-
Stand der Technik
-
Die
Erfindung geht aus von einem Verfahren zur Crashklassifikation für
ein Fahrzeugsicherheitssystem nach der Gattung des unabhängigen
Patentanspruchs 1 und von einer zugehörigen Vorrichtung.
-
Stand der Technik:
-
Lernende
Algorithmen, wie beispielsweise neuronale Netze und Support-Vector-Maschinen, werden
zur Klassifikation in vielen Gebieten erfolgreich genutzt. Auch
im Bereich der Crashklassifikation für Fahrzeugsicherheitssysteme
sind diese Ansätze bekannt. Hierbei besteht das Ziel von
lernbasierten Verfahren für die Crashklassifikation in
der Bestimmung von Parametern für eine Trennung von mindestens
zwei Crashklassen. Diese Crashklassen umfassen beispielsweise eine
"Fire-Klasse", bei der die Personenschutzmittel angesteuert werden,
und eine "No-Fire-Klasse", bei der eine Ansteuerung der Personenschutzmittel
nicht erfolgt. Basierend auf einem Maschinenlernvorgang wird während
des Fahrzeugbetriebs eine aktuell ermittelte Fahrsituation dahingehend
klassifiziert, ob die „Fire-Klasse" oder die „No-Fire-Klasse"
vorliegt, wobei während des Maschinenlernvorgangs anhand
eines Trainingsprozesses mit mindestens einem vorgegebenen Eingabedatensatz
mindestens ein optimierter Klassifikationsparameter erzeugt wird.
Um viele Repräsentanten von Crashklassen abzudecken, wird
das System anhand eines möglichst großen Datensatzes
bezüglich der Crashklassifikation trainiert. Lernbasierte
Methoden sind dabei gewöhnlich „Black-Box-Ansätze",
bei denen keine weitere Information über die zu klassifizierenden
Crashmerkmale berücksichtigt werden, welche die Crashklassen
definieren. In der Regel ist zur Festlegung der Parameter zur Trennung
der verschiedenen Crashklassen ein nichtlineares Optimierungsproblem
zu lösen. Die Lösung des Optimierungsproblems
liefert dabei die besten Parameter zur Crashklassifikation. Die
Lösung dieses Optimierungsproblems ist häufig
zeitaufwändig, insbesondere dann, wenn die Optimierung
in vielen Dimensionen erfolgt.
-
Die
Fahrzeugsicherheitssysteme sind beispielsweise als Insassen- und/oder
Fußgängerschutzsysteme ausgeführt, die
entsprechende Insassenschutzmittel bzw. Fußgängerschutzmittel
aufweisen, die beispielsweise als irreversible Schutzmittel, wie
z. B. Innen-Airbags, pyrotechnische Gurtstraffer, Außen-Airbags,
usw., und/oder als reversible Schutzmittel, wie z. B. elektromotorische
Gurtstraffer, aufstellbare Motorhaube usw., ausgeführt
sind. Die Ermittlung der aktuellen Fahrsituation und die Ansteuerung
der Personenschutzmittel erfolgt auf Grundlage von Sensorsignalen,
die zur Ermittlung einer aktuellen Fahrsituation und zur Erkennung
eines Unfalls von mindestens einem Sensorsystem, das einen oder
mehrere Sensoren umfasst, erfasst und entsprechend ausgewertet werden.
Für die einzelnen Sensoren können die verschiedensten
Sensorprinzipien, wie beispielsweise Beschleunigungs-, Druck-, Körperschallsensoren,
piezoelektrische und/oder optische Sensoren usw. benutzt werden.
Zudem können Sensordaten ausgewertet und verwendet werden,
welche von Sensoren von Fahrdynamiksystemen und/oder einer Drehbewegungssensorik
erfasst und zur Verfügung gestellt werden.
