FR3061885A1 - METHOD FOR DETERMINING A CHARACTERISTIC OF AN ENVIRONMENT OF A VEHICLE BY DATA FUSION - Google Patents
METHOD FOR DETERMINING A CHARACTERISTIC OF AN ENVIRONMENT OF A VEHICLE BY DATA FUSION Download PDFInfo
- Publication number
- FR3061885A1 FR3061885A1 FR1750395A FR1750395A FR3061885A1 FR 3061885 A1 FR3061885 A1 FR 3061885A1 FR 1750395 A FR1750395 A FR 1750395A FR 1750395 A FR1750395 A FR 1750395A FR 3061885 A1 FR3061885 A1 FR 3061885A1
- Authority
- FR
- France
- Prior art keywords
- parameter
- determination method
- motor vehicle
- sensors
- environment
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000004927 fusion Effects 0.000 title description 7
- 230000004913 activation Effects 0.000 claims description 16
- 239000002245 particle Substances 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 230000005449 particle theory Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 29
- 238000004364 calculation method Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- AAOVKJBEBIDNHE-UHFFFAOYSA-N diazepam Chemical compound N=1CC(=O)N(C)C2=CC=C(Cl)C=C2C=1C1=CC=CC=C1 AAOVKJBEBIDNHE-UHFFFAOYSA-N 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Traffic Control Systems (AREA)
Abstract
L'invention concerne un procédé de détermination de la valeur estimée (L1 e, L2e, αe, Rce) d'au moins un paramètre caractérisant une partie d'un environnement dans lequel évolue un véhicule automobile et/ou la position dudit véhicule automobile dans ledit environnement, comprenant des étapes de : a) acquisition de données relatives audit environnement par au moins deux capteurs (21, 22, 23, 24) distincts, b) élaboration, pour chaque capteur, d'une première valeur (L1i, L2i, αi, Rci) de chaque paramètre, et c) combinaison desdites premières valeurs afin d'en déduire la valeur estimée de chaque paramètre. Selon l'invention, à l'étape c), on affecte à chaque première valeur un degré de croyance fonction de la confiance qu'on a dans le capteur associé, et on déduit la valeur estimée de chaque paramètre en fonction de ce degré de croyance.The invention relates to a method for determining the estimated value (L1 e, L2e, αe, Rce) of at least one parameter characterizing a part of an environment in which a motor vehicle evolves and / or the position of said motor vehicle in said environment, comprising steps of: a) acquiring data relating to said environment by at least two separate sensors (21, 22, 23, 24), b) generating, for each sensor, a first value (L1i, L2i, αi, Rci) of each parameter, and c) combination of said first values to deduce the estimated value of each parameter. According to the invention, in step c), each first value is assigned a degree of belief depending on the confidence that one has in the associated sensor, and the estimated value of each parameter is deduced according to this degree of confidence. belief.
Description
Titulaire(s) : VALEO SCHALTER UND SENSOREN GMBH Société par actions simplifiée.Holder (s): VALEO SCHALTER UND SENSOREN GMBH Simplified joint-stock company.
O Demande(s) d’extension :O Extension request (s):
® Mandataire(s) : VALEO COMFORT AND DRIVING ASSISTANCE.® Agent (s): VALEO COMFORT AND DRIVING ASSISTANCE.
® PROCEDE DE DETERMINATION D'UNE CARACTERISTIQUE D'UN ENVIRONNEMENT D'UN VEHICULE PAR FUSION DE DONNEES.® METHOD FOR DETERMINING A CHARACTERISTIC OF A VEHICLE ENVIRONMENT BY MERGING DATA.
FR 3 061 885 - A1 (57) L'invention concerne un procédé de détermination de la valeur estimée (L1 e, L2e, αθ, Rce) d'au moins un paramètre caractérisant une partie d'un environnement dans lequel évolue un véhicule automobile et/ou la position dudit véhicule automobile dans ledit environnement, comprenant des étapes de :FR 3 061 885 - A1 (57) The invention relates to a method for determining the estimated value (L1 e , L2 e , αθ, Rc e ) of at least one parameter characterizing part of an environment in which a motor vehicle and / or the position of said motor vehicle in said environment, comprising steps of:
a) acquisition de données relatives audit environnement par au moins deux capteurs (21,22, 23, 24) distincts,a) acquisition of data relating to said environment by at least two separate sensors (21, 22, 23, 24),
b) élaboration, pour chaque capteur, d'une première valeur (L1j, L2j, οι,, RC,) de chaque paramètre, etb) elaboration, for each sensor, of a first value (L1j, L2j, οι ,, RC,) of each parameter, and
c) combinaison desdites premières valeurs afin d'en déduire la valeur estimée de chaque paramètre.c) combining said first values in order to deduce therefrom the estimated value of each parameter.
Selon l'invention, à l'étape c), on affecte à chaque première valeur un degré de croyance fonction de la confiance qu'on a dans le capteur associé, et on déduit la valeur estimée de chaque paramètre en fonction de ce degré de croyance.According to the invention, in step c), a degree of belief is assigned to each first value as a function of the confidence which one has in the associated sensor, and the estimated value of each parameter is deduced as a function of this degree of belief.
PROCEDE DE DETERMINATION D’UNE CARACTERISTIQUE D’UN ENVIRONNEMENT D’UNMETHOD FOR DETERMINING A CHARACTERISTIC OF AN ENVIRONMENT OF A
VEHICULE PAR FUSION DE DONNEESVEHICLE BY DATA MERGER
Domaine technique auquel se rapporte l'inventionTechnical field to which the invention relates
La présente invention concerne de manière générale les aides à la conduite de véhicules automobiles.The present invention relates generally to driving aids for motor vehicles.
Elle concerne plus particulièrement un procédé de détermination de la valeur estimée d’au moins un paramètre caractérisant une partie d’un environnement dans lequel évolue un véhicule automobile et/ou la position dudit véhicule automobile dans ledit environnement, comprenant des étapes de :It relates more particularly to a method for determining the estimated value of at least one parameter characterizing a part of an environment in which a motor vehicle operates and / or the position of said motor vehicle in said environment, comprising steps of:
a) acquisition de données relatives audit environnement par au moins deux capteurs distincts,a) acquisition of data relating to said environment by at least two separate sensors,
b) élaboration, pour chaque capteur, d’une première valeur de chaque paramètre, etb) development, for each sensor, of a first value of each parameter, and
c) combinaison (ou « fusion ») desdites premières valeurs afin d’en déduire la valeur estimée de chaque paramètre.c) combination (or "fusion") of said first values in order to deduce therefrom the estimated value of each parameter.
L’invention trouve une application particulièrement avantageuse dans la détermination de paramètres caractérisant une voie de circulation.The invention finds a particularly advantageous application in the determination of parameters characterizing a traffic lane.
