FR3068777A1 - Procede de planification de trajet d'un vehicule automobile equipe d'un systeme de conduite automatisee et vehicule mettant en œuvre le procede - Google Patents

Abstract

Procédé de planification de trajet consistant à : sélectionner un trajet à examiner entre le point de départ et le point de destination, - déterminer les conditions d'environnement indépendantes du véhicule sur le trajet choisi, - déterminer un taux prévisible de détection de repères terrestres pour une localisation du véhicule sur le trajet sélectionné, - déterminer une précision prévisible de localisation, et - déterminer si la précision de localisation prévisible est suffisante.

Description

L’invention se rapporte également à un véhicule équipé d’un système de conduite automatisé mettant en œuvre le procédé de planification de trajet.

Etat de la technique

Les systèmes actuels d’assistance de conduite ADAS (système d’assistance avancée de conduite) et les systèmes de conduite fortement automatisés (systèmes UAD) (conduite urbaine automatique) supposent une connaissance de plus en plus détaillée de l’environnement du véhicule et de la perception de la situation. Comme base de la perception de l’environnement du véhicule on utilise des données de mesure de capteurs. A partir de ces données et à l’aide d’algorithmes de détection, on peut extraire des objets à l’aide desquels on décrit l’environnement du véhicule et on l’analyse. Les capteurs modernes d’environnement tels que les caméras vidéo ou les scanners laser permettent, en liaison avec les algorithmes de détection, de saisir de nombreuses informations de l’environnement du véhicule telles que, par exemple, la forme de repères terrestres. Ces repères terrestres sont les signaux ou panneaux de circulation, les feux rouges, les marquages de voies, etc. Les objets détectés ou les repères terrestres détectés peuvent servir pour la localisation du véhicule. La puissance disponible de l’ensemble du système de conduite automatisée dépend ainsi, de manière significative, de la capacité des capteurs d’environnement.

Les systèmes actuels d’assistance pour le guidage dans un couloir de circulation dépendent de la fiabilité de la détection et de la localisation des marquages de voie par rapport au véhicule. On connaît le document Borrmann, J.M. et al., STELLaR - a Case-Study on systematically embedding of traffic light récognition, Intelligent Transportation Systems (ITSC), 2014 IEEE, 17. International Conférence, pp. 1258, 1265, 8-11. 2014.

Ce document décrit une détection de feux rouges utilisant des algorithmes de détection d’objets très exigeants en matériel.

On connaît également le document Thrun, S., Finding

Landmarks for Mobile Robot Navigation, Robotics & automation, 1998.

Proceedings. 1998 IEEEE International Conférence, Tome 2, pp. 958,

963, 16.-20. Mai 1998.

Ce document est un projet de sélection de repères terrestres pour localiser le véhicule.

La précision de la localisation du véhicule nécessaire aux systèmes de conduite automatisée dépend non seulement de la puissance des capteurs d’environnement, car les conditions d’environnement et le choix de l’algorithme de détection peuvent avoir une influence significative. La puissance de l’ensemble du système du véhicule est directement associée au trajet à effectuer et aux conditions d’environnement.

But de l’invention

La présente invention a pour but de développer un procédé de planification de trajet pour un véhicule automobile équipé d’un système de conduite automatisée et qui tient compte de la possibilité de localisation spécifique au trajet et à la puissance du système de conduite automatisée et permet ainsi une planification d’un trajet adapté à la situation.

L’invention a également pour but de développer un véhicule équipé d’un système de conduite automatisée pour une planification d’un trajet adapté à la situation.

Exposé et avantages de l’invention

A cet effet, l’invention a pour objet un procédé de planification de trajet pour un véhicule équipé d’un système de conduite automatisée, selon lequel on établit une analyse de possibilités de conduite pour au moins un trajet, cette analyse de possibilités de conduite comprenant les étapes suivantes consistant à sélectionner un trajet à examiner entre le point de départ et le point de destination, déterminer les conditions d’environnement indépendantes du véhicule sur le trajet choisi, déterminer un taux prévisible de détection de repères terrestres appropriés pour une localisation du véhicule sur le trajet sélectionné en utilisant les conditions d’environnement indépendantes du véhicule, déterminer une précision prévisible de loca3 lisation sur le trajet sélectionné en utilisant le taux de détection prévisible et, déterminer si la précision de localisation prévisible est suffisante pour la conduite assistée par le système de conduite automatisée sur le trajet sélectionné.

