DE102010033744A1

DE102010033744A1 - Verfahren und Vorrichtung zur Freihandfahrt-Detektion

Info

Publication number: DE102010033744A1
Application number: DE102010033744A
Authority: DE
Inventors: Christian Wasileiades; Jan Bronni; Jürgen Müller; Dr. Rohlfs Michael
Original assignee: Volkswagen AG
Current assignee: Volkswagen AG
Priority date: 2010-08-07
Filing date: 2010-08-07
Publication date: 2012-05-16

Abstract

Ein Verfahren und eine entsprechende Vorrichtung zur Detektion einer Freihandfahrt eines Fahrers eines Kraftfahrzeugs weist die folgenden Schritte auf: – Bestimmen des zeitlichen Verlaufs des am Lenkrad des Kraftfahrzeugs anliegenden Lenkmomentsignals, – Extrahieren von Merkmalen, die eine Freihandfahrt kennzeichnen, aus dem zeitlichen Verlauf des Lenkmomentsignals, – Zusammenfassen der extrahierten Merkmale in einem Merkmalsvektor, – Klassifizierung des Merkmalsvektors in einem Klassifikator in eine Klasse betreffend die Freihandfahrt und in eine Klasse betreffend die Hands-On Fahrt.

Description

Die Erfindung betrifft ein Verfahren zur Detektion einer Freihandfahrt eines Kraftfahrzeugs gemäß dem Oberbegriff des Anspruchs 1 sowie eine entsprechende Vorrichtung gemäß dem Oberbegriff des Anspruchs 10.
Durch Assistenzsysteme moderner Kraftfahrzeuge wie beispielsweise Abstandsregelsysteme, Tempomat oder Spurhaltesysteme, werden dem Fahrer eines Kraftfahrzeugs immer mehr Aufgaben erleichtert oder abgenommen, wobei die Assistenzsysteme das Ziel haben, den Straßenverkehr sicherer zu machen. Insbesondere sollen Unfälle als Folge einer Unaufmerksamkeit des Fahrers verhindert werden. Allerdings besteht die Gefahr, dass der Fahrer sich zu sehr auf die Assistenzsysteme verlässt. Da diese Systeme aber keine vollständige Sicherheit bieten, muss darauf geachtet werden, dass der Fahrer weiterhin die Verantwortung über das Fahrzeug innehat. Dazu dienen unter anderem Systeme, die die Fahreraktivität ermitteln und überwachen, da ein aktiver Fahrer Voraussetzung für die Funktionsfähigkeit einiger Fahrerassistenzsysteme ist. Eine Möglichkeit der Ermittlung der Fahreraktivität ist die Bestimmung einer Freihandfahrt, da aus einer Freihandfahrt auf einen Zustand eingeschränkter Aktionsfähigkeit des Fahrers geschlossen werden kann. So ist es beispielsweise bei Fahrerassistenzsystemen mit Spurführungsunterstützung notwendig, den Kontaktzustand der Hände des Fahrers mit dem Lenkrad ständig zu überwachen, um eine Fahrsituation zu vermeiden, bei der der Fahrer das Lenkrad nicht ergriffen hat, d. h. eine Freihandfahrt vorliegt.
So offenbart die Druckschrift DE 10 005 056 438 A1 ein Verfahren zur Bestimmung einer Freihandfahrt, bei dem Beschleunigungen am Lenkrad gemessen werden und aus den gemessenen Beschleunigungen eine Übertragungsfunktion bestimmt wird, die dann mit einer Referenzübertragungsfunktion verglichen wird. Die Referenzübertragungsfunktion gibt dabei das Systemverhalten bei nicht ergriffenem Lenkrad wieder. Stimmt daher die gemessene Übertragungsfunktion mit der Referenzübertragungsfunktion überein, so hat der Fahrer das Lenkrad nicht ergriffen, d. h. es liegt eine Freihandfahrt vor. Allerdings sind die Übertragungsfunktionen, also auch die Referenzübertragungsfunktion, insbesondere eine Funktion der Motordrehzahl und der Geschwindigkeit des Fahrzeugs. Folglich muss der Geschwindigkeits- und Drehzahlbereich des Fahrzeugs durch eine ausreichende Anzahl von vorab bestimmten und gespeicherten Referenzfunktionen abgedeckt sein, um das Verfahren durchführen zu können.
Weiter beschreibt die Druckschrift DE 10 2007 039 332 A1 ein Verfahren zur Detektion des Kontaktzustands von mindestens einer Hand des Fahrers mit dem Lenkrad des Fahrzeugs, wobei die Lenkbewegung des Lenkrads mittels eines Momentsensors und eines Winkelsensors erfasst wird, die freie Lenkbewegung des Lenkrads unter Beachtung nicht linearer Reibungseffekte anhand von experimentellen Messdaten modelliert wird, das Fahrerlenkmoment mittels eines Zustandsbeobachters als ein Zustand ermittelt wird, und dass der Zustandsbeobachter für die Schätzung des Fahrerlenkmoments eingesetzt wird und mittels des geschätzten Fahrerlenkmoments der Kontaktzustand zwischen den Händen des Fahrers und dem Lenkrad geschätzt wird.
Nachteilig bei den bekannten Verfahren ist, dass diese in verschiedener Weise von fahrzeugspezifischen Parametern wie Fahrzeuggeschwindigkeit, Motordrehzahl oder experimentellen Messdaten etc. abhängen, so dass zumindest für jede Baureihe eines Kraftfahrzeugs eine Bestimmung spezifischer Daten vorgenommen werden muss.
Der Erfindung liegt daher die Aufgabe zugrunde, eine vereinfachtes und zuverlässiges Verfahren und eine entsprechende Vorrichtung zur Detektion einer Freihandfahrt zu schaffen, welches unabhängig von fahrzeugspezifischen Daten ist.
Diese Aufgabe wird durch ein Verfahren zur Detektion einer Freihandfahrt mit den Merkmalen des Anspruchs 1 sowie durch eine entsprechende Vorrichtung mit den Merkmalen des Anspruchs 10 gelöst. Bevorzugte Ausgestaltungen der Erfindung sind Gegenstand der Unteransprüche.
Das erfindungsgemäße Verfahren zur Detektion einer Freihandfahrt eines Fahrers eines Kraftfahrzeugs, weist die folgenden Schritte auf:

– Bestimmen des zeitlichen Verlaufs des am Lenkrad des Kraftfahrzeugs anliegenden Lenkmomentsignals,
– Extrahieren von Merkmalen aus dem zeitlichen Verlauf des Lenkmomentsignals,
– Zusammenfassen der extrahierten Merkmale in einem Merkmalsvektor,
– Klassifizierung des Merkmalsvektors in einem Klassifikator in eine Klasse betreffend die Freihandfahrt und in eine Klasse betreffend die Hands-On Fahrt.

Vorzugsweise wird das Lenkmomentsignal einer Vorverarbeitung unterzogen wird, die angepasst ist an die spätere Merkmalsextraktion. Mit anderen Worten, die Vorverarbeitung der Signale muss berücksichtigen, in welcher Art die nachfolgende Extraktion der Merkmale durchgeführt wird. So ist es für eine nachfolgende Verarbeitung im Frequenzbereich ungünstig, wenn das Signal vorab einer Glättung, wie beispielsweise mittels eines Moving-Average-Filters, unterworfen werden würde, da dieser Filter Frequenzinformationen entfernen würde. Andererseits ist eine Glättung mittels eines derartigen Filters für eine nachfolgende Verarbeitung im Zeitbereich günstig.
Weiter bevorzugt wird das Lenkmomentsignal in der Signalvorverarbeitung einer Eliminierung von Trendkomponenten unterzogen. Dies kann beispielsweise notwendig sein, wenn das Lenkmomentsignal mit einem weiteren, nicht vom Fahrer verursachten Signal überlagert ist. Dieses zusätzliche Signal muss durch geeignete Maßnahmen entfernt werden, um das direkte Lenkmoment des Fahrers zur Verfügung zu haben.
Wie oben schon erwähnt, wird vorzugsweise zur Verarbeitung des Lenkmomentsignals im Zeitbereich dieses in der Signalvorverarbeitung einer Glättung und/oder zur Verarbeitung des Lenkmomentsignals im Frequenzbereich dieses in der Signalvorverarbeitung einer Faltung mit einer Fensterfunktion unterzogen, wobei als Fensterfunktion beispielsweise ein Hamming-Fenster verwendet werden kann.
Vorzugsweise wird zur Merkmalsextraktion im Zeitbereich das geglättete Lenkmomentsignal zu einem Zeitpunkt t mit einer Schätzung des Lenkmomentsignals mittel eines autoregressiven Modells verglichen, wobei die Schätzung als gewichtete Linearkombination einer vorgegebenen Anzahl p vergangener Lenkmomentsignale t – p, p = 1, ..., k bestimmt wird, und die Koeffizienten des autoregressiven Modells für eine vorgegebene Anzahl p von Zeitintervallen als Merkmale zur Bildung des Merkmalsvektors verwendet werden. Die Motivation zur Verwendung eines autoregressiven Modells liegt darin begründet, dass beim Lenkmomentsignal eine hohe Ähnlichkeit in lokalen Umgebungen vorliegt, d. h. es existiert eine hohe Korrelation in der Nachbarschaft. Für irgendeinen vorliegenden Lenkmomentwert zum Zeitpunkt t_i ist zu beobachten, dass der Nachfolgewert zum Zeitpunkt t_i+1 mit einer hohen Wahrscheinlichkeit sich kaum vom vorherigen Wert unterscheiden wird. Mit einer etwas geringeren Wahrscheinlichkeit wird er sich leicht ändern und es wird immer unwahrscheinlicher, dass der Wert sehr stark vom vorherigen Wert abweicht. Dies bedeutet, dass die Lenkmomentwerte eine vorhersehbare Struktur aufweisen, wenn der Fahrer die Hände am Lenkrad hat und eine eher unvorhersehbare, wenn der Fahrer freihändig fährt. Eine Folge von derartigen Messereignissen kann mit dem autoregressiven Modell oder AR-Modell generiert werden. Das AR-Modell kann genutzt werden, um Messereignisse des Lenkmoments über den Beobachtungszeitraum hinaus zu prognostizieren und liefert somit Koeffizienten als Merkmale, die Informationen über das Lenkmoment kodieren