Arriere-plan technologiqueTechnological background
Pour faciliter et rendre plus sûre la conduite d’un véhicule automobile, il est connu d’équiper ce dernier de systèmes d’aide à la conduite. Il peut s’agir de systèmes permettant une conduite autonome du véhicule (sans intervention humaine), ou de systèmes permettant une conduite partiellement autonome du véhicule (typiquement de systèmes adaptés à prendre momentanément le contrôle du véhicule pour replacer le véhicule au centre de sa voie de circulation).To facilitate and make driving a motor vehicle safer, it is known to equip the latter with driving assistance systems. These can be systems allowing autonomous driving of the vehicle (without human intervention), or systems allowing partially autonomous driving of the vehicle (typically systems adapted to temporarily take control of the vehicle to replace the vehicle in the center of its lane traffic).
Pour permettre à ces systèmes d’appréhender l’environnement autour du véhicule, on place sur ce dernier de nombreux capteurs tels que des caméras, des capteurs LIDAR, ou encore des capteurs virtuels. Un exemple de capteur virtuel serait un logiciel qui lirait des données acquises par d’autres capteurs du véhicule, qui déterminerait sur cette base la position des voitures adjacents, et qui en déduirait la position de la voie de circulation par rapport au véhicule.To allow these systems to understand the environment around the vehicle, many sensors are placed on it, such as cameras, LIDAR sensors, or even virtual sensors. An example of a virtual sensor would be software that would read data acquired by other sensors in the vehicle, which would determine the position of adjacent cars on this basis, and which would deduce the position of the taxiway relative to the vehicle.
Chaque capteur présente ses qualités et ses défauts. Certains sont plus fiables que d’autres, certains sont plus affectés que d’autres par les conditions météorologiques, ...Each sensor has its qualities and its faults. Some are more reliable than others, some are more affected than others by weather conditions, ...
Afin de réduire au mieux les erreurs de détection de l’environnement, il est alors connu de pratiquer une « fusion de données », c’est-à-dire de prendre en compte les données émises par plusieurs capteurs pour en déduire une seule et même donnée.In order to reduce the detection errors of the environment as well as possible, it is then known to practice a "data fusion", that is to say to take into account the data emitted by several sensors to deduce a single and same given.
A titre d’exemple, on peut considérer un capteur-caméra, un capteurLIDAR et un capteur virtuel qui repèrent les positions des bords de la voie de circulation empruntée par le véhicule. Alors, il est possible de combiner les données qui sont issues de ces trois capteurs et qui caractérisent les positions des bords de voie, de façon à obtenir une seule information plus fiable.As an example, we can consider a camera sensor, a LIDAR sensor and a virtual sensor that identify the positions of the edges of the traffic lane used by the vehicle. Then, it is possible to combine the data which come from these three sensors and which characterize the positions of the edges of the track, so as to obtain a single more reliable information.
On utilise, pour combiner ces données, des calculs mathématiques qui se basent sur des théorèmes de probabilité. En pratique, le théorème de Bayes est le plus utilisé pour combiner les informations issues de différents capteurs.To combine these data, mathematical calculations are used which are based on probability theorems. In practice, the Bayes theorem is the most used to combine information from different sensors.
Les inconvénients de ce théorème sont toutefois multiples lorsqu’on fusionne des données.The drawbacks of this theorem are however multiple when merging data.
En effet, son utilisation nécessite tout d’abord de faire des hypothèses pour pallier le manque d’informations en entrée, lesquelles hypothèses génèrent des erreurs en sortie.Indeed, its use first requires making assumptions to overcome the lack of input information, which assumptions generate errors at the output.
Son utilisation nécessite par ailleurs de considérer les capteurs de façon indépendante et elle ne permet pas de tenir compte d’une manière rigoureuse des erreurs pouvant affecter les données issues des capteurs.Its use also requires the sensors to be considered independently and it does not allow rigorous consideration of errors that may affect the data from the sensors.
Enfin, son utilisation ne permet de prendre en compte qu’uniquement les informations issues de capteurs dont on sait la fiabilité élevée, puisque l’usage de capteurs peu fiables fausserait nécessairement les résultats obtenus.Finally, its use only takes into account information from sensors whose high reliability is known, since the use of unreliable sensors would necessarily distort the results obtained.
Ainsi, l’utilisation de ce théorème de Bayes ne permet pas d’obtenir des informations aussi fiables que souhaité pour permettre au véhicule d’évoluer de façon autonome, sans intervention humaine.Thus, the use of this Bayes theorem does not allow obtaining information as reliable as desired to allow the vehicle to evolve independently, without human intervention.
Objet de l’inventionObject of the invention
Afin de remédier aux inconvénients précités de l’état de la technique, la présente invention propose de fusionner les données issues de différents capteurs sur la base d’une nouvelle méthode qui tiendrait compte de « l’ignorance >>, c’està-dire de l’incertitude que l’on a de la validité de chaque information reçue des capteurs.In order to remedy the aforementioned drawbacks of the prior art, the present invention proposes to merge the data from different sensors on the basis of a new method which would take into account "ignorance", that is to say the uncertainty that we have of the validity of each information received from the sensors.
Plus particulièrement, on propose selon l’invention un procédé de détermination tel que défini dans l’introduction, dans lequel, à l’étape c), on affecte à chaque première valeur un degré de croyance fonction de la confiance qu’on a dans le capteur associé, et on déduit la valeur estimée de chaque paramètre en fonction de ce degré de croyance.More particularly, according to the invention, there is proposed a determination method as defined in the introduction, in which, in step c), a degree of belief is assigned to each first value as a function of the confidence which one has in the associated sensor, and the estimated value of each parameter is deduced as a function of this degree of belief.
Préférentiellement, la déduction de la valeur estimée de chaque paramètre en fonction du degré de croyance est réalisée en appliquant le théorème de Dempster-Shafer.Preferably, the deduction of the estimated value of each parameter as a function of the degree of belief is carried out by applying the Dempster-Shafer theorem.
Ainsi, grâce à l’invention, il est possible de prendre en compte les données issues de tous les capteurs d’environnement équipant le véhicule, même de ceux dont la fiabilité est réputée réduite, en leur affectant un degré de confiance différent les uns des autres.Thus, thanks to the invention, it is possible to take into account the data from all the environmental sensors fitted to the vehicle, even those whose reliability is deemed to be reduced, by assigning them a degree of confidence which is different from other.
De ce fait, le résultat obtenu est plus fiable, notamment en cas de défaillance de l’un ou l’autre des capteurs.As a result, the result obtained is more reliable, in particular in the event of failure of one or the other of the sensors.
Par ailleurs, grâce à l’invention, il est possible de modéliser plus précisément les erreurs pouvant affecter les données issues de chaque capteur, de façon à obtenir des résultats plus fiables encore.Furthermore, thanks to the invention, it is possible to model more precisely the errors that may affect the data from each sensor, so as to obtain even more reliable results.
