La présente invention concerne le domaine de la mise à jour d’une carte routière numérique. Plus précisément, elle concerne des procédés d’entrainement de modèles d’apprentissage profond, des procédés de prédiction d’un paramètre de recalage cartographique, des procédés de mise à jour d’une carte routière numérique, un programme informatique permettant de mettre en œuvre les procédés et des dispositifs pour la mise à jour d’une carte routière numérique.

La navigation terrestre est généralement utilisée pour fournir une indication de la position d'un véhicule routier. Comme celui-ci se déplace généralement sur le réseau routier, l'indication de position peut se référer à une carte numérique représentative dudit réseau routier, ce qui permet au véhicule routier de disposer d'une information très concrète, par exemple visuelle pour le conducteur, lui permettant de prendre les décisions de changement de direction aux points caractéristiques du réseau routier par exemple.

En pratique, le véhicule routier peut être localisé de manière plus cohérente sur le réseau routier par une mise en correspondance de sa position géographique et de ladite carte numérique selon une méthode de recalage cartographique (« map matching », en langue anglaise).

Or, le service de recalage cartographique n’est pas toujours disponible et exact, car il nécessite la présence d’une carte numérique précise, ainsi qu’une connaissance de la position absolue initiale du véhicule routier. En outre, même lorsque le service de recalage cartographique est disponible, ce dernier peut être inopérant, notamment lorsque le véhicule routier circule sur un tronçon du réseau routier qui n’est pas couvert par la carte numérique. C’est également le cas lorsque le véhicule routier circule sur tronçon assez long sans variation nette de direction de sorte qu'un recalage sur la carte routière numérique ne fournit pas de correction de la position vers le segment routier parcouru. De ce fait, pour un trajet assez long, il apparaît une erreur de positionnement qui peut avoir pour résultat que la manœuvre suivante de conduite soit présentée au conducteur à un instant qui n'est pas le bon ou que, dans le cas où l'on est supposé devoir tourner, que la route convenable sur la carte routière numérique ne soit pas reconnue.

Ainsi, à ce jour, il n’existe pas de méthodes efficaces pour réaliser un recalage cartographique lorsque ledit service est indisponible ou inopérant.

La présente invention vise donc à éliminer, au moins partiellement, les inconvénients précités. Pour cela, un premier aspect de l’invention concerne un procédé d’entrainement d’un modèle d’apprentissage profond entraîné pour prédire un paramètre de recalage cartographique à partir d’une mesure de coordonnées géographiques et d’un identifiant du capteur de position ayant réalisé la mesure. Un deuxième aspect de l’invention concerne un procédé de prédiction d’un paramètre de recalage cartographique à partir du modèle d’apprentissage automatique pré-entraîné selon le premier aspect de l’invention.

Un troisième aspect de l’invention concerne un procédé de mise à jour d’une carte routière numérique à partir du paramètre de recalage cartographique obtenu selon le deuxième aspect de l’invention.

Un quatrième aspect de l’invention concerne un programme d'ordinateur avec un code de programme pour exécuter les étapes de procédé des procédés selon les premier, deuxième et troisième aspects de l’invention, lorsque le programme d'ordinateur est chargé dans l'ordinateur ou exécuté dans l'ordinateur.

Enfin, un cinquième aspect de l’invention concerne un dispositif pour la mise à jour d’une carte routière numérique.

Ainsi, l’invention se rapporte à un procédé d’entrainement d’un modèle d’apprentissage profond. Le procédé d’entrainement comprend les étapes suivantes :

• une étape d’acquisition durant laquelle, on acquiert :

- une pluralité de mesures de coordonnées géographiques représentatives de la position de chacun parmi une pluralité de véhicules routiers d’entrainement en circulation sur au moins un tronçon d’un réseau routier, chaque tronçon étant associé à un segment d’une carte routière numérique représentative du réseau routier et dans laquelle chaque segment est constitué d’une pluralité de points successifs, et

- un identifiant propre à chaque capteur de position ayant réalisé une mesure de coordonnées géographiques,

