Titre de l'invention : Procédé de détection d’un type de route parcourue par un véhicule équipé

Domaine technique de l’invention

[0001] L’invention concerne un procédé de détection, notamment de détection intelligente, d’un type de route parcourue destiné à un véhicule, notamment à un véhicule en situation de roulage. L’invention porte aussi sur un système de détection d’une route parcourue. L’invention porte encore sur un véhicule équipé d’un tel système et sur un produit programme d’ordinateur pour mettre en œuvre les étapes du procédé de détection.

Etat de la technique antérieure

[0002] Dans le milieu automobile, il est connu d’équiper des véhicules de systèmes de suspension pilotées. Classiquement, de tels systèmes nécessitent de connaitre l’état et/ ou les caractéristiques d’une route parcourue par un véhicule équipé afin de piloter au mieux le système en fonction des caractéristiques propres à la route parcourue.

[0003] A cette fin, il est possible d’exécuter des méthodes de détection de mauvaises routes et/ou d’obstacles. De telles méthodes dépendent de systèmes de détection réalisant des calculs explicites de variables et de caractéristiques intermédiaires, ou « features » en anglais. Il est de ce fait nécessaire d’effectuer un réglage et un paramétrage affiné du système de détection afin d’obtenir un niveau acceptable de précision. Un autre inconvénient de tels systèmes de détection réside dans le fait qu’ils ne sont pas adaptés pour prendre en considération, pour un type de mauvaise route ou obstacle détecté, la variabilité du ressenti ou du confort du conducteur d’un type, ou modèle, de véhicule à un autre, notamment du fait de leurs différents équipements. Il en résulte qu’une route détectée comme étant mauvaise pour un certain véhicule sera également considérée comme étant mauvaise, à tort, pour un véhicule distinct plus adapté à parcourir un tel type de route, par exemple du fait d’équipement particuliers tels que des systèmes de suspensions plus adaptés. A l’inverse, une route identifiée comme étant bonne, ou praticable, pourrait être ressentie comme étant mauvaise et inconfortable selon le type de véhicule utilisé. De telles méthodes présentent ainsi un défaut de portabilité les rendant inadaptées pour une application à un ensemble de véhicules différents.

[0004] La présente invention s’inscrit dans ce contexte et vise à proposer un procédé de détection adapté pour une large gamme de véhicules présentant des caractéristiques distinctes, par exemple des véhicules particuliers, véhicules utilitaires ou autre, et ce à moindre coût.

[0005] La présente invention concerne un procédé de détection d’un type de route parcourue par un véhicule, notamment un véhicule équipé d’un système de suspensions variables, le procédé étant caractérisé en ce qu’il comprend une phase de détermination d’un type de route parcourue comprenant :

- au moins une étape d’acquisition, en temps réel ou pendant une durée prédéterminée, de données relatives au véhicule et/ou à une route parcourue par le véhicule mise en œuvre par l’intermédiaire d’un module de détection comprenant au moins un capteur et/ou au moins un moyen de détection, tel qu’une caméra;

- une étape d’estimation d’un taux de probabilité d’appartenance de la route parcourue à au moins une classe de type de route, notamment de mauvaises routes, prédéfinie en fonction desdites données acquises ;

- une étape de classification de la route parcourue dans l’une des classes de type de route en fonction des taux de probabilité d’appartenance estimés et d’extraction d’au moins un niveau de confort ressenti par un utilisateur préalablement associé à chaque classe de type de route en fonction d’au moins un équipement propre au véhicule (10) apte à influencer le confort ressenti par un utilisateur en phase de roulage.

[0006] Notamment, le procédé est un procédé de détection intelligente.

[0007] Notamment, le procédé selon l’invention peut comprendre, préalablement à l’exécution de la phase de détermination, au moins une phase d’apprentissage supervisé, propre au véhicule équipé, de l’identification d’au moins une classe de type de route prédéfinie et de l’association d’au moins un niveau de confort ressenti par un utilisateur à chaque classe de type de route en fonction d’au moins un équipement propre au véhicule apte à influencer le confort ressenti par un utilisateur en phase de roulage, la phase d’apprentissage étant mise en œuvre par l’intermédiaire d’un calculateur, d’une interface Homme-machine et/ou d’un élément de mémoire.

[0008] En outre, le procédé peut comprendre une étape d’ajustement d’au moins un système annexe équipant le véhicule, notamment un système de suspensions variables, de sorte à corriger un niveau de confort ressenti par l’utilisateur, une telle étape étant mise en œuvre lorsque le niveau de confort associé à une classe de type de route déterminée lors de la phase de détermination est inférieur à un seuil de niveau de confort adapté prédéfini et/ou lorsque la classe de type de route déterminée est comprise dans un sous- ensemble de classe prédéfini identifiées comme nécessitant l’exécution d’une étape d’ajustement.

[0009] Le procédé peut, en outre, comprendre une étape d’actualisation d’une cartographie équipant le véhicule de sorte à renseigner une classe de type de route déterminée.

[0010] Selon un exemple d’exécution du procédé selon l’invention, l’étape de classification peut être mise en œuvre seulement lorsque le taux de probabilité estimé est supérieur à un seuil prédéterminé de 60%.

[0011] Selon un exemple d’exécution du procédé, l’étape d’estimation peut être exécutée par un réseau apte à traiter des séries temporelles de données et à être entraîné lors d’une phase d’apprentissage, notamment par un réseau de neurones convolutifs.

[0012] L’étape d’acquisition de données peut être mise en œuvre par :

- détection et/ou estimation d’au moins une caractéristique relative à une portion de la route parcourue située en amont du véhicule, notamment une hauteur d’un profil de route ; et/ou

- mesure par au moins un capteur d’au moins une caractéristique relative au véhicule en situation de roulage sur ladite route parcourue, notamment un débattement des suspensions, une vitesse de roue, une vitesse longitudinale du véhicule et/ou une accélération du véhicule.