D’autres caractéristiques avantageuses et non limitatives du procédé de détermination conforme à l’invention sont les suivantes :Other advantageous and non-limiting characteristics of the determination method according to the invention are as follows:
- à l’étape c), le théorème de Dempster-Shafer fournit une distribution de probabilité discrétisée pour chaque paramètre et chaque distribution de probabilité discrétisée est ensuite filtrée au moyen d’un filtre de recherche utilisant la théorie des particules ;- in step c), the Dempster-Shafer theorem provides a discretized probability distribution for each parameter and each discretized probability distribution is then filtered using a search filter using particle theory;
- le filtrage comporte notamment une étape d’estimation d’un état de plusieurs particules représentatives de chaque paramètre, en fonction de la vitesse axiale et de la vitesse de lacet du véhicule automobile ;the filtering comprises in particular a step of estimating a state of several particles representative of each parameter, as a function of the axial speed and the yaw speed of the motor vehicle;
- à l’étape b), on élabore une première valeur pour au moins deux paramètres distincts, et, à l’étape c), on combine lesdites premières valeurs afin d’en déduire la valeur estimée de chacun des deux paramètres ;- in step b), a first value is developed for at least two distinct parameters, and, in step c), said first values are combined in order to deduce therefrom the estimated value of each of the two parameters;
- le véhicule automobile roulant sur une voie de circulation, les paramètres sont la largeur de ladite voie de circulation, le rayon de courbure de ladite voie de circulation, l’écart latéral entre le véhicule automobile et l’un des bords de la voie de circulation, et l’angle d’attaque du véhicule automobile par rapport à la voie de circulation ;- the motor vehicle traveling on a taxiway, the parameters are the width of said taxiway, the radius of curvature of said taxiway, the lateral distance between the motor vehicle and one of the edges of the taxiway traffic, and the angle of attack of the motor vehicle with respect to the traffic lane;
- à l’étape a), si l’un des bords de la voie de circulation n’est pas détecté par l’un des capteurs, il est prévu une étape de reconstruction virtuelle de ce bord de voie de circulation ;- in step a), if one of the edges of the taxiway is not detected by one of the sensors, a step of virtual reconstruction of this edge of the taxiway is provided;
- à l’étape a), les données relatives à l’environnement qui sont acquises par au moins deux des capteurs sont hétérogènes ;- in step a), the data relating to the environment which is acquired by at least two of the sensors is heterogeneous;
- à l’étape, à l’étape c), on discrétise en intervalles les premières valeurs de chaque paramètre afin d’en déduire une densité de probabilité associée à chaque paramètre vu par chaque capteur, au moyen d’une fonction d’activation en forme de cloche ;- in step, in step c), the first values of each parameter are discretized in intervals in order to deduce therefrom a probability density associated with each parameter seen by each sensor, by means of an activation function bell-shaped;
- la fonction d’activation varie de manière asymétrique ;- the activation function varies asymmetrically;
- la fonction d’activation varie de manière pyramidale ;- the activation function varies pyramidally;
- à l’étape c), on utilise une transformation pignistique inverse pour transformer chaque densité de probabilité en un ensemble de masses de croyance que chaque paramètre est compris dans un intervalle donné ;- in step c), we use an inverse pignistic transformation to transform each probability density into a set of belief masses that each parameter is included in a given interval;
- à l’étape c), on applique une fonction de similitude à chaque ensemble de masses de croyance.- in step c), we apply a similarity function to each set of belief masses.
Description detaillee d’un exemple de réalisationDetailed description of an exemplary embodiment
La description qui va suivre en regard des dessins annexés, donnés à titre d’exemples non limitatifs, fera bien comprendre en quoi consiste l’invention et comment elle peut être réalisée.The description which follows with reference to the appended drawings, given by way of nonlimiting examples, will make it clear what the invention consists of and how it can be carried out.
Sur les dessins annexés :In the accompanying drawings:
- les figures 1A à 1D sont quatre vues illustrant la manière selon laquelle une voie de circulation sur laquelle roule un véhicule automobile est détectée par quatre capteurs distincts ;- Figures 1A to 1D are four views illustrating the manner in which a traffic lane on which a motor vehicle is driven is detected by four separate sensors;
- les figures 2A et 2B sont des vues de dessus d’un véhicule automobile roulant sur une route ;- Figures 2A and 2B are top views of a motor vehicle traveling on a road;
- la figure 3 est un schéma illustrant des capteurs et un calculateur qui permettent de mettre en œuvre un procédé de détermination conforme à l’invention ;- Figure 3 is a diagram illustrating sensors and a computer which make it possible to implement a determination method according to the invention;
- la figure 4 est un schéma illustrant une partie des étapes du procédé de détermination conforme à l’invention ; et- Figure 4 is a diagram illustrating part of the steps of the determination method according to the invention; and
- les figues 5A et 5B représentent deux variantes de réalisation d’une fonction d’activation utilisée dans le procédé de détermination de la figure 3.- Figs 5A and 5B represent two alternative embodiments of an activation function used in the determination method of Figure 3.
L’invention s’applique à tout type de véhicule automobile, pour autant que le véhicule soit équipé de plusieurs capteurs d’environnement et d’un calculateur adapté à traiter les informations issues de ces différents capteurs d’environnement.The invention applies to any type of motor vehicle, provided that the vehicle is equipped with several environmental sensors and a computer adapted to process the information from these different environmental sensors.
Elle s’applique avantageusement, mais pas uniquement, aux véhicules automobiles qualifiés « d’autonome », c’est-à-dire aux véhicules adaptés à suivre une voie de circulation, dans le trafic routier, sans intervention humaine.It applies advantageously, but not only, to motor vehicles qualified as "autonomous", that is to say vehicles adapted to follow a traffic lane, in road traffic, without human intervention.
L’invention propose une solution permettant de traiter les données issues des différents capteurs afin d’en déduire des informations fiables, par « fusion des données ».The invention provides a solution for processing the data from the various sensors in order to deduce reliable information therefrom, by "data fusion".
De façon préférentielle, l’invention sera utilisée pour déterminer les valeurs de paramètres caractérisant une voie de circulation d’une route sur laquelle évolue le véhicule automobile considéré. En variante, l’invention pourrait également s’appliquer à la détermination d’autres paramètres.Preferably, the invention will be used to determine the values of parameters characterizing a lane of a road on which the motor vehicle in question is moving. Alternatively, the invention could also be applied to the determination of other parameters.
Pour bien illustrer le mode de réalisation de l’invention ici considéré, on a représenté sur les figures 2A et 2B deux portions d’une même route 10, une portion droite et une portion courbée.To illustrate the embodiment of the invention here considered, FIGS. 2A and 2B show two portions of the same road 10, a straight portion and a curved portion.
On observe sur ces figures que la route 10 est ici définie entre deux accotements 11 mis en évidence par deux lignes continues de marquage au solWe observe in these figures that the road 10 is defined here between two shoulders 11 highlighted by two continuous lines of marking on the ground
12.12.
Cette route 10 comporte ici trois voies de circulation 13, 14, 15 délimitées par deux lignes discontinues de marquage au sol 16.This road 10 here comprises three traffic lanes 13, 14, 15 delimited by two discontinuous lines of marking on the ground 16.
Le véhicule automobile 20 considéré est ici représenté sur la voie de circulation 14 du milieu.The motor vehicle 20 considered is here represented on the taxiway 14 in the middle.
