CN101506001B - 用于控制人身保护装置的方法及装置 - Google Patents

Abstract

本发明提出用于控制人身保护装置的一种装置和一种方法，其中，通过一分析处理电路由至少一个信号构成一具有至少两个特征的特征向量。该分析处理电路借助至少一个类界限在相应的维中分类该特征向量。其中，该分析处理电路产生一控制信号，其中，一控制电路根据该控制信号来控制所述人身保护装置。

Description

用于控制人身保护装置的方法及装置

技术领域

本发明涉及根据独立权利要求的类型的、用于控制人身保护装置的装置及方法。 

背景技术

由DE 10360893A1已公知：根据一个预偏移与一个阈值的比较来控制人身保护装置。该阈值根据速度下降及一个延时来调节。速度下降及延时展开一个两维的特征空间，该特征空间被阈值分成两个区域。这两个区域表征了对于控制人身保护装置重要的类，其中，所述阈值代表类界限。 

发明内容

相比之下，根据本发明的用于控制人身保护装置的装置或根据本发明的用于控制人身保护装置的方法具有其优点，即，类界限的使用不被限制在一个两维或三维的特征空间上。尤其可在大于三维的空间中使用特征的关联。类归属通过一个非线性函数与一些特征值的线性组合来确定。因此该方法可在一个控制器上被很好的计算或再现。借助根据本发明的装置及根据本发明的方法可很好地求解复杂的分类任务。根据本发明的方法优选地使用所谓支持向量机(SVM)算法。该算法通过统计学习理论很好地奠定了基础。类界限的确定通过一个可分析求解的优化问题得到，使得该过程可自动地、无需附加的专家知识地被计算机、尤其是可构造为微控制器的分析电路执行。在此情况下仅有少量参数必需由用户、即由应用工程师来调整。因此无需大的花销即可适配于与事故识别相关的不同分类问题。根据本发明方法的分类质量很高。通过在类界限求解时的调整，根据本发明的方法可利用附加的自由空间。根据本发明的方法具有高的泛化能力。这就是说，不存在这样的风险，即：判断方法过强地以在应用期间所使用的数据组(训练数据组)被优化，以及由此对于未包括在训练数据集中的迄今未知的数据提供差的分类能力。

根据独立权利要求，特征向量至少是两维的。为了分类，将该特征向量与类界限比较。如果该特征向量位于一个相应的类内，则该特征向量被归于该类。 

事故传感装置可包括多个事故传感器，也可包括不同的类型。用于事故传感装置的接口可按硬件或按软件来实施。尤其是按软件实施的接口可出现在分析处理电路、尤其是微控制器上。也可使用其它的处理器或ASICs替代微控制器μC来作为分析处理电路。并且控制电路可作为集成电路出现在用于控制人身保护装置的控制器中。总之，本装置可被设置为用于控制人身保护装置的控制器或组合在用于控制安全装置的控制器中。在此情况下，该用于控制安全装置的控制器也可控制行驶动力调节装置。 

通过从属权利要求中所述的措施及进一步构型，可是现在独立权利要求中给出的用于控制人身保护装置的装置或在独立权利要求中给出的用于控制人身保护装置的方法的有利的改进方案。 

