FR3129518A1 - Method for estimating the damage caused by a collision suffered by a motor vehicle, and associated electronic device - Google Patents
Method for estimating the damage caused by a collision suffered by a motor vehicle, and associated electronic device Download PDFInfo
- Publication number
- FR3129518A1 FR3129518A1 FR2112240A FR2112240A FR3129518A1 FR 3129518 A1 FR3129518 A1 FR 3129518A1 FR 2112240 A FR2112240 A FR 2112240A FR 2112240 A FR2112240 A FR 2112240A FR 3129518 A1 FR3129518 A1 FR 3129518A1
- Authority
- FR
- France
- Prior art keywords
- simulation
- motor vehicle
- real
- obstacle
- actual
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 238000006073 displacement reaction Methods 0.000 claims abstract description 9
- 238000004088 simulation Methods 0.000 claims description 145
- 230000008439 repair process Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G07C5/0808—Diagnosing performance data
-
- 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
- G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
Procédé d’estimation des dommages occasionnés par une collision réelle (1000), avec un obstacle réel (200), subie par un véhicule automobile réel (100), comportant une première pluralité de composants réels (150, 160), caractérisé en ce qu’il comporte les étapes suivantes : Lecture, dans une mémoire (140) du véhicule automobile réel (100), de données représentatives du déplacement (120, 130, 170) du véhicule automobile réel (100) lors de la collision réelle (1000),Réception de données représentatives d’une position de l’obstacle réel (P) lors de la collision réelle (1000) et d’une dimension (D) d’une surface de contact entre le véhicule automobile réel (100) et l’obstacle réel (200) lors de la collision réelle (1000),Détermination, par un réseau neuronal (311), d’un état d’endommagement de la pluralité de composants réels (150, 160), suite à la collision réelle (1000). Figure pour l’abrégé : figure 1Method for estimating the damage caused by a real collision (1000), with a real obstacle (200), suffered by a real motor vehicle (100), comprising a first plurality of real components (150, 160), characterized in that it comprises the following steps: Reading, in a memory (140) of the real motor vehicle (100), of data representative of the displacement (120, 130, 170) of the real motor vehicle (100) during the real collision (1000) ,Reception of data representative of a position of the real obstacle (P) during the real collision (1000) and of a dimension (D) of a contact surface between the real motor vehicle (100) and the actual obstacle (200) during the actual collision (1000),determining, by a neural network (311), a damage state of the plurality of actual components (150, 160), following the actual collision (1000 ). Figure for the abstract: figure 1
Description
L’invention concerne l’estimation des dommages occasionnés par une collision subie par un véhicule automobile.The invention relates to the estimation of damage caused by a collision suffered by a motor vehicle.
Lorsqu’un véhicule automobile subit une collision, suite à un accident ou un accrochage, si le véhicule subit des dégâts matériels, l’assureur évaluera, avec un expert, leur ampleur pour déterminer l’indemnisation à laquelle a droit l’assuré, ou les réparations à réaliser. Une telle évaluation nécessite l’intervention d’une personne qualifiée (un expert) et permet uniquement d’évaluer les dégâts extérieurs et/ou visibles.When a motor vehicle suffers a collision, following an accident or a collision, if the vehicle suffers material damage, the insurer will assess, with an expert, their extent to determine the compensation to which the insured is entitled, or the repairs to be made. Such an assessment requires the intervention of a qualified person (an expert) and only makes it possible to assess the external and/or visible damage.
Pour remédier à ces inconvénients, l’invention concerne un procédé d’estimation des dommages occasionnés par une collision réelle, avec un obstacle réel, subie par un véhicule automobile réel, comportant une première pluralité de composants réels, caractérisé en ce qu’il comporte les étapes suivantes :To remedy these drawbacks, the invention relates to a method for estimating the damage caused by a real collision, with a real obstacle, suffered by a real motor vehicle, comprising a first plurality of real components, characterized in that it comprises the following steps:
- Lecture, dans une mémoire du véhicule automobile réel, de données représentatives du déplacement du véhicule automobile réel lors de la collision réelle,Reading, in a memory of the real motor vehicle, of data representative of the displacement of the real motor vehicle during the real collision,
- Réception de données représentatives d’une position de l’obstacle réel (par rapport au véhicule automobile réel) lors de la collision réelle et d’une dimension d’une surface de contact entre le véhicule automobile réel et l’obstacle réel lors de la collision réelle,Reception of data representative of a position of the real obstacle (relative to the real motor vehicle) during the real collision and of a dimension of a contact surface between the real motor vehicle and the real obstacle during the real crash,
- Détermination, par un réseau neuronal, d’un état d’endommagement de la pluralité de composants réels, suite à (autrement dit : en conséquence de) la collision réelle, à partir des données représentatives du déplacement du véhicule automobile réel, et des données représentatives de la position de l’obstacle réel et de la dimension de la surface de contact entre le véhicule automobile réel et l’obstacle réel.Determination, by a neural network, of a state of damage of the plurality of real components, following (in other words: as a consequence of) the real collision, from the data representative of the movement of the real motor vehicle, and from the data representative of the position of the real obstacle and of the dimension of the contact surface between the real motor vehicle and the real obstacle.
L’invention permet ainsi de déterminer les composants endommagés par la collision très rapidement, sans l’intervention d’un spécialiste, même lorsque les dégâts ne sont pas visibles de l’extérieur.The invention thus makes it possible to determine the components damaged by the collision very quickly, without the intervention of a specialist, even when the damage is not visible from the outside.
