wants automatic determination of the tracking time according to personalized settings or according to non-personalized predefined settings.
  • step 92 the weather conditions at the time of application are determined.
  • step 93 we test whether the weather conditions are rainy.
  • step 94 of applying a monitoring time relating to rainy weather conditions, then we return to step 90.
  • step 96 of applying a monitoring time relating to snowy weather conditions, then we return to step 90.
  • step 97 of applying a monitoring time relating to normal weather conditions, then we return to step 90.
  • the longitudinal speed management method has multiple advantages.
  • it allows the motor vehicle 100 to learn a personalized tracking time over the missions carried out by the driver. Learning the driver tracking time takes into account several criteria likely to influence the tracking time applied by a human driver.
  • the longitudinal speed of the motor vehicle 100 is an essential parameter of the model.
  • the conditions in which the vehicle is driven are also taken into account, particularly weather conditions. Other conditions likely to influence the tracking time could also be taken into account, for example external light or the condition of the road.
  • the integration of traffic-related information could allow tracking time to be adapted to traffic density. Indeed, in dense traffic situations, a driver could tend to reduce his tracking time to avoid insertions of vehicles into his vehicle and the target vehicle.
  • the driver can find in an automatic longitudinal speed management mode the same driving sensations as those he would have in a manual driving mode. Furthermore, the personalization of the tracking time can advantageously be differentiated according to different users of the motor vehicle 100. By imitating the behavior of the driver, the invention contributes to the acceptance of the autonomous driving system by the driver and therefore to a increasing the frequency of its use. The invention thus makes it possible to improve the safety of the driver and occupants of the vehicle.
  • the longitudinal speed management method according to the invention also makes it possible to simplify the man-machine interface relating to the use of an automatic longitudinal speed management system.
  • the longitudinal speed management method according to the invention also makes it possible to reduce the number of parameters requiring predefined adjustment before putting the vehicle into circulation. The cost of vehicle development is therefore reduced.
  • the longitudinal speed management method according to the invention can operate solely from data coming from means on-board in the motor vehicle 100.
  • the technical means required for implementation of the invention are available on any vehicle whose autonomy level is greater than or equal to 1.
  • the longitudinal speed management method according to the invention uses the least squares method to construct a tracking time model.
  • This embodiment makes it possible to reduce the impact of a few observations which stand out from a trend defined by the majority of observations.
  • the least squares method makes it possible to smooth the model created during the execution of the longitudinal speed management method according to the invention.
  • the method of least squares also makes it possible to define a MOD_TSP N model which uses little space in non-volatile memory 422, as was previously developed, which makes it possible to preserve the lifespan of the non-volatile memory 422 and to avoid its obsolescence during the life of the vehicle.
  • the invention could also make it possible to evaluate the driving of a user of the vehicle, with the aim of providing him with indicators on a level of safety or a level of energy consumption linked to his driving.

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Feedback Control In General (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

Procédé de gestion de la vitesse longitudinale d'un premier véhicule automobile. Procédé de gestion de la vitesse longitudinale d'un premier véhicule automobile, caractérisé en ce qu'il comprend une alternance entre les étapes suivantes : - une étape d'apprentissage comprenant une itération des sous-étapes suivantes : • une détermination, d'un mode de conduite courant du premier véhicule automobile comme étant d'un premier genre si une vitesse longitudinale du premier véhicule automobile est contrôlée par un conducteur humain, sinon comme étant d'un deuxième genre puis • si le mode de conduite courant est du premier genre, une sous-étape d'enregistrement de données d'observation, • sinon, une sous-étape de fin d'observation comprenant un calcul d'un modèle d'un temps de suivi personnalisé à partir des données d'observation recueillies lors de différents instants d'observation, - une itération d'une étape d'application automatique d'un temps de suivi personnalisé calculé à partir du modèle de temps de suivi personnalisé.

