FR2742706A1 - Procede de detection de l'evolution du comportement de conduite d'un conducteur de vehicule automobile et dispositif pour la mise en oeuvre d'un tel procede - Google Patents

Abstract

La présente invention concerne un procédé et un dispositif de détection de l'évolution du comportement de conduite d'un conducteur de véhicule automobile. Le dispositif est caractérisé en ce qu'il comprend des capteurs (1) permettant de mesurer un certain nombre de paramètres caractéristiques de l'activité de conduite du conducteur; un boîtier électronique (2) comprenant une unité d'acquisition (3) des signaux analogiques provenant des capteurs (1), plusieurs processeurs (5) de traitement en temps réel de signaux, et un logiciel spécifique implanté sur les processeurs (5) pour réaliser des fonctions d'apprentissage progressif des caractéristiques de l'activité du conducteur au fur et à mesure de la conduite et de détection de toute évolution significative de l'activité de conduite de celui-ci. L'invention trouve application dans le domaine de l'automobile.

Description

La présente invention concerne un procédé de détection de l'évolution du comportement de conduite d'un conducteur de véhicule automobile, ainsi que le dispositif pour la mise en oeuvre de ce procédé.

On sait qu'une proportion importante des accidents de la circulation mettant en jeu un seul véhicule est attribuée à une défaillance du conducteur résultant de l'hypovigilance, la somnolence et/ou la fatigue de celui-ci.

Si le conducteur d'un véhicule automobile pouvait être alerté d'une diminution de ses performances avant qu'il ne commette une faute de conduite, un grand nombre d'accidents pourraient alors être évités.

Diverses solutions ont déjà été proposées pour prévenir le conducteur d'un véhicule automobile d'une conduite particulièrement dangereuse.

L'une de ces solutions consiste à utiliser un détecteur d'hypovigilance faisant partie d'un système embarqué sur le véhicule et analysant les mouvements instantanés du volant et les comparant à des mouvements observés préalablement en hypovigilance. Le système repose sur le principe suivant : un conducteur parfaitement éveillé effectue une correction de trajectoire continue et de faible amplitude. Par contre, un conducteur hypovigilant, voire somnolent, effectue cette correction de façon irrégulière. Le conducteur ne corrige plus sa trajectoire en continu, mais de temps en temps, ce qui l'oblige à réaliser des mouvements du volant de grande amplitude. Ce système connu repose ainsi sur une mesure des angles du volant lorsque ceux-ci suivent un intervalle de temps pendant lequel le volant est resté immobile, une mesure de cet intervalle de temps étant également effectuée, et une alarme est produite en cas de détection d'hypovigilance du conducteur.

Ce système connu repose uniquement sur l'analyse des mouvements du volant de sorte qu'il manque de fiabilité car le signal électrique de mesure des angles de rotation du volant peut être perturbé par d'autres événements. I1 en résulte alors un grand nombre de fausses alarmes. De plus, ce système connu ne prend pas en compte la spécificité du conducteur ni celle de son environnement de conduite.

Une autre solution pour prévenir le conducteur d'un véhicule automobile d'une activité de conduite dangereuse consiste à utiliser un détecteur embarqué de fatigue du conducteur et reposant sur une mesure de la durée du trajet et des conditions de conduite pendant cette durée, qui sont représentées par la vitesse du véhicule et l'activité de freinage. Un signal d'alarme est produit pour indiquer au conducteur qu'il doit se reposer lorsque la durée de conduite atteint un certain seuil adapté aux conditions de conduite rencontrées.

La solution qui est connue ci-dessus s'intéresse donc uniquement à la détection de fatigue accumulée et supposée du conducteur au cours d'un trajet et ne tient pas compte de la spécificité du conducteur.

On connaît également d'autres solutions pour éviter la défaillance d'un conducteur, mais qui imposent le port d'un équipement spécifique (casque, lunettes...). Ces solutions sont plutôt des gadgets et en tout cas manquent de fiabilité.

La présente invention propose un procédé et un dispositif embarqué capable de détecter toute évolution du comportement du conducteur pouvant aboutir à une conduite dangereuse quelle qu'en soit la cause.

A cet effet, le procédé de l'invention pour la détection de l'évolution du comportement de conduite d'un conducteur de véhicule automobile est caractérisé en ce qu'il consiste à
- mesurer un certain nombre de paramètres caractéristiques de l'activité ou état de conduite du conducteur, tels que la position de la pédale d'accélérateur du véhicule, la vitesse du véhicule, les mouvements de rotation du volant du véhicule
- calculer, à partir des valeurs mesurées des paramètres, des grandeurs caractéristiques ou caractères de la conduite
- traiter par un logiciel spécifique ces caractères calculés de façon que ce logiciel puisse accomplir une fonction d'apprentissage progressif des caractéristiques du comportement du conducteur au fur et à mesure de la conduite et une fonction de détection de toute variation des caractères calculés indiquant une évolution significative de l'activité de conduite du conducteur ; et
- émettre une alarme lorsqu'est détectée une évolution significative du comportement du conducteur.

Les paramètres sont mesurés un certain nombre de fois pendant un intervalle donné ou fenêtre de mesure et on recommence une telle mesure pour une nouvelle fenêtre de mesure décalée par rapport à la première, de préférence avec recouvrement entre les deux fenêtres de mesure successives.

Les caractères calculés comprennent des grandeurs statistiques telles que la moyenne de n valeurs mesurées pendant une fenêtre de mesure, la variance caractérisant la dispersion des valeurs mesurées autour de la moyenne, un coefficient de symétrie traduisant la symétrie de la répartition des n valeurs autour de la moyenne et/ou le coefficient d'aplatissement caractérisant la forme de la répartition des valeurs sur la fenêtre de mesure et/ou des grandeurs fréquentielles.

Les différents caractères précités constituent, à chaque mesure, un vecteur de caractères définissant dans l'espace de dimension d défini par d caractères un point de cet espace repéré par ses d coordonnées qui sont les valeurs des caractères calculées à un instant t et on définit des classes d'apprentissage matérialisées respectivement par des zones géométriques closes de l'espace de dimension d et des fonctions d'appartenance, basées sur le principe de la logique floue, pour déterminer la classe à laquelle appartient un point donné de cet espace et connaître ainsi l'état de conduite du conducteur à chaque instant t.

