DE102007027649B4

DE102007027649B4 - Verfahren und Steuergerät zur Ansteuerung von Personenschutzmitteln sowie Computerprogramm und Computerprogrammprodukt

Info

Publication number: DE102007027649B4
Application number: DE102007027649.6A
Authority: DE
Inventors: Marcus Hiemer; Alfons Doerr
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2007-06-15
Filing date: 2007-06-15
Publication date: 2015-10-01
Anticipated expiration: 2027-06-16
Also published as: DE102007027649A1; US20100305818A1; EP2155520A1; RU2010101000A; CN101678803A; WO2008151901A1; CN101678803B

Abstract

Verfahren zur Ansteuerung von Personenschutzmitteln (PS), wobei ein Merkmalsvektor (M) mit mindestens zwei Merkmalen aus wenigstens einem Signal einer Unfallsensorik (BS1, BS2, DS, U) gebildet wird, wobei durch einen Kernalgorithmus (K) in Abhängigkeit von dem Merkmalsvektor (M) oder von einem ersten Teilmerkmalsvektor die Personenschutzmittel (PS) angesteuert werden, dadurch gekennzeichnet, dass der Merkmalsvektor (M) oder ein zweiter Teilmerkmalsvektor durch eine Support Vektor Maschine (SVM) klassifiziert wird und der Kernalgorithmus (K) durch die Klassifizierung beeinflusst wird.

Description

Stand der Technik
Die Erfindung betrifft ein Verfahren bzw. ein Steuergerät zur Ansteuerung von Personenschutzmitteln bzw. ein Computerprogramm bzw. ein Computerprogrammprodukt nach der Gattung der unabhängigen Patentansprüche.
Aus DE 103 60 893 A1 ist es bekannt, Personenschutzmittel in Abhängigkeit von einem Vergleich einer Vorverlagerung mit einem Schwellwert anzusteuern. Der Schwellwert wird in Abhängigkeit von einem Geschwindigkeitsabbau und einer Verzögerung eingestellt. Der Geschwindigkeitsabbau und die Verzögerung spannen einen zweidimensionalen Merkmalsraum auf, der durch den Schwellwert in zwei Bereiche unterteilt wird. Diese zwei Bereiche charakterisieren die für die Ansteuerung der Personenschutzmittel signifikanten Klassen, wobei der Schwellwert die kleinste Grenze darstellt.
Um einen Applikationsprozess zu automatisieren und die Applikationszeit zu verkürzen, werden automatische lernbasierte Verfahren vorgeschlagen. Eine mögliche Realisierung sind neuronale Netze, wie sie aus WO 2005/037609 A1 , WO 2005/037610 A1 , WO 2005/037611 A1 , WO 2005/035319 A1 , EP 1 133 418 B1 und DE 198 54 380 A1 bekannt sind. In einem Trainingsprozess, der offline im Labor stattfindet, wird dabei die ansonsten von Hand applizierte Trennlinie durch Verfahren des maschinellen Lernens automatisch eingestellt. Der Algorithmus basierend auf neuronalen Netzen liefert letztlich auf Basis einer gelernten Kennlinie eine Auslöseentscheidung.
Die Verwendung solcher neuronalen Netze ist intransparent. Es existiert keine Rückfallebene im Falle einer Fehlklassifikation. Bei neuronalen Netzen ist zudem eine große Trainingsdatenmenge erforderlich, die häufig nicht existiert. Das Problem des sogenannten Overfittings, das ist eine zu starke Spezialisierung neuronaler Netze, ist nachteilig.
Offenbarung der Erfindung
Das erfindungsgemäße Verfahren bzw. Steuergerät zur Ansteuerung von Personenschutzmitteln haben demgegenüber den Vorteil, dass ein aus dem Stand der Technik bekannter Kernalgorithmus mit einem Klassifizierungsverfahren kombiniert wird, so dass sich die Stärken beider Verfahren ergänzen. Als Klassifikator wird vorliegend eine Support Vektor Maschine (SVM) verwendet. Die SVM wird im Labor trainiert. Sie liefert dabei eine mehrdimensionale Trennfläche, z. B. zwischen einem Auslösebereich und einem Nichtauslösebereich; möglicherweise aber auch zwischen verschiedenen Crashklassen wie beispielsweise ACT, ODB40kmh, ODB64kmh, 56kFullFrontal, Winkelcrash usw. Der im realen Betrieb durchgeführte Vergleich der Crashdaten mit den Support Vektoren, die der Trennlinie entsprechen, liefert eine Klassifizierung des Crashsignals. Diese Klassifizierung erzeugt eine Einflussnahme auf den Kernalgorithmus, so dass dessen Auslöseperformance optimiert wird.
Dies bringt eine Reihe von Vorteilen:

1. Durch die Kombination des Kernalgorithmus mit dem Klassifizierungsverfahren sind die Schnittstellen nach außen identisch, d. h. die Datenerfassung der Sensoren und Umgebungsparameter wie beispielsweise das Gurtschloss sowie die Ansteuerung der Personenschutzmittel kann nach dem bewährten Prinzip erfolgen. Auch ein vorhandenes Sicherheitskonzept muss nicht verändert werden.
2. Durch die Kombination mit dem Kernalgorithmus besteht eine physikalisch abgesicherte Rückfallebene, und zwar für den Fall, dass die Klassifizierung nicht erfolgreich war.
3. Die durch die SVM gefundene Trennfläche unterteilt die verschiedenen Crashklassen optimal. Die Trennlinie ist daher maximal robust im Hinblick auf den Einsatz kostengünstiger Hardware. Es kann also zum Beispiel eine einfachere, weniger gut auflösende Sensorik verwendet werden.