Weiter bevorzugt wird zur Merkmalsextraktion im Frequenzbereich das mit der Fensterfunktion gefaltete Lenkmomentsignal einer diskreten Fouriertransformation unterzogen und die sich ergebenden Fourierkomponenten stellen Merkmale zur Bildung des Merkmalsvektors dar. Die Analyse des Lenkmomentsignals mittels der diskreten Fourieranalyse basiert auf der Schwingung des Lenkmoments, wobei die Frequenzanteile durch die Fourier-Transformation des Lenkmoments gewonnen werden. Das Platzieren der Hände am Steuer hat eine dämpfende Wirkung auf die Frequenzanteile des Lenkmomentsignals. Daher sind Ausschläge im hohen Frequenzband des Lenkmoments zu beobachten, wenn der Fahrer freihändig fährt und Ausschläge im niedrigen Frequenzband des Lenkmoments zu sehen, wenn der Fahrer die Hände ans Steuer legt. Daher können die Fourierkomponenten des Lenkmomentsignals als Merkmale zur Bildung von Merkmalsvektoren verwendet werden.
Weiter bevorzugt wird zur Merkmalsextraktion im Zeitbereich bei einer elektromechanischen Lenkung, die mit einem Reglermoment beaufschlagt werden kann, die Kreuzkorrelation des Reglermoments und des Lenkmoments des Fahrers berechnet und die ermittelten Kreuzkorrelationen werden als Merkmale zur Bildung des Merkmalsvektors verwendet. Aus den Kreuzkorrelationskoeffizienten kann geschlossen werden, ob eine Freihandfahrt vorliegt oder nicht.
Zur nachfolgenden Klassifikation des oder der Merkmalsvektoren wird der jeweilige Merkmalsraum durch eine lineare Diskriminanzanalyse nach Fisher in zwei Klassen unterteilt. Mit anderen Worten, es wird mittels der linearen Diskriminanzanalyse eine Diskriminanzfunktion gesucht, die den jeweiligen Merkmalsraum in zwei Klassen unterteilt, so dass die Zugehörigkeit eines Merkmalsvektors zu einer der beiden Klassen einfach bestimmt werden kann.
Zur Ermittlung der Diskriminanzfunktion, die den jeweiligen Merkmalsraum des Klassifikators in zwei Klassen unterteilt, wird mittels einer Trainingsmenge von Merkmalsvektoren, deren Klassenzugehörigkeit bekannt ist, eine Schätzung, d. h. eine Berechnung, der Diskriminanzfunktion durchgeführt. Mit anderen Worten, bezüglich der Frage des Vorliegens einer Freihandfahrt oder nicht, werden Trainingsfahrten zur Bestimmung von Merkmalsvektoren unternommen, bei denen bekannt ist, ob der Fahrer das Lenkrad ergriffen hat oder nicht.
Eine erfindungsgemäße Vorrichtung, die zur Durchführung des im Vorangegangenen Verfahrens ausgelegt ist, umfasst

– einen Sensor zur Bestimmung des auf das Lenkrad ausgeübten Lenkmoments,
– eine Einrichtung zur Vorverarbeitung des Lenkmomentsignals,
– eine Einrichtung zur Extraktion von Merkmalen aus dem vorverarbeiteten Lenkmomentsignal und zur Generierung von Merkmalsvektoren, und
– eine Einrichtung zur Klassifizierung der Merkmalsvektoren, wobei die Klassifizierung durch eine lineare Diskriminanzanalyse vorgenommen wird.