[0013] Egalement, la phase de détermination peut comprendre, ultérieurement à l’étape d’estimation, une étape de validation du taux de probabilité estimé, l’étape de validation étant réalisée sur la base de mesures, par au moins un capteur, d’au moins une caractéristique relative au véhicule en situation de roulage sur ladite route parcourue, notamment un débattement des suspensions, une vitesse de roue, une vitesse longitudinale du véhicule et/ou une accélération du véhicule.

[0014] La présente invention concerne également un système de détection d’un type de route parcourue pour un véhicule en situation de roulage. Le système comprend des éléments matériels et/ou logiciels mettant en œuvre le procédé exposé précédemment, les éléments matériels comportant au moins une unité de traitement de données, un module de détection d’au moins une caractéristique relative à une route parcourue et un module de contrôle d’au moins un système annexe équipant le véhicule, notamment un système de suspensions variables. Notamment, le système de détection peut être un système de détection intelligente.

[0015] L’invention porte, en outre, sur un véhicule automobile comprenant au moins un système annexe susceptible d’affecter un niveau de confort ressenti d’un utilisateur, tel qu’un système de suspensions variables, et un système de détection selon l’invention, apte à contrôler ledit système annexe.

[0016] L’invention peut encore s’étendre à procédé d’apprentissage pour un procédé de détection selon l’invention ou pour un système de détection selon l’invention, comprenant au moins une phase d’apprentissage supervisé, propre au véhicule équipé, de l’identification d’au moins une classe de type de route prédéfinie et de l’association d’au moins un niveau de confort ressenti par un utilisateur à chaque classe de type de route en fonction d’au moins un équipement propre au véhicule apte à influencer le confort ressenti par un utilisateur en phase de roulage, la phase d’apprentissage étant mise en œuvre par l’intermédiaire d’un calculateur, d’une interface Homme-machine et/ou d’un élément de mémoire.

[0017] L’invention s’étend encore à un produit programme d’ordinateur comprenant des ins- tructions 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. Alternativement, l’invention peut s’étendre à un produit programme d’ordinateur téléchargeable depuis un réseau de communication et/ou enregistré sur un support de données lisible par un ordinateur.

[0018] Egalement, l’invention concerne 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 de détection selon l’invention ou un support d'enregistrement lisible par ordinateur comprenant des instructions qui, lorsqu'elles sont exécutées par un ordinateur, conduisent celui-ci à mettre en œuvre ledit procédé de détection.

[0019] L’invention porte enfin sur un signal d'un support de données, portant le produit programme d'ordinateur selon l’invention.

[0020] D’autres détails, caractéristiques et avantages ressortiront plus clairement à la lecture de la description détaillée donnée ci-après, à titre indicatif et non limitatif, en relation avec les différents exemples de réalisation illustrés sur les figures suivantes :

[0021] La [Eig.l] est une représentation schématique d’un mode de réalisation d’un système de détection selon l’invention.

[0022] La [Eig.2] est un ordinogramme général d’un exemple d’exécution d’un procédé de détection d’un type de route.

[0023] La [Eig.3] est une représentation schématique d’un exemple d’exécution d’une étape d’acquisition de données.

[0024] La [Eig.4] est un ordinogramme détaillant un deuxième exemple d’exécution du procédé selon l’invention.

Description détaillée

[0025] La [Eig.l] illustre schématiquement un exemple de réalisation d’un système de détection 1, notamment de détection intelligente, d’un type de route parcourue par un véhicule 10. Un tel système est destiné à un véhicule, notamment un véhicule automobile. Le véhicule 10 peut être, par exemple, un véhicule particulier, un véhicule utilitaire, un camion ou un bus. Notamment, le véhicule considéré peut être un véhicule connecté et/ou autonome. Les figures 2 à 4 illustrent des exemples et variantes d’exécution d’un procédé de détection, notamment de détection intelligente, d’un type de route parcourue par un tel véhicule 10. Le procédé de détection peut également être considéré comme étant un procédé de fonctionnement du système de détection 1 selon l’invention ou comme un procédé de fonctionnement du véhicule 10 automobile équipé d’un tel système de détection 1.

[0026] On entend ici par « route parcourue » une route ou un tronçon d’une route, d’une voie de circulation ou d’une chaussée au niveau duquel ou de laquelle le véhicule 10 circule en temps réel.

[0027] Le véhicule 10 comprend le système de détection 1, lequel comporte des éléments matériels et/ou logiciels aptes à mettre en œuvre, ou conçus pour mettre en œuvre le procédé de détection selon l’invention, tel que davantage exposé ci-après.

[0028] Lesdits éléments matériels comportent au moins une unité de traitement 2 de données, un module de détection 3 d’au moins une caractéristique relative à une route parcourue et un module de contrôle 4 d’au moins un système annexe 5 équipant le véhicule 10, tel qu’un système de suspensions variables 51, un système d’assistance à la conduite 52 ou un système de gestion 53 de la vitesse longitudinale.

[0029] L’unité de traitement 2 comprend au moins un calculateur 21 comportant des ressources matérielles et logicielles, plus précisément au moins un processeur, ou microprocesseur, coopérant avec des éléments de mémoire 6 du système de détection 1 et/ou du véhicule 10. Ce calculateur 21 est apte à exécuter des instructions pour la mise en œuvre d’un programme d’ordinateur. Notamment, l’unité de traitement 2 peut assurer au moins une autre fonction au sein du véhicule 10. Par exemple, le calculateur 21 peut être l’ordinateur de bord du véhicule 10, ou, d’une manière générale n’importe quel calculateur 21 embarqué dans le véhicule 10 de façon permanente ou temporaire.

[0030] Le module de détection 3 peut notamment être configuré afin de détecter et/ou estimer au moins une caractéristique relative à une portion de la route parcourue située en amont du véhicule 10, telle qu’une hauteur d’un profil de route. On entend ici par « hauteur de profil de route » une hauteur d’un point de la route relativement au véhicule. Notamment, F au moins une caractéristique considérée peut être détectée et/ ou estimée sur la base d’images de ladite portion de route.