• une étape de calcul durant laquelle on calcule, pour chaque mesure de coordonnées géographiques, un paramètre de recalage cartographique définissant une déviation entre la mesure de coordonnées géographiques et une position d’un point d’un segment de la carte routière numérique où il est le plus probable de faire correspondre la mesure de coordonnées géographiques,

• une étape de création durant laquelle on crée, pour chaque mesure de coordonnées géographiques, un vecteur caractéristique comprenant la mesure de coordonnées géographiques et l’identifiant de capteur de position associé, et

• une étape d’entrainement durant laquelle on présente, pour chaque mesure de coordonnées géographiques, le vecteur caractéristique associé et le paramètre de recalage cartographique associé, respectivement à l’entrée et à la sortie du modèle d’apprentissage profond, et dans laquelle on applique un algorithme d’apprentissage supervisé au modèle d’apprentissage profond. Selon un premier mode de réalisation, le modèle d’apprentissage profond est un réseau de neurones artificiels.

Selon un second mode de réalisation :

• pendant l’étape d’acquisition, on acquiert en outre, pour chaque mesure de coordonnées géographiques, des premières données complémentaires représentatives de l’erreur de la mesure de la coordonnée géographique, et

• pendant l’étape de création, pour chaque mesure de coordonnées géographiques, on ajoute les premières données complémentaires associées, au vecteur caractéristique.

Dans une variante, dans l’étape d’entrainement, les premières données complémentaires sont prises, seules ou en combinaison, parmi : le nombre de satellites utilisés lors de la mesure de coordonnées géographiques, un indicateur des conditions de géométrie de la constellation de satellites utilisés lors de la mesure de coordonnées géographiques, un indicateur des conditions de propagation ionosphérique des signaux satellitaires reçus, un indicateur de qualité des signaux satellitaires reçus et l’instant de la mesure de la coordonnée géographique.

Selon un troisième mode de réalisation :

• pendant l’étape d’acquisition, on acquiert en outre, pour chaque mesure de coordonnées géographiques, des deuxièmes données complémentaires représentatives de données proprioceptives du véhicule routier d’entrainement, et

• pendant l’étape de création, pour chaque mesure de coordonnées géographiques, on ajoute les deuxièmes données complémentaires associées, au vecteur caractéristique.

L’invention couvre également un procédé de prédiction d’un paramètre de recalage cartographique définissant une déviation entre une mesure de coordonnées géographiques représentative de la position d’un véhicule routier et une position d’un point d’un segment d’une carte routière numérique où il est le plus probable de faire correspondre la mesure de coordonnées géographiques, le procédé comprenant une étape de prédiction durant laquelle, on prédit le paramètre de recalage cartographique, à partir de la mesure de coordonnées géographiques, d’un identifiant propre au capteur de position ayant réalisé la mesure de coordonnées géographiques et d’un modèle d’apprentissage profond pré-entraîné selon le procédé d’entrainement décrit ci-avant.

L’invention couvre aussi un procédé de mise à jour d’une carte routière numérique, la carte routière numérique étant représentative d’un réseau routier et comprenant au moins un segment constitué d’une pluralité de points successifs. Le procédé comprend les étapes suivantes : • une étape d’acquisition durant laquelle, on acquiert :

- une pluralité de mesures de coordonnées géographiques représentatives de la position de chacun parmi une pluralité de véhicules routiers en circulation sur au moins un tronçon du réseau routier, chaque tronçon étant associé à un segment de la carte routière numérique, et

- un identifiant propre au capteur de position ayant réalisé la mesure de coordonnées géographiques,

• une étape de prédiction durant laquelle on prédit, pour chaque mesure de coordonnées géographiques, un paramètre de recalage cartographique selon le procédé de prédiction,

• une étape de calcul durant laquelle on calcule, pour chaque point d’un segment de la carte routière numérique avec lequel est associé une pluralité de paramètres de recalage cartographique, au moins une mesure de tendance centrale à partir de la pluralité de paramètres de recalage cartographique, et

• une étape de traitement d’image durant laquelle on ajoute un calque numérique à la carte routière numérique, le calque numérique comprenant la mesure de tendance centrale au niveau du point associé du segment de la carte routière numérique.

