專利名稱：用于驅(qū)動人員保護(hù)措施的方法和控制設(shè)備以及計(jì)算機(jī)程序和計(jì)算機(jī)程序產(chǎn)品的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及用于人員保護(hù)措施的驅(qū)動方法和控制設(shè)備以及按照獨(dú)立權(quán)利要求說明的 一 類計(jì)算機(jī)程序或者計(jì)算機(jī)程序產(chǎn)品。
背景技術(shù)：
從DE 103 60 893 Al中已知，人員保護(hù)4晉施是依據(jù)預(yù)位移與一個閾值的比較來進(jìn)行驅(qū)動的。該閾值與速度降低量以及減速度有關(guān)。速度降低量和減速度二者構(gòu)成一個二維特征空間，該特征空間通過閾值劃分為二個區(qū)域。這兩個區(qū)域表征對于人員保護(hù)措施驅(qū)動的兩個重要類別，其中閾值表示最低限度。
為了使應(yīng)用過程實(shí)現(xiàn)自動化，以及為了縮短應(yīng)用時間，提出了基于自學(xué)習(xí)的方法。 一個可能的實(shí)現(xiàn)是神經(jīng)元網(wǎng)絡(luò)，例如從WO2005/037609 Al、 WO2005/037610 Al 、 WO2005/037611 Al 、WO2005/035319 Al、 EP 1133418和DE 198 54 380 Al中公開的。在一個在實(shí)驗(yàn)室中脫機(jī)進(jìn)行的訓(xùn)練過程中，通過自學(xué)習(xí)方法自動調(diào)整分界線，該分界線在不使用自學(xué)習(xí)方式時需要手動調(diào)整?；谌斯ど窠?jīng)元網(wǎng)絡(luò)的算法最后在已知的特征曲線的基礎(chǔ)上給出 一 個觸發(fā)判決。
這樣的人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用是非透明的。在錯誤分類的情況下不存在復(fù)位級。此外，在人工神經(jīng)網(wǎng)絡(luò)中需要大量的訓(xùn)練數(shù)據(jù)，而大量的訓(xùn)練數(shù)據(jù)通常是不存在的。人工神經(jīng)網(wǎng)絡(luò)的弊端在于它的高度特殊化、即所謂過適。

發(fā)明內(nèi)容
與此相對，本發(fā)明的用于人員保護(hù)措施的驅(qū)動方法及控制設(shè)備優(yōu)點(diǎn)在于，將現(xiàn)有技術(shù)下已知的內(nèi)核算法與一個分類方法結(jié)合，如此兩種方法的優(yōu)點(diǎn)得以互相補(bǔ)充。當(dāng)前采用支持向量機(jī)(SVM)作為
4分類器。SVM在實(shí)驗(yàn)室中訓(xùn)練。其提供多維分界面，例如，在觸發(fā)
區(qū)和非觸發(fā)區(qū)之間；也可能在不同的碰撞分類之間比如A C T 、ODB40kmh、 ODB64kmh、 56kFullFront、角度碰撞等。碰撞信號的分類是通過在實(shí)際運(yùn)行中比較碰撞數(shù)據(jù)與分界線對應(yīng)的支持向量而得出的。該分類對內(nèi)核算法產(chǎn)生影響，從而優(yōu)化內(nèi)核算法的觸發(fā)性能。
這帶來一系列優(yōu)點(diǎn)
1. 通過內(nèi)核算法與分類方法的結(jié)合保持對外接口的一致性，也就是說環(huán)境參數(shù)以及傳感器數(shù)據(jù)的采集，例如安全帶鎖以及人員保護(hù)3普施的驅(qū)動，均可以按照已有的原理實(shí)現(xiàn)。不必改變當(dāng)前的安全方案。
2. 通過與內(nèi)核算法的組合引入一個物理安全的復(fù)位級，適用于分類不成功的情況。
3. 通過SVM找分界面對不同的碰撞種類的劃分是最優(yōu)的。因此針對使用低成本的硬件的情況，該分界線的魯棒性是最好的。因此使應(yīng)用例如一個更簡單的、分辨率略差的傳感器裝置成為可能。
4. 總可以找到最優(yōu)的分界線或分界面，即分界函數(shù)。這就是人們常說的，總可以達(dá)到學(xué)習(xí)目標(biāo)。例如在人工神經(jīng)網(wǎng)絡(luò)中則不是這種情況。在人工神經(jīng)網(wǎng)絡(luò)中用于確定分界面的優(yōu)化算法可能掛起在局部最小值。分界函數(shù)的性能也可能非常差。通過支持向量優(yōu)化的特性則不再有這樣的問題。