-
In
der Offenlegungsschrift
DE
198 54 380 A1 wird ein Verfahren zum Erkennen der Schwere
eines Fahrzeugzusammenstosses beschrieben, bei welchem Ausgangssignale
eines Beschleunigungssensors aufbereitet und einem neuronalen Netz
zugeführt werden, das eine Auslöseeinheit für
eine Insassenschutzeinrichtung steuert. Zum Erkennen des Verlaufs
des Fahrzeugzusammenstoßes sind weitere Crash-Sensoren
vorgesehen, die eine dem Ausgangssignal des Beschleunigungssensors
gleiche physikalische Größe zu einem definierten
Zeitpunkt als Eingangssignal für das neuronale Netz liefern. Durch
die Auslöseeinheit können mehrere Insassenschutzeinrichtungen
gesteuert werden.
-
In
der Offenlegungsschrift
DE
103 48 999 A1 werden ein Verfahren und eine Vorrichtung
zur Steuerung von Sicherheitseinrichtungen in Kraftfahrzeugen beschrieben.
Zur Erkennung eines Aufpralls oder eines bevorstehenden Aufpralls
werden die Ausgangssignale von an oder im Kraftfahrzeug angeordneten
Sensoren mathematisch miteinander verknüpft, um so bei
gleichzeitiger Reduktion der Rechenleistung eine eindeutige Unterscheidung
zwischen Crashereignissen, die ein Auslösen der mindestens
einen Sicher heitseinrichtung erfordern, und Crashereignissen zu
gewährleisten, bei denen keine Auslösung der mindestens
einen Sicherheitseinrichtung erfolgen soll.
-
Offenbarung der Erfindung
-
Das
erfindungsgemäße Verfahren zur Crashklassifikation
für ein Fahrzeugsicherheitssystem mit den Merkmalen des
unabhängigen Patentanspruchs 1 hat demgegenüber
den Vorteil, dass während eines Maschinenlernvorgangs mit
einem physikalischen Ersatzmodell des Fahrzeugs aus Sensordaten
mindestens eine charakteristische Größe extrahiert
wird, die mindestens zwei Crashmerkmale betrifft und gezielt in
den Trainingsprozess zur Erzeugung von optimierten Klassifizierungsparameter
integriert wird. Basierend auf den Modelldaten können die
Eigenschaften der Crashmerkmale bestimmt und zielgerichtet in das
Maschinenlernverfahren integriert werden, wobei die Klassifikationsparameter
für die Crashklassifikation umso besser und schneller durch entsprechende
Verfahren bzw. Algorithmen optimiert werden können, je
besser man die Eigenschaften der Crashmerkmale kennt, wodurch in
vorteilhafter Weise die erforderliche Zeitspanne zur Durchführung
des Trainingsprozesses verkürzt werden kann. Zudem ermöglicht
die Verwendung von Informationen aus dem physikalischen Ersatzmodell
des Fahrzeugs, aus welchen die charakteristischen Größen
bestimmt werden, durch die optimierte Crashklassentrennung eine
Verbesserung der Güte und eine Steigerung der Leistungsfähigkeit
des Maschinenlernverfahrens für die Crashklassifikation.
-
Die
erfindungsgemäße Vorrichtung zur Crashklassifikation
für ein Fahrzeugsicherheitssystem mit den Merkmalen des
unabhängigen Patentanspruchs 8 umfasst eine Trainingsvorrichtung
und einen Klassifikator, welcher basierend auf einem von der Trainingsvorrichtung
durchgeführten Maschinenlernvorgang eine aktuell ermittelte
Fahrsituation dahingehend klassifiziert, ob eine erste Crashklasse vorliegt,
welche eine Aktivierung mindestens eines Personenschutzmittels des
Fahrzeugsicherheitssystems erfordert, oder ob eine zweite Crashklasse
vorliegt, welche keine Aktivierung des mindestens einen Personenschutzmittels
des Fahrzeugsicherheitssystems erfordert. Die Trainingsvorrichtung
erzeugt während des Maschinenlernvorgangs anhand eines Trainingsprozesses
mit mindestens einem vorgegebenen Eingabedatensatz mindestens einen
optimierten Parameter für den Klassifikator zur Crashklassifikation,
wobei die Crashklassen durch vorgegebene Crashmerkmale definiert
sind. Erfindungsgemäß extrahiert ein physikalisches
Ersatzmodell des Fahrzeugs während des Maschinenlernvorgangs
aus Sensordaten mindestens eine charakteristische Größe,
die mindestens zwei Crashmerkmale betrifft. Die Trainingsvorrichtung
integriert die mindestens eine extrahierte charakteristische Größe
gezielt in den Trainingsprozess zur Erzeugung der optimierten Klassifizierungsparameter
für den Klassifikator. Die Struktur des Klassifikators
kann auf Basis des Vorwissens aus dem physikalischen Ersatzmodell
gezielt entwickelt werden. Da der lernbasierte Klassifikator derartige
strukturelle Informationen enthält, kann die Leistungsfähig
des Klassifikators in vorteilhafter Weise durch Hinzunahme von A-Priori-Wissen positiv
beeinflusst werden.