Le système de véhicule automatisé est un système d’assistance de conduite pour assister le conducteur et/ou une conduite très automatisée et/ou une conduite autonome.

De façon avantageuse, le procédé de planification du trajet tient compte d’une possibilité de localisation suffisamment précise par rapport au trajet et à la puissance disponible du système notamment du système de véhicule automatisé. Les trajets le long desquels, dans les conditions d’environnement donné et les capteurs d’environnement disponibles dans le système du véhicule, ne permettent pas une localisation répondant à la demande, seront considérés comme non utilisables. De tels trajets ou segments de trajet seront alors contournés. Le procédé utilise des conditions d’environnement indépendantes du véhicule le long des trajets examinés, ces conditions constituant les grandeurs d’entrée. Les repères pour la localisation du véhicule peuvent être pris dans une carte de localisation.

Le procédé permet de planifier des trajets sur lesquels la puissance demandée au système du véhicule est assurée avec une probabilité élevée, ce qui permet d’influencer avantageusement la robustesse du système de véhicule automatisé. Par rapport aux procédés connus de planification de trajet pour des systèmes de véhicule automatisé, on utilise ici en plus des conditions d’environnement indépendantes du véhicule, c’est-à-dire des conditions d’environnement qui ne sont pas liées au véhicule et/ou au système de conduite automatisée. Toutefois, on peut également inclure des conditions d’environnement dépendant du véhicule dans le calcul de la précision de localisation prévisible. Les conditions d’environnement dépendant du véhicule sont, par exemple, l’efficacité des capteurs ou la robustesse des algorithmes de détection des repères terrestres.

Les capteurs d’environnement peuvent être des capteurs vidéo-stéréo ou des scanners laser ou d’autres dispositifs de capteurs appropriés.

L’étape de détermination du taux de détection prévisible des repères terrestres convenant pour la localisation du véhicule ne se fait pas nécessairement comme une étape de procédé distincte, mais elle peut également être incluse implicitement dans la détermination de la précision de localisation prévisible. L’essentiel dans le procédé de planification de trajet est la précision de localisation prévisible et la détermination qui en résulte pour savoir si la précision de localisation prévisible pour la conduite assistée dans un système de véhicule automatisé sur le trajet sélectionné est suffisante en utilisant les conditions d’environnement dépendant du véhicule sur le trajet sélectionné. Par exemple, il est également possible que la détermination de la précision de localisation prévisible ou de la détermination de la précision de localisation est suffisante pour circuler sur le trajet sélectionné avec l’assistance du système de conduite automatisée, à l’aide d’un modèle paramétré et/ou d’un réseau neuronal ou autre procédé d’apprentissage par machine et/ou de modèles statistiques.

Dans le cas d’un modèle paramétré, le taux de détection peut se trouver de manière explicite ou implicite dans le procédé. Si la précision de localisation se détermine par un réseau neuronal ou un moyen analogue, alors le taux de détection prévisible est implicitement pris en compte par la pondération apprise par le réseau neuronal. Dans le cas d’un modèle statistique, le taux de détection est pris en compte par l’entrée pondérée, statistique, dans la détermination de la précision de localisation. Pour la compréhension de l’invention il est important que la précision de la localisation dépende implicitement ou explicitement du produit du taux de détection, (c’est-à-dire du pourcentage de repère terrestre détecté sur le trajet choisi) et du nombre de repères présents sur le trajet choisi.

Le taux de détection inclus implicitement ou explicitement dans le procédé peut en outre dépendre du type de repères terrestres se trouvant dans le trajet sélectionné. Par exemple, le taux de détection de signaux de circulation, de limitations de couloir de circulation, de signaux lumineux, d’arbres ou de construction peut être variable. De plus, le taux de détection peut dépendre de l’efficacité de l’installation de capteurs du champ environnant. Les algorithmes de détection utilisés peuvent avoir une efficacité variable pour le taux de détection de certains types de repères terrestres. Tous les facteurs évoqués ci-dessus peuvent intervenir de manière explicite ou implicite dans la prise en compte du taux de détection, dans la détermination de la précision de localisation prévisible et de la détermination qui en résulte pour savoir si la précision de localisation prévisible est suffisante pour parcourir le trajet sélectionné avec l’assistance d’un système de conduite automatisé.