一个或多个类界限可在准备阶段就确定出。为此优选使用支持向量机(SVM)的以数据为目标的模型化方法。该方法例如已由Berhard 

及Alex Smola的著作：Learning with kernels.MIT Press，Cambridge，MA，2002所阐述。对其将在下面简短的描述。 

特别有利的是，类界限从一存储器中加载。也可变换地，类界限借助至少一个训练向量(Trainingsvektor)及借助一个核函数来确定。该专门的训练向量在支持向量机中是一个所谓的支持向量，该支持向量如下所示地在约束条件下用作确定的解，用于确定一个函数的最小值。对于解的确定，这些特征必需是这样的，即，这些特征可用直线形式的简单类界限被分开或在较高维的输入数据的情况下可用一个超平面被分开(即在这两种情况下均为线性可分的)。如后面将详细描述地，核函数可以使这些特征内隐地置入一个这种线性可分的表达中，而无需明显地及由此高计算花销地来执行该步骤。支持向量机的该方法实现了一个高效及可良好再现的方法，以便构成一个控制算法。尤其可以借此来求解复杂的分类任务。首先，该支持向量机方法使得在根据现有技术的求解时必需的专家知识可减至最小或甚至完全被取消。这也使得算法容易被看清及被解释。用于类界限的表达 (特性曲线)的资源需求减小及应用花销降低。 

此外有利的是，所述分类二元地进行。这可简单地被实施及可通过使用树形结构逐步细化地进行分类。在此情况下，在分支上分别设有二元分类器。因此可以使复杂的分类问题通过这些二元分类器的积木式组合来实现。通过去除树内不必要的二元分类器可使根据本发明的方法或根据本发明的装置被简化到有利的程度。在极端情况下则归于一个简单的二元分类器。 

在此情况下，可以以有利的方式并行地使用两个或多个相同类型或不同类型的分类树。由此一个树例如可确定碰撞严重度及另一树可与此无关地确定碰撞类型。以后这又被逻辑运算，以便找到正确的控制。 

此外有利的是，每个树对应一确定的防护装置。例如可以是，第一树对应安全带的控制及第二树对应气囊的控制。当这两个树使用简单的各个二元分类器，这些二元分类器仅识别类“触发”或“不触发”时，尽管如此仍可以以此方式实现防护装置的不同控制。因此，防护装置的控制根据由分类器求出的事故状态来进行。在一个简单的“触发/不触发”分类器的情况下在识别出类“触发”时，控制信号例如使得一个相应的人身保护装置立即被致起作用。 

在一个要求更高的形式中，控制信号共同使用例如关于碰撞类型及碰撞严重度的信息。为此，在一个专门的表格中对于这两个参数的每个组合存储了将被致起作用的人身保护装置的一定的组合。 

为了求解所述多于两个类的分类问题，除了以上示范性所述的方法外还可使用其它方法。上面给出的 

等人的参考文献还给出了如何能以有利的方式方法求解这种多类问题的其它方法。这些方法在该文献中以名称“One versus the rest(OVR)”，“对偶分类”，“纠错输出编码”及“多类目标函数”而公知。 

对于在事故识别及分类的范围中特殊的问题提出可以仅提供一确定类的训练数据。其任务则在于确定：通过测量所确定的特征向量是否属于该类的一个事件。这相应于一个所谓的单类分类器。对此也能以有利的方式方法使用根据本发明的方法及尤其是支持向量机算法。其中可典型地通过一个参数V来调节品质或灵敏度。例如在误使用事件的分类的情况下就是这种情况。因为误使用事件、即非触发情况比碰撞试验容易进行得多及成本低得多，在碰撞试验时机动车被损坏，通常产生大量的这种试验数据。借助单类分类器可以构建一个误使用识别系统。这就是说，位于该类外部的所有特征向量均为触发情况。 

有利地，用于产生连续值的回归可用于分类。这尤其在这样的分类的情况下是有利的，即，该分类描述一定特性的持续增长，例如当这些类描述碰撞严重度或碰撞速度时。其优点在于，在这种情况下系统的输出不仅包括离散数值，而且还包括一个连续的值范围中的实数值。相应的方法在上述 