La collision réelle est une collision qui a effectivement eu lieu avant l’étape de lecture ci-dessus.The actual collision is a collision that actually took place before the read step above.
L’obstacle réel est par exemple un obstacle fixe (les données représentatives du déplacement reflètent alors que l’obstacle est fixe. Par exemple sa vitesse est nulle) ou mobile. Il s’agit par exemple d’un deuxième véhicule automobile, dans le deuxième cas.The real obstacle is, for example, a fixed obstacle (the data representative of the movement then reflect that the obstacle is fixed. For example, its speed is zero) or mobile. It is for example a second motor vehicle, in the second case.
Selon un mode de réalisation, le véhicule automobile réel mémorise dans une mémoire les données représentatives du déplacement pendant une durée de circulation du véhicule automobile réel inférieure à une minute, par exemple inférieure à 30 secondes (c’est-à-dire que le véhicule automobile réel a en mémoire un historique des données de déplacement pendant une durée inférieure à une minute, par exemple inférieure à 30 secondes). Suite à la collision réelle, le véhicule est à l’arrêt. Les données représentatives du déplacement restent (c’est-à-dire persistent) dans la mémoire du véhicule par exemple tant que le véhicule ne circule pas (autrement dit : ne roule pas) à nouveau. Ainsi, les données représentatives du déplacement peuvent être lues dans la mémoire du véhicule automobile réel au-delà de la durée pendant laquelle le véhicule automobile réel mémorise les données représentatives du déplacement lorsque le véhicule circule (autrement dit : roule). Une détermination des données représentatives d’une position de l’obstacle réel (par rapport au véhicule automobile réel) lors de la collision réelle et de la dimension de la surface de contact entre le véhicule automobile réel et l’obstacle réel peut être réalisée sur le lieu de l’accident. Par exemple, la dimension de la surface de contact entre le véhicule automobile réel et l’obstacle réel peut-être déterminée par la mesure d’une longueur de la surface de contact entre le véhicule automobile réel et l’obstacle réel. Le véhicule automobile réel est par exemple ensuite transporté (le long d’un chemin qui peut faire plusieurs kilomètres) jusqu’à un atelier (autrement dit : garage). La lecture, dans la mémoire du véhicule automobile réel, des données représentatives du déplacement du véhicule automobile réel lors de la collision réelle peut alors être réalisée dans l’atelier par un dispositif électronique, par exemple un ordinateur (comprenant un microprocesseur ou un microcontrôleur) présent dans l’atelier ou auquel on se connecte depuis l’atelier. Pour cela, le dispositif électronique est connecté au véhicule (par une connexion sans fil ou filaire). La détermination par le réseau neuronal de l’état d’endommagement de la pluralité de composants réels est ensuite réalisée, le dispositif électronique comprenant le réseau neuronal, après réception par l’ordinateur des données représentatives d’une position de l’obstacle réel par rapport au véhicule automobile réel lors de la collision réelle et d’une dimension de la surface de contact entre le véhicule automobile réel et l’obstacle réel (ces données sont par exemple saisies par l’intermédiaire d’une interface homme-machine de l’ordinateur).According to one embodiment, the real motor vehicle stores in a memory the data representative of the movement during a running time of the real motor vehicle of less than one minute, for example less than 30 seconds (that is to say that the vehicle real automobile has in memory a history of travel data for a period of less than one minute, for example less than 30 seconds). Following the actual collision, the vehicle is stationary. The data representative of the movement remain (that is to say persist) in the memory of the vehicle for example as long as the vehicle does not circulate (in other words: does not roll) again. Thus, the data representative of the movement can be read in the memory of the real motor vehicle beyond the time during which the real motor vehicle stores the data representative of the movement when the vehicle is moving (in other words: driving). A determination of the data representative of a position of the real obstacle (relative to the real motor vehicle) during the real collision and of the dimension of the contact surface between the real motor vehicle and the real obstacle can be carried out on the place of the accident. For example, the dimension of the contact surface between the real motor vehicle and the real obstacle can be determined by measuring a length of the contact surface between the real motor vehicle and the real obstacle. The real motor vehicle is for example then transported (along a path that can be several kilometers long) to a workshop (in other words: garage). The reading, in the memory of the real motor vehicle, of the data representative of the movement of the real motor vehicle during the real collision can then be carried out in the workshop by an electronic device, for example a computer (comprising a microprocessor or a microcontroller) present in the workbench or to which one connects from the workbench. For this, the electronic device is connected to the vehicle (via a wireless or wired connection). The determination by the neural network of the state of damage of the plurality of real components is then carried out, the electronic device comprising the neural network, after reception by the computer of the data representative of a position of the real obstacle by relative to the real motor vehicle during the real collision and of a dimension of the contact surface between the real motor vehicle and the real obstacle (these data are for example entered via a man-machine interface of the 'computer).
Optionnellement, la détermination, par le réseau neuronal, d’un état d’endommagement de la pluralité de composants réels tient compte (i.e. : est aussi obtenue à partir de) de données structurelles (i.e : représentatives de la structure) du véhicule automobile réel lues dans une mémoire (par exemple du dispositif électronique).Optionally, the determination, by the neural network, of a state of damage of the plurality of real components takes into account (i.e.: is also obtained from) structural data (i.e: representative of the structure) of the real motor vehicle read in a memory (for example of the electronic device).
