FR2742706A1 - Monitoring process for observing watchful state of driver to guard against tiredness - Google Patents
Monitoring process for observing watchful state of driver to guard against tiredness Download PDFInfo
- Publication number
- FR2742706A1 FR2742706A1 FR9515409A FR9515409A FR2742706A1 FR 2742706 A1 FR2742706 A1 FR 2742706A1 FR 9515409 A FR9515409 A FR 9515409A FR 9515409 A FR9515409 A FR 9515409A FR 2742706 A1 FR2742706 A1 FR 2742706A1
- Authority
- FR
- France
- Prior art keywords
- driver
- learning
- class
- driving
- characters
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60K—ARRANGEMENT OR MOUNTING OF PROPULSION UNITS OR OF TRANSMISSIONS IN VEHICLES; ARRANGEMENT OR MOUNTING OF PLURAL DIVERSE PRIME-MOVERS IN VEHICLES; AUXILIARY DRIVES FOR VEHICLES; INSTRUMENTATION OR DASHBOARDS FOR VEHICLES; ARRANGEMENTS IN CONNECTION WITH COOLING, AIR INTAKE, GAS EXHAUST OR FUEL SUPPLY OF PROPULSION UNITS IN VEHICLES
- B60K28/00—Safety devices for propulsion-unit control, specially adapted for, or arranged in, vehicles, e.g. preventing fuel supply or ignition in the event of potentially dangerous conditions
- B60K28/02—Safety devices for propulsion-unit control, specially adapted for, or arranged in, vehicles, e.g. preventing fuel supply or ignition in the event of potentially dangerous conditions responsive to conditions relating to the driver
- B60K28/06—Safety devices for propulsion-unit control, specially adapted for, or arranged in, vehicles, e.g. preventing fuel supply or ignition in the event of potentially dangerous conditions responsive to conditions relating to the driver responsive to incapacity of driver
- B60K28/066—Safety devices for propulsion-unit control, specially adapted for, or arranged in, vehicles, e.g. preventing fuel supply or ignition in the event of potentially dangerous conditions responsive to conditions relating to the driver responsive to incapacity of driver actuating a signalling device
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/06—Alarms for ensuring the safety of persons indicating a condition of sleep, e.g. anti-dozing alarms
-
- 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
- B60W2540/00—Input parameters relating to occupants
- B60W2540/22—Psychological state; Stress level or workload
-
- 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
- B60W2540/00—Input parameters relating to occupants
- B60W2540/221—Physiology, e.g. weight, heartbeat, health or special needs
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
Description
La présente invention concerne un procédé de détection de l'évolution du comportement de conduite d'un conducteur de véhicule automobile, ainsi que le dispositif pour la mise en oeuvre de ce procédé. The present invention relates to a method for detecting the evolution of the driving behavior of a driver of a motor vehicle, as well as the device for implementing this method.
On sait qu'une proportion importante des accidents de la circulation mettant en jeu un seul véhicule est attribuée à une défaillance du conducteur résultant de l'hypovigilance, la somnolence et/ou la fatigue de celui-ci. It is known that a significant proportion of single-vehicle traffic accidents are attributed to driver failure resulting from hypovigilance, drowsiness and / or fatigue.
Si le conducteur d'un véhicule automobile pouvait être alerté d'une diminution de ses performances avant qu'il ne commette une faute de conduite, un grand nombre d'accidents pourraient alors être évités. If the driver of a motor vehicle could be alerted to a decrease in performance before he committed a driving fault, a large number of accidents could then be avoided.
Diverses solutions ont déjà été proposées pour prévenir le conducteur d'un véhicule automobile d'une conduite particulièrement dangereuse. Various solutions have already been proposed to warn the driver of a motor vehicle of a particularly dangerous driving.
L'une de ces solutions consiste à utiliser un détecteur d'hypovigilance faisant partie d'un système embarqué sur le véhicule et analysant les mouvements instantanés du volant et les comparant à des mouvements observés préalablement en hypovigilance. Le système repose sur le principe suivant : un conducteur parfaitement éveillé effectue une correction de trajectoire continue et de faible amplitude. Par contre, un conducteur hypovigilant, voire somnolent, effectue cette correction de façon irrégulière. Le conducteur ne corrige plus sa trajectoire en continu, mais de temps en temps, ce qui l'oblige à réaliser des mouvements du volant de grande amplitude. Ce système connu repose ainsi sur une mesure des angles du volant lorsque ceux-ci suivent un intervalle de temps pendant lequel le volant est resté immobile, une mesure de cet intervalle de temps étant également effectuée, et une alarme est produite en cas de détection d'hypovigilance du conducteur. One of these solutions consists in using a hypovigilance detector that is part of a system on the vehicle and analyzing the instantaneous movements of the steering wheel and comparing them with previously observed movements in hypovigilance. The system is based on the following principle: a perfectly awake driver performs a continuous and low amplitude trajectory correction. On the other hand, a hypovigilant or even sleepy driver performs this correction irregularly. The driver no longer corrects his trajectory continuously, but from time to time, which forces him to make large movements of the steering wheel. This known system is thus based on a measurement of the steering wheel angles when they follow a period of time during which the steering wheel has remained stationary, a measurement of this time interval being also carried out, and an alarm is produced in case of detection of hypovigilance of the driver.
Ce système connu repose uniquement sur l'analyse des mouvements du volant de sorte qu'il manque de fiabilité car le signal électrique de mesure des angles de rotation du volant peut être perturbé par d'autres événements. I1 en résulte alors un grand nombre de fausses alarmes. De plus, ce système connu ne prend pas en compte la spécificité du conducteur ni celle de son environnement de conduite. This known system is based solely on the analysis of the movements of the steering wheel so that it is unreliable because the electrical signal for measuring the rotation angles of the steering wheel can be disturbed by other events. This results in a large number of false alarms. In addition, this known system does not take into account the specificity of the driver or that of his driving environment.
Une autre solution pour prévenir le conducteur d'un véhicule automobile d'une activité de conduite dangereuse consiste à utiliser un détecteur embarqué de fatigue du conducteur et reposant sur une mesure de la durée du trajet et des conditions de conduite pendant cette durée, qui sont représentées par la vitesse du véhicule et l'activité de freinage. Un signal d'alarme est produit pour indiquer au conducteur qu'il doit se reposer lorsque la durée de conduite atteint un certain seuil adapté aux conditions de conduite rencontrées. Another solution for preventing the driver of a motor vehicle from a dangerous driving activity is to use an on-board driver fatigue detector and based on a measurement of the duration of the journey and the driving conditions during this time, which are represented by vehicle speed and braking activity. An alarm signal is generated to indicate to the driver that he must rest when the driving time reaches a certain threshold adapted to the driving conditions encountered.
La solution qui est connue ci-dessus s'intéresse donc uniquement à la détection de fatigue accumulée et supposée du conducteur au cours d'un trajet et ne tient pas compte de la spécificité du conducteur. The solution which is known above is therefore only concerned with the detection of accumulated and supposed fatigue of the driver during a journey and does not take into account the specificity of the driver.
On connaît également d'autres solutions pour éviter la défaillance d'un conducteur, mais qui imposent le port d'un équipement spécifique (casque, lunettes...). Ces solutions sont plutôt des gadgets et en tout cas manquent de fiabilité. Other solutions are also known to avoid the failure of a driver, but which require the wearing of specific equipment (helmet, glasses ...). These solutions are rather gadgets and in any case unreliable.
La présente invention propose un procédé et un dispositif embarqué capable de détecter toute évolution du comportement du conducteur pouvant aboutir à une conduite dangereuse quelle qu'en soit la cause. The present invention provides a method and an onboard device capable of detecting any evolution of the behavior of the driver that can lead to dangerous driving whatever the cause.
A cet effet, le procédé de l'invention pour la détection de l'évolution du comportement de conduite d'un conducteur de véhicule automobile est caractérisé en ce qu'il consiste à
- mesurer un certain nombre de paramètres caractéristiques de l'activité ou état de conduite du conducteur, tels que la position de la pédale d'accélérateur du véhicule, la vitesse du véhicule, les mouvements de rotation du volant du véhicule
- calculer, à partir des valeurs mesurées des paramètres, des grandeurs caractéristiques ou caractères de la conduite
- traiter par un logiciel spécifique ces caractères calculés de façon que ce logiciel puisse accomplir une fonction d'apprentissage progressif des caractéristiques du comportement du conducteur au fur et à mesure de la conduite et une fonction de détection de toute variation des caractères calculés indiquant une évolution significative de l'activité de conduite du conducteur ; et
- émettre une alarme lorsqu'est détectée une évolution significative du comportement du conducteur.For this purpose, the method of the invention for detecting the evolution of the driving behavior of a motor vehicle driver is characterized in that it consists of
measure a certain number of parameters characteristic of the activity or the driving state of the driver, such as the position of the accelerator pedal of the vehicle, the speed of the vehicle, the rotational movements of the steering wheel of the vehicle
- calculate, from the measured values of the parameters, the characteristic quantities or characters of the pipe
- Processing by a specific software these characters calculated so that the software can perform a function of progressive learning of the characteristics of the behavior of the driver as and when driving and a function of detecting any change in calculated characters indicating a change significant driver driving activity; and
- emit an alarm when a significant change in the behavior of the driver is detected.
