FR3079954A1 - PREDICTIVE AUTOMATIC LEARNING FOR PREDICTING A FUTURE SPEED OF A MOTOR VEHICLE MOVING ON A ROAD - Google Patents
PREDICTIVE AUTOMATIC LEARNING FOR PREDICTING A FUTURE SPEED OF A MOTOR VEHICLE MOVING ON A ROAD Download PDFInfo
- Publication number
- FR3079954A1 FR3079954A1 FR1853126A FR1853126A FR3079954A1 FR 3079954 A1 FR3079954 A1 FR 3079954A1 FR 1853126 A FR1853126 A FR 1853126A FR 1853126 A FR1853126 A FR 1853126A FR 3079954 A1 FR3079954 A1 FR 3079954A1
- Authority
- FR
- France
- Prior art keywords
- motor vehicle
- acquisition
- machine learning
- speed
- during
- 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
- 238000010801 machine learning Methods 0.000 claims abstract description 82
- 238000000034 method Methods 0.000 claims abstract description 43
- 230000006399 behavior Effects 0.000 claims abstract description 29
- 238000004590 computer program Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 40
- 238000004891 communication Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000012512 characterization method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000001052 transient effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000881 depressing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W40/09—Driving style or behaviour
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/105—Speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2540/00—Input parameters relating to occupants
- B60W2540/30—Driving style
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
Modèle d'apprentissage automatique entrainé (200), procédés (100, 300), appareils (400) et ensemble de programmes informatiques permettant de prédire une vitesse future d'un véhicule automobile en mouvement sur une route. Le principe général de l'invention est basé sur l'observation de corrélations entre la vitesse d'un véhicule automobile en mouvement sur une route avec le comportement dynamique passé du véhicule automobile. Cette observation a conduit l'inventeur à envisager l'utilisation de l'apprentissage automatique pour créer un modèle d'apprentissage automatique entrainé afin de prédire une vitesse future d'un véhicule automobile en mouvement sur une route à partir du comportement dynamique du véhicule automobile. Dans l'invention, le modèle d'apprentissage automatique entrainé est un modèle dit prédictif dans lequel on découvre des corrélations significatives dans un jeu d'observations passées et dans lequel on cherche à généraliser ces corrélations à des cas non encore observés. Trained machine learning model (200), methods (100, 300), devices (400) and set of computer programs for predicting a future speed of a moving motor vehicle on a road. The general principle of the invention is based on the observation of correlations between the speed of a motor vehicle in motion on a road with the past dynamic behavior of the motor vehicle. This observation led the inventor to consider the use of machine learning to create a model of machine learning trained in order to predict a future speed of a motor vehicle in motion on a road from the dynamic behavior of the motor vehicle. . In the invention, the trained machine learning model is a so-called predictive model in which we discover significant correlations in a set of past observations and in which we seek to generalize these correlations to cases not yet observed.
Description
La présente invention concerne le domaine de la prédiction de la vitesse future d’un véhicule automobile en mouvement sur une route. Plus précisément, elle concerne des modèles d’apprentissage automatique entraînés, des procédés, des appareils et un ensemble de programmes informatiques permettant de prédire une telle vitesse.The present invention relates to the field of predicting the future speed of a motor vehicle moving on a road. More specifically, it relates to trained machine learning models, methods, apparatus and a set of computer programs for predicting such speed.
La vitesse excessive ou inappropriée constitue le premier problème de sécurité routière dans de nombreux pays. En pratique, elle est à l’origine d'environ un tiers des accidents mortels. En outre, elle constitue un facteur aggravant dans tous les accidents.Excessive or inappropriate speed is the number one road safety problem in many countries. In practice, it is responsible for around a third of fatal accidents. In addition, it is an aggravating factor in all accidents.
Afin de résoudre ce problème de sécurité, des technologies d’assistance à la vitesse et des technologies de contrôle de la vitesse ont été développées.In order to resolve this safety issue, speed assist technologies and speed control technologies have been developed.
On connaît ainsi, des systèmes régulateurs de vitesse ou limiteurs de vitesse qui permettent à un conducteur d’un véhicule automobile de fixer une vitesse maximale à ne pas dépasser. C'est le cas, par exemple, dans des zones de conduite ou des situations de conduite particulières, telles que des zones à virage.There are thus known speed regulating systems or speed limiters which allow a driver of a motor vehicle to set a maximum speed not to be exceeded. This is the case, for example, in driving areas or special driving situations, such as cornering areas.
On connaît également des méthodes pour prédire une vitesse d’un véhicule automobile en fonction d'un historique de vitesse. Toutefois, on a constaté que la connaissance d’un historique de vitesse ne permet pas de connaître le comportement futur du véhicule automobile dû à la variabilité de son environnement. Les prédictions proposées par ces méthodes sont donc peu précises, car la connaissance du passé du véhicule automobile est insuffisante.Methods are also known for predicting a speed of a motor vehicle based on a speed history. However, it has been found that knowing a speed history does not make it possible to know the future behavior of the motor vehicle due to the variability of its environment. The predictions proposed by these methods are therefore imprecise, because knowledge of the past of the motor vehicle is insufficient.
On connaît aussi des méthodes pour prédire une vitesse d’un véhicule automobile en fonction d'un profil de conduite. Toutefois, ces méthodes présentent de nombreux inconvénients. Par exemple, la vitesse prédite n’est pas adaptée à un véhicule automobile spécifique, car la vitesse prédite est dérivée d’une distribution statistique de vitesse qui peut varier au cours du temps, de sorte que la vitesse prédite correspond à une généralisation ne prenant pas en compte le comportement singulier d’un véhicule automobile particulier. En outre, ces méthodes sont dépendantes du lieu où la distribution statistique de vitesse a été déterminée. Il n’est donc pas possible d’extrapoler la prédiction de vitesse sur des routes n’ayant pas été utilisées pour déterminer la distribution statistique de vitesse.Methods are also known for predicting a speed of a motor vehicle as a function of a driving profile. However, these methods have many drawbacks. For example, the predicted speed is not suitable for a specific motor vehicle, since the predicted speed is derived from a statistical distribution of speed which can vary over time, so that the predicted speed corresponds to a generalization taking no not take into account the singular behavior of a particular motor vehicle. In addition, these methods are dependent on the location where the statistical speed distribution was determined. It is therefore not possible to extrapolate the speed prediction on roads that have not been used to determine the statistical speed distribution.
La présente invention vise donc à résoudre les inconvénients précités en procurant, dans un premier aspect de l’invention un modèle d’apprentissage automatique entraîné pour prédire une vitesse future d’un véhicule automobile en mouvement sur une route.The present invention therefore aims to solve the aforementioned drawbacks by providing, in a first aspect of the invention, a machine learning model driven to predict a future speed of a motor vehicle in motion on a road.
Dans un deuxième aspect de l’invention il est proposé un procédé de prédiction d’une vitesse future d’un véhicule automobile en mouvement sur une route à partir du modèle d’apprentissage automatique entraîné du premier aspect de l’invention.In a second aspect of the invention there is provided a method of predicting a future speed of a motor vehicle in motion on a road from the machine learning model driven from the first aspect of the invention.
Dans un troisième aspect de l’invention il est proposé un ordinateur avec un code de programme pour exécuter les étapes de procédé du deuxième aspect de l’invention.In a third aspect of the invention there is provided a computer with program code for performing the process steps of the second aspect of the invention.
Dans un quatrième aspect de l’invention il est proposé un support de stockage non transitoire sur lequel un programme d'ordinateur selon le troisième aspect de l’invention est stocké.In a fourth aspect of the invention there is provided a non-transient storage medium on which a computer program according to the third aspect of the invention is stored.