等人的著作中也有记载。然后这个或这些数值又可通过表格对应于人身保护装置的一个确定的触发模式。 

有利地，从所述至少一个信号的一时间片求出所述至少两个特征。为此，在一定的时间上、即在片长度上以某种关联来考察各个传感器的信号，这些信号已被预处理、例如被滤波或积分。特征向量由刻画该片内的信号的特征的量组成。这些量例如可为传感器数据的平均值、方差或高次矩、一次积分、二次积分、子波分析的系数、傅里叶分析的系数，电码的变址值，如果在片内的输入数据上使用向量量子化的话。同样可确定多项式回归的系数。在此情况下，所述一个或多个被选择的特征量可在一个步骤中在片结束时刻来确定或也可连续地或递归地随着数据、即信号的输入来确定。在极端情况下也可以补偿传感器采样时间的片长度T，使得在每个数据块中正好包含仅一个数据值，然后该数据值相应地被转换为特征向量。特征向量也可包含具有选择性地不同传感器原理的各个传感器的相应已被处理的数据。如果使用不同的片，这些片也可重叠或在时间上彼此分开。 

有利的是，特征向量的使用使得该特征向量的特征可由不同传感器的信号构成。因此可全面地描述事故事件。 

有利地，具有一个计算机程序，它在所述控制器、尤其是所述分析处理电路、例如一个微控制器上运行。可用面向目标的语言或其它常见的语言来写该计算机程序。该计算机程序尤其可作为计算机程序产品出现在数据载体上、例如硬盘、电子存储器如EEPROM上，或出现在磁-光学的数据载体或光学的数据载体如DVD或CD上。 

本发明的实施例示出在附图中及在以下的说明中被详细地描述。 

附图说明

附图表示： 

图1：根据本发明装置的框图， 

图2：微控制器的软件结构， 

图3：根据本发明方法的流程图， 

图4：根据本发明方法的数据流程图， 

图5：根据本发明方法的另一个数据流程图， 

图6：一个片结构(Blockstruktur)，及 

图7：一个树状结构。 

具体实施方式

以下将描述支持向量机算法的基本构思，该算法可优选用于根据本发明的方法。 

SVM算法在最简单的情况下能够执行二元的分类，这就是说，基于由数据向量组成的训练数据组将一个未知的数据向量归于两个类中的一个。因为两个类不是必然地可通过一个直线形式的简单类界限或在高维的输入数据的情况下通过一个超平面(即在这两种情况下都是线性地)被分隔开，这些输入数据必需通过一个变换被映射到一个可以进行这种分隔的高维特征空间中。在原始空间中该分隔超平面又相应于一个非线性的分隔面。 

该SVM算法现在借助一个核函数就能够计算该分隔面，而无需事先进行向特征空间中的映射。这大大减小了对计算能力的要求，使得在许多情况下(主要是具有高维特征空间的情况)执行分类在技术上第一次变得可能。因为在输入数据空间中非线性的分隔面在任何情况下都可追溯到特征空间中的一个线性的分隔面，因此很好地达到了该分类方法的泛化能力。 

因为在文献中可找到该方法的详细描述(例如；Berhard 

Alex Smola.Learning with kernels.MIT Press，Cambridge，MA，2002)，在这里仅给一个简短的概述。 

一个简单的例子：具有两个可被线性分隔的类，即通过一个类界限来分隔，该类界限以一个直线(在两维特征空间中)的形式或在高维特征空 间中以一个平面或超平面的形式存在。一个训练数据集的每个特征向量x_i可与类信息y_i组合为一个数据对z_i。这两个类对应于值+1及-1，其中，+1可代表触发碰撞及-1代表不触发碰撞。 

即： 

数据对z_i＝(x_i，y_i)，其中1≤i≤l 

其中， 

y_i∈{-1，+1}给出类信息及x_i表示各个多维的特征向量。在两个类之间的一个线性多维分隔面(超平面)则具有以下形式： 

f(x)＝W^τx+b 

于是有： 

w^τx_i+b≥1，如果y_i＝1(类1) 

w^τx_i+b≥-1，如果y_i＝-1(类2) 

归纳为： 

y_i(w^τx_i+b)≥-1 

现在精确地求解这样一个超平面，对于该超平面，类1与2之间的间隔m(“margin”)为最大(“maximal margin”)。正是该超平面最佳地将这两个类分隔开以及具有最好的泛化特性。 