4. Die optimale Trennlinie oder Trennfläche, das sind Trennfunktionen, wird stets gefunden. Man sagt, das Lernziel wird immer erreicht. Dies ist beispielsweise bei neuronalen Netzen nicht der Fall. Der Optimierungsalgorithmus zur Festlegung der Trennebene oder Trennfläche kann bei neuronalen Netzen in einem lokalen Minimum hängenbleiben. Die Güte der Trennfunktion kann also unter Umständen sehr schlecht sein. Durch die Eigenschaften der Support Vektor Optimierung hat man dieses Problem nicht.
5. Die Klassifizierung ist universell einsetzbar. Dies wird genauer in den abhängigen Ansprüchen beschrieben.
6. Durch die Verwendung von mehr als zwei Dimensionen kann mehr Crashinformation gleichzeitig verknüpft werden. Aus diesem Grund wird die Klassifikationsgüte verbessert.
7. Lernbasierte Klassifikatoren wie die SVM können mit objektiven Gütemaßzahlen beurteilt werden. Damit kann man sich die quantitative Güte des Klassifikators zunutze machen, so dass diese auf die Güte einer Applikation übertragen und in Zahlenwerte gefasst werden können.
8. Durch den automatischen Charakter der Applikation kann Applikationszeit gespart werden, da eine Berechnung der Trennfunktion automatisch erfolgt.
9. Durch den automatischen Charakter der Applikation kann eine Vielzahl numerischer Experimente durchgeführt werden, die für den Applikateur gar nicht mehr überschaubar wären. Durch diese Zunahme von beispielsweise FEM-Simulationsdaten oder Fahrdynamiksimulationsdaten kann die Applikation über die bisher verwendeten Crashhallen-Szenarien auf Real-World-Szenarien einfach erweitert werden.
10. Die Trennfunktion der Support Vector Maschine ersetzt mehrere Zusatzfunktionen. Die Auswahl der richtigen Zusatzfunktion ist im Standardapplikationsprozess zeitraubend. Diese Zeit wird durch das vorgeschlagene Verfahren eingespart.
11. Durch eine Flexibilisierung der Algorithmus-Entscheidungsfindung bezüglich der Ansteuerung wird Klassifizierungsrechenzeit eingespart, die für andere Berechnungen, beispielsweise für die Fusion verschiedener Zusatzfunktionen genutzt werden kann.
12. Das erfindungsgemäße Verfahren ermöglicht eine Reduktion der Laufzeit, was sich in einfacher und damit kostengünstigerer Hardware ebenfalls niederschlagen wird.
13. Es ist möglich, flexibler auf Ereignisse während des Crashes zu reagieren, weil einige Feuerentscheidungen erst später erfolgen.

Vorliegend ist der Kern der Erfindung die Klassifizierung des Merkmals oder Teilmerkmalsvektors durch eine Support-Vektormaschine. Der Kernalgorithmus wird dann durch diese Klassifizierung beeinflusst. Die Support Vektor Maschine basiert auf einem statistischen Lernverfahren, das weiter unten ausführlich beschrieben wird.
Unter Ansteuern wird vorliegend das Aktivieren von Personenschutzmitteln wie Airbags, Gurtstraffer, Überrollbügel oder auch aktive Personenschutzmittel wie Bremsen oder eine Fahrdynamikregelung verstanden.
Ein Merkmalsvektor beinhaltet vorliegend mindestens zwei Merkmale, die aus einem Signal einer Unfallsensorik gebildet werden. Ist das Signal beispielsweise ein Beschleunigungssignal, kann das Beschleunigungssignal selbst oder das erste oder zweite Integral als Merkmale verwendet werden. Daraus wird dann der Vektor gebildet, der zum einen in den Kernalgorithmus und zum anderen in die Support Vektor Maschine eingeht. Es ist dabei möglich, dass in die Support Vektor Maschine lediglich ein Teil des Merkmalsvektors eingeht. Dies wird dann durch ein Teilmerkmalsvektor bezeichnet. Dies gilt auch im umgekehrten Fall, d. h. in die Support Vektor Maschine geht ein Merkmalsvektor ein, während in den Kernalgorithmus nur ein Teilmerkmalsvektor eingeht.
Die Unfallsensorik kann vorliegend eine Beschleunigungssensorik in und/oder außerhalb des Steuergeräts sein, was auch für eine Körperschallsensorik gilt. Weiterhin kann die Unfallsensorik eine Luftdrucksensorik in den Seitenteilen des Fahrzeugs aufweisen und auch eine Umfeldsensorik. Auch andere dem Fachmann geläufige Unfallsensoren können hier dazu zählen. Das Signal kann ein oder mehrere Messwerte verschiedener Sensoren aufweisen.
Der Kernalgorithmus ist vorliegend ein Algorithmus, der den Merkmalsvektor derart auswertet, dass eine Ansteuerungsentscheidung getroffen werden kann. Dies kann vorzugsweise durch eine Schwellwertentscheidung erfolgen.
Eine Klassifizierung bedeutet vorliegend, dass der Merkmalsvektor einer bestimmten Klasse zugeordnet wird. Diese Klasse bestimmt dann, wie der Kernalgorithmus beeinflusst wird. Klassen können beispielsweise nach der Schwere des Unfalls, also wie stark der Unfall auf den Insassen wirkt, aufgeteilt sein. Auch eine Klassifizierung nach dem Crashtyp oder einer Kombination aus Crashtyp und Crashschwere kann vorgenommen werden.
Die Beeinflussung wird durch die abhängigen Ansprüchen näher beschrieben. Dabei wird insbesondere die Entscheidung zur Ansteuerung beeinflusst, d. h. die Klassifizierung führt dazu, dass in einem ersten Fall eine Auslöseentscheidung getroffen wird, die ohne die Einflussnahme durch die Klassifizierung nicht stattgefunden hätte.