L’invention cherche à détermine de façon fiable et robuste des paramètres caractérisant cette voie de circulation 14 et la position du véhicule automobile 20 sur cette voie de circulation 14. Ces paramètres sont ici au nombre de quatre, à savoir :The invention seeks to determine in a reliable and robust manner parameters characterizing this lane 14 and the position of the motor vehicle 20 on this lane 14. These parameters are four in number here, namely:
- la largeur L1 de la voie de circulation 14 (figure 2A),- the width L1 of the taxiway 14 (FIG. 2A),
- l’écart latéral L2 entre le milieu du véhicule automobile 20 et l’un des bords de la voie de circulation 14, lequel bord est ici considéré comme étant confondu avec la ligne discontinue de marquage au sol 16 de droite (figure 2A),the lateral difference L2 between the middle of the motor vehicle 20 and one of the edges of the taxiway 14, which edge is here considered to be coincident with the discontinuous line of marking on the ground 16 on the right (FIG. 2A),
- le rayon de courbure Rc moyen de la voie de circulation 14, c’est-à-dire le rayon de courbure de la courbe moyenne 17 (celle passant au milieu de la voie de circulation 14) au niveau du centre du véhicule automobile 20 (figure 2B), etthe mean radius of curvature Rc of the taxiway 14, that is to say the radius of curvature of the average curve 17 (that passing through the middle of the taxiway 14) at the center of the motor vehicle 20 (Figure 2B), and
- l’angle d’attaque a du véhicule, formé entre l’axe longitudinal du véhicule automobile 20 et la tangente à la courbe moyenne 17 au niveau du centre du véhicule automobile 20 (figure 2B).- The angle of attack a of the vehicle, formed between the longitudinal axis of the motor vehicle 20 and the tangent to the average curve 17 at the center of the motor vehicle 20 (Figure 2B).
Les capteurs d’environnement que le véhicule automobile 20 embarque sont hétérogènes en ce sens qu’au moins deux d’entre eux réalisent des mesures de natures différentes. Ici, parmi ces capteurs d’environnement, on distingue au moins :The environmental sensors that the motor vehicle 20 carries are heterogeneous in the sense that at least two of them carry out measurements of different natures. Here, among these environmental sensors, there are at least:
- un capteur d’images,- an image sensor,
- un capteur de distances, et- a distance sensor, and
- un capteur virtuel.- a virtual sensor.
Chaque capteur est ici choisi de façon à ce que les données qu’il mesure permettent, à elles seules, d’estimer les valeurs des quatre paramètres L1, L2, a, Rc précités.Each sensor is chosen here so that the data it measures, alone, allow the values of the four parameters L1, L2, a, Rc mentioned above to be estimated.
Ici, comme le montre la figure 3, le véhicule automobile 20 embarque au moins deux caméras orientées vers l’avant, dont une caméra à grand angle 21 (c’est-à-dire à focale courte) et une caméra à focale plus longue 22. Ces caméras sont adaptées à acquérir des images de l’environnement à l’avant du véhicule.Here, as shown in FIG. 3, the motor vehicle 20 has at least two forward-facing cameras, including a wide-angle camera 21 (that is to say with a short focal length) and a camera with a longer focal length 22. These cameras are suitable for acquiring images of the environment at the front of the vehicle.
Il embarque également un capteur LIDAR 23 qui est adapté à mesurer des distances et à en déduire une forme de la géométrie de l’environnement à l’avant et/ou sur les côtés du véhicule. Ce capteur LIDAR 23 est notamment adapté à détecter les positions et formes des lignes de marquage au sol 12,16.It also has a LIDAR 23 sensor which is suitable for measuring distances and deducing a shape from the geometry of the environment at the front and / or on the sides of the vehicle. This LIDAR 23 sensor is particularly suitable for detecting the positions and shapes of the marking lines on the ground 12,16.
Le véhicule automobile 20 embarque également un capteur virtuel 24 (ou « capteur logiciel») qui est formé par un processeur adapté à déterminer, compte tenu d’informations fournies par d’autres capteurs (notamment par le capteur LIDAR 23), les positions des bords de la voie de circulation. Ici, ce capteur virtuel 24 se base pour cela sur la position des véhicules automobiles environnants, en partant du principe que chacun de ces véhicules roule sur une voie de circulation.The motor vehicle 20 also has a virtual sensor 24 (or “software sensor”) which is formed by a processor adapted to determine, taking into account information supplied by other sensors (in particular by the LIDAR sensor 23), the positions of the edges of the taxiway. Here, this virtual sensor 24 is based for this on the position of the surrounding motor vehicles, assuming that each of these vehicles is traveling on a traffic lane.
Dans le mode de réalisation ici décrit, on considérera que les quatre capteurs 21,22, 23, 24 sont « intelligents », c’est-à-dire qu’ils sont chacun équipés d’une unité de traitement informatique des données qu’ils perçoivent. On considérera ainsi que chacun des quatre capteurs 21, 22, 23, 24 est adapté à déterminer une première valeur L1,, L2,, ce,, Rc, (avec i allant respectivement de 1 àIn the embodiment described here, it will be considered that the four sensors 21, 22, 23, 24 are "intelligent", that is to say that they are each equipped with a computer data processing unit which they perceive. It will thus be considered that each of the four sensors 21, 22, 23, 24 is suitable for determining a first value L1 ,, L2 ,, ce ,, Rc, (with i going respectively from 1 to
4) pour chacun des paramètres L1, L2, a, Rc.4) for each of the parameters L1, L2, a, Rc.
Si les quatre capteurs fournissaient des données exactes, les premières valeurs L1,, L2,, ce,, Rc, issues de ces 4 capteurs seraient rigoureusement identiques. Toutefois, chaque capteur est susceptible de générer des erreurs.If the four sensors provided exact data, the first values L1 ,, L2 ,, ce ,, Rc, from these 4 sensors would be strictly identical. However, each sensor is likely to generate errors.
En combinant les premières valeurs L1j, L2,, oq, Rc, issues des quatre capteurs par «fusion de données», on cherche donc à obtenir des valeurs estimées L1e, L2e, ae, Rce pour les paramètres L1, L2, a, Rc qui soient les plus exactes possibles.By combining the first values L1j, L2 ,, oq, Rc, from the four sensors by “data fusion”, we therefore seek to obtain estimated values L1 e , L2 e , a e , Rc e for the parameters L1, L2 , a, Rc which are as exact as possible.
Pour illustrer les erreurs que les capteurs sont capables de fournir, on a représenté sur les figures 1A à 1D quatre illustrations des bords de voie 181, 182, 183, I84 tels qu’ils sont détectés, à un même instant t, par les quatre capteurs (par la caméra à focale longue 21 sur la figure 1 A, par la caméra à focale courte 22 sur la figure 1B, par le capteur LIDAR 23 sur la figure 1C, et par le capteur virtuel 24 sur la figure 1 D).To illustrate the errors that the sensors are capable of providing, FIGS. 1A to 1D show four illustrations of the edges of the track 181, 18 2 , 183, I84 as they are detected, at the same instant t, by the four sensors (by the long focal length camera 21 in FIG. 1 A, by the short focal length camera 22 in FIG. 1B, by the LIDAR sensor 23 in FIG. 1C, and by the virtual sensor 24 in FIG. 1 D) .
