[go: up one dir, main page]

FR3091754A1 - Identification d’un véhicule automobile par ses caractéristiques vibratoires - Google Patents

Identification d’un véhicule automobile par ses caractéristiques vibratoires Download PDF

Info

Publication number
FR3091754A1
FR3091754A1 FR1900247A FR1900247A FR3091754A1 FR 3091754 A1 FR3091754 A1 FR 3091754A1 FR 1900247 A FR1900247 A FR 1900247A FR 1900247 A FR1900247 A FR 1900247A FR 3091754 A1 FR3091754 A1 FR 3091754A1
Authority
FR
France
Prior art keywords
vehicle
learning base
signal
signals
vibration
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
FR1900247A
Other languages
English (en)
Other versions
FR3091754B1 (fr
Inventor
Frederic Gossele
Pierre Cesar LAFAYSSE
Pierre Louis THOUVENOT
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Valeo Vision SAS
Original Assignee
Valeo Vision SAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Valeo Vision SAS filed Critical Valeo Vision SAS
Priority to FR1900247A priority Critical patent/FR3091754B1/fr
Priority to PCT/EP2020/050337 priority patent/WO2020144241A1/fr
Publication of FR3091754A1 publication Critical patent/FR3091754A1/fr
Application granted granted Critical
Publication of FR3091754B1 publication Critical patent/FR3091754B1/fr
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01HMEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01HMEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H1/00Measuring characteristics of vibrations in solids by using direct conduction to the detector

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

Identification d’un véhicule automobile par ses caractéristiques vibratoires La présente invention concerne l’identification d’un véhicule automobile en fonction d’un signal vibratoire qu’il émet et dans laquelle on prévoit une constitution d’une base d’apprentissage (S1) comportant des signaux de vibration, et un captage d’un signal vibratoire courant (S2) suivi d’une mise en œuvre d’une intelligence artificielle pour comparer (S3) le signal courant aux signaux de la base d’apprentissage. En fonction d’un résultat de la comparaison, on détermine (S5) le véhicule courant comme correspondant ou non au véhicule (VEHi) associé à la base d’apprentissage. En particulier, les signaux de vibration de la base d’apprentissage ont été acquis par le même captage de signal vibratoire et sont stockés (S6) dans la base d’apprentissage en correspondance d’un instant de captage. Ainsi, à chaque captage d’un nouveau signal vibratoire sur le véhicule, en cas d’identification de ce véhicule comme étant le véhicule associé à la base d’apprentissage précitée, cette dernière est mise à jour (S7) en remplaçant le signal de vibration le plus ancien de la base d’apprentissage par le nouveau signal vibratoire capté. [Fig. 2]