Unter einem Steuergerät ist vorliegend ein solches Gerät zu verstehen, das in Abhängigkeit von Sensorsignalen die Ansteuerung von Personenschutzmitteln entscheidet. Daher hat das Steuergerät Mittel zur Auswertung der Signale der Unfallsensorik. Um das Steuersignal abzugeben, ist dann auch eine entsprechende Vorrichtung im Steuergerät notwendig.
Die wenigstens eine Schnittstelle ist vorliegend mittels Hardware und/oder Software realisiert. Als Software ist sie beispielsweise auf einem Mikrocontroller im Steuergerät als ein Softwaremodul ausgebildet.
Die Auswerteschaltung ist üblicherweise ein Mikrocontroller, sie kann jedoch auch ein anderer Prozessortyp sein wie ein Mikroprozessor oder wie ein Signalprozessor. Auch eine integrierte Schaltung, die die Auswertefunktionen beinhaltet und beispielsweise als ASIC ausgebildet ist, kann als Auswerteschaltung verwendet werden. Die Auswerteschaltung kann auch aus diskreten Bauelementen oder aus einer Kombination der vorgenannten Bauteile bestehen. Es ist auch möglich, die Auswerteschaltung aus einer Mehrzahl von Prozessoren aufzubauen. Für die einzelnen Aufgaben weist die Auswerteschaltung dann entsprechende Softwaremodule auf, wenn es sich um einen Prozessortyp wie einen Mikrocontroller handelt, oder es sind entsprechende Hardwaremodule vorhanden. Diese können auch auf einem einzigen Chip angeordnet sein.
Durch die in den abhängigen Ansprüchen aufgeführten Maßnahmen und Weiterbildungen sind vorteilhafte Verbesserungen des in den unabhängigen Patentansprüchen angegebenen Verfahrens zur Ansteuerung von Personenschutzmitteln möglich.
Vorteilhaft ist es, dass der Kernalgorithmus eine Entscheidung für die Ansteuerung dadurch bildet, dass der Merkmalsvektor mit einem ersten Schwellwert in einem mindestens zweidimensionalen Merkmalsraum verglichen wird. Damit ist der Kernalgorithmus so ausgebildet, dass er den Merkmalsvektor mit den mindestens zwei Merkmalen in einem mindestens zweidimensionalen Merkmalsraum überführt und dort mit einem Schwellwert vergleicht, wobei der Schwellwert auch eine Funktion sein kann. Damit ist ein zeitinvarianter Kernalgorithmus realisiert, wobei als die Merkmale beispielsweise die Verzögerung und das erste Integral der Verzögerung, also die Geschwindigkeit, verwendet werden können. Aber auch andere Größen wie die Vorverlagerung, also das zweifache Integral der Verzögerung, können vorliegend verwendet werden.
Weiterhin ist es vorteilhaft, dass der Kernalgorithmus durch die Klassifizierung dadurch beeinflusst wird, dass der erste Schwellwert in Abhängigkeit von der Klassifizierung verändert wird. Durch die Veränderung dieses Schwellwerts greift die Klassifizierung direkt in die Entscheidungsfindung ein, ob die Personenschutzmittel angesteuert werden sollen oder nicht. Diese Veränderung kann durch einen Zuschlag oder einen Abschlag in Abhängigkeit von der Klassifizierung erfolgen oder durch ein Ersetzen des ersten Schwellwerts durch einen zweiten Schwellwert. Dabei ist der zweite Schwellwert beispielsweise abgespeichert oder er wird berechnet.
Es ist weiterhin möglich, dass in Abhängigkeit von der Klassifizierung zusätzlich zu der Einflussnahme auf den Kernalgorithmus eine Plausibilisierung der Ansteuerungsentscheidung durchgeführt wird. Dabei wird anhand der Klassifizierung entschieden, ob ein Auslösefall für die Personenschutzmittel vorliegt oder nicht. Dieses Ergebnis wird dann mit der Entscheidung des Kernalgorithmus kombiniert, um zu einer abgesicherten Gesamtentscheidung zu kommen. Dabei können weiterhin Zusatzfunktionen auch zu der Kombination beitragen. Diese Zusatzfunktionen umfassen beispielsweise die Verarbeitung weiterer Sensorsignale oder eine Crashtyperkennung.
Plausibilisierung bedeutet, dass eine erste Entscheidung durch eine zweite Entscheidung bestätigt oder widerrufen wird. Damit ist insgesamt eine sicherere Endentscheidung möglich.
Es ist weiterhin vorteilhaft, dass in Abhängigkeit von der Klassifizierung ein Misuse erkannt wird und der Kernalgorithmus dies bei der Ansteuerung berücksichtigt. Ein Misuse ist ein Aufprall, der nicht zu einer Auslösung von Personenschutzmitteln führen soll. Damit kann dann eine Auslöseentscheidung, die der Kernalgorithmus trifft, noch verhindert werden. Auch dies kann in Abhängigkeit von der jeweiligen Klassifizierung bestimmt werden. Die Klassifizierung kann auch als Ergänzung zu einer bestehenden Misuse-Klassifizierung verwendet werden. Auch hier kann die Klassifizierung ein Add-On zur Verschiebung einer Misuse-Schwelle liefern oder beispielsweise als Misuse-Plausibilisierungsfunktion wirken.
Es ist weiterhin vorteilhaft, dass in Abhängigkeit von der Klassifizierung ein sehr schwerer Crash erkannt wird. Ein sehr schwerer Crash muss gewöhnlich alle nötigen Front-Personenschutzmittel aktivieren, das sind die Gurtstraffer und die erste sowie zweite Airbagstufe. Klassifiziert der Kernalgorithmus eine Ansteuerung und die SVM einen sehr schweren Crash, dann kann die SVM-Klassifikation die Ansteuerung aller Front-Personenschutzmittel durch eine Ansteuerschaltung veranlassen.