Description

Description
Titre de l'invention : Procédé de gestion automatisée de la vitesse longitudinale d’un véhicule automobile.
[0001] L’invention concerne un procédé de gestion automatisée de la vitesse longitudinale d’un véhicule automobile. L’invention porte encore sur un dispositif de gestion automatisée de la vitesse longitudinale d’un véhicule automobile. L’invention porte également sur un programme d’ordinateur mettant en œuvre le procédé mentionné. L’invention porte enfin sur un support d’enregistrement sur lequel est enregistré un tel programme.
[0002] Le contrôle de la vitesse longitudinale d’un véhicule automobile peut être automatisé, que ce soit par un régulateur de vitesse ou par un système de conduite autonome. De tels systèmes de gestion automatique de la vitesse longitudinale permettent notamment d’adapter la vitesse du véhicule équipé à la présence de véhicules dans son environnement. Ainsi, lorsqu’ils sont actifs, ils agissent sur le comportement du véhicule tel un conducteur virtuel prenant en charge une partie de la tâche de conduite.
[0003] Les systèmes existants de gestion automatique de la vitesse longitudinale peuvent être paramétrés selon des réglages prédéfinis, mais ceux-ci ne correspondent pas forcément aux habitudes de conduite du conducteur.
[0004] Alternativement, certains véhicules offrent la possibilité de paramétrer des réglages de ces systèmes via une interface homme-machine. Mais la complexité croissante des systèmes rend leur paramétrage trop complexe pour les usagers, et ceux-ci peuvent finalement se détourner de tels systèmes d’aide à la conduite.
[0005] Le but de l’invention est de fournir un dispositif et un procédé de gestion automatisée de la vitesse longitudinale remédiant aux inconvénients ci-dessus et améliorant les dispositifs et procédés de gestion automatisée de la vitesse longitudinale connus de l’art antérieur. En particulier, l’invention permet de réaliser un dispositif et un procédé qui soient simples et fiables et qui s’adapte aux habitudes de conduite d’un usager.
[0006] A cet effet, l’invention porte sur un procédé de gestion de la vitesse longitudinale d’un premier véhicule automobile comprenant un moyen de perception de l’environnement situé à l’avant du véhicule automobile et un premier moyen de détermination de la vitesse et de l’accélération du véhicule automobile.
Le procédé comprend une alternance entre les étapes suivantes :
- une étape d’apprentissage comprenant une itération, à différents instants d’observation, des sous-étapes suivantes :
• une détermination, à un instant d’observation, d’un mode de conduite courant du premier véhicule automobile comme étant d’un premier genre si une vitesse longi- tudinale du premier véhicule automobile est contrôlée par un conducteur humain, sinon comme étant d’un deuxième genre, puis
• si le mode de conduite courant est du premier genre, une sous-étape d’enregistrement de données d’observation comprenant une mesure à l’instant d’observation d’une vitesse longitudinale du premier véhicule automobile et un calcul à l’instant d’observation d’un temps de suivi conducteur séparant le premier véhicule automobile d’un deuxième véhicule automobile précédant le premier véhicule automobile sur sa voie de circulation, le temps de suivi conducteur étant calculé en fonction des données issues du moyen de perception et du premier moyen de détermination, ou
• sinon, une sous-étape de fin d’observation comprenant un calcul d’un modèle d’un temps de suivi personnalisé à partir des données d’observation recueillies lors des différents instants d’observation, le calcul du modèle comprenant un calcul selon la méthode des moindres carrés,
- une itération d’une étape d’application automatique d’un temps de suivi personnalisé entre le premier véhicule automobile et le deuxième véhicule automobile 200, le temps de suivi personnalisé étant calculé à partir du modèle de temps de suivi personnalisé et en fonction d’une vitesse longitudinale du premier véhicule automobile mesurée par le premier moyen de détermination à un instant d’itération de l’étape d’application.
[0007] Dans un mode de réalisation, le véhicule automobile comprenant en outre un deuxième moyen de détermination d’une nature de conditions météorologiques parmi un ensemble prédéfini de conditions météorologiques, et
- la sous-étape d’enregistrement de données d’observation comprend en outre une détermination et un enregistrement de conditions météorologiques à l’instant d’observation parmi l’ensemble prédéfini de conditions météorologiques,
- la sous-étape de fin d’observation comprend une mise à jour d’un sous-modèle du modèle consolidé par condition météorologique de l’ensemble prédéfini, et
- l’étape d’application comprend une sous-étape de détermination, parmi l’ensemble prédéfini, des conditions météorologiques à l’instant d’itération, et le sous-modèle utilisé pour calculer le temps de suivi personnalisé est déterminé par les conditions météorologiques déterminées à l’instant d’itération.
[0008] Dans un mode de réalisation, un modèle de temps de suivi personnalisé est une fonction affine par morceaux qui associe un temps de suivi conducteur à toute vitesse longitudinale comprise dans un intervalle de valeurs donné, l’intervalle de valeurs donné étant décomposé en sous-intervalles délimitant les morceaux de la fonction affine par morceaux.
[0009] Dans un mode de réalisation, à chaque sous-intervalle donné est associé un sous- ensemble de l’ensemble d’observations regroupant les observations effectuées lorsque que la vitesse longitudinale appliquée par véhicule automobile se situait dans la plage de vitesses définie par le sous-intervalle donné, et en ce que l’origine et la pente du morceau de la fonction affine par morceaux délimité par le sous-intervalle sont calculés par application de la méthode des moindres carrés aux observations du sous- ensemble.
[0010] Dans un mode de réalisation, les sous-intervalles déterminent des plages de vitesse d’une amplitude fixe, par exemple des plages de vitesse dont l’amplitude est égale à 10 kilomètres par heure.
[0011] Dans un mode de réalisation, les itérations des étapes E2 et/ou E3 s’effectuent à une fréquence d’un calculateur sur lequel s’exécute le procédé, par exemple à une fréquence de 100 Hertz.
[0012] Dans un mode de réalisation, le procédé comprend une phase de conduite délimitée par
- un instant de début de phase de conduite, où un moteur du véhicule automobile est démarré au moyen d’une clé ou d’un bouton de contact par un conducteur, et
- un instant de fin de phase de conduite, où un moteur du véhicule automobile est arrêté au moyen d’une clé ou d’un bouton de contact par un conducteur.
De plus, entre l’instant de début de phase de conduite et l’instant de fin de phase de conduite, un modèle de temps de suivi personnalisé est enregistré dans une mémoire volatile du véhicule automobile, et, à l’instant de fin de phase de conduite, un modèle de temps de suivi personnalisé est enregistré dans une mémoire non volatile du véhicule automobile.
[0013] L’invention porte en outre sur un dispositif de gestion de la vitesse longitudinale d’un premier véhicule automobile, le véhicule automobile étant équipé d’un module de contrôle de la vitesse longitudinale, d’un moteur et d’un système de freinage, le dispositif comprenant des éléments matériels et/ou logiciels mettant en œuvre le procédé selon l’invention, notamment des éléments matériels et/ou logiciels conçus pour mettre en œuvre le procédé selon l’invention, et/ou le dispositif comprenant des moyens de mettre en œuvre les étapes du procédé selon l’invention.
[0014] L’invention porte en outre sur un produit programme d’ordinateur comprenant des instructions de code de programme enregistrées sur un support lisible par ordinateur pour mettre en œuvre les étapes du procédé selon l’invention lorsque ledit programme fonctionne sur un ordinateur, ou sur un produit programme d’ordinateur téléchargeable depuis un réseau de communication et/ou enregistré sur un support de données lisible par un ordinateur et/ou exécutable par un ordinateur, comprenant des instructions qui, lorsque le programme est exécuté par l’ordinateur, conduisent celui-ci à mettre en œuvre les étapes du procédé selon l’invention.
[0015] L’invention porte également sur un support d’enregistrement de données, lisible par un ordinateur, sur lequel est enregistré un programme d’ordinateur comprenant des instructions de code de programme de mise en œuvre du procédé selon l’invention, ou sur un support d'enregistrement lisible par ordinateur comprenant des instructions qui, lorsqu'elles sont exécutées par un ordinateur, conduisent celui-ci à mettre en œuvre les étapes du procédé selon l’invention.
[0016] L’invention porte aussi sur un signal d'un support de données, portant le produit programme d'ordinateur selon l’invention.
[0017] Les dessins annexés représentent, à titre d’exemple, un mode de réalisation d’un dispositif de gestion automatisée de la vitesse longitudinale selon l’invention et un mode d’exécution d’un procédé de gestion automatisée de la vitesse longitudinale selon l’invention.
[0018] La [Fig.l] représente un véhicule automobile équipé d’un dispositif de gestion automatisée de la vitesse longitudinale selon l’invention.
[0019] La [Fig.2] définit des vitesses longitudinale et latérale du véhicule automobile et d’un véhicule cible le précédent sur sa voie de circulation.
[0020] La [Fig.3] décrit le principe de l’invention.
[0021] La [Fig.4] est un premier ordinogramme d’un procédé de gestion automatisée selon l’invention.
[0022] La [Fig.5] illustre une méthode de mise à jour d’un modèle de temps de suivi personnalisé.
[0023] La [Fig.6] illustre une méthode d’application d’un modèle de temps de suivi personnalisé.
