FR3143514A1 - Method for automated management of the longitudinal speed of a motor vehicle. - Google Patents
Method for automated management of the longitudinal speed of a motor vehicle. Download PDFInfo
- Publication number
- FR3143514A1 FR3143514A1 FR2214018A FR2214018A FR3143514A1 FR 3143514 A1 FR3143514 A1 FR 3143514A1 FR 2214018 A FR2214018 A FR 2214018A FR 2214018 A FR2214018 A FR 2214018A FR 3143514 A1 FR3143514 A1 FR 3143514A1
- Authority
- FR
- France
- Prior art keywords
- motor vehicle
- model
- longitudinal speed
- parameters
- vehicle
- 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 60
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000007726 management method Methods 0.000 claims description 78
- 230000001133 acceleration Effects 0.000 claims description 39
- 101150074417 SSC1 gene Proteins 0.000 claims description 16
- 239000004148 curcumin Substances 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 9
- 239000002151 riboflavin Substances 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 9
- 230000010354 integration Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 101100041823 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) AI3 gene Proteins 0.000 claims description 5
- 239000004149 tartrazine Substances 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 101100041821 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) AI4 gene Proteins 0.000 description 6
- 101100225893 Saccharomyces cerevisiae ENS2 gene Proteins 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000002123 temporal effect Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 101000701142 Homo sapiens Transcription factor ATOH1 Proteins 0.000 description 2
- 102100029373 Transcription factor ATOH1 Human genes 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- HYIMSNHJOBLJNT-UHFFFAOYSA-N nifedipine Chemical compound COC(=O)C1=C(C)NC(C)=C(C(=O)OC)C1C1=CC=CC=C1[N+]([O-])=O HYIMSNHJOBLJNT-UHFFFAOYSA-N 0.000 description 2
- WESJNFANGQJVKA-UHFFFAOYSA-M sodium;2,3-dichloro-2-methylpropanoate Chemical compound [Na+].ClCC(Cl)(C)C([O-])=O WESJNFANGQJVKA-UHFFFAOYSA-M 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 101100446506 Mus musculus Fgf3 gene Proteins 0.000 description 1
- 101000767160 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) Intracellular protein transport protein USO1 Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000036461 convulsion Effects 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000004172 quinoline yellow Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/08—Interaction between the driver and the control system
- B60W50/10—Interpretation of driver requests or demands
-
- 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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/14—Adaptive cruise control
-
- 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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/14—Adaptive cruise control
- B60W30/16—Control of distance between vehicles, e.g. keeping a distance to preceding vehicle
-
- 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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/18—Propelling the vehicle
- B60W30/182—Selecting between different operative modes, e.g. comfort and performance modes
-
- 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
- B60W2050/0029—Mathematical model of the driver
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
- B60W2520/105—Longitudinal acceleration
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/12—Lateral 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/12—Lateral speed
- B60W2520/125—Lateral acceleration
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/14—Yaw
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/16—Pitch
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/18—Roll
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4042—Longitudinal 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4043—Lateral 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/801—Lateral distance
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/802—Longitudinal distance
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/803—Relative lateral 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/804—Relative longitudinal 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
- B60W2720/00—Output or target parameters relating to overall vehicle dynamics
- B60W2720/10—Longitudinal speed
- B60W2720/106—Longitudinal acceleration
-
- 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
- B60W2720/00—Output or target parameters relating to overall vehicle dynamics
- B60W2720/12—Lateral speed
- B60W2720/125—Lateral acceleration
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
Procédé de gestion de la vitesse longitudinale d’un véhicule automobile. Procédé de gestion de la vitesse longitudinale d’un véhicule automobile comprenant module de contrôle de la vitesse longitudinale, le procédé définissant un modèle de gestion de la vitesse longitudinale du véhicule automobile, le modèle étant configurable selon un premier ensemble de paramètres de calibrage et selon un deuxième ensemble de paramètres de conduite du véhicule automobile, le véhicule automobile comprenant des moyens de détermination du deuxième ensemble de paramètres de conduite, caractérisé en ce qu’il comprend :- une étape d’entraînement initial du modèle, comprenant l’utilisation de différentes valeurs simulées du premier ensemble de paramètres de calibrage, puis- une étape de mise à jour du modèle comprenant l’utilisation de différentes valeurs observées ou mesurées de paramètres du premier ensemble de paramètres de calibrage et d’un deuxième ensemble de paramètres de conduite. Figure pour l’abrégé : 1Method for managing the longitudinal speed of a motor vehicle. Method for managing the longitudinal speed of a motor vehicle comprising a longitudinal speed control module, the method defining a model for managing the longitudinal speed of the motor vehicle, the model being configurable according to a first set of calibration parameters and according to a second set of driving parameters of the motor vehicle, the motor vehicle comprising means for determining the second set of driving parameters, characterized in that it comprises: - an initial training step of the model, comprising the use of different simulated values of the first set of calibration parameters, then - a step of updating the model comprising the use of different observed or measured values of parameters of the first set of calibration parameters and a second set of driving parameters . Figure for abstract: 1
Description
L’invention concerne un procédé de gestion automatisée de la vitesse longitudinale d’un véhicule automobile. L’invention porte encore sur un dispositif de gestion automatisée de la vitesse longitudinale d’un véhicule automobile. L’invention porte également sur un programme d’ordinateur mettant en œuvre le procédé mentionné. L’invention porte enfin sur un support d’enregistrement sur lequel est enregistré un tel programme.The invention relates to a method for automated management of the longitudinal speed of a motor vehicle. The invention also relates to a device for automated management of the longitudinal speed of a motor vehicle. The invention also relates to a computer program implementing the mentioned method. The invention finally relates to a recording medium on which such a program is recorded.
Le contrôle de la vitesse longitudinale d’un véhicule automobile peut être automatisé, que ce soit par un module de contrôle de la vitesse longitudinale ou par un système de conduite autonome. De tels systèmes de gestion automatique de la vitesse longitudinale permettent notamment d’adapter la vitesse du véhicule équipé à la présence de véhicules dans son environnement. Ainsi, lorsqu’ils sont actifs, ils agissent sur le comportement du véhicule tel un conducteur virtuel prenant en charge une partie de la tâche de conduite.Control of the longitudinal speed of a motor vehicle can be automated, whether by a longitudinal speed control module or by an autonomous driving system. Such automatic longitudinal speed management systems make it possible in particular to adapt the speed of the equipped vehicle to the presence of vehicles in its environment. Thus, when they are active, they act on the behavior of the vehicle like a virtual driver taking over part of the driving task.
Les systèmes existants de gestion automatique de la vitesse longitudinale peuvent être paramétrés selon des réglages prédéfinis, mais ceux-ci ne correspondent pas forcément aux habitudes de conduite du conducteur.Existing automatic longitudinal speed management systems can be configured according to predefined settings, but these do not necessarily correspond to the driver's driving habits.
Alternativement, certains véhicules offrent la possibilité de paramétrer des réglages de ces systèmes via une interface homme-machine. Mais la complexité croissante des systèmes rend leur paramétrage trop complexe pour les usagers, et ceux-ci peuvent finalement se détourner de tels systèmes d’aide à la conduite.Alternatively, some vehicles offer the possibility of configuring settings for these systems via a human-machine interface. But the increasing complexity of the systems makes their configuration too complex for users, and they may ultimately turn away from such driving assistance systems.
Le but de l’invention est de fournir un dispositif et un procédé de gestion automatisée de la vitesse longitudinale remédiant aux inconvénients ci-dessus et améliorant les dispositifs et procédés de gestion automatisée de la vitesse longitudinale connus de l’art antérieur. En particulier, l’invention permet de réaliser un dispositif et un procédé qui soient simples et fiables et qui s’adapte aux habitudes de conduite d’un usager.The aim of the invention is to provide a device and a method for automated management of longitudinal speed remedying the above drawbacks and improving the management devices and methods automated longitudinal speed known from the prior art. In particular, the invention makes it possible to produce a device and a method which are simple and reliable and which adapts to the driving habits of a user.
A cet effet, l’invention porte sur un procédé de gestion de la vitesse longitudinale d’un véhicule automobile comprenant module de contrôle de la vitesse longitudinale, le procédé définissant un modèle de gestion de la vitesse longitudinale du véhicule automobile, le modèle étant configurable selon un premier ensemble de paramètres de calibrage et selon un deuxième ensemble de paramètres de conduite du véhicule automobile, le véhicule automobile comprenant des moyens de détermination du deuxième ensemble de paramètres de conduite. Le procédé comprend en outre :
- une étape d’entraînement initial du modèle, comprenant l’utilisation de différentes valeurs simulées du premier ensemble de paramètres de calibrage, puis
- une étape de mise à jour du modèle comprenant l’utilisation de différentes valeurs observées ou mesurées de paramètres du premier ensemble de paramètres de calibrage et d’un deuxième ensemble de paramètres de conduite.To this end, the invention relates to a method for managing the longitudinal speed of a motor vehicle comprising a longitudinal speed control module, the method defining a model for managing the longitudinal speed of the motor vehicle, the model being configurable according to a first set of calibration parameters and according to a second set of driving parameters of the motor vehicle, the motor vehicle comprising means for determining the second set of driving parameters. The method further comprises:
- an initial training step of the model, comprising the use of different simulated values of the first set of calibration parameters, then
- a step of updating the model comprising the use of different observed or measured values of parameters from the first set of calibration parameters and a second set of driving parameters.
Dans un mode de réalisation, l’étape d’entraînement initial comprend une itération sur les sous-étapes suivantes, pour différentes valeurs du premier ensemble de paramètres de calibrage :
- une sous-étape de recueil de données d’entraînement du modèle comprenant
(i) une attribution d’une valeur courante à chaque paramètre du premier ensemble de paramètres de calibrage, et
(ii) une détermination d’une valeur courante de chaque paramètre de conduite du deuxième ensemble par les moyens de détermination, puis
- une sous-étape d’intégration dans le modèle d’un troisième ensemble de paramètres d’entrainement, le troisième ensemble comprenant la valeur courante des paramètres du premier ensemble de paramètres de calibrage et la valeur courante des paramètres du deuxième ensemble de paramètres de conduite.In one embodiment, the initial training step includes an iteration over the following sub-steps, for different values of the first set of calibration parameters:
- a sub-step for collecting training data from the model comprising
(i) assigning a current value to each parameter of the first set of calibration parameters, and
(ii) a determination of a current value of each driving parameter of the second set by the determination means, then
- a sub-step of integrating into the model a third set of training parameters, the third set comprising the current value of the parameters of the first set of calibration parameters and the current value of the parameters of the second set of calibration parameters conduct.
Dans un mode de réalisation, la sous-étape de recueil de données d’entraînement s’effectue sur une durée d’enregistrement donnée,
- lors de simulations d’un véhicule automobile équipé d’un module de contrôle de la vitesse longitudinale, le véhicule se déplaçant sur un parcours virtuel, et/ou
- lors de déplacements réels d’un véhicule automobile équipé d’un module de contrôle de la vitesse longitudinale, le véhicule se déplaçant sur un ou plusieurs parcours routiers prédéfinis.In one embodiment, the training data collection sub-step is carried out over a given recording duration,
- during simulations of a motor vehicle equipped with a longitudinal speed control module, the vehicle moving on a virtual route, and/or
- during real movements of a motor vehicle equipped with a longitudinal speed control module, the vehicle traveling on one or more predefined road courses.
Dans un mode de réalisation, la sous-étape d’intégration comprend, suite à la sous-étape de recueil,
- une segmentation de la durée d’enregistrement donnée en une série de sous-périodes, puis
- pour chaque sous-période, un calcul de caractéristiques statistiques relatives aux données d’entrainement enregistrées durant la sous-période, les caractéristiques statistiques comprenant une moyenne et/ou une variance et/ou une valeur maximale, puis
- une intégration dans le modèle des caractéristiques statistiques relatives aux données d’entrainement de chaque sous-période.In one embodiment, the integration sub-step comprises, following the collection sub-step,
- a segmentation of the given recording duration into a series of sub-periods, then
- for each sub-period, a calculation of statistical characteristics relating to the training data recorded during the sub-period, the statistical characteristics comprising an average and/or a variance and/or a maximum value, then
- an integration into the model of the statistical characteristics relating to the training data of each sub-period.
Dans un mode de réalisation, l’étape de mise à jour du modèle comprend les sous-étapes suivantes :
- une détermination, à un instant d’observation, d’un mode de conduite courant du premier véhicule automobile comme étant d’un premier genre si une vitesse longitudinale du premier véhicule automobile est contrôlée par un conducteur humain, sinon comme étant d’un deuxième genre, puis
- si le mode de conduite courant est du premier genre, une sous-étape d’enregistrement de données d’observation comprenant une détermination à l’instant d’observation de paramètres du premier ensemble de paramètres de calibrage et du deuxième ensemble de paramètres de conduite, à partir des données issues des moyens de détermination, ou
- sinon, une sous-étape de fin d’observation comprenant une mise à jour du modèle de gestion de la vitesse longitudinale du véhicule automobile à partir des données d’observation recueillies lors des différents instants d’observation.In one embodiment, the model updating step comprises the following substeps:
- a determination, at an observation instant, of a current driving mode of the first motor vehicle as being of a first type if a longitudinal speed of the first motor vehicle is controlled by a human driver, otherwise as being of a second kind, then
- if the current driving mode is of the first type, a sub-step of recording observation data comprising a determination at the observation instant of parameters of the first set of calibration parameters and of the second set of calibration parameters conducted, based on data from the determination means, or
- otherwise, an end of observation sub-step comprising an update of the longitudinal speed management model of the motor vehicle from the observation data collected during the different observation times.
Dans un mode de réalisation, le procédé de gestion comprend une itération d’une étape de gestion automatique de la vitesse longitudinale du véhicule automobile par application du modèle en fonction d’au moins un paramètre du deuxième ensemble de paramètres de conduite déterminé par les moyens de détermination, à un instant d’itération de l’étape de gestion automatique de la vitesse longitudinale du véhicule automobile.In one embodiment, the management method comprises an iteration of a step of automatic management of the longitudinal speed of the motor vehicle by application of the model as a function of at least one parameter of the second set of driving parameters determined by the means determination, at an iteration instant of the step of automatically managing the longitudinal speed of the motor vehicle.