De façon préférentielle, les conditions d’environnement indépendantes du véhicule, sont la densité de circulation et/ou les conditions météorologiques et/ou les conditions routières.

Les conditions météorologiques, les événements de la circulation et la densité de la circulation ainsi que les conditions routières peuvent influencer la caractéristique de détection des capteurs et intervenir ainsi sur le taux de détection de différents types de repères terrestres. En particulier, une densité de circulation élevée peut conduire à ce qu’une partie déterminée de repères terrestres sera cachée sur le trajet sélectionné, au moins de temps en temps par des véhicules qui précèdent le véhicule équipé du capteur ; cela diminuera le taux de détection et ainsi la précision de la localisation. De façon avantageuse, la dépendance de la précision de la localisation et des conditions météorologiques actuelles et les événements de circulation peuvent être pris en compte. La détermination des conditions d’environnement, en particulier les conditions météorologiques et des événements de circulation peut se faire, par exemple, en interrogeant des bandes de données météorologiques ou des bandes de données de circulation.

De façon préférentielle, on détermine un taux de couverture de repères terrestres sur le trajet sélectionné et ce taux de couverture se détermine de préférence en utilisant des conditions d’environnement et/ou le type d’utilisation particulière de l’environnement et/ou du type de repère routier approprié ; la précision de la localisation et/ou le taux de détection se déterminent en utilisant le taux de couverture.

De façon avantageuse, le taux de couverture influence les conditions d’environnement dépendant du trajet et celles indépendantes du trajet sur la précision de la localisation. Le taux de couverture peut également dépendre du type de repère routier. C’est ainsi que, par exemple, les repères terrestres situés à faible hauteur au-dessus de la voie de circulation sont cachés aux capteurs d’environnement à cause de la circulation et des véhicules, ce qui diminue par conséquence le taux de détection pour de tels repères. Face à cela, le taux de détection pour des repères routiers installés à une hauteur importante tels que, par exemple, les signaux lumineux est moindre.

Le taux de couverture peut être pris en compte implicitement ou explicitement dans le procédé. Dans les modèles paramétrés ou les réseaux neuronaux on peut avoir une prise en compte implicite par les paramètres ou les pondérations apprises.

De manière préférentielle, le taux de couverture et/ou le taux de détection et/ou la précision de localisation se déterminent en utilisant un modèle paramétré ; le modèle paramétré est, de préférence, un modèle appris par machine et en outre de préférence le modèle appris par machine a été établi en utilisant des analyses de possibilité de conduite antérieures notamment en utilisant des conditions d’environnement antérieures et/ou des taux de détection déterminés antérieurement et/ou des taux de couverture déterminés, antérieurs et/ou des précisions de localisation déterminées antérieurement et/ou la capacité de puissance des dispositifs de capteur et/ou des algorithmes de détection du système de véhicule automatisé.

De façon avantageuse on détermine le taux de couverture et/ou le taux de détection et/ou la précision de la localisation en utilisant un modèle paramétré ou un réseau neuronal. Le modèle paramétré ou le réseau neuronal déterminent ainsi le taux de couverture et/ou le taux de détection et/ou la précision de la localisation en s’appuyant sur des analyses de possibilité de conduite faites antérieurement, c’est-àdire en utilisant les résultats d’analyses de possibilités de conduite qui ont été faites avant l’exécution actuelle du procédé.

De façon correspondante on peut prévoir qu’avant d’exécuter l’analyse de possibilités de conduite, notamment avant de choisir un trajet à examiner, le modèle paramétré ou le réseau neuronal effectue une phase d’apprentissage.