Dans une mise en œuvre particulière :

• pendant l’étape de calcul, on calcule pour chaque point d’un segment de la carte routière numérique avec lequel est associé une pluralité de paramètres de recalage cartographique, au moins une mesure de dispersion à partir de la pluralité de paramètres de recalage cartographique, et

• pendant l’étape de traitement d’image, on ajoute un calque numérique à la carte routière numérique, le calque numérique comprenant la mesure de dispersion au niveau du point associé du segment de la carte routière numérique.

Dans une autre mise en œuvre, pendant l’étape de traitement d’image, on ajoute le calque numérique à la carte routière numérique seulement lorsque la mesure de tendance centrale et/ou la mesure de dispersion est au-delà d’une valeur prédéterminée pendant une période prédéterminée.

Par ailleurs, l’invention couvre un programme d'ordinateur avec un code de programme pour exécuter les étapes de procédé des procédés d’entrainement, de prédiction et de mise à jour de carte routière numérique, lorsque le programme d'ordinateur est chargé dans l'ordinateur ou exécuté dans l'ordinateur.

L’invention couvre également un support de stockage non transitoire sur lequel le programme d'ordinateur, ci-dessus, est stocké. Enfin, l’invention couvre un dispositif pour la mise à jour d’une carte routière numérique, la carte routière numérique étant représentative d’un réseau routier et comprenant au moins un segment constitué d’une pluralité de points successifs. Le dispositif comprend un processeur comprenant :

• un module d’acquisition pour acquérir :

- une pluralité de mesures de coordonnées géographiques représentatives de la position de chacun parmi une pluralité de véhicules routiers en circulation sur au moins un tronçon du réseau routier, chaque tronçon étant associé à un segment de la carte routière numérique, et

- un identifiant propre à chaque capteur de position ayant réalisé une mesure de coordonnées géographiques,

• un module de prédiction pour prédire, pour chaque mesure de coordonnées géographiques, un paramètre de recalage cartographique,

• un module de calcul pour calculer, pour chaque point d’un segment de la carte routière numérique avec lequel est associée une pluralité de paramètres de recalage cartographique, au moins une mesure de tendance centrale ou une mesure de dispersion à partir de la pluralité de paramètres de recalage cartographique, et

• un module de traitement d’image pour ajouter un calque numérique à la carte routière numérique, le calque numérique comprenant la mesure de tendance centrale ou la mesure de dispersion au niveau du point associé du segment de la carte routière numérique.

Dans une mise en œuvre particulière, le module de traitement d’image est, en outre, configuré pour ajouter le calque numérique à la carte routière numérique seulement lorsque la mesure de tendance centrale et/ou la mesure de dispersion est au-delà d’une valeur prédéterminée pendant une période prédéterminée.

D’autres caractéristiques et avantages de l'invention seront mieux compris à la lecture de la description qui va suivre et en référence aux dessins annexés, donnés à titre illustratif et nullement limitatif.

- La figure 1 représente un dispositif pour la mise à jour d’une carte routière numérique selon l’invention.

- La figure 2 représente une carte routière numérique utilisable selon l’invention.

- La figure 3 représente un procédé d’entrainement d’un modèle d’apprentissage profond selon l’invention. Pour des raisons de clarté, les éléments représentés ne sont pas nécessairement représentés à la même échelle, les uns par rapport aux autres, sauf mention contraire.

Le principe général de l’invention est basé sur l’utilisation de l’apprentissage automatique (« machine learning », en langue anglaise) pour prédire un paramètre de recalage cartographique (« map matching », en langue anglaise). Pour cela, dans l’invention, on entraîne un modèle statistique d’apprentissage profond (« deep learning », en langue anglaise) selon une démarche d’apprentissage automatique dite supervisée dans laquelle les observations passées sont labélisées. En pratique, des observations sont dites labélisées lorsque chacune d’entre elles est accompagnée d’un label qui identifie le phénomène à prédire. Par la suite, le modèle statistique d’apprentissage profond pré-entraîné est utilisé pour prédire le paramètre de recalage cartographique à partir d’une mesure de coordonnées géographiques et d’un identifiant du capteur de position ayant réalisé la mesure de coordonnées géographiques. Enfin, le paramètre de recalage cartographique peut être utilisé pour mettre à jour une carte routière numérique.