On y observe que les positions et formes des bords de voie 181, 182, 183, 184 respectivement détectés par les quatre capteurs diffèrent. Il s’ensuite que les premières valeurs L1,, L2,, oq, Rc, issues des quatre capteurs 21, 22, 23, 24 vont également différer.It can be seen that the positions and shapes of the track edges 181, 182, 183, 184 respectively detected by the four sensors differ. It follows that the first values L1 ,, L2 ,, oq, Rc, from the four sensors 21, 22, 23, 24 will also differ.
Le procédé permettant de fusionner ces premières valeurs va donc avoir pour objectif de distinguer les premières valeurs les plus fiables et de leur donner un poids plus important dans le calcul des valeurs estimées L1e, L2e, αθ, Rce.The method for merging these first values will therefore have the objective of distinguishing the first most reliable values and giving them greater weight in the calculation of the estimated values L1 e , L2 e , αθ, Rc e .
Ce procédé est mis en œuvre par l’un des calculateurs embarqués dans le véhicule.This process is implemented by one of the computers on board the vehicle.
Comme le montre la figure 3, ce calculateur 30 comprend classiquement des interfaces d’entrée, un processeur 31, une unité de mémorisation 32, et des interfaces de sortie.As shown in FIG. 3, this computer 30 conventionally comprises input interfaces, a processor 31, a storage unit 32, and output interfaces.
Les interfaces d’entrée permettent au calculateur 30 de recevoir les premières valeurs L1,, L2,, oq, Rc, des paramètres élaborées par les trois capteurs physiques 21,22, 23.The input interfaces allow the computer 30 to receive the first values L1 ,, L2 ,, oq, Rc, parameters developed by the three physical sensors 21,22, 23.
La mémoire 32, par exemple une mémoire non-volatile réinscriptible ou un disque dur, enregistre des programmes d’ordinateur comprenant des instructions dont l’exécution par le processeur 31 permet la mise en œuvre par le calculateur 30 du procédé décrit ci-après.The memory 32, for example a rewritable non-volatile memory or a hard disk, records computer programs comprising instructions whose execution by the processor 31 allows the implementation by the computer 30 of the method described below.
Les interfaces de sortie permettent au calculateur 30 de fournir les valeurs estimées L1e, L2e, «e, Rce des paramètres L1, L2, a, Rc à une unité de pilotage autonome 40 du véhicule automobile.The output interfaces allow the computer 30 to supply the estimated values L1 e , L2 e , "e, Rc e of the parameters L1, L2, a, Rc to an autonomous control unit 40 of the motor vehicle.
Comme cela apparait sur la figure 3, le capteur virtuel 24 est ici porté par le calculateur 30.As it appears in FIG. 3, the virtual sensor 24 is here carried by the computer 30.
Comme cela apparait sur la figure 3, le procédé de détermination des valeurs estimées L1e, L2e, cce, Rce des paramètres L1, L2, a, Rc comporte deux étapes principales, dont une étape S1 de fusion des données au moyen d’une opération combinatoire basée sur le modèle de Dempster-Shafer, et une étape S2 de filtrage des données issues de ce modèle.As shown in FIG. 3, the method for determining the estimated values L1 e , L2 e , cce, Rc e of the parameters L1, L2, a, Rc comprises two main steps, including a step S1 of merging the data by means of 'a combinatorial operation based on the Dempster-Shafer model, and a step S2 of filtering data from this model.
Pour bien expliquer la manière selon laquelle ces deux étapes fonctionnent, on peut décrire en détail un mode de réalisation de ce procédé de détermination.To fully explain the manner in which these two steps operate, one can describe in detail an embodiment of this determination method.
On notera tout d’abord que ce procédé de détermination sera mis en œuvre en boucle par le calculateur 30, à pas de temps réguliers.It will be noted first of all that this determination method will be implemented in a loop by the computer 30, at regular time steps.
Au cours d’une première étape, le calculateur 30 lit les premières valeurs L1 i, L2i, ce,, Rc, issues des quatre capteurs 21,22, 23, 24.During a first step, the computer 30 reads the first values L1 i, L2i, ce ,, Rc, from the four sensors 21,22, 23, 24.
On notera à ce stade que si l’un et/ou l’autre des capteurs n’est en mesure de détecter que l’un des bords de la voie de circulation 14 (par exemple parce que les marquages de l’autre bord sont effacés ou inexistants), on propose de reconstruire l’autre des bords, en fonction par exemple de la position de l’autre des bords et d’une estimation de la largeur de la voie de circulation 14. Cette estimation de la largeur de la voie de circulation 14 peut être obtenue de diverses manières, par exemple :It will be noted at this stage that if one and / or the other of the sensors is only able to detect one of the edges of the traffic lane 14 (for example because the markings on the other edge are erased or nonexistent), it is proposed to reconstruct the other of the edges, for example as a function of the position of the other of the edges and of an estimate of the width of the traffic lane 14. This estimate of the width of the taxiway 14 can be obtained in various ways, for example:
- en se basant sur la dernière mesure effectuée de la largeur de la voie de circulation, ou- based on the last measurement of the width of the taxiway, or
- en se basant sur la connaissance du type de route sur laquelle le véhicule roule (grâce par exemple à un dispositif de géolocalisation), puisqu’on sait par exemple que la largeur standard d’une voie de circulation est de 3,5 mètres sur autoroute et route nationale, et de 3 mètres sur route départementale et sur route communale, ou- based on knowledge of the type of road on which the vehicle is traveling (thanks for example to a geolocation device), since we know for example that the standard width of a traffic lane is 3.5 meters over motorway and national road, and 3 meters on departmental road and on municipal road, or
- en se basant sur toute autre information possible.- based on any other possible information.
Ainsi, chaque capteur 21, 22, 23, 24 est en mesure de fournir les premières valeurs L1,, L2,, ce,, Rc, des quatre paramètres.Thus, each sensor 21, 22, 23, 24 is able to supply the first values L1 ,, L2 ,, ce ,, Rc, of the four parameters.
Ces premières valeurs forment des variables continues alors que le modèle de Dempster-Shafer nécessite de travailler sur des variables discrètes.These first values form continuous variables whereas the Dempster-Shafer model requires working on discrete variables.
Le procédé selon l’invention propose alors une méthode de discrétisation des premières valeurs permettant ensuite au calculateur de travailler sur des intervalles.The method according to the invention then proposes a method for discretizing the first values then allowing the computer to work on intervals.
On utilise à cet effet, au cours d’une première étape E1, un système de modélisation des données utilisant une fonction d’activation Ψ en forme de cloche (voir figures 5A et 5B).For this purpose, in a first step E1, a data modeling system is used using an activation function Ψ in the shape of a bell (see FIGS. 5A and 5B).
Cette fonction d’activation Ψ permet de modéliser les erreurs susceptibles d’affecter les données issues de chaque capteur.This activation function Ψ allows you to model the errors likely to affect the data from each sensor.