[0031] Par exemple, le module de détection 3 peut comprendre au moins un moyen de détection 31 optique, tel qu’une caméra, un laser de balayage ou un Lidar, apte à fournir des signaux représentatifs d'une image de la route parcourue qui peuvent ensuite être transmis à l’unité de traitement 2 en vue de les traiter et/ou les archiver. Alternativement ou en combinaison, le moyen de détection 31 peut être phonique, par exemple par ultrasons. Un tel moyen de détection 31 peut, de manière préférentielle, être équipé à l’avant du véhicule 10 ou sur un toit du véhicule 10 afin d'acquérir des données relatives à une portion de route disposée en amont du véhicule 10.

[0032] Alternativement ou additionnellement, le module de détection 3 peut comprendre au moins un capteur 32 équipé sur le véhicule 10 et apte à mesurer au moins une caractéristique propre au roulage du véhicule 10, par exemple relatif au véhicule ou à un ensemble formé par le véhicule et la route parcourue. Une telle caractéristique peut, de manière non limitative, être relative à un débattement des suspensions, une vitesse de rotation des roues et/ou une vitesse longitudinale du véhicule. [0033] Le module de contrôle 4 est configuré pour commander au moins un système annexe 5 équipant le véhicule 10. Un tel système annexe 5 peut être un système de suspensions variables 51, un système d’assistance à la conduite 52, un système gestion de la vitesse longitudinale et/ou un système de cartographie, tel qu’un moyen de localisation 7 équipant le véhicule 10. Le module de contrôle 4 est notamment apte à exécuter l’allumage, l’extinction, la modification et/ou le réglage de tout ou partie des paramètres définis par F au moins un système annexe 5 considéré. De manière avantageuse, le module de contrôle 4 peut être configuré de sorte à commander une pluralité de systèmes annexes équipant le véhicule 10.

[0034] De manière optionnelle, le système de détection selon l’invention peut, en outre, comprendre tout ou partie des options suivantes :

- un moyen de localisation 7 ;

- un module de communication 8.

[0035] Le moyen de localisation 7 peut notamment permettre la localisation du véhicule 10. Il intègre, par exemple, un système de localisation approximative du véhicule 10 et/ou une cartographie haute définition de l’infrastructure routière. Notamment, la localisation approximative du véhicule 10 peut être fournie par un système de type GPS, de l’acronyme anglais « Global Positioning system » permettant l’extraction, d’une base de données de cartographie, d’informations concernant l’infrastructure routière autour de la position approximative du véhicule 10. Alternativement ou en complément, le moyen de localisation peut être un système de localisation embarqué dans le véhicule 10.

[0036] Le module de communication 8 permet notamment au véhicule 10 d’émettre et/ou de recevoir des données issues d’une base de données, d’un serveur distant, d’un ou plusieurs appareils connectés tel qu’un téléphone mobile, ou d’un véhicule lui-même équipé d’un module de communication 8 et d’un système selon l’invention. Une telle communication est établie par l’intermédiaire d’une liaison sans fil basse fréquence ou haute fréquence. Il peut, par exemple, s’agir d’une liaison sans fil basée sur des technologies « cellulaire» ou « Wifi » ou « Bluetooth ». Tel que davantage exposé ci-après, le module de communication 8 peut être mis en œuvre afin d’extraire des données relatives à l’environnement extérieur, notamment des conditions météorologiques ou de trafic routier, ou afin de transmettre des informations relatives à la route parcourue afin d’actualiser des données de cartographie.

[0037] Le système de détection 1 peut, en outre, comprendre un élément de mémoire 6 ou un espace de stockage constituant un support d'enregistrement lisible par un ordinateur ou par le calculateur 21 de l’unité de traitement 2 comprenant des instructions qui, lorsqu'elles sont exécutées par l’ordinateur ou le calculateur 21, conduisent celui-ci à mettre en œuvre le procédé tel que décrit ci-après. [0038] Un mode d’exécution du procédé de détection 100 d’un type de route parcourue par un véhicule 10 en situation de roulage est décrit ci-après en référence aux figures 2 à 4. De manière générale, le procédé de détection 100 selon l’invention comprend une phase de détermination PI d’un type de route parcourue par le véhicule et, préalablement à l’exécution de la phase de détermination PI, au moins une phase d’apprentissage P2 supervisé, propre au véhicule 10 équipé, associant notamment un niveau de confort ressenti par un utilisateur à différentes classes de type de routes, notamment de mauvaises routes. Une telle phase d’apprentissage P2 peut également être définie comme étant relative à un procédé d’entrainement pour un procédé de détection et/ou un système de détection selon l’invention.

[0039] Dans l’ensemble de la description ci-après un type de route, ou une classe de type de route, peut, de manière non limitative, être relatif à :

- un ou des type(s) de mauvaises routes susceptible(s) de provoquer des mouvements de pompage de la caisse lorsque le véhicule 10 évolue sur une route dont la densité d’amplitude spectrale des sollicitations verticales est maximale à basses fréquences ;

- un ou des type(s) de mauvaises routes susceptible(s) susceptibles de générer des tressautements ou des rebonds de roues lorsque le véhicule 10 évolue sur une route dont la densité d’amplitude spectrale des sollicitations verticales est maximale à des hautes fréquences ;

- des routes pavées ou chemins de montagne ;

- des routes dont le revêtement est de mauvaise qualité, par exemple du fait d’intempéries, tels que des précipitations, du gel, ou du fait de l’usure ;

- des routes comprenant des obstacles, tels que des dos d’ânes, passages à niveau, nids de poules ou barrettes, en fonction de leur impact sur le confort, par exemple en fonction de leurs dimensions, susceptibles de provoquer des vibrations ou chocs dans le véhicule 10, notamment présentant une haute fréquence desdits obstacles, c’est- à dire une route dégradée avec une faible distance entre des obstacles.