Toutefois, préférentiellement, le réseau neuronal ne tient pas compte de la structure du véhicule automobile réel. On considère alors que les différents modèles de véhicules réels se comportent de la même manière lors d’une collision réelle.However, preferably, the neural network does not take into account the structure of the real motor vehicle. It is then considered that the different models of real vehicles behave in the same way during a real collision.
Selon un mode de réalisation, le procédé selon l’invention comprend en outre, préalablement à la collision réelle, les étapes suivantes :According to one embodiment, the method according to the invention further comprises, prior to the actual collision, the following steps:
- Détermination de données représentatives d’un déplacement d’un véhicule automobile de simulation (c’est-à-dire fictif) comprenant une pluralité de composants de simulation (c’est-à-dire fictif),Determination of data representative of a movement of a simulation (i.e. fictitious) motor vehicle comprising a plurality of simulation (i.e. fictitious) components,
- Lecture, dans une deuxième mémoire, de données structurelles du véhicule automobile de simulation (c’est-à-dire fictif),Reading, in a second memory, of structural data of the simulation (i.e. fictitious) motor vehicle,
- Détermination de données représentatives d’une position d’un obstacle de simulation (c’est-à-dire fictif) (par rapport au véhicule automobile de simulation) et d’une dimension d’une surface de contact entre le véhicule automobile de simulation et l’obstacle de simulation lors d’une collision de simulation entre le véhicule automobile de simulation et l’obstacle de simulation,Determination of data representative of a position of a simulation (i.e. fictitious) obstacle (relative to the simulation motor vehicle) and of a dimension of a contact surface between the simulation motor vehicle and the simulation obstacle during a simulation collision between the simulation motor vehicle and the simulation obstacle,
- Simulation, par exemple par une méthode d’éléments finis, de la collision de simulation, à partir des données structurelles du véhicule automobile de simulation, des données représentatives du déplacement du véhicule automobile de simulation, et des données représentatives de la position de l’obstacle de simulation et de la dimension de la surface de contact entre le véhicule automobile de simulation et l’obstacle de simulation, et détermination, à partir d’un résultat de la simulation, d’un état d’endommagement de la pluralité de composants de simulation.Simulation, for example by a finite element method, of the simulation collision, from structural data of the simulation motor vehicle, data representative of the displacement of the simulation motor vehicle, and data representative of the position of the simulation obstacle and the dimension of the contact surface between the simulation motor vehicle and the simulation obstacle, and determining, from a result of the simulation, a state of damage of the plurality of components simulation.
- Apprentissage supervisé, par le réseau neuronal, à partir (optionnellement, des données structurelles), des données représentatives du déplacement du véhicule automobile de simulation, et des données représentatives de la position de l’obstacle de simulation et de la dimension de la surface de contact entre le véhicule automobile de simulation et l’obstacle de simulation, étiquetées par l’état d’endommagement de la pluralité de composants de simulation.Supervised learning, by the neural network, from (optionally, structural data), data representative of the movement of the simulation motor vehicle, and data representative of the position of the simulation obstacle and the dimension of the surface of contact between the simulation motor vehicle and the simulation obstacle, labeled by the state of damage of the plurality of simulation components.
En variante, l’entrainement du réseau neuronal peut-être réalisé de manière différente qu’à partir de résultats de simulations de collisions, par exemple à partir de résultat de collisions réelles.As a variant, the training of the neural network can be carried out in a different way than from the results of simulations of collisions, for example from the results of real collisions.
Le véhicule automobile de simulation est préférentiellement un modèle qui a été fabriqué et/ou qui circule effectivement. La collision de simulation est une collision fictive (ie : qui n’a pas eu lieu) entre le véhicule automobile de simulation et l’obstacle de simulation.The simulation motor vehicle is preferably a model which has been manufactured and/or which is actually driving. The simulation collision is a fictitious collision (ie: which did not take place) between the simulation motor vehicle and the simulation obstacle.
La simulation et l’apprentissage supervisé peut, bien entendu, être réalisée par un ordinateur différent (et/ou distant) du dispositif électronique (le réseau de neurones peut-être ainsi réceptionné, après l’apprentissage, par le dispositif électronique en provenance de l’ordinateur différent).Simulation and supervised learning can, of course, be carried out by a computer different (and/or remote) from the electronic device (the neural network can thus be received, after learning, by the electronic device from different computer).
Selon un mode de réalisation, au moins l’une quelconque des données suivantes est choisie de manière aléatoire :According to one embodiment, at least one of the following data is chosen randomly:
- Les données représentatives d’un déplacement du véhicule automobile de simulation,The data representative of a movement of the simulation motor vehicle,
- Les données représentatives d’une position de l’obstacle de simulation (par rapport au véhicule automobile de simulation) lors de la collision de simulation et d’une dimension de la surface de contact entre le véhicule automobile de simulation et l’obstacle de simulation.The data representative of a position of the simulation obstacle (relative to the simulation motor vehicle) during the simulation collision and of a dimension of the contact surface between the simulation motor vehicle and the simulation obstacle .
En variante, ces données sont choisies de manière à représenter différentes configurations d’accidents prédéterminées.Alternatively, this data is chosen to represent different predetermined crash patterns.