-
Durch
die in den abhängigen Ansprüchen aufgeführten
Maßnahmen und Weiterbildungen sind vorteilhafte Verbesserungen
des im unabhängigen Patentanspruch 1 angegebenen Verfahrens
zur Crashklassifikation für ein Fahrzeugsicherheitssystem
und der im unabhängigen Patentanspruch 8 angegebenen Vorrichtung
zur Crashklassifikation für ein Fahrzeugsicherheitssystem
möglich.
-
Besonders
vorteilhaft ist, dass die mindestens eine charakteristische Größe
beispielsweise einen mathematischen und/oder physikalischen Zusammenhang
zwischen den mindestens zwei Crashmerkmalen betrifft bzw. beschreibt.
Ist der mathematische und/oder physikalische Zusammenhang zwischen
den mindestens zwei Crashmerkmalen bekannt, dann kann der Trainingsvorgang
schneller abgeschlossen bzw. die Klassifikationsgüte verbessert werden.
-
In
Ausgestaltung des erfindungsgemäßen Verfahrens
wird ein Suchraum des Maschinenlernvorgangs basierend auf der mindestens
einen charakteristischen Größe eingeschränkt,
wodurch in vorteilhafter Weise die Gefahr einer „Überanpassung" des
Klassifikationsverfahrens an die Trainingsdaten reduziert wird,
da in physikalisch bzw. mathematisch nicht sinnvollen Bereichen
keine Lösung des Optimierungsproblems gesucht wird. Somit
ergibt sich durch eine solche Unterdrückung von Trainingsausreißern
in vorteilhafter Weise eine „modellbasierte Filterung".
Zur Einschränkung des Suchraums wird beispielsweise ein
Merkmalsraum der mindestens zwei Crashmerkmale in Abhängigkeit
von der mindestens einen charakteristischen Größe
in geeignete Unterräume aufgeteilt, wobei in Abhängigkeit
von aktuellen Werten der mindestens zwei Crashmerkmale ein korrespondierender
Unterraum ausgewählt wird, wobei innerhalb des ausgewählten
Unterraums basierend auf der mindestens einen charakteristischen Größe
Suchraumgrenzen ermittelt werden, und wobei innerhalb der ermittelten
Suchraumgrenzen ein Optimierungsalgorithmus zur Erzeugung des mindestens
einen optimierten Klassifizierungsparameters ausgeführt
wird, der die mindestens zwei Crashklassen trennt. Der mindestens
eine optimierte Klassifizierungsparameter repräsentiert
beispielsweise eine optimale Trennlinie und/oder eine optimale Trennfläche
zwischen mindestens zwei Crashklassen. Die optimale Trennlinie beschreibt
eine Trennlinie mit maximalem Abstand zwischen zwei Crashklassen.
Können die beiden Klassen nicht getrennt werden, dann repräsentiert
die „optimale Trennlinie" eine Trennlinie, welche ein vorgegebenes
Gütemaß minimiert, welches Fehlklassifikationen
geeignet bestraft. Das bedeutete, dass die Trennfläche
zwischen den Crashklassen sowohl über einen Maximum-Margin-Klassifkation
als auch über einen Soft-Margin-Klassifikation ermittelt
werden kann.