Les paramètres sont mesurés un certain nombre de fois pendant un intervalle donné ou fenêtre de mesure et on recommence une telle mesure pour une nouvelle fenêtre de mesure décalée par rapport à la première, de préférence avec recouvrement entre les deux fenêtres de mesure successives. The parameters are measured a certain number of times during a given interval or measuring window and this measurement is repeated for a new measuring window offset from the first, preferably with overlap between the two successive measuring windows.
Les caractères calculés comprennent des grandeurs statistiques telles que la moyenne de n valeurs mesurées pendant une fenêtre de mesure, la variance caractérisant la dispersion des valeurs mesurées autour de la moyenne, un coefficient de symétrie traduisant la symétrie de la répartition des n valeurs autour de la moyenne et/ou le coefficient d'aplatissement caractérisant la forme de la répartition des valeurs sur la fenêtre de mesure et/ou des grandeurs fréquentielles. The calculated characters include statistical quantities such as the average of n values measured during a measurement window, the variance characterizing the dispersion of the values measured around the mean, a symmetry coefficient reflecting the symmetry of the distribution of the n values around the mean and / or the flattening coefficient characterizing the shape of the distribution of values on the measurement window and / or frequential quantities.
Les différents caractères précités constituent, à chaque mesure, un vecteur de caractères définissant dans l'espace de dimension d défini par d caractères un point de cet espace repéré par ses d coordonnées qui sont les valeurs des caractères calculées à un instant t et on définit des classes d'apprentissage matérialisées respectivement par des zones géométriques closes de l'espace de dimension d et des fonctions d'appartenance, basées sur le principe de la logique floue, pour déterminer la classe à laquelle appartient un point donné de cet espace et connaître ainsi l'état de conduite du conducteur à chaque instant t. The various characters mentioned above constitute, for each measurement, a vector of characters defining in the space of dimension d defined by d characters a point of this space marked by its d coordinates which are the values of the characters calculated at a time t and defined learning classes materialized respectively by closed geometric zones of the dimension space d and membership functions, based on the principle of fuzzy logic, to determine the class to which a given point of this space belongs and to know thus the driving state of the driver at each moment t.
Les fonctions d'appartenance précitées sont créées en utilisant des réseaux de neurones aptes à effectuer une phase d'apprentissage par mémorisation d'un ensemble d'exemples d'apprentissage constitués par des couples comprenant chacun un vecteur d'entrée donné appliqué à un réseau de neurones et une valeur de sortie souhaitée du réseau pour ce vecteur d'entrée et, une fois la phase d'apprentissage terminée, à passer à une phase d'utilisation de façon qu'à tout vecteur d'entrée le réseau de neurones fournisse une valeur de sortie reflétant la relation entrée/sortie qu'il a apprise. The aforementioned membership functions are created using neural networks capable of performing a learning phase by storing a set of training examples consisting of pairs each comprising a given input vector applied to a network. of neurons and a desired output value of the network for this input vector and, once the training phase is complete, to switch to a usage phase so that at any input vector the neural network provides an output value reflecting the input / output relationship he has learned.
De préférence, les réseaux de neurones précités sont des réseaux à fonction d'activation gaussienne à deux couches d'opérations successives pour calculer chacun une valeur approchée de la fonction d'appartenance en présentant le vecteur d'entrée x à N fonctions gaussiennes Ti de la première couche pour calculer N valeurs de fonctions gaussiennes Ti(x) de ce vecteur et en effectuant ensuite dans la seconde couche du réseau la somme de ces N valeurs en leur appliquant des coefficients multiplicatifs ci de sorte que la sortie O(S) du réseau est exprimée par
Preferably, the above-mentioned neural networks are networks with a Gaussian activation function with two successive operation layers, each of which calculates an approximate value of the membership function by presenting the input vector x at N Gaussian functions Ti of the first layer for calculating N values of Gaussian functions Ti (x) of this vector and then performing in the second network layer the sum of these N values by applying to them multiplicative coefficients ci so that the output O (S) of the network is expressed by
avec (S) qui est la valeur approchée de la fonction d'appartenance à une classe représentant l'état de conduite du conducteur. with (S) which is the approximate value of the membership function of a class representing the driving state of the driver.
On utilise autant de réseaux qu'il y a de classes connues représentant les différents états du conducteur, avec la valeur en sortie d'un réseau pour un vecteur d'entrée quelconque S traduisant un degré d'appartenance de ce vecteur à une classe et on fixe une valeur de seuil de la valeur de sortie en dessous de laquelle un vecteur d'entrée est considéré comme n'appartenant pas à une classe. As many networks are used as there are known classes representing the various states of the driver, with the value at the output of a network for any input vector S translating a degree of belonging of this vector to a class and setting a threshold value of the output value below which an input vector is considered as not belonging to a class.
Un ensemble d'apprentissage d'une nouvelle classe est créé au fur et à mesure que des vecteurs d'entrée, dont la valeur d'appartenance est inférieure à la valeur de seuil précitée, sont rejetés, en utilisant un critère permettant de déterminer si plusieurs vecteurs d'entrée rejetés représentent un même état de conduite du conducteur afin de ne pas regrouper dans un même ensemble d'apprentissage des points représentés par des vecteurs d'entrée n'appartenant pas à la même classe. A learning set of a new class is created as input vectors, whose membership value is less than the aforementioned threshold value, are rejected, using a criterion to determine whether several rejected input vectors represent the same state of conduct of the driver so as not to group in the same learning set points represented by input vectors not belonging to the same class.
De préférence, le critère utilisé est la proximité spatiale et/ou temporelle entre les points représentés par les vecteurs d'entrée rejetés de façon à constituer progressivement des groupes de points jugés similaires au fur et à mesure des rejets. Preferably, the criterion used is the spatial and / or temporal proximity between the points represented by the rejected input vectors so as to progressively constitute groups of points judged to be similar as the rejects progress.
Deux conditions simultanées sont fixées pour qu'un groupe de points devienne un ensemble d'apprentissage : le conducteur doit avoir quitté l'état de conduite représenté par le groupe et ce dernier doit avoir une taille suffisante représentant une durée d'observation du comportement du conducteur, par exemple d'au moins une minute. Two simultaneous conditions are set for a group of points to become a learning set: the driver must have left the driving state represented by the group and the latter must have a sufficient size representing a duration of observation of the behavior of the group. driver, for example at least one minute.
Un ensemble d'apprentissage pour une classe de référence est créé en utilisant les critères de proximité dans l'espace et le temps entre les points représentés par les vecteurs d'entrée de sorte que le groupe qui remplit le premier les conditions d'apprentissage devient la classe de référence servant à l'apprentissage du réseau correspondant. A learning set for a reference class is created using the proximity criteria in space and time between the points represented by the input vectors so that the group that fills the first learning conditions becomes the reference class used to learn the corresponding network.
Avantageusement, l'alarme est émise lorsqu'une variation significative sur plusieurs valeurs d'appartenance est détectée ou que des variations de l'état de référence sont détectées. Advantageously, the alarm is emitted when a significant variation on several membership values is detected or when variations in the reference state are detected.
Selon une variante de réalisation, on renouvelle en totalité le processus de création d'un ensemble d'apprentissage d'une nouvelle classe et/ou d'un ensemble d'apprentissage d'une classe de référence à chaque trajet du véhicule. According to an alternative embodiment, the entire process of creating a learning set of a new class and / or a learning set of a reference class is repeated every time the vehicle travels.
Lors d'une instabilité de l'activité de conduite du conducteur, observée dès le début du trajet, signifiant que le conducteur prend la route dans un état dégradé ou que les conditions de conduite sont difficiles, et empêchant la constitution de la classe de référence, on utilise la classe de référence sur un trajet effectué antérieurement et on contrôle si les vecteurs d'entrée appartiennent à cette classe de référence. When the driver's driving activity is unstable, observed from the beginning of the journey, meaning that the driver is driving in a degraded state or that driving conditions are difficult, and preventing the constitution of the reference class the reference class is used on a previously performed path and it is checked whether the input vectors belong to this reference class.
L'invention propose également un dispositif de détection de l'évolution du comportement de conduite d'un conducteur de véhicule automobile pour la mise en oeuvre du procédé tel que défini précédemment et qui comprend des capteurs permettant de mesurer un certain nombre de paramètres caractéristiques de l'activité de conduite du conducteur, tels que la position de la pédale d'accélérateur, l'angle de rotation du volant et la vitesse du véhicule ; un boîtier électronique comprenant une unité d'acquisition des signaux analogiques provenant des capteurs, constituée de convertisseurs analogique-numérique pour l'échantillonnage de ces signaux analogiques et d'un port parallèle pour l'acquisition de signaux binaires, des cartes électroniques comprenant plusieurs processeurs de traitement en temps réel de signaux pouvant fonctionner en parallèle pour assurer un traitement rapide des données acquises et un logiciel spécifique implanté sur les processeurs pour réaliser les fonctions d'apprentissage progressif des caractéristiques de l'activité de conduite du conducteur au fur et à mesure de la conduite, de détection de toute évolution significative de l'activité de conduite du conducteur et d'émission d'une alarme. The invention also proposes a device for detecting the evolution of the driving behavior of a motor vehicle driver for carrying out the method as defined above and which comprises sensors making it possible to measure a certain number of characteristic parameters of driver's driving activity, such as the position of the accelerator pedal, the angle of rotation of the steering wheel and the speed of the vehicle; an electronic unit comprising a unit for acquiring analog signals from the sensors, consisting of analog-to-digital converters for sampling these analog signals and a parallel port for the acquisition of binary signals, electronic cards comprising several processors real-time processing of signals that can operate in parallel to ensure rapid processing of the acquired data and specific software implemented on the processors to perform the progressive learning functions of the characteristics of the driving activity of the driver as and when driving, detecting any significant change in the driver's driving activity and issuing an alarm.