5. 分類是通用可移植的。這在從屬權(quán)利要求中更加清楚地描述。
6. 通過應(yīng)用多于兩個的量綱可以同時結(jié)合多個碰撞信息。因此改善了分類質(zhì)量。
7. 可以用客觀質(zhì)量量化指標(biāo)評價基于學(xué)習(xí)的分類器，比如SVM。這樣可以將分類器的定量性能推廣到實(shí)例的性能評估中，并可以總結(jié)成數(shù)值。
8. 通過應(yīng)用的自動特性可以節(jié)省應(yīng)用時間，因?yàn)榉纸绾瘮?shù)的計(jì)
5算是自動實(shí)現(xiàn)的。
9. 通過應(yīng)用的自動特性可以實(shí)施多次數(shù)值實(shí)驗(yàn)，這對于使用者
來說不可查。通過增加例如FEM仿真數(shù)據(jù)或行駛動力學(xué)仿真 數(shù)據(jù)，可以將該應(yīng)用從現(xiàn)有應(yīng)用的碰撞室情景簡單地擴(kuò)展到 實(shí)況情景。
10. 支持向量機(jī)的分界函數(shù)可以代替多個附加函數(shù)。在標(biāo)準(zhǔn)應(yīng) 用過程中正確地選擇附加函數(shù)是費(fèi)時的。通過所提出的方法 可以節(jié)省時間。
11. 通過涉及驅(qū)動的決策算法的靈活性節(jié)省了分類計(jì)算時間， 節(jié)省的時間可以用于另外的計(jì)算、例如用于合并不同的附加函數(shù)。
12. 本發(fā)明方法能夠降低運(yùn)行時間，這同樣適用于簡單、低成 本的硬件。
13. 由于一些觸發(fā)判決的到達(dá)速度較慢，采用本發(fā)明方法可以 靈活地響應(yīng)碰撞中的事件。
本發(fā)明的核心是通過支持向量機(jī)對特征量或子特征向量進(jìn)行分 類。然后通過該分類影響內(nèi)核算法。該支持向量機(jī)基于統(tǒng)計(jì)學(xué)習(xí)方 法，在下面將對其進(jìn)一步詳細(xì)描述。
現(xiàn)將驅(qū)動理解為激活人員保護(hù)措施，比如安全氣嚢、安全帶拉 緊器、翻車保護(hù)弓架或激活常備的人員保護(hù)措施、例如制動器或行 駛動力學(xué)調(diào)節(jié)。
特征向量包含由一個事故傳感裝置的一個信號形成的至少兩個 特征量。例如如果信號是加速信號，可采用該加速信號本身或其一 次積分或其二次積分作為特征量。然后由其構(gòu)成所述向量，該向量 一方面進(jìn)入內(nèi)核算法，另一方面進(jìn)入支持向量機(jī)。在這里也可能僅 有一部分特征向量進(jìn)入支持向量機(jī)。其將通過子特征向量表示。這
也適合于相反情況，即特征向量進(jìn)入支持向量機(jī)，而僅有子特征向 量進(jìn)入內(nèi)核算法。
事故傳感裝置可以是在控制設(shè)備內(nèi)部和/或外部的加速度傳感
6裝置，也可以是固體聲傳感裝置。此外事故傳感裝置也可以是在汽 車側(cè)面的空氣壓力傳感裝置，或一個環(huán)境傳感裝置。另外還包括其 他專業(yè)人員通常采用的事故傳感裝置。信號可以是不同傳感器的一 個或多個測量值。
內(nèi)核算法是通過分析特征向量來做出驅(qū)動判決的算法。這主要 可以通過閾值判決實(shí)現(xiàn)。
分類即給特征向量分配一個確定的類別。該類別確定了如何影 響內(nèi)核算法。例如類別可以按照事故嚴(yán)重性，即事故對乘客作用的 強(qiáng)度進(jìn)行劃分，也可以按照碰撞類型或碰撞類型與碰撞嚴(yán)重程度的 組合進(jìn)行劃分。
所述影響將通過從屬權(quán)利要求詳細(xì)描述。其主要影響的是驅(qū)動 判決，也就是說所述分類的作用在于，在一個第一種情況下給出觸 發(fā)判決，若所述分類沒有產(chǎn)生所述影響則不給出所述觸發(fā)判決。
現(xiàn)將該控制設(shè)備理解為依據(jù)傳感器信號給出人員保護(hù)措施的驅(qū) 動判決的設(shè)備。該控制設(shè)備具有用于分析事故傳感裝置信號的單元。 在控制設(shè)備中也需要相應(yīng)的裝置來輸出該控制信號。