-
In
weiterer Ausgestaltung des erfindungsgemäßen Verfahrens
wird zur Erzeugung des mindestens einen optimierten Klassifizierungsparameters zur
Trennung von zwei nicht linear trennbaren Crashklassen ein Ausgangsraum
der beiden Crashklassen in einen höherdimensionalen Bildraum
transformiert, in welchem die beiden transformierten Crashklassen in
vorteilhafter Weise linear trennbar sind und der optimierte Klassifizierungsparameter
mit einem Standardalgorithmus erzeugbar ist.
-
In
Ausgestaltung der erfindungsgemäßen Vorrichtung
ist der Klassifikator als neuronales Netz und/oder als Support-Vektor-Maschine
ausgeführt.
-
In
weiterer Ausgestaltung der erfindungsgemäßen Vorrichtung
teilt die Trainingsvorrichtung zur Einschränkung des Suchraums
einen Merkmalsraum der mindestens zwei Crashmerkmale in Abhängigkeit von
der mindestens einen charakteristischen Größe in
geeignete Unterräume auf, wählt in Abhängigkeit von
aktuellen Werten der mindestens zwei Crashmerkmale einen korrespondierenden
Unterraum aus, ermittelt innerhalb des ausgewählten Unterraums
basierend auf der mindestens einen charakteristischen Größe
Suchraumgrenzen und führt innerhalb der ermittelten Suchraumgrenzen
einen Optimierungsalgorithmus zur Erzeugung des mindestens einen
optimierten Klassifizierungsparameters aus, der die mindestens zwei
Crashklassen trennt.
-
Ausführungsbeispiele
der Erfindung sind in den Zeichnungen dargestellt und werden in
der nachfolgenden Beschreibung näher erläutert.
-
Kurze Beschreibung der Zeichnungen
-
1 zeigt
ein schematisches Blockdiagramm eines Ausführungsbeispiels
eines Fahrzeugsicherheitssystems.
-
2 zeigt
ein schematisches Blockdiagramm zur Beschreibung eines Ausführungsbeispiels
eines Maschinenlernvorgangs für ein erfindungsgemäßes
Verfahren zur Crashklassifikation für das Fahrzeugsicherheitssystem
gemäß 1.
-
3 zeigt
eine schematische Darstellung eines Ausführungsbeispiels
für eine Suchraumeinschränkung für den
Maschinenlernvorgang gemäß 2.
-
4 zeigt
eine schematische Darstellung von Trennlinien zwischen zwei Crashklassen.
-
5A zeigt
eine schematische Darstellung eines Ausgangsraums, in welchem zwei
dargestellte Crashklassen nicht linear trennbar sind.
-
5B zeigt
eine schematische Darstellung eines Bildraums, in welchem die zwei
Crashklassen des Ausgangsraums gemäß 5A linear
trennbar sind.
-
Ausführungsformen
der Erfindung
-
Wie
aus 1 ersichtlich ist, umfasst ein Fahrzeugsicherheitssystem 5 zur
Durchführung eines Verfahrens zur Crashklassifikation ein
physikalisches Ersatzmodell 10 des Fahrzeugs, eine Trainingsvorrichtung 20 und
einen Klassifikator 30, welcher basierend auf eifern von
der Trainingsvorrichtung 20 durchgeführten Maschinenlernvorgang,
der nachfolgend unter Bezugnahme auf 2 bis 5B im
Detail beschrieben wird, eine aktuell ermittelte Fahrsituation,
dahingehend klassifiziert, ob eine erste Crashklasse K1 vorliegt,
welche eine Aktivierung mindestens eines Personenschutzmittels 7 des
Fahrzeugsicherheitssystems 5 erfordert, oder ob eine zweite
Crashklasse K2 vorliegt, welche keine Aktivierung des mindestens
einen Personenschutzmittels 7 des Fahrzeugsicherheitssystems 5 erfordert.