Dans un mode de réalisation, les itérations de l’étape de mise à jour du modèle et/ou de l’étape de gestion automatique de la vitesse longitudinale s’effectuent à une fréquence d’un calculateur sur lequel s’exécute le procédé, par exemple à une fréquence de 100 Hertz.In one embodiment, the iterations of the model updating step and/or the automatic longitudinal speed management step are carried out at a frequency of a computer on which the method is executed, for example at a frequency of 100 Hertz.
Dans un mode de réalisation, le procédé de gestion comprend un apprentissage automatique du modèle de gestion de la vitesse longitudinale, selon une méthode choisie parmi
- une méthode dite de « Machine à Support de Vecteur »,
- une méthode dites des « K voisins plus proches »,
- une méthode dite de « forêt aléatoire », et
- une méthode dite « de réseau de neurones récurrents ».In one embodiment, the management method comprises automatic learning of the longitudinal speed management model, according to a method chosen from
- a method called “Vector Support Machine”,
- a so-called “K nearest neighbors” method,
- a so-called “random forest” method, and
- a method called “recurrent neural network”.
Dans un mode de réalisation, le premier ensemble de paramètres de calibrage comprend
- une valeur maximale d’accélération longitudinale applicable lorsque le véhicule automobile est précédé d’un autre véhicule, et/ou
- une valeur maximale d’accélération longitudinale applicable lorsque le véhicule automobile n’est précédé d’aucun véhicule, et/ou
- une valeur de consigne de distance de suivi d’un véhicule situé devant le véhicule automobile, et/ou
- une valeur maximale d’accélération latérale en virage, et/ou
- une valeur maximale de décélération longitudinale.In one embodiment, the first set of calibration parameters includes
- a maximum longitudinal acceleration value applicable when the motor vehicle is preceded by another vehicle, and/or
- a maximum longitudinal acceleration value applicable when the motor vehicle is not preceded by any vehicle, and/or
- a set value for the following distance of a vehicle located in front of the motor vehicle, and/or
- a maximum value of lateral acceleration in turns, and/or
- a maximum longitudinal deceleration value.
Dans un mode de réalisation, le deuxième ensemble de paramètres de conduite comprend au moins un paramètre pris parmi
- une accélération longitudinale du véhicule automobile,
- une vitesse longitudinale du véhicule automobile,
- une accélération latérale du véhicule automobile,
- une vitesse latérale du véhicule automobile,
- une vitesse de lacet du véhicule automobile,
- une distance entre le véhicule automobile et un véhicule qui le précède,
- une vitesse d’un véhicule précédent le véhicule automobile,
- une accélération d’un véhicule précédent le véhicule automobile,
- une angle volant appliqué par un conducteur du véhicule automobile,
- une requête de couple moteur appliquée par le véhicule automobile,
- une requête de couple de freinage appliquée par le véhicule automobile.In one embodiment, the second set of driving parameters comprises at least one parameter taken from
- longitudinal acceleration of the motor vehicle,
- a longitudinal speed of the motor vehicle,
- lateral acceleration of the motor vehicle,
- a lateral speed of the motor vehicle,
- a yaw speed of the motor vehicle,
- a distance between the motor vehicle and a vehicle in front of it,
- a speed of a vehicle preceding the motor vehicle,
- acceleration of a vehicle preceding the motor vehicle,
- a steering wheel angle applied by a driver of the motor vehicle,
- a request for engine torque applied by the motor vehicle,
- a braking torque request applied by the motor vehicle.
Dans un mode de réalisation, le procédé comprend une phase de conduite délimitée par
- un instant de début de phase de conduite, où un moteur du véhicule automobile est démarré au moyen d’une clé ou d’un bouton de contact par un conducteur, et
- un instant de fin de phase de conduite, où un moteur du véhicule automobile est arrêté au moyen d’une clé ou d’un bouton de contact par un conducteur.
De plus, entre l’instant de début de phase de conduite et l’instant de fin de phase de conduite, un modèle de gestion de la vitesse longitudinale du véhicule automobile est enregistré dans une mémoire volatile du véhicule automobile.
En outre, à l’instant de fin de phase de conduite, un modèle de gestion de la vitesse longitudinale du véhicule automobile est enregistré dans une mémoire non volatile du véhicule automobile.In one embodiment, the method comprises a driving phase delimited by
- an instant at the start of the driving phase, where an engine of the motor vehicle is started by means of a key or an ignition button by a driver, and
- an instant at the end of the driving phase, where an engine of the motor vehicle is stopped by means of a key or an ignition button by a driver.
In addition, between the start time of the driving phase and the end time of the driving phase, a model for managing the longitudinal speed of the motor vehicle is recorded in a volatile memory of the motor vehicle.
Furthermore, at the end of the driving phase, a model for managing the longitudinal speed of the motor vehicle is recorded in a non-volatile memory of the motor vehicle.
L’invention porte également sur un dispositif de gestion de la vitesse longitudinale d’un premier véhicule automobile, le véhicule automobile étant équipé d’un module de contrôle de la vitesse longitudinale, d’un moteur et d’un système de freinage, le dispositif comprenant des éléments matériels et/ou logiciels mettant en œuvre le procédé selon l’invention.The invention also relates to a device for managing the longitudinal speed of a first motor vehicle, the motor vehicle being equipped with a longitudinal speed control module, an engine and a braking system, the device comprising hardware and/or software elements implementing the method according to the invention.
L’invention porte également sur un produit programme d’ordinateur comprenant des instructions de code de programme enregistrées sur un support lisible par ordinateur pour mettre en œuvre les étapes du procédé selon l’invention lorsque ledit programme fonctionne sur un ordinateur ou produit programme d’ordinateur téléchargeable depuis un réseau de communication et/ou enregistré sur un support de données lisible par un ordinateur et/ou exécutable par un ordinateur comprenant des instructions qui, lorsque le programme est exécuté par l’ordinateur, conduisent celui-ci à mettre en œuvre les étapes du procédé selon l’invention.The invention also relates to a computer program product comprising program code instructions recorded on a computer readable medium for implementing the steps of the method according to the invention when said program operates on a computer or computer program product. computer downloadable from a communications network and/or recorded on a data carrier readable by a computer and/or executable by a computer comprising instructions which, when the program is executed by the computer, lead it to implement the steps of the process according to the invention.
L’invention porte également sur un support d’enregistrement de données, lisible par un ordinateur, sur lequel est enregistré un programme d’ordinateur comprenant des instructions de code de programme de mise en œuvre du procédé selon l’invention ou support d'enregistrement lisible par ordinateur comprenant des instructions qui, lorsqu'elles sont exécutées par un ordinateur, conduisent celui-ci à mettre en œuvre les étapes du procédé selon l’invention.The invention also relates to a data recording medium, readable by a computer, on which a computer program comprising program code instructions for implementing the method according to the invention is recorded or recording medium computer readable comprising instructions which, when executed by a computer, lead it to implement the steps of the method according to the invention.
L’invention porte également sur un signal d’un support de données, portant le produit programme d'ordinateur selon l’inventionThe invention also relates to a signal from a data carrier, carrying the computer program product according to the invention
La
La
La
La
La
Un mode de réalisation d’un véhicule équipé d’un moyen de mise en œuvre d'un procédé de gestion automatisée de la vitesse longitudinale est décrit ci-après en référence à la
Le premier véhicule automobile 100, ou véhicule automobile 100 peut être un véhicule automobile de n’importe quel type, notamment un véhicule de tourisme, un véhicule utilitaire, un camion ou encore un véhicule de transport en commun tel qu’un bus ou une navette. Selon le mode de réalisation décrit, le véhicule automobile 100 peut être un véhicule autonome.The first motor vehicle 100, or motor vehicle 100 can be a motor vehicle of any type, in particular a passenger vehicle, a utility vehicle, a truck or even a public transport vehicle such as a bus or a shuttle . According to the embodiment described, the motor vehicle 100 can be an autonomous vehicle.
Cette illustration est faite à titre non limitatif. Notamment le véhicule automobile pourrait être un véhicule non autonome, équipé d’un système d'aide à la conduite, notamment un système d'aide à la conduite correspondant à un niveau supérieur ou égal au niveau 2 d’autonomie, c’est-à-dire correspondant à une autonomie partielle du véhicule.This illustration is made for non-limiting purposes. In particular, the motor vehicle could be a non-autonomous vehicle, equipped with a driving assistance system, in particular a driving assistance system corresponding to a level greater than or equal to level 2 of autonomy, i.e. i.e. corresponding to partial autonomy of the vehicle.
Le véhicule automobile 100 comprend un système 10 de gestion automatisée de la vitesse longitudinale d’un véhicule automobile, aussi nommé dans la suite du document « système de gestion 10 ».The motor vehicle 100 comprises a system 10 for automated management of the longitudinal speed of a motor vehicle, also called “management system 10” in the remainder of the document.
Le système de gestion 10 peut faire partie d’un système plus global d’aide à la conduite 50, comprenant un module de contrôle de la vitesse longitudinale 5 apte à transmettre des ordres de commande à un moteur 6 ou à un système de freinage 7 du véhicule.The management system 10 can be part of a more global driving assistance system 50, comprising a longitudinal speed control module 5 capable of transmitting control orders to a motor 6 or to a braking system 7 of the vehicle.
En remarque, pour son déplacement le véhicule automobile 100 peut être équipé de plusieurs moteurs, par exemple un moteur thermique et un moteur électrique. Dans la suite du document, l’arrêt du véhicule automobile 100 correspond à l’arrêt de l’ensemble des moteurs utilisés pour le déplacement du véhicule automobile 100.As a note, for its movement the motor vehicle 100 can be equipped with several motors, for example a thermal engine and an electric motor. In the rest of the document, the stopping of the motor vehicle 100 corresponds to the stopping of all the engines used for the movement of the motor vehicle 100.
En référence à la
- L’axe dit axe longitudinal 101 du véhicule automobile 100 est défini comme un axe de symétrie du véhicule automobile 100 parallèle à l’axe selon lequel le véhicule se déplace en ligne droite, orienté vers l’avant du véhicule.
- L’axe dit axe latéral 102 du véhicule automobile coupe perpendiculairement l’axe longitudinal 101 en un point situé au centre de gravité du véhicule automobile 100, et il est orienté vers la gauche du véhicule automobile, la gauche et la droite étant définies selon le point de vue du conducteur.
- Le vecteur vitesse 103 du véhicule automobile 100 en projection sur l’axe longitudinal 101 définit la composante longitudinale 104 du vecteur vitesse, dite vitesse longitudinale.
- Le vecteur vitesse 103 du véhicule automobile 100 en projection sur l’axe latéral 102 définit la composante latérale 105 du vecteur vitesse, dite vitesse latérale.
- De même, une distance entre deux véhicules peut être projetée sur les axes longitudinal et latéral, définissant ainsi une distance longitudinale -ou distance de suivi DS- et une distance latérale.In reference to the
- The axis known as the longitudinal axis 101 of the motor vehicle 100 is defined as an axis of symmetry of the motor vehicle 100 parallel to the axis along which the vehicle moves in a straight line, oriented towards the front of the vehicle.
- The so-called lateral axis 102 of the motor vehicle intersects the longitudinal axis 101 perpendicularly at a point located at the center of gravity of the motor vehicle 100, and it is oriented towards the left of the motor vehicle, the left and the right being defined according to the driver's point of view.
- The speed vector 103 of the motor vehicle 100 projected onto the longitudinal axis 101 defines the longitudinal component 104 of the speed vector, called longitudinal speed.
- The speed vector 103 of the motor vehicle 100 projected onto the lateral axis 102 defines the lateral component 105 of the speed vector, called lateral speed.
- Likewise, a distance between two vehicles can be projected onto the longitudinal and lateral axes, thus defining a longitudinal distance -or tracking distance DS- and a lateral distance.
La même terminologie est appliquée pour définir les paramètres de position et de vitesse d’un deuxième véhicule 200, représenté dans la
Un véhicule cible 200 peut être un véhicule automobile de n’importe quel type, notamment un véhicule de tourisme ou un véhicule utilitaire ou encore une moto.A target vehicle 200 can be a motor vehicle of any type, in particular a passenger vehicle or a utility vehicle or even a motorcycle.
Dans la suite du document, on nomme « temps de suivi » le temps qu’il faudrait, à un instant donné, au véhicule automobile 100 pour rejoindre la position d’un véhicule cible 200.In the rest of the document, we call “tracking time” the time it would take, at a given moment, for the motor vehicle 100 to reach the position of a target vehicle 200.
Le module de contrôle de la vitesse longitudinale 5 est configurable selon un premier ensemble ENS1 de paramètres de calibrage, qui déterminent la dynamique des lois de commande de la vitesse longitudinale du véhicule automobile 100.The longitudinal speed control module 5 is configurable according to a first set ENS1 of calibration parameters, which determine the dynamics of the longitudinal speed control laws of the motor vehicle 100.
Dans un mode de réalisation, le premier ensemble ENS1 de paramètres de calibrage comprend :
- une valeur maximale d’accélération longitudinale applicable lorsque le véhicule automobile 100 est précédé d’un autre véhicule, notamment d’un véhicule cible, et/ou
- une valeur maximale d’accélération longitudinale applicable lorsque le véhicule automobile 100 n’est précédé d’aucun véhicule, et/ou
- une valeur de consigne de distance de suivi d’un véhicule situé devant le véhicule automobile (100), et/ou
- une valeur maximale d’accélération latérale en virage, et/ou
- une valeur maximale de décélération longitudinale.In one embodiment, the first set ENS1 of calibration parameters comprises:
- a maximum longitudinal acceleration value applicable when the motor vehicle 100 is preceded by another vehicle, in particular a target vehicle, and/or
- a maximum longitudinal acceleration value applicable when the motor vehicle 100 is not preceded by any vehicle, and/or
- a setpoint value for the following distance of a vehicle located in front of the motor vehicle (100), and/or
- a maximum value of lateral acceleration in turns, and/or
- a maximum longitudinal deceleration value.
