FR3079954A1 - Apprentissage automatique predictif pour la prediction d'une vitesse future d'un vehicule automobile en mouvement sur une route - Google Patents
Apprentissage automatique predictif pour la prediction d'une vitesse future d'un vehicule automobile en mouvement sur une route 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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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 :
• 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.
Selon un mode de réalisation, le modèle d’apprentissage automatique entraîné est en outre obtenu selon les étapes suivantes :
• 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.
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.
Dans une variante l’algorithme d’apprentissage automatique est basé sur la méthode des forêts d'arbres décisionnels.
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 :
• 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.
Avantageusement, le procédé de prédiction décrit ci-dessus comprend en outre les étapes suivantes :
• 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.
Selon une variante, le procédé de prédiction comprend en outre les étapes suivantes :
• 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.
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.
L’invention couvre en outre un support de stockage non transitoire sur lequel un programme d'ordinateur décrit ci-dessus est stocké.
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 :
• 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.
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.
- La figure 1 représente le principe général de l’entrainement d’un modèle d’apprentissage automatique, selon l’invention.
- La figure 2 représente un procédé d’obtention d’un modèle d’apprentissage automatique entraîné, selon l’invention.
- La figure 3 représente un procédé d’utilisation du modèle d’apprentissage automatique entraîné conformément à la 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.
- 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.
Pour des raisons de clarté, les éléments représentés ne sont pas à l’échelle les uns par rapport aux autres, sauf mention contraire.
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 (« machine learning >>, en langue anglaise) pour créer un modèle d’apprentissage automatique.
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.
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.
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.
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.
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.
La figure 2 illustre le procédé 100 d’obtention du modèle d’apprentissage automatique entraîné 200, selon de l’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...
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
Claims (10)
1. Modèle d’apprentissage automatique entraîné (200) 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 :
• une étape d’acquisition (110) 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 (120) 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 (TA) précédant l’instant d’acquisition courant, • une étape de calcul des secondes grandeurs (130) 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 (TA) précédant l’instant d’acquisition courant, • une étape de création de vecteur caractéristique (140) 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 (150) 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 (160) 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 (TA), 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.
2. Modèle d’apprentissage automatique entraîné selon la revendication 1, étant en outre obtenu selon les étapes suivantes :
• une étape d’acquisition de données géographiques (170) 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 (180) 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 (190) durant laquelle, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, les distances calculées sont ajoutées au vecteur caractéristique.
3. Modèle d’apprentissage automatique entraîné selon l’une quelconque des revendications 1 à 2, dans lequel 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 (TA).
4. Modèle d’apprentissage automatique entraîné selon l’une quelconque des revendications 1 à 3, dans lequel l’algorithme d’apprentissage automatique est basé sur la méthode des forêts d'arbres décisionnels.
5. Procédé (300) de prédiction d’une vitesse future d’un véhicule automobile en mouvement sur une route, 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 :
• une étape d’acquisition de vitesse (310) 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 (320) 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 (330) 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 (TA) précédant l’instant d’acquisition courant, • une étape de calcul des secondes grandeurs (340) 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 (TA) précédant l’instant d’acquisition courant, • une étape d’établissement d’un vecteur caractéristique (350) 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 (360) durant laquelle une vitesse future du véhicule automobile sur un horizon temporel futur inférieur ou égal à la période de temps prédéterminée (TA), à partir du vecteur caractéristique courant et d’un modèle d’apprentissage automatique entraîné selon l’une quelconque des revendications 1 à 4 est déterminée.
6. Procédé de prédiction selon la revendication 5, comprenant en outre les étapes suivantes :
• 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.
7. Procédé de prédiction selon l’une quelconque des revendications 5 à 6, comprenant en outre les étapes suivantes :
• une étape d’association (370) 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 (380) durant laquelle le modèle d’apprentissage automatique entraîné (200) selon l’une quelconque des revendications 1 à 4 est entraîné à partir d’un algorithme d’apprentissage automatique et des secondes variables de modèle d’apprentissage automatique.
8. Programme d'ordinateur avec un code de programme pour exécuter les étapes de procédé d'un procédé selon l’une quelconque des revendications 5 à 7 lorsque le programme d'ordinateur est chargé dans l'ordinateur ou exécuté dans l'ordinateur.