Description

Identification d’un véhicule automobile par ses caractéristiques vibratoires
La présente invention concerne l’identification d’un véhicule automobile par reconnaissance de caractéristiques vibratoires et/ou sonores d’une partie au moins du véhicule (son moteur, un élément de sa carrosserie, ou autres).
On connait des traitements de signaux de vibrations (notamment des vibrations acoustiques) permettant de reconnaitre le type de moteur dans un véhicule. Plus particulièrement, il peut s’agir d’identifier la marque du moteur et son modèle. En référence à la figure 1 relative à l’art antérieur, un capteur CAP de vibrations du moteur (par exemple un microphone relevant un signal de vibration sonore du moteur) transmet un signal VIB des vibrations captées à une interface d’entrée IN d’un circuit de traitement CT (par exemple d’un dispositif informatique tel qu’un ordinateur portable, une tablette, un smartphone ou autre). Un processeur PROC du circuit de traitement CT exécute des instructions d’un programme informatique stockées dans une mémoire MEM du circuit de traitement pour :
- Comparer le signal VIB à des signaux types de vibrations de moteurs, référencés dans une base de données (cette base étant stockée par exemple dans la mémoire MEM ou auprès d’un serveur distant, et à cet effet le circuit de traitement peut comporter en outre une interface de communication avec le serveur précité),
- Identifier dans la base la meilleure correspondance entre le signal VIB et l’un des signaux types, et
- Reconnaitre le type de moteur du véhicule MOD# dont le signal VIB est issu, comme correspondant au moteur référencé dans la base et associé au signal type identifié. Une interface de sortie OUT du circuit de traitement peut ensuite délivrer une commande vers une interface homme/machine (non représentée) pour afficher par exemple le type de moteur reconnu MOD#.
Un tel traitement permet ainsi de reconnaître un type de moteur donné pour une pluralité de véhicules équipés d’un même type de moteur.
Problème technique
Toutefois, un tel traitement ne permet pas de reconnaitre un véhicule particulier, ni de distinguer ce véhicule particulier d’autres véhicules équipés du même type de moteur.
En outre, la vibration du moteur évolue au fur et à mesure de son vieillissement, et les signaux types référencés dans la base de données précitée peuvent ne plus permettre d’identifier un type de moteur ayant subi ce vieillissement.
La présente invention vient améliorer cette situation.
Elle propose à cet effet un procédé d’identification d’un véhicule automobile en fonction d’un signal vibratoire issu d’une partie au moins du véhicule, le procédé comportant :
- une constitution d’une base d’apprentissage comportant des signaux de vibration issus de ladite partie du véhicule, cette base d’apprentissage étant ainsi associée audit véhicule,
- un captage d’un signal vibratoire d’une partie homologue d’un véhicule courant,
- une mise en œuvre d’une intelligence artificielle pour comparer le signal vibratoire capté aux signaux de vibration de la base d’apprentissage, et
- en fonction d’un résultat de la comparaison, une détermination du véhicule courant comme correspondant ou non au véhicule associé à la base d’apprentissage.
En particulier :
- les signaux de vibration de la base d’apprentissage sont acquis par ledit captage de signal vibratoire et stockés dans la base d’apprentissage en correspondance d’un instant de captage, et
- à chaque captage d’un nouveau signal vibratoire sur un véhicule courant, en cas d’identification du véhicule courant comme étant le véhicule associé à la base d’apprentissage, la base d’apprentissage est mise à jour en remplaçant le signal de vibration le plus ancien de la base d’apprentissage par le nouveau signal vibratoire capté.
Ci-dessus, on entend par « en correspondance d’un instant de captage » le fait qu’une ancienneté relative des signaux est prise en compte pour ordonner les signaux dans la base (comme une mémoire de type « FIFO » (pour « First In First Out ») qui fait ainsi partie des modes de réalisation possibles de la présente invention).
Ainsi, les signaux les plus anciens de la base peuvent être obsolètes car le véhicule évolue au cours de son utilisation (par vieillissement ou autre raison), et donc la vibration du véhicule évolue également. Les signaux obsolètes de la base d’apprentissage sont en particulier remplacés par les derniers signaux qui ont été acquis le plus récemment et qui ont permis encore d’identifier le véhicule. L’utilisation de la base d’apprentissage ainsi mise à jour permet de reconnaitre de façon plus robuste le véhicule dans son état courant.
Ainsi, la mise en œuvre de l’invention permet non seulement de reconnaitre un modèle de véhicule en sortie d’usine, mais en outre de reconnaitre ce véhicule ultérieurement (comme illustré par la référence VEHi dans l’encadré en traits pointillés propre à l’invention sur la figure 1), et ce malgré son vieillissement par exemple.
Dans une forme de réalisation, pour identifier un véhicule particulier parmi une pluralité de véhicules :
- on prévoit une base d’apprentissage pour chaque véhicule de ladite pluralité de véhicules,
- le captage d’un nouveau signal vibratoire d’une partie du véhicule courant est suivi d’une comparaison du nouveau signal capté à chacune des bases d’apprentissage avec une estimation d’un score de comparaison pour chaque base d’apprentissage, et
