DE102020201381A1

DE102020201381A1 - Vorrichtung und Verfahren für Erkennung und Gewichtsklassierung von belegten Sitzplätzen in Fahrzeugen

Info

Publication number: DE102020201381A1
Application number: DE102020201381.0A
Authority: DE
Inventors: Matthias Köpf; Bernd Unseld; Christian Lalitsch-Schneider
Original assignee: ZF Friedrichshafen AG
Current assignee: ZF Friedrichshafen AG
Priority date: 2020-02-05
Filing date: 2020-02-05
Publication date: 2021-08-05

Abstract

Vorrichtung, umfassend eine elektronische Steuereinheit (410), die konfiguriert ist, um eine Sitzbelegungserkennung und/oder eine Objektklassifizierung auf Grundlage der elektrischen Kapazität (CRS) einer Struktur (310, 340) eines Sitzes durchzuführen.

Description

TECHNISCHES GEBIET
Die vorliegende Offenbarung betrifft das technische Gebiet der Insassenschutzsysteme für Kraftfahrzeuge, insbesondere das Gebiet der passiven Insassenschutzsysteme. Passive Sicherheitssysteme sind Sicherheitssysteme, die erst dann ihre Wirkung zeigen, wenn ein Unfallereignis eintritt. Unter die passiven Sicherheitssysteme fallen beispielsweise Airbags (z.B. Sitz-/Seiten-/Fenster/-Airbags) Sicherheitsgurte, Gurtstraffer, Lenkräder und dergleichen.
TECHNISCHER HINTERGRUND
Fahrerassistenzsysteme für Kraftfahrzeuge sowie autonome oder teilautonome Fahrzeuge weisen Sensoren wie beispielsweise Kameras, Radar- und Lidar-Sensoren auf, die das Umfeld des Fahrzeugs oder Zustände des Fahrzeuginnenraums sensorisch erfassen und deren Daten in einer Steuerungseinheit mittels geeigneter Software ausgewertet werden. Auf Grundlage der durch diese Datenverarbeitung gewonnenen Informationen kann eine Steuerungseinheit über entsprechende Aktuatoren Brems-, Geschwindigkeits-, Abstands-, Kompensations- und/oder Ausweichregelungen selbsttätig auslösen und durchführen. Solche Fahrzeuge können passive Sicherheitssysteme umfassen.
Passive Sicherheitssysteme sind Sicherheitssysteme, die erst dann ihre Wirkung zeigen, wenn ein Unfallereignis eintritt. Unter die passiven Sicherheitssysteme fallen beispielsweise Airbags (z.B. Sitz-/Seiten-/Fenster/-Airbags) Sicherheitsgurte, Gurtstraffer, Lenkräder und dergleichen. Passive Sicherheitssysteme dienen zur Verletzungsminderung bei Fahrzeuginsassen bei Eintritt eines Unfallereignisses. Um verbaute passive Sicherheitssysteme in einem Schadensfall anzusteuern, werden aktuell Sitzbelegungsmatten oder ähnliche Systeme eingesetzt, welche eine auf den Sitz wirkende Gewichtskraft auswerten. Anhand der Erkennung, ob ein Sitz besetzt ist, kann entschieden werden, ob ein verbautes Sicherheitssystem ausgelöst werden soll oder nicht.
Hiervon ausgehend liegt der Erfindung die Aufgabe zugrunde, eine Sitzplatzbelegungserkennung für ein Fahrzeug zu verbessern.
Diese Aufgabe wird durch die erfindungsgemäße Vorrichtung nach Anspruch 1, sowie die Merkmale des erfindungsgemäßen Verfahrens gemäß Anspruch 10 gelöst. Weitere bevorzugte Ausführungsformen sind den abhängigen Ansprüchen sowie der nachfolgenden detaillierten Beschreibung und den Figuren zu entnehmen.
Die Ausführungsbeispiele zeigen eine Vorrichtung, umfassend eine elektronische Steuereinheit, die konfiguriert ist, um eine Sitzbelegungserkennung und/oder eine Objektklassifizierung auf Grundlage einer elektrischen Kapazität einer Struktur eines Sitzes durchzuführen. Die Vorrichtung ist beispielsweise zur Erkennung und Gewichtsklassierung von belegten Sitzplätzen in Fahrzeugen, Flugzeugen, oder Schiffen ausgelegt.
Gemäß einer Ausführungsform umfasst die Struktur des Sitzes eine Rahmenstruktur des Sitzes. Die Rahmenstruktur ist vorzugsweise leitfähig, und weist zwei elektrisch isolierte Teile auf, die wie die Platten eines Plattenkondensators wirken. Die Struktur des Sitzes kann beispielsweise eine Sitzrahmenstruktur und eine Lehnenrahmenstruktur umfassen, die einen elektrischen Kondensator bilden. Die Sitzrahmenstruktur und eine Lehnenrahmenstruktur sind aus leitfähigem Material wie beispielsweise Metall ausgebildet und stellen zwei elektrisch isolierte Teile dar, die, wenn man eine elektrische Spannung an sie anlegt, eine kapazitive Wirkung aufweisen.
Die Vorrichtung kann ferner eine Wechselspannungsgeneratoreinheit umfassen, die dazu ausgelegt ist, eine Wechselspannung an die Struktur des Sitzes anzulegen. Das Anlegen einer Wechselspannung an die Struktur des Sitzes bewirkt, dass sich der „Kondensator“, der durch die Struktur des Sitzes gebildet wird, zyklisch mit Ladung auflädt und wieder entlädt, so dass in der Struktur ein Wechselstrom bewirkt wird.
