DE102015212923A1 - Automatische Erkennung und Bewertung von Low-Speed-Crashs - Google Patents

Automatische Erkennung und Bewertung von Low-Speed-Crashs Download PDF

Info

Publication number
DE102015212923A1
DE102015212923A1 DE102015212923.3A DE102015212923A DE102015212923A1 DE 102015212923 A1 DE102015212923 A1 DE 102015212923A1 DE 102015212923 A DE102015212923 A DE 102015212923A DE 102015212923 A1 DE102015212923 A1 DE 102015212923A1
Authority
DE
Germany
Prior art keywords
data
vehicle
signals
impact
classification
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
DE102015212923.3A
Other languages
English (en)
Inventor
Angelo de Silva
Wolfgang Hundt
Johannes Malotta
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bayerische Motoren Werke AG
Original Assignee
Bayerische Motoren Werke AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Bayerische Motoren Werke AG filed Critical Bayerische Motoren Werke AG
Priority to DE102015212923.3A priority Critical patent/DE102015212923A1/de
Priority to CN201680040305.2A priority patent/CN107848478B/zh
Priority to DE112016003125.4T priority patent/DE112016003125A5/de
Priority to PCT/EP2016/066221 priority patent/WO2017009201A1/de
Publication of DE102015212923A1 publication Critical patent/DE102015212923A1/de
Priority to US15/865,603 priority patent/US10875483B2/en
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
    • B60R21/01—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
    • B60R21/013—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over
    • B60R21/0136—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over responsive to actual contact with an obstacle, e.g. to vehicle deformation, bumper displacement or bumper velocity relative to the vehicle
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
    • B60R21/01—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
    • B60R21/013—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over
    • B60R21/0132—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over responsive to vehicle motion parameters, e.g. to vehicle longitudinal or transversal deceleration or speed value
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
    • B60R21/01—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
    • B60R21/013—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over
    • B60R21/0132—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over responsive to vehicle motion parameters, e.g. to vehicle longitudinal or transversal deceleration or speed value
    • B60R21/01332—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over responsive to vehicle motion parameters, e.g. to vehicle longitudinal or transversal deceleration or speed value by frequency or waveform analysis
    • B60R21/01336—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over responsive to vehicle motion parameters, e.g. to vehicle longitudinal or transversal deceleration or speed value by frequency or waveform analysis using filtering
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
    • B60R21/01—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
    • B60R21/013—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over
    • B60R21/0132—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over responsive to vehicle motion parameters, e.g. to vehicle longitudinal or transversal deceleration or speed value
    • B60R21/01332—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over responsive to vehicle motion parameters, e.g. to vehicle longitudinal or transversal deceleration or speed value by frequency or waveform analysis
    • B60R21/01338—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over responsive to vehicle motion parameters, e.g. to vehicle longitudinal or transversal deceleration or speed value by frequency or waveform analysis using vector analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G06F16/2237—Vectors, bitmaps or matrices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G06F16/2246—Trees, e.g. B+trees
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0841—Registering performance data
    • G07C5/085—Registering performance data using electronic data carriers
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
    • B60R21/01—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
    • B60R21/013—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over
    • B60R21/0132—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over responsive to vehicle motion parameters, e.g. to vehicle longitudinal or transversal deceleration or speed value
    • B60R2021/01322—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over responsive to vehicle motion parameters, e.g. to vehicle longitudinal or transversal deceleration or speed value comprising variable thresholds, e.g. depending from other collision parameters

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Mechanical Engineering (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)
  • Air Bags (AREA)

Abstract

Zur Erkennung eines Fahrzeug-Unfalls, bei dem ein Fahrzeug (1) und ein Objekt (10) aufeinander prallen, wobei eine dem Aufprall zugeordnete Bewegungsgröße derart niedrig ist, dass zumindest ein aktives, für Unfälle vorgesehenes Insassenschutz-System (39) des Fahrzeugs (1) nicht aktiviert wird, ist vorgesehen, dass zu dem Aufprall-Ereignis – mittels Sensoren (3) des Fahrzeugs (1) gebildete Signale und/oder Daten derart verarbeitet werden, dass – die Signale und/oder Daten gefiltert werden, – auf Basis der gefilterten Signale und/oder Daten Merkmalsdaten gebildet werden, und – mittels der Merkmalsdaten eine Zuordnung des Aufprall-Ereignisses zu einer Klassifikation erfolgt, wobei eine Klassifikationsdatenbank (9) verwendet wird.