被归一化的间隔可表达为： 

$m=\frac{1}{\left|w\right|}$

现在，最大间隔是这样的，即：对于该最大间隔，下列函数为最小值： 

$E\left(w\right)=\frac{1}{2}{\left|w\right|}^2$

因此，类边界的确定可归为下述任务： 

在正确分类训练数据的约束条件下，即：在 

y_i(w^τx_i+b)≥1，其中1≤i≤l的约束条件下，使 

最小化。 

这是一个标准问题(以线性不等式为约束条件来最小化一个二次函数)及可用相应的方法来求解。 

可作为拉格朗日函数表述为： 

$L(w,b,a)=\frac{1}{2}{\left|w\right|}^{2-}\underset{i=1}{\overset{1}{\mathrm{\Σ}}}{a}_i(y_i(w^{\mathrm{\τ}}{x}_i+b)-1),$ 其中，a_i是拉格朗日乘数。 

根据Karush-Kuhn-Tucker(KTT)理论得到以下对于不等式约束条件的附加条件： 

对于w，b和a_i的最佳值，用w^*，b^*及a^*表示，有： 

a^*(y_i(w^τx_i+b^*)-1)＝0，其中1≤i≤l 

这就是说，NB(约束条件)被满足，或者，所属的拉格朗日乘数为零(KTT互补条件)。这是一个极其有利的特性。它清楚地表明：仅是特征向量的一部分对于确定类边界真正作出有价值的贡献及必需被考虑，即正好是这样的一部分特征向量，对于该部分特征向量，拉格朗日乘数不等于零。这些向量被称为支持向量。在这些支持向量中，以压缩的形式存在着关于最优超平面的信息。 

通过变换，最优超平面的求解可被描述为“二元优化问题”，这仅与特征向量x_i的数量积有关： 

$L\left(a\right)=-\frac{1}{2}\underset{i,j=1}{\overset{1}{\mathrm{\Σ}}}{a}_i{a}_j{y}_i{y}_j{x}_i^T{x}_j+\underset{i=1}{\overset{1}{\mathrm{\Σ}}}{a}_i=-\frac{1}{2}{a}^T\mathrm{Ka}+1^{T}a$

该式可用二次方编程的标准方法来求解。 

对于实际应用上式还必需被扩充。在由真实的碰撞数据组产生的训练特征向量中总是可能包含一些点，这些点不可被分隔开或落在所述间隔的区域中(例如由于测量误差)。为了尽管如此还得到解，必需在NB中引入一个偏移变量ξ(“slack variable”)，该偏移变量ξ相对这些有误的训练数据引入一个容差。相关的等式则为： 

y_i(w^Tx_i+b)≥1-ξ_i≥0。 

待最小化的函数则可表达为 

式中C可被理解为噪声参数，它限制训练数据值对类界限的影响。 

该二元优化问题的拉格朗日函数则相应地如再上面所述地得到。 

典型的例子： 

可线性分隔的情况在用于控制防护装置的分类问题时却很少出现。特征向量更频繁地构成一种排列，该排列仅可通过非线性的类界限被分到所属的类中。此问题可这样地被避开，其方式是，进行向更高维特征空间E的映射Φ(x)：R”→E，在该更高维特征空间中则又是线性可分的。相应地，待求解的拉格朗日函数为： 

$L\left(a\right)=-\frac{1}{2}\underset{i,j=1}{\overset{1}{\mathrm{\Σ}}}{a}_i{a}_j{y}_i{y}_j(\mathrm{\Φ}\left(x_i\right),\mathrm{\Φ}\left(x_j\right))+\underset{i=1}{\overset{1}{\mathrm{\Σ}}}{a}_i$