Die Vorrichtung kann ferner eine Strommesseinheit umfassen, die dazu ausgelegt ist, einen Strom in der Struktur des Sitzes zu messen. Aus dem gemessenen Strom kann auf die elektrische Kapazität der Struktur rückgeschlossen werden. Insbesondere kann die Kapazität aus dem Scheinwiderstand, den die Struktur des Sitzes der Wechselspannung entgegensetzt, ermittelt werden.
Die elektronische Steuereinheit kann ferner dazu ausgelegt sein, eine frequenzabhängige Kapazitätskurve der Struktur des Sitzes zu ermitteln und die Sitzbelegungserkennung und/oder die Objektklassifizierung auf Grundlage der frequenzabhängigen Kapazitätskurve durchzuführen.
Die elektronische Steuereinheit ist beispielsweise dazu konfiguriert, mehrere Wechselspannungen mit unterschiedlicher Frequenz an die Struktur des Sitzes (beispielsweise Lehnenrahmenstruktur und Sitzrahmenstruktur) anzulegen und für diese Frequenzen eine jeweilige elektrische Kapazität zu bestimmen, um so einen frequenzabhängigen Verlauf der Kapazität zu ermitteln. Vorzugsweise weist die frequenzabhängige Kapazitätskurve wenigstens zwei Messpunkte auf. Je mehr Messpunkte zur Verfügung stehen, desto besser ist das Ergebnis der Sitzbelegungserkennung bzw. der Objektklassifizierung. Eine Reihe von Messpunkten kann durch einen sog. Frequenzsweep ermittelt werden. Damit wird in einem Durchgang ein bestimmtes/geeignetes Frequenzband durchlaufen und die Messwerte dazu kontinuierlich aufgenommen.
Die Sitzbelegungserkennung und/oder die Objektklassifizierung kann ferner auf Grundlage des Signals eines Gewichtssensors erfolgen. Ein Gewichtssensor kann jede Art von Sensor oder Sensorsystem sein, die dem Fachmann bekannt ist und das in der Lage ist das Gewicht eines Objektes zu messen. Beispielsweise kann eine Digitalwaage als Gewichtssensor verwendet werden. Der Gewichtssensor kann in den Sitz so eingebaut werden, dass der Gewichtssensor das Gewicht einer Person oder eines Objektes auf dem Sitz misst. Der Gewichtssensor kann mit der elektrischen Steuereinheit derart verbunden sein, sodass der Gewichtssensor ein elektrisches Signal an die elektrische Steuereinheit senden kann, aus dem die elektrische Steuereinheit das Gewicht der Person oder des Objektes auf dem Sitz bestimmen kann. Das ermittelte Gewicht der Person oder des Objektes kann als zusätzliche Eingabe für die Sitzbelegungserkennung bzw. die Objektklassifizierung verwendet werden. Beispielsweise kann ein Kind so einfacher von einem Erwachsenen unterschieden werden.
Die Sitzbelegungserkennung bzw. Objektklassifizierung kann beispielsweise dazu ausgelegt sein, zu erkennen, ob sich eine Person auf dem Sitz befindet, und/oder Informationen über das Alter einer Person auf dem Sitz zu liefern.
Die Sitzbelegungserkennung und/oder Objektklassifizierung kann ferner variable Geometrieparameter des Sitzes berücksichtigen. Dabei kann es sich beispielsweise um den Winkel zwischen einer Sitzrahmenstruktur und einer Lehnenrahmenstruktur handeln.
Die Sitzbelegungserkennung und/oder Objektklassifizierung kann beispielsweise einen Vergleich einer gemessenen frequenzabhängigen Kapazitätskurve mit einer Datenbank an Referenz-Kapazitätskurven durchführen, oder eine Auswertung einer gemessenen frequenzabhängigen Kapazitätskurve mittels eines künstlichen neuronalen Netzwerks.
Die Ergebnisse der Sitzbelegungserkennung und/oder Objektklassifizierung können dann ferner verwendet werden, um Rückschlüsse auf das Alter, die Statur/den Körperbau oder ähnliche Merkmale einer Person zu ziehen, die auf dem Sitz sitzt. Diese Information sind zum Beispiel bei der Auswahl einer Zündstrategie von passiven Sicherheitselementen sinnvoll und können daher verwendet werden um Sicherheitssysteme eines Fahrzeugs, zum Beispiel einen Airbag, zu aktivieren oder zu deaktivieren.
Die Ausführungsbeispiele zeigen auch ein Verfahren, umfassend das Durchführen einer Sitzbelegungserkennung und/oder einer Objektklassifizierung auf Grundlage einer elektrischen Kapazität einer Struktur eines Sitzes.
Figurenliste
Ausführungsformen werden nun beispielhaft und unter Bezugnahme auf die beigefügten Zeichnungen beschrieben, in denen:

1 ein Blockdiagramm schematisch die Konfiguration eines Fahrzeugs gemäß eines Ausführungsbeispiels der vorliegenden Erfindung zeigt,
2 ein Blockdiagramm zeigt, dass eine beispielhafte Konfiguration einer Steuerungseinheit darstellt,
3 eine schematische Darstellung einer Konfiguration eines Sitzbelegungssensors gemäß eines Ausführungsbeispiels der vorliegenden Erfindung zeigt,
4 ein Blockdiagramm zeigt, das eine beispielhafte Konfiguration einer elektrischen Vorrichtung eines Sitzbelegungssensors darstellt,
5 beispielhafte Kapazitätskurven für frequenzabhängige Kapazitäten zeigt, die an der erfindungsgemäßen Rahmenstruktur gemessen werden, abhängig davon, ob ein Mensch auf dem Sitz sitzt, eine Handtasche aus Leder auf dem Sitz liegt, oder der Sitz leer ist;
6 einen beispielhaften Prozess der Sitzplatzbelegungserkennung und/oder Objektklassifizierung zeigt, der auf einem gemessenen Frequenzverlauf der Kapazität der Rahmenstruktur eines Fahrzeugsitzes basiert;
7 einen weiteren beispielhaften Prozess der Sitzplatzbelegungserkennung und/oder Objektklassifizierung zeigt, der auf einem gemessenen Frequenzverlauf der Kapazität der Rahmenstruktur eines Fahrzeugsitzes basiert;
8a, b, c, d schematisch Ausführungsbeispiele für das Ermitteln von normierten Wahrscheinlichkeiten aus der Ausgabe der letzten Netzwerkschicht mittels einer Softmax-Klassifizierung zeigen;
9 einen Prozess des Trainings eines künstlichen neuronalen Netzes zeigt.
10 ein Blockdiagramm zeigt, das eine beispielhafte Konfiguration einer Sitzbelegungssteuereinheit darstellt.
11 ein Blockdiagramm zeigt, das eine weitere beispielhafte Konfiguration der elektrischen Vorrichtung des Sitzbelegungssensors der 3 darstellt, wobei diese Konfiguration eine zusätzlichen Gewichtsmesseinheit umfasst;
12 ein weiteres Ausführungsbeispiel für das Ermitteln von normierten Wahrscheinlichkeiten aus der Ausgabe der letzten Netzwerkschicht mittels einer Softmax-Klassifizierung zeigt; und
13 eine schematische Darstellung einer weiteren exemplarischen Konfiguration eines Fahrzeugsitzes mit einem Sitzbelegungssensor zeigt, wobei der Fahrzeugsitz zusätzliche flächige Elemente umfasst, um die Messgenauigkeit zu vergrößern.