- le véhicule courant est identifié comme étant le véhicule associé à la base d’apprentissage dont le score de comparaison est le plus élevé, le procédé se poursuivant par le remplacement du signal de vibration le plus ancien de la base d’apprentissage de score le plus élevé par le nouveau signal capté.
Il est ainsi possible, par cette mise en œuvre, de distinguer une pluralité de véhicules, par exemple par remontées de divers signaux captés vers un serveur stockant les bases d’apprentissage précitées (ou connecté à une mémoire de stockage de ces bases).
Dans une réalisation, la partie du véhicule dont est issu le signal vibratoire peut être un moteur du véhicule (par exemple un moteur thermique), et la base d’apprentissage précitée comporte des signaux de vibrations caractéristiques de phases de fonctionnement du moteur, lesdites phases étant marquées dans les signaux de la base d’apprentissage et l’intelligence artificielle utilisant des marques ainsi associées chacune à l’une desdites phases.
Par exemple, lesdites phases peuvent comporter au moins une accélération, un point mort, et un régime permanent du moteur.
En effet, on peut initialement marquer (ou « tagguer ») différentes phases dans les signaux de la base d’apprentissage, telles que par exemple :
Une accélération et/ou une décélération du moteur,
Une mise au point mort,
Une extinction et/ou un allumage du moteur,
Ou autre.
En variante, il peut s’agir d’au moins une vibration caractéristique d’un autre élément du véhicule que le moteur, par exemple un claquement de portière (par exemple du conducteur), ou autre. Typiquement, pour un véhicule électrique, le signal vibratoire peut caractériser par exemple un freinage du véhicule, ou encore une suspension du véhicule, ou encore une rotation de roue du véhicule, ou autre.
Dans une réalisation, l’intelligence artificielle utilise un réseau de neurones artificiels avec un apprentissage profond de la base d’apprentissage.
On entend ici par « apprentissage profond » notamment le fait que le réseau de neurones reconnait dans le signal capté non seulement un type de vibration (par exemple l’une particulière des phases précitées), mais aussi le véhicule ayant occasionné cette vibration.
Il est ainsi possible de marquer initialement par exemple des phases du moteur d’un véhicule de même modèle. Le réseau de neurones pourra ensuite identifier ces phases sur un véhicule courant à identifier, mais pourra en outre, par apprentissage profond, reconnaitre la vibration spécifique de ce véhicule courant, pour chacune de ces phases.
Dans une réalisation, le signal vibratoire capté est acquis par un capteur d’un dispositif mobile à disposition d’un utilisateur du véhicule, et apte à communiquer des données du signal capté à un serveur distant stockant la base d’apprentissage (ou connecté à une mémoire stockant cette base).
Il peut s’agir par exemple d’un smartphone comportant un tel capteur et que porte sur lui l’utilisateur. Néanmoins, dans une variante avantageuse, il peut s’agir d’une monture de lunettes comportant un capteur pour la mise en œuvre du procédé.
Dans une réalisation, le dispositif mobile comporte une batterie interne et un module de connexion à une alimentation secteur pour une recharge de la batterie interne, et le dispositif mobile est configuré pour conditionner la communication des données du signal capté au serveur distant lorsque la batterie interne est en recharge.
Une telle réalisation permet de ne solliciter le dispositif mobile pour l’envoi de données que dans une phase inactive du dispositif mobile (lorsque l’utilisateur ne se sert pas particulièrement de son dispositif) et typiquement dans un domicile où l’accès à un réseau de communication avec le serveur distant est disponible.
Ci-avant, le signal vibratoire capté peut être un signal sonore acquis par un capteur de type microphone que porte le dispositif mobile.
Dans une variante, le signal vibratoire capté est acquis par un capteur d’accélération destiné à être porté par un utilisateur prédéterminé du véhicule, le procédé comportant en outre une mise en œuvre de l’intelligence artificielle pour :
- distinguer, dans les signaux acquis par le capteur, les signaux vibratoires de la partie du véhicule, de signaux gestuels de l’utilisateur,
- classer la base d’apprentissage en distinguant les signaux vibratoires et les signaux gestuels,
- et, outre la détermination du véhicule courant comme correspondant ou non au véhicule associé à la base d’apprentissage, déterminer une correspondance ou non entre l’utilisateur dont sont issus les signaux gestuels dans le signal capté et l’utilisateur dont sont issus les signaux gestuels de la base d’apprentissage.
Ainsi, une telle réalisation où le capteur utilisé est un capteur de mouvement permet à la fois d’identifier le véhicule mais aussi l’utilisateur de ce véhicule par la reconnaissance de gestes caractéristiques de cet utilisateur. Une telle réalisation permet notamment de mettre en œuvre un service de vérification d’utilisateurs habilités à conduire le véhicule par exemple.
Par exemple, on peut prévoir que le procédé comporte en outre un déclenchement d’un signal d’alerte en cas de non-correspondance entre l’utilisateur dont sont issus les signaux gestuels dans le signal capté et l’utilisateur dont sont issus les signaux gestuels de la base d’apprentissage.
Dans une réalisation, le capteur d’accélération précité peut être disposé sur une monture de paire de lunettes destinée à être portée par l’utilisateur dont sont issus les signaux gestuels de la base d’apprentissage.