Selon un mode de réalisation préférentiel, on détermine le taux de couverture en utilisant le modèle paramétré avec, comme grandeur d’entrée du modèle paramétré, l’information météorologique actuelle et/ou l'état de circulation actuelle sur le trajet sélectionné et/ou les types de repères terrestres existant sur le trajet sélectionné.

Le système est fondé sur un modèle paramétré avec un procédé d’apprentissage par machine, notamment sur un réseau neuronal qui établit la relation entre le temps et les données de circulation ainsi que d’autres informations concernant l’environnement, les modules de perception d’environnement, utilisés ou les capteurs d’environnement du côté du véhicule et la probabilité de détection résultante des différents types de repères terrestres.

De façon préférentielle, on détermine le taux de détection en utilisant le taux de couverture et/ou un nombre, notamment maximum, et/ou une densité numérique et/ou le type de repères terrestres qui peuvent être détectés sur le trajet sélectionné et/ou la puissance des dispositifs de capteur et/ou des algorithmes de détection du système de véhicule automatisé et/ou les conditions d’environnement et/ou la précision des données de localisation notamment des données GPS.

Le taux de couverture permet de déterminer la partie de repère terrestre d’un certain type qui sera probablement couvert sur le trajet sélectionné par les conditions d’environnement telles qu’une forte circulation. Le taux de détection dépend alors du taux de couverture et aussi de l’efficacité des capteurs ou des dispositifs de capteurs. En outre, le taux de détection peut dépendre de l’efficacité des algorithmes de détection en utilisant différents algorithmes de détection, notamment pour les différents types de repères terrestres.

De façon préférentielle, la précision de la localisation se détermine à l’aide d’un modèle statistique et cette précision de localisation se détermine de préférence en utilisant le taux de détection prévisible et/ou le taux de couverture prévisible et/ou le nombre et/ou la densité numérique et/ou le type de repères terrestres le long du trajet sélectionné.

La précision de localisation dépend explicitement ou implicitement du taux de détection prévisible et du nombre ou de la densité numérique des repères routiers selon le type de repères le long du trajet sélectionné. Le taux de détection peut être influencé par le taux de couverture.

Suivant une autre caractéristique avantageuse, la précision de localisation déterminée est comparée à un seuil prédéfini et le conducteur du véhicule aura la possibilité de conduire lui-même le long du trajet sélectionné et/ou on effectue une nouvelle analyse des possibilités de conduite sur un autre trajet si la précision de localisation est inférieure au seuil.

Pendant la conduite, si la précision de localisation descend en dessous du seuil, cela sera signalé au conducteur lui indiquant que le trajet sélectionné ne pourra être parcouru par le véhicule avec le système de véhicule automatisé et qu’ensuite un nouveau trajet est planifié.

En variante ou en complément, le conducteur du véhicule aura la possibilité de décider s’il veut conduire lui-même sur le trajet initialement sélectionné et planifié ou s’il souhaite accepter un trajet éventuellement plus long.

De façon avantageuse, on peut faire une planification globale et un changement de planification de l’ensemble du trajet pour un système de véhicule automatisé, vers une destination définie.

De manière préférentielle, il est prévu de déterminer si la précision de localisation prévisible est suffisante pour circuler sur le trajet sélectionné avec un système de véhicule automatisé, si la possibilité de localisation est suffisamment bonne et/ou si cette détermination faite sur un trajet aussi court que possible est optimisée avec une précision suffisante de la localisation.

En outre, de manière préférentielle, la conduite assistée avec le système de véhicule automatisé sur le trajet sélectionné détermine des dispositifs de capteur appropriés et/ou des algorithmes de détecteur de préférence si la précision de localisation est supérieure ou égale au seuil.