[0024] La [Fig.7] est un second ordinogramme d’un procédé de gestion automatisée selon l’invention.
[0025] La [Fig.8] est un ordinogramme d’une étape d’apprentissage d’un temps de suivi conducteur.
[0026] La [Fig.9] est un ordinogramme d’une étape d’application automatique d’un temps de suivi personnalisé.
[0027] Un mode de réalisation d’un véhicule équipé d’un moyen de mise en œuvre d'un procédé de gestion automatisée de la vitesse longitudinale est décrit ci-après en référence à la [Fig.l].
[0028] Le premier véhicule automobile 100, ou véhicule automobile 100 peut être un véhicule automobile de n’importe quel type, notamment un véhicule de tourisme, un véhicule utilitaire, un camion ou encore un véhicule de transport en commun tel qu’un bus ou une navette. Selon le mode de réalisation décrit, le véhicule automobile 100 est un véhicule autonome et sera désigné "véhicule autonome" dans la suite de la description.
[0029] Cette illustration est donc faite à titre non limitatif. Notamment le véhicule au- tomobile pourrait être un véhicule non autonome, équipé d’un système d'aide à la conduite, notamment un système d'aide à la conduite correspondant à un niveau supérieur ou égal au niveau 2 d’autonomie, c’est-à-dire correspondant à une autonomie partielle du véhicule.
[0030] Le véhicule automobile 100 comprend un système 10 de gestion automatisée de la vitesse longitudinale d’un véhicule automobile, aussi nommé dans la suite du document « système de gestion 10 ».
[0031] Le système de gestion 10 peut faire partie d’un système plus global d’aide à la conduite 50, comprenant un module de contrôle de la vitesse longitudinale 5 apte à transmettre des ordres de commande à un moteur 6 ou à un système de freinage 7 du véhicule.
[0032] En remarque, pour son déplacement le véhicule automobile 100 peut être équipé de plusieurs moteurs, par exemple un moteur thermique et un moteur électrique. Dans la suite du document, l’arrêt du véhicule automobile 100 correspond à l’arrêt de l’ensemble des moteurs utilisés pour le déplacement du véhicule automobile 100.
[0033] En référence à la [Fig.2], on suppose que le véhicule automobile 10 circule sur une voie de circulation 40 d’une route, et on définit la terminologie utilisée dans la suite du document :
- L’axe dit axe longitudinal 101 du véhicule automobile 100 est défini comme un axe de symétrie du véhicule automobile 100 parallèle à l’axe selon lequel le véhicule se déplace en ligne droite, orienté vers l’avant du véhicule.
- L’axe dit axe latéral 102 du véhicule automobile coupe perpendiculairement l’axe longitudinal 101 en un point situé au centre de gravité du véhicule automobile 100, et il est orienté vers la gauche du véhicule automobile, la gauche et la droite étant définies selon le point de vue du conducteur.
- Le vecteur vitesse 103 du véhicule automobile 100 en projection sur l’axe longitudinal 101 définit la composante longitudinale 104 du vecteur vitesse, dite vitesse longitudinale.
- Le vecteur vitesse 103 du véhicule automobile 100 en projection sur l’axe latéral 102 définit la composante latérale 105 du vecteur vitesse, dite vitesse latérale.
- De même, une distance entre deux véhicules peut être projetée sur les axes longitudinal et latéral, définissant ainsi une distance longitudinale -ou distance de suivi DS- et une distance latérale.
[0034] La même terminologie est appliquée pour définir les paramètres de position et de vitesse d’un deuxième véhicule 200, représenté dans la [Fig.2]. Le deuxième véhicule 200 est caractérisé par le fait qu’il circule sur la même voie 40 que le véhicule automobile 100 et se situe directement devant lui. Dans la suite du document, on pourra désigner indifféremment le deuxième véhicule 200 par le terme de véhicule cible 200. [0035] Un véhicule cible 200 peut être un véhicule automobile de n’importe quel type, notamment un véhicule de tourisme ou un véhicule utilitaire ou encore une moto.
[0036] Dans la suite du document, on nomme « temps de suivi » le temps qu’il faudrait, à un instant donné, au véhicule automobile 100 pour rejoindre la position d’un véhicule cible 200. Dans ce contexte, le véhicule automobile 100 pourra également être désigné par le terme « véhicule suiveur ».
[0037] La [Fig.3] permet de comparer une gestion automatique et une gestion manuelle du temps de suivi appliqué entre un véhicule suiveur et un véhicule cible, la gestion automatique s’effectuant sans mise en œuvre de l’invention.
[0038] Les graphes G30, G40 et G50 illustrent l’évolution du temps de suivi en fonction de la vitesse longitudinale du véhicule suiveur. Le temps de suivi est exprimé en secondes sur l’axe des ordonnées 400 et la vitesse longitudinale du véhicule suiveur est exprimée en kilomètres par heure sur l’axe des abscisses 300.
[0039] Les repères TS_min et TS_max matérialisent respectivement un temps de suivi minimum et un temps de suivi maximum. Le temps de suivi minimum TS_min correspond à une limite inférieure du temps de suivi en dessous de laquelle le véhicule suiveur présente un risque important d’accident, par exemple 0,5 secondes. Le temps de suivi maximum TS_max correspond à une limite de détection du véhicule cible, par exemple 3 secondes.
[0040] Le graphe G30 illustre une mise en œuvre d’un système classique de gestion automatique du temps de suivi -sans mise en œuvre de l’invention- qui permet à un conducteur de choisir entre plusieurs profils de temps de suivi automatiques prédéfinis. Dans le cas représenté par la [Fig.3], le système classique applique une cartographie plusieurs profils Pl, P2, Pi, Pj d’évolution du temps de suivi en fonction de la vitesse longitudinale du véhicule suiveur. Les profils Pl, P2, Pi, Pj déterminent une variation sensiblement linéaire et croissante du temps de suivi automatique en fonction de la vitesse longitudinale du véhicule suiveur. Si le conducteur sélectionne le profil PI, le système classique mettra en œuvre un temps de suivi automatique réduit, alors que s’il choisit le profil Pj, le système classique mettra en œuvre un temps de suivi automatique élevé. D’autres profils, tels que P2 à Pi, permettent des réglages intermédiaires entre les profils PI et Pj.
[0041] Le graphe G40 permet de comparer un profil de temps de suivi manuel TSM mis en œuvre par un conducteur à des profils automatiques PI, Pj. Dans le cas illustré, le temps de suivi TSM n’évolue pas linéairement en fonction de la vitesse longitudinale du véhicule suiveur. Quel que soit le profil PI à Pj choisi, le fonctionnement du système classique de gestion automatique du temps de suivi différera des habitudes de suivi du conducteur.
[0042] Le graphe G50 illustre le principe de l’invention dans lequel un profil personnalisé de temps de suivi automatique TSP est obtenu par décomposition d’un profil de temps de suivi manuel TSM en une succession de segments linéaires (correspondant aux segments SI à S6). Ainsi l’application du profil personnalisé de temps de suivi automatique TSP sera conforme aux habitudes de suivi du conducteur.
[0043] Pour cela, le système de gestion 10 alterne entre des phases d’apprentissage d’un profil personnalisé de temps de suivi et des phases de mise en œuvre d’un profil personnalisé de temps de suivi.
[0044] En d’autres termes :
- Dans un mode de fonctionnement du premier genre M_MANUEL, le contrôle de la vitesse longitudinale du véhicule automobile 100 peut être manuel. Dans ce cas, la vitesse longitudinale du véhicule automobile 100 est déterminée par le conducteur. Dans ce mode de fonctionnement, le système de gestion 10 effectue un traitement d’apprentissage des habitudes de conduite du conducteur, portant en particulier sur le temps de suivi TSC appliqué par le conducteur entre un véhicule cible 200 et le véhicule automobile 100. Le traitement d’apprentissage comprend la construction d’un modèle de temps de suivi personnalisé MOD_TSP qui sera décrit plus loin dans ce document.
- Dans un mode de fonctionnement du deuxième genre M_AUTO, le contrôle de la vitesse longitudinale du véhicule automobile 100 peut être automatique, c’est-à-dire déterminé par le système de gestion 10 à partir du modèle de temps de suivi personnalisé MOD_TSP. Ainsi, dans le deuxième mode de fonctionnement, la vitesse longitudinale est préférentiellement déterminée de sorte à appliquer un temps de suivi TSP reproduisant les habitudes de conduite du conducteur du véhicule automobile 100.
[0045] Le système 10 de gestion automatisée de la vitesse longitudinale d’un véhicule automobile comprend principalement les éléments suivants :
- un moyen de perception 1 de l’environnement situé à l’avant du véhicule automobile 100, de type radar, caméra ou lidar,
- un moyen de détermination 2 de la vitesse et l’accélération du véhicule automobile 100,
- une interface homme-machine 3 permettant au conducteur de gérer l’activation et la désactivation de la gestion automatique de la vitesse longitudinale, et de déterminer si la gestion automatique de la vitesse longitudinale s’effectue par application de temps de suivi prédéfinis, ou par application de temps de suivi appris,
- une unité de traitement 4 comprenant un microprocesseur 41, une mémoire 42 et des interfaces de communication 43.
[0046] Le système de gestion 10, et particulièrement le microprocesseur 41, comprend principalement les modules suivants qui coopèrent entre eux :
- un module 411 de début de mission, ce module pouvant coopérer avec l’interface homme-machine 3 et/ou la mémoire 42,
- un module 412 d’apprentissage d’un temps de suivi conducteur, ce module pouvant coopérer avec le moyen de perception 1, le moyen de détermination 2, l’interface homme-machine 3 et/ou la mémoire 42,