Dans ce mode de réalisation, les paramètres de calibrage choisis ont un effet d’ordre 1 sur le module de contrôle de la vitesse longitudinale 5. D’autres paramètres pourraient être considérés, par exemple des valeurs maximales de jerk, ou des valeurs minimales d’une distance finale entre une cible et le véhicule automobile 100 lors d’un arrêt.In this embodiment, the chosen calibration parameters have an effect of order 1 on the longitudinal speed control module 5. Other parameters could be considered, for example maximum values of jerk, or minimum values d 'a final distance between a target and the motor vehicle 100 during a stop.
Le tableau Table 1 suivant fournit un exemple de valeurs attribuées au premier ensemble ENS1 de paramètres de calibrage.The following Table 1 provides an example of values assigned to the first ENS1 set of calibration parameters.
Le véhicule automobile 100 comprend en outre des moyens de détermination 1 d’un deuxième ensemble ENS2 de paramètres de conduite.The motor vehicle 100 further comprises means 1 for determining a second set ENS2 of driving parameters.
Dans la suite du document, le terme « paramètres de conduite » désigne des paramètres représentatifs d’un mode de conduite d’un usager du véhicule automobile 100. Les paramètres de conduite sont susceptibles d’être pris en compte dans la gestion de la vitesse longitudinale du véhicule automobile 100, notamment dans la détermination de valeurs des paramètres de calibrage du le module de contrôle de la vitesse longitudinale 5.In the rest of the document, the term "driving parameters" designates parameters representative of a driving mode of a user of the motor vehicle 100. The driving parameters are likely to be taken into account in speed management longitudinal speed of the motor vehicle 100, in particular in the determination of values of the calibration parameters of the longitudinal speed control module 5.
Dans un mode de réalisation, les paramètres de conduite comprennent au moins un paramètre pris parmi :
- une accélération longitudinale du véhicule automobile 100,
- une vitesse longitudinale du véhicule automobile 100,
- une accélération latérale du véhicule automobile 100,
- une vitesse latérale du véhicule automobile 100, une vitesse de lacet du véhicule automobile 100,
- une distance entre le véhicule automobile 100 et un véhicule qui le précède,
- une vitesse d’un véhicule précédent le véhicule automobile 100,
- une accélération d’un véhicule précédent le véhicule automobile 100,
- une angle volant appliqué par un conducteur du véhicule automobile 100,
- une requête de couple moteur appliquée par le véhicule automobile 100,
- une requête de couple de freinage appliquée par le véhicule automobile 100.In one embodiment, the driving parameters include at least one parameter taken from:
- a longitudinal acceleration of the motor vehicle 100,
- a longitudinal speed of the motor vehicle 100,
- lateral acceleration of the motor vehicle 100,
- a lateral speed of the motor vehicle 100, a yaw speed of the motor vehicle 100,
- a distance between the motor vehicle 100 and a vehicle in front of it,
- a speed of a vehicle preceding the motor vehicle 100,
- acceleration of a vehicle preceding the motor vehicle 100,
- a steering wheel angle applied by a driver of the motor vehicle 100,
- a request for engine torque applied by the motor vehicle 100,
- a braking torque request applied by the motor vehicle 100.
Les paramètres de conduite peuvent en outre comprendre :
- des conditions météorologiques d’un lieu où circule le véhicule automobile 100, par exemple un temps pluvieux,
- des conditions de visibilité liées au tracé des routes, ou à la luminosité,
- un style de conduite préféré du conducteur, par exemple un style de conduite sportif,
- des conditions de circulation, notamment une densité de trafic, la présence d’un véhicule cible 200 devant le véhicule automobile 100, la distance ou l’intervalle de temps séparant le véhicule automobile 100 du véhicule cible 200,
- une infrastructure routière, par exemple le nombre de voies de la route, le type de route (route départementale, route nationale, autoroute).Driving parameters may additionally include:
- weather conditions of a place where the motor vehicle 100 is traveling, for example rainy weather,
- visibility conditions linked to the layout of the roads, or to luminosity,
- a preferred driving style of the driver, for example a sporty driving style,
- traffic conditions, in particular traffic density, the presence of a target vehicle 200 in front of the motor vehicle 100, the distance or the time interval separating the motor vehicle 100 from the target vehicle 200,
- road infrastructure, for example the number of lanes on the road, the type of road (departmental road, national road, motorway).
Les moyens de détermination 1 des paramètres de conduite comprennent un moyen de détermination de la vitesse et de l’accélération du véhicule automobile 100. Les moyens de détermination 1 des paramètres de conduite peuvent également comprendre un moyen de perception, notamment une caméra et/ou un radar et/ou un lidar situés à l’avant du véhicule automobile 100. Les moyens de détermination peuvent également comprendre un moyen de géolocalisation du véhicule automobile sur une carte permettant notamment de déterminer une vitesse limite applicable. D’autres modes de réalisation des moyens de détermination 1 sont envisageables, en fonction des paramètres de conduite pris en compte.The means 1 for determining the driving parameters comprise means for determining the speed and acceleration of the motor vehicle 100. The means 1 for determining the driving parameters may also comprise a means of perception, in particular a camera and/or a radar and/or a lidar located at the front of the motor vehicle 100. The determination means may also include a means of geolocation of the motor vehicle on a map making it possible in particular to determine an applicable speed limit. Other embodiments of the determination means 1 are possible, depending on the driving parameters taken into account.
Lors d’une utilisation manuelle d’un véhicule, un conducteur humain fait en sorte que les paramètres de conduite évoluent en cohérence les uns avec les autres, par exemple il adapte sa vitesse longitudinale aux conditions de visibilité, aux conditions de trafic, aux conditions d’adhérence de la route, à la réactivité qu’il souhaite avoir dans une situation de conduite donnée…When using a vehicle manually, a human driver ensures that the driving parameters evolve in coherence with each other, for example he adapts his longitudinal speed to the visibility conditions, to the traffic conditions, to the conditions of road grip, the responsiveness he wishes to have in a given driving situation…
L’invention a pour objectif
- d’une part, la construction d’un modèle MOD représentatif de la manière dont un usager donné adapte la vitesse longitudinale du véhicule automobile 100 en fonction des paramètres de conduite, et
- d’autre part, l’exploitation du modèle MOD pour déterminer les paramètres de calibrage en fonction des paramètres de conduite, de sorte à reproduire les habitudes de conduite de l’usager donné.The invention aims
- on the one hand, the construction of a MOD model representative of the way in which a given user adapts the longitudinal speed of the motor vehicle 100 as a function of the driving parameters, and
- on the other hand, the exploitation of the MOD model to determine the calibration parameters according to the driving parameters, so as to reproduce the driving habits of the given user.
Dans un premier temps, en amont de la commercialisation du véhicule automobile 100, notamment lors du calibrage du véhicule, le système de gestion 10 met en œuvre une phase d’apprentissage d’un modèle initial MOD0de gestion de la vitesse longitudinale. L’apprentissage du modèle initial MOD0est réalisé dans l’étape E100 d’entrainement initial, décrite plus loin dans ce document.Initially, before the marketing of the motor vehicle 100, in particular during the calibration of the vehicle, the management system 10 implements a learning phase of an initial model MOD 0 for managing the longitudinal speed. Learning of the initial model MOD 0 is carried out in the initial training step E100, described later in this document.
Par la suite, le système de gestion 10 fonctionne alternativement entre des phases d’apprentissage d’un modèle MOD et des phases d’exploitation du modèle MOD, le modèle MOD étant spécifique aux habitudes de conduite d’un usager donné.Subsequently, the management system 10 operates alternately between learning phases of a MOD model and operating phases of the MOD model, the MOD model being specific to the driving habits of a given user.
En d’autres termes :
- Dans un mode de fonctionnement d’un premier genre M_MANUEL, le contrôle de la vitesse longitudinale du véhicule automobile 100 peut être manuel. Dans ce cas, la vitesse longitudinale du véhicule automobile 100 est déterminée par le conducteur. Dans ce mode de fonctionnement, le système de gestion 10 effectue un traitement d’apprentissage des habitudes de conduite du conducteur, portant sur les valeurs courantes des paramètres de conduite. Le traitement d’apprentissage comprend la construction d’un modèle personnalisé MOD de gestion de la vitesse longitudinale.
- Dans un mode de fonctionnement du deuxième genre M_AUTO, le contrôle de la vitesse longitudinale du véhicule automobile 100 est automatique, c’est-à-dire déterminé par le système de gestion 10 à partir du modèle personnalisé MOD. Ainsi, dans le deuxième mode de fonctionnement, les paramètres de calibrage du module de contrôle de la vitesse longitudinale 5 sont définis de sorte à appliquer les habitudes de conduite du conducteur du véhicule automobile 100.In other words:
- In a first type of M_MANUAL operating mode, the control of the longitudinal speed of the motor vehicle 100 can be manual. In this case, the longitudinal speed of the motor vehicle 100 is determined by the driver. In this operating mode, the management system 10 carries out learning processing of the driver's driving habits, relating to the current values of the driving parameters. The learning processing includes the construction of a personalized MOD longitudinal speed management model.
- In an operating mode of the second type M_AUTO, the control of the longitudinal speed of the motor vehicle 100 is automatic, that is to say determined by the management system 10 from the personalized model MOD. Thus, in the second operating mode, the calibration parameters of the longitudinal speed control module 5 are defined so as to apply the driving habits of the driver of the motor vehicle 100.
Dans un mode de réalisation, outre les moyens de détermination 1, le système 10 de gestion automatisée de la vitesse longitudinale d’un véhicule automobile comprend les éléments suivants :
- une interface homme-machine 2 permettant au conducteur de gérer l’activation et la désactivation de la gestion automatique de la vitesse longitudinale,
- un système 3 de gestion des utilisateurs,
- une unité de traitement 4 comprenant un microprocesseur 41, une mémoire 42 et des interfaces de communication 43.In one embodiment, in addition to the determination means 1, the system 10 for automated management of the longitudinal speed of a motor vehicle comprises the following elements:
- a man-machine interface 2 allowing the driver to manage the activation and deactivation of automatic longitudinal speed management,
- a user management system 3,
- a processing unit 4 comprising a microprocessor 41, a memory 42 and communication interfaces 43.
Le système de gestion 10, et particulièrement le microprocesseur 41, comprend principalement les modules suivants qui coopèrent entre eux :
- un module 410 d’entrainement initial d’un modèle, ce module pouvant coopérer avec la mémoire 42,
- un module 411 de début de mission, ce module pouvant coopérer avec l’interface homme-machine 2 et/ou la mémoire 42,
- un module 412 de mise à jour du modèle, ce module pouvant coopérer avec les moyens de détermination 1, l’interface homme-machine 2 et/ou la mémoire 42,
- un module 413 de détermination de paramètres de calibrage, ce module pouvant coopérer avec les moyens de détermination 1, le module de contrôle de la vitesse longitudinale 5 et/ou la mémoire 42,
- un module 414 de fin de mission, ce module pouvant coopérer avec l’interface homme-machine 2 et/ou la mémoire 42,The management system 10, and particularly the microprocessor 41, mainly comprises the following modules which cooperate with each other:
- a module 410 for initial training of a model, this module being able to cooperate with the memory 42,
- a mission start module 411, this module being able to cooperate with the man-machine interface 2 and/or the memory 42,
- a module 412 for updating the model, this module being able to cooperate with the determination means 1, the man-machine interface 2 and/or the memory 42,
- a module 413 for determining calibration parameters, this module being able to cooperate with the determination means 1, the longitudinal speed control module 5 and/or the memory 42,
- an end-of-mission module 414, this module being able to cooperate with the man-machine interface 2 and/or the memory 42,
Le véhicule automobile 100, en particulier le système de gestion 10, comprend de préférence tous les éléments matériels et/ou logiciels configurés de sorte à mettre en œuvre le procédé défini dans l’objet de l’invention ou le procédé décrit plus bas.The motor vehicle 100, in particular the management system 10, preferably comprises all the hardware and/or software elements configured so as to implement the method defined in the subject of the invention or the method described below.
Les moyens de détermination 1 peuvent comprendre par exemple un radar, et/ou un lidar, et/ou une caméra et/ou tout autre type de capteur adapté à détecter des cibles à l’avant du véhicule automobile 100.The determination means 1 may include for example a radar, and/or a lidar, and/or a camera and/or any other type of sensor adapted to detect targets at the front of the motor vehicle 100.
Les moyens de détermination 1 peuvent fournir des mesures au microprocesseur 41, parmi lesquelles :
- une distance longitudinale DS entre le véhicule automobile 100 et le véhicule cible 200,
- une vitesse longitudinale 204 du véhicule cible 200, et
- une accélération longitudinale du véhicule cible 200.The determination means 1 can provide measurements to the microprocessor 41, including:
- a longitudinal distance DS between the motor vehicle 100 and the target vehicle 200,
- a longitudinal speed 204 of the target vehicle 200, and
- a longitudinal acceleration of the target vehicle 200.
Préférentiellement, l’analyse des images fournies par Les moyens de détermination 1 peut en outre de fournir des données concernant les conditions météorologiques pouvant influencer la conduite du véhicule automobile 100. Notamment, les moyens de détermination 1 peuvent détecter la présence de pluie ou de neige.Preferably, the analysis of the images provided by the determination means 1 can also provide data concerning the weather conditions which may influence the driving of the motor vehicle 100. In particular, the determination means 1 can detect the presence of rain or snow .
Ainsi, dans un mode de réalisation, les moyens de détermination 1 permettent de déterminer à chaque instant les conditions météorologiques dans lesquelles le véhicule automobile 100 évolue comme étant des conditions pluvieuses, des conditions neigeuses ou sinon des conditions normales. Un critère météorologique pourra ainsi être pris en compte dans la construction et l’application du modèle MOD. Dans un mode de réalisation alternatif non développé dans ce document, les données météorologiques et/ou d’autres conditions environnementales pouvant modifier la visibilité pourraient être déduites à partir, par exemple, d’un indicateur de fonctionnement des essuie-glace et/ou d’un état des feux d’éclairage.Thus, in one embodiment, the determination means 1 make it possible to determine at each moment the weather conditions in which the motor vehicle 100 is operating as being rainy conditions, snowy conditions or otherwise normal conditions. A meteorological criterion can thus be taken into account in the construction and application of the MOD model. In an alternative embodiment not developed in this document, meteorological data and/or other environmental conditions which may modify visibility could be deduced from, for example, a windshield wiper operation indicator and/or 'a state of the lighting lights.