至少存在一個借助于硬件和/或軟件實(shí)現(xiàn)的接口 。例如軟件可以 在控制設(shè)備中的微控制器上構(gòu)成軟件模塊。
分析電路通常是一個微控制器，也可以是另一種類型處理器， 例如微處理器或信號處理器。此外，包含分析功能的集成電路，例
如ASIC,也可以用作分析電^各。分析電3各也可以由分立元件或上述
部件的組合構(gòu)成，也可能由多個處理器組成。對于獨(dú)立的任務(wù)，如 果分析電路采用一種如微控制器的處理器，或存在相應(yīng)的硬件模塊, 則分析電路具有相應(yīng)的軟件模塊。所述軟件模塊可以整合在一個單 獨(dú)的芯片上。
通過在從屬權(quán)利要求中提及的措施和改進(jìn)能夠有益地改善在獨(dú) 立權(quán)利要求中給出的用于驅(qū)動人員保護(hù)措施的方法。
優(yōu)點(diǎn)在于，內(nèi)核算法通過在至少二維的特征空間中將特征向量 與第一閾值進(jìn)行比較，來獲得驅(qū)動判決。所述內(nèi)核算法的訓(xùn)練過程
7是將該帶有至少兩個特征量的特征向量轉(zhuǎn)化到一個至少二維的特征 空間中并且在該特征空間中與 一 個閾值進(jìn)行比較，其中所述閾值也 可以是一個函數(shù)。因此實(shí)現(xiàn)了內(nèi)核算法不隨時間變化，其中所述特 征量可以采用例如減速度和該減速度的一次積分、即速度。也可以 使用另外的量，比如預(yù)位移，即減速度的二次積分。
此外優(yōu)點(diǎn)在于，所述分類通過依據(jù)所述分類改變第 一 閾值的方 式對內(nèi)核算法產(chǎn)生影響。通過所述閾值的變化，所述分類直接影響 決策的獲得，判斷是否應(yīng)當(dāng)驅(qū)動人員保護(hù)措施。所述閾值的變化可 以通過依據(jù)所述分類進(jìn)行增量或減量或通過用第二閾值代替第 一 閾 值的方法實(shí)現(xiàn)。其中所述第二閾值可以是存儲數(shù)據(jù)或通過計(jì)算獲得。
此外也有可能依據(jù)所述分類對內(nèi)核算法的影響進(jìn)行驅(qū)動判決的
可信度測試(Plausibilisierung)。根據(jù)所述分類判定是否存在觸 發(fā)人員保護(hù)措施的情況。該結(jié)果將與內(nèi)核算法的判決綜合在 一 起， 以獲得可靠的整體判決。此外也可能綜合其他附加函數(shù)。所述附加 函數(shù)包含如其他傳感器信號的處理或碰撞類型識別。
可信度測試即通過第二判決確認(rèn)或撤銷第 一判決。以此保證總 體上能夠有一個可靠的判決。
此外優(yōu)點(diǎn)在于，依據(jù)分類識別誤用并且在所述內(nèi)核算法中考慮 該誤用。誤用是一種不應(yīng)當(dāng)導(dǎo)致觸發(fā)人員保護(hù)措施的碰撞。如.此可 以防止內(nèi)核算法做出觸發(fā)判決。其可以依據(jù)各分類來確定。該分類 也可以用作對當(dāng)前誤用分類的補(bǔ)充。在此該分類也可以輔助修改誤 用閾值或用于如誤用可信度測試函數(shù)。
此外優(yōu)點(diǎn)在于，依據(jù)分類識別一個非常嚴(yán)重的碰撞。 一個非常 嚴(yán)重的碰撞通常必須激活所有必要的正面人員保護(hù)措施，包含安全 帶拉緊器和第一級以及第二級安全氣嚢。如果所述內(nèi)核算法分類為 驅(qū)動并且SVM分類為一個非常嚴(yán)重的碰撞，則SVM分類通過驅(qū)動電 路激活所有正面人員保護(hù)措施的驅(qū)動。
此外優(yōu)點(diǎn)在于，存在一個計(jì)算機(jī)程序，如果其在一個控制設(shè)備 上運(yùn)行，則其執(zhí)行按照權(quán)利要求1至7中任一項(xiàng)所述的本發(fā)明方法
8的所有步驟。該計(jì)算機(jī)程序最初以高級程序語言編寫，之后編譯為 機(jī)器可讀代碼。
此外優(yōu)點(diǎn)在于，具有程序代碼的計(jì)算機(jī)程序產(chǎn)品，其程序存儲 在機(jī)器可讀的栽體上，如半導(dǎo)體存儲器，磁盤存儲器或一個光存儲 器，如果在一個控制設(shè)備上執(zhí)行該程序，則執(zhí)行按照權(quán)利要求1至7 中任一項(xiàng)所述的方法。


在附圖中描述了本發(fā)明的實(shí)施例，下面詳細(xì)闡述本發(fā)明的實(shí)施例。
附圖示出