Les fonctions d'appartenance précitées sont créées en utilisant des réseaux de neurones aptes à effectuer une phase d'apprentissage par mémorisation d'un ensemble d'exemples d'apprentissage constitués par des couples comprenant chacun un vecteur d'entrée donné appliqué à un réseau de neurones et une valeur de sortie souhaitée du réseau pour ce vecteur d'entrée et, une fois la phase d'apprentissage terminée, à passer à une phase d'utilisation de façon qu'à tout vecteur d'entrée le réseau de neurones fournisse une valeur de sortie reflétant la relation entrée/sortie qu'il a apprise.

De préférence, les réseaux de neurones précités sont des réseaux à fonction d'activation gaussienne à deux couches d'opérations successives pour calculer chacun une valeur approchée de la fonction d'appartenance en présentant le vecteur d'entrée x à N fonctions gaussiennes Ti de la première couche pour calculer N valeurs de fonctions gaussiennes Ti(x) de ce vecteur et en effectuant ensuite dans la seconde couche du réseau la somme de ces N valeurs en leur appliquant des coefficients multiplicatifs ci de sorte que la sortie O(S) du réseau est exprimée par

avec (S) qui est la valeur approchée de la fonction d'appartenance à une classe représentant l'état de conduite du conducteur.

On utilise autant de réseaux qu'il y a de classes connues représentant les différents états du conducteur, avec la valeur en sortie d'un réseau pour un vecteur d'entrée quelconque S traduisant un degré d'appartenance de ce vecteur à une classe et on fixe une valeur de seuil de la valeur de sortie en dessous de laquelle un vecteur d'entrée est considéré comme n'appartenant pas à une classe.

Un ensemble d'apprentissage d'une nouvelle classe est créé au fur et à mesure que des vecteurs d'entrée, dont la valeur d'appartenance est inférieure à la valeur de seuil précitée, sont rejetés, en utilisant un critère permettant de déterminer si plusieurs vecteurs d'entrée rejetés représentent un même état de conduite du conducteur afin de ne pas regrouper dans un même ensemble d'apprentissage des points représentés par des vecteurs d'entrée n'appartenant pas à la même classe.

De préférence, le critère utilisé est la proximité spatiale et/ou temporelle entre les points représentés par les vecteurs d'entrée rejetés de façon à constituer progressivement des groupes de points jugés similaires au fur et à mesure des rejets.

Deux conditions simultanées sont fixées pour qu'un groupe de points devienne un ensemble d'apprentissage : le conducteur doit avoir quitté l'état de conduite représenté par le groupe et ce dernier doit avoir une taille suffisante représentant une durée d'observation du comportement du conducteur, par exemple d'au moins une minute.

Un ensemble d'apprentissage pour une classe de référence est créé en utilisant les critères de proximité dans l'espace et le temps entre les points représentés par les vecteurs d'entrée de sorte que le groupe qui remplit le premier les conditions d'apprentissage devient la classe de référence servant à l'apprentissage du réseau correspondant.

Avantageusement, l'alarme est émise lorsqu'une variation significative sur plusieurs valeurs d'appartenance est détectée ou que des variations de l'état de référence sont détectées.

Selon une variante de réalisation, on renouvelle en totalité le processus de création d'un ensemble d'apprentissage d'une nouvelle classe et/ou d'un ensemble d'apprentissage d'une classe de référence à chaque trajet du véhicule.

Lors d'une instabilité de l'activité de conduite du conducteur, observée dès le début du trajet, signifiant que le conducteur prend la route dans un état dégradé ou que les conditions de conduite sont difficiles, et empêchant la constitution de la classe de référence, on utilise la classe de référence sur un trajet effectué antérieurement et on contrôle si les vecteurs d'entrée appartiennent à cette classe de référence.

L'invention propose également un dispositif de détection de l'évolution du comportement de conduite d'un conducteur de véhicule automobile pour la mise en oeuvre du procédé tel que défini précédemment et qui comprend des capteurs permettant de mesurer un certain nombre de paramètres caractéristiques de l'activité de conduite du conducteur, tels que la position de la pédale d'accélérateur, l'angle de rotation du volant et la vitesse du véhicule ; un boîtier électronique comprenant une unité d'acquisition des signaux analogiques provenant des capteurs, constituée de convertisseurs analogique-numérique pour l'échantillonnage de ces signaux analogiques et d'un port parallèle pour l'acquisition de signaux binaires, des cartes électroniques comprenant plusieurs processeurs de traitement en temps réel de signaux pouvant fonctionner en parallèle pour assurer un traitement rapide des données acquises et un logiciel spécifique implanté sur les processeurs pour réaliser les fonctions d'apprentissage progressif des caractéristiques de l'activité de conduite du conducteur au fur et à mesure de la conduite, de détection de toute évolution significative de l'activité de conduite du conducteur et d'émission d'une alarme.

Avantageusement, les processeurs sont connectés de façon à communiquer entre eux, avec l'un des processeurs pilotant l'acquisition des signaux par l'unité d'acquisition précitée et les autres processeurs accomplissant périodiquement différentes tâches réparties sur ceux-ci et comprenant notamment le calcul des caractères de la conduite sur chaque signal acquis suivi de la formation du vecteur d'entrée, le calcul de la sortie de chaque réseau existant, le lancement et la réalisation de l'apprentissage d'une nouvelle classe.