Die Ermittlung der aktuellen Fahrsituation und die Ansteuerung der
Personenschutzmittel 7 führt der Klassifikator 30 beispielsweise
auf Grundlage von Sensordaten 1 durch, die zur Ermittlung
einer aktuellen Fahrsituation und zur Erkennung eines Unfalls von
mindestens einem nicht dargestellten Sensorsystem, das einen oder
mehrere Sensoren umfasst, erfasst und entsprechend ausgewertet werden. Für
die einzelnen Sensoren kön nen die verschiedensten Sensorprinzipien,
wie beispielsweise Beschleunigungs-, Druck-, Körperschallsensoren,
piezoelektrische und/oder optische Sensoren sowie Sensoren von Fahrdynamiksystemen
oder Drehbewegungssensoren usw. benutzt werden. Die Personenschutzmittel 7 sind
beispielsweise als Insassenschutzmittel bzw. Fußgängerschutzmittel
ausgeführt, die beispielsweise als irreversible Schutzmittel,
wie z. B. Innen-Airbags, pyrotechnische Gurtstraffer, Außen-Airbags,
usw., und/oder als reversible Schutzmittel, wie z. B. elektromotorische
Gurtstraffer, aufstellbare Motorhaube usw., ausgeführt
sind.
-
Die
Trainingsvorrichtung 20 erzeugt während des Maschinenlernvorgangs
anhand eines Trainingsprozesses mit mindestens einem vorgegebenen
Eingabedatensatz zur Crashklassifikation mindestens einen optimierten
Parameter 3 für den Klassifikator 30,
wobei die Crashklassen K1, K2 durch beliebige Kombinationen der
vorgegebenen Crashmerkmale M1, M2, ..., Mn definiert sind. Das physikalische
Ersatzmodell 10 des Fahrzeugs extrahiert während
des Maschinenlernvorgangs aus Sensordaten 1 mindestens
eine charakteristische Größe 2, die mindestens zwei
Crashmerkmale M1, M2, ..., Mn betrifft. Zur Erzeugung der optimierten
Klassifizierungsparameter 3 für den Klassifikator 30 integriert
die Trainingsvorrichtung 20 die mindestens eine extrahierte
charakteristische Größe 2 gezielt in
den Trainingsprozess. Der Klassifikator 30 kann beispielsweise
als neuronales Netz und/oder als Support-Vektor-Maschine ausgeführt
werden.
-
Durch
die Verwendung von Informationen aus dem physikalischen Ersatzmodell 10 des
Fahrzeugs kann die Leistungsfähigkeit des Maschinenlernvorgangs
für das Verfahren zur Crashklassifikation gesteigert werden.
Die aus den Sensordaten vom physikalische Ersatzmodell 10 extrahierte
mindestens eine charakteristische Größe kann beispielsweise
einen mathematischen und/oder physikalischen Zusammenhang der für
die Klassifizierung verwendeten Crashmerkmale M1, M2, ..., Mn beinhalten. Entsprechend
kann der Suchraum des Maschinenlernvorgangs zur Optimierung der
Klassifikationsparameter 3 basierend auf den Modelldaten
gezielt eingeschränkt werden, wodurch der Zeitbedarf für
den Trainingsprozess in vorteilhafter Weise reduziert werden kann.
Zudem kann durch die Einschränkung des Suchraums die Gefahr
einer „Überanpassung" des Klassifikators 30 an
die Trainingsdaten reduziert werden, da in physikalisch bzw. mathematisch
nicht sinnvollen Bereichen keine Lösung des Optimierungsproblems
gesucht wird, wodurch eine „modellbasierte Filterung" erzielt
wird, welche Trainingsausreißer in vorteilhafter Weise
unterdrückt. Außerdem kann die Struktur des Klassifikators 30 auf
Basis des Vorwissens aus dem physikalischen Ersatzmodells 10 des Fahrzeugs
gezielt „entworfen" werden, d. h. bei neuronalen Netzen
kann beispielsweise die Anzahl von Neuronen an das Vorwissen angepasst
werden, bzw. bei Support-Vector-Maschinen kann die Gestalt einer korrespondierenden
Kernel-Funktion an das Vorwissen angepasst werden. Da der lernbasierte
Klassifikator 20 unabhängig von seiner konkreten
Ausführungsform derartige strukturelle Informationen enthält,
kann die Leistungsfähigkeit des Klassifikators 20 unabhängig
von der konkreten Ausführungsform durch Hinzunahme von
A-Priori-Wissen positiv beeinflusst werden.