La figure 1 illustre un dispositif 100 pour la mise à jour d’une carte routière numérique selon l’invention.

La figure 2 illustre, une carte routière numérique 200 représentative d’un réseau routier comprenant plusieurs tronçons. Dans l’exemple de la figure 2, la carte routière numérique 200 comprend un segment 210 associé à chaque tronçon du réseau routier. Ainsi, dans la figure 2, un premier segment 210 relie les nœuds routiers A et B, un deuxième segment 210 relie les nœuds routiers B et C et un troisième segment 210 relie les nœuds routiers B et D. Dans une mise en œuvre particulière, comme illustrée dans la figure 2, un segment 210 peut être associé à un sens de circulation 220. Enfin, de manière classique, chaque segment 210 est constitué d’une pluralité de points successifs (non représentés) et peut comporter pour chaque point, une indication de courbure, de direction ou de pente de la route correspondante, au niveau de ce point.

De retour à la figure 1 , le dispositif 100 comprend un module d’acquisition 1 10, un module de prédiction 120, un module de calcul 130 et un module de traitement d’image 140 qui sont fonctionnellement couplés l’un à l’autre. Dans une mise en œuvre particulière, le module d’acquisition 1 10, le module de prédiction 120, le module de calcul 130 et le module de traitement d’image 140 sont compris dans un seul module de traitement de type processeur.

A la figure 1 , le module d’acquisition 1 10 est configuré pour acquérir une pluralité de mesures de coordonnées géographiques Ci, C ₂ , ..., Ci. Dans l’invention, les mesures de coordonnées géographiques Ci, C ₂ ,..., C, sont représentatives de la position de chacun parmi une pluralité de véhicules routiers (non représentés) en circulation sur au moins un tronçon d’un réseau routier. On entend par véhicule routier, tout véhicule doté d’un moteur (généralement à combustion interne ou électrique) destiné à le mouvoir sur un réseau routier et capable de transporter des personnes ou des charges (par exemple, une voiture, un camion ou une motocyclette). Dans une mise en œuvre de l’invention, le module d’acquisition 1 10 comprend un capteur de position embarqué dans chaque véhicule routier. Dans un exemple, le capteur de position fait partie d’un système de position par satellites GNSS, tel que le système GPS américain, le système GLONASS russe et/ou le système GALILEO Européen.

En outre, le module d’acquisition 110 est configuré pour acquérir un identifiant idi, id2,..., id propre à chaque capteur de position ayant réalisé une mesure de coordonnées géographiques Ci , C2, . .. , Ci. Dans un exemple, l’identifiant idi, id _å . id est une valeur alphanumérique représentative du modèle du capteur de position et par là même de la performance du capteur de position lors de la mesure de coordonnées géographiques Ci, C2,..., C,.

Par ailleurs, à la figure 1 , le module de prédiction 120 est configuré pour prédire pour chaque mesure de coordonnées géographiques Ci , C2, . .. , Ci, un paramètre de recalage cartographique n.

On entend par paramètre de recalage cartographique n, un paramètre définissant une déviation entre une mesure de coordonnées géographiques Ci, C2,..., C, et une position d’un point d’un segment 210 de la carte routière numérique 200 où il est le plus probable de faire correspondre la mesure de coordonnées géographiques Ci, C2,..., C,. Comme indiqué plus haut, cette technique qui est connue sous le terme anglais de « map matching », littéralement « coller à la carte », est utilisée pour corriger périodiquement les imprécisions qui peuvent résulter des capteurs de position. En pratique, cette technique consiste à comparer régulièrement les positions géographiques d’un véhicule routier avec une carte numérique, afin de déterminer la route empruntée. Pour cela, on calcule une erreur de distance n entre chaque mesure de coordonnées géographiques Ci, C2,..., C, et son pendant le plus probable dans segment 210 de la carte routière numérique 200.