Il est donc prévu une fonction d’activation Ψ distincte pour chaque capteur 21,22, 23, 24.A separate activation function donc is therefore provided for each sensor 21, 22, 23, 24.
Cette fonction d’activation Ψ varie entre 0 et 1, en fonction d’un écarttype σ. Elle présente nécessairement une forme de cloche, avec une valeur maximum lorsque l’écart-type σ est égal à 0 et une valeur nulle de chaque côté (pour une valeur l’écart-type σ négatif et pour une valeur d’écart-type σ positif).This activation function Ψ varies between 0 and 1, depending on a standard deviation σ. It necessarily has a bell shape, with a maximum value when the standard deviation σ is equal to 0 and a zero value on each side (for a negative standard deviation σ value and for a standard deviation value σ positive).
Cette fonction d’activation Ψ pourrait classiquement présenter une forme de gaussienne. Elle présentera toutefois ici, pour une meilleure modélisation des erreurs affectant les données issues des capteurs, une forme de dièdre (c’est-àdire une forme pyramidale).This activation function Ψ could conventionally present a form of Gaussian. However, it will present here, for better modeling of the errors affecting the data coming from the sensors, a dihedral shape (that is to say a pyramidal shape).
Cette fonction d’activation Ψ pourrait présenter deux côtés symétriques (voir figure 5A).This activation function Ψ could have two symmetrical sides (see Figure 5A).
Toutefois, ici, pour modéliser au mieux les erreurs affectant les données issues des capteurs, cette fonction d’activation Ψ pourra présenter une forme dissymétrique (voir figure 5B). Ainsi cette fonction permettra-t-elle par exemple de tenir compte de la position de chaque capteur sur le véhicule et donc du fait que les résultats des mesures que le capteur effectue sont meilleures d’un côté que de l’autre du véhicule.However, here, to best model the errors affecting the data from the sensors, this activation function Ψ may have an asymmetrical shape (see FIG. 5B). Thus, this function will allow for example to take into account the position of each sensor on the vehicle and therefore the fact that the results of the measurements that the sensor performs are better on one side than on the other of the vehicle.
Ainsi, plus l’incertitude associée au capteur sera grande d’un côté et/ou de l’autre du véhicule, plus le côté correspondant du dièdre sera allongé.Thus, the greater the uncertainty associated with the sensor on one side and / or the other of the vehicle, the longer the corresponding side of the dihedral.
La forme exacte de cette fonction d’activation Ψ sera choisie lors de la conception du véhicule, en fonction du capteur utilisé.The exact form of this activation function Ψ will be chosen when designing the vehicle, depending on the sensor used.
De manière préférentielle, les résultats obtenus grâce à ces fonctions d’activation Ψ pourront être pondérés par un coefficient d’affaiblissement compris entre 0 et 1, dont la valeur sera fonction du degré de croyance que l’on a dans chaque capteur. Ce coefficient pourra être obtenu de manière empirique, mais il pourrait également être obtenu par auto-apprentissage (communément appelé « machine-learning »).Preferably, the results obtained with these activation functions Ψ can be weighted by a weakening coefficient between 0 and 1, the value of which will depend on the degree of belief that one has in each sensor. This coefficient could be obtained empirically, but it could also be obtained by self-learning (commonly called "machine-learning").
A l’issue de cette étape E1, le calculateur 30 obtient une densité de probabilité pour chaque paramètre.At the end of this step E1, the computer 30 obtains a probability density for each parameter.
Au cours d’une seconde étape E2 (appartenant à l’étape S1 de fusion des données), le calculateur 30 va transformer cette densité de probabilité en un ensemble de masses (ou « degrés de croyance ») par intervalle.During a second step E2 (belonging to the step S1 of merging the data), the computer 30 will transform this probability density into a set of masses (or "degrees of belief") per interval.
Pour bien comprendre cette étape E2, on peut donner l’exemple suivant : au cours de cette étape E2, le calculateur 30 va pouvoir affecter au paramètre « largeur de voie L1 » une masse pour chaque intervalle de largeur de voie, il va pouvoir affecter au paramètre « écart latérale L2 » une masse pour chaque intervalle d’écart latéral,...To understand this step E2 well, we can give the following example: during this step E2, the computer 30 will be able to assign to the parameter "track width L1" a mass for each track width interval, it will be able to assign in the parameter "lateral deviation L2" a mass for each interval of lateral deviation, ...
Pour cela, le calculateur 30 utilise une transformation pignistique inverse. Une telle transformation est bien connue de l’homme du métier et ne sera donc pas ici décrite en détail.For this, the computer 30 uses an inverse pignistic transformation. Such a transformation is well known to those skilled in the art and will therefore not be described here in detail.
A l’issue de cette étape E2, le calculateur 30 obtient des ensembles de masses pour chaque paramètre et pour chaque capteur.At the end of this step E2, the computer 30 obtains sets of masses for each parameter and for each sensor.
On pourrait alors prévoir de combiner directement les quatre ensembles de masses issus de chaque paramètre pour en déduire une valeur estimée de ce paramètre. Toutefois, une telle opération nécessiterait de travailler sur les intersections de ces ensembles et elle requerrait donc beaucoup de ressources calculatoires et informatiques.We could then plan to directly combine the four sets of masses from each parameter to deduce an estimated value from this parameter. However, such an operation would require working on the intersections of these sets and it would therefore require a lot of computational and computer resources.
Pour réduire les temps de calcul, au cours d’une étape E3, le calculateur 30 va alors réduire le nombre de données à traiter en utilisant une fonction de similitude dite de commonalité (« commonality » en anglais).To reduce the calculation times, during a step E3, the computer 30 will then reduce the number of data to be processed by using a similarity function called commonality ("commonality" in English).
Le calculateur 30 va ainsi plus précisément appliquer cette fonction de similitude à chacun des seize ensembles de masses obtenus.The computer 30 will thus more precisely apply this similarity function to each of the sixteen sets of masses obtained.
La commonalité est une fonction en bijection avec la fonction de masse, qui permet un calcul simple dans l’étape de combinaison. Elle n’apporte pas d’informations supplémentaires mais elle est utilisée à des fins calculatoires.The commonality is a bijection function with the mass function, which allows a simple calculation in the combination step. It does not provide additional information but it is used for calculation purposes.
L’intérêt se traduit par une combinaison de produit de commonalités au lieu d’une convolution de fonctions de masses.The interest is expressed by a combination of product of commonalities instead of a convolution of mass functions.
Puis, selon la théorie de Dempster-Shafer, aux cours d’une étape E4 (appartenant à l’étape S1 de fusion des données), on utilise une combinaison conjonctive pour combiner les quatre quadruplets de résultats obtenus.Then, according to Dempster-Shafer theory, during a step E4 (belonging to the step S1 of data fusion), we use a conjunctive combination to combine the four quadruplets of results obtained.
Ce calcul peut par exemple être effectué en utilisant des produits de convolution.This calculation can for example be performed using convolution products.