Description

  • Die Erfindung betrifft ein Verfahren, ein System und ein Computerprogrammprodukt zur automatischen Erkennung und Bewertung von Low-Speed-Crashs. Die Erfindung betrifft insbesondere die Detektion von Fahrzeug-Unfällen bei relativ niedriger Geschwindigkeit, wobei auch eine Bewertung des Unfalls, insbesondere zur Bestimmung des dabei entstandenen Schadens an einem Fahrzeug erfolgen kann. Die Erfindung betrifft auch ein entsprechend ausgestattetes Fahrzeug.
  • In Kraftfahrzeugen werden heutzutage eine Vielzahl von Sensoren verbaut, mit denen Unfallereignisse detektiert werden können um ggf. automatisch aktive oder passive Schutzsysteme wie Airbags, Gurtstraffer, Notrufsysteme usw. auslösen zu können. Die entsprechenden Detektionssysteme sind jedoch in der Regel derart ausgelegt, dass sie nur Unfälle ab einer vorgegebenen unteren Detektionsschwelle erkennen, beispielsweise ab einer gewissen Mindestgeschwindigkeit des Fahrzeugs und/oder einer minimalen Beschleunigung.
  • Aus der DE 41 17 811 A1 ist beispielsweise ein Verfahren zur Crasherkennung bekannt, bei dem kontinuierlich die Fahrzeuggeschwindigkeit in der Änderung innerhalb eines zurück liegenden begrenzten Zeitraums als so genannte partielle Geschwindigkeitsdifferenz gemessen und bewertet wird. Dabei können auch Beschleunigungswerte gebildet und mittels Schwellwerten bewertet werden um Hochgeschwindigkeits- von Niedriggeschwindigkeitscrashs unterscheiden zu können.
  • In der DE 10 2007 027 649 A1 sind ein Steuergerät und ein Verfahren zur Ansteuerung von Personen-Schutzmitteln vorgeschlagen, bei denen ein Merkmalsvektor mit mindestens zwei Merkmalen aus wenigstens einem Signal eine Unfallsensorik gebildet wird. Der Merkmalsvektor wird durch eine Support Vektor Maschine (SVM) klassifiziert.
  • In der DE 10 2008 003 081 A1 wurden ein Verfahren und eine Vorrichtung zur Crash-Klassifikation für ein Fahrzeug-Sicherheitssystem beschrieben, bei denen basierend auf einem Maschinenlernvorgang eine aktuell ermittelte Fahrsituation dahingehend klassifiziert wird, ob ein Personenschutzmittel zu aktivieren ist. Dazu werden Crashklassen durch vorgegebene Crashmerkmale definiert.
  • Aus der EP 2 854 112 A1 ist ein Detektionssystem zum Erkennen von Unfällen bei niedrigen Geschwindigkeiten bzw. relativ geringem Aufprall (low impact) bekannt, bei dem Beschleunigungswerte, die entlang mehrerer Achsen erfasst werden, jeweils mittels Bandpassfiltern gefiltert werden und die gefilterten Werte dazu verwendet werden, die Schwere des Aufpralls zu bestimmen.
  • In der WO 90/11207 A1 wurde eine Steuerung für Insassenrückhalte- bzw. Schutzsysteme für Fahrzeuge beschrieben, bei denen Signale eines Beschleunigung-Sensors mehreren unterschiedlichen Auswertungen unterzogen werden, wobei jeweils der Verlauf nach unterschiedlichen Kriterien und mit mehreren, unterschiedlich definierten Schwellwerten ausgewertet wird. Anhand des zeitlichen Verlaufs und des jeweiligen Schwellwerts können zwei verschiedene Unfallarten wie zum Beispiel frontal und schräg voneinander unterschieden werden. Auch unterschiedlich definierte Verläufe bzw. Schwellwerte für die Schwere des Unfalls können vorgesehen sein.
  • In der US 5,684,701 A wurde ein Sensorsystem zur Erkennung von Unfällen und zum Auslösen von Insassenschutzsystemen in Fahrzeugen beschrieben, bei denen die Sensorsignale mittels selbstlernenden Methoden anhand künstlicher neuronaler Netze ausgewertet werden. Dabei werden zum Erlernen eines Sensor-Algorithmus Sensordaten aus Unfällen verwendet, die in künstlich herbeigeführten Crash-Tests gewonnen wurden und entsprechende Sensordaten, die nicht aus Unfällen stammen.
  • Aus der US 7,113,079 B2 sind ein Verfahren und ein System zum Detektieren von Fahrzeug-Kollisionen bekannt, bei denen ein Hidden Markov Modell (HMM) verwendet wird um Sensorparameter zu bewerten.
  • Die Inhalte der oben genannten Veröffentlichungen werden hiermit durch Bezugnahme in die vorliegende Beschreibung aufgenommen.
  • Wie bereits erwähnt sind die eingangs genannten Systeme dazu ausgelegt, aktive Insassen-Schutzsysteme zu aktivieren. Demgegenüber wäre es auch wünschenswert, dass ein Fahrzeug in der Lage ist, Unfall-Ereignisse zum Zwecke der Erkennung von Schäden auch dann autonom zu detektieren, wenn ein Zusammenstoß bei relativ geringer Geschwindigkeit, mit relativ schwacher Außeneinwirkung (Stoß-Energie) und/oder mit relativ geringen Beschleunigungswerten erfolgt. Derartige Ereignisse können insbesondere bei Einparkvorgängen als so genannte Parkrempler auftreten.
  • Es ist Aufgabe der Erfindung, einen Beitrag zu leisten, einen Zusammenprall eines Fahrzeugs und eines Objekts, bei dem eine Bewegungsgröße des Aufpralls relativ niedrig ist, möglichst sicher zu erkennen.
  • Diese Aufgabe wird durch die in den unabhängigen Patentansprüchen angegebene Erfindung gelöst. Vorteilhafte Ausführungsformen der Erfindung sind in den abhängigen Ansprüchen angegeben.
  • Erfindungsgemäß ist zur Erkennung eines Fahrzeug-Unfalls, bei dem ein Fahrzeug und ein Objekt aufeinanderprallen und bei dem eine Bewegungsgröße des Aufpralls derart niedrig ist, dass zumindest ein aktives, für Unfälle vorgesehenes Insassenschutz-System des Fahrzeugs nicht aktiviert wird, vorgesehen, dass zu dem Aufprall-Ereignis mittels Sensoren des Fahrzeugs gebildete Signale und/oder Daten derart verarbeitet werden, dass die Signale und/oder Daten gefiltert werden, auf Basis der gefilterten Signale und/oder Daten Merkmalsdaten gebildet werden und mittels der Merkmalsdaten eine Zuordnung des Aufprall-Ereignisses zu einer Klassifikation erfolgt, wobei eine Klassifikationsdatenbank verwendet wird.
  • Zur Zuordnung kann weiterhin insbesondere mindestens eine Klassifikationsmethode verwendet werden. Die Klassifikationsmethode kann insbesondere mindestens eine Klassifikationsregel umfassen.
  • Die Bewegungsgröße ist insbesondere eine für das Aktivieren des aktiven Insassenschutz-Systems des Fahrzeugs relevante Größe. Sie ist insbesondere eine zum Steuern der Aktivierung herangezogene und weiterhin insbesondere maßgebliche Größe.
  • Als Bewegungsgröße kann insbesondere die Aufprallgeschwindigkeit, die mit dem Aufprall verbundene, insbesondere maximale und/oder durchschnittliche, Geschwindigkeitsänderung (Beschleunigung) und/oder Beschleunigungsänderung des Fahrzeugs (bzw. eines in dem Fahrzeug vorgesehenen Sensors) und/oder eine dem Aufprall zugeordnete Energiegröße, insbesondere Stoß-Energie, vorgesehen sein. Sie kann auch eine aus einer oder mehrere der vorgenannten Größen abgeleitete Größe sein. Die Aufprallgeschwindigkeit kann insbesondere die Relativgeschwindigkeit zwischen dem Fahrzeug und dem Objekt zu Beginn des Aufpralls sein, die tatsächliche Geschwindigkeit des Fahrzeugs oder die tatsächliche Geschwindigkeit des Objekts, insbesondere bei stehendem Fahrzeug. Die Erfindung beruht auf der Erkenntnis, dass die Klassifikation von Aufprall-Ereignissen zwischen einem Fahrzeug und einem Objekt im Niedriggeschwindigkeitsbereich hinsichtlich des Vorliegens eines Unfalls, bei dem das Fahrzeug durch Einwirkung des Fremdobjekts beschädigt ist, und einem anderen, unkritischen Ereignis wie z.B. dem Überfahren eines Schlaglochs oder einer Vollbremsung, einem so genannten Misuse-Ereignis, eine schwierige technische Aufgabenstellung darstellt, da Ereignisse dieser beiden Ereignisklassen bei den üblichen, von Fahrzeugsensoren (z.B. von Beschleunigungssensoren) abgegebenen und beispielsweise für das Auslösen von Insassen-Schutzsystemen oder von automatischen Notrufeinrichtungen wie dem so genannten E-Call System, das in Europa zur Einführung vorgesehen ist, verwendeten Signale sehr ähnlich sind bzw. nicht eindeutig unterscheiden werden können. Die Erfindung beruht insbesondere auf der Erkenntnis, dass die Anwendung der vorgenannten Unfallerkennungssysteme für höhere Geschwindigkeiten mit vorwiegend Beschleunigungsschwellwert-basierten Verfahren zur Erkennung weniger gravierender Unfälle bei geringen Relativgeschwindigkeiten zwischen dem Fahrzeug und dem kollidierenden Objekt nicht ausreichend sind, da die Unterscheidung von Schadensereignissen gegenüber nicht invasiven Misuse-Ereignissen damit nur relativ unzuverlässig erfolgt.
  • Im Rahmen der Erfindung kann insbesondere ein konfigurierbares, signalverarbeitendes System angegeben werden zur fahrzeugautonomen, automatischen Detektion von Unfällen bei relativ kleiner Bewegungsgröße (so genannte Low Speed Crashs). Das System kann als Echtzeitsystem vorgesehen sein. Dazu kann insbesondere eine relativ geringe Berechnungskomplexität bei der Datenverarbeitung vorgesehen werden.
  • Mit der Erfindung wurde erkannt, dass durch das gezielte Filtern der jeweiligen Signale bzw. Daten, das Bilden von dem Aufprall-Ereignis zugeordneten Merkmalsdaten, die ein vorgegebenes Merkmal (engl. Feature) des Aufprall-Ereignisses repräsentieren, insbesondere aus mehreren Sensor-Signalen bzw. -Daten, sowie durch das Verarbeiten der Merkmalsdaten und insbesondere durch Verwenden einer Klassifikationsmethode, die Zuordnung des Aufprall-Ereignisses zu einer Klassifikation, insbesondere zu den beiden Klassifikationsstufen „Misuse Event“ bzw. „Low Speed Crash“ mit höherer Genauigkeit erfolgen kann als mit herkömmlichen Methoden.
  • In vorteilhaften Ausführungsformen der Erfindung werden Merkmalsdaten aus den von mehreren Sensoren abgegebenen Signalen bzw. Daten gebildet. Dabei können zu einem Aufprall-Ereignis insbesondere aus mehreren Merkmalsdaten Vektordaten gebildet werden und weiterhin insbesondere so genannte Merkmalsvektoren, die zu dem Aufprall-Ereignis eine, insbesondere mehrdimensionale, Beobachtungsgröße repräsentieren.
  • Die Fahrzeugsensoren können insbesondere Sensoren umfassen, welche nicht primär bzw. nicht unmittelbar und insbesondere nicht für den Zweck der Erfassung von Unfalldaten und insbesondere nicht zum Steuern des Auslösens eines aktiven Insassen-Schutzsystems vorgesehen sind. Erfindungsgemäß wurde erkannt, dass sich aus von solchen Sensoren erfassten, erzeugten und/oder ausgegebenen Signalen und/oder Daten implizit zumindest Teil-Merkmale zur Unfall-Erkennung ableiten und/oder berechnen lassen. Beispiele solcher Sensoren sind Mikrophone, Kameras, Ultraschall-, Radar-, Lidar- oder Drucksensoren.
  • Die mittels der Fahrzeugsensoren gebildeten und insbesondere über einen asynchronen Kommunikationsbus übertragenen Signale und/oder Daten können zum Filtern und insbesondere vor dem Filtern vorteilhaft zeitlich zueinander synchronisiert werden. Dies kann beispielsweise mittels einer in dem Fahrzeug und insbesondere über eine vorgegebene Gruppe von elektrischen Steuerungseinheiten vorgesehene, einheitliche Systemzeit und/oder mittels Zeitstempel erfolgen. Im Zuge des Filterns der mittels der Sensoren gebildeten Signale und/oder Daten können mittels vorgegebener Zeitfensterdaten vorbestimmte Auswahlsignale und/oder Auswahldaten aus den zuvor mittels der Sensoren gebildeten Signalen und/oder Daten ausgewählt und/oder abgeleitet werden.
  • Mit der Erfindung kann vorteilhaft eine automatische, fahrzeugautonome Detektion eines Unfallereignisses bei relativ geringer Geschwindigkeit bzw. mit relativ schwacher Außeneinwirkung erfolgen. Insbesondere können mit der Erfindung ein System und eine Methode zur fahrzeugautonomen, automatischen Erkennung bzw. Detektion und/oder Bewertung von Low-Speed- und/oder Low-Impact-Crashs bzw. von Fahrzeugkollisionen mit einer Low-Speed-Crash-Charakteristik bereitgestellt werden.
  • Die Erfindung kann unabhängig davon eingesetzt werden, ob das Fahrzeug in Bewegung ist und gegen ein stehendes Hindernis prallt bzw. dieses touchiert oder ob das Fahrzeug steht und z.B. von einem anderen Fahrzeug angefahren bzw. touchiert wird. Derartige Ereignisse können insbesondere bei Parkremplern auftreten. Mit der Erfindung kann ein derartiges Ereignis detektiert werden, die entsprechenden Daten im Fahrzeug zu Dokumentationszwecken gespeichert werden und/oder an einen fahrzeugexternen Speicher übertragen werden. Dadurch kann ein Low-Speed-Crash-Ereignis beispielsweise für Miet- oder Leihfahrzeuge vorteilhaft zu Beweiszwecken dokumentiert werden, ggf. mit zusätzlicher Erfassung und Dokumentation des dazu gehörigen Zeitpunkts und Orts.
  • Anhand der Information über ein erkanntes Low-Speed-Crash-Ereignis können vorteilhaft auch andere Steuersysteme des Fahrzeugs gezielt angesteuert werden, beispielsweise ein Fußgänger-Unfallschutz-System mit entsprechenden Schutzmitteln für einen von dem Fahrzeug bei niedriger Geschwindigkeit erfassten Fußgänger.
  • Im Rahmen der Erfindung kann vorgesehen sein, dass die entsprechende Fahrzeug-Sensorik und/oder mindestens eine Steuereinheit, die an der Erkennung des Unfalls beteiligt ist, unabhängig davon aktiv ist bzw. sind, ob die Zündung des Fahrzeugs angeschaltet ist. Insbesondere kann vorgesehen sein, dass eine Steuereinheit eine Bus-Weckeinrichtung aufweist, die den Fahrzeug-Datenbus und/oder spezifische Sensoren aus einem Schlafzustand weckt um die Unfallerkennung auszuführen. Die Weckeinrichtung kann insbesondere mindestens einen Sensor zum direkten und/oder indirekten Erfassen einer Bewegungsgröße des Fahrzeugs und eine entsprechende Fahrzeugbusschnittstelle aufweisen. Dadurch kann insbesondere eine automatische, fahrzeugautonome Unfall-Detektion erfolgen, beispielsweise, wenn das Fahrzeug geparkt ist.
  • Mit der Erfindung kann weiterhin vorteilhaft erreicht werden, dass bereits in Fahrzeugen üblicherweise vorgesehene, insbesondere verbaute, Sensoren, Steuergeräte und/oder Datenverbindungen, insbesondere Datenbusse, ohne größere Modifikation und insbesondere ohne substantielle hardwaretechnische Änderungen verwendbar sind, um ein erfindungsgemäßes Verfahren zu implementieren. Die Erfindung kann somit insbesondere durch rein programmtechnische, softwarebezogene Anpassung entsprechender Fahrzeugkomponenten implementiert werden. Dazu kann es z.B. ausreichen, dass in einzelnen Fahrzeugkomponenten lediglich ein nichtflüchtiger und/oder ein flüchtiger Speicher zum Abspeichern von zusätzlichem Steuerprogrammcode erweitert werden muss und/oder dass zusätzlicher Steuerprogrammcode bzw. Softwarekomponenten vorgesehen wird, einzelne Schnittstellen erweitert oder ergänzt werden und/oder andere derartige Anpassungen vorgenommen werden. Eine entsprechende Fahrzeugkomponente, insbesondere ein elektronisches Steuergerät, ist mit entsprechenden Ressourcen einschließlich entsprechender Rechenleistung auszustatten um die Erfindung zu implementieren, wobei hinsichtlich der Rechenleistung keine allzu hohen Anforderungen gestellt werden müssen, da die Verarbeitung von Daten für eine Low-Speed-Crash-Erkennung – anders als bei Systemen, die bei Vorliegen relativ hoher aufprallbedingter Bewegungsgrößen, insbesondere Geschwindigkeiten und/oder Beschleunigungen, Insassenschutz-Systeme aktivieren – nicht zwangsläufig in Echtzeit ausgeführt werden muss.
  • Die Fahrzeugsensoren sind vorzugsweise am und/oder im Fahrzeug vorgesehen. Das Objekt kann z.B. ein anderes stehendes oder sich bewegendes Objekt, insbesondere ein zweites Fahrzeug sein, ein Fußgänger sein oder ein Hindernis wie z.B. ein Zaun oder Baum.
  • Gemäß einem vorteilhaften Ausführungsbeispiel der Erfindung wird die mindestens eine Klassifikationsmethode und/oder die Klassifikationsdatenbank mittels eines Maschinenlern (engl. Machine Learning, ML)-Verfahrens gebildet, insbesondere mittels eines Verfahrens auf Basis eines künstlichen neuronalen Netzwerks (engl. Artificial Neural Network, ANN), einer Support Vector Maschine (SVM), eines Hidden Markov Models (HMM) und/oder eines Entscheidungsbaums (engl. Decision Tree).
  • Im Rahmen des Maschinenlern-Verfahrens wird insbesondere mittels so genannter Trainings-Datensätze, eine Datenbasis erzeugt. Die Trainings-Datensätze können, insbesondere mittels Daten-Aufzeichnungen und/oder -Mitschnitten, vorgegebener, bekannter Unfall-Ereignisse und/oder auf Basis der Durchführung und entsprechenden Daten-Aufzeichnung von, insbesondere repräsentativen, Fahrversuchen bereitgestellt und/oder gewonnen werden.
  • Dabei können anhand der bei den Ereignissen bzw. Fahrversuchen gebildeten und insbesondere aufgezeichneten Sensordaten und/oder weiterer in dem Fahrzeug erzeugter und insbesondere über einen Fahrzeug-Datenbus (Fahrzeugkommunikationsbus) bereit gestellter Daten des Fahrzeugs (Eingangsdaten) und der dabei bekannten Klassifikationszuordnung der jeweiligen Ereignisse hinsichtlich eines Low-Speed-Crash-Ereignisses versus einem Misuse-Ereignis (Ausgangsdaten) entsprechende Eingangsmuster trainiert und die Daten der Datenbasis erzeugt werden.