La figure 2 illustre sur la carte routière numérique 200, une pluralité de coordonnées géographiques Ci, C2,..., C, associées à un véhicule routier (non représenté). En outre, la figure 2 illustre le paramètre de recalage cartographique n pour chacune de la pluralité de coordonnées géographiques Ci, C2,..., C,.

De retour à la figure 1 , le module de prédiction 120 utilise un modèle d’apprentissage profond pré-entraîné pour prédire le paramètre de recalage cartographique n à partir d’une mesure de coordonnées géographiques Ci, C2,..., C, et de l’identifiant idi, id2,..., id, du capteur de position associé. La figure 3 illustre un procédé 300 d’entrainement d’un modèle d’apprentissage profond 400 selon l’invention. Le procédé 300 d’entrainement comprend une étape d’acquisition 310, une étape de calcul 320, une étape de création 330 et une étape d’entrainement 340.

Le procédé 300 d’entrainement nécessite une pluralité (non représentée) de véhicules routiers d’entrainement qui sont utilisés pour l’entrainement du modèle d’apprentissage profond 400. Lors de l’entrainement du modèle d’apprentissage profond 400, les véhicules routiers d’entrainement circulent sur au moins un tronçon du réseau routier. En outre, chaque tronçon est associé à un segment 210 d’une carte routière numérique 200 représentative du réseau routier. Chaque véhicule routier d’entrainement embarque au moins un capteur de position (non représenté) de type connu tel que celui plus haut en référence à la figure 1. Ainsi, l’invention se base sur le fait que la majorité des véhicules routiers actuels comprend un capteur de position qui est généralement utilisé par les systèmes d’assistance à la conduite.

Dans l’exemple de la figure 3, le procédé 300 d’entrainement consiste tout d’abord à acquérir à l’étape d’acquisition 310, une pluralité de mesures de coordonnées géographiques Ci, C2,..., Ci à partir du capteur de position associée aux véhicules routiers d’entrainement. En outre, dans l’étape d’acquisition 310, on acquiert l’identifiant idi, id2,..., id, propre à chaque capteur de position ayant réalisé une mesure de coordonnées géographiques Ci, C2,..., C,. Dans une mise en œuvre particulière, chaque véhicule routier d’entrainement comprend un bus de communication de données, par exemple, de type CAN (« Controller Area Network », en langue anglaise) ou FlexRay, lequel est couplé au capteur de position associé. Dans ce cas, il est possible d’acquérir l’identifiant idi, id2,..., id, via le bus de communication.

Ensuite, à l’étape de calcul 320, on calcule, pour chaque mesure de coordonnées géographiques Ci, C2,..., Ci, le paramètre de recalage cartographique n associé à la mesure de coordonnées géographiques Ci, C2,..., C, et une position d’un point d’un segment 210 de la carte routière numérique 200 où il est le plus probable de faire correspondre la mesure de coordonnées géographiques Ci, C2,... , Ci. Comme indiqué plus haut, le paramètre de recalage cartographique n définit une déviation entre une mesure de coordonnées géographiques Ci, C2,..., C, et un segment 210 ou la position d’un point d’un segment 210 de la carte routière numérique 200 où il est le plus probable de faire correspondre la mesure de coordonnées géographiques Ci, C2,..., C, concernée.

Par ailleurs, à l’étape de création 330, on crée pour chaque mesure de coordonnées géographiques Ci , C ₂ , ... , Ci, un vecteur caractéristique comprenant la mesure de coordonnées géographiques Ci, C2,..., C, et l’identifiant idi, id _å . id, de capteur de position associé.

Enfin, à l’étape d’entrainement 340, on présente, pour chaque mesure de coordonnées géographiques Ci , C2, ... , Ci, le vecteur caractéristique associé et le paramètre de recalage cartographique n associé, respectivement à l’entrée et à la sortie du modèle d’apprentissage profond 400. En outre, on applique un algorithme d’apprentissage supervisé au modèle d’apprentissage profond 400.