Les moyens de détermination 1 comprennent un moyen de détermination de la vitesse et l’accélération du véhicule automobile 100 pouvant être réalisé par des calculateurs exploitant des données relatives au châssis du véhicule automobile 100, des données issues des capteurs de vitesse de rotation des roues.The determination means 1 comprise a means for determining the speed and acceleration of the motor vehicle 100 which can be carried out by computers using data relating to the chassis of the motor vehicle 100, data from the wheel rotation speed sensors.
Dans un mode de réalisation, une interface homme-machine 2 permet notamment au conducteur d’alterner entre un mode de conduite du premier genre M_MANUEL, dans lequel il contrôle manuellement la vitesse longitudinale du véhicule automobile 100, et un mode de conduite du deuxième genre M_AUTO dans lequel le contrôle de la vitesse longitudinale est automatique. Différents modes de réalisation sont envisageables pour l’interface homme-machine 2, par exemple des boutons et/ou un écran tactile et/ou une commande vocale.In one embodiment, a man-machine interface 2 notably allows the driver to alternate between a driving mode of the first type M_MANUEL, in which he manually controls the longitudinal speed of the motor vehicle 100, and a driving mode of the second type M_AUTO in which longitudinal speed control is automatic. Different embodiments are possible for the man-machine interface 2, for example buttons and/or a touch screen and/or voice control.
Dans un mode de réalisation, le système de gestion 10 peut recevoir des informations issues d’un système de gestion 3 des utilisateurs du véhicule automobile 100. Ainsi, le système de gestion de la vitesse longitudinale 10 construit un modèle MOD par utilisateur. Autrement dit, si le véhicule automobile 100 est équipé d’un système de gestion des utilisateurs, alors une gestion de la vitesse longitudinale personnalisée peut être gérée pour chacun des utilisateurs du véhicule automobile 100, de sorte à adapter le comportement du véhicule à chacun des utilisateurs.In one embodiment, the management system 10 can receive information from a management system 3 of the users of the motor vehicle 100. Thus, the longitudinal speed management system 10 constructs a MOD model per user. In other words, if the motor vehicle 100 is equipped with a user management system, then personalized longitudinal speed management can be managed for each of the users of the motor vehicle 100, so as to adapt the behavior of the vehicle to each of the users.
Le module 413 d’exploitation du modèle MOD est apte à transmettre, via des interfaces de communication 43, des valeurs de paramètres de conduite, par exemple une valeur de temps de suivi, au module 5 de contrôle de la vitesse longitudinale. Le module 5 transmet des ordres de commande au moteur 6 ou au système de freinage 7 de sorte à appliquer les paramètres de conduite déterminés par le système de gestion 10.The MOD model operating module 413 is capable of transmitting, via communication interfaces 43, driving parameter values, for example a tracking time value, to the longitudinal speed control module 5. The module 5 transmits control orders to the engine 6 or to the braking system 7 so as to apply the driving parameters determined by the management system 10.
La mémoire 42 constitue un support d'enregistrement lisible par un ordinateur ou par le calculateur comprenant des instructions qui, lorsqu'elles sont exécutées par l’ordinateur ou le calculateur, conduisent celui-ci à mettre en œuvre un procédé de gestion 10 selon un mode de réalisation de l'invention.The memory 42 constitutes a recording medium readable by a computer or by the computer comprising instructions which, when executed by the computer or the computer, lead it to implement a management method 10 according to a embodiment of the invention.
La mémoire 42 permet en outre d’enregistrer le modèle MOD. Avantageusement la mémoire 42 comprend une mémoire volatile 421, dont le contenu s’efface régulièrement, notamment lorsque la mémoire n’est plus alimentée en courant électrique, et une mémoire non volatile 422 dont le contenu persiste dans le temps même lorsqu’elle n’est plus alimentée en courant électrique.Memory 42 also allows you to save the MOD model. Advantageously, the memory 42 comprises a volatile memory 421, the content of which is erased regularly, in particular when the memory is no longer supplied with electric current, and a non-volatile memory 422 whose content persists over time even when it is no longer supplied with electrical current. is no longer supplied with electrical current.
Le modèle MOD sera avantageusement construit au fil des missions (ou roulages) du véhicule automobile 100, une mission étant une phase de conduite délimitée par
- un début de mission, où le véhicule automobile 100 est à l’arrêt et le conducteur démarre le véhicule au moyen par exemple d’une clé ou d’un bouton de contact,
- une fin de mission, correspondant à un arrêt du véhicule par le conducteur au moyen par exemple d’une clé ou d’un bouton de contact.The MOD model will advantageously be constructed over the course of the missions (or driving) of the motor vehicle 100, a mission being a driving phase delimited by
- a start of the mission, where the motor vehicle 100 is stationary and the driver starts the vehicle by means of, for example, a key or an ignition button,
- an end of mission, corresponding to a stopping of the vehicle by the driver using for example a key or an ignition button.
En remarque, durant une même mission plusieurs phases d’arrêt automatique du moteur (notamment, celles générées par un système « stop and start ») peuvent se produire.As a note, during the same mission several automatic engine shutdown phases (in particular, those generated by a “stop and start” system) can occur.
Dans un mode de réalisation préférentiel, la mémoire 42 permet d’enregistrer à l’issue d’une Nièmemission du véhicule automobile 100 un modèle MODN, correspondant à une mise à jour d’un modèle MODN-1enregistré lors de la précédente mission. La mise à jour du modèle MOD prend en compte l’apprentissage réalisé lors de la Nièmemission.In a preferred embodiment, the memory 42 makes it possible to record at the end of an Nth mission of the motor vehicle 100 a MOD N model, corresponding to an update of a MOD N-1 model recorded during the previous mission. The update of the MOD model takes into account the learning carried out during the Nth mission.
Dans un mode de réalisation préféré, la mémoire 42 comprend une mémoire volatile 421 et une mémoire non volatile 422. Une telle architecture permet,
- d’une part, lors du déroulement d’une Nièmemission, d’enregistrer en mémoire volatile 421 les données temporaires nécessaires à la construction du modèle MODN, et
- d’autre part, d’enregistrer en mémoire non volatile 422 le modèle MODNgénéré à l’issue d’une Nièmemission, et de le conserver jusqu’à l’issue de la N+1ièmemission.In a preferred embodiment, the memory 42 comprises a volatile memory 421 and a non-volatile memory 422. Such an architecture allows,
- on the one hand, during the course of an Nth mission, to record in volatile memory 421 the temporary data necessary for the construction of the MOD N model, and
- on the other hand, to record in non-volatile memory 422 the MOD N model generated at the end of an Nth mission, and to keep it until the end of the N+ 1th mission.
Le véhicule automobile 100, en particulier le système de gestion 10, comprend de préférence tous les éléments matériels et/ou logiciels configurés de sorte à mettre en œuvre le procédé défini dans l’objet de l’invention ou le procédé décrit ci-après.The motor vehicle 100, in particular the management system 10, preferably comprises all the hardware and/or software elements configured so as to implement the method defined in the subject of the invention or the method described below.
Le procédé de gestion de la vitesse longitudinale selon l’invention comprend
- une étape E100 d’entrainement initial du modèle MOD, comprenant l’utilisation de différentes valeurs simulées du premier ensemble ENS1 de paramètres de calibrage, puis
- une étape E2 de mise à jour du modèle MOD comprenant l’utilisation de différentes valeurs observées ou mesurées de paramètres du premier ensemble ENS1 de paramètres de calibrage et du deuxième ensemble ENS2 de paramètres de conduite.The longitudinal speed management method according to the invention comprises
- a step E100 of initial training of the MOD model, comprising the use of different simulated values of the first set ENS1 of calibration parameters, then
- a step E2 of updating the MOD model comprising the use of different observed or measured values of parameters from the first set ENS1 of calibration parameters and the second set ENS2 of driving parameters.
L’étape E100 d’entrainement initial est une phase de préparation du modèle MOD ayant lieu avant l’utilisation du véhicule automobile 100 par un usager final, c’est-à-dire avant la commercialisation du véhicule. Lors de la phase d’entrainement initial, des données recueillies notamment par simulation, sont injectées dans le modèle afin d’augmenter le niveau d’apprentissage du modèle MOD. L’objectif de l’étape E100 est d’obtenir un modèle apte à être utilisé sur des données non présentes dans les données d’entraînement. Plus spécifiquement, dans l’étape E100, on entraine le modèle MOD pour qu’il soit apte à déterminer des paramètres de calibrage du module de contrôle de la vitesse longitudinale 5 correspondant à des valeurs de paramètres de conduite non présentes dans les données d’entraînement.The initial training step E100 is a phase of preparation of the MOD model taking place before the use of the motor vehicle 100 by an end user, that is to say before the marketing of the vehicle. During the initial training phase, data collected in particular by simulation are injected into the model in order to increase the learning level of the MOD model. The objective of step E100 is to obtain a model suitable for use on data not present in the training data. More specifically, in step E100, the MOD model is trained so that it is able to determine calibration parameters of the longitudinal speed control module 5 corresponding to driving parameter values not present in the data. training.
L’étape E2 de mise à jour du modèle MOD, est une phase d’adaptation, ou de modification, du modèle MOD en fonction des habitudes ou comportements de conduite d’un usager du véhicule automobile 100. En d’autres termes, l’étape E2 est une phase de modification du modèle MOD à partir de données enregistrées lors de phases de conduite dites « manuelles » effectuées par l’usager sans utilisation du module de contrôle de la vitesse longitudinale 5.The step E2 of updating the MOD model is a phase of adaptation, or modification, of the MOD model according to the driving habits or behaviors of a user of the motor vehicle 100. In other words, the Step E2 is a phase of modification of the MOD model from data recorded during so-called “manual” driving phases carried out by the user without use of the longitudinal speed control module 5.
Les données enregistrées lors de phases de conduite manuelles sont injectées dans le modèle MOD dans le but d’entrainer le modèle MOD à prédire des paramètres du module de contrôle 5 de la vitesse longitudinale qui correspondent à une dynamique de conduite aussi proche que possible de la dynamique de conduite manuelle observée chez l’usager du véhicule automobile 100.The data recorded during manual driving phases are injected into the MOD model with the aim of training the MOD model to predict parameters of the longitudinal speed control module 5 which correspond to driving dynamics as close as possible to the manual driving dynamics observed in the user of the motor vehicle 100.
Un mode d’exécution du procédé de gestion de la vitesse longitudinale d’un véhicule automobile est décrit ci-après en référence à la
L’étape E100 s’exécute lors du calibrage du véhicule automobile 100. A l’issue de l’étape E100, on obtient un modèle initial MOD0.Step E100 is executed during the calibration of the motor vehicle 100. At the end of step E100, an initial model MOD 0 is obtained.
Afin de construire le modèle initial MOD0, l’étape E100 comprend les sous-étapes E101 à E104 qui s’exécutent successivement.In order to construct the initial model MOD 0 , step E100 comprises substeps E101 to E104 which are executed successively.
Dans une sous-étape E101 de recueil de données d’entrainement, on collecte des données nécessaires à la construction du modèle initial MOD0.In a training data collection sub-step E101, the data necessary for the construction of the initial model MOD 0 are collected.
La sous-étape E101 de recueil de données d’entraînement s’effectue sur une durée d’enregistrement donnée,
- lors de simulations d’un véhicule automobile équipé d’un module de contrôle de la vitesse longitudinale 5, le véhicule se déplaçant sur un parcours virtuel, et/ou
- lors de déplacements réels d’un véhicule automobile équipé d’un module de contrôle de la vitesse longitudinale 5, le véhicule se déplaçant sur un ou plusieurs parcours routiers prédéfinis.The training data collection sub-step E101 is carried out over a given recording duration,
- during simulations of a motor vehicle equipped with a longitudinal speed control module 5, the vehicle moving on a virtual route, and/or
- during real movements of a motor vehicle equipped with a longitudinal speed control module 5, the vehicle moving on one or more predefined road courses.
Les données collectées sont donc de deux types :
- un premier type de données portant sur des données issues de simulations d’un véhicule équipé d’un module de contrôle de la vitesse longitudinale, et
- un deuxième type de données portant sur des données issues de roulages réels d’un véhicule équipé d’un module de contrôle de la vitesse longitudinale.The data collected is therefore of two types:
- a first type of data relating to data from simulations of a vehicle equipped with a longitudinal speed control module, and
- a second type of data relating to data from actual driving of a vehicle equipped with a longitudinal speed control module.
Le recueil de données d’entrainement du premier et/ou du deuxième type comprend
(i) une attribution d’une valeur courante à chaque paramètre du premier ensemble ENS1 de paramètres de calibrage du module de contrôle, et
(ii) une détermination d’une valeur courante de chaque paramètre de conduite du deuxième ensemble ENS2 par les moyens de détermination 1.The collection of training data of the first and/or second type includes
(i) an assignment of a current value to each parameter of the first set ENS1 of calibration parameters of the control module, and
(ii) a determination of a current value of each driving parameter of the second set ENS2 by the determination means 1.
Les données du premier type permettent de simuler une grande variété de situations dans un temps limité, le véhicule simulé roulant sur un parcours virtuel contenant différentes situations de conduite, parmi lesquelles
- des déplacement dans des virages,
- des franchissement d’intersections,
- des situations impliquant des véhicules environnants, par exemple des véhicules se déplaçant à une vitesse différente de celle du véhicule simulé, ou un véhicule qui s’insère ou s’arrête devant le véhicule simulé.The data of the first type makes it possible to simulate a wide variety of situations in a limited time, the simulated vehicle driving on a virtual course containing different driving situations, including
- movement in turns,
- crossing intersections,
- situations involving surrounding vehicles, for example vehicles moving at a different speed than the simulated vehicle, or a vehicle that pulls in or stops in front of the simulated vehicle.