  • Die Erkennungsgenauigkeit eines das erfindungsgemäße Verfahren ausführenden Systems kann gemäß einem vorteilhaften Ausführungsbeispiel iterativ optimiert bzw. verbessert werden, wobei insbesondere sukzessive System-Variationen hinsichtlich Parametrisierung und Implementierung, beispielsweise hinsichtlich verwendeter Eingangssignale, berechneter, insbesondere abgeleiteter und/oder extrahierter, Merkmale bzw. daraus gebildeter Merkmalsvektoren und/oder Algorithmen zur Daten- bzw. Signalverarbeitung usw. erfolgen können. Insbesondere darauf basierend können iterativ Systemergebnisse und/oder Systemleistungsdaten ausgewertet werden und gegebenenfalls das System erneut trainiert werden, wobei auch Kreuzvalidierungen erfolgen können. Insbesondere hierauf basierend können iterativ analytisch Systemmodelle und/oder Hypothesen zur Optimierung aufgestellt werden und/oder planmäßige System-Variationen erfolgen, die dann wiederum zu einer neuen Parametrierung und/oder Implementierung führen können.
  • Im Rahmen der Erfindung kann vorteilhaft auch eine Bestimmung eines an einem Fahrzeug nach einem Unfall entstandenen Schadens erfolgen, wobei insbesondere die in diesem Dokument beschriebenen Verfahrensschritte zur Detektion eines Low-Speed-Crashs ausgeführt werden können und weiterhin die Schritte, dass mittels der erfolgten Zuordnung des Aufprall-Ereignisses weitere Unfalldaten ermittelt werden, mittels derer ein Schadensumfang bestimmt, insbesondere abgeschätzt, wird. Dazu können beispielsweise Daten zur Abschätzung der Aufprallrichtung, des Aufprallortes am Fahrzeug und/oder zur Aufprallstärke (Stoßenergie, Aufprallgeschwindigkeit bzw. mit dem Aufprall verbundene weitere Maße, Abstände, Geschwindigkeiten, Geschwindigkeits- und/oder Beschleunigungsänderungen usw.) erfasst werden, beispielsweise mittels Sensoren des Fahrzeugs wie z.B. mindestens eines Geschwindigkeitssensors, Beschleunigungssensors, Abstandssensors und/oder einer Kamera.
  • Gemäß einem weiteren vorteilhaften Ausführungsbeispiel der Erfindung werden die mittels der Sensoren des Fahrzeugs gebildeten Daten, davon abgeleitete Daten und/oder weitere, von Steuergeräten des Fahrzeugs gebildete Daten über einen Datenbus des Fahrzeugs übertragen. Die Übertragung erfolgt insbesondere zwischen Sensorbaugruppen und/oder Steuergeräten und/oder von Sensorbaugruppen über ggf. direkt angebundene Steuergeräte via dem bzw. den jeweils angebundenen Datenbus(sen) zu einem jeweiligen Steuergerät, welches ein erfindungsgemäßes Verfahren ganz oder teilweise implementiert bzw. ein erfindungsgemäßes System ganz oder teilweise umfasst. Dabei können empfangene Daten von einer Auswerteeinrichtung verarbeitet werden um zumindest einen Teil der erfindungsgemäßen Verfahrensschritte zu bewirken.
  • Als Datenbus kann im Zusammenhang mit der vorliegenden Beschreibung prinzipiell jede Art von elektronischem Datenbus verwendet werden, insbesondere ein im Automobilbereich üblicher Datenbus wie z.B. ein Local-Interconnect-Network(LIN)-Datenbus, ein Controller-Area-Network(CAN)-Datenbus, ein Ethernet-Datenbus, ein Flexray-Datenbus oder ein Media-Oriented-Systems-Transport(MOST)-Datenbus. Die Datenübertragung zwischen einem Sensor und der Auswerteeinrichtung kann auch über mehrere Datenbusse hinweg erfolgen, d.h. über ein Datenbussystem erfolgen, das insbesondere mehrere gleiche bzw. gleichartige oder verschiedene Datenbusse umfasst.
  • Die Erfindung ist insbesondere als Verfahren ausführbar. Sie kann auch in Form eines Systems zur Erkennung eines Fahrzeug-Unfalls angegeben werden, bei dem ein Fahrzeug und ein Objekt aufeinander prallen, wobei eine Bewegungsgröße derart niedrig ist, dass zumindest ein aktives, für Unfälle vorgesehenes Insassenschutz-System des Fahrzeugs nicht aktiviert wird, wobei das System umfasst:
    • a) für das Fahrzeug vorgesehene Sensoren, die zu dem Aufprall-Ereignis Signale und/oder Daten bilden und
    • b) eine Datenverarbeitungseinrichtung, die eine Klassifikationsdatenbank umfasst, ausgebildet zur Verarbeitung der Signale und/oder Daten derart, dass b1) die Signale und/oder Daten gefiltert werden, b2) auf Basis der gefilterten Signale und/oder Daten Merkmalsdaten gebildet werden, und b3) mittels der Merkmalsdaten eine Zuordnung des Aufprall-Ereignisses zu einer Klassifikation erfolgt, wobei die Klassifikationsdatenbank verwendet wird.
  • Die Signale bzw. Daten können insbesondere in Form von Nachrichten erzeugt, bereitgestellt und/oder übertragen werden. Die Zuordnung kann insbesondere mittels mindestens einer Klassifikationsmethode erfolgen. Die Klassifikationsmethode kann mindestens eine Klassifikationsregel umfassen.
  • Das System kann weitere Merkmale aufweisen, insbesondere Komponenten, die eingerichtet sind zum Bewirken von Verfahrensschritten, die in diesem Dokument, im Zusammenhang mit erfindungsgemäßen Verfahrensschritten beschrieben sind.
  • Das System kann insbesondere zur Implementierung auf einem in einem Kraftfahrzeug verbauten, elektronischen Steuergerät (Electronic Control Unit, ECU) vorgesehen sein, dass Zugang zu mindestens einem Fahrzeug-Kommunikationsbussystem (CAN, Flexray usw.) bietet.
  • Das System weist an seiner Eingangsschnittstelle insbesondere einen lesenden Zugriff auf den angebundenen Kommunikationsbus auf. Dabei kann eine Selektion bzw. Beschränkung auf Nachrichten-Typen erfolgen, welche für die Merkmalsberechnung relevante Signale bzw. Daten beinhalten. Wenn die jeweiligen zur Verarbeitung benötigten Signale, Daten bzw. Nachrichten kodiert sind, dann werden entsprechende Informationen zu deren Dekodierung in dem System benötigt, gespeichert und/oder bereitgestellt.
  • Ausgangsseitig weist das System insbesondere einen schreibenden Zugriff auf den Kommunikationsbus auf. Vorzugsweise kann auch ein gesonderter Nachrichtentyp vorgesehen sein, mit dem das Detektionsergebnis, insbesondere zur Laufzeit, in regelmäßigen zeitlichen Abständen in Form einer entsprechenden Nachricht an den Kommunikationsbus ausgegeben wird. Dabei ist es insbesondere vorteilhaft, nur im Falle eines positiv erkannten, entsprechenden Unfall-Ereignisses eine entsprechende Nachricht z.B. in der Art „Low-Speed-Crash erkannt“ auszugeben. Damit ist es beispielsweise möglich, dass arbiträre Systeme, die ebenfalls Zugang zum Kommunikationsprozess haben, die seitens eines erfindungsgemäßen Systems ausgegebene Nachricht über einen erkannten Low-Speed-Crash für ihre jeweiligen Anwendungszwecke zu verwenden, weiter zu verarbeiten und/oder an angebundene Folgesysteme weiterzuleiten. Beispielsweise wäre es denkbar, die Nachricht über das Detektionsergebnis auf einer insbesondere grafischen Benutzerschnittstelle (Human Machine Interface, HMI) auszugeben, beispielsweise für den Fahrzeugführer über einen im Fahrzeug vorgesehenen Bildschirm. Die Nachricht und ggf. weitere im Fahrzeug vor, während oder nach dem Aufprall-Ereignis erfasste Daten können vollautomatisch oder beispielsweise per Bedienkommando durch den Fahrzeugführer veranlasst an fahrzeuginterne und/oder fahrzeugexterne Geräte übertragen werden. Die Daten können beispielsweise an ein Mobilfunkgerät wie z.B. ein Smartphone und/oder an einen so genannten Backend-Server, der zum Datenaustausch mit einer Vielzahl vorgegebener Fahrzeuge Daten eingerichtet ist, übertragen werden. In einem Backend-Server können für Fahrzeuge so genannte Telematik-Dienste bereit gestellt werden, bei denen für und insbesondere von einem Fahrzeug z.B. Informationen bzw. Daten erfasst, verarbeitet, gespeichert, bereitgestellt und/oder weiter geleitet werden. Über einen Telematik-Dienst können insbesondere auch Komponenten bzw. Funktionen eines Fahrzeugs ferngesteuert werden.
  • Weiterhin kann das System eine Systemdaten-Schnittstelle aufweisen, über die Systemkonfigurationen vorgenommen werden können und/oder Informationen zum aktuellen System-Status abgefragt werden können. Die Systemdaten-Schnittstelle kann über einen fahrzeuginternen Kommunikationsbus angebunden werden und/oder eine externe, von Kommunikationsbussen des Fahrzeugs unabhängige Schnittstellenkomponenten umfassen.
  • Mit der Erfindung kann auch ein Fahrzeug angegeben werden, das ein erfindungsgemäßes System umfasst, sowie ein Computerprogramm, das beim Laden und Ausführen auf einem Computer erfindungsgemäße Verfahrensschritte bewirkt.
  • Im Folgenden werden weitere Ausführungsbeispiele der Erfindung anhand von Figuren näher erläutert. Soweit in den Figuren gleiche, gleichwirkende oder ähnliche Elemente gezeigt sind, können diese figurenübergreifend mit gleichen Bezugszeichen versehen sein. Es zeigen:
  • 1 ein Fahrzeug mit einem System zur Erkennung von Low-Speed-Crash-Ereignissen sowie damit ausgeführte Prozess-Schritte,
  • 2 Merkmalsräume für Low-Speed-Crash-Ereignisse,
  • 3 ein dem System der 1 entsprechendes System mit einem Lernmodus, und
  • 4 ein Schadenserkennungssystem für ein Fahrzeug.
  • Das in 1 lediglich symbolisch dargestellte Fahrzeug 1 umfasst ein Erkennungssystem 2 zur Erkennung von Low-Speed-Crash-Ereignissen an dem Fahrzeug 1, beispielsweise verursacht durch einen Aufprall eines schematisch gezeigten Objekts 10 auf das Fahrzeug 1, bei relativ geringer Relativgeschwindigkeit zwischen Fahrzeug 1 und Objekt 10. Weiterhin sind in der 1 diverse im Fahrzeug 1 befindliche Sensoren 3, ein Steuergerät (Electronic Control Unit, ECU) 3a, sowie ein Controller-Area-Network(CAN)-Datenbus 4 des Fahrzeugs 1 schematisch gezeigt, durch den zwischen den Sensoren 3 und/oder über elektronische Steuereinrichtungen 3a des Fahrzeugs 1 Signale und/oder Daten ausgetauscht werden können. Von den Sensoren 3 werden entsprechende Sensorsignale bzw. Daten zu Messgrößen gebildet, beispielsweise zur Fahrgeschwindigkeit des Fahrzeugs 1, zu Beschleunigungen in verschiedenen Richtungen (Längs/Querbeschleunigung) usw. Die jeweiligen, von den Sensoren 3 gebildeten Daten bzw. Signale werden, ggf. via direkt angebundene, insbesondere verdrahtete Steuergeräte in ggf. vorgefilterter und/oder ungefilterter sowie insbesondere kodierter Form, in entsprechende Datenbus-Nachrichten gepackt und über den CAN-Datenbus 4 des Fahrzeugs 1 bereit gestellt. Sie können von dem ebenfalls an den CAN-Datenbus 4 angebundenen, insbesondere auf einem dezidierten Steuergerät implementierten Erkennungssystem 2 online, insbesondere in Echtzeit ausgelesen werden und/oder insbesondere zu Trainingszwecken offline aus einem Trace-Speicher 5 des Fahrzeugs 1 und/oder aus einer extern angeschlossenen, entsprechenden Trace-Datenbank ausgelesen werden. Im Falle eines auf dem Fahrzeug 1 optional befindlichen Trace-Speichers können sämtliche oder ausgewählte Daten bzw. Nachrichten, die über den CAN-Datenbus 4 im laufenden Betrieb ausgegeben werden, für eine jeweils vorgegebene Zeitdauer gespeichert werden, so dass sie z.B. für spätere Trainings- und/oder Analysezwecke verwendbar sind. Im Falle der Trace-Datenbank handelt es sich um eine Datenbank, in welcher entsprechende Bus-Nachrichten in Form von sogenannter Log-Traces abgespeichert sind, welche im Vorfeld, i.d.R. mit Hilfe entsprechender Datenlogger, aufgezeichnet wurden, z.B. bei der Durchführung entsprechender Fahr- bzw. Crash-Versuche und/oder unter realen Unfallbedingungen. Dabei können die jeweiligen Daten ggf. zusätzlich schon in einer für einen vom Erkennungssystem verwendeten Machine-Learning(ML)-basierten Trainingsprozess, vorteilhaften Form vorverarbeitet abgelegt sein.
  • Das Erkennungssystem 2 umfasst eine Signalvorverarbeitungseinheit 6 (engl. Signal Pre Processing Unit, SPU), eine Merkmalsberechnungseinheit 7 (engl. Feature Computation Unit, FCU), eine Klassifikationseinheit 8, die auf Basis eines Maschinenlernvorgangs arbeitet (engl. Machine Learning Classification Engine, MLCE), sowie eine Klassifikationsdatenbank 9, die Daten enthält, die in einem Maschinenlernprozess erzeugt und/oder verwendet werden.
  • Zur Erkennung eines Fahrzeug-Unfalls bzw. eines damit in Verbindung stehenden Aufprall-Ereignisses eines Objekts 10 auf das Fahrzeug 1 mit einer niedrigen Bewegungsgröße wie z.B. niedriger Aufprallgeschwindigkeit bzw. mit dem Aufprall verbundener niedriger Geschwindigkeits- bzw. Beschleunigungsänderung (Low-Speed-Crash-Ereignis) werden in der Signalvorverarbeitungseinheit 6 die von den Sensoren 3 des Fahrzeugs 1 gebildeten Signale und/oder Daten derart mittels vorgegebener Regeln verarbeitet, dass sie zumindest selektiv gefiltert werden.
  • Die Aufprallgeschwindigkeit ist insbesondere die Relativgeschwindigkeit zwischen Objekt und Fahrzeug, beispielsweise eine Relativgeschwindigkeit von größer als 0 und kleiner oder gleich 20 km/h vor dem Aufprall. Als Aufprallgeschwindigkeit kann aber auch eine mit dem Aufprall in Verbindung stehende Geschwindigkeitsdifferenz des Fahrzeugs bezüglich dessen Initialgeschwindigkeit herangezogen werden. Die jeweiligen Geschwindigkeitswerte können insbesondere auf einen bezüglich des Aufprallereignisses vorgegebenen Zeitpunkt bezogen werden, beispielsweise 300 ms vor dem Zeitpunkt, zu dem das mit dem Aufprall in Verbindung stehende Beschleunigungsmaximum liegt. Als Bewegungsgröße kann auch ein Verlauf der entsprechenden Geschwindigkeits- bzw. Beschleunigungsgrößen herangezogen werden.
  • Die in der Signalvorverarbeitungseinheit 6 erzeugten, selektiv gefilterten Signale und/oder Daten werden danach an eine Merkmalsberechnungseinheit 7 ausgegeben. In der Merkmalsberechnungseinheit 7 werden auf Basis der zuvor selektiv gefilterten Signale und/oder Daten mittels vorgegebener Regeln Merkmalsdaten gebildet. Die Merkmalsdaten repräsentieren dabei insbesondere eine Beobachtungsgröße für das Aufprall-Ereignis. Dabei kann aus einer Vielzahl von Sensorsignalen bzw. -Daten, die von einem Sensor und/oder von mehreren Sensoren vor, während oder nach dem Aufprall-Ereignis gebildet wurden, mittels vorgegebener Regeln eine Vielzahl von Merkmalsdaten und insbesondere mehrdimensionale Merkmalsvektoren gebildet werden.
  • Mit der Signalvorverarbeitungseinheit 6 wird insbesondere erreicht, aus dem Nachrichtenverkehr, der über dem an ihrem Eingang angebundenen Kommunikationsbus (CAN-Datenbus 4) läuft, relevante Signale bzw. Daten zu filtern und in eine geeignete Form zu überführen um sie für den nachfolgend durchzuführenden Prozess der Bildung von Merkmalsdaten vorzubereiten.
  • Die in der Merkmalsberechnungseinheit 7 gebildeten Merkmalsdaten, insbesondere Merkmalsvektoren, und/oder davon abgeleitete Daten werden als Beobachtungsdaten, insbesondere als mehrdimensionale Beobachtungsvektor-Daten (engl. Observation Feature Vector Data), von der Merkmalsberechnungseinheit 7 an die Klassifikationseinheit 8 ausgegeben. Dort werden die Merkmalsdaten mittels mindestens einer Klassifikationsmethode und unter Verwendung der Klassifikationsdatenbank 9 derart verarbeitet, dass eine Zuordnung des den Signalen bzw. Daten bzw. der daraus abgeleiteten Merkmalsdaten zu Grunde liegenden Aufprall-Ereignisses zu einer Ereignis-Klasse der Klassifikation erfolgt. Die Zuordnung kann mittels eines Klassifikationsmodells erfolgen, das mehrere Klassifikationsmethoden umfasst. Für die Klassifikation sind insbesondere zwei Ereignisklassen vorgesehen, wobei die erste Ereignisklasse repräsentativ dafür ist, dass ein Unfall mit geringer Geschwindigkeit (Low-Speed-Crash-Fall) vorliegt und die zweite Ereignisklasse, dass kein solcher Unfall vorliegt (Misuse-Fall, welcher neben Misuse-Ereignissen auch sonstige unkritische Ereignisse umfasst wie z.B. den normalen Fahrbetrieb). Von der Klassifikationseinheit 8 wird dann ein entsprechendes Signal bzw. mindestens eine entsprechende Nachricht ausgegeben, welche wiederum von anderen Systemen, insbesondere Fahrzeugsystemen eingelesen und verwendet werden kann und für weitere Steuerungsaufgaben und/oder Auswertungen verwendet werden kann, beispielsweise zur Benachrichtigung eines Fahrzeug-unabhängigen Geräts, wie beispielsweise eines Smartphones des Fahrzeughalters bzw. zur weiteren Verwendung im Rahmen von Offboard-seitigen Telematik-Plattformen und -Diensten und/oder zur ganz oder teilweise automatischen Bestimmung des an dem Fahrzeug durch den Unfall verursachten Schadens.
  • Das Aufeinanderfolgen von Verfahrensschritten zur Erzeugung, Bereitstellung, Übertragung, Verarbeitung, Eingabe und/oder Ausgabe von Signalen und/oder Daten sind in 1 jeweils durch Pfeile dargestellt. Nachfolgend werden noch etwas detaillierter Systemkomponenten und in diesen ausgeführte Verfahrensschritte zu der Signalvorverarbeitungseinheit 6, der Merkmalsberechnungseinheit 7 und der Klassifikationseinheit 8 beschrieben.