Enfin, dans un cinquième aspect de l’invention il est proposé un appareil pour prédire une vitesse future d’un véhicule automobile en mouvement sur une route.Finally, in a fifth aspect of the invention there is provided an apparatus for predicting a future speed of a motor vehicle in motion on a road.
Ainsi, l’invention se rapporte à un modèle d’apprentissage automatique entraîné pour prédire une vitesse future d’un véhicule automobile en mouvement sur une route, le modèle d’apprentissage automatique entraîné étant obtenu selon les étapes suivantes :Thus, the invention relates to a driven machine learning model for predicting a future speed of a motor vehicle moving on a road, the driven machine learning model being obtained according to the following steps:
• une étape d’acquisition durant laquelle, à chacun des instants d’acquisition d'une pluralité d'instants d’acquisition successifs, pour chacun parmi une pluralité de véhicules automobiles d’entraînement en mouvement, la vitesse du véhicule automobile d’entraînement sur une route et des caractéristiques relatives au comportement dynamique dudit véhicule automobile d’entraînement sur ladite route sont acquises, • une étape de calcul des premières grandeurs durant laquelle, à chaque instant d’acquisition, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, de premières grandeurs mathématiques sont calculées à partir d’une pluralité de données relatives au comportement dynamique du véhicule automobile d’entraînement, acquises à des instants d’acquisition compris dans une période de temps prédéterminée précédant l’instant d’acquisition courant, • une étape de calcul des secondes grandeurs durant laquelle, à chaque instant d’acquisition, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, des secondes grandeurs mathématiques sont calculées à partir d’une pluralité de vitesses du véhicule automobile d’entraînement, acquises à des instants d’acquisition compris dans la période de temps prédéterminée précédant l’instant d’acquisition courant, • une étape de création de vecteur caractéristique durant laquelle, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, on créé un vecteur caractéristique à partir des caractéristiques relatives au comportement dynamique du véhicule automobile d’entraînement, des premières grandeurs mathématiques et des secondes grandeurs mathématiques, • une étape d’association durant laquelle, à chaque instant d’acquisition, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, on associe le vecteur caractéristique avec la vitesse du véhicule, de sorte à obtenir des premières variables de modèle d’apprentissage automatique, et • une étape d’entraînement du modèle durant laquelle on entraîne un modèle d’apprentissage automatique pour prédire sur un horizon temporel futur inférieur ou égal à la période de temps prédéterminée, une vitesse future d’un véhicule automobile en mouvement sur une route, à partir d’un algorithme d’apprentissage automatique et des premières variables de modèle d’apprentissage automatique.• an acquisition step during which, at each of the acquisition instants of a plurality of successive acquisition instants, for each of a plurality of moving drive motor vehicles, the speed of the drive motor vehicle on a road and characteristics relating to the dynamic behavior of said driving motor vehicle on said road are acquired, • a step of calculating the first quantities during which, at each acquisition instant, for each of the plurality of motor vehicles training, first mathematical quantities are calculated from a plurality of data relating to the dynamic behavior of the driving motor vehicle, acquired at acquisition instants comprised in a predetermined period of time preceding the current acquisition instant, • a step of calculating the second quantities during which, at each acquisition instant, for each of the plurality of drive motor vehicles, second mathematical quantities are calculated from a plurality of speeds of the drive motor vehicle, acquired at acquisition instants included in the predetermined period of time preceding the current acquisition instant, • a characteristic vector creation step during which, for each of the plurality of drive motor vehicles, a characteristic vector is created from the characteristics relating to the dynamic behavior of the training motor vehicle, first mathematical quantities and second mathematical quantities, • an association step during which, at each acquisition instant, for each of the plurality of training motor vehicles, the characteristic vector is associated with vehicle speed, so as to obtain first variables of the machine learning model, and • a step of training the model during which a machine learning model is trained to predict over a future time horizon less than or equal to the predetermined period of time, a future speed of a motor vehicle moving on a road, based on a machine learning algorithm and the first machine learning model variables.
Selon un mode de réalisation, le modèle d’apprentissage automatique entraîné est en outre obtenu selon les étapes suivantes :According to one embodiment, the trained automatic learning model is also obtained according to the following steps:
• une étape d’acquisition de données géographiques durant laquelle, à chaque instant d’acquisition, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, des données géographiques relatives à des éléments d'infrastructure de la route sont acquises, • une étape de calcul des distances durant laquelle, à chaque instant d’acquisition, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, des distances entre une position courante du véhicule automobile d’entraînement sur la route et la position d’un ou de plusieurs éléments d'infrastructure de la route sont calculées à partir des données géographiques relatives aux éléments d'infrastructure de la route, • une étape de combinaison durant laquelle, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, les distances calculées sont ajoutées au vecteur caractéristique.• a step of acquiring geographic data during which, at each acquisition instant, for each of the plurality of drive motor vehicles, geographic data relating to elements of road infrastructure are acquired, • a step calculating the distances during which, at each acquisition instant, for each of the plurality of drive motor vehicles, distances between a current position of the drive motor vehicle on the road and the position of one or more road infrastructure elements are calculated from geographic data relating to road infrastructure elements, • a combination step during which, for each of the plurality of drive motor vehicles, the calculated distances are added to the characteristic vector.
Selon un mode de réalisation les secondes grandeurs mathématiques comprennent une ou plusieurs gradients de vitesse et/ou moyennes glissantes de vitesse, calculés sur tout ou partie de la période de temps prédéterminée.According to one embodiment, the second mathematical quantities comprise one or more speed gradients and / or sliding speed averages, calculated over all or part of the predetermined period of time.
Dans une variante l’algorithme d’apprentissage automatique est basé sur la méthode des forêts d'arbres décisionnels.In a variant, the machine learning algorithm is based on the decision tree forest method.
L’invention couvre également un procédé de prédiction d’une vitesse future d’un véhicule automobile en mouvement, le véhicule automobile comprenant un bus de communication de données, couplé à une pluralité de capteurs de l’état dynamique de fonctionnement du véhicule automobile, le procédé comprenant les étapes suivantes :The invention also covers a method of predicting a future speed of a moving motor vehicle, the motor vehicle comprising a data communication bus, coupled to a plurality of sensors of the dynamic operating state of the motor vehicle, the process comprising the following steps:
• une étape d’acquisition de vitesse durant laquelle, à chacun des instants d’acquisition d'une pluralité d'instants d’acquisition successifs, la vitesse courante du véhicule automobile est acquise à partir du bus de communication de données, • une étape de caractérisation dynamique durant laquelle, à un instant d’acquisition courant, des caractéristiques relatives au comportement dynamique du véhicule automobile sont acquises à partir du bus de communication de données, • une étape de calcul des premières grandeurs durant laquelle, à l’instant d’acquisition courant, des premières grandeurs mathématiques sont calculées à partir d’une pluralité de données relatives au comportement dynamique du véhicule automobile, acquises à des instants d’acquisition compris dans une période de temps prédéterminée précédant l’instant d’acquisition courant, • une étape de calcul des secondes grandeurs durant laquelle, à l’instant d’acquisition courant, des secondes grandeurs mathématiques sont calculées à partir d’une pluralité de vitesses du véhicule automobile acquises à des instants d’acquisition compris dans la période de temps prédéterminée précédant l’instant d’acquisition courant, • une étape d’établissement d’un vecteur caractéristique durant laquelle un vecteur caractéristique courant est créé à partir des caractéristiques relatives au comportement dynamique du véhicule automobile, des premières grandeurs mathématiques et des secondes grandeurs mathématiques, • une étape de prévision de vitesse durant laquelle une vitesse future du véhicule automobile sur un horizon temporel futur inférieur ou égal à la période de temps prédéterminée, à partir du vecteur caractéristique courant et d’un modèle d’apprentissage automatique entraîné tel que décrit précédemment.• a speed acquisition step during which, at each instant of acquisition of a plurality of successive acquisition instants, the current speed of the motor vehicle is acquired from the data communication bus, • a step dynamic characterization during which, at a current acquisition instant, characteristics relating to the dynamic behavior of the motor vehicle are acquired from the data communication bus, • a step of calculating the first quantities during which, at the instant d current acquisition, first mathematical quantities are calculated from a plurality of data relating to the dynamic behavior of the motor vehicle, acquired at acquisition instants comprised in a predetermined period of time preceding the current acquisition instant, a step of calculating the second quantities during which, at the moment of acquisition current ion, second mathematical quantities are calculated from a plurality of speeds of the motor vehicle acquired at acquisition instants included in the predetermined period of time preceding the instant of current acquisition, • a step of establishing d 'a characteristic vector during which a current characteristic vector is created from the characteristics relating to the dynamic behavior of the motor vehicle, first mathematical quantities and second mathematical quantities, • a speed forecasting step during which a future speed of the motor vehicle on a future time horizon less than or equal to the predetermined period of time, from the current characteristic vector and from a trained machine learning model as described above.