圖1具有所連接元件的本發(fā)明控制設(shè)備的框圖，
圖2在微控制器上的不同軟件模塊；
圖3本發(fā)明方法的第一流程圖4第一信號流程圖5第二信號流程圖6第三信號流程圖7第四信號流程圖8在SVM中兩個分類之間的分界線；
圖9在輸出空間中的分界線；
圖10在像空間中的分界線；
圖11用于闡述通過有針對性地同時施加輸入和輸出數(shù)據(jù)的訓(xùn)練 過程的簡圖。
具體實(shí)施例方式
本發(fā)明的核心是采用支持向量機(jī)(SVM)作特征向量的分類器。 這在下面詳細(xì)闡述。
下面描述對于兩個類別的SVM分類原理，例如用于區(qū)分需要觸 發(fā)人員保護(hù)措施和無需觸發(fā)人員保護(hù)措施的碰撞。原理上其可以很 容易轉(zhuǎn)換為多個類別的分類。
9在相關(guān)文獻(xiàn)中可以找到SVM的準(zhǔn)確描述(例如Cristianini Nel lo和Shawe-Yay lor 、 John的An introduct ion to support Vector Machines and other kernel-based learning methods或Hastie、 Trevor的The elements of statistical learning)。
多類支持向量分類例如在Schmkopf、 Bernhard等人的 "Extracting Support Data for a given Task, Proceedings of the First International Conference on Knowledge Disvovery and Data Mining, AAAI Press, Menlo Park, CA, 1995， 252-257頁"中有描 述。
在此僅僅定性描述原理。 線性分離
支持向量機(jī)是一個線性分離器。對此線性分界線有如下關(guān)系 /②H + ^ (1)
目標(biāo)是在兩個需分類的類別之間設(shè)置一個分界線，使得訓(xùn)練數(shù) 據(jù)的距離達(dá)到最佳(圖8)。在圖8中該分界線是粗實(shí)線84。兩個 細(xì)分界線80、 81雖然同樣起分類作用，可是魯棒性不是最佳的。僅 有分界線84具有最好的魯棒性，并且使在描述本發(fā)明優(yōu)點(diǎn)的第三條 中所述的使用更簡單低成本的硬件成為可能。
求分離類別的最優(yōu)直線在數(shù)學(xué)上稱作"線性邊界條件的二次問 題"?？梢酝ㄟ^二次編程算法有效求解線性邊界條件的二次問題("本 發(fā)明優(yōu)點(diǎn)，，第三條)。(例如參見"R. Vanderbei、L0Q0的an interior Point Code for Quadratic Programming" ) 。 ^j"jt匕最大4尤;、在于 總可以通過該算法找到最優(yōu)解。不存桂起在最優(yōu)化的局部最小值的 危險("本發(fā)明優(yōu)點(diǎn)"第四條)。得到的最優(yōu)化結(jié)果是如圖8中所 示的特性曲線。
在數(shù)學(xué)中通過所謂的"對偶形式"描述等式(1): /(1) = ￡乂化.、，x + 6 (2)
兩式是等價的。其中yi是訓(xùn)練日期i (通常為+l或-1)的分類歸
屬度，xi表示所謂的支持向量，x是例如在碰撞中需要分類的特征量。在圖8中支持向量是處于虛線82、 83上的特征量。其在一定程 度上表示"最接近另外的分類"的支持向量。如果考慮等式(2)， 則目前還沒有探討因數(shù)ai、所謂的拉格朗日因子。其中因數(shù)oci僅對 于支持向量不為零。換句話說這意味著等式(2)只能在支持向量點(diǎn) 進(jìn)行分析。還必須清楚在碰撞期間增加的新特征不需要再依據(jù)圖8 中示出的總分界線粗實(shí)線84進(jìn)行分析，而只需要根據(jù)在虛直線82、 83上的支持向量進(jìn)行分析。通過該方法可以保持較少的支持向量數(shù) 目，從而對ECU中的計(jì)算復(fù)雜性起到限制作用。
總而言之可以說貫穿訓(xùn)練過程的支持向量算法始終可以找到 兩個類別的一個最優(yōu)的，即魯棒性最好的分界線。在訓(xùn)練之后，在 測試時或在碰撞時產(chǎn)生的特征量不是根據(jù)總分界線來分析，而是僅 根據(jù)(明顯少得多的)支持向量來分析。