Grâce à ces opérations, le calculateur 30 est en mesure de combiner et de normaliser les résultats des fonctions de similitude et il est en outre capable de déterminer un taux de conflit entre les différents capteurs. Ce taux de conflit pourra par exemple être ensuite exploité pour détecter une défaillance d’un capteur.Thanks to these operations, the computer 30 is able to combine and standardize the results of the similarity functions and it is also capable of determining a conflict rate between the different sensors. This conflict rate can for example then be used to detect a sensor failure.
Le résultat obtenu est ensuite transformé, grâce à une opération pignistique, en une distribution de probabilité.The result obtained is then transformed, thanks to a pignistic operation, into a probability distribution.
Ainsi, à l’issue de ces quatre étapes E1 à E4, la fusion des données permet d’obtenir quatre ensembles de distributions de probabilités discrétisés pour les quatre paramètres L1, L2, a, Rc.Thus, at the end of these four stages E1 to E4, the merging of the data makes it possible to obtain four sets of discretized probability distributions for the four parameters L1, L2, a, Rc.
Le calculateur 30 va alors, au cours de l’étape S2 (figure 3), appliquer à ces données une opération de détection de l’état du système au moyen d’un filtre utilisant la théorie des particules.The computer 30 will then, during step S2 (FIG. 3), apply to this data an operation for detecting the state of the system by means of a filter using particle theory.
Le calculateur 30 peut pour cela utiliser la méthode de Monte-Carlo qui vise à calculer une valeur numérique approchée en utilisant des procédés probabilistes.The calculator 30 can for this use the Monte-Carlo method which aims to calculate an approximate numerical value using probabilistic methods.
Dans ce modèle, chaque particule considérée correspond à un état possible du système, c’est-à-dire à un quadruplet comprenant une valeur pour chacun des quatre paramètres L1, L2, a, Rc.In this model, each particle considered corresponds to a possible state of the system, that is to say to a quadruplet comprising a value for each of the four parameters L1, L2, a, Rc.
On utilise un nombre de particules qui doit être élevé pour assurer la convergence du système vers une valeur fiable. Ce nombre ne doit toutefois pas être trop élevé pour ne pas nécessiter trop de ressources de calcul informatique. Il est ici supérieur à 100 et peut par exemple être choisi égal à 1000 particules.We use a number of particles which must be high to ensure the convergence of the system towards a reliable value. However, this number should not be too high in order not to require too many computing resources. It is here greater than 100 and can for example be chosen to be equal to 1000 particles.
Cette étape S2 comporte cinq opérations successives.This step S2 comprises five successive operations.
La première opération consiste à modifier l’état des particules en fonction de la vitesse longitudinale et de la vitesse angulaire de lacet du véhicule sur la route empruntée.The first operation consists in modifying the state of the particles as a function of the longitudinal speed and the yaw angular speed of the vehicle on the road taken.
L’évolution de la perception est calculée à partir d’un modèle de mouvement du véhicule, supposant que le véhicule se déplace sur une trajectoire circulaire à vitesse constante.The evolution of perception is calculated from a vehicle movement model, assuming that the vehicle is moving on a circular path at constant speed.
La seconde opération consiste à mettre à jour les poids associés à chaque particule en fonction d’un niveau de correspondance qui lie la particule considérée avec la sortie de la fusion (étape S1).The second operation consists in updating the weights associated with each particle according to a level of correspondence which links the particle considered with the exit from the fusion (step S1).
La troisième étape consiste à ré-échantillonner les particules en vue du prochain pas de temps au cours duquel l’ensemble du procédé sera répété. Le but est de garder une répartition équitable entre les poids des particules.The third step is to resample the particles for the next time step during which the whole process will be repeated. The goal is to keep a fair distribution between the weights of the particles.
Pour effectuer ce ré-échantillonnage, on tire au sort les particules en donnant aux particules qui ont un poids élevée une chance plus importante d’être sélectionnée, puis on les combine de façon à créer de nouvelles particules. On supprime par ailleurs les particules dont les poids sont les plus faibles. L’objectif étant d’avoir un nombre de particules constant d’un pas de temps à l’autre.To carry out this resampling, the particles are drawn by lot, giving the particles with a high weight a greater chance of being selected, and then they are combined so as to create new particles. The particles with the lowest weights are also removed. The goal is to have a constant number of particles from one time step to the next.
Au cours de la quatrième étape, on calcule une valeur moyenne de l’état des particules et un écart-type afin de contrôler qu’il y a bien eu convergence.In the fourth step, we calculate an average value of the state of the particles and a standard deviation in order to check that there has indeed been convergence.
On peut par exemple considérer qu’il y a convergence du système si l’écart-type est inférieur à un seuil prédéterminé.We can for example consider that there is convergence of the system if the standard deviation is less than a predetermined threshold.
La valeur moyenne est alors utilisée pour obtenir les valeurs estimées L1e, L2e, ae, Rce des quatre paramètres.The mean value is then used to obtain the estimated values L1 e , L2 e , a e , Rc e of the four parameters.
Enfin, les valeurs estimées L1e, L2e, ae, Rce des quatre paramètres sont transmises à l’unité de pilotage autonome 40 du véhicule automobile.Finally, the estimated values L1 e , L2 e , a e , Rc e of the four parameters are transmitted to the autonomous control unit 40 of the motor vehicle.
On constate alors que grâce à l’invention, le véhicule perçoit mieux les virages et commence à tourner dès l’entrée dans le virage sans retard, ce qui confère une meilleure tenue de route au véhicule automobile.It is then found that, thanks to the invention, the vehicle perceives the corners better and begins to turn as soon as it enters the corner without delay, which gives better handling to the motor vehicle.
La présente invention n’est nullement limitée au mode de réalisation décrit et représenté, mais l’homme du métier saura y apporter toute variante conforme à l’invention.The present invention is not limited to the embodiment described and shown, but the skilled person will be able to make any variant according to the invention.