Avantageusement, le procédé de prédiction décrit ci-dessus comprend en outre les étapes suivantes :Advantageously, the prediction method described above further comprises the following steps:
• acquérir à l’instant d’acquisition courant, des données géographiques relatives à des éléments d'infrastructure de la route, • calculer à l’instant d’acquisition courant, des distances entre une position courante du véhicule automobile et la position d’un ou de plusieurs éléments d'infrastructure de la route, à partir des données géographiques relatives aux éléments d'infrastructure de la route, • ajouter les distances calculées au vecteur caractéristique courant.• acquire, at the current acquisition time, geographic data relating to road infrastructure elements, • calculate at the current acquisition time, distances between a current position of the motor vehicle and the position of one or more road infrastructure elements, from the geographic data relating to the road infrastructure elements, • add the calculated distances to the current characteristic vector.
Selon une variante, le procédé de prédiction comprend en outre les étapes suivantes :According to a variant, the prediction method further comprises the following steps:
• une étape d’association durant laquelle, à l’instant d’acquisition courant, le vecteur caractéristique courant est associé avec la vitesse courante du véhicule automobile, de sorte à obtenir des secondes variables de modèle d’apprentissage automatique, et • une étape d’entraînement durant laquelle le modèle d’apprentissage automatique entraîné décrit ci-dessus est entraîné à partir d’un algorithme d’apprentissage automatique et des secondes variables de modèle d’apprentissage automatique.• an association step during which, at the current acquisition time, the current characteristic vector is associated with the current speed of the motor vehicle, so as to obtain second machine learning model variables, and • a step training in which the trained machine learning model described above is trained from a machine learning algorithm and second machine learning model variables.
L’invention se rapporte également à un programme d'ordinateur avec un code de programme pour exécuter les étapes de procédé d'un procédé de prédiction décrit plus haut lorsque le programme d'ordinateur est chargé dans l'ordinateur ou exécuté dans l'ordinateur.The invention also relates to a computer program with program code for executing the method steps of a prediction method described above when the computer program is loaded into the computer or executed in the computer. .
L’invention couvre en outre un support de stockage non transitoire sur lequel un programme d'ordinateur décrit ci-dessus est stocké.The invention further covers a non-transient storage medium on which a computer program described above is stored.
Enfin, l’invention couvre un appareil pour prédire une vitesse future d’un véhicule automobile en mouvement, le véhicule automobile comprenant un bus de communication de données, couplé à une pluralité de capteurs de l’état dynamique de fonctionnement du véhicule automobile, l’appareil comprenant :Finally, the invention covers an apparatus for predicting a future speed of a moving motor vehicle, the motor vehicle comprising a data communication bus, coupled to a plurality of sensors of the dynamic operating state of the motor vehicle, l device comprising:
• un dispositif de géolocalisation pour estimer une position géographique du véhicule automobile, • une mémoire pour stocker la vitesse du véhicule automobile et des caractéristiques relatives au comportement dynamique du véhicule, • une unité de commande électronique couplée au dispositif de géolocalisation et à la mémoire, l’unité de commande électronique étant configurée pour exécuter des instructions pour mettre en oeuvre un procédé de prédiction de vitesse décrit ci-dessus.• a geolocation device for estimating a geographical position of the motor vehicle, • a memory for storing the speed of the motor vehicle and characteristics relating to the dynamic behavior of the vehicle, • an electronic control unit coupled to the geolocation device and to the memory, the electronic control unit being configured to execute instructions for implementing a speed prediction method described above.
D’autres caractéristiques et avantages de l'invention seront mieux compris à la lecture de la description qui va suivre et en référence aux dessins annexés, donnés à titre illustratif et nullement limitatif.Other characteristics and advantages of the invention will be better understood on reading the description which follows and with reference to the appended drawings, given by way of illustration and in no way limiting.
- La figure 1 représente le principe général de l’entrainement d’un modèle d’apprentissage automatique, selon l’invention.- Figure 1 shows the general principle of the training of a machine learning model, according to the invention.
- La figure 2 représente un procédé d’obtention d’un modèle d’apprentissage automatique entraîné, selon l’invention.- Figure 2 shows a method for obtaining a driven machine learning model according to the invention.
- La figure 3 représente un procédé d’utilisation du modèle d’apprentissage automatique entraîné conformément à la figure 2.- Figure 3 shows a method of using the machine learning model driven according to Figure 2.
- La figure 4 représente un appareil pour prédire une vitesse future d’un véhicule automobile en mouvement, selon une première mise en oeuvre de l’invention.- Figure 4 shows an apparatus for predicting a future speed of a moving motor vehicle, according to a first implementation of the invention.
- La figure 5 représente un appareil pour prédire une vitesse future d’un véhicule automobile en mouvement, selon une deuxième mise en oeuvre de l’invention.- Figure 5 shows an apparatus for predicting a future speed of a moving motor vehicle, according to a second implementation of the invention.
Pour des raisons de clarté, les éléments représentés ne sont pas à l’échelle les uns par rapport aux autres, sauf mention contraire.For reasons of clarity, the elements shown are not to scale with respect to each other, unless otherwise stated.
Le principe général de l’invention est basé sur l’observation de corrélations entre la vitesse d’un véhicule automobile en mouvement sur une route avec le comportement dynamique passé du véhicule automobile.The general principle of the invention is based on the observation of correlations between the speed of a motor vehicle moving on a road with the past dynamic behavior of the motor vehicle.
Cette observation a conduit l’inventeur à envisager l’utilisation de l’apprentissage automatique (« machine learning >>, en langue anglaise) pour créer un modèle d’apprentissage automatique.This observation led the inventor to consider the use of machine learning to create a machine learning model.
Dans l’invention, le modèle d’apprentissage automatique entraîné est un modèle dit prédictif dans lequel on découvre des corrélations significatives dans un jeu d’observations passées et dans lequel on cherche à généraliser ces corrélations à des cas non encore observés. À ce titre, le modèle d’apprentissage automatique entraîné selon l’invention se distingue des modèles dits explicatifs dans lesquels on cherche à comprendre le mécanisme causal qui sous-tend le phénomène à prédire.In the invention, the trained machine learning model is a so-called predictive model in which we discover significant correlations in a set of past observations and in which we seek to generalize these correlations to cases not yet observed. As such, the machine learning model driven according to the invention differs from so-called explanatory models in which one seeks to understand the causal mechanism underlying the phenomenon to be predicted.
En outre, le modèle d’apprentissage automatique entraîné selon l’invention est obtenu selon une démarche d’apprentissage dite supervisée dans laquelle les observations passées sont labélisées. En pratique, des observations sont dites « labélisées >> lorsque chacune d’entre elles est accompagnée d’un label qui identifie le phénomène à prédire.In addition, the machine learning model driven according to the invention is obtained according to a so-called supervised learning approach in which past observations are labeled. In practice, observations are said to be "labeled" when each of them is accompanied by a label that identifies the phenomenon to be predicted.