-
Wie
aus 2 ersichtlich ist, teilt die Trainingsvorrichtung 20 während
des Maschinenlernvorgangs zur Einschränkung des Suchraums
in einem Block 22 den Merkmalsraum der mindestens zwei Crashmerkmale
M1, M2, ..., Mn in Abhängigkeit von der mindestens einen
charakteristischen Größe 2 in geeignete
Unterräume auf. Im Block 22 wählt die Trainingsvorrichtung 20 in
Abhängigkeit von aktuellen Werten der mindestens zwei Crashmerkmale
M1, M2, ..., Mn einen korrespondierenden Unterraum aus. Im Block 26 ermittelt
die Trainingsvorrichtung 20 basierend auf der mindestens
einen charakteristischen Größe 2 innerhalb
des ausgewählten Unterraums Suchraumgrenzen und führt
im Block 28 innerhalb der ermittelten Suchraumgrenzen einen
Optimierungsalgorithmus zur Erzeugung des mindestens einen optimierten
Klassifizierungsparameters 3 aus, der die mindestens zwei
Crashklassen K1, K2 trennt. Die während des Maschinenlernvorgangs
optimierten Klassifizierungsparameter 3 werden an den Klassifikator 30 ausgegeben,
welcher basierend auf den optimierten Klassifizierungsparametern 3 eine
aktuell ermittelte Fahrsituation dahingehend klassifiziert, ob die
erste Crashklasse K1 vorliegt, welche eine Aktivierung mindestens
eines Personenschutzmittels 7 des Fahrzeugsicherheitssystems 5 erfordert,
oder ob die zweite Crashklasse K2 vorliegt, welche keine Aktivierung
des mindestens einen Personenschutzmittels 7 des Fahrzeugsicherheitssystems 5 erfordert.
-
Wie
aus 3 ersichtlich ist, ist der Merkmalsraum der beispielhaft
dargestellten Crashmerkmale M1 und M2 in vier Unterräume
aufgeteilt und die strichpunktierte Trennlinie 40 zeigt
eine optimale Lösung für die Klassifizierungsparameter.
Im dargestellten Beispiel ist aus dem physikalischen Ersatzmodell 10 des
Fahrzeugs beispielsweise bekannt, dass der Zusammenhang zwischen
einem ersten Crashmerkmal M1 und einem zweiten Crashmerkmal M2 monoton
steigend ist. In diesem Fall scheidet dann beispielsweise die obere
linke Ecke 42 im Unterraum 1 für die
Suche nach einer optimalen Lösung aus. E benso muss im Unterraum 4 der
rechte untere Bereich 44 nicht berücksichtigt
werden. Entsprechendes Vorgehen folgt für die anderen dargestellten
Unterräume.
-
Bei
der Suche nach dem Optimum wird also in Abhängigkeit von
den aktuellen Werten der beiden Merkmale M1 und M2 entschieden,
in welchem Unterraum man sich befindet. Für diesen Unterraum werden
dann auf Basis des physikalischen bzw. mathematischen Zusammenhangs
der Merkmale M1 und M2 die Suchraumgrenzen UG und OG berechnet.
In 3 sind diese Suchraumgrenzen UG2 und OG2 beispielhaft
für den Unterraum 2 dargestellt. In einem letzten
Schritt wird innerhalb der bestimmten Suchraumgrenzen UG2 und OG2
nach der optimalen Lösung gesucht, welche hier durch die
Trennlinie 40 repräsentiert wird.
-
Zudem
bestimmt die Struktur des Klassifikators 30 die Güte
des Klassifikationsverfahrens. Ein neuronales Netz mit sehr vielen
Neuronen kann beispielsweise zu Überanpassung neigen, sich
also zu sehr an die Trainingsdaten anpassen und bzgl. nicht trainierter
Testdaten eine schlechte Leistungsfähigkeit aufweisen.
Daher wird angestrebt, strukturell optimale Klassifikatoren 30 zu
entwickeln, was durch A-Priori-Wissen aus dem physikalischen Ersatzmodell 10 erleichtert
werden kann. Dies wird nachfolgend anhand einer beispielhaften Ausführung
des Klassifikators 30 als Support-Vector-Maschine (SVM) erklärt.