Weiterhin ist es vorteilhaft, dass ein Computerprogramm vorliegt, das alle Schritte des erfindungsgemäßen Verfahrens nach einem der Ansprüche 1 bis 7 ausführt, wenn es auf einem Steuergerät abläuft. Dieses Computerprogramm kann ursprünglich in einer Programmierhochsprache geschrieben sein und wird dann in einen maschinenlesbaren Code übersetzt.
Vorteilhafter Weise ist auch ein Computerprogrammprodukt im Programmcode, der auf einem maschinenlesbaren Träger wie einem Halbleiterspeicher, einem Festplattenspeicher oder einem optischen Speicher gespeichert ist und zur Durchführung des Verfahrens nach einem der Ansprüche 1 bis 7 verwendet wird, wenn das Programm auf einem Steuergerät ausgeführt wird.
Ausführungsbeispiele der Erfindung sind in der Zeichnung dargestellt und werden in der nachfolgenden Beschreibung näher erläutert.
Es zeigen
1 ein Blockschaltbild des erfindungsgemäßen Steuergeräts mit angeschlossenen Komponenten,
2 verschiedene Softwaremodule auf dem Mikrocontroller,
3 ein erstes Flussdiagramm des erfindungsgemäßen Verfahrens,
4 ein erstes Signalablaufdiagramm,
5 ein zweites Signalablaufdigramm,
6 ein drittes Signalablaufdiagramm,
7 ein viertes Signalablaufdiagramm,
8 eine Trennlinie zwischen zwei Klassen bei der SVM,
9 eine Trennlinie im Ausgangsraum und
10 die Trennlinie im Bildraum sowie
11 ein Diagramm zur Erläuterung der Trainingsprozedur durch gezielt gleichzeitiges Anlegen von Ein- und Ausgangsdaten.
Zentral für die vorliegende Erfindung ist die Verwendung der Support Vektor Maschine (SVM) als Klassifikator des Merkmalsvektors. Dies soll im Folgenden näher erläutert werden.
Im Folgenden soll das Klassifizierungsprinzip der SVM für zwei Klassen beschrieben werden, beispielsweise zur Trennung von Fire und NoFire Crashes. Prinzipiell kann es leicht auf die Klassifizierung mehrerer Klassen übertragen werden.
Eine genaue Beschreibung der SVM findet man in der einschlägigen Literatur (z. B. Cristianini, Nello and Shawe-Taylor, John: An introduction to support vector machines and other kernel-based learning methods oder Hastie, Trevor: The elements of statistical learning).
Mehrklassen-Support-Vektor-Klassifizierung wird beispielsweise beschrieben in Schölkopf, Bernhard et al.: Extracting Support Data for a given Task, Proceedings of the First International Conference an Knowledge Discovery and Data Mining, AAAI Press, Menlo Park, CA, 1995, Seiten 252–257.
An dieser Stelle soll lediglich das Prinzip qualitativ beschrieben werden.
Lineare Separation
Die Support Vector Maschine ist ein linearer Klassifikator. Die lineare Trennlinie hat dabei die folgende Gestalt: f(x) = w·x + b (1)
Ziel ist es, eine Trennlinie zwischen die beiden zu klassifizierenden Klassen zu legen, die optimal hinsichtlich des Abstands der Trainingsdaten ist (8). In 8 ist dies die durchgezogene Linie 84. Die beiden feineren Trennlinien 80, 81 separieren zwar ebenfalls, jedoch nicht optimal hinsichtlich der Robustheit. Lediglich die Trennlinie 84 liefert maximale Robustheit und ermöglicht den in Punkt 3. der „Vorteile der Erfindung” beschriebenen Einsatz einfacherer und damit günstigerer Hardware.
Das Finden der optimalen Geraden zur Separation der Klassen ist in der Mathematik bekannt als „Quadratisches Problem mit linearen Randbedingungen”. Ein quadratisches Problem mit linearen Randbedingungen kann durch Algorithmen der quadratischen Programmierung effizient gelöst werden (Punkt 3 aus den „Vorteilen der Erfindung”). (siehe z. B. „R. Vanderbei, LOQO: an Interior Point Code for Quadratic Programming”). Ein großer Vorteil dabei ist die Tatsache, dass diese optimale Lösung durch die Algorithmen stets gefunden wird. Es besteht also nicht die Gefahr, in einem lokalen Minimum der Optimierung hängen zu bleiben (Punkt 4 aus den „Vorteilen der Erfindung. Als Resultat der Optimierung hat man letztlich die in 8 gezeigte Kennlinie.
In der Mathematik kann Gleichung (1) durch die so genannte „Duale Form” dargestellt werden:
Beide Darstellungen sind identisch. Die yi sind dabei die Klassenzugehörigkeit des Trainingsdatums i (in der Regel +1 bzw. –1), xi stellt die sogenannten Support Vektoren dar, x sind die z. B. im Crash zu klassifizierenden Merkmale. In 8 kann man die Support Vektoren als diejenigen Merkmale erkennen, die auf der gestrichelten Linie 82, 83 liegen. Sie stellen gewissermaßen diejenigen Stützvektoren dar, welche „am nächsten an der anderen Klasse liegen”. Betrachtet man Gleichung (2), so wurde bisher noch nicht auf die Faktoren αi, die sogenannten Lagrange-Multiplikatoren, eingegangen. Die Faktoren αi sind dabei nur für die Support Vektoren von Null verschieden. In anderen Worten bedeutet das, die Gleichung (2) muss auch nur an den Support Vektoren ausgewertet werden. Noch anschaulicher: neue Merkmale, die beispielsweise während des Crashes hinzukommen, müssen nicht mehr in Bezug auf die gesamte in 8 dargestellte, durchgezogene Trennlinie 84 ausgewertet werden, sondern lediglich bezüglich der Support Vektoren auf den gestrichelten Geraden 82, 83. Die Anzahl der Support Vektoren kann durch das Verfahren klein gehalten und damit der Rechenaufwand in der ECU begrenzt werden.