Selon un mode de réalisation, le véhicule automobile de simulation (et/ou respectivement, le véhicule automobile réel) comprend une carrosserie de simulation (et/ou respectivement, réelle) ayant une forme, et une résistance aux chocs, et les données structurelles du véhicule automobile de simulation (et/ou respectivement, réel) comprennent :According to one embodiment, the simulation motor vehicle (and/or respectively, the real motor vehicle) comprises a simulation (and/or respectively, real) bodywork having a shape, and an impact resistance, and the structural data of the simulation motor vehicle (and/or respectively, real) include:
- Une représentation de la forme de la carrosserie de simulation (ou respectivement, réelle), et/ouA representation of the shape of the simulation (or respectively, real) body, and/or
- Une représentation de la résistance aux chocs de la carrosserie de simulation (ou respectivement, réelle).A representation of the crashworthiness of the simulation (or respectively, real) car body.
Par exemple, chaque composant de la pluralité de composants de simulation (ou respectivement, réel) ayant une forme et une position dans le véhicule automobile de simulation (ou respectivement, réel), les données structurelles du véhicule automobile de simulation (ou respectivement, réel) comprennent la forme et la position de chaque composant de la pluralité de composants de simulation (ou respectivement, réels) dans le véhicule automobile de simulation (ou respectivement, réel).For example, each component of the plurality of simulation (or respectively, real) components having a shape and position in the simulation (or respectively, real) motor vehicle, the structural data of the simulation (or respectively, real) motor vehicle ) include the shape and position of each of the plurality of simulation (or respectively, real) components in the simulation (or respectively, real) motor vehicle.
Ainsi, les composants (de simulation ou réels) qui sont affectés (autrement dit : touché ou impactés) par la collision peuvent être considérés comme endommagés.Thus, the components (simulation or real) which are affected (in other words: touched or impacted) by the collision can be considered as damaged.
Par exemple, les données représentatives du déplacement du véhicule automobile réel (ou respectivement, de simulation) comprennent :For example, data representative of the movement of the real (or respectively, simulation) motor vehicle includes:
- Une vitesse du véhicule automobile réel, (ou respectivement, de simulation), et/ouA speed of the real (or respectively, simulation) motor vehicle, and/or
- Une direction du véhicule automobile réel, (ou respectivement, de simulation), et/ouA direction of the real (or respectively, simulation) motor vehicle, and/or
- Une orientation du véhicule automobile réel, (ou respectivement, de simulation) et/ouAn orientation of the real motor vehicle, (or respectively, simulation) and/or
- Une orientation de roues (par exemple avant) du véhicule automobile réel (ou respectivement, de simulation).A wheel orientation (for example front) of the real (or respectively, simulation) motor vehicle.
Selon un mode de réalisation, les données représentatives d’une dimension de la surface de contact entre le véhicule automobile réel (ou respectivement, de simulation) et l’obstacle réel (ou respectivement, de simulation) comprennent une longueur d’une surface de contact entre le véhicule automobile réel (ou respectivement, de simulation) et l’obstacle réel (ou respectivement, de simulation) lors de la collision réelle (ou respectivement, de simulation).According to one embodiment, the data representative of a dimension of the contact surface between the real (or respectively, simulation) motor vehicle and the real (or respectively, simulation) obstacle comprise a length of a surface of contact between the real (or respectively, simulation) motor vehicle and the real (or respectively, simulation) obstacle during the real (or respectively, simulation) collision.
Par exemple, l’état d’endommagement de la pluralité de composants réels (ou respectivement, de simulation), indique, pour chaque composant réel (ou respectivement, de simulation) de la pluralité de composants réels (ou respectivement, de simulations), s’il faut remplacer (ou réparer) le composant réel (ou respectivement, de simulation) sur le véhicule automobile réel (ou respectivement, de simulation), et(/ou) dans lequel le procédé comprend en outre une étape de remplacement (ou de réparation) du composant réel sur (autrement dit : dans) le véhicule automobile réel, si l’état d’endommagement indique qu’il faut remplacer (ou réparer) le composant réel.For example, the damage state of the plurality of real (or respectively, simulation) components indicates, for each real (or respectively, simulation) component of the plurality of real (or respectively, simulation) components, whether to replace (or repair) the real (or respectively, simulation) component on the real (or respectively, simulation) motor vehicle, and(/or) in which the method further comprises a step of replacing (or repair) of the actual component on (i.e. in) the actual motor vehicle, if the state of damage indicates that the actual component must be replaced (or repaired).
En variante, l’état d’endommagement peut indiquer pour chaque composant (réel ou de simulation) s’il faut (ou pas) examiner le composant pour déterminer s’il est à remplacer ou à réparer.Alternatively, the state of damage may indicate for each component (real or simulation) whether (or not) the component should be examined to determine whether it is to be replaced or repaired.
L’invention concerne aussi un programme d’ordinateur comprenant des instructions, exécutables par un microprocesseur ou un microcontrôleur, pour la mise en œuvre des étapes du procédé selon l’invention.The invention also relates to a computer program comprising instructions, executable by a microprocessor or a microcontroller, for the implementation of the steps of the method according to the invention.
L’invention concerne aussi un dispositif électronique configuré pour mettre en œuvre les étapes du procédé selon l’invention.The invention also relates to an electronic device configured to implement the steps of the method according to the invention.
Les caractéristiques du dispositif sont identiques aux caractéristiques du procédé, c’est pourquoi elles ne sont pas répétées ici.The device characteristics are identical to the process characteristics, which is why they are not repeated here.