Avantageusement, les processeurs sont connectés de façon à communiquer entre eux, avec l'un des processeurs pilotant l'acquisition des signaux par l'unité d'acquisition précitée et les autres processeurs accomplissant périodiquement différentes tâches réparties sur ceux-ci et comprenant notamment le calcul des caractères de la conduite sur chaque signal acquis suivi de la formation du vecteur d'entrée, le calcul de la sortie de chaque réseau existant, le lancement et la réalisation de l'apprentissage d'une nouvelle classe. Advantageously, the processors are connected so as to communicate with each other, with one of the processors controlling the acquisition of the signals by the aforementioned acquisition unit and the other processors periodically performing different tasks distributed over them and including in particular the calculating the characters of the conduct on each acquired signal followed by the formation of the input vector, calculating the output of each existing network, launching and realizing the learning of a new class.
L'invention sera mieux comprise et d'autres buts, caractéristiques, détails et avantages de celle-ci apparaîtront plus clairement au cours de la description explicative qui va suivre faite en référence aux dessins schématiques annexés donnés uniquement à titre d'exemple illustrant un mode de réalisation de l'invention et dans lesquels
- la figure 1 est un schéma synoptique du dispositif de l'invention pour détecter l'évolution du comportement de conduite d'un conducteur de véhicule automobile
- la figure 2 représente une configuration particulière de processeurs de traitement de signaux utilisés dans le dispositif de la figure 1
- les figures 3A à 3E représentent des courbes caractéristiques de grandeurs statistiques calculées à partir de grandeurs numériques fournies au dispositif de la figure 1
- les figures 4A et 4B représentent un point défini par ses grandeurs statistiques ou caractères respectivement dans un espace à deux dimensions et un espace à trois dimensions
- la figure 5 représente le principe de mesure de paramètres caractéristiques de l'activité de conduite du conducteur conformément à l'invention
- la figure 6 représente le principe de l'algorithme de l'invention permettant de définir le comportement du conducteur au cours du temps
- la figure 7 représente un exemple d'un ensemble flou de forme trapézoïdale permettant de définir des fonctions d'appartenance déterminant à quelle classe appartient un point donné de l'espace
- la figure 8 est une architecture de réseaux de neurones du type à fonction d'activation gaussienne permettant de calculer une valeur approchée de la forme d'un ensemble flou ou fonction d'appartenance
- la figure 9 est une courbe de signaux d'appartenance à une classe de référence
- la figure 10 est une courbe de signaux d'appartenance évoluant de façon symétrique pour la création de deux classes et
- la figure 11 représente le mode de fonctionnement du dispositif de l'invention.The invention will be better understood and other objects, characteristics, details and advantages thereof will appear more clearly in the following explanatory description made with reference to the accompanying diagrammatic drawings given solely by way of example illustrating a preferred embodiment of the invention. embodiments of the invention and in which
FIG. 1 is a block diagram of the device of the invention for detecting the evolution of the driving behavior of a motor vehicle driver
FIG. 2 represents a particular configuration of signal processing processors used in the device of FIG. 1
FIGS. 3A to 3E show characteristic curves of statistical magnitudes calculated from numerical quantities supplied to the device of FIG. 1
FIGS. 4A and 4B represent a point defined by its statistical magnitudes or characters respectively in a two-dimensional space and a three-dimensional space
FIG. 5 represents the principle of measurement of characteristic parameters of the driving activity of the driver according to the invention;
FIG. 6 represents the principle of the algorithm of the invention making it possible to define the behavior of the driver over time
FIG. 7 represents an example of a fuzzy set of trapezoidal shape making it possible to define membership functions determining to which class belongs a given point of space
FIG. 8 is a Gaussian activation function type neural network architecture for calculating an approximate value of the shape of a fuzzy set or membership function.
FIG. 9 is a curve of membership signals to a reference class
FIG. 10 is a curve of membership signals evolving symmetrically for the creation of two classes and
- Figure 11 shows the operating mode of the device of the invention.
Le dispositif de l'invention, embarqué sur un véhicule automobile a été développé sur la base des deux constatations suivantes
- l'activité de conduite d'un conducteur de véhicule automobile est spécifique au conducteur et à son environnement de conduite. En effet, l'action du conducteur sur les commandes du véhicule dépend d'une part de son état physique (fatigué, nerveux,...) et mental (serein, préoccupé,...) et d'autre part de facteurs liés à son environnement de conduite (conditions météorologiques, heure du jour, densité de la circulation,...). I1 n'est donc pas possible de modéliser a priori cette activité de conduite il faut l'apprendre spécifiquement pour chaque conducteur.The device of the invention, embarked on a motor vehicle has been developed on the basis of the following two observations
- The driving activity of a motor vehicle driver is specific to the driver and his driving environment. Indeed, the action of the driver on the controls of the vehicle depends on one hand on his physical condition (tired, nervous, ...) and mental (serene, preoccupied, ...) and on the other hand related factors its driving environment (weather conditions, time of day, traffic density, ...). It is therefore not possible to model a priori this driving activity it must be specifically learned for each driver.
L'invention ne cherche pas à détecter un état particulier du conducteur (fatigue ou hypovigilance par exemple), car on n'en connaît pas a priori les manifestations sur l'activité de conduite
- il faut éviter l'arrivée d'un état dangereux du conducteur et c'est la raison pour laquelle il vaut mieux détecter une évolution vers cet état avant qu'il ne s'installe et ait des conséquences néfastes. Dans la mesure où 1 invention ne cherche pas un état particulier, tel que l'hypovigilance ou la fatigue, elle va s'attacher à mettre en évidence toute évolution du comportement de conduite du conducteur quelle qu'en soit la cause.The invention does not seek to detect a particular state of the driver (fatigue or hypovigilance for example), because we do not know a priori the events on the driving activity
- it is necessary to avoid the arrival of a dangerous state of the driver and it is the reason for which it is better to detect a development towards this state before it settles and has detrimental consequences. Insofar as the invention does not seek a particular state, such as hypovigilance or fatigue, it will focus on highlighting any change in driver behavior of conduct whatever the cause.
Ces deux constatations constituent les deux lignes directrices guidant le développement du dispositif de l'invention. These two findings constitute the two guidelines guiding the development of the device of the invention.
Le dispositif de l'invention tel que représenté en figure 1 comprend d'une manière générale un certain nombre de capteurs 1 permettant de mesurer des paramètres caractéristiques de l'activité ou état de conduite du conducteur et constitués par exemple par un capteur de mesure de position de la pédale d'accélérateur du véhicule, un capteur de mesure de l'angle de rotation du volant du véhicule, un capteur de vitesse du véhicule et un capteur d'activation des commodos et tout autre capteur pouvant fournir un signal utile pour la description d'un changement de l'activité de conduite. De préférence, trois capteurs sont utilisés tels que ceux de mesure de position de la pédale d'accélérateur, de mesure de l'angle de rotation du volant et de mesure de la vitesse du véhicule. The device of the invention as shown in FIG. 1 generally comprises a certain number of sensors 1 making it possible to measure parameters characteristic of the driver's activity or driving state and constituted, for example, by a measurement sensor of the position of the accelerator pedal of the vehicle, a sensor for measuring the angle of rotation of the vehicle steering wheel, a vehicle speed sensor and a sensor for activating the commodos and any other sensor capable of providing a signal useful for the description of a change in driving activity. Preferably, three sensors are used such as those for measuring the position of the accelerator pedal, measuring the angle of rotation of the steering wheel and measuring the speed of the vehicle.
Le dispositif comprend également un boîtier électronique embarqué 2 contenant
- une unité 3 d'acquisition des signaux analogiques provenant des différents capteurs 1 et comprenant des convertisseurs analogique/numérique (non représentés) pour l'échantillonnage des signaux analogiques des capteurs 1 et un port parallèle (non représenté) pour l'acquisition de signaux binaires de ces convertisseurs
- des cartes électroniques 4 comprenant plusieurs processeurs 5 du type DSP (figure 2) pour le traitement de signaux et pouvant fonctionner en parallèle pour assurer un traitement rapide des données acquises. Les processeurs 5 peuvent être connectés entre eux comme indiqué à la figure 2 dans des buts qui seront définis ultérieurement.The device also comprises an embedded electronic box 2 containing
a unit 3 for acquiring the analog signals coming from the various sensors 1 and comprising analog / digital converters (not shown) for sampling the analog signals of the sensors 1 and a parallel port (not shown) for the acquisition of signals binary of these converters
electronic cards 4 comprising several processors 5 of the DSP type (FIG. 2) for signal processing and capable of operating in parallel to ensure rapid processing of the data acquired. Processors 5 may be connected together as shown in Figure 2 for purposes to be defined later.