非線性分離
在實(shí)際中分類通常不能線性的分離，而只能通過非線性分界線 進(jìn)行分離。因此需要使用所謂的"內(nèi)核技巧"。通過適當(dāng)?shù)慕柚?內(nèi)核的變換可以將圖9中的輸出空間(xl、 x2),即通過圖7中三 個特征量(1…3)中的兩個特征所描述的輸出空間，轉(zhuǎn)化至圖10中 的所謂像空間(zl、 z2、 z3)。以90表示在輸出空間中的非線性分 界線且以IO表示在圖IO中對應(yīng)的線性分界線。
特征量在像空間中可進(jìn)行線性分離(參見圖9和10)并且可以 重新使用等式2:用于在像空間中找到最優(yōu)線性分界線的算法，其始 終最優(yōu)收斂。內(nèi)核技巧具有如下優(yōu)點(diǎn)不明確在像空間的變換，也 就是說實(shí)際上不在像空間內(nèi)進(jìn)行計(jì)算。只是應(yīng)用數(shù)學(xué)的"核函數(shù)" 來實(shí)現(xiàn)像空間內(nèi)的線性可分離性。與此相對，計(jì)算仍然在輸出空間 內(nèi)進(jìn)行。等式(2)對于非線性情況變?yōu)?br> 核函數(shù)k(xi, x)必須滿足一些數(shù)學(xué)前提條件，這些前提條件從 例如Cr is t ianini 、 Nel lo和Shawe-Taylor、 John的 "An introduction to support vector machines and other kernel—basedlearning methods"中獲得。通常采用如下標(biāo)準(zhǔn)內(nèi)核作核函數(shù) -徑向基內(nèi)核 -多項(xiàng)式內(nèi)核 -S形內(nèi)核
明確指出，已描述的發(fā)明與核函數(shù)無關(guān)。
正如從等式(3)可以簡單推斷出的，通常非線性的核函數(shù)k(x x)也必領(lǐng)供S力千古括南普i+罝—又十千徑向基內(nèi)核的實(shí)例有
A:(x,.力=exp
X^' 一 x <7
(4)
這意味著特征量x的距離只能參照支持向量xi進(jìn)行計(jì)算。在控 制設(shè)備中e函數(shù)可以通過例如泰勒近似法確定或通過查表實(shí)現(xiàn)。在 等式(4)中參數(shù)a有可能影響分類器的魯棒性并因此影響支持向量 的數(shù)目。
總而言之可以說，通過應(yīng)用內(nèi)核技巧也可以將非線性特性曲線 進(jìn)行最優(yōu)分離，不需要在像空間內(nèi)明確執(zhí)行變換。對此僅需依據(jù)支 持向量分析核函數(shù)以及用于分離的公式(3)。
松他變量
通過應(yīng)用所謂的松弛變量可以進(jìn)一步提高分類的魯棒性。在一 些情況下采用松弛變量可以引入對錯誤分類的容忍度。為此以 一 個 系數(shù)C加權(quán)累加錯誤分類的特征
G = C.K (5).
因?yàn)檫@是有益的其優(yōu)點(diǎn)在于， 一 個分類的錯誤劃分可以比另一 個分類的錯誤劃分受更重的懲罰(例如容忍度在把需要觸發(fā)人員保 護(hù)措施分類為無需觸發(fā)人員保護(hù)措施的情況下相較于其相反情況更
高)，等式(5)擴(kuò)展為
G = +C{_1}》C{+1}' (6)
等式(6)的結(jié)果在于，種類-1 (也就是例如"無需觸發(fā)人員保
12護(hù)措施")的錯誤分類比種類+ 1 ("需要觸發(fā)人員保護(hù)措施")的 錯誤分類權(quán)重大的多。錯誤分類的容許也可影響支持向量的數(shù)目并 因此間接影響計(jì)算時間。在使用松弛變量的情況下可引入關(guān)于其數(shù) 據(jù)的先驗(yàn)數(shù)據(jù)。如果預(yù)知該數(shù)據(jù)差異非常大，則可以容忍錯誤分類。 訓(xùn)練
與所有基于學(xué)習(xí)的方法相同，支持向量機(jī)在實(shí)際控制設(shè)備使用 之前也要進(jìn)行訓(xùn)練階段(參見圖11)。這是脫機(jī)進(jìn)行的。其用于確 定支持向量，并將該支持向量存放在控制設(shè)備中。在訓(xùn)練時分別給