Weiter bevorzugt weist die Vorrichtung eine Einrichtung zur Bestimmung der Diskriminanzfunktion der linearen Diskriminanzanalyse aus einer Trainingsmenge von Merkmalsvektoren bekannter Klassenzugehörigkeit auf.
Eine bevorzugte Ausführungsform der Erfindung wird nachfolgend anhand der Zeichnungen erläutert. Dabei zeigt
1 ein Beispiel eines zeitlichen Verlaufs eines von einem Fahrer ausgeübten Lenkmoments,
2 den prinzipiellen Aufbau eines Hands-On-Systems,
3a–3e die Signalvorverarbeitung und Merkmalsextraktion am Beispiel einer diskreten Fouriertransformation im Frequenzbereich,
4 die Modellierung der Diskriminantenfunktion einer linearen Diskriminanzanalyse nach Fisher,
5 ein Beispiel einer Hands-On-Detektion.
1 zeigt den zeitlichen Verlauf eines von einem Momentsensor an einer elektromechanischen Lenkung detektierten Lenkmoments. Erfolgt kein unterstützender Eingriff des Elektromotors der Lenkung, so wird das vom Fahrer auf die Lenkung ausgeübte Lenkmoment gemessen. Erfolgt dagegen eine elektromotorische Lenkunterstützung, beispielsweise weil ein Spurhaltesystem eingreift, um das Fahrzeug in der Fahrspur zu halten, so können die Lenkaktivitäten des Fahrers verfälscht sein. Zu erkennen ist in 1, dass das Lenkmomentsignal je nach Fahrereingriff um die Nulllage schwankt, wobei das Lenkmoment große und kleine Oszillationen aufweist.
Für ein Freihandfahrterkennungssystem, was auch als Hands-On-System bezeichnet wird, können prinzipiell die Signale Lenkmoment, Lenkradwinkel, Reglermoment (Moment des Elektromotors der elektromechanischen Lenkung), Fahrgeschwindigkeit sowie Fahrspurdaten (Krümmung der Fahrspurmitte, Breite der Fahrspur) relevant sein, d. h. zur Erkennung der Freihandfahrt verwendet werden. Es ist offensichtlich, dass von den genannten, zur Verfügung stehenden Signalen das Lenkmoment des Fahrers die meiste Information bezüglich der Freihandfahrt-Problematik enthält, so dass dieses die Basis der Hands-On-Erkennung bildet.
2 zeigt den prinzipiellen Aufbau der erfindungsgemäßen Freihandfahrt- oder Hands-On-Erkennung. Das von einem Lenkmomentsensor (nicht dargestellt) ermittelte Lenkmomentsignal 1 wird einer Freihandfahrterkennung 2 zugeführt, die drei Bearbeitungsstufen aufweist, nämlich eine Vorverarbeitung 3 des Signals, eine nachfolgende Merkmalsextraktion 4 aus dem vorverarbeiteten Signal sowie eine Klassifizierung 5 der extrahierten Merkmale. Als Ergebnis 6 ergibt sich die logische Aussage, ob eine Freihandfahrt vorliegt oder nicht, d. h. der Fahrer die Hände am Lenkrad hat oder nicht.
Wichtige Merkmale für die Freihanderkennung sind in den Schwingungen des Lenkmoments zu finden, da das Platzieren der Hände am Steuer eine dämpfende Wirkung auf die Frequenzanteile des Lenkmomentsignals hat. Daher sind Ausschläge im hohen Frequenzband des Lenkmoments zu beobachten, wenn der Fahrer freihändig fährt und Ausschläge im niedrigen Frequenzband des Lenkmoments zu sehen, wenn der Fahrer die Hände ans Steuer legt Daher werden die Frequenzen im Frequenzbereich betrachtet und analysiert, so dass das Lenkmomentsignal einer Fouriertransformation unterzogen wird.