Le boîtier électronique 2 est constitué de préférence par l'ordinateur de bord du véhicule dont l'unité centrale 6 pilote l'unité 3 d'acquisition des signaux et transmet les données numérisées aux cartes électroniques 4. The electronic box 2 is preferably constituted by the on-board computer of the vehicle of which the central unit 6 controls the signal acquisition unit 3 and transmits the digitized data to the electronic cards 4.
Le dispositif comprend également un logiciel spécifique de détection d'évolution du comportement du conducteur, implanté sur les processeurs 5 pour traiter les données acquises. The device also includes a specific software for detecting changes in driver behavior, implemented on the processors 5 to process the data acquired.
Ce logiciel réalise les fonctions suivantes
- apprentissage progressif des caractéristiques du conducteur au fur et à mesure de la conduite de façon que le dispositif s'adapte aux spécificités du conducteur et de son environnement
- détection de toute évolution significative de l'activité de conduite, quelle qu'en soit la cause (hypovigilance, fatigue, somnolence, faim,... du conducteur) et émission d'un signal d'alarme AL. Cette caractéristique du logiciel lui confère des capacités de prédiction et donc d'anticipation des défaillances possibles du conducteur.This software performs the following functions
- progressive learning of the characteristics of the driver as and when driving so that the device adapts to the specificities of the driver and its environment
- detection of any significant change in driving activity, whatever the cause (hypovigilance, fatigue, drowsiness, hunger, ... of the driver) and emission of an alarm signal AL. This characteristic of the software gives it the ability to predict and thus anticipate possible driver failures.
Les signaux de sortie des capteurs 1 de position de la pédale d'accélérateur, de la vitesse du véhicule et des mouvements de rotation du volant à partir desquels est déterminée l'activité de conduite du conducteur, sont appliqués en continu aux convertisseurs analogique-numérique de l'unité 3 et numérisés par ceux-ci pour être ensuite utilisés pour calculer des grandeurs numériques caractéristiques de la conduite. The output signals of the accelerator pedal position sensors 1, the vehicle speed and the rotational movements of the steering wheel from which the driving activity of the driver is determined are continuously applied to the analog-to-digital converters. of the unit 3 and digitized by them to be then used to calculate characteristic digital quantities of the pipe.
Ces grandeurs peuvent être statistiques ou fréquentielles. Ces dernières caractérisent les fréquences contenues dans chaque signal reçu. These quantities may be statistical or frequential. These latter characterize the frequencies contained in each received signal.
Les grandeurs statistiques peuvent comprendre la moyenne, la variance, et les coefficients de symétrie et d'aplatissement. Celles-ci sont expliquées aux figures 3A à 3E en considérant un ensemble de n valeurs numériques ou échantillons des convertisseurs analogique-numérique pris sur un intervalle [a,b]. La figure 3A montre la valeur moyenne m et l'écart type cr dans le cas d'une courbe de Gauss ou courbe en cloche, cette moyenne étant un indicateur de la valeur centrale des échantillons. La variance caractérise la dispersion des échantillons autour de la moyenne. Le coefficient de symétrie traduit la symétrie de la répartition des n valeurs autour de la moyenne comme représenté en figure 3B par opposition à la distribution non symétrique de ces valeurs sur l'intervalle [a,b] (figure 3C). Enfin, le coefficient d'aplatissement caractérise la forme de la répartition des valeurs numériques sur l'intervalle [a,b], par exemple plate ou uniforme comme représenté en figure 3D ou bien modale comme représenté en figure 3E, c'est-à-dire qui privilégie certaines valeurs de l'intervalle. Statistical magnitudes may include mean, variance, and symmetry and flattening coefficients. These are explained in FIGS. 3A to 3E by considering a set of n numerical values or samples of the analog-digital converters taken over an interval [a, b]. FIG. 3A shows the average value m and the standard deviation cr in the case of a Gauss curve or bell curve, this average being an indicator of the central value of the samples. The variance characterizes the dispersion of the samples around the mean. The symmetry coefficient reflects the symmetry of the distribution of n values around the mean as represented in FIG. 3B as opposed to the non-symmetric distribution of these values over the interval [a, b] (FIG. 3C). Finally, the flattening coefficient characterizes the form of the distribution of the numerical values over the interval [a, b], for example flat or uniform as represented in FIG. 3D or else modal as represented in FIG. 3E, that is to say say which favors certain values of the interval.
Les grandeurs ainsi calculées sont appelées caractères et sont rassemblées dans un vecteur de caractère ou vecteur forme . Ces caractères définissent, suivant leur nombre d, un espace de dimension d appelé espace de représentation. The quantities thus calculated are called characters and are gathered in a vector of character or vector form. These characters define, according to their number d, a space of dimension d called space of representation.
Ainsi, tout point de cet espace est repéré par ses d coordonnées, qui sont en fait les valeurs des caractères calculées à un instant t. Les figures 4A et 4B représentent deux exemples d'espaces de représentation. La figure 4A montre que si deux caractères suffisent pour caractériser l'activité de conduite du conducteur, les vecteurs forme T, sont représentés dans un plan tandis que l'utilisation de trois caractères pour caractériser cette activité de conduite amène à une représentation des vecteurs forme T, dans un espace à trois dimensions comme représenté en figure 4B.Thus, every point of this space is identified by its coordinates, which are in fact the values of the characters calculated at a time t. Figures 4A and 4B show two examples of representation spaces. FIG. 4A shows that if two characters are sufficient to characterize the conduct activity of the conductor, the vectors T, are represented in a plane while the use of three characters to characterize this driving activity leads to a representation of the vectors form T, in a three-dimensional space as shown in Figure 4B.
Les grandeurs ou caractères sont calculés à partir des signaux des capteurs 1 selon le principe de "fenêtre glissante" schématisé en figure 5. Ces fenêtres temporelles
F1, F2 sont de longueur fixe avec un recouvrement entre les fenêtres successives F1 et F2. A titre d'exemple, la durée des fenêtres de mesure ou de calcul est de 1 minute et 20 secondes et les fenêtres sont décalées de At, par exemple de 8 secondes. Le recouvrement entre deux fenêtres successives est alors dans ce cas de 90%, mais il est bien entendu que cette quantité peut être aisément modifiée par l'utilisateur.The quantities or characters are calculated from the signals of the sensors 1 according to the "sliding window" principle shown schematically in FIG.
F1, F2 are of fixed length with an overlap between the successive windows F1 and F2. For example, the duration of the measurement or calculation windows is 1 minute and 20 seconds and the windows are offset from At, for example 8 seconds. The overlap between two successive windows is then in this case 90%, but it is understood that this quantity can be easily modified by the user.
On obtient ainsi une mesure de l'activité de conduite, ou forme ~ce, toutes les At secondes. Cette suite de points (~r;t)t > 0 est ensuite fournie au logiciel ou algorithme de détection d'évolution comme donnée d'entrée.We thus obtain a measure of the driving activity, or form ~ ce, all At seconds. This sequence of points (~ r; t) t> 0 is then supplied to the software or evolution detection algorithm as input data.
Le principe général de l'algorithme, pour satisfaire les deux fonctions énoncées précédemment relatives à l'apprentissage progressif des caractéristiques de conduite du conducteur et à la détection d'évolution significative de l'activité de conduite de celui-ci, repose sur la méthode suivante : au début de la conduite, le conducteur se trouve dans un état initial appelé état de référence, qui fait l'objet d'un apprentissage. Par la suite, tout écart par rapport à cette référence est interprété comme une évolution. The general principle of the algorithm, to satisfy the two functions stated above relating to the progressive learning of the driving characteristics of the driver and to the detection of significant changes in the driver's driving activity, is based on the method next: at the beginning of the driving, the driver is in an initial state called reference state, which is the subject of an apprenticeship. Subsequently, any deviation from this reference is interpreted as an evolution.
Celle-ci peut correspondre à l'apparition d'un nouvel état qui fait alors à son tour l'objet d'un apprentissage. On accroît ainsi, au fur et à mesure, la connaissance de l'activité de conduite du conducteur considéré.This can correspond to the appearance of a new state which is then in turn subject to learning. As a result, the knowledge of the driving activity of the driver in question is increased.
Cette méthode s'appuie sur un algorithme de reconnaissance des formes floue, et va être explicitée. This method is based on a fuzzy pattern recognition algorithm, and will be explained.