原有的数量积(x_i，x_j)由特征空间中的数量积(Φ(x_i)，Φ(x_j))来替代。 

这里，SVM的一个重要优点会起作用。在SVM中根本不用进行映射Φ(x)：R”→E。取而代之地使用数量积的一个确定特性，该特性由Mercer定理得到。相应地，在一定条件下数量积(Φ(x_i)，Φ(x_j))可由提供同一结果的所谓的核函数k(xi，xj)来代替。因此可放弃向更高维空间的映射，取而代之的是直接在低维特征空间中来计算其解。称该方案为“核技法”。 

作为核函数(英文为：kernels)例如可考虑： 

高斯核函数： $k(x_i,x_j)=\exp (-\frac{{\left|\right|x_i-x_j\left|\right|}^2}{c})$

多项式核函数：k(x_i，x_j)＝((x_i ^Tx_j)+θ)^d

Sigmoid核函数：k(x_i，x_j)＝tanh(κ(x_i ^Tx_j)+θ) 

反演二次方核函数(Invers-multi-quadratischer Kern)： 

$k(x_i,x_j)=\frac{1}{\sqrt{{\left|\right|x_i-x_j\left|\right|}^2+c^2}}$

此外，在所述文献中还提及必要时都可考虑的多个其它可能的核函数。同样如在简单的线性情况中那样，对于不可分的类有利的是：在NB中引入偏移变量ξ(“slack variable”)。那里所列的方程式按意思保持相同。这里也可用简单的方式方法通过使用在线性约束条件下求解二次优化问题的标准方法来求解。这里例如可考虑LOQO方法或等效的方法。 

总地可以说，SVM如许多其它方法那样不进行作为输入数据的基础的密度函数的评估，而是使所谓的最坏情况的风险最小化。因此SVM属于“不受分布约束的方法”的一类。 

以下将描述，如何可以示例性地实施根据本发明的方法与根据本发明的装置。原则上根据本发明的方法或根据本发明的装置在一个离线阶段中，即在安装到机动车中前进行训练，这就是说，核函数、类界限或支持向量将借助训练数据来确定。该信息在以适当的方式储存在一个控制器中，即存储在一个存储器中及然后构成用于根据本发明的装置或根据本发明的方法在线工作的分类器。如果支持向量及核函数被存储在根据本发明的装置中，则根据本发明的装置可以在线通过所列的方程式来确定类界限或直接地计算类归属。当然也可以直接地存储类界限。 

基本上如下地进行数据处理：首先接收事故传感装置信号及接着进行特征提取。然后用根据本发明的方法进行分类及最后进行人身保护装置的控制。 

图1以一个框图阐述根据本发明的装置。这里根据本发明的装置被示范地构造成用于控制人身保护装置的控制器。在此情况下该控制器SG是一个仅被设计用于控制人身保护装置PS的控制器，但也可变换地，该控制器普遍地涉及用于控制安全装置的控制器及在此也可进行对行驶动力调节装置或制动系统的干预。控制器SG具有一个作为中心单元的微控制器μC。该微控制器μC是一个根据独立装置权利要求的分析处理电路。也可变换地使用其它的处理器类型或使用ASIC。甚至可以使用一个分立地构造的电路。微控制器μC通过数据输入/输出端与存储器S连接。该存储器可为持久地可被写入的或易失地可被写入的存储器，例如所谓的通常方式的 RAM。但在名称S下也可为这些可持久地接收数据的存储器的组合。尤其是这样的存储器，即，根据本发明可从这些存储器下载类界限或核函数及支持向量，以便确定类界限。此外，在微控制器μC上连接了两个接口IF1及IF2，它们在这里构造成分立的组件。这就是说，它们作为集成电路而存在及可将位于控制器SG外部的传感器的信号转换成微控制器μC可有效地处理的数据格式。此外，在微控制器μC上通过一个数据输入端连接着一个加速度传感装置BS1，该加速度传感装置位于控制器SG的内部。该加速度传感装置至少可在机动车上纵向上检测加速度。但通常也可以，该加速度传感装置BS1也可检测横向于或倾斜于机动车纵向的加速度。也可以是在机动车垂直方向上的加速度传感装置。 