Durant le déroulement des simulations, on mesure un ensemble de grandeurs dynamiques mises en œuvre par véhicule simulé. Les grandeurs dynamiques sont sélectionnées de sorte à être représentatives des différents comportements dynamiques du véhicule selon le calibrage qui a été choisi pour le système de gestion de la vitesse longitudinale du véhicule simulé.During the course of the simulations, a set of dynamic quantities implemented by the simulated vehicle is measured. The dynamic quantities are selected so as to be representative of the different dynamic behaviors of the vehicle according to the calibration which has been chosen for the longitudinal speed management system of the simulated vehicle.
Par exemple l’accélération longitudinale du véhicule simulé est influencée par certains paramètres du système de gestion de la vitesse longitudinale dans des phases de conduite en ligne droite où la vitesse de consigne (issue du système de gestion de la vitesse longitudinale) est soudainement augmentée de plusieurs dizaines de kilomètres par heure. De même la distance mesurée entre le véhicule simulé et un véhicule cible est influencée par certains paramètres du système de gestion de la vitesse longitudinale dans des phases de conduite où un véhicule cible s’insère devant le véhicule simulé.For example, the longitudinal acceleration of the simulated vehicle is influenced by certain parameters of the longitudinal speed management system in straight-line driving phases where the set speed (from the longitudinal speed management system) is suddenly increased by several tens of kilometers per hour. Likewise, the distance measured between the simulated vehicle and a target vehicle is influenced by certain parameters of the longitudinal speed management system in driving phases where a target vehicle is inserted in front of the simulated vehicle.
Très avantageusement, les données du premier type permettent de générer en peu de temps un ensemble de données comprenant une large combinaison de paramétrages influents sur le comportement dynamique du véhicule par l’intermédiaire du système de gestion de la vitesse longitudinale. Les simulations permettent par exemple de produire des enregistrements où le véhicule simulé applique de fortes accélérations dès lors que cela est possible, tout en maintenant de grandes distances de sécurité. Selon un autre exemple, les simulations permettent de produire des enregistrements où le véhicule simulé applique des accélérations plus progressives mais s’autorise à s’approcher davantage des véhicules situés devant lui.Very advantageously, the data of the first type makes it possible to generate in a short time a set of data comprising a large combination of parameters influencing the dynamic behavior of the vehicle via the longitudinal speed management system. Simulations make it possible, for example, to produce recordings where the simulated vehicle applies strong accelerations whenever possible, while maintaining large safety distances. According to another example, simulations make it possible to produce recordings where the simulated vehicle applies more progressive accelerations but allows itself to get closer to the vehicles located in front of it.
Les données du premier type sont enregistrées pour alimenter la base de données d’entraînement.The first type of data is recorded to populate the training database.
Les données du deuxième type permettent également de collecter des données selon différentes configurations du système de gestion de la vitesse longitudinale, mais la mise en œuvre roulages réels est coûteuse en temps, ce qui limite le nombre d’enregistrements.The second type of data also makes it possible to collect data according to different configurations of the longitudinal speed management system, but the implementation of real driving is time-consuming, which limits the number of recordings.
Les données du deuxième type présentent toutefois un avantage important, puisque, comparées aux données du premier type, les mesures effectuées sont plus réalistes et plus représentatives du comportement d’un véhicule réel. En particulier les données du deuxième type permettent un apprentissage dans des conditions plus complexes mais aussi plus proches de ce que seront les roulages « en ligne » où le modèle MOD sera exploité pour prédire des paramètres de conduite.Data of the second type, however, present an important advantage, since, compared to data of the first type, the measurements taken are more realistic and more representative of the behavior of a real vehicle. In particular, data of the second type allow learning in more complex conditions but also closer to what will be “online” driving where the MOD model will be used to predict driving parameters.
La sous-étape E101 comprend en outre, suite à l’enregistrement des données du premier et du deuxième type, un traitement d’étiquetage de données pertinentes.Substep E101 further comprises, following the recording of the data of the first and second type, a processing of labeling of relevant data.
En d’autres termes,
- suite à la collecte de données du premier et du deuxième type, on dispose d’enregistrements contenant un nombre donné N de signaux enregistrés, les signaux enregistrés permettant de définir un calibrage du module de contrôle 5 de la vitesse longitudinale et des paramètres de conduite représentatifs d’un style de conduite d’un usager,
- chaque signal enregistré représente une évolution temporelle d’un paramètre de calibrage ou d’un paramètre de conduite, par exemple un signal représente une évolution temporelle de la vitesse du véhicule simulé, ou une évolution temporelle de l’accélération du véhicule simulé, ou une évolution temporelle de la distance de suivi appliquée par le véhicule simulé,
- le traitement d’étiquetage associe à chaque enregistrement les paramètres de calibrage Pipertinents pour l’entrainement du modèle MOD0.In other words,
- following the collection of data of the first and second type, we have recordings containing a given number N of recorded signals, the recorded signals making it possible to define a calibration of the control module 5 of the longitudinal speed and the driving parameters representative of a user's driving style,
- each recorded signal represents a temporal evolution of a calibration parameter or a driving parameter, for example a signal represents a temporal evolution of the speed of the simulated vehicle, or a temporal evolution of the acceleration of the simulated vehicle, or a temporal evolution of the following distance applied by the simulated vehicle,
- the labeling processing associates with each recording the calibration parameters P i relevant for training the MOD 0 model.
Un exemple de données de conduites mesurées lors d’un enregistrement de 100 secondes est illustré dans le tableau 2. Les paramètres de conduite sont déterminés toutes les 10 millisecondes. Les différentes colonnes du tableau contiennent respectivement les données suivantes :
- la colonne N_MES contient le numéro de détermination ou prise de mesure des paramètres de conduite,
- la colonne ALON contient l’accélération longitudinale du véhicule automobile 100 en m/s2,
- la colonne VEGO contient la vitesse longitudinale du véhicule automobile 100 en m/s,
- la colonne VCIB contient la vitesse longitudinale du véhicule cible 200 en m/s,
- la colonne DCIB contient la distance longitudinale mesurée entre le véhicule automobile 100 et le véhicule cible 200 en m,
- la colonne COU contient le couple commandé par le conducteur du véhicule automobile 100 en Nm,
- la colonne FR contient le freinage commandé par le conducteur du véhicule automobile 100 m/s2,
- la colonne ALAT contient l’accélération latérale du véhicule automobile 100 en m/s2,
- la colonne VLAC contient la vitesse de lacet du véhicule automobile 100 en rad/s2,
An example of driving data measured during a 100 second recording is shown in Table 2. Driving parameters are determined every 10 milliseconds. The different columns of the table respectively contain the following data:
- the N_MES column contains the number of determination or measurement of the driving parameters,
- the ALON column contains the longitudinal acceleration of the motor vehicle 100 in m/s2,
- the VEGO column contains the longitudinal speed of the motor vehicle 100 in m/s,
- the VCIB column contains the longitudinal speed of the target vehicle 200 in m/s,
- the DCIB column contains the longitudinal distance measured between the motor vehicle 100 and the target vehicle 200 in m,
- the COU column contains the torque commanded by the driver of the motor vehicle 100 in Nm,
- the FR column contains the braking controlled by the driver of the motor vehicle 100 m/s2,
- the ALAT column contains the lateral acceleration of the motor vehicle 100 in m/s2,
- the VLAC column contains the yaw speed of the motor vehicle 100 in rad/s2,
Puis, à partir de chaque enregistrement effectué dans la sous-étape E101, on applique,
- une segmentation de la durée d’enregistrement donnée en une série de sous-périodes, puis
- pour chaque sous-période, un calcul de caractéristiques statistiques relatives aux données d’entrainement enregistrées durant la sous-période, les caractéristiques statistiques comprenant une moyenne et/ou une variance et/ou une valeur maximale,
- puis une intégration dans le modèle MOD des caractéristiques statistiques relatives aux données d’entrainement de chaque sous-période.Then, from each recording made in substep E101, we apply,
- a segmentation of the given recording duration into a series of sub-periods, then
- for each sub-period, a calculation of statistical characteristics relating to the training data recorded during the sub-period, the statistical characteristics comprising an average and/or a variance and/or a maximum value,
- then an integration into the MOD model of the statistical characteristics relating to the training data of each sub-period.
En d’autres termes, à partir de chaque enregistrement effectué dans la sous-étape E101, dans une sous-étape E102 on intègre dans le modèle MOD0un troisième ensemble ENS3 de paramètres d’entrainement, le troisième ensemble ENS3 comprenant chaque valeur courante des paramètres du premier ensemble ENS1 de paramètres de calibrage et chaque valeur courante des paramètres du deuxième ensemble ENS2 de paramètres de conduite.In other words, from each recording made in sub-step E101, in a sub-step E102 we integrate into the model MOD 0 a third set ENS3 of training parameters, the third set ENS3 comprising each current value parameters of the first set ENS1 of calibration parameters and each current value of the parameters of the second set ENS2 of driving parameters.
Pour cela, tout d’abord, on extrait des caractéristiques statistiques associées à chacun des paramètres de calibrage et à chacun des paramètres de conduite. L’extraction de caractéristiques statistiques nécessite segmenter ou échantillonner les signaux temporels issus des enregistrements, par exemple en intervalles de temps d’une durée d’une durée de quelques secondes.To do this, first of all, we extract statistical characteristics associated with each of the calibration parameters and each of the driving parameters. Extracting statistical features requires segmenting or sampling temporal signals from recordings, for example into time intervals lasting a few seconds.
Dans un exemple illustré par le tableau 3, on obtient ainsi une centaine d’intervalles de temps et on calcule, sur chaque intervalle de temps donné, les paramètres de calibrage suivants :
- une valeur maximale de l’accélération longitudinale du véhicule simule sur l’intervalle de temps donné,
- une moyenne du temps de suivi appliqué par le véhicule simulé sur l’intervalle de temps donné,
- une accélération latérale de référence appliquée sur l’intervalle de temps donné, l’accélération latérale de référence correspondant à une limite supérieure d’accélération latérale à ne pas dépasser pour respecter un critère de confort de conduite, lors de la conduite en virage,
- une valeur maximale de l’accélération longitudinale appliquée par le véhicule simulé lorsqu’il est précédé d’un véhicule cible.In an example illustrated in Table 3, we thus obtain around a hundred time intervals and we calculate, on each given time interval, the following calibration parameters:
- a maximum value of the longitudinal acceleration of the vehicle simulated over the given time interval,
- an average of the tracking time applied by the simulated vehicle over the given time interval,
- a reference lateral acceleration applied over the given time interval, the reference lateral acceleration corresponding to an upper limit of lateral acceleration not to be exceeded to respect a driving comfort criterion, when driving in a bend,
- a maximum value of the longitudinal acceleration applied by the simulated vehicle when it is preceded by a target vehicle.
De plus, dans l’étape E102, on applique une standardisation des données. En d’autres termes, on applique un facteur multiplicatif aux valeurs prises par les différents paramètres de calibrage et les différents paramètres de conduite de sorte à les ramener dans une plage de valeur équivalente. Ainsi, quel que soit l’ordre de grandeur des valeurs numériques prises par un paramètre, il aura le même poids que les autres paramètres dans le déroulement de l’apprentissage.In addition, in step E102, data standardization is applied. In other words, a multiplicative factor is applied to the values taken by the different calibration parameters and the different driving parameters so as to bring them into an equivalent value range. Thus, whatever the order of magnitude of the numerical values taken by a parameter, it will have the same weight as the other parameters in the learning process.
Puis on intègre les données ainsi obtenues dans le modèle MOD0, pour l’apprentissage du modèle MOD0.Then we integrate the data thus obtained into the MOD 0 model, for learning the MOD 0 model.
Dans le mode de réalisation décrit, on utilise un algorithme d’apprentissage automatique, notamment de type « à support de vecteur ». L’algorithme repose sur la mise en œuvre d’une suite de régressions en chaîne, chaque régression ayant pour objectif de déterminer la valeur d’un des paramètres, à partir des données d’un enregistrement en cours d’analyse et d’un précédent paramètre ayant été déterminé (s’il existe).In the embodiment described, an automatic learning algorithm is used, in particular of the “vector support” type. The algorithm is based on the implementation of a series of chain regressions, each regression having the objective of determining the value of one of the parameters, from the data of a recording being analyzed and a previous parameter having been determined (if it exists).
D’autres méthodes d’apprentissage pourraient être utilisées, notamment
- une méthode dite des « K voisins plus proches »,
- une méthode dite de « forêt aléatoire », et
- une méthode dite « de réseau de neurones récurrents ».Other learning methods could be used, including
- a method called “K nearest neighbors”,
- a so-called “random forest” method, and
- a method called “recurrent neural network”.
L’étape E102, comprend avantageusement une analyse des courbes d’apprentissage du modèle MOD0pour évaluer son niveau d’apprentissage et ainsi détecter un sous-apprentissage ou un sur-apprentissage du modèle.Step E102 advantageously includes an analysis of the learning curves of the MOD 0 model to evaluate its learning level and thus detect under-learning or over-learning of the model.
L’analyse des courbes d’apprentissage s’effectue en testant le modèle MOD0à partir de simulations qui n’ont pas été exploitées pour l’entrainement du modèle MOD0.The analysis of learning curves is carried out by testing the MOD 0 model from simulations which were not used for training the MOD 0 model.
Les performances du modèle MOD0peuvent être observées sur un histogramme des erreurs résiduelles. L’erreur résiduelle standard mesure la précision avec laquelle le modèle MOD0peut prévoir les valeurs des paramètres avec de nouvelles données d’entrée.The performance of the MOD 0 model can be observed on a histogram of residual errors. The standard residual error measures how accurately the MOD 0 model can predict parameter values with new input data.
La
- le premier modèle MOD, correspondant au graphe G1, a été réalisé selon la méthode « à support de vecteur »,
- le deuxième modèle MOD2, correspondant au graphe G2, a été réalisé selon la méthode dite de « forêt aléatoire », et
- le troisième modèle MOD3, correspondant au graphe G3, a été réalisé selon la méthode dite des « K voisins plus proches ».