Dans l’étape d’entrainement 340, on réalise l’apprentissage du modèle d’apprentissage profond 400 en fournissant au modèle d’apprentissage profond 400 un jeu de données d’apprentissage (« training set », en langue anglaise) sous forme de couples (X, Y), dans lesquels X correspond à un ensemble de variables prédictives (« input features », en langue anglaise) et Y correspond à une variable à classer (« output » ou » target », en langue anglaise). Dans l’invention, un couple (X, Y) est défini de telle sorte que la variable prédictive X correspond à tout ou partie des mesures de coordonnées géographiques Ci, C2,... , C, et la variable à prédire Y correspond aux paramètres de recalage cartographique n associés à la variable prédictive X.

Dans une mise en œuvre de l’invention, le modèle d’apprentissage profond 400 est un réseau de neurones artificiels. Dans un exemple, le réseau de neurones artificiels comporte un neurone de sortie qui correspond au paramètre de recalage cartographique n à prédire. Le nombre de neurones d'entrée est égal au nombre d'échantillons de mesures de coordonnées géographiques Ci, C2,..., C, et d’identifiants idi, id2,... , id, de capteur de position à prendre en considération pour prédire le paramètre de recalage cartographique n. Le réseau de neurones artificiels comporte un nombre de neurones d'entrée et un nombre de couches intermédiaires, appelées aussi couches cachées, définis empiriquement. Le réseau de neurones artificiels met en œuvre une fonction d'activation, par exemple, de type sigmoïde, permettant pour chacun des neurones de sortie de fournir une probabilité que le paramètre de recalage cartographique n associé soit celui qui correspond aux données de mesures de coordonnées géographiques Ci, C2,..., C, et des identifiants idi, id _å . id, de capteur de position, fournis aux neurones d'entrée. Lorsque l'une de ces probabilités est supérieure à un seuil prédéfini, le paramètre de recalage cartographique n correspondant est considéré comme correctement prédit. Dans cette mise en œuvre, les poids synaptiques sont déterminés par l’algorithme d’apprentissage supervisé. Il existe une multitude d'algorithmes d'apprentissage supervisé telle que la méthode de rétropropagation du gradient (« backpropagation », en langue anglaise). Le principe de cet algorithme consiste, à partir d'un stimulus en entrée d’un réseau de neurones, à calculer la sortie du réseau de neurones, la comparer à la sortie attendue et à rétro propager un signal d'erreur dans le réseau de neurones, qui vient modifier les poids synaptiques par une méthode de descente du gradient.

À la fin de l’étape d’entrainement 340, le modèle d’apprentissage profond 400 est alors entraîné pour prédire un paramètre de recalage cartographique n à partir d’une mesure de coordonnées géographiques Ci, C2,..., C, et de l’identifiant idi, id ₂ . id, du capteur de position associé.

Dans une mise en œuvre du procédé 300 d’entrainement, pendant l’étape d’acquisition 310, on acquiert, en outre, pour chaque mesure de coordonnées géographiques Ci, C2,... , Ci, des premières données complémentaires représentatives de l’erreur de la mesure de la coordonnée géographique. Dans un exemple, les premières données complémentaires sont prises, seules ou en combinaison, parmi : le nombre de satellites utilisés lors de la mesure de coordonnées géographiques, un indicateur des conditions de géométrie de la constellation de satellites utilisés lors de la mesure de coordonnées géographiques (par exemple, le DOP pour « Dilution of Précision », en langue anglaise), un indicateur des conditions de propagation ionosphérique des signaux satellitaires reçus, un indicateur de qualité des signaux satellitaires reçus (par exemple, le rapport de signal à bruit C/No, l’énergie binaire sur la densité spectrale de puissance de bruit Eb/No, la porteuse sur interférences C/l), et l’instant de la mesure de la coordonnée géographique. Ensuite, pendant l’étape de création 330, pour chaque mesure de coordonnées géographiques, on ajoute les premières données complémentaires associées, au vecteur caractéristique.

Dans une autre mise en œuvre du procédé 300 d’entrainement, pendant l’étape d’acquisition 310, on acquiert, en outre, pour chaque mesure de coordonnées géographiques, des deuxièmes données complémentaires représentatives de données proprioceptives du véhicule routier d’entrainement. On entend, alors, par données proprioceptives, des données acquises à partir de capteurs proprioceptifs d’un véhicule routier d’entrainement tels que le capteur de pression atmosphérique, le gyroscope, le capteur d’accélération/de décélération ou le capteur d'assiette. Ensuite, pendant l’étape de création 330, pour chaque mesure de coordonnées géographiques, on ajoute les deuxièmes données complémentaires associées, au vecteur caractéristique.