这里微控制器μC具有软件接口，传感装置BS1通过该软件接口连接到微控制器μC上。传感装置BS1可将其数据模拟或数字地传送给微控制器μC。加速度传感装置以通常的方式构成，也就是说它是一个用于检测加速度的微机械单元。变换地，也可在控制器SG中设置其它的传感器类型，例如固体声传感装置或转速传感装置。 

在接口IF1上连接着一个压力传感装置P及一个被时效处理的加速度传感装置BS2。压力传感装置P优选设置在机动车的侧面部分中，以便检测侧面碰撞。在此情况下，该压力传感装置P检测通过侧面碰撞在侧面部分中被绝热地压缩出的空气压力。这使得可以很快地检测出这种侧面碰撞。加速度传感装置BS2可安装在机动车前面，以便检测例如行人碰撞或前面碰撞。在此情况下，该加速度传感装置BS2例如安装在保险杠的后面或冷却器格栅上。也可附加地或替换地，加速度传感装置BS2安装在机动车侧面中。由此该加速度传感装置BS2被用于侧面碰撞的检测或侧面碰撞的可信度确定。在此情况下加速度传感装置BS2同样可在不同的方向上是敏感的，以用于一定碰撞类型的检测或其可信度确定。 

由压力传感器P及加速度传感装置BS2向接口IF1的数据传送通常数字地进行。可以使用一个传感器总线，但这里是设置电力线传输的点对点连接。 

在接口IF2上连接一个周围环境传感装置U，它检测来自机动车周围环境的数据。在此，其它的碰撞物体被识别、检测及被特征描述，例如关 于轨迹或速度的特征描述。作为周围环境传感装置可以是雷达传感装置、超声波传感装置、红外线传感装置、激光雷达传感装置或视频传感装置。可以是其它的外部传感装置、例如乘员传感装置。 

微控制器μC根据这些传感器信号及根据该微控制器的控制算法来控制一个控制电路FLIC，该控制电路用于使人身保护装置PS起作用。控制电路FLIC具有输出级，当由微控制器μC传来一个控制信号时该输出级导通。还可设有一个逻辑电路，它将微控制器μC的信号与一个可信度确定电路或一个并联的分析处理电路的信号进行逻辑运算，为了简明起见，该逻辑电路在这里未示出。所述人身保护装置涉及例如气囊、安全带、翻滚防护架、外部气囊、可抬起的前罩及其它用于人身保护或行人保护的、可能的人身保护装置。这些人身保护装置可用烟火技术被控制起作用或例如电动地被可逆地控制起作用。为了简明起见，在这里忽略了对于控制器SG的功能通常必需的、但对于本发明的理解不起作用的其它部件。 

微控制器μC根据传感器BS1、P、BS2及U的信号来构成一个特征向量以及例如借助已存储的线性类界限来确定该特征向量属于哪个类。如上所述也可变换地，在运行中借助支持向量及一个核函数来确定这些类界限。微控制器μC借助分类决定出：是否产生一个控制信号及该控制信号具有何内容。然后该控制信号被传送给控制电路FLIC。该传送在控制器SG内部通常通过所谓的SPI总线来进行。 

图2表示微控制器μC使用的重要的软件模块。首先示出上述的接口IF3，其用于加速度传感装置BS1的使用。接口IF3具有如硬件接口IF1及IF2那样的功能，即，提供传感器信号。然后借助软件模块20由这些传感器的信号构成一个特征向量。该特征向量以根据本发明的方式方法借助软件模块21被分类以及然后借助该分类通过软件模块22必要时产生一个控制信号，该控制信号给出哪个人身保护装置要被控制起作用。也可具有其它的软件模块，但为了简明起见这里未示出。 