L'invention sera mieux comprise et d'autres buts, caractéristiques, détails et avantages de celle-ci apparaîtront plus clairement au cours de la description explicative qui va suivre faite en référence aux dessins schématiques annexés donnés uniquement à titre d'exemple illustrant un mode de réalisation de l'invention et dans lesquels
- la figure 1 est un schéma synoptique du dispositif de l'invention pour détecter l'évolution du comportement de conduite d'un conducteur de véhicule automobile
- la figure 2 représente une configuration particulière de processeurs de traitement de signaux utilisés dans le dispositif de la figure 1
- les figures 3A à 3E représentent des courbes caractéristiques de grandeurs statistiques calculées à partir de grandeurs numériques fournies au dispositif de la figure 1
- les figures 4A et 4B représentent un point défini par ses grandeurs statistiques ou caractères respectivement dans un espace à deux dimensions et un espace à trois dimensions
- la figure 5 représente le principe de mesure de paramètres caractéristiques de l'activité de conduite du conducteur conformément à l'invention
- la figure 6 représente le principe de l'algorithme de l'invention permettant de définir le comportement du conducteur au cours du temps
- la figure 7 représente un exemple d'un ensemble flou de forme trapézoïdale permettant de définir des fonctions d'appartenance déterminant à quelle classe appartient un point donné de l'espace
- la figure 8 est une architecture de réseaux de neurones du type à fonction d'activation gaussienne permettant de calculer une valeur approchée de la forme d'un ensemble flou ou fonction d'appartenance
- la figure 9 est une courbe de signaux d'appartenance à une classe de référence
- la figure 10 est une courbe de signaux d'appartenance évoluant de façon symétrique pour la création de deux classes et
- la figure 11 représente le mode de fonctionnement du dispositif de l'invention.

Le dispositif de l'invention, embarqué sur un véhicule automobile a été développé sur la base des deux constatations suivantes
- l'activité de conduite d'un conducteur de véhicule automobile est spécifique au conducteur et à son environnement de conduite. En effet, l'action du conducteur sur les commandes du véhicule dépend d'une part de son état physique (fatigué, nerveux,...) et mental (serein, préoccupé,...) et d'autre part de facteurs liés à son environnement de conduite (conditions météorologiques, heure du jour, densité de la circulation,...). I1 n'est donc pas possible de modéliser a priori cette activité de conduite il faut l'apprendre spécifiquement pour chaque conducteur.

L'invention ne cherche pas à détecter un état particulier du conducteur (fatigue ou hypovigilance par exemple), car on n'en connaît pas a priori les manifestations sur l'activité de conduite
- il faut éviter l'arrivée d'un état dangereux du conducteur et c'est la raison pour laquelle il vaut mieux détecter une évolution vers cet état avant qu'il ne s'installe et ait des conséquences néfastes. Dans la mesure où 1 invention ne cherche pas un état particulier, tel que l'hypovigilance ou la fatigue, elle va s'attacher à mettre en évidence toute évolution du comportement de conduite du conducteur quelle qu'en soit la cause.

Ces deux constatations constituent les deux lignes directrices guidant le développement du dispositif de l'invention.

Le dispositif de l'invention tel que représenté en figure 1 comprend d'une manière générale un certain nombre de capteurs 1 permettant de mesurer des paramètres caractéristiques de l'activité ou état de conduite du conducteur et constitués par exemple par un capteur de mesure de position de la pédale d'accélérateur du véhicule, un capteur de mesure de l'angle de rotation du volant du véhicule, un capteur de vitesse du véhicule et un capteur d'activation des commodos et tout autre capteur pouvant fournir un signal utile pour la description d'un changement de l'activité de conduite. De préférence, trois capteurs sont utilisés tels que ceux de mesure de position de la pédale d'accélérateur, de mesure de l'angle de rotation du volant et de mesure de la vitesse du véhicule.

Le dispositif comprend également un boîtier électronique embarqué 2 contenant
- une unité 3 d'acquisition des signaux analogiques provenant des différents capteurs 1 et comprenant des convertisseurs analogique/numérique (non représentés) pour l'échantillonnage des signaux analogiques des capteurs 1 et un port parallèle (non représenté) pour l'acquisition de signaux binaires de ces convertisseurs
- des cartes électroniques 4 comprenant plusieurs processeurs 5 du type DSP (figure 2) pour le traitement de signaux et pouvant fonctionner en parallèle pour assurer un traitement rapide des données acquises. Les processeurs 5 peuvent être connectés entre eux comme indiqué à la figure 2 dans des buts qui seront définis ultérieurement.

Le boîtier électronique 2 est constitué de préférence par l'ordinateur de bord du véhicule dont l'unité centrale 6 pilote l'unité 3 d'acquisition des signaux et transmet les données numérisées aux cartes électroniques 4.

Le dispositif comprend également un logiciel spécifique de détection d'évolution du comportement du conducteur, implanté sur les processeurs 5 pour traiter les données acquises.

Ce logiciel réalise les fonctions suivantes
- apprentissage progressif des caractéristiques du conducteur au fur et à mesure de la conduite de façon que le dispositif s'adapte aux spécificités du conducteur et de son environnement
- détection de toute évolution significative de l'activité de conduite, quelle qu'en soit la cause (hypovigilance, fatigue, somnolence, faim,... du conducteur) et émission d'un signal d'alarme AL. Cette caractéristique du logiciel lui confère des capacités de prédiction et donc d'anticipation des défaillances possibles du conducteur.

Les signaux de sortie des capteurs 1 de position de la pédale d'accélérateur, de la vitesse du véhicule et des mouvements de rotation du volant à partir desquels est déterminée l'activité de conduite du conducteur, sont appliqués en continu aux convertisseurs analogique-numérique de l'unité 3 et numérisés par ceux-ci pour être ensuite utilisés pour calculer des grandeurs numériques caractéristiques de la conduite.

Ces grandeurs peuvent être statistiques ou fréquentielles. Ces dernières caractérisent les fréquences contenues dans chaque signal reçu.