Weitere Merkmale können dadurch gewonnen werden, indem Messereignisse des Lenkmomentsignals in einem Modell formalisiert und die entsprechenden Modellparameter geschätzt werden. Die Vorgehensweise, die hier aufgegriffen wird, geht von folgenden Überlegungen aus: Beim Lenkmomentsignal herrscht eine hohe Ähnlichkeit in lokalen Umgebungen, d. h. es existiert eine hohe Korrelation in der Nachbarschaft. Für irgendeinen vorliegenden Lenkmomentwert zum Zeitpunkt t_i ist zu beobachten, dass der Nachfolgewert zum Zeitpunkt t_i+1 mit einer hohen Wahrscheinlichkeit sich kaum vom vorherigen Wert unterscheiden wird. Mit einer etwas geringeren Wahrscheinlichkeit wird er sich leicht ändern und es wird immer unwahrscheinlicher, dass der Wert sehr stark vom vorherigen Wert abweicht. Dies bedeutet, dass die Lenkmomentwerte eine vorhersehbare Struktur aufweisen, wenn der Fahrer die Hände am Lenkrad hat und eine eher unvorhersehbare, wenn der Fahrer freihändig fährt. Ein Mechanismus, der solch eine Folge von Messereignissen generieren könnte, ist der autoregressive Prozess (AR-Modell). Das AR-Modell kann genutzt werden, um Messereignisse des Lenkmoments über den Beobachtungszeitraum hinaus zu prognostizieren und liefert somit Koeffizienten, die Informationen über das Lenkmoment kodieren.
Die Kreuzkorrelation zwischen Regler- und Lenkmoment stellt eine weitere Möglichkeit für die Berechnung von Merkmalen zur Freihanderkennung dar. Zunächst werden beide Signale geeignet skaliert. Korreliert das Lenkmoment- mit dem Reglermomentsignal, so ist davon auszugehen, dass es freihändig gefahren wird. Kann im Gegensatz dazu keine Korrelation zwischen beiden Signalen festgestellt werden, so wird mit angelegten Händen gefahren.
Die gewonnenen Merkmale können sowohl einzeln als auch kombiniert verwendet werden.
3 zeigt nun die Vorverarbeitung und Merkmalsextraktion eines Lenkmomentsignals in fünf Schritten a bis e anhand einer Merkmalsextraktion im Frequenzraum.
Dabei wird in 3a das ermittelte Lenkmomentsignal 7 dargestellt, welches mit einem Trend behaftet ist. Der Trend kann vielerlei Ursachen haben, beispielsweise ein Driften des Lenkmomentsensors oder eine Überlagerung mit einem Reglermoment des momentgenerierenden Reglers der elektromechanischen Lenkung. Durch ein Generieren einer Trendlinie 8, beispielsweise mittels eines Least-Squares-Verfahrens, kann der Trend aus dem Eingangssignal 7 entfernt werden, so dass sich das Lenkmomentsignal 9 ohne Trend ergibt, wie dies in Teil b) der 3 dargestellt ist.
Um eine Verarbeitung im Frequenzraum durchführen zu können, wird das Lenkmomentsignal 9 ohne Trend in üblicher Weise in eine periodische Form überführt, d. h. periodiziert. Dies kann beispielsweise durch Faltung des Lenkmomentsignals 9 ohne Trend mit einer Fensterfunktion erfolgen, wobei hier als Fensterfunktion das im Teil c) der 3 dargestellte Hamming-Fenster 10 verwendet wird. Das Ergebnis der Faltung ist in 3d) als das mit einem Hamming-Fenster gefaltete Lenkmomentsignal 10 ohne Trend dargestellt.
Dieses mit einem Hamming-Fenster gefaltete Lenkmomentsignal 10 ohne Trend wird dann mit einer diskreten Fouriertransformation in den Frequenzraum transformiert und es ergeben sich die in 3e) symbolisch dargestellten Fourierkoeffizienten, die zur Bildung eines Merkmalsvektors herangezogen werden, wobei in 3e) die Frequenz in Hz gegenüber der Amplitude dargestellt ist.
Der Vollständigkeit halber ist nachfolgend die diskrete Fouriertransformation für N Eingangswerte x(0), x(1), ..., x(N – 1) angegeben, die definiert ist als:
Die in 3e) beispielhaft dargestellten Fourier-Koeffizienten können alle oder teilweise zur Bildung eines Merkmalsvektors für die nachfolgende Klassifizierung herangezogen werden. Werden allerdings alle Koeffizienten verwendet, so hat der Merkmalsvektor eine zur Weiterverarbeitung ungünstig hohe Anzahl von Dimensionen. Um die Dimension der Merkmalsvektoren in vernünftigen Grenzen zu halten, wird eine Zusammenfassung oder Auswahl der Koeffizienten getroffen, wobei bei einer Auswahl der Koeffizienten auf eine Verringerung der in den Koeffizienten vorhandenen Redundanz geachtet werden muss. Da bei der Fragestellung der Detektion einer Freihandfahrt das Vorhandensein von niedrigen Frequenzen auf eine Hand-On Fahrt hindeutet, ist es ausreichend, einen Merkmalsvektor nur aus den Frequenzen zu bilden, die unterhalb einer vorgegebenen Grenzfrequenz von beispielsweise 6 Hz liegen. Der Merkmalsvektor kann aber auch aus den auf eine freihandfahrt hindeutenden hohen Frequenzen gebildet werden.