There
- the first MOD model, corresponding to the G1 graph, was produced using the “vector support” method,
- the second model MOD2, corresponding to the G2 graph, was produced using the so-called “random forest” method, and
- the third MOD3 model, corresponding to the G3 graph, was produced using the so-called “K nearest neighbors” method.
Le modèle MOD réalisé selon la méthode « à support de vecteur » apparait comme minimisant la valeur des erreurs par rapport aux autres méthodes, les erreurs mesurées dans le graphe G1 étant plus concentrées autour de la valeur 0 que dans les graphes G2 et G3.The MOD model carried out using the “vector support” method appears to minimize the value of the errors compared to the other methods, the errors measured in graph G1 being more concentrated around the value 0 than in graphs G2 and G3.
Le modèle de prédiction MOD0ainsi obtenu à l’issue de l’étape E100 est prêt à être appliqué à des données d’entrée non présentes dans les données d’entraînement.The MOD 0 prediction model thus obtained at the end of step E100 is ready to be applied to input data not present in the training data.
L’étape E100 est ensuite suivie d’une itération sur les étapes E1 à E4, chaque itération correspondant à une mission du véhicule automobile 100.Step E100 is then followed by an iteration on steps E1 to E4, each iteration corresponding to a mission of the motor vehicle 100.
Les étapes E1 à E4 se déroulent sur la durée d’une Nièmemission du véhicule automobile 100
- les étapes E1 et E4 s’exécutent respectivement au début de la Nièmemission, et à la afin de la Nièmemission, et
- pendant le déroulement de la Nièmemission, le procédé comprend une alternance d’itérations sur l’une ou l’autre des étapes E2 ou E3.Steps E1 to E4 take place over the duration of an Nth mission of the motor vehicle 100
- steps E1 and E4 are executed respectively at the start of the Nth mission, and at the end of the Nth mission, and
- during the course of the Nth mission, the process comprises an alternation of iterations on one or other of the steps E2 or E3.
Dans une étape de début de mission E1, on initialise le procédé pour la Nièmemission du véhicule.In a mission start step E1, the process is initialized for the Nth mission of the vehicle.
L’initialisation du procédé comprend une récupération en mémoire non volatile 422 d’un modèle MODN-1, qui a été sauvegardé dans la mémoire non volatile 422 à la fin de la N-1ièmemission. Au début de la Nièmemission, le modèle MODNest donc égal au modèle MODN-1. The initialization of the method includes a recovery in non-volatile memory 422 of a MOD N-1 model, which was saved in the non-volatile memory 422 at the end of the N-1 th mission. At the start of the Nth mission, the MOD N model is therefore equal to the MOD N-1 model.
Dans certaines conditions, le modèle MODN-1peut contenir le modèle initial MOD0. C’est le cas, par exemple,
- si N=1, c’est-à-dire s’il s’agit de la toute première mission du véhicule automobile 100, ou
- si le véhicule automobile 100 a toujours été utilisé en appliquant le mode automatique M_AUTO pour la gestion de la vitesse longitudinale.Under certain conditions, the MOD N-1 model may contain the initial MOD 0 model. This is the case, for example,
- if N=1, that is to say if it is the very first mission of the motor vehicle 100, or
- if the motor vehicle 100 has always been used by applying the M_AUTO automatic mode for longitudinal speed management.
De plus dans l’étape E1, on détermine un mode initial de conduite du premier véhicule automobile 100
- comme étant d’un premier genre M_MANUEL si la vitesse longitudinale du véhicule automobile 100 est contrôlée à l’instant d’initialisation par un conducteur humain,
- comme étant d’un deuxième genre M_AUTO si la vitesse longitudinale du véhicule automobile 100 est contrôlée à l’instant d’initialisation par le module 5 de contrôle de la vitesse longitudinale.Furthermore, in step E1, an initial driving mode of the first motor vehicle 100 is determined.
- as being of a first type M_MANUEL if the longitudinal speed of the motor vehicle 100 is controlled at the instant of initialization by a human driver,
- as being of a second type M_AUTO if the longitudinal speed of the motor vehicle 100 is controlled at the instant of initialization by the module 5 for controlling the longitudinal speed.
Dans un mode de réalisation, le mode de conduite initial du véhicule automobile 100 peut être déterminé par la valeur d’une variable MODE_V stockée en mémoire, notamment dans la mémoire volatile 421. La variable MODE_V pourrait prendre les valeurs M_MANUEL et M_AUTO. Par exemple, la valeur de la variable MODE_V pourrait être mise à jour en mémoire en fonction d’une action du conducteur du véhicule automobile 100 sur l’interface homme-machine 2.In one embodiment, the initial driving mode of the motor vehicle 100 can be determined by the value of a MODE_V variable stored in memory, in particular in the volatile memory 421. The MODE_V variable could take the values M_MANUEL and M_AUTO. For example, the value of the MODE_V variable could be updated in memory depending on an action by the driver of the motor vehicle 100 on the man-machine interface 2.
Dans un mode de réalisation, la variable MODE_V pourrait en outre prendre une troisième valeur M_STOP lorsque le conducteur met fin à la mission courante.In one embodiment, the MODE_V variable could also take a third value M_STOP when the driver ends the current mission.
Si le mode de conduite initial est déterminé comme étant du premier genre M_MANUEL, alors on enchaine sur la deuxième étape E2 d’apprentissage ; si le mode de conduite initial est déterminé comme étant du deuxième genre M_AUTO on enchaine sur la troisième étape E3 gestion automatique de la vitesse longitudinale du véhicule automobile.If the initial driving mode is determined to be of the first type M_MANUEL, then we continue with the second learning step E2; if the initial driving mode is determined to be of the second type M_AUTO we continue with the third step E3 automatic management of the longitudinal speed of the motor vehicle.
L’étape E2 d’apprentissage comprend une itération, à différents instants d’observation T_OBSp, des sous-étapes suivantes :
- une détermination, à l’instant d’observation T_OBSp, d’un mode de conduite courant du premier véhicule automobile 100 comme étant d’un premier genre M_MANUEL si une vitesse longitudinale du premier véhicule automobile 100 est contrôlée par un conducteur humain, sinon comme étant d’un deuxième genre M_AUTO, puis
- si le mode de conduite courant est du premier genre M_MANUEL, une sous-étape E21 d’enregistrement de données d’observation D_OBSpcomprenant une détermination à l’instant d’observation T_OBSpde paramètres du premier ensemble ENS1 de paramètres de calibrage et du deuxième ensemble ENS2 de paramètres de conduite à partir des données issues des moyens de détermination 1, ou
- si le mode de conduite courant est du deuxième mode M_AUTO, une sous-étape E22 de fin d’observation comprenant une mise à jour d’un modèle MOD de gestion de la vitesse longitudinale à partir des données d’observation D_OBS recueillies aux différents instants d’observation T_OBSp.The learning step E2 includes an iteration, at different observation times T_OBS p , of the following sub-steps:
- a determination, at the observation time T_OBS p , of a current driving mode of the first motor vehicle 100 as being of a first type M_MANUEL if a longitudinal speed of the first motor vehicle 100 is controlled by a human driver, if not as being of a second kind M_AUTO, then
- if the current driving mode is of the first type M_MANUEL, a sub-step E21 of recording observation data D_OBS p comprising a determination at the observation instant T_OBS p of parameters of the first set ENS1 of calibration parameters and the second set ENS2 of driving parameters from the data from the determination means 1, or
- if the current driving mode is the second mode M_AUTO, an end-of-observation substep E22 comprising an update of a MOD model for managing the longitudinal speed from the D_OBS observation data collected at the different observation moments T_OBS p .
En remarque,
- pour p=1, c’est-à-dire lors de la première itération de l’étape E2, la détermination d’un mode de conduite courant du premier véhicule automobile 100 s’effectue dans l’étape E1, puis
- comme cela est expliqué ci-après, pour p>1 la détermination à l’instant d’observation T_OBSpd’un mode de conduite courant du premier véhicule automobile 100 s’effectue dans une sous-étape E22 de la p-1èmeitération de l’étape E2.As a side note,
- for p=1, that is to say during the first iteration of step E2, the determination of a current driving mode of the first motor vehicle 100 is carried out in step E1, then
- as explained below, for p>1 the determination at the observation instant T_OBS p of a current driving mode of the first motor vehicle 100 is carried out in a substep E22 of p-1 th iteration of step E2.
Ainsi, au début d’une Nièmemission du véhicule, si le mode de conduite initial calculé dans l’étape E1 est manuel, on enchaine sur l’étape E2 qui itère sur la sous-étape E21 suivie de la sous-étape E22.Thus, at the start of an Nth vehicle mission, if the initial driving mode calculated in step E1 is manual, we continue with step E2 which iterates on sub-step E21 followed by sub-step E22 .
Dans une première sous étape E21 on détermine une valeur courante Pic des paramètres Pidu premier ensemble ENS1 de paramètres de calibrage et du deuxième ensemble ENS2 de paramètres de conduite, à partir des données issues des moyens de détermination 1.In a first sub-step E21 a current value P i c of the parameters P i of the first set ENS1 of calibration parameters and of the second set ENS2 of driving parameters is determined, from the data coming from the determination means 1.
Dans un mode de réalisation préférentiel, la sous-étape E21 débute par un traitement de vérification de conditions requises pour l’enregistrement d’une observation. Par exemple, les conditions requises comprennent préférentiellement :
- une détection d’un véhicule cible 200,
- la stabilisation de la vitesse longitudinale du véhicule automobile 100 et de la vitesse longitudinale du véhicule cible 200, dont les variations doivent être inférieures à un premier seuil donné,
- la stabilisation d’une distance longitudinale mesurée entre le véhicule automobile 100 et le véhicule cible 200, dont les variations doivent être inférieures à un deuxième seuil donné.In a preferred embodiment, substep E21 begins with a processing of verification of conditions required for recording an observation. For example, the required conditions preferably include:
- detection of a target vehicle 200,
- the stabilization of the longitudinal speed of the motor vehicle 100 and the longitudinal speed of the target vehicle 200, the variations of which must be less than a first given threshold,
- the stabilization of a longitudinal distance measured between the motor vehicle 100 and the target vehicle 200, the variations of which must be less than a second given threshold.
Le premier seuil donné peut correspondre à un pourcentage de la vitesse courante du véhicule automobile 100, par exemple 2% de la vitesse courante. Dans ce cas, le premier seuil est d’environ 2 km/h pour une vitesse courante de 110 km/h. Ce pourcentage peut être calibré à d’autres valeurs de pourcentage.The first threshold given may correspond to a percentage of the current speed of the motor vehicle 100, for example 2% of the current speed. In this case, the first threshold is around 2 km/h for a current speed of 110 km/h. This percentage can be calibrated to other percentage values.
Le deuxième seuil donné peut correspondre à un pourcentage de la distance courante entre le véhicule automobile 100 et le véhicule cible 200, par exemple 1% de la distance courante entre le véhicule automobile 100 et le véhicule cible 200. Dans un mode de réalisation, le deuxième seuil peut être, par exemple, de 6 mètres environ pour une vitesse courante de 110 km/h.The second given threshold may correspond to a percentage of the current distance between the motor vehicle 100 and the target vehicle 200, for example 1% of the current distance between the motor vehicle 100 and the target vehicle 200. In one embodiment, the second threshold can be, for example, approximately 6 meters for a current speed of 110 km/h.
Préférentiellement, les conditions requises doivent être satisfaites pendant une durée minimale, par exemple de 2 secondes.Preferably, the required conditions must be satisfied for a minimum duration, for example 2 seconds.
Les valeurs courante Pic des paramètres peuvent alors être déterminées à partir des données issues des moyens de détermination 1.The current values P i c of the parameters can then be determined from the data coming from the determination means 1.
Puis, dans la sous-étape E21, on enregistre une pièmeobservation D_OBSPpcomprenant Les valeurs courante Pic des paramètres.Then, in substep E21, we record a p th observation D_OBSP p comprising the current values P i c of the parameters.
On enchaine ensuite sur la sous-étape E22 dans laquelle on démarre une temporisation d’une durée égale à une période d’itération P_ITER_MAN. Dans un mode de réalisation, la période d’itération des sous-étapes E21 et E22 est déterminée par la fréquence de traitement du calculateur, c’est-à-dire 100 Hertz.We then continue with substep E22 in which we start a time delay of a duration equal to an iteration period P_ITER_MAN. In one embodiment, the iteration period of sub-steps E21 and E22 is determined by the processing frequency of the calculator, that is to say 100 Hertz.
La temporisation arrive à échéance à un instant T_OBSp+1,=T_OBSp+P_ITER_MAN.The timer expires at an instant T_OBS p+1 ,=T_OBS p +P_ITER_MAN.
A l’instant T_OBSp+1, on vérifie
- d’une part si la Nièmemission du véhicule se poursuit et
- d’autre part si la phase de conduite manuelle se poursuit.At time T_OBS p+1 , we check
- on the one hand if the Nth mission of the vehicle continues and
- on the other hand if the manual driving phase continues.
Pour cela, on vérifie que la valeur de la variable MODE_V est bien M_MANUEL. Si oui, on reboucle sur l’étape E21 d’enregistrement.To do this, we check that the value of the MODE_V variable is indeed M_MANUEL. If yes, we return to recording step E21.
Si la valeur de la variable MODE_V est différente de M_MANUEL, on détecte alors une fin de phase d’apprentissage, c’est-à-dire la fin d’une phase continue d’itérations des sous-étapes E21 et E22.If the value of the variable MODE_V is different from M_MANUEL, we then detect the end of the learning phase, that is to say the end of a continuous phase of iterations of sub-steps E21 and E22.
Dans ce cas, la sous-étape E22 comprend une mise à jour du modèle MODNpar intégration des données d’observation D_OBSpacquises lors de la phase d’apprentissage qui se termine.In this case, substep E22 includes an update of the MOD N model by integration of the observation data D_OBS p acquired during the learning phase which ends.