每個分類器111成對地分配輸入數(shù)據(jù)110和輸出數(shù)據(jù)112。輸入數(shù)據(jù) 可以是圖7中的三個特征量。輸出數(shù)據(jù)可以是例如所希望的觸發(fā)時 間。必須注意，在訓(xùn)練時應(yīng)采用均衡的碰撞設(shè)置并且考慮常用的魯 棒性原則，例如測量幅度變量和偏移變量。
在訓(xùn)練時確定的支持向量接下來必須存放在控制設(shè)備中。
驗(yàn)證
碰撞數(shù)據(jù)往往是不夠的，尤其是在以前的安全氣嚢方案設(shè)計(jì)階 段。通過交叉驗(yàn)證方法可以加大訓(xùn)練量并且提高分類的可靠性。在 交叉驗(yàn)證中現(xiàn)有的碰撞設(shè)置被劃分為子集。所述子集一部分用作訓(xùn) 練數(shù)據(jù)，另外一部分用于評價分類質(zhì)量。所述方法中最著名的是留 一法交叉驗(yàn)證，在該方法中，始終保留一組數(shù)據(jù)用于校驗(yàn)，而之前 將其他所有數(shù)據(jù)用于訓(xùn)練。如果在總數(shù)據(jù)組中對這一校驗(yàn)數(shù)據(jù)進(jìn)行 排列更換，則可以獲得很多分類校驗(yàn)結(jié)果，并且根據(jù)統(tǒng)計(jì)分析可以 確定在"本發(fā)明優(yōu)點(diǎn)"的第7條中描述的分類器的質(zhì)量指標(biāo)。此夕卜 借助于交叉驗(yàn)證在質(zhì)量指標(biāo)的基礎(chǔ)上優(yōu)化分類參數(shù)，例如等式(4)
中的CJ。
圖1描述了具有連接元件的本發(fā)明控制設(shè)備SG框圖。該控制設(shè) 備SG分布在汽車FZ中，在該控制設(shè)備SG上連接了不同的元件。為 了理解本發(fā)明僅僅示范性示出了不僅在控制設(shè)備外部而且也在控制 設(shè)備內(nèi)部也必要的元件。
在該控制設(shè)備SG上連接了不同的事故傳感器比如固體聲傳感裝
13置KS、加速度傳感裝置BS1、壓力傳感裝置DS和環(huán)境傳感裝置US。 另外可以附加或替代連接的傳感器有行駛動力學(xué)傳感器和/或轉(zhuǎn)速 傳感器。在汽車FZ中的不同安裝位置是本領(lǐng)域?qū)I(yè)人員所知曉的。 固體聲傳感裝置和加速度傳感裝置BS1連接在第一接口 IF1上，其 中接口 IF1把這些信號提供給分析電路，即微控制器iaC?？諝鈮毫?傳感裝置DS和環(huán)境傳感裝置US連接至第二接口 IF2,該接口把這些 信號提供給微控制器HC。
空氣壓力傳感裝置DS安裝在汽車側(cè)面并且用作側(cè)面碰撞感應(yīng)。 環(huán)境傳感裝置US可以包含不同的環(huán)境傳感器、比如雷達(dá)、LIDAR、 視頻圖像或超聲波，以便相對碰撞對象分析汽車的周圍環(huán)境。微控 制器ia C從在控制設(shè)備SG內(nèi)部的加速度傳感裝置BS2獲得另外的傳 感器信號。更多的傳感器可以處在控制設(shè)備內(nèi)部并且給微控制器U C 輸出信號。行駛動力學(xué)傳感器和固體聲傳感裝置可以視為這類傳感 器。
控制設(shè)備SG具有一個外殼，其可以由金屬和/或塑料制造。微 控制器MC本身具有內(nèi)部存儲器，但也可以使用處在控制設(shè)備SG中 的外部存儲器。借助于處在存儲器中的內(nèi)核算法，微控制器mC分析 由事故信號特征量構(gòu)成的特征向量并判斷，是否應(yīng)當(dāng)驅(qū)動人員保護(hù) 措施PS，所述人員保護(hù)措施PS是通過驅(qū)動電路FLIC驅(qū)動的。為此 通過支持向量機(jī)以特征向量的分類來影響所述內(nèi)核算法。這種影響 可以使判決更準(zhǔn)確并且恰當(dāng)。
也可以使用多于或少于所示出的傳感器。接口 IF1和IF2到微 控制器jaC的通信可以通過例如控制設(shè)備內(nèi)部總線SPI (串行外設(shè)接 口總線)實(shí)現(xiàn)。微控制器nC和驅(qū)動電路FLIC之間的通信可以采用 SPI總線。控制電路FLIC包括多個集成電路，其相當(dāng)于功率開關(guān)， 并且在驅(qū)動情況下使電流流過人員保護(hù)措施PS的啟動或驅(qū)動元件。 所述驅(qū)動電路可以具有不同表現(xiàn)形式，其可以由一個或多個集成電 路和/或分立元件組成。
圖2是對于本發(fā)明的功能必要的軟件模塊，其位于微控制器"C
14中的分析電路中。微控制器JiC通常具有一個自身的存儲器。但也可