Zusammenfassend kann also gesagt werden: der Support Vektor Algorithmus, der im Training durchlaufen wird, findet stets eine optimale, d. h. maximal robuste Trennlinie der beiden Klassen. Nach dem Training, im Test beziehungsweise im Crash werden die erzeugten Merkmale nicht bezüglich der gesamten Trennlinie sondern lediglich im Bezug auf die (deutlicher weniger) Support Vektoren ausgewertet.
Nichtlineare Separation
In der Realität werden die Klassen normalerweise nicht linear separabel vorliegen, sondern nur durch eine nichtlineare Trennlinie separierbar sein. Aus diesem Grund kommt der so genannte „Kernel-Trick” zum Einsatz. Durch eine geeignete Transformation mittels eines Kernels gelangt man vom Ausgangsraum (x1, x2) in 9, der durch zwei der drei Merkmale 1...3 aus 7 beschrieben wird in den so genannten Bildraum (z1, z2, z3) in 10. Mit 90 ist dabei in 9 die nichtlineare Trennlinie im Ausgangsraum und mit 10 die korrespondierende lineare Trennlinie in 10 bezeichnet.
Im Bildraum sind die Merkmale wieder linear separabel (siehe 9 und 10) und Gleichung 2 kann erneut zum Einsatz kommen: der Algorithmus zum Auffinden der optimalen linearen Trennlinie im Bildraum, welcher stets optimal konvergiert. Der Kernel-Trick hat nun folgenden Vorteil: die Transformation in den Bildraum findet nicht explizit statt, das heißt, man rechnet nicht wirklich im Bildraum. Man verwendet lediglich die mathematische „Kernel-Funktion”, um im Bildraum eine lineare Separierbarkeit zu erreichen. Jegliche Rechnung findet dagegen nach wie vor im Ausgangsraum statt. Gleichung (2) wird für den nichtlinearen Fall dann zu
Die Kernel-Funktion k(x_i, x) muss einige mathematische Voraussetzungen erfüllen, die z. B. Cristianini, Nello and Shawe-Taylor, John: „An introduction to support vector machines and other kernel-based learning methods” entnommen werden können. Üblicherweise werden als Kernel-Funktionen folgende Standard-Kernels verwendet:

– Radialbasiskernel
– Polynomkernel
– Sigmoidalkernel
– ...

Es sei ausdrücklich darauf hingewiesen, dass die beschriebene Erfindung nicht abhängig von der Kernel-Funktion ist.
Wie man Gleichung (3) leicht entnehmen kann, muss auch die üblicherweise nichtlineare Kernel-Funktion k(xi, x) ausschließlich an den Support Vektoren berechnet werden. Für das Beispiel eines Radialbasiskernels
bedeutet dies: der Abstand der Merkmale x muss lediglich zu den Support Vektoren xi berechnet werden. Die e-Funktion könnte im Steuergerät beispielsweise durch eine Taylor-Approximation abgelegt oder durch eine LookUp-Tabelle realisiert werden. Der Parameter σ in Gleichung (4) erlaubt es, die Robustheit des Klassifikators und damit die Anzahl der Support Vektoren zu beeinflussen.
Zusammenfassend kann also gesagt werden, dass durch Verwendung des Kernel-Tricks auch nichtlineare Kennlinien optimal getrennt werden können, ohne die Transformation in den Bildraum explizit vollziehen zu müssen. Die Kernel-Funktion und die Formel (3) zur Trennung müssen dabei lediglich bezüglich der Support Vektoren ausgewertet werden.
Slack Variable
Durch die Verwendung so genannter Slack Variablen kann die Robustheit der Klassifikation weiter erhöht werden. Mittels der Slack Variablen werden Fehlklassifikationen unter Umständen toleriert. Zu diesem Zweck werden falsch klassifizierte Merkmale gewichtet mit einem Faktor C aufsummiert:
Da es vorteilhaft sein kann, die Fehlklassifizierung einer Klasse stärker zu bestrafen als die einer anderen Klasse (beispielsweise kann zum Beispiel eventuell eher toleriert werden, dass ein Must-Fire als No-Fire klassifiziert wird als umgekehrt) sollte die Gleichung (5) erweitert werden:
Gleichung (6) bewirkt, dass Fehklassifizierung der Klasse –1 (also zum Beispiel „NoFire”) viel stärker gewichtet werden als solche der Klasse +1 („MustFire”). Das Zulassen von Fehlklassifizierungen kann sich auch auf die Anzahl der Support Vektoren und damit indirekt auf die Rechenzeit auswirken. Bei Benutzung von Slack Variablen kann der Applikateur a priori noch Wissen über seine Daten einbringen. Wenn er sich bewusst ist, dass die Daten sehr stark streuen, können Fehlklassifikationen tolerierbar sein.
Training
Wie bei allen lernbasierten Verfahren findet auch bei der Support Vektor Maschine vor dem eigentlichen Steuergeräte-Einsatz eine Trainingsphase statt (siehe 11). Diese findet offline statt. Sie dient dazu, die Support Vektoren zu bestimmen, welche dann im Steuergerät abgelegt werden. Beim Training werden dem Klassifikator 111 jeweils Ein-110 und Ausgangsdaten 112 paarweise zugeführt. Als Eingangsdaten könnten die drei Merkmale aus 7 verwendet werden. Ausgangsdaten könnten beispielsweise die gewünschten Triggerzeiten sein. Es muss darauf geachtet werden, dass beim Training ein ausgewogenes Crashset verwendet wird und dass die üblichen Robustheitskriterien, zum Beispiel Amplituden- und Offsetvariationen angemessen berücksichtigt werden.