On entend qu’un élément tel que le dispositif électronique ou un autre élément est « configuré pour » réaliser une étape ou une opération, ou qu’une étape ou une opération est réalisée par l’élément, par le fait que l’élément comporte des moyens pour (autrement dit « est conformé pour » ou « est adapté pour ») réaliser l’étape ou l’opération. Il s’agit préférentiellement de moyens électroniques, par exemple un programme d’ordinateur, des données en mémoire et/ou des circuits électroniques spécialisés.It is understood that an element such as the electronic device or another element is "configured to" carry out a step or an operation, or that a step or an operation is carried out by the element, by the fact that the element comprises means for (in other words “is designed for” or “is suitable for”) carrying out the step or the operation. These are preferably electronic means, for example a computer program, data in memory and/or specialized electronic circuits.
D’autres caractéristiques et avantages de la présente invention apparaitront plus clairement à la lecture de la description détaillée qui suit comprenant des modes de réalisation de l’invention donnés à titre d’exemples nullement limitatifs et illustrés par les dessins annexés, dans lesquels :Other characteristics and advantages of the present invention will appear more clearly on reading the following detailed description comprising embodiments of the invention given by way of non-limiting examples and illustrated by the appended drawings, in which:
Description détaillée d’un exemple de réalisation de l’inventionDetailed description of an embodiment of the invention
La
En référence à la
A l’étape S30, des données représentatives d’une position de l’obstacle de simulation par rapport au véhicule automobile de simulation et d’une dimension d’une surface de contact entre le véhicule automobile de simulation et l’obstacle de simulation lors de la collision de simulation sont déterminés, par exemple à partir d’un tirage aléatoire.In step S30, data representative of a position of the simulation obstacle relative to the simulation motor vehicle and of a dimension of a contact surface between the simulation motor vehicle and the simulation obstacle during of the simulation collision are determined, for example from a random draw.
A l’étape S40, la collision de simulation est simulée par exemple par une méthode d’éléments finis, à partir des données structurelles du véhicule automobile de simulation, des données représentatives du déplacement du véhicule automobile de simulation, et des données représentatives de la position de l’obstacle de simulation et de la dimension de la surface de contact entre le véhicule automobile de simulation et l’obstacle de simulation.In step S40, the simulation collision is simulated for example by a finite element method, from structural data of the simulation motor vehicle, data representative of the displacement of the simulation motor vehicle, and data representative of the position of the simulation obstacle and the dimension of the contact surface between the simulation motor vehicle and the simulation obstacle.
A l’étape S50, un état d’endommagement de la pluralité de composants de simulation est déterminé à partir d’un résultat de la simulation.In step S50, a damage state of the plurality of simulation components is determined from a result of the simulation.
A l’étape S60, un apprentissage supervisé est réalisé par un réseau neuronal 311, à partir (optionnellement, des données structurelles), des données représentatives du déplacement du véhicule automobile de simulation, et des données représentatives de la position de l’obstacle de simulation et de la dimension de la surface de contact entre le véhicule automobile de simulation et l’obstacle de simulation, étiquetées par l’état d’endommagement de la pluralité de composants de simulation.At step S60, supervised learning is carried out by a neural network 311, from (optionally, structural data), data representative of the movement of the simulation motor vehicle, and data representative of the position of the obstacle of simulation and the dimension of the contact surface between the simulation motor vehicle and the simulation obstacle, labeled by the state of damage of the plurality of simulation components.
Les étapes S10 à S60 peuvent par exemple être réalisée par un ordinateur 500 comprenant le réseau neuronal 311.Steps S10 to S60 can for example be carried out by a computer 500 comprising the neural network 311.
A l’étape S70, la collision réelle 1000 a lieu. Le véhicule automobile réel 100 mémorise, dans une mémoire 140, les données représentatives du déplacement 130, 170, 120 pendant une durée de circulation du véhicule automobile réel 100 inférieure à une minute par exemple inférieure à 30 secondes (c’est-à-dire que le véhicule automobile réel a en mémoire 140 un historique des données de déplacement pendant une durée inférieure à une minutes, par exemple inférieure à 30 secondes).At step S70, the actual collision 1000 occurs. The real motor vehicle 100 stores, in a memory 140, the data representative of the displacement 130, 170, 120 during a running time of the real motor vehicle 100 of less than one minute, for example less than 30 seconds (that is to say that the real motor vehicle has in memory 140 a history of travel data for a period of less than one minute, for example less than 30 seconds).
A l’étape S80, suite à la collision réelle 1000, le véhicule 100 est à l’arrêt. Les données représentatives du déplacement 130, 170, 120 restent (c’est-à-dire persistent) dans la mémoire 140 du véhicule 100 par exemple tant que le véhicule 100 ne circule pas (autrement dit : ne roule pas) à nouveau. Ainsi, les données représentatives du déplacement 130, 170, 120 peuvent être lues dans la mémoire 140 du véhicule automobile réel 100 au-delà de la durée pendant laquelle le véhicule automobile réel 100 mémorise les données représentatives du déplacement 130, 170, 120 lorsque le véhicule 100 circule (autrement dit : roule).At step S80, following the actual collision 1000, the vehicle 100 is stationary. The data representative of the movement 130, 170, 120 remain (that is to say persist) in the memory 140 of the vehicle 100 for example as long as the vehicle 100 does not circulate (in other words: does not roll) again. Thus, the data representative of the movement 130, 170, 120 can be read in the memory 140 of the real motor vehicle 100 beyond the duration during which the real motor vehicle 100 stores the data representative of the movement 130, 170, 120 when the vehicle 100 is moving (in other words: driving).