  • Signalvorverarbeitungseinheit
  • In der Signalvorverarbeitungseinheit 6 werden die vom CAN-Datenbus 4 empfangenen Sensorsignale und/oder Daten zunächst von einem Signaldecoder 11 (FIL) verarbeitet, der die Signale bzw. Daten, insbesondere, wenn diese als Nachrichten kodiert sind, mittels einer beispielsweise in einer Fahrzeug-Datenbank, welche die entsprechenden Nachrichten-Definitionen des jeweiligen Kommunikationsbus-Protokolls enthält, abgelegten Dekodiervorschrift dekodiert und nach vorgegebenen Regeln filtert. Dabei werden nur selektiv vorgegebene Signale und/oder Daten an eine Synchronisierungseinheit 12 der Signalvorverarbeitungseinheit 6 ausgegeben, die zur Erkennung eines Unfall-Ereignisses beitragen. Obwohl in 1 nur eine Dekodiereinheit 11 gezeigt wird, die sowohl das Dekodieren als auch das Filtern durchführt, können für diese beiden Funktionen auch zwei voneinander getrennte Einheiten vorgesehen sein.
  • Wenn die jeweiligen, über den Kommunikationsbus, hier CAN-Datenbus 4, laufenden Signale bzw. Daten mittels einer asynchronen oder „quasi-asynchronen“ (hinsichtlich ihrer enthaltenen Nutzsignale bspw. trotz synchronem Bustakt) Nachrichten- bzw. Datenübertragung propagiert werden, dann werden in der Synchronisierungseinheit 12 (SYN) die zuvor dekodierten und gefilterten, einzelnen Signale bzw. Daten synchronisiert. Durch eine entsprechende Abtastratenwandlung bzw. ein entsprechendes Resampling können die Signale bzw. Daten zudem auf eine gemeinsame Abtastfrequenz für die nachfolgende Weiterverarbeitung gebracht werden. Die auf eine gemeinsame Abtastfrequenz gebrachten Signale und/oder Daten werden einer Signalfensterungseinheit 13 (Signal Windowing Unit, WIN) der Signalverarbeitungseinheit 6 zugeführt, in der sie einen Prozess zur gleitenden zeitlichen Signalfensterbildung durchlaufen.
  • Dabei werden für jeweils ein vorgegebenes Zeitfenster die zueinander synchronisierten Signale und/oder Daten einander logisch zugeordnet und insbesondere zu einem Datensatz zusammengefasst. Jeweilige Zeitfenster werden mittels einstellbarer und zuvor eingestellte Parameter festgelegt, insbesondere durch einen Parameter für eine Fensterbreite (Dauer des Zeit-Intervalls eines Fensters bzw. ensprechende Anzahl der Samples (Abtastwerte), engl. Window Size bzw. Window Length), einen Parameter für einen Überlappungsfaktor (engl. Overlap) für die zeitliche Überlappung benachbarter Signalfenster (Verschiebung bei der gleitenden Fensterung/Fensterbildung) und/oder einen Parameter zur Anwendung einer oder mehrerer vorgegebener Fensterfunktionen, wie beispielsweise Hamming, Von-Hann (Hanning bzw. Raised-Cosine), Blackman oder Kaiser. Zu einer Fensterfunktion können gegebenenfalls auch deren Parameter vor ihrer Anwendung eingestellt werden. In einer „trivialen“ Einstellung wäre beispielsweise als Fensterfunktion ein Rechteck-Fenster (Signalwerte innerhalb des Fensters werden unverändert übernommen) und ein Überlappungsfaktor von 0% (keine Überlappung bzw. gleitendes Fenster verschiebt sich jeweils um eine volle Fensterlänge) eingestellt.
  • Die jeweiligen Signalverläufe (engl. signal samples) werden vorzugsweise entsprechend der eingestellten Fensterbreite und/oder des eingestellten Überlappungsfaktors in einem Speicher zwischengespeichert. Dadurch können Signale bzw. Daten, die für die später folgende Merkmalsberechnung gemeinsam benötigt werden, auch dann zuverlässig bereitgestellt werden, wenn die Signalverläufe zur Laufzeit einzeln in die Signalverarbeitungseinheit 6 einlaufen.
  • Merkmalsberechnungseinheit
  • In der Merkmalsberechnungseinheit 7 wird aus den zuvor mittels der synchronen Signalfenster gebildeten, relevanten Teilsignalen bzw. mittels der entsprechenden Daten ein insbesondere mehrdimensionaler Merkmalsvektor (Feature Vector) berechnet. Dabei können einzelne Teil-Komponenten eines Merkmalsvektors aus einzelnen Merkmalen gebildet werden, die jeweils innerhalb entsprechend dedizierter Teilmerkmalsberechnungseinheiten 15 berechnet werden. Dabei kann weiterhin eine Teilmerkmalsberechnungseinheit 15, soweit zweckmäßig, auch mehrere Teil-Komponenten des Merkmalsvektors bzw. mehrere Merkmale berechnen.
  • Kern der Merkmalsberechnungseinheit 7 sind mehrere Teilmerkmalsberechnungseinheiten 15 (Sub Feature Computation Units, FC1...FCn), die mittels vorgegebener Regeln jeweils Merkmalsdaten berechnen, die jeweils entweder mehreren, einem oder insbesondere genau einem, konkreten Merkmal zugeordnet sind.
  • Die Merkmalsberechnungseinheit 7 weist optional eingangsseitig, bzw. den Teilmerkmalsberechnungseinheiten 15 vorgeschaltet, eine Vorverarbeitungseinheit 14 auf, der die zuvor von der Signalfensterungseinheit 13 der Signalvorverarbeitungseinheit 6 gebildeten Signale, Daten, Teil- bzw. Basissignale und/oder Datenteile zugeführt werden und in der diese optional derart vorverarbeitet werden können, dass Operationen, die zur anschließenden Berechnung vorgegebener Merkmalsdaten bzw. ihnen zugeordneter Merkmale, insbesondere für mehrere Merkmalsdaten bzw. Merkmale und/oder Teil-Merkmalsvektoren mehrfach benötigt werden, bereits in mindestens einem entsprechenden Vorverarbeitungsschritt ausgeführt werden, so dass die jeweiligen Ergebnisse in den späteren Schritten zur Bildung der Merkmalsdaten bzw. Merkmale und/oder Teil-Merkmalsvektoren direkt verwendbar sind. Dadurch kann Redundanz bei der Berechnung vermieden werden und somit die Rechenleistung optimiert werden. Dies ist insbesondere vorteilhaft um das Erkennung-System 2 echtzeitfähig auszugestalten.
  • In der Merkmalsberechnungseinheit 7 kann optional ausgangsseitig, insbesondere den Teilmerkmalsberechnungseinheiten 15 nachgeschaltet, eine Nachverarbeitungseinheit 16 (engl. Post Processing Unit, POST) vorgesehen sein, mit der die zuvor berechneten Merkmalsdaten bzw. Merkmale, insbesondere Teil-Merkmalsvektoren, einzeln oder gruppenweise und/oder der resultierende gesamte Merkmalsvektor (welcher im Rahmen der Erfindung auch als Beobachtungsmerkmalsvektor bzw. Observation-Feature-Vector referenziert wird) mit vorgegebenen Regeln nachverarbeitet werden. Beispielsweise könnte dabei auf einen ursprünglich berechneten Merkmalsvektor und/oder den Beobachtungsmerkmalsvektor abschließend eine Vektorquantisierung angewandt werden. In einem Register-Speicher 17 werden die aus den einzelnen Merkmalen/Teil-Merkmalsvektoren gebildeten Daten des Beobachtungsmerkmalsvektors gespeichert. Die in vorgegebenen Register-Zellen des Register-Speichers 17 gespeicherten Daten repräsentieren wiederum einzeln berechnete Merkmale.
  • Von der Merkmalsberechnungseinheit 7 wird pro eingangsseitig anliegendem zusammengefasstem Signalfensterblock ein resultierender mehrdimensionaler Beobachtungs-Merkmalsvektor ausgegeben, welcher, je nach Einstellung bzw. Parametrisierung der Merkmalsberechnungseinheit 7, insbesondere mindestens zwei Dimensionen besitzt, bzw. mindestens zwei berechnete Merkmale als Vektor-Komponenten hat. Die Ausgabe-Frequenz ist analog bzw. abhängig von den entsprechenden Fensterungsparametern wie Abtastrate der gefensterten Samples, Fensterbreite und/oder Überlappungsfaktor.
  • Der Beobachtungs-Merkmalsvektor wird zur weiteren Signal- bzw. Datenverarbeitung zwecks Klassifikation des zugrunde liegenden, ggf. über die zuvor beschriebenen Prozess-Schritte mittelbar beobachteten, physikalischen Ereignisses (welches auch unkritisch sein kann) der Klassifikationseinheit 8 zugeführt.
  • Klassifikationseinheit
  • In der Klassifikationseinheit 8 wird auf Basis der ihr zugeführten Merkmalssignale bzw. -daten, zusammengefasst durch den Beobachtungs-Merkmalsvektor, eine Entscheidung hinsichtlich der Zugehörigkeit zu einer der zuvor definierten Ereignisklassen getroffen. Dazu werden die jeweiligen Signale bzw. Daten zunächst entsprechend der Einstellung bzw. Parametrisierung der Klassifikationseinheit 8 anhand der mittels des jeweiligen Maschinenlernverfahrens erlernten Klassifikationsmethoden in zumindest einem der Klassifikationsprozessoren 18a, 18b, 18c verarbeitet, wobei 18a einen Klassifikationsprozessor zeigt mit einer Implementierung gemäß einem Hidden-Markov-Model(HMM)-Verfahren, der Klassifikationsprozessor 18b mit einer Implementierung gemäß einem Support-Vector-Machine(SVM)-Verfahren und 18c den Klassifikationsprozessor mit einer Implementierung gemäß einem Verfahren auf Basis eines künstlichen neuronalen Netzwerks (ANN). Entsprechende, zu den jeweiligen Verfahren bzw. Klassifikationsmodellen gehörige Steuerungs- und/oder Regeldaten sind in der Klassifikationsdatenbank 9 gespeichert. Auch Trainings-Merkmalsdaten können in der Klassifikationsdatenbank 9 gespeichert sein. Die jeweilige Implementierung zu den genannten Maschinenlern-Verfahren zur Anwendung der Klassifikationsmethode umfasst mindestens eine, insbesondere eine Vielzahl von Regeln wie Zuordnungsregeln, Vergleichsregeln und/oder Rechenregeln. Die Implementierung kann insbesondere in einem Computerprogramm erfolgen.
  • Das Hidden-Markov-Model (HMM) ist ein stochastisches Modell, in dem ein System durch eine nach dem russischen Mathematiker Andrej Andreevič Markov genannte Markov-Kette mit unbeobachteten Zuständen modelliert wird. Die Modellierung als Markov-Kette bedeutet, dass das System auf zufällige Weise von einem Zustand in einen anderen übergeht, wobei die Übergangswahrscheinlichkeiten nur jeweils vom aktuellen Zustand abhängen, aber nicht von den davor eingenommenen Zuständen. Außerdem wird dabei angenommen, dass die Übergangswahrscheinlichkeiten über die Zeit konstant sind. Bei einem HMM werden jedoch nicht diese Zustände selbst von außen beobachtet. Sie sind verborgen (engl. hidden). Stattdessen sind jedem dieser inneren Zustände beobachtbare Ausgabesymbole, sogenannte Emissionen, zugeordnet, die je nach Zustand mit gewissen Wahrscheinlichkeiten auftreten. Die Aufgabe besteht meist darin, aus der beobachteten Sequenz der Emissionen zu wahrscheinlichkeitstheoretischen Aussagen über die verborgenen Zustände zu kommen. Ein HMM kann als Spezialfall eines Dynamischen Bayesschen Netzes angesehen werden.
  • Eine Support-Vector-Machine (SVM) unterteilt eine Menge von Objekten so in Klassen, dass um die Klassengrenzen herum ein möglichst breiter Bereich frei von Objekten bleibt; sie ist ein sogenannter Large-Margin-Classifier (dt. „Breiter-Rand-Klassifikator“). Ausgangsbasis für den Bau einer Support-Vector-Machine ist eine Menge von Trainingsobjekten, für die jeweils bekannt ist, welcher Klasse sie zugehören. Jedes Objekt wird durch einen Vektor in einem N-dimensionalen Vektorraum repräsentiert. Aufgabe der Support-Vector-Machine ist es, in diesen Raum eine Hyperebene der Dimension N – 1 einzupassen, die als Trennfläche fungiert und die Trainingsobjekte in zwei Klassen teilt. Der Abstand derjenigen Vektoren, die der Hyperebene am nächsten liegen, wird dabei maximiert. Dieser breite, leere Rand soll später dafür sorgen, dass auch Objekte, die nicht genau den Trainingsobjekten entsprechen, möglichst zuverlässig klassifiziert werden.
  • Beim Einsetzen der Hyperebene ist es nicht notwendig, alle Trainingsvektoren zu beachten. Vektoren, die weiter von der Hyperebene entfernt liegen und gewissermaßen hinter einer Front anderer Vektoren „versteckt“ sind, beeinflussen Lage und Position der Trennebene nicht. Die Hyperebene ist nur von den ihr am nächsten liegenden Vektoren abhängig – und auch nur diese werden benötigt, um die Ebene mathematisch exakt zu beschreiben. Diese nächstliegenden Vektoren werden nach ihrer Funktion Stützvektoren (engl. Support Vectors) genannt.
  • Eine Hyperebene kann nicht „verbogen“ werden, sodass eine saubere Trennung mit einer Hyperebene nur dann möglich ist, wenn die Objekte linear trennbar sind. Dies ist in realen Anwendungsfällen im Allgemeinen nicht der Fall.
  • Es können auch andere bzw. weitere Klassifikationsprozessoren gemäß anderen Klassifikationsverfahren, beispielsweise basierend auf Entscheidungsbäumen (engl. Decision Trees) oder einem anderen dynamischen bayesschen Netz verwendet werden.
  • Auf Basis der Ergebnisse der Verarbeitung in dem mindestens einen Klassifikationsprozessor 18a, 18b bzw. 18c wird dann in der Klassenentscheidungseinheit 19 die Entscheidung getroffen, welcher Ereignisklasse das den verarbeiteten Daten zugrundeliegende bzw. beobachtete Ereignis zugeordnet wird. Dabei können beispielsweise optional die Ergebnisse der jeweiligen von den verschiedenen Klassifikationsprozessor 18a, 18b bzw. 18c ausgegebenen Ergebnisse statistisch untersucht werden um ein Gesamtergebnis zu bilden. Die Ereignisklassen können beispielsweise binär als Klassenlabel der Ereignisklasse „Misuse“ (bzw. kein Unfall/kritisches Ereignis) mit dem Klassenindex Null sowie als Klassenlabel der Ereignisklasse „Low Speed Crash“ mit dem Klassenindex Eins definiert sein. Die Klassenentscheidungseinheit 19 bzw. die Klassifikationseinheit 8 gibt dementsprechend über eine Schnittstelle 20 (engl. Interface, IF) als Ergebnis den Klassenindex der anhand des bzw. der jeweiligen Klassifikationsverfahren zugeordneten, insbesondere wahrscheinlichsten, Ereignisklasse für das zu Grunde liegende Ereignis aus. Soweit es das gewählte Klassifikationsverfahren und/oder die Klassenentscheidungseinheit 19 ausgangsseitig unterstützt, kann zusätzlich oder alternativ auch die Klassenwahrscheinlichkeit des aktuell bewerteten Merkmalsvektor bestimmt und ggf. ausgegeben werden.
  • Die jeweilige Erfassung und Verarbeitung von Signalen, Daten und/oder Nachrichten und insbesondere das Klassifikationsverfahren wird zur Laufzeit (während dem Fahrbetrieb des Fahrzeugs, im Zustand „Zündung ein“ und/oder ggf. in einem entsprechenden Standby-Betrieb des Fahrzeugs) ständig ausgeführt, auch wenn kein kritisches Ereignis vorliegt um ein kritisches Ereignis zeitnah erkennen zu können. Im Regelfall wird demnach ständig eine Klassifikation des Ereignisses „kein Unfall“ ausgegeben.
  • 2 zeigt zwei Merkmalsräume 24, 25 für repräsentative Aufprall- sowie vor allem grenzwertiger Misuse-Ereignisse zwischen einem Fahrzeug und einem Objekt. Mit Kreisen 26 sind jeweils diejenigen Merkmalsdaten dargestellt, die einem Low-Speed-Crash-Ereignis entsprechen und mit Kreuzen 27 sind diejenigen Merkmalsdaten dargestellt, die einem Misuse-Ereignis entsprechen.
  • Im Merkmalsraum 24 sind in der x-Achsenrichtung die jeweiligen Initialgeschwindigkeiten des Fahrzeugs angegeben und in der y-Achsenrichtung der Betrag der jeweiligen, bei dem Aufprallereignis auftretenden, maximalen Beschleunigung eines Beschleunigungssensors des Fahrzeugs.
  • Wie 2 zu sehen ist, sind im Merkmalsraum 24 die Low-Speed-Crash-Ereignisse nicht klar von den Misuse-Ereignissen abgegrenzt, insbesondere im Überlappungsbereich 28 und z.B. für das mit dem Kreuz 27a symbolisierte Ereignis. Die 2 zeigt somit einerseits, dass es kaum möglich ist, aus den jeweiligen Merkmalsdaten des Merkmalsraums 24 (bzw. der in diesem dargestellten aggregierten Bewegungsgrößen „Initialgeschwindigkeit“ und „Beschleunigungswert“) die jeweilige Ereignisart (Low-Speed-Crash vs. Misuse) korrekt zuzuordnen bzw. zu erkennen, wenn die Ereignisart nicht vorab bekannt ist. Andererseits zeigt 2, dass eine solche Zuordnung bzw. Erkennung mittels der Daten des Merkmalsraums 25 weitaus genauer erfolgen kann, erkennbar durch die klarere Trennung der beiden Bereiche 25a und 25b. Dem Merkmalsraum 25 ist ein für die Ereignis-Erkennung vorteilhafterer Merkmalsraum. Die auf den jeweiligen Achsen u und v des Merkmalsraums 25 dargestellten, abgeleiteten Merkmale korrespondieren jeweils zu einem oder mehreren Merkmalen, die mittels der in 1 gezeigten Teilmerkmalsberechnungseinheiten 15 (FC1...FCn) berechnet werden, wobei die zugrunde liegenden Merkmale anders bestimmt werden als die Merkmale des Merkmalsraums 24. Insbesondere können diese auf komplexeren Daten und/oder Datenverarbeitungsschritten bestimmt werden, z.B. auch auf Basis verschiedener Datenarten, beispielsweise zu verschiedenen Bewegungsgrößen und/oder zu anderen Größen wie akustischen und/oder optischen Größen. Durch die klarere Trennung der Bereiche 25a und 25b kann vorteilhaft eine genauere automatische Zuordnung der jeweiligen Daten eines Ereignisses zu einer der beiden Ereignis-Klassifikationen (Low-Speed-Crash-Ereignis vs. Misuse-Ereignis) erfolgen.
  • In 3 ist das in 1 gezeigte Erkennungssystem 2 gezeigt, wobei hier unter anderem Systemkomponenten dargestellt sind, die zum Training der Klassifikationseinheit 8 im Rahmen des Maschinenlernvorgangs vorgesehen sind.