Les grandeurs statistiques peuvent comprendre la moyenne, la variance, et les coefficients de symétrie et d'aplatissement. Celles-ci sont expliquées aux figures 3A à 3E en considérant un ensemble de n valeurs numériques ou échantillons des convertisseurs analogique-numérique pris sur un intervalle [a,b]. La figure 3A montre la valeur moyenne m et l'écart type cr dans le cas d'une courbe de Gauss ou courbe en cloche, cette moyenne étant un indicateur de la valeur centrale des échantillons. La variance caractérise la dispersion des échantillons autour de la moyenne. Le coefficient de symétrie traduit la symétrie de la répartition des n valeurs autour de la moyenne comme représenté en figure 3B par opposition à la distribution non symétrique de ces valeurs sur l'intervalle [a,b] (figure 3C). Enfin, le coefficient d'aplatissement caractérise la forme de la répartition des valeurs numériques sur l'intervalle [a,b], par exemple plate ou uniforme comme représenté en figure 3D ou bien modale comme représenté en figure 3E, c'est-à-dire qui privilégie certaines valeurs de l'intervalle.

Les grandeurs ainsi calculées sont appelées caractères et sont rassemblées dans un vecteur de caractère ou vecteur forme . Ces caractères définissent, suivant leur nombre d, un espace de dimension d appelé espace de représentation.

Ainsi, tout point de cet espace est repéré par ses d coordonnées, qui sont en fait les valeurs des caractères calculées à un instant t. Les figures 4A et 4B représentent deux exemples d'espaces de représentation. La figure 4A montre que si deux caractères suffisent pour caractériser l'activité de conduite du conducteur, les vecteurs forme T, sont représentés dans un plan tandis que l'utilisation de trois caractères pour caractériser cette activité de conduite amène à une représentation des vecteurs forme T, dans un espace à trois dimensions comme représenté en figure 4B.

Les grandeurs ou caractères sont calculés à partir des signaux des capteurs 1 selon le principe de "fenêtre glissante" schématisé en figure 5. Ces fenêtres temporelles
F1, F2 sont de longueur fixe avec un recouvrement entre les fenêtres successives F1 et F2. A titre d'exemple, la durée des fenêtres de mesure ou de calcul est de 1 minute et 20 secondes et les fenêtres sont décalées de At, par exemple de 8 secondes. Le recouvrement entre deux fenêtres successives est alors dans ce cas de 90%, mais il est bien entendu que cette quantité peut être aisément modifiée par l'utilisateur.

On obtient ainsi une mesure de l'activité de conduite, ou forme ~ce, toutes les At secondes. Cette suite de points (~r;t)t > 0 est ensuite fournie au logiciel ou algorithme de détection d'évolution comme donnée d'entrée.

Le principe général de l'algorithme, pour satisfaire les deux fonctions énoncées précédemment relatives à l'apprentissage progressif des caractéristiques de conduite du conducteur et à la détection d'évolution significative de l'activité de conduite de celui-ci, repose sur la méthode suivante : au début de la conduite, le conducteur se trouve dans un état initial appelé état de référence, qui fait l'objet d'un apprentissage. Par la suite, tout écart par rapport à cette référence est interprété comme une évolution.

Celle-ci peut correspondre à l'apparition d'un nouvel état qui fait alors à son tour l'objet d'un apprentissage. On accroît ainsi, au fur et à mesure, la connaissance de l'activité de conduite du conducteur considéré.

Cette méthode s'appuie sur un algorithme de reconnaissance des formes floue, et va être explicitée.

La reconnaissance des formes est une technique qui vise à développer des méthodes de classification. Soit O un objet et M le nombre de classes possibles. Un problème de classification peut s'exprimer de manière générale de la façon suivante : à laquelle des M classes l'objet appartient-il? Pour répondre à cette question, il faut avoir préalablement identifié et mémorisé ce qui différencie les différentes classes et, dans le cas présent, cette différenciation est effectuée par les caractères de la conduite. I1 faut ensuite connaître la valeur des caractères, c'est-à-dire la valeur du vecteur forme S t. La décision pour déterminer à laquelle des M classes le vecteur forme ~ct appartient est alors prise en comparant les valeurs obtenues pour le vecteur forme à celles qui caractérisent chaque classe possible. La qualité de la décision dépend en outre de la capacité des caractères choisis à différencier les différentes classes. I1 apparaît donc déjà plus clairement ce qu'est un apprentissage : c'est une procédure qui vise à mémoriser les caractéristiques du vecteur forme afin de pouvoir le reconnaltre s'il se présentait à nouveau.

La figure 6 résume l'application du principe de l'algorithme à la détection d'évolution du comportement du conducteur. Dans ce cas, l'objet est la forme tt qui contient les valeurs des caractères calculées à l'instant t. Cette forme représente donc l'activité du conducteur à cet instant.

A chaque état connu du conducteur (référence, etc...) est associée une classe. Cette classe est matérialisée par une zone géométrique close de l'espace de représentation Ed. La règle de décision est alors la suivante : l'état du conducteur à l'instant t est la classe associée à la zone géométrique dans laquelle se trouve X t. I1 peut y avoir des points définis par le vecteur forme qui n'appartiennent à aucune classe et ils représentent des états que le dispositif n'a pas encore appris et serviront à l'apprentissage de ces nouveaux états.

La succession des mesures S t représente le comportement du conducteur au cours du temps. Comme le montre la figure 6, détecter une évolution revient alors à détecter un chemin caractéristique de cette suite temporelle de mesures, soit entre deux classes connues, #1, 02 O 0)1, 3, soit d'une classe connue O ; 02 ; 0)3 vers une zone non balisée de l'espace. Dans le premier cas défini par cas 1 en figure 6, le conducteur passe d'un état connu 2, par exemple la référence, à un autre état connu 3. Dans le second cas, cas 2 de la figure 6, le conducteur sort d'un état connu et se dirige vers un état de conduite dans lequel il ne s'était pas trouvé auparavant et qui, par conséquent, n'avait pas été mémorisé.

Pour suivre ces évolutions entre états, il faut des points de repère. I1 est donc nécessaire de pouvoir localiser les points à l'intérieur des classes, c'est-à-dire par rapport à leurs centres et à leurs frontières. Pour cela, chaque classe est modélisée par un ensemble flou, d'où le nom de "reconnaissance des formes floue". La figure 7 représente un ensemble flou de forme trapézoïdale dont les frontières sont graduelles, c'est-à-dire progressives. Elles sont décrites par une fonction continue m(x) à valeurs dans l'intervalle [0,1] et cette fonction s'appelle fonction d'appartenance. Comme cela ressort de la figure 7, cette fonction d'appartenance vaut 1 pour tout point qui appartient totalement à la classe (cet objet est alors appelé prototype), 0 pour ceux qui ne lui appartiennent pas du tout, et entre 0 et 1 pour les autres, en fonction de leur degré de ressemblance avec les prototypes de la classe. La valeur de la fonction d'appartenance s'appelle le degré d'appartenance et il sera utilisé comme mesure de proximité par rapport aux prototypes.