AUSFÜHRLICHE BESCHREIBUNG DER AUSFÜHRUNGSBEISPIELE
1 zeigt ein Blockdiagramm, das schematisch die Konfiguration eines Fahrzeugs gemäß eines Ausführungsbeispiels der vorliegenden Erfindung darstellt. Das Fahrzeug 10 umfasst mehrere elektronische Komponenten, welche via eines Fahrzeugkommunikationsnetzwerks 19 miteinander verbunden sind. Das Fahrzeugkommunikationsnetzwerk 19 kann beispielsweise ein im Fahrzeug eingebautes standardgemäßes Fahrzeugkommunikationsnetzwerk sein, das ein oder mehrere Bustechnologien wie etwa einen CAN-Bus (controller area network), einen LIN-Bus (local interconnect network), einen LAN-Bus (local area network), einen MOST-Bus, einen Ethernet-Bus und/oder einen FlexRay-Bus oder dergleichen umfasst.
In dem in 1 dargestellten Beispiel umfasst das Fahrzeug 10 eine Steuerungseinheit 12 (ECU 1) für ein Bremssystem. Das Bremssystem bezieht sich dabei auf die Komponenten, die ein Bremsen des Fahrzeugs ermöglichen. Das Fahrzeug 10 umfasst ferner eine Steuerungseinheit 14 (ECU 2), die einen Antriebsstrang steuert. Der Antriebsstrang bezieht sich dabei auf die Antriebskomponenten des Fahrzeugs. Der Antriebsstrang kann einen Motor, ein Getriebe, eine Antriebs-/ Propellerwelle, ein Differential und einen Achsantrieb umfassen. Das Fahrzeug 10 umfasst ferner eine Steuerungseinheit 16 (ECU 3), die ein Lenksystem steuert. Das Lenksystem bezieht sich dabei auf die Komponenten, die eine Richtungssteuerung des Fahrzeugs ermöglichen.
Das Fahrzeug 10 umfasst ferner eine Zentralsteuerungseinheit 18 (ECU 4). Die Zentralsteuerungseinheit 18 ist dazu ausgelegt, Fahrerassistenzfunktionalität zu realisieren und/oder das Fahrzeug 10 so zu steuern, dass dieses ganz oder teilweise ohne Einfluss eines menschlichen Fahrers im Straßenverkehr agieren kann. Die Zentralsteuerungseinheit 18 steuert ein oder mehrere Fahrzeugsubsysteme, während das Fahrzeug im autonomen bzw. teilautonomen Modus betrieben wird, nämlich das Bremssystem, das Lenksystem und das Antriebssystem. Hierfür kann die Zentralsteuerungseinheit 18 beispielsweise über das Fahrzeugkommunikationsnetzwerk 19 mit den entsprechenden Steuerungseinheiten 12, 14 und 16 kommunizieren.
Die Steuerungseinheiten 12, 14, und 16 können ferner von den oben genannten Fahrzeugsubsystemen Fahrzeugbetriebsparameter empfangen, die diese mittels eines oder mehrerer Fahrzeugsensoren erfassen. Fahrzeugsensoren sind vorzugsweise solche Sensoren, die einen Zustand des Fahrzeugs oder einen Zustand von Fahrzeugteilen erfassen, insbesondere deren Bewegungszustand. Die Sensoren können einen Fahrgeschwindigkeitssensor, einen Gierraten-Sensor, einen Beschleunigungssensor, einen Lenkradwinkelsensor, einen Fahrzeuglastsensor, Temperatursensoren, Drucksensoren und dergleichen umfassen. Beispielsweise können auch Sensoren entlang der Bremsleitung angeordnet sein, um Signale auszugeben, die den Bremsflüssigkeitsdruck an verschiedenen Stellen entlang der hydraulischen Bremsleitung anzeigen. Andere Sensoren in der Nähe des Rades können vorgesehen sein, welche die Radgeschwindigkeit und den Bremsdruck erfassen.