La reconnaissance des formes est une technique qui vise à développer des méthodes de classification. Soit O un objet et M le nombre de classes possibles. Un problème de classification peut s'exprimer de manière générale de la façon suivante : à laquelle des M classes l'objet appartient-il? Pour répondre à cette question, il faut avoir préalablement identifié et mémorisé ce qui différencie les différentes classes et, dans le cas présent, cette différenciation est effectuée par les caractères de la conduite. I1 faut ensuite connaître la valeur des caractères, c'est-à-dire la valeur du vecteur forme S t. La décision pour déterminer à laquelle des M classes le vecteur forme ~ct appartient est alors prise en comparant les valeurs obtenues pour le vecteur forme à celles qui caractérisent chaque classe possible. La qualité de la décision dépend en outre de la capacité des caractères choisis à différencier les différentes classes. I1 apparaît donc déjà plus clairement ce qu'est un apprentissage : c'est une procédure qui vise à mémoriser les caractéristiques du vecteur forme afin de pouvoir le reconnaltre s'il se présentait à nouveau. Pattern recognition is a technique that aims to develop classification methods. Let O be an object and M the number of possible classes. A classification problem can be expressed in a general way as follows: to which of the M classes does the object belong? To answer this question, one must have previously identified and memorized what differentiates the different classes and, in this case, this differentiation is performed by the characters of the conduct. We must then know the value of the characters, that is to say the value of the vector form S t. The decision to determine to which of the M classes the vector forms ~ ct belongs is then taken by comparing the values obtained for the vector shape to those which characterize each possible class. The quality of the decision also depends on the ability of the characters chosen to differentiate the different classes. It is therefore clearer already what learning is: it is a procedure that aims at memorizing the characteristics of the shape vector so that it can be recognized if it were to appear again.
La figure 6 résume l'application du principe de l'algorithme à la détection d'évolution du comportement du conducteur. Dans ce cas, l'objet est la forme tt qui contient les valeurs des caractères calculées à l'instant t. Cette forme représente donc l'activité du conducteur à cet instant. Figure 6 summarizes the application of the principle of the algorithm to the detection of changes in driver behavior. In this case, the object is the form tt which contains the values of the characters calculated at time t. This form therefore represents the activity of the driver at this moment.
A chaque état connu du conducteur (référence, etc...) est associée une classe. Cette classe est matérialisée par une zone géométrique close de l'espace de représentation Ed. La règle de décision est alors la suivante : l'état du conducteur à l'instant t est la classe associée à la zone géométrique dans laquelle se trouve X t. I1 peut y avoir des points définis par le vecteur forme qui n'appartiennent à aucune classe et ils représentent des états que le dispositif n'a pas encore appris et serviront à l'apprentissage de ces nouveaux états.Each known state of the driver (reference, etc.) is associated with a class. This class is materialized by a closed geometrical area of the Ed representation space. The decision rule is then the following: the state of the driver at time t is the class associated with the geometric zone in which X is located . There may be points defined by the form vector that do not belong to any class and they represent states that the device has not yet learned and will be used to learn these new states.
La succession des mesures S t représente le comportement du conducteur au cours du temps. Comme le montre la figure 6, détecter une évolution revient alors à détecter un chemin caractéristique de cette suite temporelle de mesures, soit entre deux classes connues, #1, 02 O 0)1, 3, soit d'une classe connue O ; 02 ; 0)3 vers une zone non balisée de l'espace. Dans le premier cas défini par cas 1 en figure 6, le conducteur passe d'un état connu 2, par exemple la référence, à un autre état connu 3. Dans le second cas, cas 2 de la figure 6, le conducteur sort d'un état connu et se dirige vers un état de conduite dans lequel il ne s'était pas trouvé auparavant et qui, par conséquent, n'avait pas été mémorisé. The succession of measurements S t represents the behavior of the driver over time. As shown in FIG. 6, detecting an evolution then amounts to detecting a characteristic path of this temporal sequence of measurements, either between two known classes, # 1, O 2 O 0) 1, 3, or of a known class O; 02; 0) 3 to an untagged area of space. In the first case defined by case 1 in FIG. 6, the driver moves from a known state 2, for example the reference, to another known state 3. In the second case, case 2 of FIG. a known state and is moving towards a state of conduct in which it had not been found before and which, consequently, had not been memorized.
Pour suivre ces évolutions entre états, il faut des points de repère. I1 est donc nécessaire de pouvoir localiser les points à l'intérieur des classes, c'est-à-dire par rapport à leurs centres et à leurs frontières. Pour cela, chaque classe est modélisée par un ensemble flou, d'où le nom de "reconnaissance des formes floue". La figure 7 représente un ensemble flou de forme trapézoïdale dont les frontières sont graduelles, c'est-à-dire progressives. Elles sont décrites par une fonction continue m(x) à valeurs dans l'intervalle [0,1] et cette fonction s'appelle fonction d'appartenance. Comme cela ressort de la figure 7, cette fonction d'appartenance vaut 1 pour tout point qui appartient totalement à la classe (cet objet est alors appelé prototype), 0 pour ceux qui ne lui appartiennent pas du tout, et entre 0 et 1 pour les autres, en fonction de leur degré de ressemblance avec les prototypes de la classe. La valeur de la fonction d'appartenance s'appelle le degré d'appartenance et il sera utilisé comme mesure de proximité par rapport aux prototypes. To follow these developments between states, we need benchmarks. It is therefore necessary to be able to locate the points within the classes, that is to say with respect to their centers and their borders. For this, each class is modeled by a fuzzy set, hence the name "fuzzy pattern recognition". Figure 7 shows a fuzzy trapezoidal shape whose boundaries are gradual, that is to say progressive. They are described by a continuous function m (x) with values in the interval [0,1] and this function is called membership function. As is apparent from Figure 7, this membership function is 1 for any point that belongs totally to the class (this object is then called prototype), 0 for those who do not belong to it at all, and 0 to 1 for the others, according to their degree of resemblance to the prototypes of the class. The value of the membership function is called the membership degree and it will be used as a measure of proximity to the prototypes.
Après avoir expliqué le principe de l'algorithme, on va maintenant détailler son implantation à laquelle on distingue trois tâches : la reconnaissance des états connus, la détection et l'apprentissage d'états inconnus et enfin la génération des alarmes. After explaining the principle of the algorithm, we will now detail its implementation to which we distinguish three tasks: the recognition of known states, the detection and learning of unknown states and finally the generation of alarms.
La reconnaissance des états connus
Chaque état connu du conducteur, comme on l'a vu précédemment, sera donc représenté par un ensemble flou. Mais comme on ne possède pas de connaissance a priori sur le conducteur, on ne connaît pas la forme de cet ensemble flou, c'est-à-dire de sa fonction d'appartenance. Pour en calculer une valeur approchée, on utilise une architecture particulière de réseaux de neurones : les réseaux à fonction d'activation gaussienne, dont on va maintenant expliquer le principe.Recognition of known states
Each state known to the driver, as we have seen previously, will therefore be represented by a fuzzy set. But as we do not have knowledge a priori about the driver, we do not know the shape of this fuzzy set, that is to say, its membership function. To calculate an approximate value, we use a particular architecture of neural networks: networks with Gaussian activation function, whose principle will now be explained.
Un réseau de neurones est un outil permettant de mettre en correspondance un espace d'entrée, par exemple l'espace à d dimensions, et un espace de sortie, par exemple l'intervalle [a,b]. Ce réseau joue donc le même rôle qu'une fonction f, qui établit une relation entre un ensemble de départ et un ensemble d'arrivée. De plus, un réseau de neurones est capable d'apprentissage par mémorisation d'exemples. Ainsi, si on ne connaît pas l'expression mathématique de f mais qu'on dispose de couples (x,f(x)), le réseau peut approcher la forme de f à l'aide de ces exemples. A neural network is a tool for mapping an input space, for example the d-dimensional space, and an output space, for example the interval [a, b]. This network therefore plays the same role as a function f, which establishes a relationship between a starting set and an arrival set. In addition, a neural network is capable of learning by memorizing examples. Thus, if we do not know the mathematical expression of f but we have pairs (x, f (x)), the network can approach the form of f using these examples.
Le réseau joue le rôle de boîte noire : pour tout point x présenté en entrée, on obtient f(x) en sortie, sans jamais avoir eu connaissance de l'expression exacte de f.The network plays the role of a black box: for every point x presented as input, we get f (x) at the output, without ever being aware of the exact expression of f.
I1 y a donc deux phases dans l'utilisation d'un réseau : la phase d'apprentissage et la phase de test. There are therefore two phases in the use of a network: the learning phase and the testing phase.
La phase d'apprentissage est celle pendant laquelle le réseau mémorise l'ensemble d'exemples, appelé ensemble d'apprentissage. L'apprentissage se fait "avec professeur", ce qui signifie qu'on indique clairement au réseau quelle est la sortie désirée pour une entrée donnée. Les exemples d'apprentissage sont donc des couples entrée x/sortie désirée f(x). Cette phase d'apprentissage consiste alors à configurer le réseau, c'est-à-dire à aménager l'intérieur de la boîte noire, de manière à minimiser, pour chaque exemple, l'erreur entre la sortie réelle (valeur approchée de f(x)) et la sortie désirée f(x). Une fois la phase d'apprentissage terminée, le réseau peut passer en phase de test ou phase d'utilisation. I1 n'a alors plus besoin des exemples et il généralise ce qu'il a appris. Pour tout objet x présenté en entrée, il fournit une valeur de sortie qui reflète la relation entrée/sortie qu'il a apprise, c'est-à-dire la relation xf(x). The learning phase is that during which the network stores the set of examples, called learning set. The learning is done "with teacher", which means that it is clear to the network what is the desired output for a given input. The training examples are therefore input x / desired output pairs f (x). This learning phase then consists of configuring the network, that is to say, arranging the inside of the black box, so as to minimize, for each example, the error between the actual output (approximate value of f (x)) and the desired output f (x). Once the learning phase is over, the network can go into test phase or phase of use. He no longer needs examples and he generalizes what he has learned. For any object x presented as input, it provides an output value that reflects the input / output relationship that it has learned, that is, the relation xf (x).