Après avoir expliqué le principe de l'algorithme, on va maintenant détailler son implantation à laquelle on distingue trois tâches : la reconnaissance des états connus, la détection et l'apprentissage d'états inconnus et enfin la génération des alarmes.

La reconnaissance des états connus
Chaque état connu du conducteur, comme on l'a vu précédemment, sera donc représenté par un ensemble flou. Mais comme on ne possède pas de connaissance a priori sur le conducteur, on ne connaît pas la forme de cet ensemble flou, c'est-à-dire de sa fonction d'appartenance. Pour en calculer une valeur approchée, on utilise une architecture particulière de réseaux de neurones : les réseaux à fonction d'activation gaussienne, dont on va maintenant expliquer le principe.

Un réseau de neurones est un outil permettant de mettre en correspondance un espace d'entrée, par exemple l'espace à d dimensions, et un espace de sortie, par exemple l'intervalle [a,b]. Ce réseau joue donc le même rôle qu'une fonction f, qui établit une relation entre un ensemble de départ et un ensemble d'arrivée. De plus, un réseau de neurones est capable d'apprentissage par mémorisation d'exemples. Ainsi, si on ne connaît pas l'expression mathématique de f mais qu'on dispose de couples (x,f(x)), le réseau peut approcher la forme de f à l'aide de ces exemples.

Le réseau joue le rôle de boîte noire : pour tout point x présenté en entrée, on obtient f(x) en sortie, sans jamais avoir eu connaissance de l'expression exacte de f.

I1 y a donc deux phases dans l'utilisation d'un réseau : la phase d'apprentissage et la phase de test.

La phase d'apprentissage est celle pendant laquelle le réseau mémorise l'ensemble d'exemples, appelé ensemble d'apprentissage. L'apprentissage se fait "avec professeur", ce qui signifie qu'on indique clairement au réseau quelle est la sortie désirée pour une entrée donnée. Les exemples d'apprentissage sont donc des couples entrée x/sortie désirée f(x). Cette phase d'apprentissage consiste alors à configurer le réseau, c'est-à-dire à aménager l'intérieur de la boîte noire, de manière à minimiser, pour chaque exemple, l'erreur entre la sortie réelle (valeur approchée de f(x)) et la sortie désirée f(x). Une fois la phase d'apprentissage terminée, le réseau peut passer en phase de test ou phase d'utilisation. I1 n'a alors plus besoin des exemples et il généralise ce qu'il a appris. Pour tout objet x présenté en entrée, il fournit une valeur de sortie qui reflète la relation entrée/sortie qu'il a apprise, c'est-à-dire la relation xf(x).

I1 existe plusieurs types de réseaux. Ceux qui sont utilisés de préférence dans la présente invention sont les réseaux à deux couches, c'est-à-dire qui effectuent deux opérations successives sur les données d'entrée, dans le cas présent le vecteur forme, pour obtenir la sortie. Les réseaux à fonction d'activation gaussienne sont de ce type et ils mettent en oeuvre, dans leur première couche, des fonctions gaussiennes.

Une fonction gaussienne, ou fonction de Gauss, est une fonction symétrique en "cloche" comme représenté en figure 3A, dont la forme dépend de deux paramètres : la moyenne, ou valeur centrale, valeur pour laquelle la fonction est maximale, et l'écart-type, ou racine carrée de la variance, qui définit "l'aplatissement" de la courbe autour de la moyenne.

Un réseau à fonction d'activation gaussienne calcule la vale il y a un réseau par classe, de sorte que chaque classe peut avoir une forme différente. Supposons que pour toute classe connue, on dispose d'un ensemble de prototypes, c 'est-à-dire un ensemble d'exemples pour lesquels l'appartenance vaut 1.

Cet ensemble de prototypes est utilisé comme ensemble d'apprentissage : pour chaque prototype on demande au réseau une sortie égale à 1. Une fois l'apprentissage terminé, tout point de l'espace de représentation Ed peut être présenté au réseau. La sortie de ce réseau vaut alors 1 si le point est situé dans l'entourage des prototypes, 0 s'il en est très éloigné, et entre 0 et 1 dans les autres cas, en fonction de sa distance aux prototypes. La valeur en sortie du réseau pour une entrée quelconque x traduit donc bien un degré d'appartenance de x à la classe. Plus cette valeur est proche de 1, plus x est proche de la classe. Plus elle est proche de 0, plus il s'en éloigne. En fixant un seuil sur cette valeur, on peut mettre en évidence les points qui sont trop éloignés de la classe pour être considérés comme en faisant partie.

C'est ce qu'on appelle le seuil de rejet. Tous les points dont la valeur d'appartenance tombe au-dessous de ce seuil sont considérés comme n'appartenant pas à la classe. Un point pour lequel la valeur d'appartenance à chaque classe est audessous du seuil n'appartient à aucune classe : il est susceptible de donner naissance à une nouvelle classe, associée au nouvel état qu'il représente.

Pour une séquence de mesures successives (x présentée en entrée d'un réseau, on obtient la séquence de sortie correspondante. Cette séquence est appelée signal d'appartenance et elle représente le comportement de conduite du conducteur vis-à-vis de l'état considéré au cours du temps. Un exemple de signal d'appartenance est présenté en figure 9. Comme représenté, une diminution de la valeur du signal d'appartenance indique que le conducteur s'éloigne de cet état, alors qu'une augmentation indique qu'il s'en rapproche. La figure 10 montre une évolution d'un état i vers un état j qui se traduit par une diminution significative du signal i, associée éventuellement à une augmentation du signal j si j est un état connu.