图3以一个流程图表示根据本发明的方法的流程。在方法步骤300中由这些传感器的信号构成一个特征向量。该特征向量在方法步骤301中被分类，确切地说借助所述类界限被分类。这些分类界限或者被加载或者借助所述支持向量及所述核函数来确定。在方法步骤302中借助该分类来产 生一控制信号，该控制信号给出哪个人身保护装置要被控制起作用。 

图4以一个数据流程图表示根据本发明的装置的功能以及根据本发明方法的流程，该方法在按本发明的装置上运行。通过框40表示各个处理步骤。在处理步骤402中传感器41、42及43产生它们的信号，这些信号然后作为测量数据48出现。在方法步骤403中，由这些信号进行特征提取，因为这可涉及例如信号本身或涉及被滤波、被积分、被求导、被求平均值等第被处理过的信号。因此，然后如由框44所表示地，产生特征向量49。在方法步骤404中通过框46进行分类。框46以上述的方式对特征向量进行分类，使得在输出端产生类信息400，然后该类信息被输入框47中，该框47作为处理步骤405及产生控制信号401。 

图5表示特征向量508的形成。已有传感器500，501及502。这些传感器的信号在框503，504及505中接受一个预处理，例如滤波或积分或其它的数学运算。然后在框506，507及508中进行时间上的结合(Blockbildung)及特征提取。然后，在特征向量508中被提取的特征被设置成一个向量，其中，每个传感器均可产生多个特征，这里例如对于传感器1产生4个特征及对于传感器N产生5个特征。在此情况下传感器的数目不是固定的，但必需具有至少一个传感器。并且传感器的安装地点可有多种选择。根据本发明的方法例如可用安装在中心的传感器工作，但也可用机动车侧面、机动车尾部或机动车前部的外围传感器工作。也可以如上所述地那样是这些安装地点的组合。作为传感器，例如可考虑加速度传感器、压力传感器、固体声传感器、温度传感器或使用其它物理测量原理的传感器。 

所测得的各个数据到一特征向量的变换优选在时间片中进行。可以计算多于一个时间片的多个特征向量。为此如图6中所示地，在一定的时间上、这里为由B1，B2及B3表示的片长度T，以某种关系来考察各个传感器的、可能完全已经过一定预处理的数据。如上所述地，特征向量由表征这些框内的信号的量组成。这例如可为传感器数据的平均值、方差或高次矩、一次积分、二次积分、子波分析的系数，傅里叶分析的系数，电码的变址值，如果在框内的输入数据上使用向量量子化的话。同样可确定多项式回归系数。在此情况下，一个或多个被选择的特征量可在一个步骤中在 片结束的时刻来确定或也可连续地或递归地随着数据的输入来确定。在极端情况下也可以是，补偿传感器采样侧的片长度T，使得在每个数据块中正好包含仅一个数据值，然后该数据值相应地被转换成特征向量。该特征向量也可包括具有选择性地不同的感测原理的不同传感器的相应地被处理的数据。 

分类具有的任务则为：将产生特征向量的事件分入一个确定的类。这样的类划分例如可由两个类“触发”及“不触发”组成(例1)。在此情况下涉及一个二元的分类器。但也可考虑更精确地表征事故事件的类划分： 