Dans un mode particulier de réalisation de l’invention, les différentes étapes du procédé 300 d’entrainement sont déterminées par des instructions de programmes d’ordinateurs. Par conséquent, l’invention vise aussi un programme avec un code de programme d’ordinateur fixé sur un support de stockage non transitoire, de code de programme étant susceptible d’exécuter les étapes du procédé 300 d’entrainement lorsque le programme d’ordinateur est chargé dans l’ordinateur ou exécuté dans l’ordinateur. En outre, tout ou partie du programme peut être mis en œuvre dans un serveur distant auquel est connecté le véhicule routier.

De retour à la figure 1 , le module de calcul 130 est configuré pour calculer pour chaque point d’un segment 210 de la carte routière numérique 200 avec lequel est associé une pluralité de paramètres de recalage cartographique n, au moins une mesure de tendance centrale et/ou une mesure de dispersion à partir de la pluralité de paramètres de recalage cartographique. Dans un exemple de l’invention, la mesure de tendance centrale est une moyenne ou une médiane. Dans un autre exemple de l’invention, la mesure de dispersion est un minimum, un maximum, un écart-type ou une variance.

Dans une mise en œuvre particulière, la mesure de dispersion peut être utilisée par un système de navigation ou un système d’assistance à la conduite d’un véhicule pour surveiller une dégradation de performance du capteur de position associé. On pourra évaluer la dégradation en comparant la mesure de dispersion est au-delà d’une valeur de dispersion prédéterminée sur une période prédéterminée ou pour un nombre de mesures prédéterminée. Par exemple, une mesure de dispersion supérieure à la valeur de dispersion prédéterminée sur une période d’une semaine pourra déclencher un signal de dysfonctionnement du capteur de position au niveau d’un système de navigation. Dans un autre exemple, une mesure de dispersion supérieure à la valeur de dispersion prédéterminée pour cent mesures consécutives pourra déclencher un signal de dysfonctionnement du capteur de position au niveau d’un système d’assistance à la conduite.

Enfin, dans la figure 1 , le module de traitement d’image 140 est configuré pour ajouter un calque numérique à la carte routière numérique 200, le calque numérique comprenant la mesure de tendance centrale et/ou la mesure de dispersion au niveau du point associé du segment 210 de la carte routière numérique 200. Dans une mise en œuvre particulière, le module de traitement d’image 140 est configuré pour ajouter le calque numérique à la carte routière numérique 200 seulement lorsque la mesure de tendance centrale et/ou la mesure de dispersion est au-delà d’une valeur prédéterminée pendant une période prédéterminée. Par exemple, on pourra mettre à jour la carte routière numérique 200 seulement lorsque la mesure de tendance centrale et/ou la mesure de dispersion aura variée de plus de 5 % pendant une période d’un mois de mesures. Toutefois, d’autres valeurs prédéterminées et d’autres périodes prédéterminées peuvent être envisagées.

On notera que l’invention couvre également un procédé de mise à jour d’une carte routière numérique 200 tel que mis en œuvre par le dispositif 100. On notera également qu’il est envisagé d’entraîner une pluralité de modèles d’apprentissage profond 400 afin de prédire le paramètre de recalage cartographique n selon le modèle du capteur de position utilisé pour réaliser les mesures de coordonnées géographiques Ci , C2,... , Ci. Ainsi, par exemple, on pourra obtenir un premier modèle d’apprentissage profond 400 pour un premier modèle de capteur de position, un second modèle d’apprentissage profond 400 pour un second modèle de capteur de position, et ainsi de suite.

La présente invention a été décrite et illustrée dans la présente description détaillée et dans les figures. Toutefois, la présente invention ne se limite pas aux formes de réalisation présentées. Ainsi, d’autres variantes et modes de réalisation peuvent être déduits et mis en œuvre par la personne du métier à la lecture de la présente description et des figures annexées.