Détection et apprentissage d'états inconnus
On a vu précédemment comment mesurer l'appartenance d'un point à une classe connue. I1 faut maintenant aborder le problème de la détection et de l'apprentissage de la référence et des états inconnus. Pour commencer, on suppose que la référence est connue et apprise. Le réseau associé fournit pour tout point la valeur d'appartenance à cette classe. Tout point dont la valeur d'appartenance est inférieure au seuil de rejet (on l'appelle alors point rejeté) représente un nouvel état et va participer à sa création. I1 faut donc construire l'ensemble d'apprentissage de cette nouvelle classe au fur et à mesure que les points sont rejetés. Ce processus est appelé processus d'agrégation de points rejetés.

Mais des points rejetés peuvent représenter des états différents. I1 faut donc un critère permettant de déterminer si ces points représentent ou non le même état. I1 importe en effet de ne pas regrouper dans un même ensemble d'apprentissage des points n'appartenant pas à la même classe. Pour cela, on propose de prendre en compte à la fois la proximité spatiale et la proximité temporelle entre les points. En effet deux points x et x sont susceptibles de représenter le même état s'ils sont proches dans l'espace de représentation Ed. Ceci signifie que les caractères calculés aux instants t1 et t2 ont des valeurs similaires : ils reflètent la même activité de conduite. I1 faut également qu'ils soient proches dans le temps, c'est-à-dire que t1 et t2 ne soient pas trop éloignés car le conducteur est doté d'une certaine inertie. I1 est donc peu probable qu'il change d'état de conduite à chaque intervalle de temps A t. Par conséquent, des points représentant un même état sont, par hypothèse, caractérisés aussi par une proximité temporelle.

En d'autres termes, un ensemble d'apprentissage doit être constitué de points successifs ou "presque" successifs. En combinant proximité spatiale et proximité temporelle, on a obtenu plusieurs critères d'agrégation qui ont été appliqués et comparés.

On constitue ainsi progressivement des groupes de points jugés "similaires", au fur et à mesure des rejets.

Chaque groupe représente un état du conducteur qui s'est manifesté sur son activité de conduite mais n'a pas encore été appris. Dès qu'un groupe satisfait les conditions d'apprentissage développées ci-dessous, il devient un ensemble de prototypes de l'état qu'il représente et l'apprentissage d'un nouveau réseau est initié. On se trouve alors en présence de deux états connus du conducteur. Le processus se perpétue ainsi tant que dure le trajet de conduite.

Pour qu'un groupe de points devienne un ensemble d'apprentissage, deux conditions doivent être remplies simultanément
- tout d'abord, le conducteur doit avoir quitté l'état
représenté par le groupe. En effet, tant que le
groupe se remplit, il ne faut pas interrompre ce
processus, afin d'obtenir l'ensemble d'apprentissage
le plus complet possible, c'est-à-dire le plus
représentatif de l'état considéré
- le groupe doit avoir une taille suffisante. I1 doit
par exemple représenter au moins une minute
d'observation du comportement, cette valeur n'étant
qu'indicative et étant fixée par l'utilisateur du
dispositif de l'invention.

La constitution de l'ensemble d'apprentissage pour la classe de référence est effectuée selon le même principe. I1 n'existe pas de point rejeté, puisqu'à ce stade aucune classe n'a encore été créée. Tous les points de mesure participent donc au processus d'agrégation, selon les mêmes critères de proximité dans l'espace et dans le temps. Le groupe qui, le premier, remplit les conditions d'apprentissage devient alors la classe de référence et sert à l'apprentissage du réseau correspondant.

Génération d'une alarme
Le but du dispositif de l'invention est de détecter toute évolution du comportement du conducteur afin de générer une alarme. Celle-ci est déclenchée lorsqu'une variation significative est détectée sur un ou plusieurs signaux d'appartenance. L'amplitude d'une variation significative est un paramètre réglable que l'on situe de préférence autour de 0,5 et cette valeur correspond à la moitié de la variation maximale du signal qui, comme on l'a vu précédemment est de 1.

L'alarme peut être déclenchée sur les variations de l'état de référence. Elle peut aussi prendre en compte les variations de tous les signaux. Cette alarme consiste à envoyer soit un message d'alerte sur l'écran du dispositif embarqué, soit une alarme sonore ou visuelle, soit une combinaison de ceux-ci.

Un schéma synoptique fonctionnel complet du dispositif de surveillance du comportement du conducteur est représenté en figure 11 et résume bien les trois tâches de l'algorithme expliquées précédemment, à savoir la reconnaissance des états connus, la détection et l'apprentissage d'états inconnus et la production des alarmes. I1 est donc inutile de détailler ce schéma synoptique en signalant toutefois que M désigne le nombre de classes connues, c'est-à-dire le nombre de réseaux existants à l'instant considéré.

Diverses variantes de réalisation du procédé et du dispositif ci-dessus decrits peuvent être effectuées sans sortir du cadre de la présente invention.

Ainsi, il est possible de calculer d'autres caractères que ceux cités en exemple dès l'instant où toute valeur numérique, dont la valeur évolue avec un changement de l'activité de conduite du conducteur convient, quelle que soit sa dimension.

D'autres signaux de conduite que ceux énumérés précédemment peuvent être utilisés, par exemple les signaux provenant d'un capteur de freinage du véhicule, d'un capteur d'utilisation de commodos du véhicule. Tous les signaux liés à la conduite du véhicule peuvent être utilisés pour calculer le vecteur de caractères et il suffit que l'information qu'ils apportent soit traduite sous forme numérique.

Les ensembles d'apprentissage qui ont été décrits précédemment ne sont constitués que de prototypes. I1 est possible d'y inclure des points qui en sont un peu éloignés, et pour lesquels le critère d'agrégation espace-temps considéré permet de déterminer une valeur d'appartenance inférieure à 1. Dans ce cas, l'apprentissage est réalisé en demandant en sortie du réseau cette valeur inférieure à 1.

Plusieurs critères d'agrégation espace-temps ont été envisagés. Certains ne tiennent compte que de la proximité dans l'espace, d'autres que de la proximité dans le temps, d'autres des deux à la fois.