Ainsi, une telle disposition du capteur peut permettre de reconnaitre des gestes caractéristiques de l’utilisateur (par exemple la manière dont il remonte les lunettes sur son nez, ou encore plus particulièrement un mouvement de tête spécifique pour regarder les rétroviseurs, montrant en outre ainsi que l’utilisateur conduit actuellement le véhicule, ou encore un geste corporel caractéristique pour monter dans le véhicule, signifiant en outre que l’utilisateur est à bord du véhicule, ou autres).
Les lunettes peuvent être par exemple des lunettes de vue ou encore des lunettes à verres solaires (filtrants), qui ont vocation à être durablement dans le véhicule par exemple.
On peut prévoir en outre que ce capteur soit apte à communiquer (via une liaison courte portée de type Bluetooth ou autre) avec un terminal mobile connecté à ladite base d’apprentissage (typiquement via un réseau étendu).
Alternativement encore, la base d’apprentissage peut être stockée dans le terminal-même, ce dernier pouvant gérer alors l’identification du véhicule sans avoir recours à un serveur.
Comme indiqué précédemment, il est possible, par la mise en œuvre de l’invention, d’identifier un véhicule tout au long de son évolution, et ce aussi, comme présenté ci-après, lorsque ce véhicule commence à présenter une défaillance. Plus particulièrement, la présente invention permet d’identifier un véhicule spécifique par une vibration caractéristique, mais peut permettre en outre, dans un mode de réalisation particulier, d’identifier une défaillance survenant dans le véhicule. Dans une telle réalisation, le procédé peut alors comporter en outre :
- un établissement, à partir de la base d’apprentissage, d’un modèle de vibration de ladite partie du véhicule,
- après le captage du signal vibratoire de ladite partie du véhicule, une estimation d’un écart entre le modèle de vibration et le signal vibratoire capté, et
- si ladite estimation est supérieure à un seuil, un déclenchement d’un signal d’alerte d’une défaillance de ladite partie du véhicule.
Avantageusement, la reconnaissance du véhicule est suffisamment robuste, du fait du remplacement des anciens signaux par les signaux nouvellement acquis dans la base, pour continuer à identifier le véhicule malgré son évolution et possiblement malgré une défaillance. Ainsi, dans la réalisation ci-dessus, il est stocké en mémoire un modèle de vibration (par exemple un modèle-type en sortie d’usine), et si la vibration s’écarte considérablement de ce modèle de vibration (éventuellement pour un âge du véhicule inférieur à un seuil), alors il peut être suspecté une défaillance du véhicule.
Dans une telle réalisation, on peut prévoir en outre :
- un stockage d’une pluralité de modèles de vibration de parties homologues de véhicules, lesdites parties homologues présentant des défaillances pré-identifiées respectives, et
- si ladite estimation d’écart entre le modèle et le signal capté est supérieure au seuil, une comparaison du signal capté à chacun des modèles de vibration de parties homologues à défaillances respectives, pour identifier la défaillance de ladite partie de véhicule dont est issu le signal vibratoire capté.
Il est ainsi possible d’identifier particulièrement le type de défaillance que présente le véhicule. Dans l’exemple présenté ici, on met en œuvre cette caractérisation du type de défaillance en cas d’écart significatif détecté entre le modèle et le signal capté, de manière à éviter d’effectuer ce test inutilement. Néanmoins, dans une variante, ce test peut être effectué périodiquement, ou à une fréquence augmentant avec l’âge du véhicule, ou autre. Ainsi, le fait de tenir compte que l’estimation d’écart entre le modèle et le signal capté est supérieure au seuil, peut être optionnel.
Par ailleurs, en cas d’identification d’une défaillance donnée, comme l’utilisateur du véhicule peut en outre être reconnu comme décrit précédemment, il est possible de lui adresser le signal d’alerte précité d’une défaillance d’une partie identifiée du véhicule, par exemple sous la forme d’une notification sur son smartphone, afin de le sensibiliser sur la défaillance en cours, pouvant occasionner une panne du véhicule. A cet effet, une base de données peut stocker la base d’apprentissage en correspondance d’identifiants notamment de :
Smartphone (numéro d’appel typiquement),
De véhicule (immatriculation ou autre),
D’utilisateur (nom, prénom, etc. ou nom de société, raison sociale, etc.)
La présente invention vise aussi un programme informatique comportant des instructions pour la mise en œuvre du procédé ci-avant, lorsque ces instructions sont exécutées par un processeur d’un circuit de traitement.
A titre d’exemple, l’un au moins des ordinogrammes présentés ci-après en référence notamment aux figures 2, 3 et 5 peut illustrer l’algorithme général d’un tel programme.
La présente invention vise aussi un système pour la mise en œuvre du procédé ci-avant et comportant au moins :
- une mémoire pour stocker la base d’apprentissage,
- un capteur desdits signaux vibratoires, et
- un circuit de traitement mettant en œuvre ladite intelligence artificielle,