A l’étape S90, une détermination des données représentatives d’une position P de l’obstacle réel 200 par rapport au véhicule automobile réel 100 lors de la collision réelle 1000 et de la dimension de la surface de contact entre le véhicule automobile réel 100 et l’obstacle réel 200 peut être réalisée sur le lieu de l’accident. Par exemple, la dimension de la surface de contact entre le véhicule automobile réel 100 et l’obstacle réel 200 peut-être déterminée par la mesure d’une longueur D de la surface de contact entre le véhicule automobile réel 100 et l’obstacle réel 200.In step S90, a determination of the data representative of a position P of the real obstacle 200 with respect to the real motor vehicle 100 during the real collision 1000 and of the dimension of the contact surface between the real motor vehicle 100 and the real obstacle 200 can be carried out at the site of the accident. For example, the dimension of the contact surface between the real motor vehicle 100 and the real obstacle 200 can be determined by measuring a length D of the contact surface between the real motor vehicle 100 and the real obstacle. 200.
A l’étape S100, le véhicule automobile réel 100 est par exemple ensuite transporté (le long d’un chemin 400 qui peut faire plusieurs kilomètres) jusqu’à un atelier 300 (autrement dit : garage).At step S100, the real motor vehicle 100 is for example then transported (along a path 400 which can be several kilometers long) to a workshop 300 (in other words: garage).
A l’étape S110, La lecture, dans la mémoire 140 du véhicule automobile réel 100, des données représentatives du déplacement 130, 170, 120 du véhicule automobile réel 100 lors de la collision réelle 1000 peut alors être réalisée dans l’atelier 300 par un dispositif électronique 310, par exemple un ordinateur (comprenant un microprocesseur ou un microcontrôleur) présent dans l’atelier 300 ou auquel on se connecte depuis l’atelier 300. Pour cela, le dispositif électronique 310 est connecté au véhicule 100 (par une connexion sans fil ou filaire).At step S110, the reading, in the memory 140 of the real motor vehicle 100, of the data representative of the displacement 130, 170, 120 of the real motor vehicle 100 during the real collision 1000 can then be carried out in the workshop 300 by an electronic device 310, for example a computer (comprising a microprocessor or a microcontroller) present in the workshop 300 or to which one connects from the workshop 300. For this, the electronic device 310 is connected to the vehicle 100 (by a connection wireless or wired).
A l’étape S120, la détermination par le réseau neuronal 311 de l’état d’endommagement de la pluralité de composants réels 150, 160 du véhicule automobile (par exemple une batterie 160 et un radiateur 150) est ensuite réalisée, l’ordinateur 310 comprenant le réseau neuronal 311, après réception par l’ordinateur 310 des données représentatives d’une position P de l’obstacle réel par rapport au véhicule automobile réel 100 lors de la collision réelle 100 et d’une dimension D la surface de contact entre le véhicule automobile réel 100 et l’obstacle réel 200 (ces données sont par exemple saisies par l’intermédiaire d’une interface homme-machine de l’ordinateur 310).In step S120, the determination by the neural network 311 of the state of damage of the plurality of actual components 150, 160 of the motor vehicle (for example a battery 160 and a radiator 150) is then carried out, the computer 310 comprising the neural network 311, after reception by the computer 310 of the data representative of a position P of the real obstacle relative to the real motor vehicle 100 during the real collision 100 and of a dimension D the contact surface between the real motor vehicle 100 and the real obstacle 200 (these data are for example entered via a man-machine interface of the computer 310).
La simulation et l’apprentissage supervisé peuvent, bien entendu, être réalisés par un ordinateur 500 différents (et/distant) du dispositif électronique 310 (le réseau de neurones 311 peut-être ainsi présent dans la l’ordinateur 500 lors de l’apprentissage et ensuite réceptionné par le dispositif 310 en provenance de l’ordinateur 500).The simulation and the supervised learning can, of course, be carried out by a computer 500 different (and/remote) from the electronic device 310 (the neural network 311 may thus be present in the computer 500 during the learning and then received by device 310 from computer 500).
Par exemple, le véhicule automobile de simulation comprend une carrosserie de simulation (ayant une forme, des éléments et une résistance aux chocs, dans lequel les données structurelles du véhicule automobile de simulation comprennent :For example, the simulation motor vehicle includes a simulation body (having shape, features and crashworthiness, wherein the structural data of the simulation motor vehicle includes:
- Une représentation de la forme de la carrosserie de simulation, et/ouA representation of the shape of the simulation body, and/or
- Une représentation de la résistance aux chocs de la carrosserie de simulation.A representation of the crashworthiness of the simulation body.
Par exemple, la pluralité de composants simulation a une forme et une position dans le véhicule automobile de simulation, et les données structurelles du véhicule automobile de simulation comprennent la forme et la position de chaque composant de la pluralité de composants réels dans le véhicule automobile de simulation.For example, the plurality of simulation components has a shape and a position in the simulation motor vehicle, and the structural data of the simulation motor vehicle includes the shape and position of each component of the plurality of real components in the motor vehicle of simulation.
Par exemple les données représentatives du déplacement du véhicule automobile réel 100 (ou respectivement, de simulation) comprennent :For example, the data representative of the movement of the real motor vehicle 100 (or respectively, simulation) comprise:
- Une vitesse du véhicule automobile réel 100, (ou respectivement, de simulation), et/ouA speed of the real motor vehicle 100, (or respectively, simulation), and/or
- Une direction 170 du véhicule automobile réel 100, (ou respectivement, de simulation), et/ouA steering 170 of the real motor vehicle 100, (or respectively, of simulation), and/or
- Une orientation 120 du véhicule automobile réel 100, (ou respectivement, de simulation) et/ouAn orientation 120 of the real motor vehicle 100, (or respectively, simulation) and/or
- Une orientation 130 de roues (par exemple avant) du véhicule automobile réel 100 (ou respectivement, de simulation).An orientation 130 of wheels (for example front) of the real motor vehicle 100 (or respectively, simulation).