以有通過線路與微控制器M C連接的存儲器。接口 IF3用于連接加速 度傳感裝置BS2并且提供該加速度傳感裝置BS2的信號。該信號一 方面由特征模塊M接收，所述特征模塊從事故傳感裝置的信號中得
出特征量并且由特征量構(gòu)成特征向量，比如該信號是加速度信號， 該模塊M從中通過簡單的積分確定速度之后由加速度和速度構(gòu)成一 個二維特征向量。
所述特征向量也可以是多維的特征向量，其維數(shù)依賴于輸入特 征量的個數(shù)，所述特征向量一方面進(jìn)入包含支持向量機(jī)的SVM模塊， 另 一方面進(jìn)入內(nèi)核算法K。特征模塊M可能僅給SVM模塊提供一個子 向量，因?yàn)閮H有一部分特征需要分類。對于內(nèi)核算法也是如此。該 SVM模塊采用支持向量機(jī)機(jī)對特征向量分類。該分類結(jié)果也同樣被提 供給內(nèi)核算法K。所述分類結(jié)果也可能被提供給另外在此未示出的模 塊。例如分類結(jié)果可以用于判斷由其他子算法獲得的觸發(fā)判決的可 信性。也可以考慮將分類結(jié)果用于控制其他算法的消除。例如可以 考慮有針對性地接通或斷開功能性。內(nèi)核算法僅通過該分類結(jié)果影 響特征模塊的分析，是否應(yīng)當(dāng)驅(qū)動人員保護(hù)措施PS。如果做出應(yīng)當(dāng) 驅(qū)動人員保護(hù)措施的判決，則激活模塊A來進(jìn)行驅(qū)動，通過微控制 器pC的硬件產(chǎn)生一個驅(qū)動信號并傳輸給驅(qū)動電路FLIC。該傳輸在 其通過SPI總線實(shí)現(xiàn)時是特別安全的。
圖3是本發(fā)明方法的第一流程圖。在方法步驟300中提供事故 傳感裝置、環(huán)境傳感裝置和/或行駛動力學(xué)傳感裝置的信號。更確切 地說是通過接口 IF1、 IF以及IF3提供所述信號。然后方法步驟301 由所述信號按照上面描述的方式構(gòu)成特征向量。該特征向量完全進(jìn) 入內(nèi)核算法303并且完全或部分進(jìn)入支持向量機(jī)302。支持向量機(jī)將 特征向量或子特征向量分類，并且把分類結(jié)果傳輸給內(nèi)核算法303。 內(nèi)核算法303依據(jù)特征向量和分類結(jié)果作出人員保護(hù)措施PS的驅(qū)動 的判決。然后在方法步驟304中實(shí)現(xiàn)驅(qū)動。
圖4是又一個信號流程圖。在方框400中提供特征向量，并將其且提供給內(nèi)核算法401使用，其由加速度或者減速度A和速度DV 中建立一個二維判決空間，其中A標(biāo)注在橫坐標(biāo)上，DV標(biāo)注在縱坐 標(biāo)上。閾值408使觸發(fā)情況403和非觸發(fā)情況402分離。將特征向 量標(biāo)識在該判決空間內(nèi)并檢查，所訴特征向量是否超過閾值408或 低于閾值408。然后根據(jù)情況實(shí)現(xiàn)驅(qū)動任務(wù)，更確切地說在方框406 上實(shí)現(xiàn)驅(qū)動任務(wù)。與此并行的是特征向量400被提供給方框404中 的支持向量機(jī)SVM，在方框4(M中支持向量機(jī)進(jìn)行分類。該分類影響 例如閾值408。在方框405中可以依據(jù)分類來進(jìn)行可信度測試，也就 是說會檢查該分類是否表明存在觸發(fā)情況。可信度測試的結(jié)果和內(nèi) 核算法401的結(jié)果在方框406中結(jié)合。如果這種結(jié)合表明一個驅(qū)動 情況，則在后續(xù)方框407中實(shí)現(xiàn)驅(qū)動。圖5是又一個信號流程圖。圖中僅示出一部分。支持向量機(jī)500 將其分類提供給一個檢索算法501，其在查詢表中檢索并加載與分類 相關(guān)的閾值，然后提供給內(nèi)核算法502。圖6是信號流程圖的另一部分。支持向量機(jī)再次對特征向量分 類。這在方框601中導(dǎo)致閾值的增減，所述閾值供給內(nèi)核算法602， 如此在所述閾值603中引入了增量604。圖7指出了本發(fā)明方法的信號流程圖。從事故傳感裝置的信號 中產(chǎn)生的特征量Ml-3被供給支持向量機(jī)70,用于對由特征量Ml-3 構(gòu)成的特征向量進(jìn)行分類。內(nèi)核算法做出驅(qū)動判決的依據(jù)是如下全 部特征量特征量M1-3或特征量M1-3的子集和可能的其他由不同 傳感器供給內(nèi)核算法71的特征量。驅(qū)動判決也受支持向量機(jī)70的 分類的影響。例如通過依據(jù)分類改變閾值引入這種影響。對此各分 類可能導(dǎo)致一個預(yù)定的增量或減量或?qū)τ诟鞣诸惣虞d各自閾值。自身的可信度測試判決也可以附加或代替地從分類中得出，之 后將所述可信度測試的結(jié)果和內(nèi)核算法的判決彼此結(jié)合，以便最后 做出驅(qū)動判決。