  • Das Erkennungssystem 2 kann in mindestens zwei Betriebszuständen beschrieben werden, nämlich zum einen in einem Trainings-Betriebszustand (engl. Training Mode), bei dem auf Basis eines Maschinenlernvorgangs Eigenschaften (engl. Features), insbesondere Parameter und/oder Regeln für die Klassifikationseinheit 8 bestimmt werden und zum anderen in einem produktiven Betriebszustand bzw. so genannten „Run-Mode“, in dem tatsächlich aus den von Sensoren in einem Fahrzeug erfassten Daten, insbesondere online zur Laufzeit und/oder in Echtzeit, eine Entscheidung über das Vorliegen eines Low-Speed-Crashs getroffen wird. Im Zusammenhang mit 1 wurde oben bereits anhand der dort gezeigten Systemkomponenten [hauptsächlich] der “Run-Mode“ beschrieben.
  • Die Systemdateneinheit (engl. System Data Unit, SDU) 21, auch als Systemdatenmodul bezeichnet, dient der zentralen Speicherung systemrelevanter Daten, die im Wesentlichen die System-Konfiguration bzw. -Parametrisierung, sowie die in der Klassifikationsdatenbank 9 gespeicherten Daten, die insbesondere im Zuge des Maschinenlernvorgangs erzeugt und gespeichert werden, umfassen.
  • In der Klassifikationseinheit 8 werden dann logisch über einen logischen Klassifikationswahlschalter 18d bzw. eine entsprechende Auswahl geschaltet, welche der jeweiligen Klassifikationsprozessoren 18a...18c trainiert bzw. jeweils verwendet werden soll. Eine entsprechende Auswahl von einem oder mehreren Klassifikationsprozessoren kann im Übrigen auch im „Run-Mode“ erfolgen, so dass die entsprechenden zu verarbeiteten Merkmalssignale bzw. Merkmalsdaten parallel oder seriell ein oder mehrere Klassifikationsprozessoren durchlaufen.
  • Sowohl Daten der System-Konfiguration als auch Daten zur Steuerung von lesendem und/oder schreibendem Zugang zu der Klassifikationsdatenbank 9 werden den jeweiligen System-Komponenten des Erkennungssystems 2, insbesondere der Klassifikationseinheit 8, über eine interne Datenschnittstelle 22 (IIF) zur Verfügung gestellt. Dazu können jeweils korrespondierende, dedizierte Ein- und/oder Ausgabe-Ports 22a für die Signalverarbeitungseinheit 6 (SPU IO), für die Merkmalsberechnungseinheit 7 (FCU IO) und für die Klassifikationseinheit (MLCE IO) vorgesehen sein.
  • Über die externe Schnittstelle 23 können weiterhin von außen Systemkonfigurationen vorgenommen und/oder Informationen zum aktuellen Status des Erkennungssystems 2 abgefragt werden. Konfigurationsdaten (Parameter) werden in einem Konfigurationsdatenspeicher 21a gespeichert.
  • Obwohl das in 3 gezeigte Erkennungssystem 2 die beiden Betriebsmodi „Training“ und „produktiver Betrieb“ (Run) aufweist, ist es möglich, ein entsprechendes Erkennungssystem 2 vorzusehen, das diesbezüglich nur den Betriebszustand „Run“ aufweist und vorab mit Steuerungsdaten, insbesondere Klassifizierungsdaten, Klassifizierungsregeln und/oder Klassifizierungsmodellen befüllt ist, die zuvor in einem anderen System, insbesondere Referenz-System, erzeugt bzw. eingelernt wurden, insbesondere auf Basis eines Maschinenlernvorgangs, des so genannten Supervised Learnings. Ein solches System verfügt dann insbesondere über die in 1 gezeigten Systemkomponenten.
  • Im Betriebsmodus „Training“ können wiederum zwei untergeordnete Lernmodi vorgesehen sein. In einem ersten Lernmodus „trainiere Merkmale“ (engl. Train Features) führt das Erkennungssystem 2 die Signalvorverarbeitung und die Merkmalsberechnung durch und speichert zu jedem gebildeten Signal-Zeitfenster[-Block] den jeweils entsprechenden, berechneten Merkmalsvektor ab, insbesondere in der Klassifikationsdatenbank 9. In einem zweiten Lernmodus „trainiere Modell“ werden zunächst manuell Daten, Regeln und/oder Modelle vorgegeben. Insbesondere werden jeweiligen Messdaten und/oder davon abgeleiteten Daten das jeweilige, ihnen zugrunde liegende Ereignis manuell zugeordnet, so genanntes Labeling. Dabei werden insbesondere die zu zugeordneten Ereignisklassen (Klasse 0 „Misuse“ und Klasse 1 „Low Speed Crash“) von einem Domänen-Experten jeweils mit den zuvor gebildeten Zeitfenstern und/oder den zuvor berechneten Merkmalsvektoren entsprechend assoziiert und innerhalb der Trainingsdatenbank 9 dauerhaft gespeichert. Dann kann das eigentliche Maschinen Lern-Klassifikationsmodell trainiert werden. Das daraus resultierende trainierte Klassifikationsmodell, dessen konkrete Ausprägung sich je nach gewählter dem Maschinenlern-Verfahren unterschiedlich darstellen kann, wird ebenfalls dauerhaft in der Klassifikationsdatenbank 9 gespeichert. Es wird dann gegebenenfalls im Run-Betriebszustand von der entsprechenden Maschinenlern-Klassifikationsmethode zur Klassifikation der jeweils zu bewertenden Merkmalsdaten bzw. Merkmalsvektoren bzw. des Beobachtungs-Merkmalsvektors herangezogen.
  • Zu dem anhand 3 beschriebenen Trainieren des künstlichen neuronalen Netzwerks (ANN) können verschiedene Verfahren alleine oder in Kombination verwendet werden, insbesondere so genanntes Überwachtes Lernen, Bestärktes Lernen, Unüberwachtes Lernen und Stochastisches Lernen.
  • Beim Überwachten Lernen wird dem ANN ein Eingangsmuster gegeben und die Ausgabe, die das neuronale Netz in seinem aktuellen Zustand produziert, mit dem Wert verglichen, den es eigentlich ausgeben soll. Durch Vergleich von Soll- und Istausgabe kann auf die vorzunehmenden Änderungen der Netzkonfiguration geschlossen werden.
  • Beim Bestärkten Lernen bestimmt ein Agent den Nutzen von Aktionsabfolgen in einer Welt. Zu diesem Zweck benutzt Bestärktes Lernen insbesondere die Theorie der Markov-Entscheidungsprobleme (engl. Markov Decision Processes, MDP). Dahinter steht der Ansatz, an einen Agenten ausgeschüttete Belohnungen so über die vorangegangenen Aktionen zu verteilen, dass der Agent den Nutzen einer jeden Aktion kennt und ausnutzen kann.
  • Das Unüberwachte Lernen erfolgt insbesondere ausschließlich durch Eingabe der zu lernenden Muster. Das künstliche Neuronale Netz verändert sich entsprechend den Eingabemustern von selbst.
  • Beim Stochastischen Lernen versucht ein Lernalgorithmus, eine Hypothese zu finden, die möglichst zielsichere Voraussagen trifft. Unter Hypothese ist dabei eine Abbildung bzw. Regel zu verstehen, die jedem Eingabewert den vermuteten Ausgabewert zuordnet. Dazu verändert der Algorithmus die freien Parameter der gewählten Hypothesenklasse. Oft wird als Hypothesenklasse die Menge aller Hypothesen, die durch ein bestimmtes künstliches neuronales Netzwerk modelliert werden kann, verwendet. In diesem Fall sind die frei wählbaren Parameter die Gewichte w der Neuronen.
  • Im Hinblick auf 1 und 3 kann zusammenfassend festgestellt werden, dass das beschriebene Erkennungssystem 2 hinsichtlich der Signalverarbeitungskette drei hauptsächliche Systemkomponenten bzw. Signalverarbeitungsstufen aufweist, nämlich
    • – eine Signalvorverarbeitungseinheit bzw. -stufe,
    • – eine Merkmalsberechnungseinheit bzw. -stufe und
    • – eine Klassifikationseinheit bzw. -stufe.
  • Weiterhin kann das jeweilige System 2 vorzugsweise ein Systemdaten-Modul aufweisen, welches eingerichtet ist, Speicherplatz für benötigte Systemdaten wie zum Beispiel zur System-Konfiguration, Systemparametrisierung und/oder eine Maschinenlern-Trainingsdatenbank bereit zu stellen, die Trainingsdaten für einen Maschinenlernprozess enthält. Weiterhin kann vorgesehen sein, dass das Systemdaten-Modul mindestens eine systeminterne und/oder externe Schnittstelle für den Ein- und/oder Ausgabedatenzugriff bereitstellt.
  • In 4 ist ein automatisiertes Schadenserkennungssystem 29 (engl. Automated Damage Estimation System, ADE) für ein Fahrzeug dargestellt, mit dem nach einem Aufprall-Ereignis automatisch entschieden werden kann, ob es ein Low-Speed-Crash-Ereignis ist und gegebenenfalls automatisiert der Umfang des dabei ggf. entstandenen Schadens ermittelt und/oder bewertet werden kann.
  • Das Schadenserkennungssystem 29 umfasst ein Unfallerkennungssystem 37 (engl. Crash Detection System, CD) und ein Schadens-Ermittlungsmodul 30 (engl. Damage Estimation Module, DEM). Das Unfallerkennungssystem 37 umfasst insbesondere wiederum zwei Teilsysteme, die mittels Fahrzeugsensoren bereit gestellte Daten als Unfalldaten im Wesentlichen unabhängig und insbesondere auf Basis verschiedener Algorithmen voneinander auswerten. Die jeweils auszuwertenden Daten und/oder Algorithmen können für beide Teilsysteme zumindest teilweise dieselben sein.
  • Das erste Teilsystem ist darauf spezialisiert, Low-Speed-Crash-Ereignisse zu erkennen (Low Speed Crash Detection, LSCD) und das zweite Teilsystem ist darauf spezialisiert, schwerwiegende Unfall-Ereignisse zu erkennen, so dass beispielsweise ein aktives Insassen-Schutzsysteme am Fahrzeug aktiviert wird. Das erste Teilsystem ist im Wesentlichen gemäß dem Erkennungssystem 2 ausgebildet und insbesondere gemäß einem der in 1 bzw. 3 beschriebenen Erkennungssysteme ausgebildet ist, zur entsprechenden Klassifizierung des Aufprall-Ereignisses.
  • Das zweites Teilsystem 38 ist ein Unfall-Erkennungsmodul, das schwerwiegende Unfälle bei höheren Relativ-Geschwindigkeiten zwischen Fahrzeug und aufprallendem Objekt erkennt (High Speed Crash Detection System, HSCDS), insbesondere basierend auf Sensoren, Signal- bzw. Datenverarbeitungsverfahren und Steuergeräten für ein Sicherheitsrückhaltesystem (SRS), so dass mindestens ein aktives Insassen-Schutzsystem 39 aktiviert werden kann, beispielsweise ein Airbag. Dazu kann auch dieses System 38 Eingangsdaten von Sensoren 3, Steuergeräten 3a, einem Kommunikationsbus und/oder fahrzeuginternen Datenbanken wie einer Unfall-Datenbank 40 empfangen.
  • Die von dem Erkennungssystem 2 und dem Unfall-Erkennungsmodul 38 ausgegebenen Signale bzw. Daten werden über eine gemeinsame Schnittstelle 20 ausgegeben. Die über die Schnittstelle 20 bereit gestellte Information bezüglich der dem Aufprall-Ereignis von dem Erkennungssystem 2 zugeordneten Ereignisklasse und/oder dem von dem Unfall-Erkennungssystem 37 bereitgestellten Information, insbesondere jeweilige Klassenlabel bzw. Klassenindizes, werden an ein Schadensermittlungsmodul 30 (engl. Damage Estimation Module, DEM) ausgegeben.
  • Weiterhin werden dem Schadensermittlungsmodul 30 über den Crashdaten-Pfad 31 Daten und/oder Signale zugeführt, die von den Sensoren 3, weiteren Sensoren und/oder Steuergeräten 3a des Fahrzeugs bereit gestellt werden und insbesondere vor, während und/oder nach dem Aufprall-Ereignis von diesen erzeugt wurden. Dabei können insbesondere Daten bzw. Signale vorgesehen sein, die Beschleunigungen anzeigen, Verformungen an Fahrzeugteilen anzeigen und/oder sonstige mechanische und/oder elektrische Defekte des Fahrzeugs anzeigen. Die Daten können insbesondere auch Bilddaten bzw. Bildsignale umfassen, die mir einer Kamera des Fahrzeugs erzeugt wurden. Die jeweiligen Daten können insbesondere in einem flüchtigen Datenspeicher und/oder in einem nicht flüchtigen Datenspeicher, insbesondere in der Unfall-Datenbank 39, des Fahrzeugs gespeichert werden.
  • In dem Schadenermittlungsmodul 30 werden die im zugeführten Signale bzw. Daten dahingehend verarbeitet und insbesondere ausgewertet, dass durch ein Aufprallbewertungsmodul 30a, das den Aufprall bewertet (engl. Impact Estimation, IE) mindestens ein Schadensmerkmalswert, insbesondere ein Schadensmerkmalsvektor (engl. Impact Feature Vector) ausgegeben wird. Dazu sind in dem Schadenermittlungsmodul 30 mehrere Datenverarbeitungseinheiten vorgesehen. Ein entsprechendes Aufprallstärke-Ermittlungsmodul 30 umfasst eine Crash-Schwere-Ermittlungseinheit 32 (CSE), die anhand vorgegebener Regeln einen Wert für die Schwere des Aufpralls ermittelt und ausgibt, eine Crash-Richtungs-Ermittlungseinheit 33 (engl. Crash Direction Unit, CDU), die anhand vorgegebener Regeln einen Wert für die Aufprallrichtung bezüglich Fahrzeugachsen ermittelt und ausgibt, eine Crash-Lokalisierungs-Ermittlungseinheit 34 (CLE), die anhand vorgegebener Regeln den Ort des Aufpralls auf dem Fahrzeug ermittelt und ausgibt und/oder eine Vektor-Verarbeitungseinheit 35, die anhand vorgegebener Regeln aus den von den Einheiten 32, 33 und 34 ausgegebenen Werten den Schadensmerkmalsvektor berechnet. Dieser Vektor kann dann an ein Expertensystem 36 (ES) ausgegeben werden, das wiederum eine entsprechende Datenbank 36a umfasst, zur genaueren Bestimmung des bei dem Aufprall am Fahrzeug ggf. verursachten Schadens anhand vorgegebener Regeln und Daten der Datenbank 36a.
  • Soweit in diesem Dokument von vorgegebenen Regeln die Rede ist, können derartige Regeln, insbesondere Parameter der Regeln, einstellbar sein.
  • Das Unfallschaden-Erkennungssystem 29 kann ganz im Fahrzeug oder teilweise im Fahrzeug (insbesondere hinsichtlich des Unfallerkennungssystems 37 bzw. seiner Teilsysteme 2, 38) und teilweise in einem Gerät, insbesondere einen Computer umfassend, außerhalb des Fahrzeugs vorgesehen sein, insbesondere hinsichtlich des Schadensermittlungssystems 30 und seiner jeweiligen Komponenten.
  • Obwohl das Unfallschaden-Erkennungssystem 29 mit zwei Teilsystemen beschrieben wurde, nämlich dem Low-Speed-Crash-Detection-System 2 und dem High-Speed-Crash-Detection-System 38, um einen Trigger zum Auslösen des Schadenserkennungsmoduls 30 auszugeben, kann es jeweils auch nur auf Basis eines dieser Teilsysteme aufgebaut sein.
  • Weiter oben wurde angegeben, dass mit den beschriebenen Verfahren und Systemen ein Low-Speed-Crash-Ereignis mit hoher Zuverlässigkeit automatisch detektiert werden kann, die entsprechenden Daten im Fahrzeug zu Dokumentationszwecken gespeichert werden können und/oder an einen fahrzeugexternen Speicher übertragen werden. Weiterhin kann beispielsweise auch vorgesehen werden, dass der Fahrzeugnutzer und/oder Fahrzeughalter mittels einer in seinem Fahrzeug vorgesehenen Mobilfunkeinrichtung über ein Benachrichtigungssystem wie beispielsweise einen Short Message Service (SMS) automatisch benachrichtigt wird, wenn das Fahrzeug im geparkten Zustand angefahren wird. Es kann auch vorgesehen sein, dass in dem Fahrzeug als Reaktion auf die Kollision eines oder mehrere weitere Systeme aktiviert werden, z.B. die Hupe um ggf. den anderen Fahrzeugführer darüber in Kenntnis zu setzen, dass das Fahrzeug beschädigt wurde, oder eine Kamera, die den Fahrzeugschaden dokumentiert.
  • Die beschriebenen Geräte und Systemkomponenten werden insbesondere mit Computerprogrammen gesteuert und können dazu weitere, an sich bekannte Elemente von Computern und digitalen Steuerungseinrichtungen wie einen Mikroprozessor, flüchtige und nicht flüchtige Speicher, Schnittstellen usw. aufweisen. Die Erfindung kann deshalb auch ganz oder teilweise in Form eines Computerprogrammprodukts realisiert werden, das beim Laden und Ausführen auf einem Computer einen erfindungsgemäßen Ablauf ganz oder teilweise bewirkt. Es kann beispielsweise in Form eines Datenträgers wie einer CD/DVD bereitgestellt werden oder auch in Form einer oder mehrerer Dateien auf einem Server, von dem das Computerprogramm herunter ladbar ist.
  • Bezugszeichenliste
    • 1
    Fahrzeug
    2
    Erkennungssystem
    3
    Sensoren
    3a
    Steuergerät
    4
    CAN-Bus
    5
    Trace-Speicher
    6
    Signalverarbeitungseinheit
    7
    Merkmalsberechnungseinheit
    8
    Klassifikationseinheit
    9
    Klassifikationsdatenbank
    10
    Objekt
    11
    Signal Decoder
    12
    Synchronisierungseinheit
    13
    Signalfenster-Einheit
    14
    Vorverarbeitungseinheit
    15
    Teilmerkmals-Berechnungseinheit
    16
    Nachverarbeitungseinheit
    17
    Vektor-Verarbeitungseinheit
    18a...18c
    Klassifikationsprozessor
    19
    Klassen-Entscheidungseinheit
    20
    Schnittstelle
    21
    Systemdaten Modul
    21a
    Konfiguration-Datenspeicher
    22
    interne Schnittstelle
    23
    externe Schnittstelle
    24
    Merkmalsraum vor Verarbeitung
    25
    Merkmalsraum nach Verarbeitung
    26
    Low Speed Crash Merkmalsdaten
    27
    Misuse Merkmalsdaten
    28
    Überlappungsbereich
    29
    Schadenserkennungssystem
    30
    Schadensermittlungsmodul
    30a
    Aufprallbewertungsmodul
    31
    Crash-Datenpfad
    32
    Crashschwere-Erkennungseinheit
    33
    Crashrichtungs-Erkennungseinheit
    34
    Crash-Lokalisierungseinheit
    35
    Vektor-Verarbeitungseinheit
    36
    Expertensystem
    36a
    Datenbank
    37
    Unfall-Erkennungssystem
    38
    Unfall-Erkennungsmodul
    39
    Insassen-Schutzsystem
    40
    Unfall-Datenbank
  • 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 4117811 A1 [0003]
    • DE 102007027649 A1 [0004]
    • DE 102008003081 A1 [0005]
    • EP 2854112 A1 [0006]
    • WO 90/11207 A1 [0007]
    • US 5684701 A [0008]
    • US 7113079 B2 [0009]