I1 existe plusieurs types de réseaux. Ceux qui sont utilisés de préférence dans la présente invention sont les réseaux à deux couches, c'est-à-dire qui effectuent deux opérations successives sur les données d'entrée, dans le cas présent le vecteur forme, pour obtenir la sortie. Les réseaux à fonction d'activation gaussienne sont de ce type et ils mettent en oeuvre, dans leur première couche, des fonctions gaussiennes. There are several types of networks. Those which are preferably used in the present invention are the two-layer networks, i.e. which perform two successive operations on the input data, in this case the vector forms, to obtain the output. Networks with Gaussian activation function are of this type and they implement, in their first layer, Gaussian functions.
Une fonction gaussienne, ou fonction de Gauss, est une fonction symétrique en "cloche" comme représenté en figure 3A, dont la forme dépend de deux paramètres : la moyenne, ou valeur centrale, valeur pour laquelle la fonction est maximale, et l'écart-type, ou racine carrée de la variance, qui définit "l'aplatissement" de la courbe autour de la moyenne. A Gaussian function, or Gauss function, is a symmetrical "bell" function as represented in FIG. 3A, whose form depends on two parameters: the average, or central value, value for which the function is maximal, and the difference -type, or square root of the variance, which defines the "flattening" of the curve around the mean.
Un réseau à fonction d'activation gaussienne calcule la vale il y a un réseau par classe, de sorte que chaque classe peut avoir une forme différente. Supposons que pour toute classe connue, on dispose d'un ensemble de prototypes, c 'est-à-dire un ensemble d'exemples pour lesquels l'appartenance vaut 1. A Gaussian activation function network calculates the value there is one network per class, so that each class can have a different form. Suppose that for any known class, we have a set of prototypes, that is to say a set of examples for which the membership is 1.
Cet ensemble de prototypes est utilisé comme ensemble d'apprentissage : pour chaque prototype on demande au réseau une sortie égale à 1. Une fois l'apprentissage terminé, tout point de l'espace de représentation Ed peut être présenté au réseau. La sortie de ce réseau vaut alors 1 si le point est situé dans l'entourage des prototypes, 0 s'il en est très éloigné, et entre 0 et 1 dans les autres cas, en fonction de sa distance aux prototypes. La valeur en sortie du réseau pour une entrée quelconque x traduit donc bien un degré d'appartenance de x à la classe. Plus cette valeur est proche de 1, plus x est proche de la classe. Plus elle est proche de 0, plus il s'en éloigne. En fixant un seuil sur cette valeur, on peut mettre en évidence les points qui sont trop éloignés de la classe pour être considérés comme en faisant partie.This set of prototypes is used as a learning set: for each prototype the network is asked for an output equal to 1. Once the learning is finished, any point of the representation space Ed can be presented to the network. The output of this network is then 1 if the point is located in the entourage of the prototypes, 0 if it is very far from it, and between 0 and 1 in the other cases, according to its distance to the prototypes. The output value of the network for any input x therefore reflects a degree of membership of x to the class. The closer this value is to 1, the closer x is to the class. The closer it is to 0, the further it gets away from it. By setting a threshold on this value, we can highlight the points that are too far from the class to be considered as part of it.
C'est ce qu'on appelle le seuil de rejet. Tous les points dont la valeur d'appartenance tombe au-dessous de ce seuil sont considérés comme n'appartenant pas à la classe. Un point pour lequel la valeur d'appartenance à chaque classe est audessous du seuil n'appartient à aucune classe : il est susceptible de donner naissance à une nouvelle classe, associée au nouvel état qu'il représente.This is called the rejection threshold. All points whose membership value falls below this threshold are considered as not belonging to the class. A point for which the membership value of each class is below the threshold does not belong to any class: it is likely to give rise to a new class associated with the new state it represents.
Pour une séquence de mesures successives (x présentée en entrée d'un réseau, on obtient la séquence de sortie correspondante. Cette séquence est appelée signal d'appartenance et elle représente le comportement de conduite du conducteur vis-à-vis de l'état considéré au cours du temps. Un exemple de signal d'appartenance est présenté en figure 9. Comme représenté, une diminution de la valeur du signal d'appartenance indique que le conducteur s'éloigne de cet état, alors qu'une augmentation indique qu'il s'en rapproche. La figure 10 montre une évolution d'un état i vers un état j qui se traduit par une diminution significative du signal i, associée éventuellement à une augmentation du signal j si j est un état connu. For a sequence of successive measurements (x presented at the input of a network, the corresponding output sequence is obtained.This sequence is called the membership signal and it represents the conduct behavior of the driver vis-à-vis the state The example of a membership signal is shown in Figure 9. As shown, a decrease in the value of the membership signal indicates that the driver is moving away from this state, while an increase indicates that Figure 10 shows an evolution from a state i to a state j which results in a significant decrease of the signal i, possibly associated with an increase of the signal j if j is a known state.
Détection et apprentissage d'états inconnus
On a vu précédemment comment mesurer l'appartenance d'un point à une classe connue. I1 faut maintenant aborder le problème de la détection et de l'apprentissage de la référence et des états inconnus. Pour commencer, on suppose que la référence est connue et apprise. Le réseau associé fournit pour tout point la valeur d'appartenance à cette classe. Tout point dont la valeur d'appartenance est inférieure au seuil de rejet (on l'appelle alors point rejeté) représente un nouvel état et va participer à sa création. I1 faut donc construire l'ensemble d'apprentissage de cette nouvelle classe au fur et à mesure que les points sont rejetés. Ce processus est appelé processus d'agrégation de points rejetés.Detection and learning of unknown states
We have seen previously how to measure the belonging of a point to a known class. The problem of detection and learning of reference and unknown states must now be addressed. To begin, it is assumed that the reference is known and learned. The associated network provides for every point the membership value for that class. Any point whose membership value is less than the rejection threshold (it is called the rejected point) represents a new state and will participate in its creation. We must therefore build the learning set of this new class as the points are rejected. This process is called the rejected point aggregation process.
Mais des points rejetés peuvent représenter des états différents. I1 faut donc un critère permettant de déterminer si ces points représentent ou non le même état. I1 importe en effet de ne pas regrouper dans un même ensemble d'apprentissage des points n'appartenant pas à la même classe. Pour cela, on propose de prendre en compte à la fois la proximité spatiale et la proximité temporelle entre les points. En effet deux points x et x sont susceptibles de représenter le même état s'ils sont proches dans l'espace de représentation Ed. Ceci signifie que les caractères calculés aux instants t1 et t2 ont des valeurs similaires : ils reflètent la même activité de conduite. I1 faut également qu'ils soient proches dans le temps, c'est-à-dire que t1 et t2 ne soient pas trop éloignés car le conducteur est doté d'une certaine inertie. I1 est donc peu probable qu'il change d'état de conduite à chaque intervalle de temps A t. Par conséquent, des points représentant un même état sont, par hypothèse, caractérisés aussi par une proximité temporelle. But rejected points can represent different states. There must be a criterion to determine whether or not these points represent the same state. It is important not to group together points that do not belong to the same class in a single learning set. For this, we propose to take into account both the spatial proximity and the temporal proximity between the points. Indeed two points x and x are likely to represent the same state if they are close in the representation space Ed. This means that the characters computed at instants t1 and t2 have similar values: they reflect the same driving activity . They must also be close in time, that is to say that t1 and t2 are not too far apart because the driver has a certain inertia. It is therefore unlikely that he will change his driving state at each time interval AT. Consequently, points representing the same state are, by hypothesis, also characterized by temporal proximity.
En d'autres termes, un ensemble d'apprentissage doit être constitué de points successifs ou "presque" successifs. En combinant proximité spatiale et proximité temporelle, on a obtenu plusieurs critères d'agrégation qui ont été appliqués et comparés.In other words, a learning set must consist of successive or "almost" successive points. By combining spatial proximity and temporal proximity, several aggregation criteria were obtained that were applied and compared.
On constitue ainsi progressivement des groupes de points jugés "similaires", au fur et à mesure des rejets. We gradually build groups of points deemed "similar" as and when releases.
Chaque groupe représente un état du conducteur qui s'est manifesté sur son activité de conduite mais n'a pas encore été appris. Dès qu'un groupe satisfait les conditions d'apprentissage développées ci-dessous, il devient un ensemble de prototypes de l'état qu'il représente et l'apprentissage d'un nouveau réseau est initié. On se trouve alors en présence de deux états connus du conducteur. Le processus se perpétue ainsi tant que dure le trajet de conduite.Each group represents a state of the driver who has shown up on his driving activity but has not yet been taught. As soon as a group satisfies the learning conditions developed below, it becomes a set of prototypes of the state it represents and learning a new network is initiated. We are then in the presence of two known states of the driver. The process continues as long as the driving journey lasts.