De façon avantageuse, le procédé détermine quel dispositif de capteur convient pour quel type de repère terrestre, pour circuler sur le trajet sélectionné. En utilisant un modèle paramétré, le système repose notamment sur l’établissement de la relation entre les données météorologiques, les données de circulation ainsi que d’autres informations relatives à l’environnement, les dispositifs de capteurs ou les modules de perception de l’environnement du côté du véhicule et de la probabilité résultante de détection des différents types de repères terrestres. Avec les informations concernant la densité des repères terrestres qui sont, par exemple, extraites d’une carte de localisation, et les types de repères terrestres susceptibles d’être détectés et qui sont donnés par le module de localisation du système de conduite du véhicule, le procédé permet de déterminer si le trajet peut être emprunté actuellement par le système de véhicule. Pour cela le procédé tient compte de différents éléments des algorithmes de détection côté véhicule, c’est-àdire que, selon le dispositif de capteur disponible ou selon les algorithmes de détection disponibles, certains types de véhicule pourront circuler dans des zones dans lesquelles d’autres ne le pourront pas. On peut ainsi fixer avantageusement quels dispositifs de capteur et/ou quels algorithmes de détection ont été utilisés pour parcourir un trajet, notamment quel segment de trajet.

Les données météorologiques, les informations de circulation, les informations relatives à la précision du système GPS et les informations concernant la densité des repères terrestres détectables le long du trajet sont utilisées comme grandeurs d’entrée. Un modèle dont les paramètres ont été déterminés par un procédé d’apprentissage par machine sera ainsi utilisé pour obtenir une information concernant le trajet sélectionné pour déterminer le cas échéant avec quel algorithme de détection le trajet peut être effectué.

Une autre solution du problème de l’invention est la réalisation d’un véhicule automobile équipé d’un système de conduite automatisée pour la mise en œuvre du procédé tel que décrit ci-dessus.

Suivant une autre caractéristique avantageuse, le système de véhicule automatisé est conçu pour une conduite assistée et/ou une conduite très automatisée et/ou une conduite autonome.

Dessins

La présente invention sera décrite ci-après, de manière plus détaillée, à l’aide d’un procédé de planification de trajet pour un véhicule automobile, représenté dans les dessins annexés dans lesquels :

la figure 1 montre un ordinogramme d’un procédé de planification de trajet pour un véhicule équipé d’un système de conduite automatisée, la figure 2 montre une vue d’ensemble des grandeurs d’entrée pour la phase d’apprentissage d’un modèle paramétré.

Description d’un mode de réalisation de l’invention

La figure 1 montre un ordinogramme d’un procédé de planification de trajet d’un véhicule automobile équipé d’un système de conduite automatisée.

Dans une première étape SI prévue en option, au cours d’une phase d’apprentissage d’un modèle paramétré, notamment d’un réseau neuronal, on s’appuie sur des informations telles que des données météorologiques, des taux de détection, des repères terrestres de différents types et d’autres sources d’information telles que des données de circulation, une réunion entre ces grandeurs d’entrée et le taux de couverture prévisible pour les différents types de repère terrestre, de préférence dans des conditions données. La position peut, entre autre se déterminer par GPS, navigation couplée ou localisation côté véhicule.

Dans un cas, le procédé commence par l’analyse de la possibilité de conduite dans l’étape S2. En fonction du point de départ et de la destination, on sélectionne un trajet à examiner pour l’emprunter avec le système de véhicule automatisé équipé d’un système de navigation.

Ensuite, dans l’étape S3, on détermine les conditions d’environnement indépendantes du véhicule sur le trajet sélectionné. Ces conditions d’environnement peuvent être les événements de la circulation actuelle ou les conditions météorologiques actuelles sur le trajet sélectionné ; on les obtient en interrogeant une banque de données. En outre, on extrait les repères terrestres prévisibles d’une carte de localisation.

Dans l’étape S4 suivante, on utilise le modèle paramétré pour déterminer le taux de couverture prévisible sur le trajet en cours d’examen pour chaque type de repère terrestre souhaité. Comme grandeur d’entrée, on utilise des événements de circulation actuelle et/ou les conditions météorologiques actuelles et le cas échéant également les repères terrestres enregistrés dans la carte de localisation pour le trajet sélectionné.