Par exemple, l’état d’endommagement de la pluralité de composants réels 150,160 (ou respectivement, de simulation), indique, pour chaque composant réel 150 ou 160 (ou respectivement, de simulation) de la pluralité de composants réels 150, 160 (ou respectivement, de simulations), s’il faut remplacer (ou réparer) le composant réel 150 ou 160) (ou respectivement, de simulation) sur le véhicule automobile réel 100 (ou respectivement, de simulation), et(/ou) une étape de remplacement (ou de réparation) du composant réel 150 ou 160 sur (autrement dit : dans) le véhicule automobile réel 100 est réalisée si l’état d’endommagement indique qu’il faut remplacer (ou réparer) le composant réel 150 et 160.For example, the state of damage of the plurality of real components 150, 160 (or respectively, of simulation), indicates, for each real component 150 or 160 (or respectively, of simulation) of the plurality of real components 150, 160 ( or respectively, simulations), whether to replace (or repair) the real (or respectively, simulation) component 150 or 160) on the real (or respectively, simulation) motor vehicle 100, and (/or) a step of replacing (or repairing) the real component 150 or 160 on (in other words: in) the real motor vehicle 100 is carried out if the state of damage indicates that it is necessary to replace (or repair) the real component 150 and 160.
Claims (10)
- Lecture (S110), dans une mémoire (140) du véhicule automobile réel (100), de données représentatives d’un déplacement (120, 130, 170) du véhicule automobile réel (100) lors de la collision réelle (1000),
- Réception (S90) de données représentatives d’une position de l’obstacle réel (P) lors de la collision réelle (1000) et d’une dimension (D) d’une surface de contact entre le véhicule automobile réel (100) et l’obstacle réel (200) lors de la collision réelle (1000),
- Détermination (S120), par un réseau neuronal (311), d’un état d’endommagement de la pluralité de composants réels (150, 160), suite à la collision réelle (1000), à partir des données représentatives du déplacement (120, 130, 170) du véhicule automobile réel (100), et des données représentatives de la position (P) de l’obstacle réel et de la dimension (D) de la surface de contact entre le véhicule automobile réel (100) et l’obstacle réel (200).
- Reading (S110), in a memory (140) of the real motor vehicle (100), of data representative of a displacement (120, 130, 170) of the real motor vehicle (100) during the real collision (1000),
- Reception (S90) of data representative of a position of the real obstacle (P) during the real collision (1000) and of a dimension (D) of a contact surface between the real motor vehicle (100) and the real obstacle (200) during the real collision (1000),
- Determination (S120), by a neural network (311), of a state of damage of the plurality of real components (150, 160), following the real collision (1000), from the data representative of the displacement (120 , 130, 170) of the real motor vehicle (100), and data representative of the position (P) of the real obstacle and of the dimension (D) of the contact surface between the real motor vehicle (100) and the real obstacle (200).
- Détermination (S10) de données représentatives d’un déplacement d’un véhicule automobile de simulation comprenant une pluralité de composants de simulation,
- Lecture (S20), dans une deuxième mémoire (520), de données structurelles du véhicule automobile de simulation,
- Détermination (S30) de données représentatives d’une position d’un obstacle de simulation et d’une dimension d’une surface de contact entre le véhicule automobile de simulation et l’obstacle de simulation lors une collision de simulation entre le véhicule automobile de simulation et l’obstacle de simulation,
- Simulation (S40) de la collision de simulation, à partir des données structurelles du véhicule automobile de simulation, des données représentatives du déplacement du véhicule automobile de simulation, et des données représentatives de la position de l’obstacle de simulation et de la dimension de la surface de contact entre le véhicule automobile de simulation et l’obstacle de simulation, et détermination (S50), à partir d’un résultat de la simulation, d’un état d’endommagement de la pluralité de composants de simulation.
- Apprentissage supervisé (S60), par le réseau neuronal (311), à partir, des données représentatives du déplacement du véhicule automobile de simulation, et des données représentatives de la position de l’obstacle de simulation et de la dimension de la surface de contact entre le véhicule automobile de simulation et l’obstacle de simulation, étiquetées par l’état d’endommagement de la pluralité de composants de simulation.
- Determination (S10) of data representative of a movement of a simulation motor vehicle comprising a plurality of simulation components,
- Reading (S20), in a second memory (520), of structural data of the simulation motor vehicle,
- Determination (S30) of data representative of a position of a simulation obstacle and of a dimension of a contact surface between the simulation motor vehicle and the simulation obstacle during a simulation collision between the motor vehicle of simulation and simulation obstacle,
- Simulation (S40) of the simulation collision, based on structural data of the simulation motor vehicle, data representative of the displacement of the simulation motor vehicle, and data representative of the position of the simulation obstacle and the dimension of the contact surface between the simulation motor vehicle and the simulation obstacle, and determining (S50), from a result of the simulation, a state of damage of the plurality of simulation components.
- Supervised learning (S60), by the neural network (311), from data representative of the movement of the simulation motor vehicle, and data representative of the position of the simulation obstacle and of the dimension of the contact surface between the simulation motor vehicle and the simulation obstacle, labeled by the state of damage of the plurality of simulation components.