In ähnlicher Weise können auch Merkmale aus dem Zeitbereich des Lenkmomentsignals separiert werden, die zur Bildung von Merkmalsvektoren zur Detektion einer Freihandfahrt verwendet werden können.
Eine weitere mögliche Vorgehensweise geht dabei von folgenden Überlegungen aus: Beim Lenkmomentsignal herrscht eine hohe Ähnlichkeit in lokalen Umgebungen, d. h. es existiert eine hohe Korrelation in der Nachbarschaft. Angenommen uns liegt irgendein Wert des Lenkmoments zum Abtastzeitpunkt t_i vor und wir schauen uns zu einem nächsten Zeitpunkt den Nachfolgeabtastzeitpunkt t_i+1 an. Dieser Wert wird sich mit einer hohen Wahrscheinlichkeit kaum vom vorherigen Wert unterscheiden. Mit einer etwas geringeren Wahrscheinlichkeit wird er sich leicht ändern und es wird immer unwahrscheinlicher, dass der Wert sehr stark vom vorherigen Wert abweicht. Auf die Hands-On-Problematik übertragen bedeutet dies, dass die Lenkmomentwerte eine vorhersehbare Struktur aufweisen, wenn der Fahrer die Hände am Lenkrad hat und eine eher unvorhersehbare, wenn der Fahrer freihändig fährt. Diese interne Abhängigkeitsstruktur einer Reihe von Messereignissen des Lenkmomentsignals ist in einem Modell zu formalisieren und die entsprechenden Modellparameter zu schätzen. Die resultierenden Koeffizienten kodieren benötigte Information über das Lenkmoment und eignen sich als Merkmale für einen Merkmalsvektor. Ein Mechanismus, der solch eine Folge von Messereignissen generieren kann, ist der autoregressive Prozess (AR-Modell) p-ter Ordnung.
Sei zunächst l(t) ein zeitdiskretes stochastisches Signal, hier eine Folge von Lenkmomentsignalen, wobei t = p + 1, ..., n äquidistante Zeitpunkte sind. Weiterhin wird angenommen, dass die Lenkmomentfolge l(t) stationär ist, d. h. sie ist zeitverschiebungsinvariant und es existiert ihre Autokorrelationsfolge r(k) der Form r(k) = E(l(t)l(t – k)) wobei k = 1, ..., p die Zeitverzögerung und E(X) der Erwartungswert eines stochastischen Prozesse X ist. Der aktuelle Lenkmomentwert l(t) wird in einem definierten Zeitfenster als Summe l(t) = l ^(t) + η(t) dargestellt, wobei l ^(t) dabei die Schätzung von l(t) ist und η(t) den Schätzfehler bezeichnet. Der Schätzwert l ^(t) wird aufgrund p vergangener Werte als gewichtete Linearkombination ermittelt, d. h.
Anstelle der Summe in obiger Gleichung wird im Weiteren eine Vektor-Matrix Notation verwendet, wobei a →(p) der Spaltenvektor mit Elementen a(l), ..., a(p) und l _p(t – 1) der Spaltenvektor mit Elementen l(t – 1), ... l(t – p) ist. Demzufolge ist, a →^T(p) der transponierte Vektor von a →(p), ein Zeilenvektor. Unter Verwendung dieser Vektor-Matrix Notation kann die Linearkombination als l ^(t) = a →^T(p)·l ^(t – 1) geschrieben werden, wobei der Vektor a →^T(p) der Parametervektor des autoregressiven Modell's ist, der optimal geschätzt werden kann, wenn der gesamte quadratische Schätzfehler minimiert wird. Die Komponente des Vektors können als Merkmale eines Merkmalsvektors verwendet werden, um eine Freihandfahrt bestimmen zu können.