Dans ce cadre, le modèle d’apprentissage automatique entraîné se comporte alors comme un filtre dont les paramètres de transfert sont ajustés à partir de couples entrée/sortie présentés et où l’entrée correspond aux données relatives au comportement dynamique du véhicule automobile et la sortie correspond à la vitesse du véhicule automobile.In this context, the driven machine learning model then behaves like a filter whose transfer parameters are adjusted from input / output couples presented and where the input corresponds to the data relating to the dynamic behavior of the motor vehicle and the output corresponds to the speed of the motor vehicle.
Dans un souci de précision, on notera que la notion de paramètres de transfert d’un filtre, telle qu’utilisée ci-dessus pour illustrer les effets du comportement dynamique du véhicule automobile sur la vitesse future du véhicule automobile, constitue ce que l’on appelle la rétroaction (« feedback >>, en langue anglaise) qui est obtenue dans le cadre de l’optimisation d’un algorithme d’apprentissage supervisé. Dans une telle optimisation, on calcule le gradient de la fonction de coût choisie selon chaque entrée du système en fonction des entrées/sorties présentées dans le but d’ajuster les paramètres de transfert.For the sake of precision, it will be noted that the concept of transfer parameters of a filter, as used above to illustrate the effects of the dynamic behavior of the motor vehicle on the future speed of the motor vehicle, constitutes what the We call feedback, which is obtained in the context of the optimization of a supervised learning algorithm. In such an optimization, the gradient of the cost function chosen according to each input of the system is calculated as a function of the inputs / outputs presented in order to adjust the transfer parameters.
La figure 1 illustre le principe général de l’entrainement d’un modèle d’apprentissage automatique. Dans la figure 1, des données brutes Di sont utilisées par un procédé 100 pour obtenir un modèle d’apprentissage automatique entraîné 200.Figure 1 illustrates the general principle of training a machine learning model. In FIG. 1, raw data Di are used by a method 100 to obtain a driven machine learning model 200.
La figure 2 illustre le procédé 100 d’obtention du modèle d’apprentissage automatique entraîné 200, selon de l’invention.FIG. 2 illustrates the method 100 for obtaining the driven machine learning model 200, according to the invention.
Le procédé 100 nécessite une pluralité (non représentée) de véhicules automobiles d’entrainement, en mouvement sur une pluralité de routes. En outre, chaque véhicule automobile d’entrainement comprend un bus de communication de données, par exemple, de type CAN (« Controller Area Network », en langue anglaise) ou FlexRay. Le bus de communication de chaque véhicule automobile d’entrainement est couplé à une pluralité de capteurs de l’état dynamique de fonctionnement du véhicule automobile d’entrainement. Dans un exemple, les capteurs de l’état dynamique de fonctionnement du véhicule automobile d’entrainement peuvent être choisis parmi les capteurs suivants : capteur de vitesse, capteur de position de pédale, capteur d'accélération/de décélération, capteur d'angle volant/de braquage, indicateur de clignotant, capteur de pluie, capteur de luminosité, détecteur d’obstacle, capteur de pression de pneus, caméra stéréo et radars/sonars...The method 100 requires a plurality (not shown) of training motor vehicles, moving on a plurality of roads. In addition, each training motor vehicle includes a data communication bus, for example, of CAN (Controller Area Network) or FlexRay type. The communication bus of each training motor vehicle is coupled to a plurality of sensors of the dynamic operating state of the training motor vehicle. In one example, the sensors of the dynamic operating state of the training motor vehicle can be chosen from the following sensors: speed sensor, pedal position sensor, acceleration / deceleration sensor, steering wheel angle sensor / steering, indicator, rain sensor, light sensor, obstacle detector, tire pressure sensor, stereo camera and radars / sonars ...
Dans l’exemple de la figure 2, le procédé 100 consiste tout d’abord en une étape d’acquisition 110, à chacun des instants d’acquisition d'une pluralité d'instants d’acquisition successifs, pour chacun parmi la pluralité de véhicules automobiles d’entraînement en mouvement, de la vitesse du véhicule automobile d’entrainement sur une route et des caractéristiques relatives au comportement dynamique du véhicule automobile d’entrainement sur la route. Dans un exemple de l’étape d’acquisition 110, les instants d’acquisition successifs sont espacés les uns des autres d'une durée T, par exemple 500 ms ou 1 s. Dans un autre exemple, les instants d’acquisition successifs sont espacés les uns des autres d'une durée aléatoire. En effet, dans cet exemple, on considère que les différents capteurs du véhicule automobile d’entrainement émettent des messages sur le bus de communication de données à une fréquence répondant à leurs besoins. Dans ce cas, le procédé 100 comprend une étape consistant à écouter les messages émis sur le bus de communication de données. Dans l’étape de cet exemple, il peut être nécessaire de réaliser un traitement postérieur des données recueillies du bus de communication de données afin de rectifier la distribution temporelle des messages observés, et ce, afin que la distribution temporelle des messages observés soit régulièrement espacée dans le temps, par exemple 500 ms ou 1 s. Par exemple, on pourra réaliser des interpolations ou calculer des moyennes adéquates pour obtenir une valeur représentative des messages observés dans l’intervalle de temps souhaité.In the example of FIG. 2, the method 100 consists first of all of an acquisition step 110, at each of the acquisition instants of a plurality of successive acquisition instants, for each of the plurality of motor vehicles for movement, the speed of the motor vehicle for training on a road and characteristics relating to the dynamic behavior of the motor vehicle for training on the road. In an example of the acquisition step 110, the successive acquisition instants are spaced from one another by a duration T, for example 500 ms or 1 s. In another example, the successive acquisition instants are spaced from each other by a random duration. Indeed, in this example, it is considered that the various sensors of the training motor vehicle transmit messages on the data communication bus at a frequency that meets their needs. In this case, the method 100 comprises a step consisting in listening to the messages transmitted on the data communication bus. In the step of this example, it may be necessary to perform a subsequent processing of the data collected from the data communication bus in order to correct the temporal distribution of the messages observed, and this, so that the temporal distribution of the messages observed is regularly spaced. over time, for example 500 ms or 1 s. For example, we can perform interpolations or calculate adequate averages to obtain a value representative of the messages observed in the desired time interval.
Ensuite, on calcule lors d’une étape de calcul des premières grandeurs 120, à chaque instant d’acquisition, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, des premières grandeurs mathématiques à partir d’une pluralité de données relatives au comportement dynamique du véhicule automobile d’entrainement, acquises à des instants d’acquisition compris dans une période de temps prédéterminée TA précédant l’instant d’acquisition courant.Then, during a step of calculating the first quantities 120, at each instant of acquisition, for each of the plurality of driving motor vehicles, is calculated first mathematical quantities from a plurality of data relating to the behavior dynamics of the training motor vehicle, acquired at acquisition instants comprised in a predetermined period of time TA preceding the current acquisition instant.
Dans un exemple de l’étape de calcul des premières grandeurs 120, les premières grandeurs mathématiques comprennent, le nombre de changements de vitesse, le nombre d’appuis sur la pédale de frein, la durée d’appui sur la pédale de frein, le nombre d’appuis sur la pédale d’accélération, la durée d’appui sur la pédale d’accélération, la durée de maintien du clignotant et/ou la moyenne de luminosité reçue.In an example of the step of calculating the first quantities 120, the first mathematical quantities include, the number of speed changes, the number of depressions on the brake pedal, the duration of depressing on the brake pedal, the number of presses on the accelerator pedal, the duration of press on the accelerator pedal, the duration of the flashing hold and / or the average brightness received.