Claims (12)

  1. Verfahren zur Erkennung eines Fahrzeug-Unfalls bei dem ein Fahrzeug (1) und ein Objekt (10) aufeinander prallen, wobei eine dem Aufprall zugeordnete Bewegungsgröße derart niedrig ist, dass zumindest ein aktives, für Unfälle vorgesehenes Insassenschutz-System (39) des Fahrzeugs (1) nicht aktiviert wird, und bei dem zu dem Aufprall-Ereignis – mittels Sensoren (3) des Fahrzeugs (1) gebildete Signale und/oder Daten derart verarbeitet werden, dass – die Signale und/oder Daten gefiltert werden, – auf Basis der gefilterten Signale und/oder Daten Merkmalsdaten gebildet werden, und – mittels der Merkmalsdaten eine Zuordnung des Aufprall-Ereignisses zu einer Klassifikation erfolgt, wobei eine Klassifikationsdatenbank (9) verwendet wird.
  2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die Signale und/oder Daten zum Filtern zeitlich zueinander synchronisiert werden.
  3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass beim Filtern mittels vorgegebener Zeitfenster-Daten vorbestimmte Auswahlsignale und/oder Auswahldaten aus den mittels der Sensoren gebildeten Signalen und/oder Daten ausgewählt und/oder abgeleitet werden.
  4. Verfahren nach einem der vorher gehenden Ansprüche, dadurch gekennzeichnet, dass aus mehreren Merkmalsdaten Vektordaten gebildet werden, so genannte Merkmalsvektoren.
  5. Verfahren nach einem der vorher gehenden Ansprüche, dadurch gekennzeichnet, dass für die Zuordnung mindestens eine Klassifikationsmethode mittels eines Maschinenlern-Verfahrens gebildet wird, insbesondere mittels eines Verfahrens auf Basis eines künstlichen neuronalen Netzwerks, von Support Vector Machines, eines Hidden Markov Models oder Entscheidungsbäumen.
  6. Verfahren nach einem der vorher gehenden Ansprüche, dadurch gekennzeichnet, dass die mittels der Sensoren (3) des Fahrzeugs (1) gebildeten Signale und/oder Daten, davon abgeleitete Signale und/oder Daten und/oder weitere, von Steuergeräten (3a) des Fahrzeugs (1) gebildete Signale und/oder Daten über einen Datenbus (4) des Fahrzeugs (1) übertragen werden.
  7. Verfahren nach einem der vorher gehenden Ansprüche, dadurch gekennzeichnet, dass die dem Aufprall zugeordnete Bewegungsgröße die Aufprallgeschwindigkeit, die mit dem Aufprall verbundene Geschwindigkeits- und/oder Beschleunigungsänderung des Fahrzeugs und/oder eine dem Aufprall zugeordnete Energiegröße vorgesehen sein.
  8. Verfahren zur Bestimmung eines an einem Fahrzeug (1) nach einem Unfall entstandenen Schadens, umfassend ein Verfahren nach einem der vorhergehenden Ansprüche und weiterhin die Schritte, dass mittels der erfolgten Zuordnung des Aufprall-Ereignisses weitere Unfalldaten ermittelt werden, mittels derer ein Schadensumfang für das Fahrzeug (1) bestimmt wird.
  9. System zur Erkennung eines Fahrzeug-Unfalls bei dem ein Fahrzeug (1) und ein Objekt (10) aufeinander prallen, wobei eine dem Aufprall zugeordnete Bewegungsgröße derart niedrig ist, dass zumindest ein aktives, für Unfälle vorgesehenes Insassenschutz-System (39) des Fahrzeugs nicht aktiviert wird, umfassend a) für das Fahrzeug (1) vorgesehene Sensoren (3), die zu dem Aufprall-Ereignis Signale und/oder Daten bilden, und b) eine Datenverarbeitungseinrichtung (2), die eine Klassifikationsdatenbank (9) umfasst, ausgebildet zur Verarbeitung der Signale und/oder Daten derart, dass b1) die Signale und/oder Daten gefiltert werden, b2) auf Basis der gefilterten Signale und/oder Daten Merkmalsdaten gebildet werden, und b3) mittels der Merkmalsdaten eine Zuordnung des Aufprall-Ereignisses zu einer Klassifikation erfolgt, wobei die Klassifikationsdatenbank (9) verwendet wird.
  10. Schadenserkennungssystem für ein Fahrzeug umfassend ein System nach Anspruch 9.
  11. Fahrzeug umfassend ein System nach Anspruch 9 oder 10.
  12. Computerprogrammprodukt, das beim Laden und Ausführen auf einem Computer einen Verfahrensablauf nach einem der Ansprüche 1 bis 8 bewirkt.
DE102015212923.3A 2015-07-10 2015-07-10 Automatische Erkennung und Bewertung von Low-Speed-Crashs Withdrawn DE102015212923A1 (de)