Um nun bezüglich der Merkmalsvektoren entscheiden zu können, ob eine Freihandfahrt vorliegt, wird ein Klassifikator benötigt, der entscheidet, ob ein vorliegender Merkmalsvektor zu einer Klasse ”Hand-Off”, d. h. Freihandfahrt, oder zu einer Klasse ”Hand-On”, d. h. der Fahrer hat das Lenkrad ergriffen, gehört. Dies geschieht durch die Aufstellung eines parametrischen Modells, welches einen Merkmalsvektor einer der beiden Klassen eindeutig zuordnen kann. Von den zur Entwicklung des Modells zur Verfügung stehenden Merkmalsvektoren ist die Klassenzugehörigkeit bekannt, da diese Merkmalsvektoren durch geeignete Trainingsfahrten gebildet werden. Sie können daher verwendet werden, um den Lernprozess des Klassifikators zu überwachen. Ziel ist daher die Definition eines Modells für den Klassifikator und durch geeignete Trainingsphase dessen Modellparameter zu schätzen.
4 zeigt ein Beispiel der räumlichen Verteilung von zweidimensionalen Merkmalsvektoren in einem abstrakten Merkmalsraum mit Werten zwischen –5 und 5 für die y-Achse und Werten zwischen –4 und 4 für die y-Achse, wobei die Zeichen ”+” für eine Hands-Off-Situation und die Zeichen ”*” für eine Hand-On-Situation stehen. Es ist erkennbar, dass dieser beispielhafte Trainingsraum nicht vollständig linear trennbar ist.
Um eine Online-Anwendung im Kraftfahrzeug unter der Voraussetzung vernünftiger Rechenkapazität zu gewährleisten, wird dennoch ein Klassifikationsverfahren verwendet, das beide Klassen linear voneinander trennt und es wird vorausgesetzt, dass eine geeignete Diskriminantenfunktion vorliegt bzw. bekannt ist. Damit können die Parameter dieser Trennfunktion aus der vorliegenden Trainingsmenge geschätzt werden.
Betrachtet wird daher ein Klassifikationsproblem für zwei Klassen, wobei w₁ die erste Klasse und w₂ die zweite Klasse bezeichnet. Die in 4 mit LD bezeichnete lineare Diskriminantenfunktion ist eine Linearkombination der Komponenten eines Merkmalsvektors x → und kann als
geschrieben werden, wobei ω → der Gewichtsvektor, d die Dimension des Merkmalsvektors x → und ω₀ ein Schwellwert ist.
Mittels des linearen Diskriminantenverfahrens nach Fischer lässt sich die lineare Diskriminantenfunktion aus einer Trainingsmenge mit bekannter Klassenzugehörigkeit der Merkmalsvektoren sowohl für Merkmalsvektoren im Frequenzbereich als auch für solche im Zeitbereich bestimmen.
5 zeigt das Ergebnis einer Hand-On-Detektion unter Verwendung der diskreten Fouriertransformation. Dargestellt ist das Lenkmoment 1, sowie die mit dem Verfahren bestimmten Hands-On-Situationen 13, wobei der Wert ”1” anzeigt, dass der Fahrer das Lenkrad ergriffen hat, während der Wert ”0” eine Freihandfahrt bedeutet. Darüber ist die tatsächliche Freihandfahrtfunktion angegeben, wobei der Wert ”4” eine Freihandfahrt und der Wert ”5” eine Hand-On-Fahrt anzeigt.
Erkennbare Abweichungen der Hand-On-Erkennung von der tatsächlichen Funktion 14 ergeben sich aus dem nicht vollständig linear trennbaren Merkmalsraum. Des ist für das Verfahren jedoch nur von untergeordneter Bedeutung, da eine Reaktion eines Spurhaltesystems wegen einer Freifahrt erst nach einer vorgegebenen Zeitdauer der Freihandfahrt erfolgen darf, um ein Oszillieren des Systems zu verhindern. Daher werden die Klassifikationsergebnisse bevorzugt einer zeitlichen Glättung unterzogen und weiter können noch Plausibilitätsregeln eingeführt werden, beispielsweise durch eine logische Verknüpfung des Lenkmomenteingangssignals mit dem Reglermoment. Ferner können die Klassifizierungen mittels der Fouriertransformation, des autoregressiven Modell und der Kreuzkorrelation zwischen Lenkmoment und Reglermoment miteinander kombiniert werden, was die Bestimmung der Wahrscheinlichkeit einer Freihandfahrt weiter erhöht.
Bezugszeichenliste