Die beim Training ermittelten Support Vektoren müssen anschließend im Steuergerät platziert werden.
Validierung
Häufig stehen insbesondere in einer frühen Airbag-Projektphase nicht ausreichend Crashdaten zur Verfügung. Durch Kreuzvalidierungsverfahren kann die Trainingsmenge vergrößert werden und die Sicherheit der Klassifikation erhöht werden. Bei der Kreuzvalidierung wird das vorhandene Crashset in Untermengen unterteilt. Einige Untermengen dienen dann als Trainingsdaten, andere werden verwendet, um die Klassifikationsgüte zu beurteilen. Das bekannteste dieser Verfahren dürfte die Leave-One-Out-Cross-Validation sein, bei der immer genau ein Datensatz zum Test verwendet wird und bei der alle anderen Datensätze vorher zum Training herangezogen wurden. Wenn man nun diesen einen Testdatensatz durch die Gesamtmenge der Datensätze permutiert, erhält man eine sehr große Anzahl an Tests für die Klassifikation und kann anhand einer statistischen Auswertung die in Punkt 7 der „Vorteile der Erfindung” beschriebenen Gütemaßzahlen für den Klassifikator bestimmen. Mittels Kreuzvalidierung kann auf Basis der Gütemaßzahlen weiterhin eine Optimierung der Klassifikationsparameter, zum Beispiel σ in Gleichung (4) vorgenommen werden.
1 erläutert in einem Blockschaltbild das erfindungsgemäße Steuergerät SG mit angeschlossenen Komponenten. In einem Fahrzeug FZ ist das Steuergerät SG angeordnet, an das verschiedene Komponenten angeschlossen sind. Beispielhaft sind vorliegend nur die für das Verständnis der Erfindung notwendigen Komponenten dargestellt sowohl außerhalb als auch innerhalb des Steuergeräts.
An das Steuergerät SG sind verschiedene Unfallsensoren angeschlossen wie eine Körperschallsensorik KS, eine Beschleunigungssensorik BS1, eine Drucksensorik DS und eine Umfeldsensorik US. Weitere Sensoren wie eine Fahrdynamiksensorik und/oder Drehratensensoren usw. können zusätzlich oder anstatt angeschlossen sein. Verschiedene Einbaupositionen im Fahrzeug FZ sind hierfür dem Fachmann bekannt. Die Körperschallsensorik und die Beschleunigungssensorik BS1 sind an eine erste Schnittstelle IF1 angeschlossen, wobei die Schnittstelle IF1 diese Signale der Auswerteschaltung, nämlich den Mikrocontroller μC bereitstellt. Eine zweite Schnittstelle IF2, an die die Luftdrucksensorik DS und die Umfeldsensorik US angeschlossen sind, stellt diese Signale dem Mikrocontroller μC bereit.
Die Luftdrucksensorik DS ist in den Seitenteilen des Fahrzeugs eingebaut und soll als Seitenaufprallsensierung dienen. Die Umfeldsensorik US kann verschiedene Umfeldsensoren wie Radar, LIDAR, Video oder Ultraschall umfassen, um das Umfeld des Fahrzeugs FZ bezüglich Kollisionsobjekten zu analysieren. Der Mikrocontroller μC erhält von einer Beschleunigungssensorik BS2 innerhalb des Steuergeräts SG weitere Sensorsignale. Weitere Sensoren können sich innerhalb des Steuergeräts befinden und an den Mikrocontroller μC Signale abgeben. Dazu zählen Fahrdynamiksensoren und Körperschallsensoren.
Das Steuergerät SG weist vorliegend ein Gehäuse auf, das aus Metall und/oder Kunststoff gefertigt sein kann. Der Mikrocontroller μC weist selber internen Speicher auf, kann aber auch auf externe Speicher, die sich auch im Steuergerät SG befinden, zugreifen. Mittels eines im Speicher befindlichen Kernalgorithmus wertet der Mikrocontroller μC einen Merkmalsvektor aus Merkmalen dieser Unfallsignale aus und entscheidet, ob die Personenschutzmittel PS, die über die Ansteuerungsschaltung FLIC angesteuert werden, angesteuert werden sollen. Dazu wird der Kernalgorithmus durch eine Support Vektor Maschine mit einer Klassifizierung des Merkmalsvektors beeinflusst. Diese Beeinflussung sorgt dafür, dass die Entscheidung genauer und treffender ist.
Es ist möglich, dass mehr oder weniger als die dargestellten Sensoren verwendet werden können. Die Kommunikation der Schnittstellen IF1 und IF2 zum Mikrocontroller μC kann beispielsweise über den steuergeräteinternen Bus SPI (serial peripheral interface bus) geschehen. Der SPI-Bus kann auch für die Kommunikation zwischen dem Mikrocontroller μC und der Ansteuerschaltung FLIC verwendet werden. Die Ansteuerschaltung FLIC besteht vorliegend aus mehreren integrierten Schaltkreisen, die Leistungsschalter aufweisen und im Ansteuerfall eine Bestromung der Zünd- oder Ansteuerungselemente der Personenschutzmittel PS ermöglichen. Auch diese Ansteuerschaltung kann verschiedene Ausprägungen aufweisen, die aus einem oder mehreren integrierten Schaltkreisen und/oder diskreten Bauelementen bestehen.