權(quán)利要求
1.用于驅(qū)動人員保護(hù)措施(PS)的方法，其中特征向量(M)由事故傳感裝置(BS1、BS2、DS、U)的至少一個信號的至少兩個特征量構(gòu)成，其中內(nèi)核算法(K)依據(jù)所述特征向量(M)或一個第一子特征向量來驅(qū)動人員保護(hù)措施(PS)，其特征在于，通過支持向量機(jī)(SVM)對所述特征向量(M)或一個第二子特征向量進(jìn)行分類，并且通過該分類影響所述內(nèi)核算法(K)。
2. 按照權(quán)利要求1所述的方法，其特征在于，所述內(nèi)核算法(K)在 一個至少二維的特征空間內(nèi)通過比較第 一 閾值與所述特征向量(M)或所述第一子特征向量對所述驅(qū)動給出判決。
3. 按照權(quán)利要求2所述的方法，其特征在于，所述分類通過依據(jù)所 述分類所改變的所述第一閾值影響所述內(nèi)核算法(K)。
4. 按照權(quán)利要求3所述的方法，其特征在于，通過增量或減量或通 過用第二閾值代替所述第 一 閾值來改變所述第 一 閾值。
5. 按照上述權(quán)利要求中任一項(xiàng)所述的方法，其特征在于，依據(jù)所述 分類進(jìn)行驅(qū)動的可信度測試，所述內(nèi)核算法(K)在驅(qū)動時考慮該 可信度測試。
6. 按照上述權(quán)利要求中任一項(xiàng)所述的方法，其特征在于，依據(jù)所述 分類識別誤用，并且所述內(nèi)核算法(K )在所述驅(qū)動時考慮該誤用。
7. 按照上述權(quán)利要求中任一項(xiàng)所述的方法，其特征在于，依據(jù)所述 分類識別 一 種非常嚴(yán)重的碰撞。
8. 按照權(quán)利要求7所述的方法，其特征在于，所述支持向量機(jī)(SVM) 允許錯誤分類，不同類別的所述錯誤分類有不同的權(quán)重。
9. 用于驅(qū)動人員保護(hù)措施的控制設(shè)備(SG):-至少一個接口 (IF1、 IF2、 IF3),其提供至少一個事故傳感裝 置的一個信號；-一個分析電路(jaC)，其以至少一個信號的至少兩個特征形成一 個特征向量，其中該分析電路(iaC)具有一個內(nèi)核算法(K),其依據(jù)所述特征向量(M)或一個第一子特征向量驅(qū)動人員保護(hù)措 施(PS),其特征在于，所述分析電路(nC)具有一個支持向量 機(jī)(SVM),其對所述特征向量(M)或一個第二特征向量進(jìn)行分 類，并且依據(jù)該分類影響所述內(nèi)核算法(K)。
10. 在運(yùn)行在控制設(shè)備(SG)上時，執(zhí)行按照權(quán)利要求1至8中任 一項(xiàng)所述的方法的所有步驟的計(jì)算機(jī)程序。
11. 具有程序代碼的計(jì)算機(jī)程序產(chǎn)品，所述程序代碼存儲在機(jī)器可讀 的載體上，如果在一個控制設(shè)備(SG)上執(zhí)行該程序，則執(zhí)行按 照權(quán)利要求1至8中任一項(xiàng)所述的方法。
全文摘要
本發(fā)明提出一個用于驅(qū)動人員保護(hù)措施的控制設(shè)備和方法，其中特征向量由事故傳感裝置的至少一個信號的至少兩個特征量構(gòu)成。通過內(nèi)核算法依據(jù)特征向量或第一子特征向量驅(qū)動人員保護(hù)措施。通過支持向量機(jī)(SVM)對特征向量或第二子特征向量進(jìn)行分類，并且通過該分類影響內(nèi)核算法。
文檔編號B60R21/01GK101678803SQ200880019860
公開日2010年3月24日 申請日期2008年5月16日 優(yōu)先權(quán)日2007年6月15日
發(fā)明者A·德爾, M·希默 申請人:羅伯特·博世有限公司