Dans l’étape S5 on détermine le taux de détection des repères terrestres pour la localisation du véhicule sur le trajet sélectionné en utilisant les conditions d’environnement indépendantes du véhicule. Pour la détermination du taux de détection, on utilise comme entrée, le taux de couverture obtenu dans l’étape S4. En outre on peut tenir compte des conditions dépendant du véhicule telles que, par exemple, l’efficacité de la détection des différents dispositifs de capteurs tels que les caméras stéréo ou les systèmes laser ainsi que la puissance des algorithmes de détection possibles pour différents types de repères terrestres, notamment dans les conditions d’environnement données (météorologie, état de la circulation,

Dans l’étape S6 on appliquer la précision de localisation prévisible sur le trajet sélectionné en utilisant le taux de détection prévisible. En d’autres termes, avec la combinaison du taux de couverture déterminé, du taux de détection et du nombre, de la densité numérique et du type des repères terrestres le long du trajet on évalue la précision de la localisation à l’aide d’un modèle statistique.

La précision de la localisation pour le trajet sélectionné résulte pour un type donné de repères terrestres, notamment du produit du taux de détection et de la densité numérique des repères terrestres existant sur le trajet sélectionné ou des segments du trajet sélectionné.

Dans une autre étape S7, on détermine si la précision de localisation prévisible pour conduire avec l’assistance du système de véhicule automatisé est suffisante pour le trajet sélectionné. A partir de l’analyse de la possibilité de conduite, on décide de la nécessité d’une nouvelle planification du trajet. Si celle-ci était nécessaire, on pourra la faire selon le procédé qui commence avec le nouveau trajet sélectionné par l’analyse de la possibilité de conduite dans l’étape S2.

Si la précision de la localisation pour une conduite assistée par le système de véhicule automatisé du trajet sélectionné est suffisant, dans une autre étape S8, le procédé pourra indiquer pour un trajet considéré comme utilisable, en plus les dispositifs de capteur et les algorithmes de détection que le système de véhicule doit utiliser. En outre, on peut établir un plan pour commuter les algorithmes de détection le long du trajet sélectionné, pour réagir à des types de repères terrestres modifiés.

A titre d’exemple, on planifie un trajet pour un système de véhicule automatisé le long d’une route principale. Le long de ce trajet on dispose de suffisamment d’informations d’environnement pour que la détection de tous les repères terrestres du type panneau de signalisation routière permet une localisation suffisamment précise du système de véhicule.

Pour les temps de circulation sur ce trajet, il faut néanmoins compter avec une circulation dense. Un système de véhicule automatisé implémenté par le procédé détermine cet état de la circulation et pour le trajet planifié, un taux de détection qui est inférieur au taux de couverture prévisible qui repose sur des conditions d’environnement indépendantes du véhicule et se situe significativement en dessous de 100%. Néanmoins, le système détermine comme précision de localisation prévisible une valeur qui est suffisamment bonne et se situe notamment au-dessus d’un seuil prédéfini. Le système permet ainsi la conduite assistée par le système de véhicule automatisé sur le trajet sélectionné.

Dans un autre cas, à la même heure du jour on peut avoir une forte précipitation. Le procédé détermine de nouveau un taux de détection. Du fait des mauvaises conditions météorologiques, ce taux n’est pas suffisamment élevé, ce qui résulte en particulier de l’augmentation du taux de couverture à cause des mauvaises conditions météorologiques. Cela ne permet pas d’avoir une précision de localisation suffisante. Dans le cadre du procédé on peut sélectionner un trajet alternatif et l’évaluer dans le cadre d’une nouvelle analyse de possibili tés de conduite. Ce nouveau trajet passe par des routes moins encombrées mais avec un taux de couverture moindre. On pourra communiquer au conducteur en option par une interface homme-machine, qu’un trajet plus long a été planifié et qu’il n’y a qu’une possibilité de sélection entre le mode automatisé sur ce trajet ou une conduite non automatisée sur un trajet plus court.

La figure 2 montre une vue d’ensemble des grandeurs d’entrée pour la phase d’apprentissage du modèle paramétré et notamment du réseau neuronal.

Dans la phase d’apprentissage on utilise comme paramètre d’entrée dans le réseau neuronal 14 :

les données GPS 10,

- les données de circulation 11,

- les données météorologiques 12, et

- les taux de détection antérieurs 13.

A partir de la phase d’entraînement, on obtient un modèle 15 pour la probabilité dépendant du type de détection de repère terrestre dans différentes conditions d’environnement.