2 zeigt nun Softwaremodule, die für die Funktion der Erfindung notwendig sind und sich auf der Auswerteschaltung vorliegend im Mikrocontroller μC befinden. Der Mikrocontroller μC weist üblicherweise einen eigenen Speicher auf.
Es kann sich jedoch auch um einen mit dem Mikrocontroller μC über Leitungen verbundenen Speicher handeln. Eine Schnittstelle IF3 dient zur Anbindung der Beschleunigungssensorik BS2 und stellt die Signale dieser Beschleunigungssensorik BS2 bereit. Diese Signale werden zum Einen von dem Merkmalsmodul M aufgenommen, das aus den Signalen der Unfallsensorik Merkmale und aus den Merkmalen den Merkmalsvektor formt, indem beispielsweise das Signal das Beschleunigungssignal ist und das Modul M daraus durch einfache Integration die Geschwindigkeit bestimmt und dann aus der Beschleunigung und der Geschwindigkeit einen zweidimensionalen Merkmalsvektor bildet.
Dieser Merkmalsvektor, der auch mehr Dimensionen, je nachdem wie viele Merkmale eingehen sollen, aufweisen kann, geht dann zum Einen in das Modul SVM, das die Support Vektor Maschine beinhaltet und zum Anderen in den Kernalgorithmus K ein. Es ist möglich, dass das Merkmalsmodul M nur einen Teilvektor dem Modul SVM bereitstellt, weil nur ein Teil der Merkmale für die Klassifizierung notwendig ist. Gleiches gilt auch für den Kernalgorithmus. Das Modul SVM klassifiziert nun mit der Support Vektor Maschine den Merkmalsvektor. Dieses Klassifizierungsergebnis wird ebenfalls im Kernalgorithmus K bereitgestellt. Es ist möglich, dass dieses Klassifizierungsergebnis auch anderen hier nicht dargestellten Modulen bereitgestellt werden kann. Beispielsweise kann das Klassifizierungsergebnis als Plausibilität für eine Auslöseentscheidung verwendet werden, die aus einem anderen Algorithmusteil gewonnen wird. Auch ist denkbar, dass das Klassifizierungsergebnis für die Steuerung der weiteren Algorithmusabarbeitung genutzt wird. Denkbar ist beispielsweise das gezielte Zu- und Abschalten von Funktionalität. Der Kernalgorithmus beeinflusst nun mit dem Klassifizierungsergebnis die Auswertung des Merkmalsmoduls, ob die Ansteuerung der Personenschutzmittel PS erfolgen soll oder nicht. Kommt es zur Entscheidung, dass die Personenschutzmittel angesteuert werden sollen, dann wird das Modul A für die Ansteuerung aktiviert, um ein Ansteuersignal mit der Hardware des Mikrocontrollers μC zu erzeugen und der Ansteuerschaltung FLIC zu übertragen. Diese Übertragung kann, wenn sie über die SPI-Bus geschieht, besonders abgesichert sein.
3 erläutert in einem ersten Flussdiagramm den Ablauf des erfindungsgemäßen Verfahrens. In Verfahrensschritt 300 wird das Signal der Unfall-, Umfeld- und/oder Fahrdynamiksensorik bereitgestellt. Und zwar durch die Schnittstellen IF1, IF2 bzw. IF3. Daraus wird dann Verfahrensschritt 301 der Merkmalsvektor geformt in der oben beschriebenen Weise. Dieser Merkmalsvektor wird vollständig dem Kernalgorithmus 303 zugeführt und vollständig oder teilweise der Support Vektor Maschine 302. Die Support Vektor Maschine klassifiziert den Merkmalsvektor oder Teilmerkmalsvektor und überträgt dieses Klassifizierungsergebnis an den Kernalgorithmus 303. Der Kernalgorithmus 303 entscheidet die Ansteuerung der Personenschutzmittel PS in Abhängigkeit von dem Merkmalsvektor und dem Klassifizierungsergebnis. Ansteuerung erfolgt dann in Verfahrensschritt 304.
4 zeigt ein weiteres Signalablaufdiagramm. Im Block 400 wird der Merkmalsvektor bereitgestellt und dem Kernalgorithmus 401 zur Verfügung gestellt, der einen zweidimensionalen Entscheidungsraum aufgespannt hier aus der Beschleunigung bzw. Verzögerung A und der Geschwindigkeit DV, wobei A auf der Abszisse abgetragen ist und DV auf der Ordinate. Der Schwellwert 408 trennt den Auslösefall 403 von dem Nichtauslösefall 402. Der Merkmalsvektor wird in diesen Entscheidungsraum eingetragen, und es wird geprüft, ob der Merkmalsvektor über dem Schwellwert 408 oder darunter liegt. Je nachdem erfolgt dann die Ausgabe, dass eine Ansteuerung erfolgen soll, und zwar an dem Block 406. Parallel dazu wurde der Merkmalsvektor 400 der Support Vektor Maschine SVM im Block 404 zur Verfügung gestellt, wobei die Support Vektor Maschine die Klassifizierung durchführt. Diese Klassifizierung nimmt Einfluss beispielsweise auf den Schwellwert 408. Aus der Klassifizierung kann jedoch auch im Block 405 eine Plausibilisierung durchgeführt werden, d. h. es wird geprüft, ob auch die Klassifizierung anzeigt, dass ein Auslösefall vorliegt. Das Ergebnis der Plausibilisierung und des Kernalgorithmus 401 wird im Block 406 verknüpft. Zeigt diese Verknüpfung einen Ansteuerfall an, dann erfolgt im Block 407 die Ansteuerung.
5 zeigt ein weiteres Signalablaufdiagramm. Vorliegend ist nur ein Ausschnitt gezeigt. Die Support Vektor Maschine 500 liefert ihre Klassifizierung an einen Suchalgorithmus 501, der an einem Look Up Table nach einem Schwellwert in Abhängigkeit von der Klassifizierung sucht und ihn lädt und dann dem Kernalgorithmus 502 zur Verfügung stellt.