Pour qu'un groupe de points devienne un ensemble d'apprentissage, deux conditions doivent être remplies simultanément
- tout d'abord, le conducteur doit avoir quitté l'état
représenté par le groupe. En effet, tant que le
groupe se remplit, il ne faut pas interrompre ce
processus, afin d'obtenir l'ensemble d'apprentissage
le plus complet possible, c'est-à-dire le plus
représentatif de l'état considéré
- le groupe doit avoir une taille suffisante. I1 doit
par exemple représenter au moins une minute
d'observation du comportement, cette valeur n'étant
qu'indicative et étant fixée par l'utilisateur du
dispositif de l'invention.For a group of points to become a learning set, two conditions must be fulfilled simultaneously
- first, the driver must have left the state
represented by the group. Indeed, as long as the
group fills up, do not interrupt this
process, in order to get the whole learning
the most complete possible, that is to say the most
representative of the state considered
- the group must be of sufficient size. He must
for example represent at least a minute
of behavior, this value not being
indicative and being set by the user of the
device of the invention.
La constitution de l'ensemble d'apprentissage pour la classe de référence est effectuée selon le même principe. I1 n'existe pas de point rejeté, puisqu'à ce stade aucune classe n'a encore été créée. Tous les points de mesure participent donc au processus d'agrégation, selon les mêmes critères de proximité dans l'espace et dans le temps. Le groupe qui, le premier, remplit les conditions d'apprentissage devient alors la classe de référence et sert à l'apprentissage du réseau correspondant. The formation of the learning set for the reference class is performed according to the same principle. There is no rejected point, since at this stage no class has yet been created. All measurement points therefore participate in the aggregation process, according to the same criteria of proximity in space and time. The group which first fulfills the learning conditions then becomes the reference class and is used to learn the corresponding network.
Génération d'une alarme
Le but du dispositif de l'invention est de détecter toute évolution du comportement du conducteur afin de générer une alarme. Celle-ci est déclenchée lorsqu'une variation significative est détectée sur un ou plusieurs signaux d'appartenance. L'amplitude d'une variation significative est un paramètre réglable que l'on situe de préférence autour de 0,5 et cette valeur correspond à la moitié de la variation maximale du signal qui, comme on l'a vu précédemment est de 1.Generating an alarm
The purpose of the device of the invention is to detect any change in the behavior of the driver to generate an alarm. This is triggered when a significant variation is detected on one or more membership signals. The amplitude of a significant variation is an adjustable parameter which is preferably around 0.5 and this value corresponds to half of the maximum variation of the signal which, as previously seen, is 1.
L'alarme peut être déclenchée sur les variations de l'état de référence. Elle peut aussi prendre en compte les variations de tous les signaux. Cette alarme consiste à envoyer soit un message d'alerte sur l'écran du dispositif embarqué, soit une alarme sonore ou visuelle, soit une combinaison de ceux-ci. The alarm can be triggered on the variations of the reference state. It can also take into account the variations of all the signals. This alarm consists in sending either an alert message on the screen of the onboard device, or an audible or visual alarm, or a combination thereof.
Un schéma synoptique fonctionnel complet du dispositif de surveillance du comportement du conducteur est représenté en figure 11 et résume bien les trois tâches de l'algorithme expliquées précédemment, à savoir la reconnaissance des états connus, la détection et l'apprentissage d'états inconnus et la production des alarmes. I1 est donc inutile de détailler ce schéma synoptique en signalant toutefois que M désigne le nombre de classes connues, c'est-à-dire le nombre de réseaux existants à l'instant considéré. A complete functional block diagram of the driver behavior monitoring device is shown in FIG. 11 and summarizes well the three tasks of the algorithm explained above, namely the recognition of known states, the detection and the learning of unknown states and the production of alarms. It is therefore useless to detail this synoptic diagram, while pointing out that M denotes the number of known classes, that is to say the number of existing networks at the instant considered.
Diverses variantes de réalisation du procédé et du dispositif ci-dessus decrits peuvent être effectuées sans sortir du cadre de la présente invention. Various alternative embodiments of the method and the device described above may be performed without departing from the scope of the present invention.
Ainsi, il est possible de calculer d'autres caractères que ceux cités en exemple dès l'instant où toute valeur numérique, dont la valeur évolue avec un changement de l'activité de conduite du conducteur convient, quelle que soit sa dimension. Thus, it is possible to calculate other characters than those exemplified from the moment when any numerical value, the value of which changes with a change in the driving activity of the driver is appropriate, regardless of its size.
D'autres signaux de conduite que ceux énumérés précédemment peuvent être utilisés, par exemple les signaux provenant d'un capteur de freinage du véhicule, d'un capteur d'utilisation de commodos du véhicule. Tous les signaux liés à la conduite du véhicule peuvent être utilisés pour calculer le vecteur de caractères et il suffit que l'information qu'ils apportent soit traduite sous forme numérique. Other driving signals than those listed above may be used, for example signals from a vehicle brake sensor, a vehicle operating sensor. All signals related to the driving of the vehicle can be used to calculate the vector of characters and it is sufficient that the information they bring is translated in digital form.
Les ensembles d'apprentissage qui ont été décrits précédemment ne sont constitués que de prototypes. I1 est possible d'y inclure des points qui en sont un peu éloignés, et pour lesquels le critère d'agrégation espace-temps considéré permet de déterminer une valeur d'appartenance inférieure à 1. Dans ce cas, l'apprentissage est réalisé en demandant en sortie du réseau cette valeur inférieure à 1. The learning sets that have been previously described consist only of prototypes. It is possible to include points that are a little distant, and for which the space-time aggregation criterion considered makes it possible to determine a membership value of less than 1. In this case, the learning is carried out in requesting at the output of the network this value less than 1.
Plusieurs critères d'agrégation espace-temps ont été envisagés. Certains ne tiennent compte que de la proximité dans l'espace, d'autres que de la proximité dans le temps, d'autres des deux à la fois. Several space-time aggregation criteria have been considered. Some only consider proximity in space, others only proximity to time, others both.
Le processus décrit ci-dessus en ce qui concerne l'apprentissage de la référence et la détection des évolutions peut être renouvelé en totalité à chaque trajet. The process described above with regard to the learning of the reference and the detection of evolutions can be renewed in full at each trip.
On recherche à chaque fois un état de référence qui correspond aux conditions du trajet (météorologie, trafic,...). Cependant, si le conducteur prend la route dans un état dégradé, on doit être capable de le signaler immédiatement. Un état dégradé se traduit généralement par une certaine instabilité de l'activité de conduite. Le critère de proximité dans l'espace n' est plus satisfait et la référence ne peut être créée. Ce problème peut être détecté très rapidement car il se traduit par la création d'un grand nombre de groupes de points, sans qu'aucun n'atteigne l'effectif minimal requis, qui correspond environ à une minute d'observation. Dans ce cas, il est possible d'utiliser une référence sur un trajet effectué antérieurement. Le signal d'appartenance à cette référence montrera d'emblée que le conducteur a quitté cet état. Par ailleurs, ce signal risque d'avoir une valeur maximale inférieure à 1, mais son allure reste la même et les évolutions peuvent être détectées de manière similaire. Enfin, le fait de ne pouvoir apprendre la référence constitue en lui-même un motif pour envoyer une alarme au conducteur. Each time we search for a reference state that corresponds to the conditions of the trip (meteorology, traffic, ...). However, if the driver is driving in a degraded state, we must be able to report it immediately. A degraded state usually results in some instability of the driving activity. The criterion of proximity in space is no longer satisfied and the reference can not be created. This problem can be detected very quickly because it results in the creation of a large number of groups of points, without any of them reaching the required minimum size, which corresponds to about a minute of observation. In this case, it is possible to use a reference on a previously performed path. The signal of belonging to this reference will show immediately that the driver has left this state. In addition, this signal may have a maximum value of less than 1, but its pace remains the same and evolutions can be detected in a similar manner. Finally, the fact of not being able to learn the reference is in itself a reason to send an alarm to the driver.
Le dispositif de l'invention tel que représenté en figure 1 est implanté de manière à fonctionner en temps réel. The device of the invention as shown in FIG. 1 is implanted so as to operate in real time.
Connaissant maintenant le principe de fonctionnement de ce dispositif, son implantation effective peut être décrite plus en détail.Knowing now the principle of operation of this device, its effective implementation can be described in more detail.
Le dispositif dispose, comme puissance de calcul, de plusieurs processeurs 5 de traitement de signaux (DSP) connectés comme indiqué par exemple en figure 2 et qui peuvent donc communiquer pleinement. The device has, as computing power, several signal processing processors (DSP) connected as indicated for example in Figure 2 and can therefore communicate fully.
Un processeur 5 se charge tout d'abord de piloter l'acquisition des données, c'est-à-dire l'échantillonnage des signaux (conversion analogique/numérique). Les différentes tâches à réaliser sont ensuite réparties sur les processeurs 5 de manière à obtenir un traitement le plus rapide possible des données acquises. Les tâches qui doivent être effectuées à chaque instant At sont les suivantes
- calcul des caractères (grandeurs statistiques et
fréquentielles) sur chaque signal acquis, puis
détermination du vecteur forme
- calcul de la sortie de chaque réseau existant
- application du processus d'agrégation si nécessaire
- lancement et réalisation de l'apprentissage d'une
nouvelle classe le moment venu.A processor 5 is first responsible for controlling the data acquisition, that is to say the sampling of the signals (analog / digital conversion). The various tasks to be performed are then distributed over the processors so as to obtain the fastest possible processing of the data acquired. The tasks that must be performed at each moment At are as follows
- calculation of characters (statistical quantities and
frequencies) on each acquired signal, then
shape vector determination
- calculation of the output of each existing network
- application of the aggregation process if necessary
- launching and carrying out the learning of a
new class when the time comes.