Le processus décrit ci-dessus en ce qui concerne l'apprentissage de la référence et la détection des évolutions peut être renouvelé en totalité à chaque trajet.

On recherche à chaque fois un état de référence qui correspond aux conditions du trajet (météorologie, trafic,...). Cependant, si le conducteur prend la route dans un état dégradé, on doit être capable de le signaler immédiatement. Un état dégradé se traduit généralement par une certaine instabilité de l'activité de conduite. Le critère de proximité dans l'espace n' est plus satisfait et la référence ne peut être créée. Ce problème peut être détecté très rapidement car il se traduit par la création d'un grand nombre de groupes de points, sans qu'aucun n'atteigne l'effectif minimal requis, qui correspond environ à une minute d'observation. Dans ce cas, il est possible d'utiliser une référence sur un trajet effectué antérieurement. Le signal d'appartenance à cette référence montrera d'emblée que le conducteur a quitté cet état. Par ailleurs, ce signal risque d'avoir une valeur maximale inférieure à 1, mais son allure reste la même et les évolutions peuvent être détectées de manière similaire. Enfin, le fait de ne pouvoir apprendre la référence constitue en lui-même un motif pour envoyer une alarme au conducteur.

Le dispositif de l'invention tel que représenté en figure 1 est implanté de manière à fonctionner en temps réel.

Connaissant maintenant le principe de fonctionnement de ce dispositif, son implantation effective peut être décrite plus en détail.

Le dispositif dispose, comme puissance de calcul, de plusieurs processeurs 5 de traitement de signaux (DSP) connectés comme indiqué par exemple en figure 2 et qui peuvent donc communiquer pleinement.

Un processeur 5 se charge tout d'abord de piloter l'acquisition des données, c'est-à-dire l'échantillonnage des signaux (conversion analogique/numérique). Les différentes tâches à réaliser sont ensuite réparties sur les processeurs 5 de manière à obtenir un traitement le plus rapide possible des données acquises. Les tâches qui doivent être effectuées à chaque instant At sont les suivantes
- calcul des caractères (grandeurs statistiques et
fréquentielles) sur chaque signal acquis, puis
détermination du vecteur forme
- calcul de la sortie de chaque réseau existant
- application du processus d'agrégation si nécessaire
- lancement et réalisation de l'apprentissage d'une
nouvelle classe le moment venu.

Ces différentes tâches seront réparties sur les différents processeurs de manière à obtenir une répartition des calculs permettant un fonctionnement en temps réel du dispositif. Dans ce contexte, un fonctionnement en temps réel signifie que toute nouvelle donnée acquise doit pouvoir subir tous les traitements et calculs prévus dans les At secondes qui suivent son acquisition.

Les avantages de la solution conforme à l'invention pour prévenir toute défaillance du conducteur d'un véhicule automobile sont les suivants
- elle est embarquable et non contraignante pour le
conducteur
- elle s'adapte à tout conducteur et à toute situation
de conduite - elle est plus fiable, plus robuste et plus pertinente
que les autres solutions connues actuellement - elle ne se restreint pas à la détection des
hypovigilances, mais s'applique à toute évolution de
comportement du conducteur ayant des répercussions
sur l'activité de conduite de celui-ci ; et - elle permet d'utiliser en entrée tout signal lié à
l'activité de conduite, à condition que les
caractères correspondants soient des valeurs
numériques.

Claims (16)

REVENDICATIONS

1. Procédé de détection de l'évolution du comportement de conduite d'un conducteur de véhicule automobile, caractérisé en ce qu'il consiste à :

- mesurer un certain nombre de paramètres caractéristiques de l'activité ou état de conduite du conducteur, tels que la position de la pédale d'accélérateur du véhicule, la vitesse du véhicule, les mouvements de rotation du volant du véhicule

- calculer, à partir des valeurs mesurées des paramètres, des grandeurs caractéristiques ou caractères de la conduite

- traiter par un logiciel spécifique ces caractères calculés de façon que ce logiciel puisse accomplir une fonction d'apprentissage progressif des caractéristiques du comportement du conducteur au fur et à mesure de la conduite et une fonction de détection de toute variation des caractères calculés indiquant une évolution significative de l'activité de conduite du conducteur ; et

- émettre une alarme lorsqu'est détectée une évolution significative du comportement du conducteur.

2. Procédé selon la revendication 1, caractérisé en ce qu'il consiste à mesurer les paramètres précités un certain nombre de fois pendant un intervalle de temps donné ou fenêtre de mesure et à recommencer une telle mesure pour une nouvelle fenêtre de mesure décalée par rapport à la première, de préférence avec recouvrement entre les deux fenêtres de mesure successives.

3. Procédé selon la revendication 1 ou 2, caractérisé en ce que les caractères calculés comprennent des grandeurs statistiques telles que la moyenne de n valeurs mesurées pendant une fenêtre de mesure, la variance caractérisant les dispersions des valeurs mesurées autour de la moyenne, un coefficient de symétrie traduisant la symétrie de la répartition des n valeurs autour de la moyenne et/ou le coefficient d'aplatissement caractérisant la forme de la répartition des valeurs sur la fenêtre de mesure et/ou des grandeurs fréquentielles.

4. Procédé selon l'une des revendications précédentes, caractérisé en ce que les différents caractères précités constituent, à chaque mesure, un vecteur de caractères définissant dans l'espace de dimension d défini par d caractères un point de cet espace repéré par ses d coordonnées qui sont les valeurs des caractères calculées à un instant t et en ce qu'il consiste à définir des classes d'apprentissage matérialisées respectivement par des zones géométriques closes de l'espace de dimension d et des fonctions d'apprentissage, basées sur le principe de la logique floue, pour déterminer la classe à laquelle appartient un point donné de cet espace et connaître ainsi l'état de conduite du conducteur à chaque instant t.