9. Support de stockage non transitoire sur lequel un programme d'ordinateur selon la revendication 8 est stocké.
10. Appareil (400) 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 :
• un dispositif de géolocalisation (420) pour estimer une position géographique du véhicule automobile, • une mémoire (410) pour stocker la vitesse du véhicule automobile et des caractéristiques relatives au comportement dynamique du véhicule, • une unité de commande électronique (430) couplée au dispositif de géolocalisation (420) et à la mémoire (410), l’unité de commande électronique (430) étant configurée pour exécuter des instructions pour mettre en oeuvre un procédé selon l’une quelconque des revendications 5 à 7.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1853126A FR3079954B1 (fr) | 2018-04-10 | 2018-04-10 | Apprentissage automatique predictif pour la prediction d'une vitesse future d'un vehicule automobile en mouvement sur une route |
| PCT/FR2019/050846 WO2019197781A1 (fr) | 2018-04-10 | 2019-04-10 | Apprentissage automatique prédictif pour la prédiction d'une vitesse future d'un véhicule automobile en mouvement sur une route |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1853126 | 2018-04-10 | ||
| FR1853126A FR3079954B1 (fr) | 2018-04-10 | 2018-04-10 | Apprentissage automatique predictif pour la prediction d'une vitesse future d'un vehicule automobile en mouvement sur une route |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| FR3079954A1 true FR3079954A1 (fr) | 2019-10-11 |
| FR3079954B1 FR3079954B1 (fr) | 2023-03-10 |
Family
ID=63407306
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR1853126A Active FR3079954B1 (fr) | 2018-04-10 | 2018-04-10 | Apprentissage automatique predictif pour la prediction d'une vitesse future d'un vehicule automobile en mouvement sur une route |
Country Status (2)
| Country | Link |
|---|---|
| FR (1) | FR3079954B1 (fr) |
| WO (1) | WO2019197781A1 (fr) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR3102260A1 (fr) * | 2019-10-17 | 2021-04-23 | Continental Automotive | Apprentissage automatique multi-agents. |
| CN113408740A (zh) * | 2021-05-28 | 2021-09-17 | 联合汽车电子有限公司 | 转子温度的计算方法、装置、设备和存储介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR3029878A1 (fr) * | 2014-12-16 | 2016-06-17 | Michelin & Cie | Procede de prediction de la vitesse d'un conducteur au volant d'un vehicule |
-
2018
- 2018-04-10 FR FR1853126A patent/FR3079954B1/fr active Active
-
2019
- 2019-04-10 WO PCT/FR2019/050846 patent/WO2019197781A1/fr active Application Filing
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR3029878A1 (fr) * | 2014-12-16 | 2016-06-17 | Michelin & Cie | Procede de prediction de la vitesse d'un conducteur au volant d'un vehicule |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR3102260A1 (fr) * | 2019-10-17 | 2021-04-23 | Continental Automotive | Apprentissage automatique multi-agents. |
| CN113408740A (zh) * | 2021-05-28 | 2021-09-17 | 联合汽车电子有限公司 | 转子温度的计算方法、装置、设备和存储介质 |
| CN113408740B (zh) * | 2021-05-28 | 2023-08-01 | 联合汽车电子有限公司 | 转子温度的计算方法、装置、设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2019197781A1 (fr) | 2019-10-17 |
| FR3079954B1 (fr) | 2023-03-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| FR3074123A1 (fr) | Evaluation d'un style de conduite d'un conducteur d'un vehicule routier en mouvement par apprentissage automatique | |
| WO2016097037A1 (fr) | Procédé de prédiction de la vitesse d'un conducteur au volant d'un véhicule | |
| FR3088041A1 (fr) | Procede d’elaboration d’une consigne de pilotage d’un vehicule automobile | |
| FR3088308A1 (fr) | Procede de mesure d'un niveau d'usure d'un pneu d'un vehicule. | |
| WO2019197781A1 (fr) | Apprentissage automatique prédictif pour la prédiction d'une vitesse future d'un véhicule automobile en mouvement sur une route | |
| WO2020058234A1 (fr) | Dispositif de prédiction de trajet le plus probable d'un véhicule | |
| FR3034067A1 (fr) | Procede et dispositif d'assistance de conduite | |
| EP3472015B1 (fr) | Procédé de détermination d'une classe de conduite de référence | |
| FR2977851A1 (fr) | Commande de regulation de vitesse d'un vehicule | |
| WO2022084598A1 (fr) | Procédé et dispositif de détermination d'un temps de manœuvre d'un véhicule autonome pour atteindre une vitesse cible | |
| WO2020048770A1 (fr) | Prédiction d'un paramètre de recalage cartographique par apprentissage profond | |
| FR3087732A1 (fr) | Procede et dispositif de determination d’un changement de voie d’un vehicule | |
| EP4021772B1 (fr) | Procédé de sélection de la valeur d'une limitation de vitesse pour un régulateur de vitesse d'un véhicule terrestre | |
| FR3081548A1 (fr) | Procede et dispositif de determination de la position precise d’un vehicule dans une cartographie routiere. | |
| EP2489548A1 (fr) | Procédé et dispositif de commande de commutation du système d'éclairage avant adaptatif d'un véhicule automobile | |
| FR3138534A1 (fr) | Procédé et dispositif de contrôle de système d’aide à la conduite d’un véhicule en fonction d’un niveau d’usure des plaquettes de frein | |
| FR3138401A1 (fr) | Procédé et dispositif de contrôle de système d’aide à la conduite d’un véhicule en fonction d’un niveau de performance des pneumatiques | |
| FR3143514A1 (fr) | Procédé de gestion automatisée de la vitesse longitudinale d’un véhicule automobile. | |
| WO2024023146A1 (fr) | Procédé de détermination d'une vitesse limite autorisée où circule un véhicule automobile. | |
| FR3140453A1 (fr) | Procédé et dispositif de contrôle d’un système embarqué d’un véhicule en approche d’un feu de signalisation à décompte de temps | |
| WO2022112672A1 (fr) | Procédé et dispositif de détermination d'une ligne virtuelle de délimitation entre deux voies de circulation | |
| WO2023052692A1 (fr) | Procédé et dispositif de détection d'insertion dans une voie de circulation d'un véhicule. | |
| FR3127165A1 (fr) | Procédé et dispositif d’aide à la conduite en réalité augmentée | |
| EP4308881A1 (fr) | Procede et dispositif de determination d'une fiabilite d'une cartographie basse definition | |
| IL302358B1 (en) | System and method for determining the location of miniature vehicles |
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 |