le circuit de traitement étant configuré pour stocker dans la base d’apprentissage les signaux de vibration captés, en correspondance d’un instant de captage, et pour, à chaque captage d’un nouveau signal vibratoire sur un véhicule courant, en cas d’identification du véhicule courant comme étant le véhicule associé à la base d’apprentissage, mettre à jour la base d’apprentissage en remplaçant le signal de vibration le plus ancien de la base d’apprentissage par le nouveau signal vibratoire capté.
Un exemple de réalisation d’un tel système est illustré sur la figure 4 commentée plus loin.
D’ailleurs, d’autres caractéristiques et avantages de l’invention apparaîtront à la lecture de la description détaillée ci-après, et à l’examen des dessins annexés, sur lesquels :
Fig. 1
illustre un principe d’identification d’un modèle de véhicule comme décrit plus haut;
Fig. 2
illustre les principales étapes d’un procédé selon un exemple de réalisation,
Fig. 3
illustre les principales étapes d’un procédé selon un mode de réalisation d’une reconnaissance de véhicule parmi une pluralité de véhicules;
Fig. 4
illustre un exemple de réalisation d’un système pour la mise en œuvre du procédé ci-avant;
Fig. 5
illustre les principales étapes d’un procédé selon un mode de réalisation où l’on reconnait en outre un utilisateur en cours du véhicule,
Fig. 6
illustre les vibrations d’un moteur de véhicule pendants différentes phases de fonctionnement pour une reconnaissance de ce véhicule à partir d’une analyse de ces vibrations.
En référence à la figure 2, une première étape S1 consiste à tenir plusieurs bases d’apprentissage APPRi, chacune propre à un véhicule automobile VEHi, stockées dans une mémoire (par exemple d’un serveur comme décrit plus loin). A l’étape S2, un signal de vibration est capté par un capteur CAP, et ce signal est comparé par une intelligence artificielle aux signaux de chaque base d’apprentissage APPRi, successivement (boucle S4 sur l’indice i des bases d’apprentissage APPRi, en sortie « KO » du test S3), jusqu’à identifier à l’étape S5 le véhicule VEHi dont a pu être capté ce signal de vibration SENS. Dans un exemple de réalisation, un réseau de neurones artificiels peut être mis en œuvre pour extraire de chaque base d’apprentissage APPRi un modèle de vibration (ou plus particulièrement des caractéristiques spécifiques vibratoires) propre à chaque véhicule VEHi, et l’étape S3 peut alors correspondre à une comparaison du signal vibratoire nouvellement acquis SENS à chacun de ces modèles de vibration.
Pour ce faire, on peut s’appuyer, à titre d’exemple purement illustratif, sur des phases particulières de fonctionnement du moteur du véhicule (notamment pour un moteur thermique), comme illustré sur la figure 6, représentant l’évolution d’un module d’intensité de vibration (sur plusieurs fréquences) en fonction du temps sur plusieurs phases de fonctionnement du moteur :
A son allumage Ca,
A son régime au point mort Cb,
En accélération Cc,
En régime permanent en prise Cf,
En décélération Cd,
A son extinction Ce.
Chacune de ces phases peut être « tagguée » par une intelligence artificielle, avec comme paramètres possibles pertinents :
Les fréquences de vibration,
L’amplitude associée à chacune de ces fréquences,
Et/ou autres.
Par exemple, un apprentissage profond peut être mise en œuvre (en utilisant un réseau de neurones artificiels) et ainsi non seulement chacune de ces phases peut être reconnue dans le signal de vibration capté SENS mais en outre le véhicule dont être issu ce signal peut être identifié comme décrit ci-après.
En référence à nouveau à la figure 2, une fois qu’une correspondance a été identifiée entre le signal SENS et l’une des bases d’apprentissage (ou son modèle), le véhicule correspondant VEHi est alors déterminé (étape S5 en sortie « OK » du test S3) et, en particulier, le signal nouvellement capté SENS est stocké dans la base d’apprentissage APPRi de ce véhicule VEHi (étape S6). Ce stockage peut être opéré éventuellement en remplacement d’un signal capté le plus ancien de la base à l’étape S7 (par exemple selon un mécanisme de type FIFO (ou « First In First Out »). Une telle réalisation permet une mise à jour de la base pour suivre l’évolution du véhicule, en conservant en outre une taille mémoire raisonnable pour le stockage.
On se réfère maintenant à la figure 3 pour détailler un exemple de réalisation relatif à l’utilisation de plusieurs bases d’apprentissage pour identifier celle correspondant au véhicule dont est issu le signal vibratoire nouvellement capté. Outre les étapes communes S4 et S2 de la figure 2 précédente, pour mettre en œuvre plus précisément l’étape S3, on calcule un score SCOi de comparaison du signal nouvellement capté SENS avec le contenu de chaque base d’apprentissage APPRi à l’étape S21. On détermine aux étapes S22 et S23 le score maximum MAX, sur l’ensemble de N bases d’apprentissage (test S24). Le véhicule VEHi est déterminé comme étant celui associé à la base d’apprentissage APPRi qui a le score maximum à l’étape S25, et cette base d’apprentissage est mise à jour à l’étape S26. L’étape S27 consiste ensuite à remettre à zéro la valeur MAX pour réitérer la boucle de recherche du score maximum dans l’exemple de réalisation illustré sur la figure 3.
Comme illustré sur la figure 4, ce procédé ci-avant peut être mis en œuvre par un système comportant, dans l’exemple représenté, une paire de lunettes connectées LUN, comportant un capteur de mouvement CAP (par exemple un capteur d’accélération) fixé par exemple à la monture de la paire de lunettes. Ce capteur peut alors être agencé pour capter les données de vibration d’une partie du véhicule (moteur ou autre), mais aussi des mouvements d’un utilisateur qui porte cette paire de lunettes. Ainsi, comme on le verra plus loin, le capteur CAP peut permettre à la fois la reconnaissance du véhicule, mais aussi de l’utilisateur dans ce véhicule.