[0040] La phase de détermination PI comprend au moins une étape d’acquisition El, en temps réel ou pendant une durée prédéterminée, de données relatives à une route parcourue par le véhicule 10. Selon un exemple de réalisation non détaillé à la [Fig.2], la phase de détermination PI peut comprendre une pluralité d’étapes d’acquisitions, relatives à des types de données similaires ou différents. Par exemples, lesdites données peuvent porter sur une ou plusieurs caractéristiques relatives à la route parcourue et/ou au véhicule. Alternativement, l’étape d’acquisition El peut comprendre l’acquisition de différents types de données distincts. L’étape d’acquisition El est mise en œuvre par l’intermédiaire du module de détection 3 tel qu’exposé précédemment.

[0041] Afin de réaliser la classification de la route parcourue dans au moins un classe de type de route prédéterminée, tel qu’un type de mauvaise route, l’étape d’acquisition El peut être réalisée de manière à comprendre une sous-étape de détection et/ou d’estimation El i d’au moins une caractéristique relative à une portion de la route parcourue située en amont du véhicule 10 et/ou une sous-étape de mesure E12 d’au moins une caractéristique relative au véhicule 10 en situation de roulage sur ladite route parcourue. Autrement dit l’étape d’acquisition El peut mettre en œuvre l’acquisition de données de manière à anticiper des caractéristiques relatives à une portion de route à venir comprise dans la route parcourue et/ou de manière à réagir à une portion de route sur laquelle évolue le véhicule 10, c’est dire au contact de laquelle est au moins l’une des roues du véhicule 10.

[0042] Les données détectées et/ou estimées El 1 sur la base de la portion de la route parcourue située en amont du véhicule 10 peuvent, par exemple, être relatives à des caractéristiques telles qu’une hauteur d’un profil de route relativement au véhicule, notamment à une roue du véhicule, ou toutes autres informations provenant d’images de la route. Par exemple de telles données peuvent être obtenues par l’intermédiaire d’un moyen de détection optique, tel qu’une caméra.

[0043] De manière optionnelle mais préférentielle, les données détectées et/ou estimées El 1 sur la base de la portion de route située en amont du véhicule 10 peuvent être associées à un indice de confiance a représentatif d’un degré de fiabilité de la détection et/ou de l’estimation réalisée. Notamment, un tel indice de confiance a peut être défini sur la base de conditions météorologiques ou de trafic routier détectée et/ou en fonction du type de revêtement de la chaussée, susceptibles d’affecter la détection et/ou l’estimation. Par exemple, l’indice de confiance a est défini selon que la route est pavée, recouverte de neige, de gel, de feuilles ou de sable. De manière avantageuse, l’utilisation d’un indice de confiance permet d’écarter des données définies comme peu fiables, susceptibles de biaiser la classification du type de route, par exemple en écartant des données présentant un indice de confiance inférieur à un seuil a _min prédéfini. Par exemple, l’indice de confiance peut être défini par l’unité de traitement 2 et/ou par le module de détection 3.

[0044] Les données mesurées E12 peuvent, de manière non limitative, être obtenues par au moins un capteur 32 et être relatives à des caractéristiques telles que le débattement des suspensions ou d’une roue, par exemple du centre d’une roue, une vitesse de roue, une vitesse longitudinale du véhicule 10 et/ou une accélération du véhicule 10. L’au moins un capteur 32 peut être compris dans le module de détection 3. Alternativement, le capteur 32 peut être un capteur 32 embarqué propre à l’un des systèmes annexes 5 équipant le véhicule 10 et configuré pour transmettre des données audit module de détection 3. De tels capteurs 32 peuvent comprendre un accéléromètre, un capteur de débattement, un capteur de déformation associé à l’une des roues et/ou un capteur de pression.

[0045] De manière préférentielle, le procédé selon l’invention est au moins réalisé en anticipation, par estimation et/ou détection El 1 de données relatives à la portion de route située en amont du véhicule 10. Tel que davantage exposé ci-après, en référence à la [Fig.4], la mise en œuvre d’une sous-étape de mesure, en sus d’une sous-étape de détection et/ou estimation El i, peut permettre d’améliorer la détection et la classification de la route parcourue au moyen d’une étape de validation.

[0046] Indépendamment du type d’acquisition réalisé, c’est-à-dire en anticipation ou en réaction, la détection et/ou l’estimation El 1 de données d’une part et la mesure de données E12 d’autre part sont chacune réalisées en au moins un point de la route. De manière préférentielle, l’acquisition de données est réalisée en au moins deux points, par exemple un point disposé sur deux lignes représentatives d’une trajectoire virtuelle des roues avant du véhicule.

[0047] La [Fig.3] illustre un exemple particulier de mise en œuvre de l’étape d’acquisition El dans lequel l’acquisition de données est réalisée en anticipation par l’intermédiaire d’un moyen de détection optique de sorte à permette une estimation des hauteurs du profil de la portion de route située en amont du véhicule 10 par traitement d’image. Dans l’exemple illustré, de manière non limitative, les données sont collectées au niveau d’une pluralité de points disposés devant chacune des roues avant du véhicule 10. En l’espèce, les données sont collectées, pour chaque roue avant, au niveau de dix points. De manière préférentielle, pour chaque roue avant, lesdits points présentent un espacement à une fréquence fixe de sorte que l’acquisition de données ne soit pas affectée de manière négative par la vitesse longitudinale du véhicule 10. Les données relatives à chacun des vingt points de mesure, dix pour chaque roue avant, sont transmises à l’unité de traitement 2.

[0048] Pour chacun des points précités, la valeur estimée de la hauteur du profil de la portion de route est associée à un indice de confiance a _x de ladite estimation. Tel qu’exposé plus haut, un tel indice peut être défini par le module de détection 3 et/ou l’unité de traitement 2. Il en résulte, un ensemble de données comprenant quarante signaux entrants qui représentent les hauteurs et les indices de confiance a _x des différents points de la portion de route située en amont des deux roues avant du véhicule 10.