Dans un autre exemple de l’étape de calcul des premières grandeurs 120, la période de temps prédéterminée TA est choisie par les valeurs suivantes : 5 s, 10 s, 15 s, 30 s ou 60 s.In another example of the step of calculating the first quantities 120, the predetermined period of time TA is chosen by the following values: 5 s, 10 s, 15 s, 30 s or 60 s.
Par ailleurs, on calcule lors d’une étape de calcul des secondes grandeurs 130, à chaque instant d’acquisition, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, des secondes grandeurs mathématiques à partir d’une pluralité de vitesses du véhicule automobile d’entrainement, acquises à des instants d’acquisition, compris dans la période de temps prédéterminée TA précédant l’instant d’acquisition courant.Furthermore, during a step of calculating second quantities 130, at each instant of acquisition, for each of the plurality of drive motor vehicles, second mathematical quantities are calculated from a plurality of vehicle speeds. training automobile, acquired at acquisition instants, included in the predetermined time period TA preceding the current acquisition instant.
Dans un exemple de l’étape de calcul des secondes grandeurs 130, les secondes grandeurs mathématiques comprennent, un ou plusieurs gradients de vitesse et/ou une ou plusieurs moyennes glissantes de vitesse.In an example of the step of calculating the second quantities 130, the second mathematical quantities include, one or more speed gradients and / or one or more sliding speed averages.
Par la suite, on crée lors d’une étape de création de vecteur caractéristique 140, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, un vecteur caractéristique à partir des caractéristiques relatives au comportement dynamique du véhicule automobile d’entrainement, des premières grandeurs mathématiques et des secondes grandeurs mathématiques.Thereafter, during a characteristic vector creation step 140, for each of the plurality of drive motor vehicles, a characteristic vector is created from the characteristics relating to the dynamic behavior of the drive motor vehicle, first mathematical quantities and second mathematical quantities.
Puis, on associe lors d’une étape d’association 150, à chaque instant d’acquisition, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, le vecteur caractéristique avec la vitesse du véhicule automobile d’entraînement, de sorte à obtenir des premières variables de modèle d’apprentissage automatique.Then, during an association step 150, at each instant of acquisition, for each of the plurality of drive motor vehicles, the characteristic vector is associated with the speed of the drive motor vehicle, so as to obtain of the first machine learning model variables.
Enfin, lors d’une étape d’entraînement du modèle 160, on entraîne un modèle d’apprentissage automatique pour prédire sur un horizon temporel futur prédéterminé, une vitesse future d’un véhicule automobile en mouvement sur une route, à partir d’un algorithme d’apprentissage automatique et des premières variables de modèle d’apprentissage automatique. Dans une mise en oeuvre particulière, l’horizon temporel futur prédéterminé est inférieur ou égal à la période de temps prédéterminée TA.Finally, during a step of training the model 160, a machine learning model is trained to predict over a predetermined future time horizon, a future speed of a motor vehicle in motion on a road, from a machine learning algorithm and the first machine learning model variables. In a particular implementation, the predetermined future time horizon is less than or equal to the predetermined time period TA.
Dans l’étape d’entraînement du modèle 160, on réalise l’apprentissage du modèle d’apprentissage automatique en fournissant au modèle d’apprentissage automatique un jeu de données d’apprentissage (« training set », en langue anglaise) sous forme de couples (X, Y), dans lesquels X correspond à un ensemble de variables prédictives (« input features », en langue anglaise) et Y correspond à une variable à prédire (« output feature », en langue anglaise). Dans l’invention, le jeu de données d’apprentissage est déterminé à partir des premières variables de modèle d’apprentissage automatique. En pratique, un couple (X, Y) est défini de telle sorte que la variable prédictive X comprend le vecteur caractéristique des premières variables de modèle d’apprentissage automatique et la variable prédite Y comprend la vitesse du véhicule automobile d’entraînement des premières variables de modèle d’apprentissage automatique qui sont associées à l’horizon temporel futur prédéterminé.In the training step of the model 160, the machine learning model is learned by providing the machine learning model with a training data set (in English) couples (X, Y), in which X corresponds to a set of predictive variables (“input features”, in English) and Y corresponds to a variable to predict (“output feature”, in English). In the invention, the training data set is determined from the first machine learning model variables. In practice, a torque (X, Y) is defined such that the predictive variable X comprises the characteristic vector of the first variables of the machine learning model and the predicted variable Y comprises the speed of the motor vehicle driving the first variables of machine learning models that are associated with the predetermined future time horizon.
Pour illustrer l’étape d’entraînement du modèle 160, prenons un exemple dans lequel on considère que l’horizon temporel futur prédéterminé est fixé à 10 s. Dans ce cas, pour chaque couple (X, Y), si la variable prédictive X comprend le vecteur caractéristique des premières variables de modèle d’apprentissage automatique associées à instant d’acquisition t, alors la variable prédite Y comprendra la vitesse du véhicule automobile d’entraînement des premières variables de modèle d’apprentissage automatique qui sont associées à l’instant d’acquisition t + 10 s. Prenons un autre exemple dans lequel on considère que l’horizon temporel futur prédéterminé est fixé à 25 s. Dans ce cas, pour chaque couple (X, Y), si la variable prédictive X comprend le vecteur caractéristique des premières variables de modèle d’apprentissage automatique associées à instant d’acquisition t, alors la variable prédite Y comprendra la vitesse du véhicule automobile d’entraînement des premières variables de modèle d’apprentissage automatique qui sont associées à l’instant d’acquisition t + 25 s.To illustrate the training stage of the model 160, let's take an example in which we consider that the predetermined future time horizon is fixed at 10 s. In this case, for each pair (X, Y), if the predictive variable X includes the characteristic vector of the first machine learning model variables associated with acquisition time t, then the predicted variable Y will include the speed of the motor vehicle training of the first variables of the machine learning model which are associated with the acquisition time t + 10 s. Let us take another example in which we consider that the predetermined future time horizon is fixed at 25 s. In this case, for each pair (X, Y), if the predictive variable X includes the characteristic vector of the first machine learning model variables associated with acquisition time t, then the predicted variable Y will include the speed of the motor vehicle training of the first variables of the machine learning model which are associated with the acquisition time t + 25 s.
On notera qu’il est envisagé d’entrainer une pluralité de modèles d’apprentissage automatique entraîné 200 afin de prédire la vitesse future d’un véhicule automobile en mouvement sur une route, sur une pluralité d’horizons temporels futurs prédéterminés. Ainsi, par exemple, on pourra obtenir un premier modèle d’apprentissage automatique entraîné 200 sur un l’horizon temporel futur prédéterminé de 5 s, un deuxième modèle d’apprentissage automatique entraîné 200 sur un l’horizon temporel futur prédéterminé de 10 s, un troisième modèle d’apprentissage automatique entraîné 200 sur un l’horizon temporel futur prédéterminé de 20 s et un quatrième modèle d’apprentissage automatique entraîné 200 sur un l’horizon temporel futur prédéterminé de 60 s. Dans cet exemple, chaque modèle d’apprentissage automatique entraîné 200 utilise alors, un jeu de données d’apprentissage différents qui est dérivé des premières variables de modèle d’apprentissage automatique.It will be noted that it is envisaged to train a plurality of driven machine learning models 200 in order to predict the future speed of a motor vehicle moving on a road, over a plurality of predetermined future time horizons. Thus, for example, it will be possible to obtain a first machine learning model driven 200 over a predetermined future time horizon of 5 s, a second machine learning model driven 200 over a predetermined future time horizon of 10 s, a third machine learning model driven 200 over a predetermined future time horizon of 20 s and a fourth machine learning model driven 200 over a predetermined future time horizon of 60 s. In this example, each trained machine learning model 200 then uses a different learning data set that is derived from the first machine learning model variables.