En d’autres termes, comme cela est exprimé par la formule Math1, les valeurs des paramètres Pisont alors calculées en effectuant, pour chaque paramètre, une moyenne pondérée entre les valeurs issues des précédentes phases d’apprentissage, notées Pip et les valeurs issues de la phase d’apprentissage courante, notées Pic.In other words, as expressed by the formula Math1, the values of the parameters P i are then calculated by carrying out, for each parameter, a weighted average between the values resulting from the previous learning phases, denoted P i p and the values resulting from the current learning phase, denoted P i c.
Math1
où
- Piest le ièmeparamètre,
- Pic est l’estimation courante du ièmeparamètre,
- aic est le nombre de points de mesures pour l’estimation courante du ièmeparamètre,
- Pip est l’estimation précédente du ièmeparamètre
- aip est le nombre de points de mesures pour l’estimation précédente du ièmeparamètre.Math1
Or
- P i is the i th parameter,
- P i c is the current estimate of the i th parameter,
- a i c is the number of measurement points for the current estimation of the i th parameter,
- P i p is the previous estimate of the i th parameter
- a i p is the number of measurement points for the previous estimation of the i th parameter.
Le modèle MODNobtenu est enregistré dans la mémoire volatile 421.The MOD N model obtained is recorded in volatile memory 421.
Suite à la sous-étape E22 l’étape E2, le procédé peut enchainer soit sur une phase de fin de mission mise en œuvre dans l’étape E4, soit sur une phase d’application du modèle de gestion automatique de la vitesse longitudinale mise en œuvre dans des itérations de l’étape E3 :
- Si la valeur de la variable MODE_V est M_STOP, cela signifie que le conducteur a mis fin à la Nièmemission entre les instants T_OBSpet T_OBSp+1. On enchaine donc sur l’étape E4 de fin de mission.
- Si la valeur de la variable MODE_V est M_AUTO, cela signifie que le conducteur a activé la gestion automatique de la vitesse longitudinale. Dans ce cas, on enchaine sur l’étape E3 de gestion automatique de la vitesse longitudinale.Following sub-step E22, step E2, the process can continue either with an end-of-mission phase implemented in step E4, or with a phase of application of the automatic management model of the longitudinal speed implemented implemented in iterations of step E3:
- If the value of the MODE_V variable is M_STOP, this means that the driver ended the Nth mission between the times T_OBS p and T_OBS p+1 . We therefore continue with stage E4 at the end of the mission.
- If the value of the MODE_V variable is M_AUTO, this means that the driver has activated automatic longitudinal speed management. In this case, we continue with step E3 of automatic management of the longitudinal speed.
L’étape E3 comprend une itération à différents instants T_AUTOqsur deux sous-étapes E31 et E32.Step E3 includes an iteration at different times T_AUTO q on two sub-steps E31 and E32.
Dans la sous-étape E31, on récupère le modèle MODNdisponible en mémoire et on l’utilise pour calculer des valeurs estimées des paramètres de calibrage qui seront appliqués automatiquement par le module de contrôle de la vitesse longitudinale 5 à l’instant T_AUTOq.In substep E31, we retrieve the MOD N model available in memory and use it to calculate estimated values of the calibration parameters which will be applied automatically by the longitudinal speed control module 5 at time T_AUTO q .
Suite à la sous-étape E31, on enchaine sur la sous-étape E32 dans laquelle on démarre une temporisation d’une durée égale à une période d’itération P_ITER_AUTO. Dans un mode de réalisation, la période d’itération des sous-étapes E31 et E32 est déterminée par la fréquence de traitement du calculateur, c’est-à-dire 100 Hertz.Following sub-step E31, we continue with sub-step E32 in which we start a time delay of a duration equal to an iteration period P_ITER_AUTO. In one embodiment, the iteration period of sub-steps E31 and E32 is determined by the processing frequency of the calculator, that is to say 100 Hertz.
La période P_ITER_AUTO d’itération des sous-étapes E31 et E32 peut être différente de la période P_ITER_MAN d’itération des sous-étapes E21 et E22.The P_ITER_AUTO iteration period of sub-steps E31 and E32 may be different from the P_ITER_MAN iteration period of sub-steps E21 and E22.
La temporisation arrive à échéance à un instant T_AUTOq+1=T_AUTOq+P_ITER_AUTO.The timer expires at a time T_AUTO q+1 =T_AUTO q +P_ITER_AUTO.
A l’instant T_AUTOq+1, on vérifie alors si la Nièmemission du véhicule se poursuit et, si la phase de conduite automatique se poursuit.At time T_AUTO q+1 , we then check whether the Nth mission of the vehicle continues and whether the automatic driving phase continues.
Pour cela, on vérifie que la valeur de la variable MODE_V est bien M_AUTO. Si oui, on reboucle sur l’étape E31 d’application.To do this, we check that the value of the MODE_V variable is indeed M_AUTO. If yes, we return to application step E31.
Si la valeur de la variable MODE_V est différente de M_AUTO, le procédé peut alors enchainer soit sur une phase de fin de mission mise en œuvre dans l’étape E4, soit sur une phase d’apprentissage mise en œuvre dans l’étape E2 :
- Si la valeur de la variable MODE_V est M_STOP, cela signifie que le conducteur a mis fin à la Nièmemission entre les instants T_AUTOqet T_AUTOq+1. On enchaine donc sur l’étape E4 de fin de mission.
- Si la valeur de la variable MODE_V est M_MANUEL, cela signifie que le conducteur a sélectionné le mode de conduite manuel ; on enchaine alors sur l’étape E2 d’apprentissage.If the value of the MODE_V variable is different from M_AUTO, the process can then continue either with an end of mission phase implemented in step E4, or with a learning phase implemented in step E2:
- If the value of the MODE_V variable is M_STOP, this means that the driver has ended the Nth mission between the times T_AUTO q and T_AUTO q+1 . We therefore continue with stage E4 at the end of the mission.
- If the value of the MODE_V variable is M_MANUAL, this means that the driver has selected the manual driving mode; we then continue with learning step E2.
Dans l’étape E4 de fin de mission, on récupère le modèle MODNdisponible en mémoire volatile 421 et on l’enregistre en mémoire non volatile 422.In step E4 at the end of the mission, the MOD N model available in volatile memory 421 is retrieved and it is recorded in non-volatile memory 422.
Les données précédemment enregistrées en mémoire volatile sont effacées. Le modèle MODNissu de la Nièmemission (stocké dans une mémoire non volatile 422) servira ultérieurement de modèle initial en entrée de l’étape E1 lors du déroulement de la N+1ièmemission.Data previously stored in volatile memory is erased. The MOD N model from the Nth mission (stored in a non-volatile memory 422) will subsequently serve as the initial model as input to step E1 during the course of the N+ 1th mission.
La
Si la mission est terminée, on enchaine sur l’étape 79 de fin de mission pouvant comprendre un enregistrement de données en mémoire non volatile. Puis, suite à l’étape 79 on reboucle sur l’étape 70.If the mission is completed, we continue with step 79 at the end of the mission which may include recording data in non-volatile memory. Then, following step 79 we return to step 70.
Si la mission continue, on enchaine sur une étape 72 de lecture en mémoire d’un modèle de gestion de la vitesse longitudinale.If the mission continues, we continue with a step 72 of reading from memory a longitudinal speed management model.
Puis, dans une étape 73, on identifie le mode de conduite actuel du véhicule automobile 100.Then, in a step 73, the current driving mode of the motor vehicle 100 is identified.
Puis, dans une étape 74, on vérifie si le mode de conduite actuel est manuel :
- Si le mode de conduite actuel est manuel, on enchaine sur étape 75 d’apprentissage modèle de gestion de la vitesse longitudinale. Puis, dans une étape 77, on teste si la mission est terminée. Si oui, on enchaine sur l’étape 79 de fin de mission. Si non, on reboucle sur l’étape 73 d’identification du mode actuel de conduite.
- Si le mode de conduite actuel est automatique, on enchaine sur une étape 76 d’application automatique d’un modèle de gestion de la vitesse longitudinale. Puis, dans une étape 78, on teste si la mission est terminée. Si oui, on enchaine sur l’étape 79 de fin de mission. Si non, on reboucle sur l’étape 73 d’identification du mode actuel de conduite.Then, in a step 74, we check whether the current driving mode is manual:
- If the current driving mode is manual, we continue with step 75 of learning the longitudinal speed management model. Then, in step 77, we test whether the mission is completed. If yes, we continue with step 79 at the end of the mission. If not, we return to step 73 of identifying the current driving mode.
- If the current driving mode is automatic, we continue with a step 76 of automatic application of a longitudinal speed management model. Then, in step 78, we test whether the mission is completed. If yes, we continue with step 79 at the end of the mission. If not, we return to step 73 of identifying the current driving mode.
Finalement, le procédé de gestion de la vitesse longitudinale selon l’invention présente de multiples avantages.Finally, the longitudinal speed management method according to the invention has multiple advantages.
En premier lieu, il permet l’apprentissage par le véhicule automobile 100 d’une gestion de la vitesse longitudinale personnalisé au fil des missions effectuées par le conducteur. L’apprentissage prend en compte différents critères susceptibles d’influencer les paramètres de conduite appliqués par un conducteur humain. En premier lieu, la vitesse longitudinale du véhicule automobile 100 est un paramètre essentiel du modèle. Les conditions dans lesquelles le véhicule circule sont également prises en compte, en particulier les conditions météorologiques. D’autres conditions susceptibles d’influencer les paramètres de conduite personnalisés peuvent également être prises en compte par l’invention, par exemple la luminosité extérieure ou encore l’état de la chaussée. En complément ou alternativement, l’intégration d’une information liée au trafic pourrait permettre une adaptation des paramètres de conduite à la densité de trafic. En effet, par exemple, dans des situations de trafic dense, un conducteur pourrait avoir tendance à réduire son temps de suivi pour éviter des insertions de véhicules en son véhicule et le véhicule cible.Firstly, it allows the motor vehicle 100 to learn personalized longitudinal speed management over the missions carried out by the driver. Learning takes into account different criteria likely to influence the driving parameters applied by a human driver. First of all, the longitudinal speed of the motor vehicle 100 is an essential parameter of the model. The conditions in which the vehicle is driven are also taken into account, particularly weather conditions. Other conditions likely to influence the personalized driving parameters can also be taken into account by the invention, for example exterior brightness or the condition of the road. In addition or alternatively, the integration of traffic-related information could allow driving parameters to be adapted to traffic density. Indeed, for example, in dense traffic situations, a driver could tend to reduce his tracking time to avoid insertions of vehicles into his vehicle and the target vehicle.
Ainsi, grâce à l’invention, le conducteur peut retrouver dans un mode de gestion automatique de la vitesse longitudinale les mêmes sensations de conduite que celles qu’il aurait dans un mode de conduite manuel. En outre, la personnalisation des paramètres de conduite peut avantageusement être différenciée en fonction de différents utilisateurs du véhicule automobile 100. En imitant le comportement du conducteur, l’invention contribue à l’acception du système de conduite autonome par le conducteur et donc à une augmentation de la fréquence de son utilisation. L’invention permet ainsi d’améliorer la sécurité du conducteur et des occupants du véhicule.Thus, thanks to the invention, the driver can find in an automatic longitudinal speed management mode the same driving sensations as those he would have in a manual driving mode. Furthermore, the personalization of the driving parameters can advantageously be differentiated according to different users of the motor vehicle 100. By imitating the behavior of the driver, the invention contributes to the acceptance of the autonomous driving system by the driver and therefore to a increasing the frequency of its use. The invention thus makes it possible to improve the safety of the driver and occupants of the vehicle.
Le procédé de gestion de la vitesse longitudinale selon l’invention permet par ailleurs de simplifier l’interface homme-machine relative à l’utilisation d’un système de gestion automatique de la vitesse longitudinale.The longitudinal speed management method according to the invention also makes it possible to simplify the man-machine interface relating to the use of an automatic longitudinal speed management system.
Le procédé de gestion de la vitesse longitudinale selon l’invention permet en outre de réduire le nombre de paramètres nécessitant un réglage prédéfini en amont de la mise en circulation du véhicule. Le coût de la mise au point du véhicule est donc réduit. En effet, dans les étape d’initialisation du procédé, un conducteur expert pourrait entrainer le modèle en réalisant plusieurs conduites afin que le système puisse proposer à un utilisateur un jeu de paramètres de conduite les plus adaptés.The longitudinal speed management method according to the invention also makes it possible to reduce the number of parameters requiring predefined adjustment before putting the vehicle into circulation. The cost of vehicle development is therefore reduced. Indeed, in the initialization stages of the process, an expert driver could train the model by carrying out several drives so that the system can offer a user a set of most suitable driving parameters.
De plus, le procédé de gestion de la vitesse longitudinale selon l’invention peut fonctionner uniquement à partir de données issues de moyens embarqués dans le véhicule automobile 100. En d’autres termes, les moyens techniques requis pour la mise en œuvre de l’invention sont disponibles sur tout véhicule dont le niveau d’autonomie est supérieur ou égal à 1.In addition, the longitudinal speed management method according to the invention can operate solely from data coming from means on-board in the motor vehicle 100. In other words, the technical means required for the implementation of the invention are available on any vehicle whose autonomy level is greater than or equal to 1.
Par ailleurs, le procédé de gestion de la vitesse longitudinale selon l’invention utilise une méthode très efficace, dite de « machine à vecteurs de support », pour construire un modèle gestion de la vitesse longitudinale. De plus les calculs de mise à jour du modèle pondèrent chaque nouvelle estimation d’un paramètre de conduite en fonction des estimations précédentes, évitant ainsi des oscillations brutales du modèle. Ce mode de réalisation permet de diminuer l’impact de quelques observations qui se détacheraient d’une tendance définie par la majorité des observations.Furthermore, the longitudinal speed management method according to the invention uses a very effective method, called a “support vector machine”, to construct a longitudinal speed management model. In addition, the model update calculations weight each new estimate of a driving parameter according to previous estimates, thus avoiding sudden oscillations of the model. This embodiment makes it possible to reduce the impact of a few observations which stand out from a trend defined by the majority of observations.
L’invention pourrait en outre permettre d’évaluer la conduite d’un utilisateur du véhicule, dans le but de lui fournir des indicateurs sur un niveau de sécurité ou un niveau de consommation d’énergie en lien avec sa conduite.The invention could also make it possible to evaluate the driving of a user of the vehicle, with the aim of providing him with indicators on a level of safety or a level of energy consumption linked to his driving.