- un module 413 d’application automatique d’un temps de suivi personnalisé, ce module pouvant coopérer avec le moyen de perception 1 et le moyen de détermination 2, l’interface homme-machine 3, le module de contrôle de la vitesse longitudinale 5 et/ ou la mémoire 42,
- un module 414 de fin de mission, ce module pouvant coopérer avec l’interface homme-machine 3 et/ou la mémoire 42,
[0047] Le véhicule automobile 100, en particulier le système de gestion 10, comprend de préférence tous les éléments matériels et/ou logiciels configurés de sorte à mettre en œuvre le procédé défini dans l’objet de l’invention ou le procédé décrit plus bas.
[0048] Le moyen de détection 1 peut comprendre par exemple un radar, et/ou un lidar, et/ou une caméra et/ou tout autre type de capteur adapté à détecter des cibles à l’avant du véhicule automobile 100.
[0049] Le moyen de détection 1 peut fournir des mesures au microprocesseur 3, parmi lesquelles :
- la distance longitudinale DS entre le véhicule automobile 100 et le véhicule cible 200,
- la vitesse longitudinale 204 du véhicule cible 200, et
- l’accélération longitudinale du véhicule cible 200.
[0050] Préférentiellement, l’analyse des images fournies par le moyen de détection 1 peut en outre de fournir des données concernant les conditions météorologiques pouvant influencer la conduite du véhicule automobile 100. Notamment, le moyen de détection 1 permet de détecter la présence de pluie ou de neige.
[0051] Ainsi, dans un mode de réalisation, le moyen de détection 1 permet de déterminer à chaque instant les conditions météorologiques dans lequel le véhicule automobile 100 évolue comme étant des conditions pluvieuses M_PLUIE, des conditions neigeuses M_NEIGE ou sinon des conditions normales M_N0RMAL.
[0052] Un critère météorologique pourra ainsi être pris en compte dans la construction et l’application du modèle de temps de suivi personnalisé MOD_TSP.
[0053] Dans un mode de réalisation, le modèle MOD_TSP pourrait comprendre plusieurs sous-modèles MOD_TSP_NO, MOD_TSP_P, MOD_TSP_NE correspondant chacun respectivement à chacune des conditions météorologiques, NORMAL, M_PLUIE, M_NEIGE.
[0054] Dans un mode de réalisation alternatif non développé dans ce document, les données météorologiques et/ou d’autres conditions environnementales pouvant modifier la vi- sibilité pourraient être déduites à partir, par exemple, d’un indicateur de fonctionnement des essuie-glace et/ou d’un état des feux d’éclairage.
[0055] Le moyen de détermination 2 de la vitesse et l’accélération du véhicule automobile 100 peut être réalisé par des calculateurs exploitant des données relatives au châssis du véhicule automobile 100, des données issues des capteurs de vitesse de rotation des roues.
[0056] L’interface homme-machine 3 permet notamment au conducteur d’alterner entre un mode de conduite d’un premier genre M_MANUEL, dans lequel il contrôle manuellement la vitesse longitudinale du véhicule automobile 100, et un mode de conduite du deuxième genre M_AUTO dans lequel le contrôle de la vitesse longitudinale est automatique. Différents modes de réalisation sont envisageables pour l’interface homme-machine 3, par exemple des boutons et/ou un écran tactile et/ou une commande vocale.
[0057] L’interface homme-machine 3 permet au conducteur de préciser si le contrôle automatique de la vitesse longitudinale doit appliquer des temps de suivi prédéfinis ou des temps de suivi appris.
[0058] Les temps de suivi prédéfinis peuvent correspondre à des valeurs de temps de suivi définies lors du calibrage du véhicule. Alternativement, les temps de suivi prédéfinis peuvent être des valeurs définies par le conducteur via l’interface homme-machine 3.
[0059] Par opposition aux temps de suivi prédéfinis, les temps de suivi appris -nommés dans la suite du document « temps de suivi personnalisés TSP »- sont calculés automatiquement par le système de gestion 10 lors des phases de conduite manuelle, de sorte à reproduire les habitudes du conducteur lors des phases de conduite automatique. Les temps de suivi appris sont enregistrés dans un ou plusieurs modèles MOD_TSP.
[0060] Dans un mode de réalisation non représenté par la [Fig.l], le système de gestion 10 pourrait recevoir des informations issues d’un système de gestion des utilisateurs du véhicule automobile 100. Ainsi, le système de gestion de la vitesse longitudinale 10 pourrait construire un modèle MOD_TSP par utilisateur. Autrement dit, si le véhicule automobile 100 est équipé d’un système de gestion des utilisateurs, alors un temps de suivi personnalisé peut être géré pour chacun des utilisateurs du véhicule automobile 100, de sorte à adapter le comportement du véhicule à chacun des utilisateurs.
[0061] Le module 413 d’application d’un temps de suivi personnalisé est apte à transmettre, via des interfaces de communication 43, un temps de suivi au module 5 de contrôle de la vitesse longitudinale. Le module 5 transmet des ordres de commande au moteur 6 ou au système de freinage 7 de sorte à appliquer le temps de suivi déterminé par le système de gestion 10.
[0062] La mémoire 42 constitue un support d'enregistrement lisible par un ordinateur ou par le calculateur comprenant des instructions qui, lorsqu'elles sont exécutées par l’ordinateur ou le calculateur, conduisent celui-ci à mettre en œuvre un procédé de gestion 10 selon un mode de réalisation de l'invention.
[0063] La mémoire 42 permet en outre d’enregistrer le modèle de temps de suivi personnalisé MOD_TSP. Avantageusement la mémoire 42 comprend une mémoire volatile 421, dont le contenu s’efface régulièrement, notamment lorsque la mémoire n’est plus alimentée en courant électrique, et une mémoire non volatile 422 dont le contenu persiste dans le temps même lorsqu’elle n’est plus alimentée en courant électrique.
[0064] Le modèle de temps de suivi personnalisé MOD_TSP sera avantageusement construit au fil des missions (ou roulages) du véhicule automobile 100, une mission étant une phase de conduite délimitée par
- un début de mission, où le véhicule automobile 100 est à l’arrêt et le conducteur démarre le véhicule au moyen par exemple d’une clé ou d’un bouton de contact,
- une fin de mission, correspondant à un arrêt du véhicule par le conducteur au moyen par exemple d’une clé ou d’un bouton de contact.
[0065] En remarque, durant une même mission plusieurs phases d’arrêt automatique du moteur (notamment, celles générées par un système « stop and start ») peuvent se produire.
[0066] Dans un mode de réalisation préférentiel, la mémoire 42 permet d’enregistrer à l’issue d’une Nième mission du véhicule automobile 100 un modèle MOD_TSPN, correspondant à une mise à jour d’un modèle MOD TSPM enregistré lors de la précédente mission. La mise à jour du modèle MOD_TSP prend en compte l’apprentissage réalisé lors de la Nième mission.
[0067] Dans un mode de réalisation préféré, la mémoire 42 comprend une mémoire volatile 421 et une mémoire non volatile 422. Une telle architecture permet,
- d’une part, lors du déroulement d’une Nième mission, d’enregistrer en mémoire volatile 421 les données temporaires nécessaires à la construction du modèle MOD_TSPN, et
- d’autre part, d’enregistrer en mémoire non volatile 422 le modèle MOD_TSPN généré à l’issue d’une Nième mission, et de le conserver jusqu’à l’issue de la N+lième mission.
[0068] Le véhicule automobile 100, en particulier le système de gestion 10, comprend de préférence tous les éléments matériels et/ou logiciels configurés de sorte à mettre en œuvre le procédé défini dans l’objet de l’invention ou le procédé décrit ci-après.
[0069] Un mode d’exécution du procédé de gestion de la vitesse longitudinale d’un véhicule automobile est décrit ci-après en référence à la [Fig.4]. Le procédé comprend quatre étapes El à E4 qui se déroulent sur la durée d’une Nième mission du véhicule automobile 100 : - les étapes El et E4 s’exécutent respectivement au début de la Nième mission, et à la afin de la Nième mission, et
- pendant le déroulement de la Nième mission, le procédé comprend une alternance d’itérations sur l’une ou l’autre des étapes E2 ou E3.
[0070] Dans une étape de début de mission El, on initialise le procédé pour la Nième mission du véhicule.
[0071] L’initialisation du procédé comprend une récupération en mémoire non volatile 422 d’un modèle de temps de suivi personnalisé MOD_TSPN i, qui a été sauvegardé dans la mémoire non volatile 422 à la fin de la N-lième mission. Au début de la Nième mission, le modèle MOD_TSPN est donc égal au modèle MOD_TSPN L
[0072] Dans certaines conditions, le modèle MOD_TSPN i peut contenir une valeur par défaut du modèle MOD_TSP0. C’est le cas, par exemple,
- si N=l, c’est-à-dire s’il s’agit de la toute première mission du véhicule automobile 100, ou
- si le véhicule automobile 100 a toujours été utilisé en appliquant le mode automatique M_AUTO pour la gestion du temps de suivi.
[0073] Par exemple, la valeur par défaut du modèle MOD_TSP0 peut correspondre à un modèle qui associe, à toute valeur de la vitesse longitudinale, un temps de suivi par défaut, par exemple un temps de suivi de 2 secondes.
[0074] De plus dans l’étape El, on détermine un mode initial de conduite du premier véhicule automobile 100
- comme étant d’un premier genre M_MANUEL si la vitesse longitudinale du véhicule automobile 100 est contrôlée à l’instant d’initialisation par un conducteur humain,
- comme étant d’un deuxième genre M_AUTO si la vitesse longitudinale du véhicule automobile 100 est contrôlée à l’instant d’initialisation par le module 5 de contrôle de la vitesse longitudinale.
[0075] Dans un mode de réalisation, le mode de conduite initial du véhicule automobile 100 peut être déterminé par la valeur d’une variable MODE_V stockée en mémoire, notamment dans la mémoire volatile 421. La variable MODE_V pourrait prendre les valeurs M_MANUEL et M_AUTO. Par exemple, la valeur de la variable MODE_V pourrait être mise à jour en mémoire en fonction d’une action du conducteur du véhicule automobile 100 sur l’interface homme-machine 3.