Dans un exemple de l’étape d’entraînement du modèle 160, l’algorithme d’apprentissage automatique est basé sur la méthode des forêts d'arbres décisionnels (« Random Forest >>, en langue anglaise). Toutefois, d’autres algorithmes d’apprentissage automatique de régression de type supervisé peuvent également être envisagés.In an example from the 160 model training step, the machine learning algorithm is based on the Random Forest method. However, other supervised type regression machine learning algorithms may also be considered.
Dans une mise en œuvre particulière, le modèle d’apprentissage automatique entraîné 200 prend également en considération des données géographiques relatives à des éléments d'infrastructure de la route sur laquelle roule un véhicule automobile d’entraînement. On entend par élément d’infrastructure d’une route, par exemple, un rond-point, un feu tricolore, une intersection avec une autre route, un dos d’âne ou encore un panneau de signalisation.In a particular implementation, the driven machine learning model 200 also takes into account geographic data relating to infrastructure elements of the road on which a training motor vehicle is traveling. The term infrastructure element of a road, for example, means a roundabout, a traffic light, an intersection with another road, a speed bump or a traffic sign.
Dans cette mise en œuvre particulière, le procédé 100 consiste en outre, tout d’abord, à acquérir lors d’une étape d’acquisition de données géographiques 170, à chaque instant d’acquisition, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, des données géographiques relatives à des éléments d'infrastructure de la route. Dans un exemple de l’étape d’acquisition de données géographiques 170, chacun parmi la pluralité de véhicules automobiles d’entraînement comprend une base de données géolocalisant des éléments d'infrastructure de la route. Chacun parmi la pluralité de véhicules automobiles d’entraînement comprend en outre un dispositif de géolocalisation de type GPS, GLONASS ou encore par exemple Galileo. Dans un autre exemple de l’étape d’acquisition de données géographiques 170, les données géolocalisant des éléments d'infrastructure de la route sont obtenues à partir serveur distant. Dans une mise en oeuvre particulière, l’acquisition des données géographiques relatives à des éléments d'infrastructure de la route est réalisée à une fréquence moins élevée que celle de la pluralité d'instants d’acquisition successifs. Par exemple, l’acquisition des données géographiques relatives à des éléments d'infrastructure de la route peut est réalisée tous les 2 s ou 5 s, tandis que la fréquence d’acquisition de la pluralité d'instants d’acquisition successifs peut être de 500 ms ou 1 s.In this particular implementation, the method 100 further consists, first of all, of acquiring during a step of acquiring geographic data 170, at each acquisition instant, for each of the plurality of motor vehicles d training, geographic data relating to road infrastructure elements. In an example of the geographic data acquisition step 170, each of the plurality of training motor vehicles includes a geolocation database of road infrastructure elements. Each of the plurality of training motor vehicles further comprises a geolocation device of the GPS, GLONASS or even for example Galileo type. In another example of the geographic data acquisition step 170, the geolocation data of road infrastructure elements is obtained from a remote server. In a particular implementation, the acquisition of geographic data relating to road infrastructure elements is carried out at a lower frequency than that of the plurality of successive acquisition instants. For example, the acquisition of geographic data relating to road infrastructure elements can be carried out every 2 s or 5 s, while the acquisition frequency of the plurality of successive acquisition instants can be 500 ms or 1 s.
Ensuite, on calcule lors d’une étape de calcul des distances 180, à chaque instant d’acquisition, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, des distances entre une position courante du véhicule automobile d’entraînement sur la route et la position d’un ou de plusieurs éléments d'infrastructure de la route, à partir des données géographiques relatives aux éléments d'infrastructure de la route.Then, during a step of calculating distances 180, at each instant of acquisition, for each of the plurality of drive motor vehicles, distances are calculated between a current position of the drive motor vehicle on the road and the position of one or more road infrastructure elements, based on geographic data relating to the road infrastructure elements.
Enfin, on ajoute lors d’une étape de combinaison 190, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, les distances calculées au vecteur caractéristique.Finally, during a combination step 190, the distances calculated to the characteristic vector are added for each of the plurality of training motor vehicles.
Dans une autre mise en oeuvre particulière, de la même manière que la mise en oeuvre particulière précédente, le modèle d’apprentissage automatique entraîné 200 peut prendre en considération des données météorologiques relatives à la route utilisée par chacun parmi la pluralité de véhicules automobiles d’entraînement. En outre, d’autres informations concernant la route peuvent également être prises en compte comme, par exemple, le nombre de voies, le type de route (par exemple, autoroute, route pour automobile), la limitation de vitesse à observer sur la route ou encore la qualité du bitume.In another particular implementation, in the same way as the previous particular implementation, the driven machine learning model 200 can take into account meteorological data relating to the route used by each of the plurality of motor vehicles. training. In addition, other information concerning the road can also be taken into account such as, for example, the number of lanes, the type of road (for example, motorway, road for automobile), the speed limit to be observed on the road or the quality of the bitumen.
La figure 3 illustre un procédé d’utilisation 300 du modèle d’apprentissage automatique entraîné 200 dans un véhicule automobile en mouvement sur une route. Comme les véhicules automobiles d’entrainement, le véhicule automobile en mouvement comprend un bus de communication de données qui est couplé à une pluralité de capteurs de l’état dynamique de fonctionnement dudit véhicule automobile.Figure 3 illustrates a method of using 300 of the driven machine learning model 200 in a motor vehicle moving on a road. Like training motor vehicles, the moving motor vehicle comprises a data communication bus which is coupled to a plurality of sensors of the dynamic operating state of said motor vehicle.
Le procédé d’utilisation 300 du modèle d’apprentissage automatique entraîné 200 consiste tout d’abord à acquérir lors d’une étape d’acquisition de vitesse 310, à chacun des instants d’acquisition d'une pluralité d'instants d’acquisition successifs, la vitesse courante du véhicule automobile à partir du bus de communication de données.The method of using 300 of the driven machine learning model 200 consists first of all of acquiring, during a speed acquisition step 310, at each of the acquisition instants of a plurality of acquisition instants successive, the current speed of the motor vehicle from the data communication bus.
Par ailleurs, on acquiert également lors d’une étape de caractérisation dynamique 320, à un instant d’acquisition courant, des caractéristiques relatives au comportement dynamique du véhicule automobile à partir du bus de communication de données.In addition, during a dynamic characterization step 320, at a current acquisition time, characteristics relating to the dynamic behavior of the motor vehicle are also acquired from the data communication bus.
Ensuite, on calcule lors d’une étape de calcul des premières grandeurs 330, à l’instant d’acquisition courant, des premières grandeurs mathématiques à partir d’une pluralité de données relatives au comportement dynamique du véhicule automobile, acquises à des instants d’acquisition, compris dans une période de temps prédéterminée TA précédant l’instant d’acquisition courant.Then, during a step of calculating the first quantities 330, at the current acquisition time, first mathematical quantities are calculated from a plurality of data relating to the dynamic behavior of the motor vehicle, acquired at times d acquisition, included in a predetermined period of time TA preceding the current acquisition instant.
On calcule lors d’une étape de calcul des secondes grandeurs 340, également à l’instant d’acquisition courant, des secondes grandeurs mathématiques à partir d’une pluralité de vitesses du véhicule automobile, acquises à des instants d’acquisition, compris dans la période de temps prédéterminée TA précédant l’instant d’acquisition courant.Second mathematical quantities 340 are calculated during a step of calculating second quantities 340, also at the current acquisition time, from a plurality of speeds of the motor vehicle, acquired at acquisition times, included in the predetermined period of time TA preceding the instant of current acquisition.