- Les données représentatives d’un déplacement du véhicule automobile de simulation,
- Les données représentatives d’une position de l’obstacle de simulation lors de la collision de simulation et d’une dimension de la surface de contact entre le véhicule automobile de simulation et l’obstacle de simulation.
- The data representative of a movement of the simulation motor vehicle,
- Data representative of a position of the simulation obstacle during the simulation collision and of a dimension of the contact surface between the simulation motor vehicle and the simulation obstacle.
- Une représentation de la forme de la carrosserie de simulation, et/ou
- Une représentation de la résistance aux chocs de la carrosserie de simulation.
- A representation of the shape of the simulation body, and/or
- A representation of the crashworthiness of the simulation body.
- Une vitesse du véhicule automobile réel (100), ou
- Une direction (170) du véhicule automobile réel (100), ou
- Une orientation (120) du véhicule automobile réel (100), ou
- Une orientation (130) de roues du véhicule automobile réel (100).
- A speed of the actual motor vehicle (100), or
- A steering (170) of the actual motor vehicle (100), or
- An orientation (120) of the actual motor vehicle (100), or
- An orientation (130) of wheels of the actual motor vehicle (100).
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR2112240A FR3129518A1 (en) | 2021-11-19 | 2021-11-19 | Method for estimating the damage caused by a collision suffered by a motor vehicle, and associated electronic device |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR2112240 | 2021-11-19 | ||
FR2112240A FR3129518A1 (en) | 2021-11-19 | 2021-11-19 | Method for estimating the damage caused by a collision suffered by a motor vehicle, and associated electronic device |
Publications (1)
Publication Number | Publication Date |
---|---|
FR3129518A1 true FR3129518A1 (en) | 2023-05-26 |
Family
ID=80786378
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
FR2112240A Pending FR3129518A1 (en) | 2021-11-19 | 2021-11-19 | Method for estimating the damage caused by a collision suffered by a motor vehicle, and associated electronic device |
Country Status (1)
Country | Link |
---|---|
FR (1) | FR3129518A1 (en) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10246037B1 (en) * | 2018-07-16 | 2019-04-02 | Cambridge Mobile Telematics Inc. | Vehicle telematics of vehicle crashes |
US20200334928A1 (en) * | 2017-11-17 | 2020-10-22 | Xtract360 Ltd | Collision evaluation |
-
2021
- 2021-11-19 FR FR2112240A patent/FR3129518A1/en active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200334928A1 (en) * | 2017-11-17 | 2020-10-22 | Xtract360 Ltd | Collision evaluation |
US10246037B1 (en) * | 2018-07-16 | 2019-04-02 | Cambridge Mobile Telematics Inc. | Vehicle telematics of vehicle crashes |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102018106549B4 (en) | System for integrated vehicle sensor calibration and maintenance | |
DE102012017497B3 (en) | Traffic system for autonomous driving and method for determining a vehicle damage | |
KR102646670B1 (en) | Driver assist design analysis system | |
US20210398088A1 (en) | System, Method, and Computer-Readable Medium for Comparing Automatically Determined Crash Information to Historical Collision Data to Estimate Repair Costs | |
DE102017112322A1 (en) | Vehicle health review on noise and vibration levels | |
US10850768B2 (en) | Suspension-system degradation detection | |
US11267481B2 (en) | Driver assist design analysis system | |
CN109447507A (en) | A kind of vehicle appraisal procedure and device | |
US20210272208A1 (en) | System and Method for Predicting Total Loss of a Vehicle Prior to a Crash | |
Kostek et al. | Simulation of car collision with an impact block | |
DE102017221891B4 (en) | Method for determining damage that occurs to the vehicle in an accident between a vehicle and a collision partner | |
EP3143590A2 (en) | Examining defects | |
FR3129518A1 (en) | Method for estimating the damage caused by a collision suffered by a motor vehicle, and associated electronic device | |
CN108197977B (en) | Vehicle brand recommendation method and device | |
CN116384958A (en) | System and method for vehicle analysis | |
Kim et al. | Interpretation of stiffness change over the trunk side of a vehicle upon a re-accident after repair its former rear impact collision accident | |
Peck et al. | Eleven instrumented motorcycle crash tests and development of updated motorcycle impact-speed equations | |
Siddiqui | Gone in Sixty Seconds: Fading Automobile Insurance Costs in a Driverless Future | |
Lewicki et al. | Influence of increased availability of various categories of spare parts in the market on the cost of servicing passenger cars in Poland | |
US20030193155A1 (en) | Remanufactured suspension assembly | |
Duboka | Considerations in forensic examination of automotive systems | |
KR102526015B1 (en) | Method for analyzing stiffness change of vehicle front frame before and after accident repair and method for evaluating safety of repaired vehicle using thereof | |
Asay et al. | Rear Override Impact Analysis of Full-Size and Light Duty Pickup Trucks for Crash Reconstruction | |
Truett | STARTUP STORIES; As EV newcomers grapple with the industry's huge cash demands, Rivian has managed to attract the big investments that are necessary for launch. | |
Segal | Total Recall: A Data-Driven Analysis of the Takata Airbag Recall |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PLFP | Fee payment |
Year of fee payment: 2 |
|
PLSC | Publication of the preliminary search report |
Effective date: 20230526 |
|
PLFP | Fee payment |
Year of fee payment: 3 |
|
CD | Change of name or company name |
Owner name: STELLANTIS AUTO SAS, FR Effective date: 20240423 |