Claims (10)

1. REVENDICATIONS

   1°) Procédé de planification de trajet pour un véhicule équipé d’un système de conduite automatisée, selon lequel on établit une analyse de possibilités de conduite pour au moins un trajet, cette analyse de possibilités de conduite comprenant les étapes suivantes consistant à :

   sélectionner un trajet à examiner entre le point de départ et le point de destination, déterminer les conditions d’environnement indépendantes du véhicule sur le trajet choisi, déterminer un taux prévisible de détection de repères terrestres appropriés pour une localisation du véhicule sur le trajet sélectionné en utilisant les conditions d’environnement indépendantes du véhicule, déterminer une précision prévisible de localisation sur le trajet sélectionné en utilisant le taux de détection prévisible, et déterminer si la précision de localisation prévisible est suffisante pour la conduite assistée par le système de conduite automatisée sur le trajet sélectionné.
2. 2°) Procédé selon la revendication 1, caractérisé en ce que les conditions d’environnement indépendantes du véhicule sont la densité de la circulation et/ou les conditions météorologiques et/ou les conditions routières sur le trajet choisi.
3. 3°) Procédé selon les revendications 1 ou 2, caractérisé en ce que on détermine le taux de couverture des repères terrestres sur le trajet sélectionné, * le taux de couverture se déterminant de préférence en utilisant les conditions d’environnement et/ou le type de repère terrestre approprié, * la précision de la localisation et/ou le taux de détection se déterminant en utilisant le taux de couverture.
4. 4°) Procédé selon la revendication 3, caractérisé en ce qu’ on détermine le taux de couverture et/ou le taux de détection et/ou la précision de la localisation en utilisant un modèle paramétré,
5. 5 * le modèle paramétré étant de préférence un modèle appris par machine, en outre, le modèle appris de préférence par machine est appris en utilisant des analyses de possibilité de conduite antérieure, notamment en utilisant des conditions 10 d’environnement antérieures et/ou des taux de détection précédemment déterminés et/ou des taux de couverture précédemment déterminés et/ou des précisions de localisation préalablement déterminées et/ou la puissance disponible des dispositifs de capteur et/ou des algorithmes de 15 détection du système de conduite automatisée.

   5°) Procédé selon l’une des revendications précédentes, caractérisé en ce qu’ on détermine le taux de détection en utilisant le taux de couverture 20 et/ou un nombre notamment maximum et/ou une densité de nombres et/ou de types de repères terrestres détectables sur le trajet sélectionné et/ou la puissance possible des dispositifs de capteur et/ou des algorithmes de détection du système de conduite automatisée et/ou des conditions d’environnement et/ou la précision des données de localisa25 tion notamment des données GPS.
6. 6°) Procédé selon l’une des revendications précédentes, caractérisé en ce qu’ on détermine la précision de localisation à l’aide d’un modèle statis30 tique, * la précision de la localisation étant obtenue de préférence en utilisant le taux de détection prévisible et/ou le taux de couverture prévisible et/ou le nombre et/ou la densité numérique et/ou le type de repères terrestres le long du trajet sélectionné.
7. 7°) Procédé selon l’une des revendications précédentes, caractérisé en ce qu’ on compare la précision de localisation déterminée à un seuil prédéfini, * on permet au conducteur du véhicule de conduire manuellement sur le trajet sélectionné et/ou on effectue une nouvelle analyse de possibilités de conduite d’un autre trajet si la précision de la localisation est inférieure à celle du premier seuil.
8. 8°) Procédé selon l’une des revendications précédentes, caractérisé en ce qu’ on détermine les dispositifs de capteur appropriés pour la conduite assistée du système de conduite automatisée sur le trajet sélectionné et/ou les algorithmes de détecteur, de préférence si la précision de la localisation est supérieure ou égale au seuil.
9. 9°) Véhicule automobile équipé d’un système de conduite automatisée permettant la mise en œuvre d’un procédé de planification de trajet selon l’une quelconque des revendications 1 à 8.
10. 10°) Véhicule automobile selon la revendication 9, dans lequel le système d’assistance de conduite est réalisé pour une conduite assistée et/ou une conduite très automatisée et/ou une conduite autonome.