Par la suite, on crée lors d’une étape d’établissement d’un vecteur caractéristique 350, un vecteur caractéristique courant à partir des caractéristiques relatives au comportement dynamique du véhicule, des premières grandeurs mathématiques et des secondes grandeurs mathématiques.Subsequently, a characteristic vector 350 is created during a step of establishing a characteristic vector 350, from the characteristics relating to the dynamic behavior of the vehicle, from the first mathematical quantities and from the second mathematical quantities.
Enfin, on détermine lors d’une étape de prévision de vitesse 360, une vitesse future du véhicule automobile sur un horizon temporel futur prédéterminé, à partir du vecteur caractéristique courant et du modèle d’apprentissage automatique entraîné 200.Finally, a future speed of the motor vehicle over a predetermined future time horizon is determined during a speed forecasting step 360, from the current characteristic vector and from the driven automatic learning model 200.
Dans une mise en oeuvre particulière, le procédé d’utilisation 300 du modèle d’apprentissage automatique entraîné 200 prend en considération des données géographiques relatives à des éléments d'infrastructure de la route, de la même manière que lors de l’entrainement du modèle d’apprentissage automatique entraîné 200.In a particular implementation, the method of using 300 of the driven machine learning model 200 takes into account geographic data relating to road infrastructure elements, in the same way as during training of the model machine learning driven 200.
Dans une autre mise en oeuvre particulière, le procédé d’utilisation 300 du modèle d’apprentissage automatique entraîné 200 utilise les données acquises par le véhicule automobile pour entraîner le modèle d’apprentissage automatique entraîné 200.In another particular implementation, the method of using 300 of the driven machine learning model 200 uses the data acquired by the motor vehicle to drive the driven machine learning model 200.
Dans cette mise en oeuvre particulière qui correspond à un entrainement continu du modèle d’apprentissage automatique entraîné 200, le procédé d’utilisation 300 du modèle d’apprentissage automatique entraîné 200 consiste en outre, tout d’abord, à associer, lors d’une étape d’association 370, à l’instant d’acquisition courant, le vecteur caractéristique courant avec la vitesse courante du véhicule de sorte à obtenir des secondes variables de modèle d’apprentissage automatique.In this particular implementation which corresponds to continuous training of the driven automatic learning model 200, the method of using 300 of the driven automatic learning model 200 also consists, first of all, in associating, during an association step 370, at the current acquisition instant, the current characteristic vector with the current speed of the vehicle so as to obtain second variables of the automatic learning model.
Enfin, lors d’une étape d’entraînement 380, on entraîne le modèle d’apprentissage automatique entraîné 200, à partir d’un algorithme d’apprentissage automatique et des secondes variables de modèle d’apprentissage automatique.Finally, during a training step 380, the trained machine learning model 200 is trained, using a machine learning algorithm and second machine learning model variables.
Dans un mode particulier de réalisation de l’invention, les différentes étapes du procédé d’utilisation 300 du modèle d’apprentissage automatique entraîné 200 sont déterminées par des instructions de programmes d'ordinateurs. Par conséquent, l'invention vise aussi un programme avec un code de programme d'ordinateur fixé sur un support de stockage non transitoire, ce code de programme étant susceptible d’exécuter les étapes de procédé 300 lorsque le programme d'ordinateur est chargé dans l'ordinateur ou exécuté dans l'ordinateur.In a particular embodiment of the invention, the different steps of the method of using 300 of the driven machine learning model 200 are determined by instructions of computer programs. Consequently, the invention also relates to a program with a computer program code fixed on a non-transient storage medium, this program code being capable of executing the process steps 300 when the computer program is loaded in the computer or run in the computer.
La figure 4 illustre un appareil 400 pour prédire une vitesse future d’un véhicule automobile en mouvement sur une route, ledit appareil 400 mettant en oeuvre le procédé décrit à la figure 3.FIG. 4 illustrates an apparatus 400 for predicting a future speed of a motor vehicle moving on a road, said apparatus 400 implementing the method described in FIG. 3.
L’appareil 400 comprend une mémoire 410 et un micro-ordinateur telle une unité de commande électronique « ECU >> (« Electronic Control Unit >>, en langue anglaise) 430. L’appareil 400 comprend également, de façon optionnelle, un dispositif de géolocalisation 420.The apparatus 400 comprises a memory 410 and a microcomputer such as an electronic control unit "ECU" ("Electronic Control Unit", in English) 430. The apparatus 400 also optionally includes a device of geolocation 420.
Dans la figure 4, le dispositif de géolocalisation 420 est configuré pour estimer une position géographique du véhicule automobile en mouvement. La mémoire 410 est prévue pour stocker la vitesse du véhicule automobile et des caractéristiques relatives au comportement dynamique du véhicule automobile. Enfin, l’unité de commande électronique 430 est couplée au dispositif de géolocalisation 420 et à la mémoire 410, tout en étant configurée pour exécuter des instructions pour mettre en oeuvre le procédé 300.In FIG. 4, the geolocation device 420 is configured to estimate a geographic position of the moving motor vehicle. The memory 410 is designed to store the speed of the motor vehicle and characteristics relating to the dynamic behavior of the motor vehicle. Finally, the electronic control unit 430 is coupled to the geolocation device 420 and to the memory 410, while being configured to execute instructions for implementing the method 300.
Dans une mise en oeuvre particulière de l’appareil 400, comme illustrée par la figure5, la mémoire 410 et l’unité de commande électronique 430 sont disposées dans un serveur distant 440 d'une architecture d'informatique dans le nuage informatique 440. On entend par « nuage informatique >> (appelé « cloud >>, en langue anglaise) un ensemble de matériels, réseaux et logiciels informatiques interconnectés et accessibles depuis n'importe où dans le monde. Dans ce cas, l’appareil 400 comprend un émetteurrécepteur 450, par exemple de type radiofréquence, configuré pour envoyer au serveur distant 440, la vitesse du véhicule automobile en mouvement, les caractéristiques relatives au comportement dynamique du véhicule et optionnellement la position géographique dudit véhicule automobile. Par la suite, l’émetteur-récepteur 450 est configuré pour recevoir la vitesse prédite par l’unité de commande électronique 430.In a particular implementation of the apparatus 400, as illustrated in FIG. 5, the memory 410 and the electronic control unit 430 are arranged in a remote server 440 of a computer architecture in the computer cloud 440. “cloud computing” means (cloud “in English”) a set of hardware, networks and software interconnected and accessible from anywhere in the world. In this case, the device 400 comprises a transmitter-receiver 450, for example of the radio frequency type, configured to send to the remote server 440, the speed of the moving motor vehicle, the characteristics relating to the dynamic behavior of the vehicle and optionally the geographic position of said vehicle. automobile. Thereafter, the transceiver 450 is configured to receive the speed predicted by the electronic control unit 430.
Dans un exemple des figures 4 et 5, l’appareil 400 est couplé au tableau de bord du véhicule automobile pour afficher la ou les vitesse(s) future(s) prédites. Par exemple, l’appareil 400 peut générer un affichage sur le tableau de bord du véhicule automobile, des prédictions futures de vitesses à 5 s, 10 s et 15 s par rapport à l’instant d’acquisition courant. Dans ce cas, chaque vitesse future est obtenue à partir d’un modèle d’apprentissage automatique entraîné 200 spécifiquement entraîné pour réaliser une prédiction dans l’horizon temporel futur prédéterminé qui est souhaité.In an example of Figures 4 and 5, the device 400 is coupled to the dashboard of the motor vehicle to display the predicted future speed (s). For example, the device 400 can generate a display on the dashboard of the motor vehicle, of future predictions of speeds at 5 s, 10 s and 15 s with respect to the current acquisition time. In this case, each future speed is obtained from a trained machine learning model 200 specifically trained to make a prediction in the desired predetermined future time horizon.