Le capteur CAP peut comporter par exemple une antenne de communication (Bluetooth, wifi ou autre) des signaux captés pour un stockage en mémoire (au moins temporaire) d’un smartphone SM que comporte en outre le système dans un exemple de réalisation. Ce smartphone SM comporte typiquement une batterie d’alimentation électrique BATT qui peut être rechargée via un module de connexion MODC à une alimentation secteur SECT. On comprendra ainsi que le smartphone lui-même peut communiquer les données de signaux acquis par le capteur CAP, dès qu’il est connecté par exemple au secteur via son module MODC. Ces données peuvent être transmises via un réseau de communication étendu RES à un serveur SER qui stocke les bases d’apprentissage APPRi et qui peut ainsi mettre en œuvre les étapes décrites ci-avant de comparaison du signal nouvellement capté aux contenus respectifs des bases d’apprentissage stockées.
En référence maintenant à la figure 5, l’étape S31 qui suit l’étape S2 de capter le signal vibratoire SENS peut consister à chercher à détecter un mouvement du porteur de lunettes LUN. Le cas échéant, à l’étape S32, on cherche à reconnaître le porteur de ces lunettes parmi plusieurs utilisateurs dont les gestes caractéristiques sont stockés dans une base d’utilisateurs DB US. Dans le cas où aucun des utilisateurs répertoriés dans la base DB US n’a pu être identifié, il est possible de générer une alerte à l’étape S34, destinée par exemple au smartphone d’un utilisateur principal dont le numéro d’accès est renseigné dans la base DB US et obtenu ainsi à l’étape S33. Il peut s’agir typiquement d’un utilisateur déclaré comme étant le principal utilisateur du véhicule au sein d’une même famille, ou d’une même entreprise.
Si l’utilisateur en cours est bien reconnu dans la base DB US, il est alors possible de lui transmettre directement des notifications sur son smartphone (son numéro de contact étant également renseigné dans la base DB US), notamment à l’étape S40 décrite plus loin.
Par ailleurs, comme illustré aussi sur la figure 5, une fois que le véhicule a été identifié à l’étape S5, le signal vibratoire nouvellement capté peut être comparé à un modèle MOD de vibration du véhicule (estimé depuis la base d’apprentissage et donné typiquement par un réseau de neurones artificiels par exemple) pour déterminer si l’écart entre le signal SENS et ce modèle MOD est au-delà d’un seuil THR choisi. Si tel est le cas, une telle mesure peut caractériser la présence d’une défaillance du véhicule.
Ainsi, pour caractériser davantage cette défaillance, on peut déterminer à l’étape S36 le modèle du véhicule qui a été identifié à l’étape S5. On peut rechercher ainsi, comme suit, le type de défaillance dans une base de données DB BKD de modèles de vibrations caractéristiques en cas de diverses défaillances (de moteur, de suspension, de freinage, etc.) et ce pour différents modèles de véhicules. Une fois le modèle de véhicule identifié (étape S36), il est possible de comparer le signal nouvellement acquis à chacun des modèles vibratoires en cas de défaillance de ce modèle de véhicule, par exemple en assignant des scores SCOj à chacune de ces comparaisons à l’étape S37. On identifie alors à l’étape S38 le modèle vibratoire en cas de défaillance qui obtient le score maximum. La défaillance en cours BKDj peut ainsi être reconnue et il est alors possible de générer une alerte à l’étape S39 à destination du smartphone de l’utilisateur en cours du véhicule, à l’étape S40.
Une telle réalisation permet de sensibiliser l’utilisateur en cours sur un bruit particulier de son véhicule en fonctionnement, qu’il peut entendre directement, et qui d’après le traitement présenté plus haut caractérise une panne particulière qui risque d’advenir (ou adviendra après un nombre déterminé de kilomètres parcourus). Le message d’alerte sur le smartphone de l’utilisateur en cours (ou alternativement sur le smartphone de l’utilisateur principal précité) peut ainsi recommander le remplacement d’une pièce particulière du véhicule (pneus, amortisseurs, suspension moteur, plaquettes de frein ou autres).
Bien entendu, la présente invention ne se limite pas aux formes de réalisation décrites ci-avant à titre d’exemple ; mais elle s’étend à d’autres variantes.
Ainsi par exemple, le fait de prévoir une monture de paires de lunettes pour porter le capteur CAP peut être optionnel. Alternativement, le capteur peut être un capteur de mouvement d’un smartphone ou d’un bracelet connecté ou autre, que porte l’utilisateur et est ainsi reconnu. Le smartphone peut alors utiliser en outre un microphone pour capter des signaux de vibration sous forme de signaux acoustiques. Alternativement encore, le capteur CAP est implanté dans le véhicule automobile et transmet les signaux captés au smartphone lorsque ce dernier est détecté dans le véhicule. Dans cette réalisation, comme le smartphone transmet les données des signaux captés au serveur SER généralement avec un identifiant de smartphone, il est possible de notifier à ce smartphone tout signal d’alerte du type précité. Bien entendu, on entend ici par « smartphone » tout appareil connecté de type tablette, ordinateur portable, bracelet connecté ou autre.