1: Lenkmoment
2: Freihandfahrt-Erkennung
3: Vorverarbeitung
4: Merkmalsextraktion
5: Klassifizierung
6: Ergebnis
7: Lenkmomentsignal mit Trend
8: Trendlinie
9: Lenkmomentsignal ohne Trend
10: Hamming-Fenster
11: Lenkmomentsignal ohne Trend gefaltet mit Hamming-Fenster
12: Fourierkomponenten
13: Hands-On
14: gelabelte Hands-On-Funktion
LD: Lineare Diskriminantenfunktion

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 10005056438 A1 [0003]
DE 102007039332 A1 [0004]

Claims

Verfahren zur Detektion einer Freihandfahrt eines Fahrers eines Kraftfahrzeugs, gekennzeichnet durch die folgenden Schritte: Bestimmen des zeitlichen Verlaufs des am Lenkrad des Kraftfahrzeugs anliegenden Lenkmomentsignals (1, 7), Extrahieren (4) von Merkmalen, die eine Freihandfahrt kennzeichnen, aus dem zeitlichen Verlauf des Lenkmomentsignals, Zusammenfassen der extrahierten Merkmale in einem Merkmalsvektor, Klassifizierung (5) des Merkmalsvektors in einem Klassifikator jeweils in eine Klasse betreffend die Freihandfahrt und in eine Klasse betreffend die Hands-On Fahrt.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass das Lenkmomentsignal (1, 7) einer Signalvorverarbeitung (3) unterzogen wird, die angepasst ist an die spätere Merkmalsextraktion (4).
Verfahren Anspruch 2, dadurch gekennzeichnet, dass das Lenkmomentsignal (1, 7) in der Signalvorverarbeitung (3) einer Eliminierung von Trendkomponenten (8) unterzogen wird.
Verfahren nach Anspruch 3, dadurch gekennzeichnet, dass zur Verarbeitung des Lenkmomentsignals im Zeitbereich dieses in der Signalvorverarbeitung einer Glättung und zur Verarbeitung des Lenkmomentsignals im Frequenzbereich dieses in der Signalvorverarbeitung einer Faltung mit einer Fensterfunktion (10) unterzogen wird.
Verfahren nach Anspruch 4, dadurch gekennzeichnet, dass zur Merkmalsextraktion im Zeitbereich das geglättete Lenkmomentsignal zu einem Zeitpunkt t mit einer Schätzung des Lenkmomentsignals mittel eines autoregressiven Modells verglichen wird, wobei die Schätzung als gewichtete Linearkombination einer vorgegebenen Anzahl vergangener Lenkmomentsignale bestimmt wird und die Koeffizienten des autoregressiven Modells für eine vorgegebene Anzahl p von vorherigen Zeitintervallen als Merkmale zur Bildung des Merkmalsvektors verwendet werden.
Verfahren nach Anspruch 4, dadurch gekennzeichnet, dass zur Merkmalsextraktion im Zeitbereich bei einer elektromechanischen Lenkung, die mit einem Reglermoment beaufschlagt werden kann, die Kreuzkorrelation des Reglermoments und des Lenkmoments des Fahrers ermittelt wird und die ermittelten Kreuzkorrelationen als Merkmale zur Bildung des Merkmalsvektors verwendet wird.
Verfahren nach Anspruch 4, dadurch gekennzeichnet, dass zur Merkmalsextraktion im Frequenzbereich das mit der Fensterfunktion gefaltete Lenkmomentsignal einer diskreten Fouriertransformation unterzogen wird und die sich ergebenden Fourierkomponenten als Merkmale zur Bildung des Merkmalsvektors verwendet werden.
Verfahren nach einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass zur Klassifikation des oder der Merkmalsvektoren der jeweilige Merkmalsraum durch eine lineare Diskriminanzanalyse in zwei Klassen unterteilt wird.
Verfahren nach Anspruch 8, dadurch gekennzeichnet, dass die Diskriminanzfunktion (LD) zur Unterteilung des jeweiligen Merkmalsraums des Klassifikators aus einer Trainingsmenge von Merkmalsvektoren geschätzt wird, deren Klassenzugehörigkeit bekannt ist.
Vorrichtung ausgelegt zur Durchführung des Verfahrens nach einem der vorangegangenen Ansprüche mit einem Sensor zur Bestimmung des auf das Lenkrad ausgeübten Lenkmoments, einer Einrichtung zur Vorverarbeitung des Lenkmomentsignals, einer Einrichtung zur Extraktion von Merkmalen aus dem vorverarbeiteten Lenkmomentsignal und zur Generierung von Merkmalsvektoren, und einer Einrichtung zur Klassifizierung der Merkmalsvektoren, wobei die Klassifizierung durch eine lineare Diskriminanzanalyse vorgenommen wird.
Vorrichtung nach Anspruch 10, dadurch gekennzeichnet, dass die Vorrichtung eine Einrichtung zur Bestimmung der Diskriminanzfunktion (LD) der linearen Diskriminanzanalyse aus einer Trainingsmenge von Merkmalsvektoren bekannter Klassenzugehörigkeit aufweist.