[0076] Dans un mode de réalisation, la variable MODE_V pourrait en outre prendre une troisième valeur M_STOP lorsque le conducteur met fin à la mission courante.
[0077] Si le mode de conduite initial est déterminé comme étant du premier genre M_MANUEL, alors on enchaine sur la deuxième étape E2 d’apprentissage ; si le mode de conduite initial est déterminé comme étant du deuxième genre M_AUTO on enchaîne sur la troisième étape E3 d’application d’un temps de suivi personnalisé.
[0078] L’étape E2 d’apprentissage comprend une itération, à différents instants d’observation T_OBSP, des sous-étapes suivantes :
[0079] - une détermination, à l’instant d’observation T_OBSP, d’un mode de conduite courant du premier véhicule automobile 100 comme étant d’un premier genre M_MANUEL si une vitesse longitudinale du premier véhicule automobile 100 est contrôlée par un conducteur humain, sinon comme étant d’un deuxième genre M_AUTO, puis
- si le mode de conduite courant est du premier genre M_MANUEL, une sous-étape E21 d’enregistrement de données d’observation D_OBSP comprenant une mesure à l’instant d’observation T_OBSP d’une vitesse longitudinale du premier véhicule automobile 100 et un calcul à l’instant d’observation T_OBSP d’un temps de suivi conducteur TSCP séparant le premier véhicule automobile 100 d’un deuxième véhicule automobile 200 précédant le premier véhicule automobile sur sa voie de circulation 40, le temps de suivi conducteur TSCP étant calculé en fonction des données issues du moyen de perception 1 et du moyen de détermination 2, ou
- si le mode de conduite courant est du deuxième mode M_AUTO, une sous-étape E22 de fin d’observation comprenant une mise à jour d’un modèle d’un temps de suivi personnalisé MOD_TSP à partir des données d’observation D_OBS recueillies aux différents instants d’observation T_OBSP, la mise à jour comprenant un calcul selon la méthode des moindres carrés.
[0080] En remarque,
- pour p=l, c’est-à-dire lors de la première itération de l’étape E2, la détermination d’un mode de conduite courant du premier véhicule automobile 100 s’effectue dans l’étape El, puis
- comme cela est expliqué ci-après, pour p>l la détermination à l’instant d’observation T_OBSP d’un mode de conduite courant du premier véhicule automobile 100 s’effectue dans une sous-étape E22 de la p-lème itération de l’étape E2.
[0081] Ainsi, au début d’une Nième mission du véhicule, si le mode de conduite initial calculé dans l’étape El est manuel, on enchaîne sur l’étape E2 qui itère sur la sous-étape E21 suivie de la sous-étape E22.
[0082] Dans une première sous étape E21 on calcule un temps de suivi conducteur TSCP séparant le véhicule automobile 100 d’un véhicule cible 200 précédant le véhicule automobile 100 sur sa voie de circulation 40, le temps de suivi conducteur étant calculé en fonction des données issues du moyen de perception 1 et du moyen de détermination 2.
[0083] On reçoit les mesures suivantes issues du moyen de détection 1 :
- une distance longitudinale DSP mesurée entre le véhicule automobile 100 et le véhicule cible 200,
- une vitesse longitudinale 204 du véhicule cible 200, et
- une accélération longitudinale Ac du véhicule cible 200.
[0084] De plus le moyen de détermination 2 fournit une vitesse longitudinale VLP et une accélération Ap du véhicule automobile 100.
[0085] Le temps de suivi conducteur peut ainsi être calculé à partir de la distance longitudinale DSP, des vitesse 204, VLP et des accélérations longitudinales Ac et Ap.
[0086] Dans un mode de réalisation préférentiel, la sous-étape E21 débute par un traitement de vérification de conditions requises pour l’enregistrement d’une observation. Par exemple, les conditions requises comprennent préférentiellement :
- une détection d’un véhicule cible 200,
- la stabilisation de la vitesse longitudinale du véhicule automobile 100 et de la vitesse longitudinale du véhicule cible 200, dont les variations doivent être inférieures à un premier seuil donné,
- la stabilisation d’une distance longitudinale mesurée entre le véhicule automobile 100 et le véhicule cible 200, dont les variations doivent être inférieures à un deuxième seuil donné.
[0087] Le premier seuil donné peut correspondre à un pourcentage de la vitesse courante du véhicule automobile 100, par exemple 2% de la vitesse courante. Dans ce cas, le premier seuil est d’environ 2 km/h pour une vitesse courante de 110 km/h. Ce pourcentage peut être calibré à d’autres valeurs de pourcentage.
[0088] Le deuxième seuil donné peut correspondre à un pourcentage de la distance courante entre le véhicule automobile 100 et le véhicule cible 200, par exemple 1% de la distance courante entre le véhicule automobile 100 et le véhicule cible 200. Dans un mode de réalisation, le deuxième seuil peut être, par exemple, de 6 mètres environ pour une vitesse courante de 110 km/h.
[0089] Préférentiellement, les conditions requises doivent être satisfaites pendant une durée minimale de 2 secondes.
[0090] Le temps de suivi courant peut alors être déterminé à partir de la distance de suivi DS p et d’une vitesse longitudinale relative VLRP calculée entre le véhicule cible 200 et le véhicule automobile 100.
[0091] Ainsi, dans la sous-étape E21, on enregistre une pième observation D_OBSPp comprenant un temps de suivi conducteur TSCP et une vitesse VLP appliqués à un instant T_OBSP.
[0092] Avantageusement, la sous-étape E21 peut en outre comprendre une détermination et un enregistrement de conditions météorologiques METEO_MP à l’instant d’observation T_OBSP parmi un ensemble prédéfini ENS_METEO de conditions météorologiques. [0093] Par exemple, à partir de données issues du moyen de perception 1, dans la sous-étape E21 on détecte la présence de pluie ou de neige, puis on définit la valeur des conditions météorologiques METEO_MP à l’instant d’observation T_OBSP comme étant l’une des conditions définies dans l’ensemble prédéfini ENS_METEO, c’est-à-dire comme étant égal à M_NORMAL, M_PLUIE, M_NEIGE. La donnée METEO_MP est alors intégrée à la pième observation D_OBSP.
[0094] Dans un mode de réalisation où le modèle MOD_TSP comprend plusieurs sous- modèles MOD_TSP_NO, MOD_TSP_P, MOD_TSP_NE correspondant chacun respectivement aux conditions météorologiques, M_N0RMAL, M_PLUIE, M_NEIGE, la pième observation D_OBSP sera intégrée au sous-modèle déterminé par la donnée METEO_MP.
[0095] On enchaine ensuite sur la sous-étape E22 dans laquelle on démarre une temporisation d’une durée égale à une période d’itération P_ITER_MAN. Dans un mode de réalisation, la période d’itération des sous-étapes E21 et E22 est déterminée par la fréquence de traitement du calculateur, c’est-à-dire 100 Hertz.
[0096] La temporisation arrive à échéance à un instant T_OBSp+i,=T_OBSp+P_ITER_MAN.
[0097] A l’instant T_OBSp+i, on vérifie
- d’une part si la Nième mission du véhicule se poursuit et
- d’autre part si la phase de conduite manuelle se poursuit.
[0098] Pour cela, on vérifie que la valeur de la variable M0DE_V est bien M_MANUEL. Si oui, on reboucle sur l’étape E21 d’enregistrement.
[0099] Si la valeur de la variable MODE_V est différente de M_MANUEL, on détecte alors une fin de phase d’apprentissage, c’est-à-dire la fin d’une phase continue d’itérations des sous-étapes E21 et E22.
[0100] Dans ce cas, la sous-étape E22 comprend une mise à jour du modèle MOD_TSPN par intégration des données d’observation D_OBSP acquises lors de la phase d’apprentissage qui se termine.
[0101] Dans un mode de réalisation, un modèle de temps de suivi personnalisé MOD_TSPN est une fonction affine par morceaux qui associe un temps de suivi conducteur TSCP à toute vitesse longitudinale VLP comprise dans un intervalle de valeurs donné [VLmin, VLmax], l’intervalle de valeurs donné [VLmin, VLmax] étant décomposé en un ensemble de sous-intervalles II, 12, Ij délimitant les morceaux de la fonction affine.
[0102] Dans un mode de réalisation, sous-intervalles II, 12, Ij sont de même amplitude, par exemple ils déterminent des plages de vitesse dont l’amplitude est 10 kilomètres par heure.
[0103] Dans un mode de réalisation, un premier traitement consiste à construire une courbe d’évolution C5 du temps de suivi conducteur TSC en fonction de la vitesse longitudinale du véhicule automobile 100 comme représenté par la [Fig.5]. Le temps de suivi est exprimé en secondes sur l’axe des ordonnées 400 et la vitesse longitudinale du véhicule suiveur est exprimée en kilomètres par heure sur l’axe des abscisses 300.
[0104] L’axe des abscisses 300 est segmenté en intervalles ou plages de vitesse Ij de même amplitude, par exemple en intervalles ou plages de 10 km/h. Alternativement les intervalles ou plages pourraient être de longueur variable, pour affiner le modèle sur certaines plages de vitesse.
[0105] La courbe C5 est discrétisée en segments Sj, représentant chacun -sur une plage donnée de vitesses longitudinales Ij- une évolution linéaire du temps de suivi conducteur en fonction de la vitesse longitudinale. Chaque segment Sj est caractérisé par un triplet (a,, bj, n,) qui est calculé de la manière décrite ci-dessous.
[0106] Le segment Sj est déterminé à partir d’un sous-ensemble de données d’observation D_OBSj, relatives à des observations effectuées lorsque la vitesse longitudinale du véhicule automobile 100 était comprise dans la plage de vitesse Ij.
[0107] Chaque donnée d’observation du sous-ensemble D_OBSj peut être représentée par un point My de coordonnées (xy, yy),
- xy étant la vitesse longitudinale du véhicule automobile 100 déterminée dans la sous-étape E21, et
- yy étant le temps de suivi déterminé dans la sous-étape E21.