Priority Applications (5)

Application Number Priority Date Filing Date Title
DE102015212923.3A DE102015212923A1 (de) 2015-07-10 2015-07-10 Automatische Erkennung und Bewertung von Low-Speed-Crashs
CN201680040305.2A CN107848478B (zh) 2015-07-10 2016-07-08 低速碰撞的自动识别和评估
DE112016003125.4T DE112016003125A5 (de) 2015-07-10 2016-07-08 Automatische Erkennung und Bewertung von Low-Speed-Crashs
PCT/EP2016/066221 WO2017009201A1 (de) 2015-07-10 2016-07-08 Automatische erkennung und bewertung von low-speed-crashs
US15/865,603 US10875483B2 (en) 2015-07-10 2018-01-09 Automatic detection and assessment of low-speed crashes

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102015212923.3A DE102015212923A1 (de) 2015-07-10 2015-07-10 Automatische Erkennung und Bewertung von Low-Speed-Crashs

Publications (1)

Publication Number Publication Date
DE102015212923A1 true DE102015212923A1 (de) 2017-01-12

Family

ID=56372905

Family Applications (2)

Application Number Title Priority Date Filing Date
DE102015212923.3A Withdrawn DE102015212923A1 (de) 2015-07-10 2015-07-10 Automatische Erkennung und Bewertung von Low-Speed-Crashs
DE112016003125.4T Pending DE112016003125A5 (de) 2015-07-10 2016-07-08 Automatische Erkennung und Bewertung von Low-Speed-Crashs

Family Applications After (1)

Application Number Title Priority Date Filing Date
DE112016003125.4T Pending DE112016003125A5 (de) 2015-07-10 2016-07-08 Automatische Erkennung und Bewertung von Low-Speed-Crashs

Country Status (4)

Country Link
US (1) US10875483B2 (de)
CN (1) CN107848478B (de)
DE (2) DE102015212923A1 (de)
WO (1) WO2017009201A1 (de)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102017221891A1 (de) 2017-12-05 2019-06-06 Bayerische Motoren Werke Aktiengesellschaft Verfahren zum Bestimmen eines Schadens, der bei einem Unfall zwischen einem Fahrzeug und einem Stoßpartner an dem Fahrzeug auftritt
WO2019109316A1 (en) 2017-12-07 2019-06-13 Boe Technology Group Co., Ltd. Display panel, display apparatus, and method of fabricating display panel
DE102018009503A1 (de) 2018-12-04 2019-06-19 Daimler Ag Verfahren sowie Vorrichtung zur Stromversorgungsunterbrechung eines Kühlerventilators eines Kühlers eines Kraftfahrzeugs
FR3087730A1 (fr) * 2018-10-31 2020-05-01 Robert Bosch Gmbh Procédé pour réagir à une collision et dispositif pour la mise en œuvre du procédé
WO2020089410A1 (en) * 2018-11-01 2020-05-07 Robert Bosch Gmbh Low impact crash detection for a vehicle
DE102019105535A1 (de) * 2019-03-05 2020-09-10 Controlexpert Gmbh Automatisches Erfassen eines Fahrzeugschadens bei einem Unfall
DE102019209797A1 (de) * 2019-07-03 2021-01-07 Thyssenkrupp Ag Verfahren und Einrichtung zur Ermittlung des fahrbetriebsbedingten Zustandes von Karosseriekomponenten eines Fahrzeugs sowie eines entsprechenden Fahrerverhaltens
DE102019214609A1 (de) * 2019-09-24 2021-03-25 Continental Automotive Gmbh Verfahren zur Verhinderung einer Fahrerflucht nach einem Unfall und Notrufsystem
DE102019125320A1 (de) * 2019-09-20 2021-03-25 Audi Ag Automatisches Behandeln eines Kollisionsschadens eines Fahrzeugs
DE102019215278A1 (de) * 2019-10-02 2021-04-08 Continental Automotive Gmbh Verfahren zum Absetzen eines Notrufs
DE102019218914A1 (de) * 2019-12-05 2021-06-10 Zf Friedrichshafen Ag Verfahren zur Identifikation eines Ereignisses
DE102020116469A1 (de) 2020-06-23 2021-12-23 Bayerische Motoren Werke Aktiengesellschaft Verfahren zum Betreiben einer Insassenschutzvorrichtung für ein Kraftfahrzeug und Kraftfahrzeug
US20220153304A1 (en) * 2019-04-08 2022-05-19 Zf Friedrichshafen Ag Low impact detection for automated driving vehicles
DE102022104210A1 (de) 2022-02-23 2023-08-24 Audi Aktiengesellschaft Verfahren zum Absetzen eines Notrufs

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9805601B1 (en) 2015-08-28 2017-10-31 State Farm Mutual Automobile Insurance Company Vehicular traffic alerts for avoidance of abnormal traffic conditions
JP6708237B2 (ja) * 2018-09-13 2020-06-10 株式会社Ｊｖｃケンウッド 映像記録制御装置、映像記録システム、映像記録方法、および映像記録制御プログラム
CN109406161B (zh) * 2018-09-13 2020-09-18 行为科技(北京)有限公司 一种基于距离测试的前防卫碰撞测试系统及其测试方法
CN109360296A (zh) * 2018-11-01 2019-02-19 郑州云海信息技术有限公司 一种基于云计算的汽车剐蹭监控系统及方法
EP3705367B1 (de) * 2019-03-05 2022-07-27 Bayerische Motoren Werke Aktiengesellschaft Trainieren einer generatoreinheit und einer diskriminatoreinheit zur kollisionsbewussten trajektorienvorhersage
KR20210148109A (ko) * 2019-03-08 2021-12-07 올라코 프로덕츠 비.브이. 에고 부분 제외를 포함하는 충돌 검출 훈련 세트를 생성하기 위한 방법
US10814815B1 (en) * 2019-06-11 2020-10-27 Tangerine Innovation Holding Inc. System for determining occurrence of an automobile accident and characterizing the accident
US11699306B2 (en) * 2019-08-16 2023-07-11 Cambridge Mobile Telematics, Inc. Method and system for vehicle speed estimation
CN110675606A (zh) * 2019-09-17 2020-01-10 武汉小安科技有限公司 电动车报警方法、装置、电动车及存储介质
CN112763117A (zh) * 2019-11-01 2021-05-07 北京钛方科技有限责任公司 一种触碰检测方法及装置
CN112793530A (zh) * 2019-11-13 2021-05-14 大陆汽车电子（连云港）有限公司 车辆气囊系统的碰撞传感器的功能安全校验方法及气囊控制器
US11776332B2 (en) * 2019-12-23 2023-10-03 Robert Bosch Gmbh In-vehicle sensing module for monitoring a vehicle
US11769332B2 (en) * 2020-06-15 2023-09-26 Lytx, Inc. Sensor fusion for collision detection
JP7416262B2 (ja) * 2020-08-20 2024-01-17 日本電信電話株式会社 特徴量抽出方法、特徴量抽出装置、およびプログラム
KR102522151B1 (ko) * 2021-01-07 2023-05-11 주식회사 디파인 차량의 접촉 사고 부위 추정 방법 및 시스템
CN113085770A (zh) * 2021-04-15 2021-07-09 西华大学 基于bp神经网络算法的特殊安全气囊控制方法
FR3125608A1 (fr) * 2021-07-26 2023-01-27 Psa Automobiles Sa Procédé de génération d’une base de données pour l’entrainement d’un réseau de neurones artificiels destiné à être implémenté à bord d’un véhicule automobile afin de détecter des chocs de faible intensité
DE102021123586A1 (de) 2021-09-13 2023-03-16 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Verfahren und Vorrichtung zur akustischen Beurteilung von Komponenten eines Kraftfahrzeuges
CN116127604B (zh) * 2023-02-03 2023-06-16 中汽传媒(天津)有限公司 一种汽车防撞数据处理方法及系统
CN117250602B (zh) * 2023-11-15 2024-03-15 中汽研汽车检验中心（天津）有限公司 碰撞类型预测方法、设备和存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1990011207A1 (de) 1989-03-20 1990-10-04 Siemens Aktiengesellschaft Steuergerät für ein insassen-rückhaltesystem und/oder -schutzsystem für fahrzeuge
DE4117811A1 (de) 1991-05-31 1992-12-03 Messerschmitt Boelkow Blohm Verfahren zur aufprallerkennung bei fahrzeugen
US5684701A (en) 1995-06-07 1997-11-04 Automotive Technologies International, Inc. Method and apparatus for sensing a vehicle crash
US7113079B2 (en) 2003-10-28 2006-09-26 Oakland University System and method for detecting a collision using a continuous mode hidden Markov model
DE102006049262A1 (de) * 2006-10-19 2008-04-30 Robert Bosch Gmbh Verfahren und Vorrichtung zur Ansteuerung von Personenschutzmitteln
DE102007027649A1 (de) 2007-06-15 2008-12-18 Robert Bosch Gmbh Verfahren und Steuergerät zur Ansteuerung von Personenschutzmitteln sowie Computerprogramm und Computerprogrammprodukt
DE102008003081A1 (de) 2008-01-03 2009-07-09 Robert Bosch Gmbh Verfahren und Vorrichtung zur Crashklassifikation für ein Fahrzeugsicherheitssystem
EP2854112A1 (de) 2013-09-28 2015-04-01 Quartix Limited System zur Detektion von schwachen Zusammenstößen
DE102014013472A1 (de) * 2013-09-30 2015-04-02 Hella Kgaa Hueck & Co. Verfahren zur Erkennung und Klassifikation von Schadensereignissen an Kraftfahrzeugen und Vorrichtung hierfür