[0049] Un tel principe s’applique mutatis mutandis au fonctionnement « par réaction » exposé plus haut, selon lequel les données sont directement obtenues par mesures E12 représentatives d’un ensemble formé par la route parcourue et le véhicule 10, à la différence qu’aucun indice de confiance n’est alors inclus.

[0050] L’unité de traitement 2 exécute ensuite une étape d’estimation E2 d’au moins un taux de probabilité d’appartenance de la route parcourue à au moins une classe de type de route prédéfinie, notamment de mauvaise route, en fonction des données acquises. Tel qu’exposé précédemment, lorsque qu’un indice de confiance est associé aux données acquises, un tel taux de probabilité est également défini sur leur base.

[0051] L’estimation des taux d’appartenance peut être réalisée par tout type de réseau apte à réaliser une tâche de classification à partir de séries temporelles de données incluant au préalable une phase d’apprentissage P2 supervisé. Le réseau considéré reçoit en entrée les données acquises lors de la phase d’acquisition, et fournit en sortie des estimations de taux d’appartenance de la route parcourue aux différentes classes de types de routes prédéfinies correspondant à un taux de probabilité que la route parcourue soit similaire, ou de même type, qu’une classe de type de route considérée. En d’autres termes, un tel type de réseau est préalablement entraîné lors d’une phase d’apprentissage P2 supervisé, tel que davantage détaillé ci-après, afin d’exécuter l’identification de différentes classes de types de routes sur la base de différents types de données et/ou de plages de données, puis peut ultérieurement être exécuté par l’unité de traitement 2 lors de la mise en œuvre du procédé afin de réaliser la classification de la route parcourue dans au moins l’une des classes identifiée lors de la phase d’apprentissage.

[0052] Selon un exemple de réalisation, les taux de probabilité d’appartenance à différentes classes de types de routes peuvent être calculés par un réseau de neurones, notamment par un réseau de neurones convolutifs, ou CNN de l’anglais « Convolution Neural Network ». Ce type de modèles peut être utilisé afin d’exécuter la classification supervisée de séries temporelles de données. Un tel principe est avantageusement simple d’implémentation et permet une invariance du traitement par translation temporelle. Selon un autre exemple de réalisation, non limitatif, les taux de probabilité d’appartenance à différentes classes de types de routes peuvent être calculés par un réseau de neurones récurrent, ou RNN de l’anglais « Recurrent Neural Network ».

[0053] Sur la base des taux de probabilité d’appartenance obtenus, l’unité de traitement 2 met en œuvre une étape de classification E3 de la route parcourue dans une classe de type de routes et d’extraction d’au moins un niveau de confort ressenti par un utilisateur préalablement associé, par exemple lors d’au moins une phase d’apprentissage P2 supervisé telle qu’exposée ci-après, à chaque classe de type de route en fonction d’au moins un équipement propre au véhicule 10 apte à influencer le confort ressenti par un utilisateur en phase de roulage. On entend, selon des exemples non limitatifs, par « équipement » des équipements susceptibles d’affecter le niveau de confort ressenti par un utilisateur tels qu’un système de suspensions ou des pneumatiques.

[0054] Par exemple, la route parcourue est classée dans une classe de type de route prédéfini sur la base du taux de probabilité estimé le plus élevé obtenu. De manière particulière, l’étape de classification E3 peut être mise en œuvre seulement lorsque le taux de probabilité estimé est supérieur à un seuil prédéterminé de 50%, voire de 60% ou encore de 75% afin d’assurer la précision de la classification. L’unité de traitement 2 extrait alors au moins un niveau de confort ressenti par un utilisateur associé à la classe de type de route détecté, c’est-à-dire préalablement défini, par calcul mis en œuvre par l’unité de traitement 2 ou par intervention manuelle d’un utilisateur ou technicien, et enregistré sur les éléments de mémoire 6 du système de détection 1 et/ou du véhicule 10.

[0055] Selon exemple d’exécution non limitatif, mis en œuvre pour un véhicule 10 en situation de roulage tel qu’illustré à la [Fig.3], à chaque pas de calcul l’unité de traitement 2 forme, comme entrée du réseau, notamment du réseau de neurones, une fenêtre glissante de données. En l’espèce, une telle fenêtre comprend les quarante dernières valeurs relatives aux hauteurs de profils de routes et indices de confiance. Le réseau de neurone exécute une inférence afin d’obtenir une distribution de probabilités sur les différentes classes de routes, notamment de mauvaises routes, puis le type de route est déterminé par sélection de la classe présentant le taux de probabilité le plus élevé.

[0056] Le réseau utilisé pour extraire des features, autrement dit caractéristiques, relatives aux classes de types de routes sur la base des séries temporelles de données brutes acquises et définir des taux de probabilité peut être défini, de manière non limitative, par un bloc de base comprenant :

- une couche, ou un filtre, de Convolution ID ; puis

- une couche ReLU, pour Unité Linéaire Rectifiée ou « Rectified Linear Units » en anglais, correspondant à une couche de correction incluant la fonction d’activation ReLU ; puis

- une couche de MaxPooling, correspondant à une couche de mise en commun ; puis

- une couche de normalisation par lot, ou « Batch Normalization ».

[0057] Un tel bloc peut être répété à plusieurs reprises, par exemple deux fois, afin d’obtenir une succession de trois blocs. Selon un exemple de réalisation non limitatif, ces trois blocs basiques peuvent être assemblés avec différentes tailles de filtres et utilisés comme entrée pour une couche entièrement connectée de sorte à donner une distribution de probabilités d’appartenance à une classe de type de route en sortie. Par exemple, les tailles de filtres utilisés dans les couches de convolutions peuvent être définies comme suit lors de l’exécution successive des trois blocs de base : 128, 256, 128. Similairement, les tailles des noyaux, ou « kernel » en anglais, des convolutions peuvent être les suivantes : 5, 3, 3. Pour l’exécution des convolutions de chacun des blocs, le padding appliqué à l’entrée permet à la sortie de garder la même dimension temporelle et le pas utilisé est de préférence de 1.