-
Der
als Support-Vector-Maschine ausgeführte Klassifikator 30 sucht,
wie aus 4 ersichtlich ist zwischen zwei
Crashklassen K1, K2 stets eine optimale Trennlinie 50,
also die Trennlinie mit einem maximalen Abstand zwischen einer als
Sterne dargestellten ersten Crashklasse K1 und einer als Kreise dargestellten
zweiten Crashklasse K2. Können die beiden Crashklassen
K1, K2 nicht getrennt werden, dann repräsentiert die „optimale
Trennlinie" eine Trennlinie, welche ein vorgegebenes Gütemaß minimiert,
welches Fehlklassifikationen geeignet bestraft. Das bedeutete, dass
die Trennfläche zwischen den Crashklassen sowohl über
eine Maximum-Margin-Klassifkation als auch über einen Soft-Margin-Klassifikation
ermittelt werden kann. In 4 wird die
optimale Trennlinie 50 durch eine fett dargestellte durchgezogene
Gerade beschrieben. Die dünner dargestellte strichpunktierte
Trennlinie 52 und die dünner dargestellte punktierte
Trennlinie 54 repräsentieren nicht optimale Trennlinien
zwischen den beiden Crashklassen K1 und K2.
-
Häufig
sind die beiden zu unterscheidenden Crashklassen K1' und K2' wie
aus 5A ersichtlich ist, in einem Ausgangsraum nicht
linear trennbar. Der als Support-Vector-Maschine ausgeführte
Klassifikator 30 transformiert dann beispielsweise den
Ausgangsraum in einen höherdimensionalen Bildraum, der
in 5B dargestellt ist. In diesem höherdimensionalen
Bildraum sind die beiden transformierten Crashklassen TK1' und TK2'
dann wieder linear trennbar und eine optimale Trennfläche 62 kann
als optimierter Klassifizierungsparameter mit einem Standardalgorithmus
berechnet werden. Die Transformation vom Ausgangsraum in den Bildraum
kann beispielsweise mittels eines so genannten Kernel-Tricks erfolgen.
Entscheidend für die transformierten Crashklassen TK1'
und TK2' im Bildraum gemäß 5B ist
die geeignete Wahl der verwendeten Kernel-Funktion K(x1,
x2). Ist der physikalische bzw. mathematische
Zusammenhang der Crashmerkmale im Ausgangsraum bekannt, so kann
eine mit diesem Wissen korrespondierende Kernel-Funktion verwendet
werden. Ist beispielsweise bekannt, dass zwischen den Merkmalen
ein quadratischer Zusammenhang besteht, dann kann für diesen
Fall beispielsweise ein Polynom zweiten Grades gemäß Gleichung
(1) als Kernel-Funktion verwendet werden. K(x1, x2)
= (x1·x2 + θ)2 (1)
-
Je
besser also die Eigenschaften der Crashmerkmale bekannt sind, desto
zielgerichteter kann die Auswahl der Kernel-Funktion erfolgen und umso
mehr kann die Leistungsfähigkeit des Klassifikators 30 und
des Klassifikationsverfahrens verbessert werden. Die Bestimmung
der Eigenschaften der Crashmerkmale kann wiederum über
das physikalische Ersatzmodell 10 des Fahrzeugs erfolgen.
-
Das
erfindungsgemäße Verfahren und die erfindungsgemäße
Vorrichtung ermöglichen durch die Verwendung von Informationen
aus physikalischen Ersatzmodellen des Fahrzeugs in vorteilhafter Weise
eine Steigerung der Leistungsfähigkeit des Maschinenlernverfahrens
und damit einer Verbesserung der Crashklassifikation in einem Fahrzeugsicherheitssystem.
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste
der vom Anmelder aufgeführten Dokumente wurde automatisiert
erzeugt und ist ausschließlich zur besseren Information
des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen
Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt
keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Patentliteratur
-
- - DE 19854380
A1 [0004]
- - DE 10348999 A1 [0005]