Ces différentes tâches seront réparties sur les différents processeurs de manière à obtenir une répartition des calculs permettant un fonctionnement en temps réel du dispositif. Dans ce contexte, un fonctionnement en temps réel signifie que toute nouvelle donnée acquise doit pouvoir subir tous les traitements et calculs prévus dans les At secondes qui suivent son acquisition. These different tasks will be distributed over the various processors so as to obtain a distribution of calculations allowing real-time operation of the device. In this context, a real-time operation means that any new data acquired must be able to undergo all the processing and calculations provided for in the seconds following its acquisition.
Les avantages de la solution conforme à l'invention pour prévenir toute défaillance du conducteur d'un véhicule automobile sont les suivants
- elle est embarquable et non contraignante pour le
conducteur
- elle s'adapte à tout conducteur et à toute situation
de conduite - elle est plus fiable, plus robuste et plus pertinente
que les autres solutions connues actuellement - elle ne se restreint pas à la détection des
hypovigilances, mais s'applique à toute évolution de
comportement du conducteur ayant des répercussions
sur l'activité de conduite de celui-ci ; et - elle permet d'utiliser en entrée tout signal lié à
l'activité de conduite, à condition que les
caractères correspondants soient des valeurs
numériques. The advantages of the solution according to the invention to prevent any failure of the driver of a motor vehicle are as follows
- it is embeddable and non-binding for the
driver
- it adapts to any driver and any situation
of driving - it is more reliable, more robust and more relevant
other solutions currently known - it is not restricted to the detection of
hypovigilance, but applies to any evolution of
driver behavior with repercussions
on the driving activity of the latter; and - it allows to use as input any signal related to
driving activity, provided that the
corresponding characters are values
digital.
Claims (16)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR9515409A FR2742706B1 (en) | 1995-12-22 | 1995-12-22 | METHOD FOR DETECTING THE DEVELOPMENT OF THE DRIVING BEHAVIOR OF A MOTOR VEHICLE DRIVER AND DEVICE FOR CARRYING OUT SUCH A METHOD |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR9515409A FR2742706B1 (en) | 1995-12-22 | 1995-12-22 | METHOD FOR DETECTING THE DEVELOPMENT OF THE DRIVING BEHAVIOR OF A MOTOR VEHICLE DRIVER AND DEVICE FOR CARRYING OUT SUCH A METHOD |
Publications (2)
Publication Number | Publication Date |
---|---|
FR2742706A1 true FR2742706A1 (en) | 1997-06-27 |
FR2742706B1 FR2742706B1 (en) | 1998-02-13 |
Family
ID=9485896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
FR9515409A Expired - Fee Related FR2742706B1 (en) | 1995-12-22 | 1995-12-22 | METHOD FOR DETECTING THE DEVELOPMENT OF THE DRIVING BEHAVIOR OF A MOTOR VEHICLE DRIVER AND DEVICE FOR CARRYING OUT SUCH A METHOD |
Country Status (1)
Country | Link |
---|---|
FR (1) | FR2742706B1 (en) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2346998A (en) * | 1999-02-19 | 2000-08-23 | Philip John Pearce | Detecting fatigue in machine operator or vehicle driver |
GB2366062A (en) * | 2000-02-18 | 2002-02-27 | Philip John Pearce | Detecting fatigue in machine operator or vehicle driver |
WO2005124713A1 (en) * | 2004-06-19 | 2005-12-29 | Daimlerchrysler Ag | Method and device for detecting fatigue in the driver of a vehicle |
WO2006000166A1 (en) * | 2004-06-29 | 2006-01-05 | Miloslav Pavelka | Method and device for detecting operator fatigue or quality |
US7054723B2 (en) * | 2002-03-22 | 2006-05-30 | Nissan Motor Co., Ltd. | Information presentation controlling apparatus and method based on driver's mental fatigue |
CN103632485A (en) * | 2013-11-01 | 2014-03-12 | 安徽博仑特智能科技有限公司 | Guard-on-duty intelligent sleep preventing system device |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0147539A2 (en) * | 1983-09-30 | 1985-07-10 | Nissan Motor Co., Ltd. | System and method for detecting and warning of drowsy driving of a vehicle |
US5285523A (en) * | 1990-09-25 | 1994-02-08 | Nissan Motor Co., Ltd. | Apparatus for recognizing driving environment of vehicle |
WO1995018433A1 (en) * | 1993-12-28 | 1995-07-06 | Mitsubishi Jidosha Kogyo Kabushiki Kaisha | Alarming device for dozing driver |
-
1995
- 1995-12-22 FR FR9515409A patent/FR2742706B1/en not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0147539A2 (en) * | 1983-09-30 | 1985-07-10 | Nissan Motor Co., Ltd. | System and method for detecting and warning of drowsy driving of a vehicle |
US5285523A (en) * | 1990-09-25 | 1994-02-08 | Nissan Motor Co., Ltd. | Apparatus for recognizing driving environment of vehicle |
WO1995018433A1 (en) * | 1993-12-28 | 1995-07-06 | Mitsubishi Jidosha Kogyo Kabushiki Kaisha | Alarming device for dozing driver |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2346998A (en) * | 1999-02-19 | 2000-08-23 | Philip John Pearce | Detecting fatigue in machine operator or vehicle driver |
GB2346998B (en) * | 1999-02-19 | 2003-10-22 | Philip John Pearce | Driver fatigue detector |
GB2366062A (en) * | 2000-02-18 | 2002-02-27 | Philip John Pearce | Detecting fatigue in machine operator or vehicle driver |
US7054723B2 (en) * | 2002-03-22 | 2006-05-30 | Nissan Motor Co., Ltd. | Information presentation controlling apparatus and method based on driver's mental fatigue |
WO2005124713A1 (en) * | 2004-06-19 | 2005-12-29 | Daimlerchrysler Ag | Method and device for detecting fatigue in the driver of a vehicle |
WO2006000166A1 (en) * | 2004-06-29 | 2006-01-05 | Miloslav Pavelka | Method and device for detecting operator fatigue or quality |
CN103632485A (en) * | 2013-11-01 | 2014-03-12 | 安徽博仑特智能科技有限公司 | Guard-on-duty intelligent sleep preventing system device |
Also Published As
Publication number | Publication date |
---|---|
FR2742706B1 (en) | 1998-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2642464B1 (en) | Method for determining information | |
FR2747346A1 (en) | APPARATUS AND METHOD FOR ESTIMATING THE DYNAMIC LEVEL OF THE DRIVER OF A VEHICLE | |
FR3015036A1 (en) | METHOD OF ACOUSTICALLY DETECTING THE CONDITION OF ROAD AND TIRE | |
FR2827811A1 (en) | DEVICE FOR MONITORING AT LEAST ONE PARAMETER FOR MULTIPLE VEHICLE WHEELS | |
FR2953164A1 (en) | METHOD OF DETECTING THE WEAR OF A TIRE | |
EP3655770A1 (en) | Method for detecting road and tyre conditions | |
FR2742706A1 (en) | Monitoring process for observing watchful state of driver to guard against tiredness | |
WO2017149046A1 (en) | Device and method for monitoring a driver of a transport vehicle | |
FR2893245A1 (en) | METHOD FOR EVALUATING THE VIGILANCE STATUS OF A VEHICLE DRIVER | |
EP3781965B1 (en) | Device, method and computer program product for validating data provided by a rain sensor | |
EP3895142A1 (en) | Method for determining a drowsiness level of a motor vehicle driver | |
EP3068636A1 (en) | Neural-network-based decision support method in a system for monitoring motor vehicle tyre pressure | |
WO2020048770A1 (en) | Prediction of a cartographic readjustment parameter by deep learning | |
EP3505957A1 (en) | Treatment method for multi-target detection, characterisation and tracking and associated device | |
EP3182333B1 (en) | Fraud detection method for authenticating a finger | |
WO2017137612A1 (en) | Anticollision device and method for a motor vehicle | |
EP0923746B1 (en) | Method for detecting, identifying and following optically invisible objects | |
WO2019197781A1 (en) | Predictive machine learning for predicting a future speed of a motor vehicle moving on a road | |
EP4188722A1 (en) | Method for estimating the state of wear of a tyre | |
WO2017216495A1 (en) | Method for determining a reference driving class | |
FR3071607A1 (en) | METHOD FOR DETERMINING THE INSTANTANEOUS FREQUENCY AND PHASE OF A PERIODIC SIGNAL | |
EP1331621A1 (en) | Method for monitoring the environment of a vehicle | |
EP3338260B1 (en) | Method for determining the level of attention of a driver of a motor vehicle and method for stimulating the attention of a driver of a motor vehicle | |
FR2976091A1 (en) | Method for automatic disconnection of cruise control system of vehicle approaching toll gate, involves deducing entry of vehicle in toll zone, and generating order for disconnecting cruise control system of vehicle | |
EP3068635B1 (en) | Fuzzy-logic-based decision support method in a system for monitoring motor vehicle tyre pressure |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
ST | Notification of lapse |