Dans un autre exemple des figures 4 et 5, l’appareil 400 peut être utilisé dans une voiture autonome ou dans un système d’assistance à la conduite. Ainsi, par exemple, il sera possible de prévenir le conducteur d’un véhicule automobile de l’arrivée prochaine d’un virage et de l’informer à propos d’une vitesse future inadaptée ou de la vitesse future à adopter.In another example of Figures 4 and 5, the device 400 can be used in an autonomous car or in a driver assistance system. Thus, for example, it will be possible to warn the driver of a motor vehicle of the upcoming arrival of a turn and to inform him about an unsuitable future speed or the future speed to be adopted.
Le modèle d’apprentissage automatique entraîné 200, selon l’invention, présente l’avantage de ne pas dépendre d’une position géographique, de sorte qu’il peut être utilisé sur une route non présente dans le jeu de données d’apprentissage. En outre, il peut s’améliorer en permanence grâce à l’acquisition en continu, de nouvelles données d’entrainement. Les différentes améliorations peuvent en outre être centralisées dans le nuage informatique afin d’en faire profiter l’ensemble des véhicules automobiles y ayant accès.The advantage of the driven machine learning model 200 according to the invention is that it does not depend on a geographic position, so that it can be used on a route not present in the training data set. In addition, it can continuously improve through the continuous acquisition of new training data. The various improvements can also be centralized in the cloud to make it available to all motor vehicles with access to it.
La présente invention a été décrite et illustrée dans la présente description détaillée et dans les figures. Toutefois, la présente invention ne se limite pas aux formes de réalisation présentées. Ainsi, d’autres variantes et modes de réalisation peuvent être déduits et mis en oeuvre par l’homme du métier à la lecture de la présente description et des figures annexées.The present invention has been described and illustrated in the present detailed description and in the figures. However, the present invention is not limited to the embodiments presented. Thus, other variants and embodiments can be deduced and implemented by a person skilled in the art on reading the present description and the appended figures.
Claims (10)
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR1853126A FR3079954B1 (en) | 2018-04-10 | 2018-04-10 | PREDICTIVE MACHINE LEARNING FOR PREDICTING A FUTURE SPEED OF A MOVING MOTOR VEHICLE ON A ROAD |
PCT/FR2019/050846 WO2019197781A1 (en) | 2018-04-10 | 2019-04-10 | Predictive machine learning for predicting a future speed of a motor vehicle moving on a road |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR1853126 | 2018-04-10 | ||
FR1853126A FR3079954B1 (en) | 2018-04-10 | 2018-04-10 | PREDICTIVE MACHINE LEARNING FOR PREDICTING A FUTURE SPEED OF A MOVING MOTOR VEHICLE ON A ROAD |
Publications (2)
Publication Number | Publication Date |
---|---|
FR3079954A1 true FR3079954A1 (en) | 2019-10-11 |
FR3079954B1 FR3079954B1 (en) | 2023-03-10 |
Family
ID=63407306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
FR1853126A Active FR3079954B1 (en) | 2018-04-10 | 2018-04-10 | PREDICTIVE MACHINE LEARNING FOR PREDICTING A FUTURE SPEED OF A MOVING MOTOR VEHICLE ON A ROAD |
Country Status (2)
Country | Link |
---|---|
FR (1) | FR3079954B1 (en) |
WO (1) | WO2019197781A1 (en) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3102260A1 (en) * | 2019-10-17 | 2021-04-23 | Continental Automotive | Multi-agent machine learning. |
CN113408740A (en) * | 2021-05-28 | 2021-09-17 | 联合汽车电子有限公司 | Method, device and equipment for calculating rotor temperature and storage medium |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3029878A1 (en) * | 2014-12-16 | 2016-06-17 | Michelin & Cie | METHOD FOR PREDICTING THE SPEED OF A DRIVER AT THE STEERING WHEEL OF A VEHICLE |
-
2018
- 2018-04-10 FR FR1853126A patent/FR3079954B1/en active Active
-
2019
- 2019-04-10 WO PCT/FR2019/050846 patent/WO2019197781A1/en active Application Filing
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3029878A1 (en) * | 2014-12-16 | 2016-06-17 | Michelin & Cie | METHOD FOR PREDICTING THE SPEED OF A DRIVER AT THE STEERING WHEEL OF A VEHICLE |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3102260A1 (en) * | 2019-10-17 | 2021-04-23 | Continental Automotive | Multi-agent machine learning. |
CN113408740A (en) * | 2021-05-28 | 2021-09-17 | 联合汽车电子有限公司 | Method, device and equipment for calculating rotor temperature and storage medium |
CN113408740B (en) * | 2021-05-28 | 2023-08-01 | 联合汽车电子有限公司 | Rotor temperature calculating method, device, equipment and storage medium |
Also Published As
Publication number | Publication date |
---|---|
FR3079954B1 (en) | 2023-03-10 |
WO2019197781A1 (en) | 2019-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
FR3074123A1 (en) | EVALUATING A DRIVING STYLE OF A DRIVER OF A ROAD VEHICLE IN MOTION BY AUTOMATIC LEARNING | |
EP3233602A1 (en) | Method for predicting the speed of a driver driving a vehicle | |
FR3088041A1 (en) | PROCESS FOR PREPARING A STEERING INSTRUCTION FOR A MOTOR VEHICLE | |
FR3088308A1 (en) | METHOD FOR MEASURING A LEVEL OF WEAR OF A VEHICLE TIRE. | |
WO2019197781A1 (en) | Predictive machine learning for predicting a future speed of a motor vehicle moving on a road | |
WO2020058234A1 (en) | Device for predicting the most probable route of a vehicle | |
FR3034067A1 (en) | METHOD AND DEVICE FOR DRIVING ASSISTANCE | |
EP3472015B1 (en) | Method for determining a reference driving class | |
FR2977851A1 (en) | Method for controlling regulation speed of car, involves selecting activation of control system as function of infrastructure type parameter value from navigation system, and determining current speed of vehicle | |
WO2022084598A1 (en) | Method and device for determining an operating time for an autonomous vehicle to reach a target speed | |
WO2020048770A1 (en) | Prediction of a cartographic readjustment parameter by deep learning | |
FR3087732A1 (en) | METHOD AND DEVICE FOR DETERMINING A CHANGE OF TRACK OF A VEHICLE | |
EP4021772B1 (en) | Method for selecting the speed restriction value for a speed controller of a land vehicle | |
FR3081548A1 (en) | METHOD AND DEVICE FOR DETERMINING THE ACCURATE POSITION OF A VEHICLE IN ROAD CARTOGRAPHY | |
EP2489548A1 (en) | Method for controlling the switching of an adaptive headlight system of an automobile | |
FR3138534A1 (en) | Method and device for controlling a vehicle driving assistance system based on a level of wear of the brake pads | |
FR3138401A1 (en) | Method and device for controlling a vehicle driving assistance system based on a level of tire performance | |
FR3143514A1 (en) | Method for automated management of the longitudinal speed of a motor vehicle. | |
WO2024023146A1 (en) | Method for determining an authorized speed limit where a motor vehicle drives | |
FR3140453A1 (en) | Method and device for controlling an on-board system of a vehicle approaching a time-counting traffic light | |
WO2022112672A1 (en) | Method and device for determining a virtual boundary line between two traffic lanes | |
WO2023052692A1 (en) | Method and device for detecting merging of a vehicle into a traffic lane | |
FR3127165A1 (en) | Method and device for aiding driving in augmented reality | |
WO2022195182A1 (en) | Method and device for determining the reliability of a low-definition map | |
IL302358B1 (en) | System and method of determining micro mobility vehicle riding location |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PLFP | Fee payment |
Year of fee payment: 2 |
|
PLSC | Publication of the preliminary search report |
Effective date: 20191011 |
|
PLFP | Fee payment |
Year of fee payment: 3 |
|
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 |