-
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
DE 10 2006 014 915 A1 wird ein Verfahren zum rechnergestützten Erstellen von Verarbeitungsvorschriften für die Steuerung von Kraftfahrzeuginsassenschutzsystemen beschrieben, die von einer Verarbeitungseinheit verarbeitet werden können. Bei dem Verfahren werden die Verarbeitungsvorschriften für die Durchführung eines Verfahrens zur Steuerung von Kraftfahrzeuginsassenschutzsystemen herangezogen. Zudem wird ein gemeinsamer Unfallschwerefaktor oder eine digitale Auslöseentscheidung für das Schutzsystem ermittelt, wobei die Verarbeitungsvorschriften Regeln für eine Fuzzy-Logik darstellen und eine Regel eine Kombination einer Anzahl an Kriterien umfasst.
-
Dabei werden die Erstellung der Regeln und/oder eine Optimierung der Lage und/oder Form von Fuzzy-Variablen durch ein neuronales Netz vorgenommen.
-
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 Sicherheitseinrichtung 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.
-
Zudem 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 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 bedeutet, dass die Trennfläche zwischen den Crashklassen sowohl über einen Maximum-Margin-Klassifikation als auch über einen Soft-Margin-Klassifikation ermittelt werden kann.
-
Die erfindungsgemäße Vorrichtung zur Crashklassifikation für ein Fahrzeugsicherheitssystem mit den Merkmalen des unabhängigen Patentanspruchs 6 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.
-
Zudem 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.
-
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 6 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 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.
-
Ausführungsbeispiele der Erfindung sind in den Zeichnungen dargestellt und werden in
der nachfolgenden Beschreibung näher erläutert.
-
Figurenliste
-
- 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 Durchfuhrung eines Verfahrens zur Crashklassifikation ein physikalisches Ersatzmodell 10 des Fahrzeugs, eine Trainingsvorrichtung 20 und einen Klassifikator 30, welcher basierend auf einem 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 können 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 Maschinenlemvorgangs 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. Ebenso 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(x
1, x
2). 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.
-
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.