[0058] Suite à la mise en œuvre des blocs de base, une couche softmax peut être mise en œuvre. Elle fournit un taux de probabilité d’appartenance de la route parcourue pour chacune des classes possibles, la somme de ces taux de probabilité s’élevant à 1. De manière classique, la fonction softmax prend en entrée un vecteur de dimension K : z=(zi ...z _K ) et est définie selon :

[0060] Dans le présent exemple de réalisation, le réseau, notamment le réseau de neurones convolutifs, reçoit en entrée une matrice de taille 40x40 contenant une fenêtre temporelle contenant 40 pas de temps des 40 signaux de données décrits précédemment, relatifs à la hauteur de profil de la portion de route située en amont du véhicule 10 et aux indices de confiance. Le réseau fournit, en sortie, une distribution des taux de probabilités d’appartenance de la route à chacune des classes de types de routes possibles prédéfinies lors de la phase d’apprentissage P2. L’étape de classification E3 telle qu’exposée plus haut est ensuite exécutée, par exemple de sorte que la classification finale de la route parcourue correspond à la classe pour laquelle le taux de probabilité obtenu en sortie du réseau est maximal.

[0061] L’entraînement du réseau, par exemple du réseau de neurones convolutifs, est réalisé, tel qu’exposé précédemment lors d’au moins une phase d’apprentissage P2 supervisé, au moins mise en œuvre préalablement à la phase de détermination PI telle qu’exposé précédemment. On entend par « supervisé » qu’une telle phase d’apprentissage P2 nécessite, au moins partiellement, une intervention humaine.

[0062] La phase d’apprentissage P2 vise d’une part à entraîner le réseau, autrement dit le modèle, afin qu’il soit apte à permettre l’identification d’une classe de type de route prédéfinie correspondant à une route parcourue lorsque la phase de détermination PI est exécutée, et, d’autre part, à entraîner le modèle afin qu’il soit apte à associer aux différentes classes de types de route un niveau de confort ressenti par l’utilisateur.

[0063] La phase d’apprentissage P2 peut être mise en œuvre par l’intermédiaire d’un calculateur 21, d’une interface Homme-machine et/ou d’un élément de mémoire. Une fois entraîné, le modèle peut aisément être implémenté dans un calculateur 21 du véhicule 10, par exemple dans l’unité de traitement 2, lors de la mise en œuvre de la phase de détermination PL

[0064] L’entraînement du réseau en vue de l’identification d’un type de route comprend une phase dite « d’inférence », réalisé selon un principe similaire à ce qui a été exposé en référence à la phase de détermination PI, à partir de données pour lesquels la classe de type de route est préalablement connue, par exemple par un étiquetage manuel, c’est-à-dire supervisé, d’une base de données d’apprentissage, aussi la description précédente s’applique mutatis mutandis. Pour constituer la base d’apprentissage, des enregistrements de données relatives à différents types de routes sont réalisés, sur la base d’un ou plusieurs types de données relatives à des caractéristiques propres à la route parcourue et/ou au véhicule, tel qu’exposé précédemment en référence à l’étape d’acquisition El.

[0065] Ces enregistrements, pour lesquelles le résultat désiré du traitement pas le modèle, sont soumis au modèle afin d’entraîner celui-ci à l’identification, c’est-à-dire à l’exécution de l’étape d’estimation et de classification telles que précédemment exposées, d’un type de route sur la base de données détectées et/ou estimées, c’est-à-dire en anticipation, et/ou sur la base de données mesurées, c’est-à-dire en réaction. Les différentes classes de types de routes sont ainsi définies en fonction d’au moins un type de données, notamment en fonction de plages de valeurs définies pour au moins un type de données considéré, par exemple la hauteur de profil de route. Puis, en fonction de la classe ou bien de la distribution des taux de probabilités d’appartenance de la route à chacune des classes de types de routes possibles prédéfinies déterminée pas le modèle, une estimation de l’erreur faite par le modèle est calculée.

[0066] Dans le cas de réseaux, en particulier de réseaux de neurones convolutifs, une fonction de perte ou de coût, par exemple une fonction d’entropie croisée, peut être utilisée. De manière optionnelle mais préférentielle une pondération peut être appliquée à une telle fonction de perte afin de prévenir un suraprentissage, aussi qualifié d’overfitting en anglais, ou afin de permettre un apprentissage artificiellement accéléré si les enregistrements des différents types de routes ne sont pas équitablement répartis en termes de nombre d’exemples par classe.

[0067] L’entraînement du réseau vise également à identifier et/ou associer au moins un niveau de confort estimé, représentatif du confort de l’utilisateur et du ressenti de la route parcourue, aux différentes classes de types de route. Un tel entraînement peut être effectué sur la base d’au moins un critère, lequel peut être objectif ou subjectif. De manière avantageuse, l’entraînement peut être réalisé sur la base d’une pluralité de critères objectifs et/ou subjectifs. Les différentes classes de types de routes peuvent être associées à au moins un critère, notamment à au moins une plage de valeurs définie pour l’au moins un critère considéré.

[0068] On entend par exemple par « critère objectif » des critères définis sur la base de valeurs mesurées, estimées et/ou calculées par des moyens de détections et/ou des capteurs 32 embarqués dans le véhicule 10. Par exemple, un critère objectif peut être relatif à la transmissibilité, c’est-à-dire au ratio entre le déplacement de la masse suspendue par rapport à la sollicitation de la route qui permet d’évaluer la caractéristique d’isolation vibratoire d’une suspension donnée. Il peut également être défini un critère basé sur le débattement des roues par rapport à la caisse au passage des perturbations ou obstacles, et notamment l’atteinte des butées de compression ou de détentes qui pénalisent fortement le confort, ou encore un critère sur la valeur efficace, ou RMS, de l’accélération verticale au centre de gravité de la voiture.