Claims (14)
- une étape (E100) d’entraînement initial du modèle (MOD), comprenant l’utilisation de différentes valeurs simulées du premier ensemble (ENS1) de paramètres de calibrage, puis
- une étape (E2) de mise à jour du modèle (MOD) comprenant l’utilisation de différentes valeurs observées ou mesurées de paramètres du premier ensemble (ENS1) de paramètres de calibrage et d’un deuxième ensemble (ENS2) de paramètres de conduite.
- a step (E100) of initial training of the model (MOD), comprising the use of different simulated values of the first set (ENS1) of calibration parameters, then
- a step (E2) of updating the model (MOD) comprising the use of different observed or measured values of parameters from the first set (ENS1) of calibration parameters and a second set (ENS2) of driving parameters.
- une sous-étape (E101) de recueil de données d’entraînement du modèle (MOD) comprenant
(i) une attribution d’une valeur courante à chaque paramètre du premier ensemble (ENS1) de paramètres de calibrage, et
(ii) une détermination d’une valeur courante de chaque paramètre de conduite du deuxième ensemble (ENS2) par les moyens de détermination (1), puis - une sous-étape (E102) d’intégration dans le modèle (MOD) d’un troisième ensemble (ENS3) de paramètres d’entrainement, le troisième ensemble (ENS3) comprenant la valeur courante des paramètres du premier ensemble de paramètres de calibrage et la valeur courante des paramètres du deuxième ensemble de paramètres de conduite.
- a sub-step (E101) for collecting model training data (MOD) comprising
(i) an assignment of a current value to each parameter of the first set (ENS1) of calibration parameters, and
(ii) a determination of a current value of each driving parameter of the second set (ENS2) by the determination means (1), then - a sub-step (E102) of integration into the model (MOD) of a third set (ENS3) of training parameters, the third set (ENS3) comprising the current value of the parameters of the first set of calibration parameters and the current value of the parameters of the second set of driving parameters.
- lors de simulations d’un véhicule automobile équipé d’un module de contrôle de la vitesse longitudinale (5), le véhicule se déplaçant sur un parcours virtuel, et/ou
- lors de déplacements réels d’un véhicule automobile équipé d’un module de contrôle de la vitesse longitudinale (5), le véhicule se déplaçant sur un ou plusieurs parcours routiers prédéfinis.Management method according to the preceding claim, characterized in that the sub-step (E101) of collecting training data is carried out over a given recording duration,
- during simulations of a motor vehicle equipped with a longitudinal speed control module (5), the vehicle moving on a virtual route, and/or
- during real movements of a motor vehicle equipped with a longitudinal speed control module (5), the vehicle moving on one or more predefined road courses.
- une segmentation de la durée d’enregistrement donnée en une série de sous-périodes, puis
- pour chaque sous-période, un calcul de caractéristiques statistiques relatives aux données d’entrainement enregistrées durant la sous-période, les caractéristiques statistiques comprenant une moyenne et/ou une variance et/ou une valeur maximale, puis
- une intégration dans le modèle (MOD) des caractéristiques statistiques relatives aux données d’entrainement de chaque sous-période.Management method according to claim 2 or 3, characterized in that the integration sub-step (E102) comprises, following the collection sub-step (E101),
- a segmentation of the given recording duration into a series of sub-periods, then
- for each sub-period, a calculation of statistical characteristics relating to the training data recorded during the sub-period, the statistical characteristics comprising an average and/or a variance and/or a maximum value, then
- an integration into the model (MOD) of the statistical characteristics relating to the training data of each sub-period.
- une détermination, à un instant d’observation (T_OBSp), d’un mode de conduite courant du premier véhicule automobile (100) comme étant d’un premier genre (M_MANUEL) si une vitesse longitudinale du premier véhicule automobile (100) est contrôlée par un conducteur humain, sinon comme étant d’un deuxième genre (M_AUTO), puis
- si le mode de conduite courant est du premier genre (M_MANUEL), une sous-étape (E21) d’enregistrement de données d’observation (D_OBSp) comprenant une détermination à l’instant d’observation (T_OBSp) de paramètres du premier ensemble (ENS1) de paramètres de calibrage et du deuxième ensemble (ENS2) de paramètres de conduite, à partir des données issues des moyens de détermination (1), ou
- sinon, une sous-étape (E22) de fin d’observation comprenant une mise à jour du modèle (MOD) de gestion de la vitesse longitudinale du véhicule automobile (100) à partir des données d’observation (D_OBSp) recueillies lors des différents instants d’observation (T_OBSp).
- a determination, at an observation instant (T_OBS p ), of a current driving mode of the first motor vehicle (100) as being of a first type (M_MANUEL) if a longitudinal speed of the first motor vehicle (100) is controlled by a human driver, if not as being of a second kind (M_AUTO), then
- if the current driving mode is of the first kind (M_MANUEL), a sub-step (E21) of recording observation data (D_OBS p ) comprising a determination at the observation instant (T_OBS p ) of parameters of the first set (ENS1) of calibration parameters and the second set (ENS2) of driving parameters, based on data from the determination means (1), or
- otherwise, an end-of-observation sub-step (E22) comprising an update of the model (MOD) for managing the longitudinal speed of the motor vehicle (100) from the observation data (D_OBS p ) collected during the different observation times (T_OBS p ).
- une méthode dite de « Machine à Support de Vecteur »,
- une méthode dites des « K voisins plus proches »,
- une méthode dite de « forêt aléatoire », et
- une méthode dite « de réseau de neurones récurrents ».Management method according to one of the preceding claims, characterized in that it comprises automatic learning of the longitudinal speed management model (MOD), according to a method chosen from
- a method called “Vector Support Machine”,
- a so-called “K nearest neighbors” method,
- a so-called “random forest” method, and
- a method called “recurrent neural network”.
- une valeur maximale d’accélération longitudinale applicable lorsque le véhicule automobile (100) est précédé d’un autre véhicule, et/ou
- une valeur maximale d’accélération longitudinale applicable lorsque le véhicule automobile (100) n’est précédé d’aucun véhicule, et/ou
- une valeur de consigne de distance de suivi d’un véhicule situé devant le véhicule automobile (100), et/ou
- une valeur maximale d’accélération latérale en virage, et/ou
- une valeur maximale de décélération longitudinale.Management method according to one of the preceding claims, characterized in that the first set (ENS1) of calibration parameters comprises
- a maximum longitudinal acceleration value applicable when the motor vehicle (100) is preceded by another vehicle, and/or
- a maximum longitudinal acceleration value applicable when the motor vehicle (100) is not preceded by any vehicle, and/or
- a setpoint value for the following distance of a vehicle located in front of the motor vehicle (100), and/or
- a maximum value of lateral acceleration in turns, and/or
- a maximum longitudinal deceleration value.
- une accélération longitudinale du véhicule automobile (100),
- une vitesse longitudinale du véhicule automobile (100),
- une accélération latérale du véhicule automobile (100),
- une vitesse latérale du véhicule automobile (100),
- une vitesse de lacet du véhicule automobile (100),
- une distance entre le véhicule automobile (100) et un véhicule qui le précède,
- une vitesse d’un véhicule précédent le véhicule automobile (100),
- une accélération d’un véhicule précédent le véhicule automobile (100),
- une angle volant appliqué par un conducteur du véhicule automobile (100),
- une requête de couple moteur appliquée par le véhicule automobile (100),
- une requête de couple de freinage appliquée par le véhicule automobile (100).
Management method according to one of the preceding claims, characterized in that the second set (ENS2) of driving parameters comprises at least one parameter taken from
- a longitudinal acceleration of the motor vehicle (100),
- a longitudinal speed of the motor vehicle (100),
- lateral acceleration of the motor vehicle (100),
- a lateral speed of the motor vehicle (100),
- a yaw speed of the motor vehicle (100),
- a distance between the motor vehicle (100) and a vehicle in front of it,
- a speed of a vehicle preceding the motor vehicle (100),
- acceleration of a vehicle preceding the motor vehicle (100),
- a steering wheel angle applied by a driver of the motor vehicle (100),
- a request for engine torque applied by the motor vehicle (100),
- a braking torque request applied by the motor vehicle (100).
- un instant de début de phase de conduite, où un moteur du véhicule automobile (100) est démarré au moyen d’une clé ou d’un bouton de contact par un conducteur, et
- un instant de fin de phase de conduite, où un moteur du véhicule automobile (100) est arrêté au moyen d’une clé ou d’un bouton de contact par un conducteur,
en ce que, entre l’instant de début de phase de conduite et l’instant de fin de phase de conduite, un modèle de gestion de la vitesse longitudinale du véhicule automobile est enregistré dans une mémoire volatile (421) du véhicule automobile,
et en ce qu’à l’instant de fin de phase de conduite, un modèle de gestion de la vitesse longitudinale du véhicule automobile est enregistré dans une mémoire non volatile (422) du véhicule automobile.Management method according to one of the preceding claims, characterized in that the method comprises a driving phase delimited by
- an instant at the start of the driving phase, where an engine of the motor vehicle (100) is started by means of a key or an ignition button by a driver, and
- an instant at the end of the driving phase, where an engine of the motor vehicle (100) is stopped by means of a key or an ignition button by a driver,
in that, between the start time of the driving phase and the end time of the driving phase, a model for managing the longitudinal speed of the motor vehicle is recorded in a volatile memory (421) of the motor vehicle,
and in that at the end of the driving phase, a model for managing the longitudinal speed of the motor vehicle is recorded in a non-volatile memory (422) of the motor vehicle.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR2214018A FR3143514A1 (en) | 2022-12-20 | 2022-12-20 | Method for automated management of the longitudinal speed of a motor vehicle. |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR2214018 | 2022-12-20 | ||
FR2214018A FR3143514A1 (en) | 2022-12-20 | 2022-12-20 | Method for automated management of the longitudinal speed of a motor vehicle. |
Publications (1)
Publication Number | Publication Date |
---|---|
FR3143514A1 true FR3143514A1 (en) | 2024-06-21 |
Family
ID=85685374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
FR2214018A Pending FR3143514A1 (en) | 2022-12-20 | 2022-12-20 | Method for automated management of the longitudinal speed of a motor vehicle. |
Country Status (1)
Country | Link |
---|---|
FR (1) | FR3143514A1 (en) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170329330A1 (en) * | 2016-05-10 | 2017-11-16 | Honda Motor Co., Ltd. | Vehicle control system, vehicle control method, and vehicle control program |
EP3686862A1 (en) * | 2017-09-20 | 2020-07-29 | Nissan Motor Co., Ltd. | Travel assistance method and travel assistance device |
US20210086798A1 (en) * | 2019-09-20 | 2021-03-25 | Honda Motor Co., Ltd. | Model-free reinforcement learning |
-
2022
- 2022-12-20 FR FR2214018A patent/FR3143514A1/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170329330A1 (en) * | 2016-05-10 | 2017-11-16 | Honda Motor Co., Ltd. | Vehicle control system, vehicle control method, and vehicle control program |
EP3686862A1 (en) * | 2017-09-20 | 2020-07-29 | Nissan Motor Co., Ltd. | Travel assistance method and travel assistance device |
US20210086798A1 (en) * | 2019-09-20 | 2021-03-25 | Honda Motor Co., Ltd. | Model-free reinforcement learning |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
FR3074123A1 (en) | EVALUATING A DRIVING STYLE OF A DRIVER OF A ROAD VEHICLE IN MOTION BY AUTOMATIC LEARNING | |
FR2902909A1 (en) | METHOD FOR DETERMINING THE RUNNING LIMITS OF A VEHICLE | |
WO2015121546A1 (en) | Method for determining a speed limit in force on a road taken by a motor vehicle | |
EP3464006A1 (en) | Device for monitoring the driving habits of a driver of a transport vehicle and corresponding method | |
EP1023195A1 (en) | Method for adaptative cruise control between two moving vehicles | |
FR3082613A1 (en) | Method and device for predicting a likely route for a vehicle | |
WO2020058234A1 (en) | Device for predicting the most probable route of a vehicle | |
WO2017198973A1 (en) | Method for proposing a driving speed | |
FR3143514A1 (en) | Method for automated management of the longitudinal speed of a motor vehicle. | |
EP3472015B1 (en) | Method for determining a reference driving class | |
FR3079954A1 (en) | PREDICTIVE AUTOMATIC LEARNING FOR PREDICTING A FUTURE SPEED OF A MOTOR VEHICLE MOVING ON A ROAD | |
FR3140602A1 (en) | Method for automated management of the longitudinal speed of a motor vehicle. | |
FR3111424A1 (en) | Generation of trajectories by a neural network resulting from a system of generative antagonist networks | |
WO2020048770A1 (en) | Prediction of a cartographic readjustment parameter by deep learning | |
FR3092545A1 (en) | ASSISTANCE IN DRIVING A VEHICLE, BY DETERMINING THE TRAFFIC LANE IN WHICH AN OBJECT IS LOCATED | |
EP4359278A1 (en) | Method for optimising the dynamic control of a vehicle chassis | |
FR3130238A1 (en) | Method of supervising the operation of a motor vehicle. | |
FR3100016A1 (en) | Method and system for managing a movement of a motor vehicle | |
FR3089333A1 (en) | METHOD FOR EVALUATING THE USE OF A VEHICLE | |
WO2023222960A1 (en) | Method and device for controlling a cruise control system of a vehicle approaching a road signalling element | |
WO2024023146A1 (en) | Method for determining an authorized speed limit where a motor vehicle drives | |
EP3931741A1 (en) | Vehicle driving assistance by reliable determination of objects in deformed images | |
WO2023227512A1 (en) | Method for detecting a type of road on which an equipped vehicle is travelling | |
WO2023118498A1 (en) | Method for modelling a tactical environment of a motor vehicle | |
WO2023066710A1 (en) | Method for predicting a surface condition of a road segment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PLFP | Fee payment |
Year of fee payment: 2 |
|
PLSC | Publication of the preliminary search report |
Effective date: 20240621 |