Claims (13)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1750395A FR3061885B1 (en) | 2017-01-18 | 2017-01-18 | METHOD FOR DETERMINING A CHARACTERISTIC OF AN ENVIRONMENT OF A VEHICLE BY DATA FUSION |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1750395 | 2017-01-18 | ||
| FR1750395A FR3061885B1 (en) | 2017-01-18 | 2017-01-18 | METHOD FOR DETERMINING A CHARACTERISTIC OF AN ENVIRONMENT OF A VEHICLE BY DATA FUSION |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| FR3061885A1 true FR3061885A1 (en) | 2018-07-20 |
| FR3061885B1 FR3061885B1 (en) | 2019-05-31 |
Family
ID=58645196
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR1750395A Active FR3061885B1 (en) | 2017-01-18 | 2017-01-18 | METHOD FOR DETERMINING A CHARACTERISTIC OF AN ENVIRONMENT OF A VEHICLE BY DATA FUSION |
Country Status (1)
| Country | Link |
|---|---|
| FR (1) | FR3061885B1 (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112912767A (en) * | 2018-10-25 | 2021-06-04 | 标致雪铁龙汽车股份有限公司 | Method for determining the current value of an occupancy parameter associated with a portion of a space located in the vicinity of a land motor vehicle |
| FR3113317A1 (en) * | 2020-08-10 | 2022-02-11 | Valeo Systemes D'essuyage | Method for exploiting data from a selection of driving assistance sensors in a vehicle |
-
2017
- 2017-01-18 FR FR1750395A patent/FR3061885B1/en active Active
Non-Patent Citations (7)
| Title |
|---|
| "Network and Parallel Computing", vol. 2238, 1 January 2002, SPRINGER INTERNATIONAL PUBLISHING, Cham, ISBN: 978-3-642-17571-8, ISSN: 0302-9743, article CHRISTOPHER K. EVELAND: "Particle Filtering with Evidential Reasoning", pages: 305 - 316, XP055412182, 032548, DOI: 10.1007/3-540-45993-6_17 * |
| ALBERT S HUANG ET AL: "Finding multiple lanes in urban road networks with vision and lidar", AUTONOMOUS ROBOTS, KLUWER ACADEMIC PUBLISHERS, BO, vol. 26, no. 2-3, 24 March 2009 (2009-03-24), pages 103 - 122, XP019670021, ISSN: 1573-7527 * |
| APOSTOLOFF N ET AL: "Vision In and Out of vehicles: Integrated Driver and Road Scene Monitoring", INTERNATIONAL JOURNAL OF ROBOTICS RESEARCH, SAGE SCIENCE PRESS, THOUSAND OAKS, US, vol. 23, no. 5, 1 May 2004 (2004-05-01), pages 513 - 538, XP002515329, ISSN: 0278-3649, DOI: 10.1177/0278364904042206 * |
| BETHANY G FOLEY: "A Dempster-Shafer Method for Multi-Sensor Fusion THESIS AIR FORCE INSTITUTE OF TECHNOLOGY", AIR FORCE INSTITUTE OF TECHNOLOGY, 1 March 2012 (2012-03-01), XP055412212, Retrieved from the Internet <URL:http://www.dtic.mil/dtic/tr/fulltext/u2/a557749.pdf> [retrieved on 20171003] * |
| J.C. MCCALL ET AL: "Video-Based Lane Estimation and Tracking for Driver Assistance: Survey, System, and Evaluation", IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, vol. 7, no. 1, 1 March 2006 (2006-03-01), pages 20 - 37, XP055020721, ISSN: 1524-9050, DOI: 10.1109/TITS.2006.869595 * |
| PANAGIOTIS LYTRIVIS ET AL: "Sensor Data Fusion in Automotive Applications", SENSOR AND DATA FUSION, 1 January 2009 (2009-01-01), pages 123 - 138, XP055413565, Retrieved from the Internet <URL:http://alvarestech.com/temp/RoboAseaIRB6S2-Fiat/www.fit.hcmup.edu.vn/~hungnv/teaching/Robotics/Sensor_Data_Fusion.pdf> [retrieved on 20171009] * |
| XIAOXIANG LIU ET AL: "Multisensor joint tracking and identification using particle filter and Dempster-Shafer fusion", INFORMATION FUSION (FUSION), 2012 15TH INTERNATIONAL CONFERENCE ON, IEEE, 9 July 2012 (2012-07-09), pages 902 - 909, XP032228514, ISBN: 978-1-4673-0417-7 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112912767A (en) * | 2018-10-25 | 2021-06-04 | 标致雪铁龙汽车股份有限公司 | Method for determining the current value of an occupancy parameter associated with a portion of a space located in the vicinity of a land motor vehicle |
| CN112912767B (en) * | 2018-10-25 | 2024-05-17 | 标致雪铁龙汽车股份有限公司 | Method for determining the current value of an occupancy parameter associated with a portion of a space located in the vicinity of a land motor vehicle |
| FR3113317A1 (en) * | 2020-08-10 | 2022-02-11 | Valeo Systemes D'essuyage | Method for exploiting data from a selection of driving assistance sensors in a vehicle |
Also Published As
| Publication number | Publication date |
|---|---|
| FR3061885B1 (en) | 2019-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3137355B1 (en) | Device for designating objects to a navigation module of a vehicle equipped with said device | |
| EP3850397B1 (en) | Method of road detection for an automotive vehicle fitted with a lidar sensor | |
| EP3105752B1 (en) | Method for determining a speed limit in force on a road taken by a motor vehicle | |
| FR2902909A1 (en) | METHOD FOR DETERMINING THE RUNNING LIMITS OF A VEHICLE | |
| FR3088041A1 (en) | PROCESS FOR PREPARING A STEERING INSTRUCTION FOR A MOTOR VEHICLE | |
| FR3061885A1 (en) | METHOD FOR DETERMINING A CHARACTERISTIC OF AN ENVIRONMENT OF A VEHICLE BY DATA FUSION | |
| EP2043044B1 (en) | Method and device for automobile parking assistance | |
| FR3051423A1 (en) | METHOD FOR PROPOSING A RUNNING SPEED | |
| EP3472015B1 (en) | Method for determining a reference driving class | |
| EP3877228A1 (en) | Construction by segmentation of virtual lanes on a carriageway | |
| EP4178842A1 (en) | Method for controlling a motor vehicle equipped with autonomous driving means | |
| FR3078399A1 (en) | METHOD FOR SELECTING A RESTRICTED OR EMPTY ASSEMBLY OF POSSIBLE POSITIVE POSITIONS OF A VEHICLE | |
| WO2016146823A1 (en) | Method for estimating geometric parameters representing the shape of a road, system for estimating such parameters and motor vehicle equipped with such a system | |
| WO2022112672A1 (en) | Method and device for determining a virtual boundary line between two traffic lanes | |
| EP4308881A1 (en) | Method and device for determining the reliability of a low-definition map | |
| WO2023061915A1 (en) | Method for detecting a boundary of a traffic lane | |
| EP4111436A1 (en) | Optimisation of the negotiation of a signalling system by an ego vehicle | |
| FR3133043A1 (en) | Method and device for controlling selection of a target vehicle of an adaptive vehicle speed control system | |
| FR3062835A1 (en) | METHOD AND SYSTEM FOR DETERMINING A TRUST INDEX ASSOCIATED WITH A CHARACTERISTIC OF A CIRCULATION PATH | |
| EP4308880A1 (en) | Method and device for determining the reliability of a low-definition map | |
| WO2023001703A1 (en) | Device and method for detecting a vehicle exiting its lane | |
| FR3134215A1 (en) | Method and device for determining a type of ground marking line for a vehicle | |
| FR3113317A1 (en) | Method for exploiting data from a selection of driving assistance sensors in a vehicle | |
| EP3931741A1 (en) | Vehicle driving assistance by reliable determination of objects in deformed images | |
| FR3092914A1 (en) | Method for determining the trajectory of a vehicle comprising four steered wheels |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20180720 |
|
| PLFP | Fee payment |
Year of fee payment: 4 |
|
| PLFP | Fee payment |
Year of fee payment: 5 |
|
| PLFP | Fee payment |
Year of fee payment: 6 |
|
| PLFP | Fee payment |
Year of fee payment: 7 |
|
| PLFP | Fee payment |
Year of fee payment: 8 |