[0108] On note nj le nombre d’observations du sous-ensemble D_OBSj, c’est-à-dire le nombre de points Myutilisés pour déterminer le segment Sj.
[0109] La pente aj et l’origine bj du segment Sj sont calculés selon la formule Mathl appliquant la méthode des moindres carrés :
[0110] [Math.l]
Figure imgf000017_0001
- j est la moyenne des Uj xy,
- ÿj est la moyenne des Uj yy,
[0112] Les segments Sj étant chacun caractérisé par un triplet (aj5 bj, nj), ils constituent ensemble un modèle du temps de suivi conducteur issu de la dernière phase d’apprentissage.
[0113] Avantageusement, le modèle obtenu est consolidé afin de tenir compte également des données observées lors des précédentes phases d’apprentissage, c’est-à-dire d’un modèle prev_MOD_TSPNdéfini à l’issue de la précédente phase d’apprentissage.
[0114] Dans un mode de réalisation, le nouveau modèle new_MOD_TSPNest déterminé par un calcul d’une moyenne pondérée entre le modèle prev_MOD_TSPN et le modèle issu des données D_OBS recueillies dans la dernière phase d’apprentissage (représenté par la courbe C5).
[0115] Le modèle prev_MOD_TSPN est constitué d’une série de sous-modèles prev_MOD_TSPNj ou segments prev_SNj caractérisés par un triplet (prev_aNj, prev_bNj, prev_nNj),
- le segment de droite prev_SNj étant d’origine prev_bNj et de pente prev_aNj,
- un nombre prev_nNj de points de mesures ayant été utilisés pour déterminer le segment prev_SNj.
[0116] De même, le modèle new_MOD_TSPN est constitué d’une série de sous-modèles new_MOD_TSPNj ou segments new_SNj caractérisés par un triplet (new_aNj, new_bNj, new_nNj),
- le segment de droite new_SNj étant d’origine new_bNj et de pente new_aNj,
- un nombre new_nNj de points de mesures ayant été utilisés pour déterminer le segment new_SNj.
[0117] Dans un mode de réalisation, chaque sous-modèle new_MOD_TSPNj est défini par le triplet (new_aNj, new_bNj, new_nNj) calculé selon les formules Math2 à Math4 :
Figure imgf000018_0001
[0121] En remarque, les segments new_Sj ainsi obtenus ne sont pas systématiquement jointifs entre eux. Afin d’obtenir un modèle continu, des filtres sont appliqués au nouveau modèle new_MOD_TSPN. Dans un mode de réalisation, les filtres utilisés peuvent être des filtres linéaires d’ordre 2. Alternativement, d’autres types de filtres peuvent être utilisés.
[0122] Dans la suite du document le modèle new_MOD_TSPN est nommé MOD_TSPN. A la fin de l’étape E2, le modèle MOD_TSPNest le modèle issu de la plus récente phase d’apprentissage de la Nième mission.
[0123] Dans un mode de réalisation avantageux, si les données d’observation D_OBSN comprennent des données météorologiques, on peut créer un modèle par condition météorologique de l’ensemble ENS_METEO, par exemple respectivement un modèle pour des conditions météorologiques pluvieuses, neigeuses et normales.
[0124] Dans ce cas,
- les observations effectuées dans des conditions météorologiques pluvieuses seront utilisées pour générer un premier modèle MOD_TSP_PN de temps de suivi conducteur dans des conditions météorologiques pluvieuses,
- les observations effectuées dans des conditions météorologiques neigeuses seront utilisées pour générer un deuxième modèle MOD_TSP_NEN de temps de suivi conducteur dans des conditions météorologiques neigeuses, et
- les observations effectuées dans des conditions météorologiques autres seront utilisées pour générer un troisième modèle MOD_TSP_NON de temps de suivi conducteur dans des conditions météorologiques autres.
[0125] La méthode de construction de chacun des modèles MOD_TSP_NON MOD_TSP_PN et MOD_TSP_NEN peut être similaire à la méthode de calcul précédemment exposée.
[0126] Le modèle MOD_TSPN obtenu est enregistré dans la mémoire volatile 421.
[0127] Suite à la sous-étape E22 l’étape E2, le procédé peut enchainer soit sur une phase de fin de mission mise en œuvre dans l’étape E4, soit sur une phase d’application automatique d’un temps de suivi personnalisé mise en œuvre dans des itérations de l’étape E3 :
- Si la valeur de la variable M0DE_V est M_STOP, cela signifie que le conducteur a mis fin à la Nième mission entre les instants T_OBSP et T_OBSp+i. On enchaine donc sur l’étape E4 de fin de mission.
- Si la valeur de la variable M0DE_V est M_AUT0, cela signifie que le conducteur a activé la gestion automatique du temps de suivi. Dans ce cas, on enchaine sur l’étape E3 d’application d’un temps de suivi personnalisé.
[0128] L’étape E3 comprend une itération à différents instants T_AUTOq sur deux sous- étapes E31 et E32.
[0129] A un instant T_AUTOq d’itération, dans la sous-étape E31 on détermine le type de temps de suivis automatiques que le conducteur souhaite appliquer, c’est-à-dire des temps de suivi prédéfinis, ou des temps de suivi personnalisés par apprentissage.
[0130] Si le conducteur a configuré le mode de conduite automatique pour appliquer des temps de suivi prédéfinis, une valeur prédéfinie de temps de suivi est transmise au module 5 de contrôle de la vitesse longitudinale. On enchaine ensuite sur la sous-étape E32.
[0131] Si le conducteur a configuré le mode de conduite automatique pour appliquer un temps de suivi personnalisés par apprentissage, on récupère le modèle MOD_TSPN disponible en mémoire et on l’utilise pour calculer un temps de suivi personnalisé TSPq qui sera appliqué automatiquement, à l’instant T_AUTOq, entre le véhicule automobile 100 et le véhicule cible 200. Le temps de suivi personnalisé TSPq est calculé en fonction de la vitesse longitudinale VLq du véhicule automobile 100 mesurée à l’instant T_AUTOq.
[0132] La [Eig.6] décrit une méthode de calcul d’un temps de suivi personnalisé à partir de la vitesse longitudinale VLq du véhicule automobile 100.
[0133] La vitesse longitudinale VLq permet de déterminer quel segment SNj du modèle MOD_TSPN sera utilisé pour calculer le temps de suivi personnalisé. Le segment SNj est caractérisé par le triplet (aNj, bNj, nNj). On détermine ensuite les coordonnées du milieu ZNj du segment SNj, c’est à dire l’abscisse VL_ZNjet l’ordonnée TSP_ZNj,. L’ordonnée TSP_ZNj représente le temps de suivi milieu du segment SNj ; il est déterminée par la formule Math 5 suivante :
Figure imgf000020_0001
[0135] A partir du temps de suivi milieu TSP_ZNj et de la vitesse longitudinale VLq mesurée à l’instant T_AUTOq on détermine par interpolation le temps de suivi personnalisé TSP q-
[0136] Le temps de suivi personnalisé TSPq est ensuite transmis au module 5 de contrôle de la vitesse longitudinale.
[0137] Avantageusement, la sous-étape E31 peut en outre comprendre une détermination de conditions météorologiques METEO_Aq à l’instant d’application T_AUTOq. Par exemple, à partir de données issues du moyen de perception 1, dans la sous-étape E31 on détecte la présence de pluie ou de neige, puis on définit la valeur des conditions météorologiques METEO_Aq à l’instant d’application T_AUTOq comme étant l’une des conditions définies dans l’ensemble prédéfini ENS_METEO, c’est-à-dire comme étant égal à M_N0RMAL, M_PLUIE, M_NEIGE.
[0138] La donnée METEO_Aq est alors utilisée pour choisir le sous-modèle adapté aux conditions météorologiques pour déterminer un temps de suivi personnalisé TSPq, parmi les sous-modèles MOD_TSP_NO, MOD_TSP_P, MOD_TSP_NE correspondant chacun respectivement à chacune des conditions météorologiques, NORMAL, M_PLUIE, M_NEIGE.
[0139] Suite à la sous-étape E31, on enchaine sur la sous-étape E32 dans laquelle on démarre une temporisation d’une durée égale à une période d’itération P_ITER_AUTO. Dans un mode de réalisation, la période d’itération des sous-étapes E31 et E32 est déterminée par la fréquence de traitement du calculateur, c’est-à-dire 100 Hertz.
[0140] La période P_ITER_AUTO d’itération des sous-étapes E31 et E32 peut être différente de la période P_ITER_MAN d’itération des sous-étapes E21 et E22.
[0141] La temporisation arrive à échéance à un instant T_AUTOq+i=T_AUTOq +P_ITER_AUTO.
[0142] A l’instant T_AUTOq+i, on vérifie alors si la Nième mission du véhicule se poursuit et, si la phase de conduite automatique se poursuit.
[0143] Pour cela, on vérifie que la valeur de la variable M0DE_V est bien M_AUT0. Si oui, on reboucle sur l’étape E31 d’application.
[0144] Si la valeur de la variable MODE_V est différente de M_AUTO, on détecte alors une fin de phase d’application automatique d’un temps de suivi personnalisé, c’est-à-dire la fin d’une phase continue d’itérations des sous-étapes E31 et E32.
[0145] Le procédé peut alors enchainer soit sur une phase de fin de mission mise en œuvre dans l’étape E4, soit sur une phase d’apprentissage mise en œuvre dans l’étape E2 :
- Si la valeur de la variable M0DE_V est M_STOP, cela signifie que le conducteur a mis fin à la Nième mission entre les instants T_AUTOq et T_AUTOq+i. On enchaine donc sur l’étape E4 de fin de mission.
- Si la valeur de la variable M0DE_V est M_MANUEL, cela signifie que le conducteur a désactivé la gestion automatique du temps de suivi. Dans ce cas, on enchaine sur l’étape E2 d’apprentissage.
[0146] Dans l’étape E4 de fin de mission, on récupère le modèle MOD_TSPNdisponible en mémoire volatile 421 et on l’enregistre en mémoire non volatile 422.
[0147] Les données précédemment enregistrées en mémoire volatile sont effacées. Le modèle MOD_TSPN issu de la Nième mission (stocké dans une mémoire non volatile 422) servira ultérieurement de modèle initial en entrée de l’étape El lors du déroulement de la N+lième mission.
[0148] Les modes de réalisation précédemment décrits pour le modèle MOD_TSPN permettent avantageusement de préserver la durée de vie de la mémoire volatile 422. En effet, les calculateurs actuels permettent d’effectuer un million de cycles d’écriture dans les mémoires non volatiles. Dans le cas où un modèle MOD_TSPN prend en compte les paramètres suivants :
- un profil utilisateur par véhicule,