5. Procédé selon la revendication 4, caractérisé en ce qu'il consiste à créer les fonctions d'apprentissage en utilisant des réseaux de neurones aptes à effectuer une phase d'apprentissage par mémorisation d'un ensemble d'exemples d'apprentissage constitués par des couples comprenant chacun un vecteur d'entrée donné appliqué à un réseau de neurones et une valeur de sortie souhaitée du réseau pour ce vecteur d'entrée et, une fois la phase d'apprentissage terminée, à passer à une phase d'utilisation de façon qu'à tout vecteur d'entrée le réseau de neurones fournisse une valeur de sortie reflétant la relation entrée/sortie qu'il a apprise.

6. Procédé selon la revendication 5, caractérisé en ce que les réseaux de neurones précités sont des réseaux à fonction d'activation gaussienne à deux couches d'opérations successives pour calculer chacun une valeur approchée de la fonction d'appartenance en présentant le vecteur d'entrée x à

N fonctions gaussiennes Fi de la première couche pour calculer N valeurs de fonctions gaussiennes Ti(S) de ce vecteur et en effectuant ensuite dans la seconde couche du réseau la somme de ces N valeurs en leur appliquant des coefficients multiplicatifs ci de sorte que la sortie (T,) du réseau est exprimée par

avec (S) qui est la valeur approchée de la fonction d'appartenance à une classe représentant l'état de conduite du conducteur.

7. Procédé selon la revendication 5 ou 6, caractérisé en ce qu'il utilise autant de réseaux qu'il y a de classes connues représentant les différents états du conducteur, avec la valeur en sortie d'un réseau pour un vecteur d'entrée quelconque S traduisant un degré d'appartenance de ce vecteur à une classe et en ce qu'il consiste à fixer une valeur de seuil de la valeur de sortie en dessous de laquelle un vecteur d'entrée est considéré comme n'appartenant pas à une classe.

8. Procédé selon la revendication 7, caractérisé en ce qu'il consiste à créer un ensemble d'apprentissage d'une nouvelle classe au fur et à mesure que des vecteurs d'entrée, dont la valeur d'appartenance est inférieure à la valeur de seuil précitée, sont rejetés, en utilisant un critère permettant de déterminer si plusieurs vecteurs d'entrée rejetés représentent ou non un même état de conduite du conducteur afin de ne pas regrouper dans un même ensemble d'apprentissage des points représentés par des vecteurs d'entrée n'appartenant pas à la même classe.

9. Procédé selon la revendication 8, caractérisé en ce qu'il consiste à utiliser comme critère précité la proximité spatiale et/ou temporelle entre les points représentés par les vecteurs d'entrée rejetés de façon à constituer progressivement des groupes de points jugés similaires au fur et à mesure des rejets.

10. Procédé selon la revendication 8 ou 9, caractérisé en ce qu'il consiste à fixer deux conditions simultanées pour qu'un groupe de points devienne un ensemble d'apprentissage le conducteur doit avoir quitté l'état de conduite représenté par le groupe et ce dernier doit avoir une taille suffisante représentant une durée d'observation du comportement du conducteur, par exemple d'au moins une minute.

11. Procédé selon l'une des revendications 8 à 10, caractérisé en ce qu'il consiste à créer un ensemble d'apprentissage pour une classe de référence en utilisant les critères de proximité dans l'espace et le temps entre les points représentés par les vecteurs d'entrée de sorte que le groupe qui remplit le premier les conditions d'apprentissage devient la classe de référence servant à l'apprentissage du réseau correspondant.

12. Procédé selon l'une des revendications 9 à 11, caractérisé en ce qu'il consiste à émettre une alarme lorsqu'une variation significative sur plusieurs valeurs d'appartenance est détectée ou que des variations de l'état de référence sont détectées.

13. Procédé selon l'une des revendications 8 à 12, caractérisé en ce qu'il consiste à renouveler en totalité le processus de création d'un ensemble d'apprentissage d'une nouvelle classe et/ou d'un ensemble d'apprentissage d'une classe de réference à chaque trajet du véhicule.

14. Procédé selon la revendication 13, caractérisé en ce qu'il consiste, lors d'une instabilité de l'activité de conduite du conducteur, observée dès le début du trajet, signifiant que le conducteur prend la route dans un état dégradé ou que les conditions de conduite sont difficiles, et empêchant la constitution de la classe de référence, à utiliser la classe de référence sur un trajet effectué antérieurement et contrôler si les vecteurs d'entrée appartiennent à cette classe de référence.

15. Dispositif de détection de l'évolution du comportement de conduite d'un conducteur de véhicule automobile pour la mise en oeuvre du procédé tel que défini à l'une quelconque des revendications 1 à 14, caractérisé en ce qu'il comprend des capteurs (1) permettant de mesurer un certain nombre de paramètres caractéristiques de l'activité de conduite du conducteur, tels que la position de la pédale d'accélérateur, l'angle de rotation du volant et la vitesse du véhicule ; un boîtier électronique (2) comprenant une unité (3) d'acquisition des signaux analogiques provenant des capteurs (1), constituée de convertisseurs analogiquenumérique pour l'échantillonnage de ces signaux analogiques et d'un port parallèle pour l'acquisition de signaux binaires, des cartes électroniques (4) comprenant plusieurs processeurs (5) de traitement en temps réel de signaux pouvant fonctionner en parallèle pour assurer un traitement rapide des données acquises et un logiciel spécifique implanté sur les processeurs (5) pour réaliser les fonctions d'apprentissage progressif des caractéristiques de l'activité de conduite du conducteur au fur et à mesure de la conduite, de détection de toute évolution significative de l'activité de conduite du conducteur et d'émission d'une alarme (AL).

16. Dispositif selon la revendication 15, caractérisé en ce que les processeurs (5) sont connectés de façon à communiquer entre eux, avec l'un des processeurs (5) pilotant l'acquisition des signaux par l'unité d'acquisition (3) précitée et les autres processeurs (5) accomplissant périodiquement différentes tâches réparties sur ceux-ci et comprenant notamment le calcul des caractères de la conduite sur chaque signal acquis suivi de la formation du vecteur d'entrée, le calcul de la sortie de chaque réseau existant, le lancement et la réalisation de l'apprentissage d'une nouvelle classe.