[0069] Lorsque l’entraînement est basé sur des critères objectifs, il peut avantageusement être exécuté de manière automatique et est défini spécifiquement en fonction des équipements propres au véhicule 10, ou à un modèle de véhicule 10, de sorte que l’évaluation du confort ressenti associé au type de route identifié est définie de manière adaptée relativement au véhicule 10 équipé du système de détection et à ses équipements, tels que son système de suspensions, et non de manière générique.

[0070] A l’inverse, on entend par « critère subjectif » que l’apprentissage est réalisé de manière supervisée par un utilisateur ou par un expert qui peut, par exemple, lui-même associer un niveau de confort prédéfini à chacune des différentes classes de types de routes en fonction des équipements du véhicule, tel que le système de suspensions. L’utilisateur ou l’expert est alors en mesure de classifier subjectivement le type de la route rencontrée en fonction de son ressenti sur la réponse du véhicule et du confort résultants pour les passager au passage sur cette route.

[0071] Similairement à ce qui a été exposé plus haut, lors de l’entraînement relatif au confort, une fonction de perte et, de manière optionnelle, une pondération, peuvent être mises en œuvre.

[0072] La phase d’apprentissage P2 peut ainsi avantageusement être adaptée selon le besoin et les différents types de routes peuvent ainsi être classifiés par l’utilisateur ou l’expert en fonction de ce qu’il est souhaitable de détecter, c’est-à-dire en fonction des équipements du véhicule 10 et/ou en fonction des systèmes annexes 5 susceptibles d’être pilotés, notamment du système de suspension ou d’amortisseurs, et en fonction d’un niveau confort désiré défini par l’utilisateur ou l’expert.

[0073] Lors de cette phase d’apprentissage P2 la qualité et la consistance de l’entraînement est essentielle afin d’assurer une identification précise et performante des différents types. Dans cette application, le procédé selon l’invention permet avantageusement d’obtenir une précision globale de l’ordre de 98% avec un score Fl pondéré de 97%.

[0074] Dans le cas exposé ci-dessus, au moins une phase d’apprentissage P2 est mis en œuvre préalablement à l’exécution de la phase de détermination PL Une pluralité de phases de détections peut être exécutées suite à une telle phase d’apprentissage P2, tel qu’illustré par le cadre pointillé P2’. Par exemple, la phase d’apprentissage P2 peut être réalisée préalablement à la mise en circulation du véhicule ou lors d’un entretien, ou une révision du véhicule.

[0075] De manière optionnelle, le procédé selon l’invention peut comprendre une phase additionnelle d’apprentissage P2’, mise en œuvre ultérieurement à l’exécution de la phase de détermination PI d’un type de route. Une telle phase d’apprentissage P2 additionnelle est exécutée similairement à ce qui a été exposé précédemment et peut être, par exemple, mise en œuvre par un utilisateur afin d’affiner ou d’adapter l’entraînement de l’identification et/ou du niveau de confort associé aux différents types de route à ses préférences ou besoins.

[0076] Ainsi, tel qu’illustré à la [Fig.2], en conditions de roulage, une fois la classe de type de route propre à la route parcourue identifié, c’est-à-dire à l’issue de l’étape de classification E3 de la phase de détermination PI, l’unité de traitement peut extraire, par exemple d’un élément de mémoire, un niveau de confort associé à la classe de type de route identifiée qui est alors représentatif d’un niveau de confort ressenti, en temps réel, par l’utilisateur alors que le véhicule évolue sur la route parcourue. Le système de détection 1 peut alors initier, par l’intermédiaire du module de contrôle 4, une étape d’ajustement E4 d’au moins un système annexe 5 équipant le véhicule 10 de sorte à corriger le niveau de confort ressenti par l’utilisateur.

[0077] L’étape d’ajustement E4 peut être mise en œuvre lorsque le niveau de confort associé au type de route identifié est inférieur à un seuil de niveau de confort adapté prédéfini, par exemple lorsque le type de route déterminé est une mauvaise route associée à un niveau de confort jugé inadapté lors de la phase d’apprentissage. Un tel seuil peut être défini préalablement par un expert et/ou ajusté par un utilisateur. Alternativement, l’étape d’ajustement peut être mise en œuvre lorsque la classe de type de route identifiée lors de la phase de détermination PI est comprise dans un sous-ensemble de classe préalablement identifiées, par exemple lors de la phase d’apprentissage, comme nécessitant une correction du confort ressenti. Par exemple, un tel type de route peut être une « mauvaise route ».

[0078] On entend ici par « corriger » que, lorsque le niveau de confort ressenti estimé est inférieur au seuil prérequis, il est nécessaire d’adapter au moins un système annexe 5 afin d’augmenter le confort d’un utilisateur. Un tel principe peut être réalisé en adaptant le système de suspensions de manière à les rendre plus souples ou rigides, en adaptant la vitesse longitudinale du véhicule, par exemple en la réduisant.

[0079] Par exemple, dans le cadre du pilotage d’un système de suspensions ou d’amortisseurs variable, la force d’amortissement peut être modifiée, notamment augmentée, dans diverses proportions lorsque qu’un obstacle, un dos d’âne ou une mauvaise route basse fréquence est détecté, lesdites proportions étant adaptées au type d’obstacle ou de route détecté. A l’inverse, la force d’amortissement peut être diminuée au passage d’une mauvaise route haute fréquence ou d’une petite percussion.

[0080] Comme exposé précédemment, le système annexe 5 en question peut être un système de suspensions variables 51, un système de contrôle de la vitesse longitudinale et/ou un système d’assistance à la conduite 52. A noter que les fonctions d'assistance à la conduite peuvent notamment inclure les avertissements de collision, l’information ou l’alerte du conducteur, le freinage d'urgence ou encore la direction d'urgence. La correction effectuée peut alors affecter un ou plusieurs desdits systèmes.