- trois types de conditions météorologiques : M_N0RMAL, M_PLUIE, M_NEIGE,
- douze intervalles de vitesse Ij,
- pour chaque intervalle Ij trois paramètres déterminés par la méthode des moindres carrés : aj, bj, nj, et si l’on utilise quatre octets pour coder chaque paramètre du modèle modèle MOD_TSPN, alors chaque modèle utilise 432 octets en mémoire.
[0149] On vérifie en outre que la fréquence des enregistrements en mémoire induits par la mise en œuvre du procédé selon l’invention est compatible avec la durée de vie de la mémoire non volatile 422. Pour cela, on considère une durée de vie de vingt ans pour le véhicule automobile 100. Sachant que, sur la totalité de sa durée de vie, la mémoire non volatile 422 peut supporter jusqu’à un million de cycles d’écriture, on calcule une limite moyenne de 137 cycles d’écriture en mémoire non volatile par jour, pendant 20 ans. Cette limite quotidienne moyenne dépasse largement les besoins quotidiens d’écriture en mémoire non volatile du véhicule automobile 100 en cas de mise en œuvre de l’invention.
[0150] Ainsi, la taille du modèle MOD_TSPN et la fréquence d’enregistrement d’un modèle à chaque fin de mission sont compatibles de la durée de vie de la mémoire non volatile 422.
[0151] La [Fig.7] est un second ordinogramme d’un procédé de gestion automatisée selon l’invention. Dans une première étape 70 on débute la mission du véhicule automobile 100. Dans une étape 71, on teste si la mission est terminée.
[0152] Si la mission est terminée, on enchaine sur l’étape 79 de fin de mission pouvant comprendre un enregistrement de données en mémoire non volatile. Puis, suite à l’étape 79 on reboucle sur l’étape 70.
[0153] Si la mission continue, on enchaine sur une étape 72 de lecture en mémoire d’un modèle de temps de suivi personnalisé.
[0154] Puis, dans une étape 73, on identifie le mode de conduite actuel du véhicule automobile 100.
[0155] Puis, dans une étape 74, on vérifie si le mode de conduite actuel est manuel :
- Si le mode de conduite actuel est manuel, on enchaine sur étape 75 d’apprentissage d’un réglage personnalisé d’un temps de suivi. Puis, dans une étape 77, on teste si la mission est terminée. Si oui, on enchaine sur l’étape 79 de fin de mission. Si non, on reboucle sur l’étape 73 d’identification du mode actuel de conduite.
- Si le mode de conduite actuel est automatique, on enchaine sur une étape 76 d’application automatique d’un réglage personnalisé d’un temps de suivi. Puis, dans une étape 78, on teste si la mission est terminée. Si oui, on enchaine sur l’étape 79 de fin de mission. Si non, on reboucle sur l’étape 73 d’identification du mode actuel de conduite.
[0156] La [Fig.8] est un ordinogramme détaillant un mode de réalisation de l’étape 75 d’apprentissage d’un temps de suivi conducteur. Dans une étape 80 on initialise l’apprentissage.
[0157] Puis on enchaine sur une étape Ml de test de conditions météorologiques pluvieuses. [0158] Si les conditions météorologiques sont pluvieuses, alors on enchaine sur un traitement d’apprentissage relatif à des conditions météorologiques pluvieuses, comprenant
- une étape 81 de vérification de conditions d’apprentissage, puis
- une étape 82 d’observation de temps de suivi appliqués par le conducteur, puis
- une étape 83 de mise à jour d’un modèle de temps de suivi appliqué par le conducteur dans des conditions météorologiques pluvieuses, puis
- on reboucle sur l’étape 80.
[0159] Si les conditions météorologiques ne sont pas pluvieuses, on enchaine sur une étape M2 de test de conditions météorologiques neigeuses. [0160] Si les conditions météorologiques sont neigeuses, alors on enchaine sur un traitement d’apprentissage relatif à des conditions météorologiques neigeuses, comprenant
- une étape 84 de vérification de conditions d’apprentissage, puis
- une étape 85 d’observation de temps de suivi appliqués par le conducteur, puis
- une étape 86 de mise à jour d’un modèle de temps de suivi appliqué par le conducteur dans des conditions météorologiques neigeuses, puis
- on reboucle sur l’étape 80.
[0161] Si les conditions météorologiques ne sont ni pluvieuses ni neigeuses, on enchaine sur un traitement d’apprentissage relatif à des conditions météorologiques normales, comprenant
- une étape 87 de vérification de conditions d’apprentissage, puis
- une étape 88 d’observation de temps de suivi appliqués par le conducteur, puis
- une étape 89 de mise à jour d’un modèle de temps de suivi appliqué par le conducteur dans des conditions météorologiques normales, puis
- on reboucle sur l’étape 80.
[0162] La [Fig.9] est un ordinogramme détaillant un mode de réalisation de l’étape 76 d’application automatique d’un réglage personnalisé d’un temps de suivi.
[0163] Dans une étape 90 on démarre l’application automatique d’un réglage personnalisé d’un temps de suivi.
[0164] Puis, dans une étape 91 on vérifie si le conducteur souhaite une détermination automatique du temps de suivi selon des réglages personnalisés ou selon des réglages prédéfinis non personnalisés.
[0165] Puis, dans une étape 92 on détermine les conditions météorologiques à l’instant d’application.
[0166] Puis, dans une étape 93 on teste si les conditions météorologiques sont pluvieuses.
[0167] Si les conditions météorologiques sont pluvieuses, alors on enchaine sur une étape 94 de traitement d’application d’un temps de suivi relatif à des conditions météorologiques pluvieuses, puis on reboucle sur l’étape 90.
[0168] Si les conditions météorologiques ne sont pas pluvieuses, on enchaine sur une étape 95 de test de conditions météorologiques neigeuses.
[0169] Si les conditions météorologiques sont neigeuses, alors on enchaine sur une étape 96 de traitement d’application d’un temps de suivi relatif à des conditions météorologiques neigeuses, puis on reboucle sur l’étape 90.
[0170] Si les conditions météorologiques ne sont pas neigeuses, alors on enchaine sur une étape 97 de traitement d’application d’un temps de suivi relatif à des conditions météorologiques normales, puis on reboucle sur l’étape 90.
[0171] Finalement, le procédé de gestion de la vitesse longitudinale selon l’invention présente de multiples avantages. [0172] En premier lieu, il permet l’apprentissage par le véhicule automobile 100 d’un temps de suivi personnalisé au fil des missions effectuées par le conducteur. L’apprentissage du temps de suivi conducteur prend en compte plusieurs critères susceptibles d’influencer le temps de suivi appliqué par un conducteur humain. En premier lieu, la vitesse longitudinale du véhicule automobile 100 est un paramètre essentiel du modèle. Les conditions dans lesquelles le véhicule circule sont également prises en compte, en particulier les conditions météorologiques. D’autres conditions susceptibles d’influencer le temps de suivi pourraient également être prises en compte, par exemple la luminosité extérieure ou encore l’état de la chaussée. En complément ou alternativement, l’intégration d’une information liée au trafic pourrait permettre une adaptation du temps de suivi à la densité de trafic. En effet, dans des situations de trafic dense, un conducteur pourrait avoir tendance à réduire son temps de suivi pour éviter des insertions de véhicules en son véhicule et le véhicule cible.
[0173] Ainsi, grâce à l’invention, le conducteur peut retrouver dans un mode de gestion automatique de la vitesse longitudinale les mêmes sensations de conduite que celles qu’il aurait dans un mode de conduite manuel. En outre, la personnalisation du temps de suivi peut avantageusement être différenciée en fonction de différents utilisateurs du véhicule automobile 100. En imitant le comportement du conducteur, l’invention contribue à l’acception du système de conduite autonome par le conducteur et donc à une augmentation de la fréquence de son utilisation. L’invention permet ainsi d’améliorer la sécurité du conducteur et des occupants du véhicule.
[0174] Le procédé de gestion de la vitesse longitudinale selon l’invention permet par ailleurs de simplifier l’interface homme-machine relative à l’utilisation d’un système de gestion automatique de la vitesse longitudinale.
[0175] Le procédé de gestion de la vitesse longitudinale selon l’invention permet en outre de réduire le nombre de paramètres nécessitant un réglage prédéfini en amont de la mise en circulation du véhicule. Le coût de la mise au point du véhicule est donc réduit.
[0176] De plus, le procédé de gestion de la vitesse longitudinale selon l’invention peut fonctionner uniquement à partir de données issues de moyens embarqués dans le véhicule automobile 100. En d’autres termes, les moyens techniques requis pour la mise en œuvre de l’invention sont disponibles sur tout véhicule dont le niveau d’autonomie est supérieur ou égal à 1.
[0177] Par ailleurs, le procédé de gestion de la vitesse longitudinale selon l’invention utilise la méthode des moindres carrés pour construire un modèle de temps de suivi. Ce mode de réalisation permet de diminuer l’impact de quelques observations qui se détacheraient d’une tendance définie par la majorité des observations. En d’autres termes, la méthode des moindres carrés permet de lisser le modèle créé lors de l’exécution du procédé de gestion de la vitesse longitudinale selon l’invention. La méthode des moindres carrés permet par ailleurs de définir un modèle MOD_TSPN qui utilise peu de place en mémoire non volatile 422, comme cela a été précédemment développé, ce qui permet de préserver la durée de vie de la mémoire non volatile 422 et d’éviter son obsolescence pendant la durée du véhicule.
[0178] L’invention pourrait en outre permettre d’évaluer la conduite d’un utilisateur du véhicule, dans le but de lui fournir des indicateurs sur un niveau de sécurité ou un niveau de consommation d’énergie en lien avec sa conduite.