Claims (14)

  1. Procédé d’identification d’un véhicule automobile en fonction d’un signal vibratoire issu d’une partie au moins du véhicule, le procédé comportant :
    - une constitution d’une base d’apprentissage (S1) comportant des signaux de vibration issus de ladite partie du véhicule, cette base d’apprentissage étant ainsi associée audit véhicule,
    - un captage d’un signal vibratoire (S2) d’une partie homologue d’un véhicule courant,
    - une mise en œuvre d’une intelligence artificielle pour comparer (S3) le signal vibratoire capté aux signaux de vibration de la base d’apprentissage, et
    - en fonction d’un résultat de la comparaison, une détermination (S5) du véhicule courant comme correspondant ou non au véhicule (VEHi) associé à la base d’apprentissage,
    procédé dans lequel :
    - les signaux de vibration de la base d’apprentissage sont acquis par ledit captage de signal vibratoire et stockés (S6) dans la base d’apprentissage en correspondance d’un instant de captage, et
    - à chaque captage d’un nouveau signal vibratoire sur un véhicule courant, en cas d’identification du véhicule courant comme étant le véhicule associé à la base d’apprentissage, la base d’apprentissage est mise à jour (S7) en remplaçant le signal de vibration le plus ancien de la base d’apprentissage par le nouveau signal vibratoire capté.
  2. Procédé selon la revendication 1, dans lequel, pour identifier un véhicule particulier (VEHi) parmi une pluralité de véhicules :
    - on prévoit une base d’apprentissage (APPRi) pour chaque véhicule de ladite pluralité de véhicules,
    - le captage d’un nouveau signal vibratoire d’une partie du véhicule courant est suivi d’une comparaison du nouveau signal capté à chacune des bases d’apprentissage (S4) avec une estimation d’un score de comparaison pour chaque base d’apprentissage, et
    - le véhicule courant est identifié (S25) comme étant le véhicule associé à la base d’apprentissage dont le score de comparaison (SCOi) est le plus élevé (MAX), le procédé se poursuivant par le remplacement (S26) du signal de vibration le plus ancien de la base d’apprentissage de score le plus élevé par le nouveau signal capté.
  3. Procédé selon l'une des revendications précédentes, dans lequel la partie du véhicule dont est issu le signal vibratoire est un moteur du véhicule, et dans lequel la base d’apprentissage comporte des signaux de vibrations caractéristiques de phases de fonctionnement du moteur, lesdites phases étant marquées dans les signaux de la base d’apprentissage et l’intelligence artificielle utilisant des marques ainsi associées chacune à l’une desdites phases.
  4. Procédé selon la revendication 3, dans lequel lesdites phases comportent au moins une accélération, un point mort, et un régime permanent du moteur.
  5. Procédé selon l'une des revendications précédentes, dans lequel l’intelligence artificielle utilise un réseau de neurones artificiels avec un apprentissage profond de la base d’apprentissage.
  6. Procédé selon l'une des revendications précédentes, dans lequel le signal vibratoire capté est acquis par un capteur (CAP) d’un dispositif mobile (LUN ; SM) à disposition d’un utilisateur du véhicule, et apte à communiquer des données du signal capté à un serveur distant (SER) stockant la base d’apprentissage (APPRi).
  7. Procédé selon la revendication 6, dans lequel le dispositif mobile (SM) comporte une batterie interne (BATT) et un module de connexion (MODC) à une alimentation secteur (SECT) pour une recharge de la batterie interne, et dans lequel le dispositif mobile est configuré pour conditionner la communication des données du signal capté au serveur distant lorsque la batterie interne est en recharge.
  8. Procédé selon l'une des revendications précédentes, dans lequel le signal vibratoire capté est acquis par un capteur d’accélération destiné à être porté par un utilisateur prédéterminé du véhicule, le procédé comportant en outre une mise en œuvre de l’intelligence artificielle pour :
    - distinguer, dans les signaux acquis par le capteur, les signaux vibratoires de la partie du véhicule, de signaux gestuels de l’utilisateur,
    - classer la base d’apprentissage en distinguant les signaux vibratoires et les signaux gestuels,
    - et, outre la détermination du véhicule courant comme correspondant ou non au véhicule associé à la base d’apprentissage, déterminer une correspondance ou non entre l’utilisateur dont sont issus les signaux gestuels dans le signal capté et l’utilisateur dont sont issus les signaux gestuels de la base d’apprentissage.
  9. Procédé selon la revendication 8, dans lequel le capteur d’accélération est disposé sur une monture de paire de lunettes (LUN) destinée à être portée par l’utilisateur dont sont issus les signaux gestuels de la base d’apprentissage, le capteur étant apte à communiquer avec un terminal mobile (SM) connecté à ladite base d’apprentissage.
  10. Procédé selon l'une des revendications 8 et 9, comportant en outre un déclenchement d’un signal d’alerte en cas de non-correspondance entre l’utilisateur dont sont issus les signaux gestuels dans le signal capté et l’utilisateur dont sont issus les signaux gestuels de la base d’apprentissage.
  11. Procédé selon l'une des revendications précédentes, comportant en outre :
    - un établissement, à partir de la base d’apprentissage, d’un modèle de vibration de ladite partie du véhicule,
    - après le captage du signal vibratoire de ladite partie du véhicule, une estimation d’un écart entre le modèle de vibration et le signal vibratoire capté, et
    - si ladite estimation est supérieure à un seuil, un déclenchement d’un signal d’alerte d’une défaillance de ladite partie du véhicule.
  12. Procédé selon la revendication 11, comportant en outre :
    - un stockage d’une pluralité de modèles de vibration de parties homologues de véhicules, lesdites parties homologues présentant des défaillances pré-identifiées respectives, et
    - si ladite estimation d’écart entre le modèle et le signal capté est supérieure au seuil, une comparaison du signal capté à chacun des modèles de vibration de parties homologues à défaillances respectives, pour identifier la défaillance de ladite partie de véhicule dont est issu le signal vibratoire capté.
  13. Programme informatique comportant des instructions pour la mise en œuvre du procédé selon l’une des revendications 1 à 12, lorsque lesdites instructions sont exécutées par un processeur d’un circuit de traitement.
  14. Système pour la mise en œuvre du procédé selon l’une des revendications 1 à 12, comportant au moins :
    - une mémoire (MEM) pour stocker la base d’apprentissage,
    - un capteur (CAP) desdits signaux vibratoires, et
    - un circuit de traitement (CT) mettant en œuvre ladite intelligence artificielle,
    le circuit de traitement étant configuré pour stocker dans la base d’apprentissage les signaux de vibration captés, en correspondance d’un instant de captage, et pour, à chaque captage d’un nouveau signal vibratoire sur un véhicule courant, en cas d’identification du véhicule courant comme étant le véhicule associé à la base d’apprentissage, mettre à jour la base d’apprentissage en remplaçant le signal de vibration le plus ancien de la base d’apprentissage par le nouveau signal vibratoire capté.
    .
FR1900247A 2019-01-10 2019-01-10 Identification d’un véhicule automobile par ses caractéristiques vibratoires Active FR3091754B1 (fr)