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10206351B4 (de) * 2002-02-14 2004-08-05 Daimlerchrysler Ag Verfahren und Vorrichtung zum Personen- und Kollisionsschutz an einem Fahrzeug
DE102006038348B4 (de) * 2006-08-16 2018-05-03 Robert Bosch Gmbh Vorrichtung zur Crashklassifizierung
DE102007048883A1 (de) * 2007-10-11 2009-04-16 Robert Bosch Gmbh Verfahren und Steuergerät zur Aufprallerkennung für ein Fahrzeug
DE102008039957A1 (de) * 2008-08-27 2010-03-04 Continental Automotive Gmbh Verfahren zur Ermittlung eines Unfallschwerekriteriums mittels eines Beschleunigungssignals und eines Körperschallsignals
KR101449071B1 (ko) * 2009-12-04 2014-10-13 현대자동차주식회사 에어백 전개를 위한 단계적 충돌 유형 판별 방법
DE102009054473A1 (de) * 2009-12-10 2011-06-16 Robert Bosch Gmbh Verfahren und Steuergerät zur Ermittlung eines Typs einer Kollision eines Fahrzeugs
DE102013016702A1 (de) * 2013-10-08 2015-04-09 Audi Ag Crasherkennung bei stillstehendem Kraftfahrzeug

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1990011207A1 (de) 1989-03-20 1990-10-04 Siemens Aktiengesellschaft Steuergerät für ein insassen-rückhaltesystem und/oder -schutzsystem für fahrzeuge
DE4117811A1 (de) 1991-05-31 1992-12-03 Messerschmitt Boelkow Blohm Verfahren zur aufprallerkennung bei fahrzeugen
US5684701A (en) 1995-06-07 1997-11-04 Automotive Technologies International, Inc. Method and apparatus for sensing a vehicle crash
US7113079B2 (en) 2003-10-28 2006-09-26 Oakland University System and method for detecting a collision using a continuous mode hidden Markov model
DE102006049262A1 (de) * 2006-10-19 2008-04-30 Robert Bosch Gmbh Verfahren und Vorrichtung zur Ansteuerung von Personenschutzmitteln
DE102007027649A1 (de) 2007-06-15 2008-12-18 Robert Bosch Gmbh Verfahren und Steuergerät zur Ansteuerung von Personenschutzmitteln sowie Computerprogramm und Computerprogrammprodukt
DE102008003081A1 (de) 2008-01-03 2009-07-09 Robert Bosch Gmbh Verfahren und Vorrichtung zur Crashklassifikation für ein Fahrzeugsicherheitssystem
EP2854112A1 (de) 2013-09-28 2015-04-01 Quartix Limited System zur Detektion von schwachen Zusammenstößen
DE102014013472A1 (de) * 2013-09-30 2015-04-02 Hella Kgaa Hueck & Co. Verfahren zur Erkennung und Klassifikation von Schadensereignissen an Kraftfahrzeugen und Vorrichtung hierfür

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102017221891A1 (de) 2017-12-05 2019-06-06 Bayerische Motoren Werke Aktiengesellschaft Verfahren zum Bestimmen eines Schadens, der bei einem Unfall zwischen einem Fahrzeug und einem Stoßpartner an dem Fahrzeug auftritt
WO2019110434A1 (de) 2017-12-05 2019-06-13 Bayerische Motoren Werke Aktiengesellschaft Verfahren zum bestimmen eines schadens, der bei einem unfall zwischen einem fahrzeug und einem stosspartner an dem fahrzeug auftritt
DE102017221891B4 (de) * 2017-12-05 2020-03-19 Bayerische Motoren Werke Aktiengesellschaft Verfahren zum Bestimmen eines Schadens, der bei einem Unfall zwischen einem Fahrzeug und einem Stoßpartner an dem Fahrzeug auftritt
CN111247566A (zh) * 2017-12-05 2020-06-05 宝马股份公司 用于确定在车辆与碰撞对象之间的事故中在车辆上发生的损伤的方法
US11694488B2 (en) 2017-12-05 2023-07-04 Bayerische Motoren Werke Aktiengesellschaft Method for determining damage which occurs to a vehicle in the event of an accident between a vehicle and a collision partner
WO2019109316A1 (en) 2017-12-07 2019-06-13 Boe Technology Group Co., Ltd. Display panel, display apparatus, and method of fabricating display panel
FR3087730A1 (fr) * 2018-10-31 2020-05-01 Robert Bosch Gmbh Procédé pour réagir à une collision et dispositif pour la mise en œuvre du procédé
WO2020089410A1 (en) * 2018-11-01 2020-05-07 Robert Bosch Gmbh Low impact crash detection for a vehicle
US11938880B2 (en) 2018-11-01 2024-03-26 Robert Bosch Gmbh Low impact crash detection for a vehicle
DE102018009503A1 (de) 2018-12-04 2019-06-19 Daimler Ag Verfahren sowie Vorrichtung zur Stromversorgungsunterbrechung eines Kühlerventilators eines Kühlers eines Kraftfahrzeugs
DE102019105535A1 (de) * 2019-03-05 2020-09-10 Controlexpert Gmbh Automatisches Erfassen eines Fahrzeugschadens bei einem Unfall
US20220153304A1 (en) * 2019-04-08 2022-05-19 Zf Friedrichshafen Ag Low impact detection for automated driving vehicles
US11912306B2 (en) * 2019-04-08 2024-02-27 Zf Friedrichshafen Ag Low impact detection for automated driving vehicles
DE102019209797A1 (de) * 2019-07-03 2021-01-07 Thyssenkrupp Ag Verfahren und Einrichtung zur Ermittlung des fahrbetriebsbedingten Zustandes von Karosseriekomponenten eines Fahrzeugs sowie eines entsprechenden Fahrerverhaltens
DE102019125320A1 (de) * 2019-09-20 2021-03-25 Audi Ag Automatisches Behandeln eines Kollisionsschadens eines Fahrzeugs
DE102019214609A1 (de) * 2019-09-24 2021-03-25 Continental Automotive Gmbh Verfahren zur Verhinderung einer Fahrerflucht nach einem Unfall und Notrufsystem
DE102019215278A1 (de) * 2019-10-02 2021-04-08 Continental Automotive Gmbh Verfahren zum Absetzen eines Notrufs
DE102019218914A1 (de) * 2019-12-05 2021-06-10 Zf Friedrichshafen Ag Verfahren zur Identifikation eines Ereignisses
DE102020116469A1 (de) 2020-06-23 2021-12-23 Bayerische Motoren Werke Aktiengesellschaft Verfahren zum Betreiben einer Insassenschutzvorrichtung für ein Kraftfahrzeug und Kraftfahrzeug
DE102020116469B4 (de) 2020-06-23 2022-06-30 Bayerische Motoren Werke Aktiengesellschaft Verfahren zum Betreiben einer Insassenschutzvorrichtung für ein Kraftfahrzeug und Kraftfahrzeug
DE102022104210A1 (de) 2022-02-23 2023-08-24 Audi Aktiengesellschaft Verfahren zum Absetzen eines Notrufs

Also Published As

Publication number Publication date
US10875483B2 (en) 2020-12-29
DE112016003125A5 (de) 2018-04-12
WO2017009201A1 (de) 2017-01-19
CN107848478B (zh) 2021-07-13
CN107848478A (zh) 2018-03-27
US20180126937A1 (en) 2018-05-10

Similar Documents

Publication Publication Date Title
DE102015212923A1 (de) Automatische Erkennung und Bewertung von Low-Speed-Crashs
EP3414139B1 (de) Kraftfahrzeug-steuervorrichtung und verfahren zum ermitteln von ausweichtrajektorien für ein kollisionsfreies ausweichmanöver mehrerer kraftfahrzeuge
AT521607B1 (de) Verfahren und Vorrichtung zum Testen eines Fahrerassistenzsystem
EP1868851B1 (de) Plausibilisierung von sensorsignalen im falle einer kollision
DE102016220913A1 (de) Verfahren und Vorrichtung zur Generierung von Testfällen für autonome Fahrzeuge
EP1947623B1 (de) Verfahren und Vorrichtung zur dynamischen Klassifikation von Objekten und/oder Verkehrssituationen
DE102010027969B4 (de) Verfahren und Vorrichtung zur Bestimmung eines Typs eines Aufpralls eines Objektes auf ein Fahrzeug
WO2009127453A1 (de) Verfahren und steuergerät zur ansteuerung von zumindest einem sicherheitsmittel
DE102016211587A1 (de) Verfahren und Vorrichtung zum Steuern eines Fahrzeugs
DE102010003333B4 (de) Verfahren und Vorrichtung zur Bestimmung von zumindest einem Auslöseparameter eines Personenschutzmittels eines Fahrzeugs
DE102008007149A1 (de) Verfahren und Vorrichtung zum Erzeugen, Steuern und Auslösen eines Warnsignals in einem Kraftfahrzeug
DE102015004748A1 (de) Verfahren zur Vorhersage einer gefährlichen Fahrsituation
WO2020020666A1 (de) Verfahren und vorrichtung zur kontrolle eines fahrverhaltens eines hochautomatisiert fahrenden fahrzeugs sowie infrastrukturanlage, fahrzeug oder überwachungsfahrzeug mit der vorrichtung
DE102008063033B4 (de) Vorrichtung und Verfahren zur Erkennung von Kollisionen mit erhöhter funktionaler Sicherheit
DE102016209704A1 (de) Verfahren zum Ansteuern einer Personenschutzeinrichtung eines Fahrzeugs und Steuergerät
DE102018006281A1 (de) Verfahren zum Betrieb eines Assistenzsystems eines Fahrzeuges
DE112017007350T5 (de) Informationsverarbeitungsvorrichtung, Informationsverarbeitungsverfahren, Programm und Speichermedium, auf dem das Programm gespeichert ist
DE102017103724B4 (de) Vorrichtung und Verfahren zum Steuern eines Sensorbauelements eines Sicherheitssystems eines Objekts, Steuerungssystem für ein Automobilfahrzeug und Sensorbauelement für ein Sicherheitssystem eines Automobilfahrzeugs
DE102019216805A1 (de) Verfahren zum Verfolgen eines entfernten Zielfahrzeugs in einem Umgebungsbereich eines Kraftfahrzeugs mittels einer Kollisionserkennungsvorrichtung
DE102015221814A1 (de) Verfahren zur Durchführung eines Diagnosevorgangs in einem Kraftfahrzeug
DE102017220910A1 (de) Verfahren und Vorrichtung zum Erkennen einer Kollision eines Fahrzeugs
EP1914122A2 (de) Verfahren und Vorrichtung zur Ansteuerung von Personenschutzmitteln
DE102013020474B4 (de) Verfahren zum Betrieb eines Sicherheitssystems eines Kraftfahrzeugs und Kraftfahrzeug
DE102007004345A1 (de) Verfahren und Steuergerät zur Ansteuerung von Personenschutzmitteln
DE102015224739A1 (de) Verfahren und Vorrichtung zum Auslösen von Fußgängerschutzmitteln und/oder Fußgängerwarnmitteln

Legal Events

Date Code Title Description
R163 Identified publications notified
R118 Application deemed withdrawn due to claim for domestic priority