[0081] Comme indiqué plus haut, de manière avantageuse, les classes de types de route, notamment de mauvaises routes, peuvent être adaptées selon l’utilisation souhaitée du véhicule et/ou du système de détection, c’est-à-dire par exemple selon le système annexe 5 visé et/ou selon un mode de fonctionnement du véhicule 10 parmi des modes classiquement disponibles tels qu’un mode de conduite « sportive » ou « confort » par exemple. Le procédé selon l’invention permet ainsi, au moment de la détection du type de route de la route parcourue, le déclenchement d’une stratégie de contrôle des systèmes annexes, tels que le système de suspensions variables 51, spécifiquement adaptée au type de route déterminé lors de la phase de détermination PI et au véhicule 10 équipé afin d’assurer le confort optimal d’un utilisateur.

[0082] De manière additionnelle ou alternative, une fois la classe de type de route propre à la route parcourue identifiée, le système de détection 1 peut initier une étape d’actualisation E5 d’une cartographie équipant le véhicule 10 de sorte à renseigner un type de route, notamment de mauvaise route, déterminé lors de la phase de détermination PI. En ce sens, lors de la phase de détermination PI, par exemple lors de l’étape d’acquisition El et/ou lors de l’étape de classification E3, les données acquises peuvent être associées à des données GPS. De manière optionnelle, ces données peuvent également être associées à un horodatage, notamment afin d’assurer une cartographie adaptée lorsque le type de route déterminé présente une composante temporaire, par exemple du fait d’obstacles temporaires ou de la présence d’intempéries telles que de la pluie, neige ou glace susceptibles d’affecter la classe de la route.

[0083] La classe de type de route déterminée pour la route parcourue, ainsi que les données GPS, et éventuellement d’horodatage, peuvent alors être transmises à d’autres véhicules, à une base de données et/ou à des serveurs distants par l’intermédiaire du module de communication 8 afin de rendre ces données accessibles à d’autres utilisateurs, notamment d’autres utilisateurs utilisant un modèle similaire ou identique de véhicule 10. Il est, par exemple, alors possible d’associer en temps réel une position GPS et éventuellement un horodatage correspondant à un point d’entrée et un point de sortie sur le type de route détectée. Ces données peuvent, de manière optionnelle, également être associées à un sens de roulage du véhicule 10 sur la route parcourue et/ ou à la vitesse longitudinale du véhicule 10.

[0084] Une fois ces informations transmises sur des bases de données ou serveurs distants, celles-ci peuvent être soumises à des traitements additionnels permettant notamment de filtrer, regrouper et/ou valider ces informations avant de les rentre disponibles à d’autres utilisateurs.

[0085] La [Fig.4] illustre un deuxième mode d’exécution du procédé selon l’invention, dans lequel la phase de détermination PI comprend, ultérieurement à l’étape d’estimation E2, une étape de validation E6 du taux de probabilité estimé réalisée sur la base de mesures, par au moins un capteur 32, d’au moins une caractéristique relative au véhicule 10 en situation de roulage sur la route parcourue. Dans un tel mode d’exécution, l’étape d’estimation E2 telle qu’exposée précédemment peut être mise en œuvre en anticipation, sur la base de données estimées et/ou détectées relatives à une portion de la route parcourue située en amont du véhicule 10, ou en réaction, sur la base de données mesurées.

[0086] L’étape de validation E6 peut être exécutée simultanément et/ou ultérieurement à l’étape d’estimation E2. L’étape de validation E6 est exécutée de manière similaire à ce qui a été exposé plus haut relativement au traitement de données mesurées lors de l’étape d’estimation E2.

[0087] L’étape de classification E3 de la route parcourue dans l’une des classes de types de route prédéfinies peut alors être exécutée de manière conditionnelle seulement lorsque les résultats de l’étape d’estimation E2 et de l’étape de validation E6 permettent d’identifier un type de route identique. En d’autres termes, l’étape de classification E3 n’est mise en œuvre que lorsque les taux de probabilités d’appartenance à une classe de type de route obtenus lors de l’étape d’estimation E2 et l’étape de validation E6 sont tels qu’ils permettent d’identifier une même classe de type de route.

[0088] Alternativement, l’étape de validation E6 peut être exécutée parallèlement à l’étape d’estimation E2 et de classification E3, l’étape de validation E6 reproduisant lesdites étapes d’estimation E2 et de classification E3 sur la base de données mesurées en vue de la validation. Le procédé selon l’invention comprend alors deux étapes de classification distinctes, l’une primaire E3, telle que décrite en référence à la [Eig.2], et l’autre comprise dans l’étape de validation E6. Une classification de la route parcourue n’est alors enregistrée, par exemple sur un élément de mémoire 6, et utilisée pour l’ajustement E4 d’un système annexe que lorsque les deux étapes de classification résultent en l’identification d’une même classe de type de route. Un tel principe permet avantageusement d’optimiser encore la précision du procédé selon l’invention.

[0089] La présente invention propose ainsi un procédé de détection d’un type de route parcourue par un véhicule couplant une phase de détermination d’un type de route et une phase d’apprentissage de l’identification d’une classe de type de route intégrant une évaluation du confort de la route ressenti par un utilisateur pour un véhicule de modèle et d’équipement donné. Le procédé selon l’invention peut avantageusement être transposé à tout type de véhicule à moindre coût, l’exécution de la phase d’apprentissage permettant d’obtenir un procédé de détection adapté aux caractéristiques du véhicule, notamment son modèle et/ou ses équipement susceptibles d’impacter le confort de route. L’invention permet ainsi d’obtenir une performance de détection des types de route, notamment de mauvaise route, affinée et adaptée au véhicule équipé, tout en assurant la transportabilité de l’invention à une large gamme de véhicules. Le procédé selon l’invention permet alors un contrôle plus adapté des systèmes annexes liés au confort de l’utilisateur équipant le véhicule.

[0090] La présente invention ne saurait toutefois se limiter aux moyens et configurations décrits et illustrés ici et elle s’étend également à tout moyen ou configuration équivalents et à toute combinaison techniquement opérante de tels moyens dans la mesure où ils remplissent in fine les fonctionnalités décrites et illustrées dans le présent document.