例2： 

C₁＝无触发事件 

C₂＝与软障碍的碰撞 

C₃＝与硬障碍的碰撞 

例3： 

C₁＝无触发事件 

C₂＝对称的碰撞事件 

C₃＝左碰撞 

C₄＝右碰撞 

例4： 

C₁＝碰撞严重度1 

C₂＝碰撞严重度2 

C₃＝碰撞严重度3 

C₄＝碰撞严重度4 

C₅＝碰撞严重度5 

C₆＝碰撞严重度6 

C₇＝碰撞严重度7 

例5： 

C₁＝碰撞速度在0公里/小时与10公里/小时之间 

C₂＝碰撞速度在10公里/小时与20公里/小时之间 

C₃＝碰撞速度在20公里/小时与30公里/小时之间 

C₄＝碰撞速度在30公里/小时与40公里/小时之间 

C₅＝碰撞速度在40公里/小时与50公里/小时之间 

C₆＝碰撞速度在50公里/小时与60公里/小时之间 

如图7所示，借助二元分类可逐步地进行这种细致的分类。在分类平面70中用分类器74确定：碰撞严重度是否小于值4。如果是，则进行到分类器75，该分类器确定碰撞严重度是否＜2，这时我们处于分类平面71中。如果是，则作为分类结果确定出碰撞严重度为1，如框700中所给出的那样。但如果不是这种情况，则加入另一分类平面72，使得分类器79来确定：碰撞严重度是否＜3。如果是该情况，则确定出碰撞严重度＝2的分类结果，如果不是该情况，则确定出碰撞严重度＝3的分类结果702。但如果在分类平面中确定出碰撞严重度不＜4，则跳到分类平面71中及这时进行到分类器76。该分类器则检验：碰撞严重度是否＜6。如果是，则跳到分类平面72及这时进行到分类器78。该分类器检验：碰撞严重度是否＜5。如果是，则跳到分类结果73，确切地说进行到框703，该框确定出碰撞严重度＝4。如果由分类器78确定出碰撞严重度不＜5，则跳到分类结果704及确定出碰撞严重度＝5。如果通过分类平面71中的分类器76确定出碰撞严重度不＜6，则跳至分类器77，确切地说在分类平面72中，在这里检验碰撞严重度是否＜7。如果是，则确定出分类结果705，即，碰撞严重度＝6。但如果不是该情况，则确定出现了分类结果706，即，碰撞严重度＝7。这些值在此示例性地示出。但也可使用完全另外的值。也如图7所示，不必在每个分类平面中对每个分支都具有一个分类器，而是也可直接地跳到一个分类结果。 

Claims (11)

1.用于控制人身保护装置(PS)的方法，具有以下方法步骤：

-由一事故传感装置(BS1，BS2，P，O)的至少一个信号构成一具有至少两个特征的特征向量，

-借助至少一个类界限在相应的维中分类该特征向量，

-根据该分类来控制所述人身保护装置(PS)，

其特征在于，

通过使用支持向量机(SVM)来执行所述分类和/或所述至少一个类界限的确定。

2.根据权利要求1的方法，其特征在于：所述至少一个类界限被从一存储器(S)中加载。

3.根据权利要求1的方法，其特征在于：所述至少一个类界限借助至少一个训练向量及借助一核函数来确定。

4.根据以上权利要求之一的方法，其特征在于：所述分类二元地进行。

5.根据权利要求4的方法，其特征在于：对所述二元分类使用至少一个第一树，在该树的分支上分别进行一相应的二元分类。

6.根据权利要求5的方法，其特征在于：每个树对应一人身保护装置(PS)。

7.根据权利要求5的方法，其特征在于：一个第二树对应一碰撞严重度以及一个第三树对应一碰撞类型。

8.根据权利要求1至3之一的方法，其特征在于：对所述分类使用一回归，用于产生一连续的值。

9.根据权利要求1至3之一的方法，其特征在于：所述至少两个特征由一个时间片获得。

10.根据权利要求1至3之一的方法，其特征在于：所述至少两个特征由不同的事故传感器的信号构成。

11.用于控制人身保护装置(PS)的装置，包括：

-至少一个接口(IF1，IF2，IF3)，其提供一事故传感装置(BS1，BS2，P，O)的至少一个信号，

-一分析处理电路(μC)，它由所述至少一个信号构成一具有至少两个特征的特征向量以及借助至少一个类界限在该特征向量的相应的维中分类该特征向量，其中，该分析处理电路(μC)根据该分类来产生一控制信号，

-一控制电路(FLIC)，它根据该控制信号来控制所述人身保护装置(PS)

其特征在于，

用于所述分类和/或所述至少一个类界限的确定的所述分析处理电路(μC)执行支持向量机(SVM)算法。

Images