6 zeigt einen weiteren Ausschnitt des Signalablaufdiagramms. Die Support Vektor Maschine klassifiziert wiederum den Merkmalsvektor. Dies führt im Block 601 zu einem Zuschlag oder Abschlag für den Schwellwert, der dem Kernalgorithmus 602 zugeführt wird, so dass hier dem Schwellwert 603 der Zuschlag 604 zugeführt wird.
7 zeigt einen Signallaufdiagramm des erfindungsgemäßen Verfahrens. Merkmale M1-3, die aus dem oder den Signalen der Unfallsensorik erzeugt wurden, werden der Support Vektor Maschine 70 zur Klassifizierung des aus den Merkmalen M1-3 gebildeten Merkmalsvektors zugeführt. Diese Merkmale M1-3 oder eine Untermenge der Merkmale M1-3 und gegebenenfalls weitere Merkmale, auch von unterschiedlichen Sensoren werden dem Kernalgorithmus 71 zugeführt, der in Abhängigkeit von diesen gesamten Merkmalen die Ansteuerungsentscheidung fällt. Diese Ansteuerungsentscheidung wird jedoch auch von der Klassifzierung durch die Support Vektor Maschine 70 beeinflusst. Die Beeinflussung wird beispielsweise durch eine Schwellwertveränderung in Abhängigkeit von der Klassifizierung durchgeführt. Dabei kann eine jeweilige Klasse zu einem vorbestimmten Zu- oder Abschlag führen oder für eine jeweilige Klasse wird ein jeweiliger Schwellwert geladen.
Zusätzlich oder anstatt kann aus der Klassifizierung auch eine eigene Plausibilisierungsentscheidung gefällt werden, wobei das Ergebnis dieser Plausibilisierung und die Entscheidung des Kernalgorithmus dann miteinander verknüpft werden, um die Ansteuerungsentscheidung letztlich zu fällen.

Claims

Verfahren zur Ansteuerung von Personenschutzmitteln (PS), wobei ein Merkmalsvektor (M) mit mindestens zwei Merkmalen aus wenigstens einem Signal einer Unfallsensorik (BS1, BS2, DS, U) gebildet wird, wobei durch einen Kernalgorithmus (K) in Abhängigkeit von dem Merkmalsvektor (M) oder von einem ersten Teilmerkmalsvektor die Personenschutzmittel (PS) angesteuert werden, dadurch gekennzeichnet, dass der Merkmalsvektor (M) oder ein zweiter Teilmerkmalsvektor durch eine Support Vektor Maschine (SVM) klassifiziert wird und der Kernalgorithmus (K) durch die Klassifizierung beeinflusst wird.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass der Kernalgorithmus (K) eine Entscheidung für die Ansteuerung dadurch bildet, dass der Merkmalsvektor (M) oder der erste Teilmerkmalsvektor mit einem ersten Schwellwert in einem mindestens zweidimensionalen Merkmalsraum verglichen wird.
Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass der Kernalgorithmus (K) durch die Klassifizierung dadurch beeinflusst wird, dass der erste Schwellwert in Abhängigkeit von der Klassifizierung verändert wird.
Verfahren nach Anspruch 3, dadurch gekennzeichnet, dass die Veränderung des ersten Schwellwerts durch einen Zuschlag oder Abschlag oder durch ein Ersetzen des ersten Schwellwerts durch einen zweiten Schwellwert vorgenommen wird.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass in Abhängigkeit von der Klassifizierung eine Plausibilisierung der Ansteuerung durchgeführt wird, wobei der Kernalgorithmus (K) die Plausibilisierung bei der Ansteuerung berücksichtigt.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass in Abhängigkeit von der Klassifizierung ein Misuse erkannt wird und der Kernalgorithmus (K) dies bei der Ansteuerung berücksichtigt.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass in Abhängigkeit von der Klassifizierung ein sehr schwerer Crash erkannt wird.
Verfahren nach Anspruch 7, dadurch gekennzeichnet, dass die Support Vektor Maschine (SVM) Fehlklassifizierungen zulässt und dass die Fehlklassifizierungen unterschiedlicher Klassen unterschiedlich starkes Gewicht bekommen.
Steuergerät (SG) zur Ansteuerung von Personenschutzmitteln mit: – wenigstens einer Schnittstelle (IF1, IF2, IF3), die wenigstens ein Signal einer Unfallsensorik bereitstellt; – einer Auswerteschaltung (μC), die einen Merkmalsvektor (M) mit wenigstens zwei Merkmalen aus dem wenigstens einen Signal bildet, wobei die Auswerteschaltung (μC) einen Kernalgorithmus (K) aufweist, der in Abhängigkeit von dem Merkmalsvektor (M) oder von einem ersten Teilmerkmalsvektor die Personenschutzmittel (PS) ansteuert, dadurch gekennzeichnet, dass die Auswerteschaltung (μC) eine Support Vektor Maschine (SVM) aufweist, die den Merkmalsvektor (M) oder einen zweiten Teilmerkmalsvektor klassifiziert und den Kernalgorithmus (K) in Abhängigkeit von der Klassifizierung beeinflusst.
Computerprogramm, das alle Schritte eines Verfahrens nach einem der Ansprüche 1 bis 8 ausführt, wenn es auf einem Steuergerät (SG) abläuft.
Computerprogrammprodukt mit Programmcode, der auf einem maschinenlesbaren Träger gespeichert ist zur Durchführung des Verfahrens nach einem der Ansprüche 1 bis 8, wenn das Programm auf einem Steuergerät (SG) ausgeführt wird.