Claims

Revendications
[Revendication 1] Procédé de gestion de la vitesse longitudinale d’un premier véhicule automobile (100) comprenant un moyen de perception (1) de l’environnement situé à l’avant du véhicule automobile (100) et un premier moyen de détermination (2) de la vitesse et de l’accélération du véhicule automobile (100), caractérisé en ce qu’il comprend une alternance entre les étapes suivantes :
- une étape (E2) d’apprentissage comprenant une itération, à différents instants d’observation (T_OBSP), des sous-étapes suivantes :
• une détermination, à un instant d’observation (T_OBSP), d’un mode de conduite courant du premier véhicule automobile (100) comme étant d’un premier genre (M_MANUEL) si une vitesse longitudinale du premier véhicule automobile (100) est contrôlée par un conducteur humain, sinon comme étant d’un deuxième genre (M_AUTO), puis
• si le mode de conduite courant est du premier genre (M_MANUEL), une sous-étape (E21) d’enregistrement de données d’observation (D_OBSP) comprenant une mesure à l’instant d’observation (T_OBSP) d’une vitesse longitudinale (VLP) du premier véhicule automobile (100) et un calcul à l’instant d’observation (T_OBSP) d’un temps de suivi conducteur (TSCP) séparant le premier véhicule automobile (100) d’un deuxième véhicule automobile (200) précédant le premier véhicule automobile (100) sur sa voie de circulation (40), le temps de suivi conducteur (TSCP) étant calculé en fonction des données issues du moyen de perception (1) et du premier moyen de détermination (2), ou
• sinon, une sous-étape (E22) de fin d’observation comprenant un calcul d’un modèle d’un temps de suivi personnalisé (MOD_TSP) à partir des données d’observation (D_OBSP) recueillies lors des différents instants d’observation (T_OBSP), le calcul du modèle comprenant un calcul selon la méthode des moindres carrés,
- une itération d’une étape (E3) d’application automatique d’un temps de suivi personnalisé (TSPq) entre le premier véhicule automobile (100) et le deuxième véhicule automobile (200), le temps de suivi personnalisé (TSPq) étant calculé à partir du modèle de temps de suivi personnalisé (MOD_TSP) et en fonction d’une vitesse longitudinale du premier véhicule automobile (100) mesurée par le premier moyen de détermination (2) à un instant (T_AUTOq) d’itération de l’étape (E3) d’application.
[Revendication 2] Procédé de gestion selon la revendication précédente, le véhicule automobile comprenant en outre un deuxième moyen de détermination (1) d’une nature de conditions météorologiques parmi un ensemble prédéfini (ENS_METEO) de conditions météorologiques (M_N0RMAL, M_PLUIE, M_NEIGE), caractérisé en ce que :
- la sous-étape (E21) d’enregistrement de données d’observation (D_OBSP) comprend en outre une détermination et un enregistrement de conditions météorologiques (METEO_MP) à l’instant d’observation (T_OBSP) parmi l’ensemble prédéfini (ENS_METEO) de conditions météorologiques (M_N0RMAL, M_PLUIE, M_NEIGE),
- la sous-étape (E22) de fin d’observation comprend une mise à jour d’un sous-modèle (MOD_TSP_NO, MOD_TSP_P, MOD_TSP_NE) du modèle consolidé (MOD_TSP) par condition météorologique (M_N0RMAL, M_PLUIE, M_NEIGE) de l’ensemble prédéfini (ENS_METEO), et
- l’étape (E3) d’application comprend une sous-étape de détermination, parmi l’ensemble prédéfini (ENS_METEO), des conditions météorologiques (METE0_Mq) à l’instant d’itération (T_AUTOq), et le sous-modèle (MOD_TSP_NO, MOD_TSP_P, MOD_TSP_NE) utilisé pour calculer le temps de suivi personnalisé (TSPq) est déterminé par les conditions météorologiques (METE0_Mq) déterminées à l’instant d’itération (T_AUTOq).
[Revendication 3] Procédé de gestion selon l’une des revendications précédentes, caractérisé en ce qu’un modèle de temps de suivi personnalisé (MOD_TSP) est une fonction affine par morceaux (C5) qui associe un temps de suivi conducteur (TSCP) à toute vitesse longitudinale (VLP) comprise dans un intervalle de valeurs donné [VLmin, VLmax], l’intervalle de valeurs donné [VLmin, VLmax] étant décomposé en sous-intervalles (Ib I2, Ij, ...) délimitant les morceaux (Sb S2, Sj) de la fonction affine par morceaux (C5).
[Revendication 4] Procédé de gestion selon la revendication précédente, caractérisé en ce qu’à chaque sous-intervalle donné (Ij) est associé un sous-ensemble (D_OBSj) de l’ensemble d’observations (D_OBS) regroupant les observations effectuées lorsque que la vitesse longitudinale appliquée par véhicule automobile (100) se situait dans la plage de vitesses définie par le sous-intervalle donné (Ij), et en ce que l’origine (aj) et la pente (bj) du morceau (Sj) de la fonction affine par morceaux délimité par le sous- intervalle (Ij) sont calculés par application de la méthode des moindres carrés aux observations du sous-ensemble (D_OBSj).
[Revendication 5] Procédé de gestion selon la revendication précédente, caractérisé en ce que les sous-intervalles (Ib I2, Ij,) déterminent des plages de vitesse d’une amplitude fixe, par exemple des plages de vitesse dont l’amplitude est égale à 10 kilomètres par heure.
[Revendication 6] Procédé de gestion selon l’une des revendications précédentes, caractérisé en ce que les itérations des étapes E2 et/ou E3 s’effectuent à une fréquence d’un calculateur sur lequel s’exécute le procédé, par exemple à une fréquence de 100 Hertz.
[Revendication 7] Procédé selon l’une des revendications précédentes, caractérisé en ce que le procédé comprend une phase de conduite délimitée par
- un instant de début de phase de conduite, où un moteur du véhicule automobile (100) est démarré au moyen d’une clé ou d’un bouton de contact par un conducteur, et
- un instant de fin de phase de conduite, où un moteur du véhicule automobile (100) est arrêté au moyen d’une clé ou d’un bouton de contact par un conducteur, en ce que, entre l’instant de début de phase de conduite et l’instant de fin de phase de conduite, un modèle de temps de suivi personnalisé (MOD_TSP) est enregistré dans une mémoire volatile (421) du véhicule automobile, et en ce qu’à l’instant de fin de phase de conduite, un modèle de temps de suivi personnalisé (MOD_TSP) est enregistré dans une mémoire non volatile (422) du véhicule automobile.
[Revendication 8] Dispositif (10) de gestion de la vitesse longitudinale d’un premier véhicule automobile (100), le véhicule automobile étant équipé d’un module de contrôle de la vitesse longitudinale (5), d’un moteur (6) et d’un système de freinage (7), le dispositif comprenant des éléments (1, 2, 3, 4, 41, 42, 43, 411, 412, 413, 414, 421, 422) matériels et/ou logiciels mettant en œuvre le procédé selon l’une des revendications 1 à 7,.
[Revendication 9] 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 7 lorsque ledit programme fonctionne sur un ordinateur.
[Revendication 10] Support d’enregistrement de données, lisible par un ordinateur, sur lequel est enregistré un programme d’ordinateur comprenant des instructions de code de programme de mise en œuvre du procédé selon l’une des revendications 1 à 7.
PCT/EP2023/077592 2022-10-11 2023-10-05 Procédé de gestion automatisée de la vitesse longitudinale d'un véhicule automobile WO2024078965A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2210428A FR3140602A1 (fr) 2022-10-11 2022-10-11 Procédé de gestion automatisée de la vitesse longitudinale d’un véhicule automobile.
FRFR2210428 2022-10-11

Publications (1)

Publication Number Publication Date
WO2024078965A1 true WO2024078965A1 (fr) 2024-04-18

Family

ID=84360023

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2023/077592 WO2024078965A1 (fr) 2022-10-11 2023-10-05 Procédé de gestion automatisée de la vitesse longitudinale d'un véhicule automobile

Country Status (2)

Country Link
FR (1) FR3140602A1 (fr)
WO (1) WO2024078965A1 (fr)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015089801A (ja) * 2013-11-07 2015-05-11 株式会社デンソー 運転制御装置
EP3594077A1 (fr) * 2017-03-07 2020-01-15 Nissan Motor Co., Ltd. Procédé d'aide à la conduite et dispositif de commande de conduite
EP3686862A1 (fr) * 2017-09-20 2020-07-29 Nissan Motor Co., Ltd. Procédé d'aide au déplacement et dispositif d'aide au déplacement

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015089801A (ja) * 2013-11-07 2015-05-11 株式会社デンソー 運転制御装置
EP3594077A1 (fr) * 2017-03-07 2020-01-15 Nissan Motor Co., Ltd. Procédé d'aide à la conduite et dispositif de commande de conduite
EP3686862A1 (fr) * 2017-09-20 2020-07-29 Nissan Motor Co., Ltd. Procédé d'aide au déplacement et dispositif d'aide au déplacement

Also Published As

Publication number Publication date
FR3140602A1 (fr) 2024-04-12

Similar Documents

Publication Publication Date Title
FR3074123A1 (fr) Evaluation d'un style de conduite d'un conducteur d'un vehicule routier en mouvement par apprentissage automatique
EP3464006A1 (fr) Dispositif de suivi des habitudes de conduite d'un conducteur d'un véhicule de transport et procédé correspondant
WO2020120686A1 (fr) Procédé de caractérisation de virages pour l'avertissement de conducteurs
EP4077086B1 (fr) Procédé de détermination d'un profil de vitesse d'un vehicule automobile à accélération non prédéterminée
EP1023195A1 (fr) Procede de regulation de la distance entre deux vehicules mobiles
FR2789884A1 (fr) Procede et dispositif de commande de la presentation d'informations a un conducteur de vehicule automobile
EP3458325B1 (fr) Procédé de proposition d'une vitesse de roulage
WO2020058234A1 (fr) Dispositif de prédiction de trajet le plus probable d'un véhicule
FR3012783A1 (fr) Procede et systeme de commande de la vitesse d'un vehicule
WO2024078965A1 (fr) Procédé de gestion automatisée de la vitesse longitudinale d'un véhicule automobile
FR2977851A1 (fr) Commande de regulation de vitesse d'un vehicule
FR3077254A1 (fr) Systeme et procede de commande d'un vehicule automobile pour le franchissement d'un obstacle bas
EP3472015B1 (fr) Procédé de détermination d'une classe de conduite de référence
WO2020120867A1 (fr) Consolidation d'un indicateur de présence d'un objet cible pour une conduite autonome
FR3100514A1 (fr) Procédé de gestion d'une distance de sécurité.
CN108973984A (zh) 牵引力和稳定性控制系统
WO2018224608A1 (fr) Dispositif d'enregistrement de données de déplacement, procédé et programme correspondant
FR3079954A1 (fr) Apprentissage automatique predictif pour la prediction d'une vitesse future d'un vehicule automobile en mouvement sur une route
EP3999997A1 (fr) Procédé et dispositif embarqué d'aide à la conduite avec tracé de contour de voie dépassé
FR3101044A1 (fr) Procédé d’aide à la conduite avec détermination d’une distance de sécurité multi-cibles.
EP4359278A1 (fr) Procede d'optimisation du contrôle dynamique du châssis d'un vehicule
EP4277820A1 (fr) Procédé et dispositif de contrôle d'accélération d'un véhicule
WO2023041285A1 (fr) Procede de selection d'un mode de fonctionnement d'un dispositif de capture d'images pour reconnaissance faciale
FR3030728A1 (fr) Procede et systeme de determination d'un niveau et/ou d'un volume de carburant dans un reservoir d'un vehicule automobile
WO2022053338A1 (fr) Procédé d'affichage sécurisé d'informations dans un véhicule