Priority Applications (2)

Application Number Priority Date Filing Date Title
FR1900247A FR3091754B1 (fr) 2019-01-10 2019-01-10 Identification d’un véhicule automobile par ses caractéristiques vibratoires
PCT/EP2020/050337 WO2020144241A1 (fr) 2019-01-10 2020-01-08 Identification d'un vehicule a l'arret et de son emplacement

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1900247A FR3091754B1 (fr) 2019-01-10 2019-01-10 Identification d’un véhicule automobile par ses caractéristiques vibratoires
FR1900247 2019-01-10

Publications (2)

Publication Number Publication Date
FR3091754A1 true FR3091754A1 (fr) 2020-07-17
FR3091754B1 FR3091754B1 (fr) 2022-12-16

Family

ID=66676810

Family Applications (1)

Application Number Title Priority Date Filing Date
FR1900247A Active FR3091754B1 (fr) 2019-01-10 2019-01-10 Identification d’un véhicule automobile par ses caractéristiques vibratoires

Country Status (1)

Country Link
FR (1) FR3091754B1 (fr)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114993700A (zh) * 2022-05-20 2022-09-02 浙江吉利控股集团有限公司 雨刮片预警方法、装置、设备及存储介质
CN115200697A (zh) * 2021-03-25 2022-10-18 九号智能(常州)科技有限公司 震动行为识别方法、装置、电动车、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002267529A (ja) * 2001-03-09 2002-09-18 Matsushita Electric Ind Co Ltd 音響解析方法及び音響解析装置
US6728645B1 (en) * 2003-01-07 2004-04-27 Electro-Optics Research & Development Ltd. Method and system for automatic identification of objects type according to their characteristic spectrum of vibration frequencies
JP2007033397A (ja) * 2005-07-29 2007-02-08 Aida Engineering Co Ltd 自動車の音響同定方法
CN106197653A (zh) * 2016-07-07 2016-12-07 上海汽车集团股份有限公司 车辆空气声与结构声识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002267529A (ja) * 2001-03-09 2002-09-18 Matsushita Electric Ind Co Ltd 音響解析方法及び音響解析装置
US6728645B1 (en) * 2003-01-07 2004-04-27 Electro-Optics Research & Development Ltd. Method and system for automatic identification of objects type according to their characteristic spectrum of vibration frequencies
JP2007033397A (ja) * 2005-07-29 2007-02-08 Aida Engineering Co Ltd 自動車の音響同定方法
CN106197653A (zh) * 2016-07-07 2016-12-07 上海汽车集团股份有限公司 车辆空气声与结构声识别方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115200697A (zh) * 2021-03-25 2022-10-18 九号智能(常州)科技有限公司 震动行为识别方法、装置、电动车、电子设备及存储介质
CN114993700A (zh) * 2022-05-20 2022-09-02 浙江吉利控股集团有限公司 雨刮片预警方法、装置、设备及存储介质

Also Published As

Publication number Publication date
FR3091754B1 (fr) 2022-12-16

Similar Documents

Publication Publication Date Title
WO2010034909A1 (fr) Procédé et dispositif d'authentification de données transmises relatives à l'usage d'un véhicule et/ou au comportement de son conducteur
FR3091754A1 (fr) Identification d’un véhicule automobile par ses caractéristiques vibratoires
WO2020020743A1 (fr) Optimisation des communications sans fil d'un système de surveillance de pression des pneumatiques pour véhicule automobile
EP3213213A1 (fr) Procédé, équipement et système d'aide au diagnostic
WO2020144241A1 (fr) Identification d'un vehicule a l'arret et de son emplacement
EP2537286A1 (fr) Procédé d'authentification biométrique, système d'authentification et programme correspondant
WO2019122558A1 (fr) Procédé d'accompagnement a la conduite d'un conducteur pour limiter l'usure de composants d'un véhicule automobile
EP3511781A1 (fr) Dispositif et procédé de collecte, de sauvegarde, d'analyse ainsi que de mise à disposition des résultats de l'analyse de données de pièces d'horlogerie
FR3112622A1 (fr) Procédé et système de maintenance prédictive
EP3554102B1 (fr) Procédé d' établissement automatique d'une connexion sans fil entre un terminal mobile et un calculateur multimédia d'un véhicule
EP3293988B1 (fr) Procédé de contrôle de la détection en temps réel d'une scène par un appareil de communication sans fil, par exemple un téléphone mobile cellulaire, et appareil correspondant
EP3635690A1 (fr) Dispositif d'enregistrement de données de déplacement, procédé et programme correspondant
FR3057517A1 (fr) Dispositif de prevention des situations dangereuses pour un conducteur d'un vehicule de transport et procede associe
WO2020058480A1 (fr) Système et procédé pour identifier un conducteur d'un véhicule après le démarrage du véhicule
FR3057516A1 (fr) Dispositif de prevention des situations dangereuses pour un conducteur d'un vehicule de transport et procede associe
WO2021063846A1 (fr) Détermination d'un état d'utilisateur conduisant activement ou non un véhicule automobile
FR3055247A1 (fr) Strategie de remise en service d'une unite-roue declaree detachee dans un systeme tpms de controle de la pression des pneus d'un vehicule automobile
FR3091778A1 (fr) Identification d’un vehicule a l’arret et de son emplacement
EP3000224B1 (fr) Procédé d'auto-adaptation d'une qualité de signal, dispositifs et programme d'ordinateur correspondants
FR3065103A1 (fr) Ensemble capteur apte a fonctionner avec un telephone portable et ensemble de gestion du stationnement
EP3370149B1 (fr) Procédé de contrôle de la détection en temps réel d'une scène, permettant la détermination de contexte par un appareil de communication sans fil, et appareil correspondant
FR3069348A1 (fr) Procede d'identification d'un usager de vehicule automobile
WO2025103752A1 (fr) Utilisation d'un identifiant portatif pour communiquer avec un système de véhicule
WO2025045940A1 (fr) Communication uwb entre système de véhicule et identifiant portatif
FR3113524A1 (fr) Procédé et dispositif de détection de franchissement d’un ralentisseur routier par un véhicule.

Legal Events

Date Code Title Description
PLFP Fee payment

Year of fee payment: 2

PLSC Publication of the preliminary search report

Effective date: 20200717

PLFP Fee payment

Year of fee payment: 3

PLFP Fee payment

Year of fee payment: 4

PLFP Fee payment

Year of fee payment: 5

PLFP Fee payment

Year of fee payment: 6

PLFP Fee payment

Year of fee payment: 7