Das Fahrzeug 10 umfasst ferner eine Benutzerschnittstelle 21 (HMI = Human-Machine-Interface), die einem Fahrzeuginsassen ermöglicht, mit einem oder mehreren Fahrzeugsystemen in Interaktion zu stehen. Diese Benutzerschnittstelle 21 (beispielsweise eine GUI = Graphical User Interface) kann eine elektronische Anzeige zum Ausgeben einer Graphik, von Symbolen und/oder Inhalt in Textform, und eine Eingabeschnittstelle zum Empfangen einer Eingabe (beispielsweise manuelle Eingabe, Spracheingabe und Eingabe durch Gesten, Kopf- oder Augenbewegungen) umfassen. Die Eingabeschnittstelle kann beispielsweise Tastaturen, Schalter, berührungsempfindliche Bildschirme (Touchscreen), Eye-Tracker und dergleichen umfassen.
Das Fahrzeug 10 umfasst ferner ein oder mehrere Umfeldsensoren 23, welche dazu ausgelegt sind, das Umfeld des Fahrzeugs zu erfassen, wobei die Sensoren am Fahrzeug montiert sind und Bilder des Umfelds des Fahrzeugs erfassen, oder Objekte oder Zustände im Umfeld des Fahrzeugs erkennen. Die Umfeldsensoren 23 umfassen insbesondere Kameras, Radar-Sensoren, Lidar-Sensoren, UltraschallSensoren oder dergleichen. Die Umfeldsensoren 23 können innerhalb des Fahrzeugs oder außerhalb des Fahrzeugs (z. B. an der Außenseite des Fahrzeugs) angeordnet sein. Beispielsweise kann eine Kamera in einem vorderen Bereich des Fahrzeugs 10 zur Aufnahme von Bildern eines vor dem Fahrzeug befindlichen Bereichs vorgesehen sein. Daten aus einer Abstands- und Geschwindigkeitsmessung werden von diesen weiteren Umfeldsensoren 23 erfasst und beispielsweise an die Zentralsteuerungseinheit 18 übertragen. Basierend auf den Daten dieser Umfeldsensoren 23 wird ein Abstand zwischen dem Fahrzeug 10 und einem oder mehreren Objekten bestimmt. Ein erfindungsgemäßes Fahrzeug 10 ist nicht auf die in 1 gezeigten und oben beschriebenen Sensoren und Steuerungseinheiten beschränkt. Vielmehr können andere Steuerungseinheiten oder Sensoren ebenfalls miteinbezogen werden.
Das Fahrzeug 10 umfasst ferner passive Sicherheitssysteme 25. Diese passiven Sicherheitssysteme 25 dienen zur Minderung der Verletzungsschwere von Personen im Fahrzeug bei Eintritt eines Unfallereignisses. Die passiven Sicherheitssysteme 25 können beispielweise Airbags, Gurtstraffer oder dergleichen sein. Im weiteren Sinne können aber auch Systemreaktionen von verbauten Stellern/Aktoren als passive Sicherheitssysteme gesehen werden, z. B. Schließen von Fenstern, Entriegeln von Schlössern.
Das Fahrzeug 10 umfasst ferner eine Sitzbelegungssensorik 27. Bei mehrstufig auslösenden Airbags (adaptive Airbags) und/oder auf Kennlinien basierenden Gurtstraffern ist es bevorzugt, dass Gewicht bzw. Größe der den Sitzplatz besetzenden Person (in diskreten Klassen) ermitteln können. Die Sitzbelegungssensorik 27 ist dazu geeignet, Informationen über die Sitzbelegung zu ermitteln. Dabei kann es sich beispielsweise um einen Sensor handeln, der eine vom Insassen auf den Sitz ausgeübte Gewichtskraft in elektrische Signale wandelt. Diese Signale werden anschließend in Steuergeräten (Zentralsteuerungseinheit 18) klassiert. Auch können Positionssignale von elektrischen Stellmotoren in den Sitzen dazu ausgewertet werden, um Rückschlüsse auf die Größe der Person zu ermöglichen. Ferner ist die Sitzbelegungssensorik 27 konfiguriert, um die Kapazitäten eines Fahrzeugsitzes des Fahrzeugs 10 zu messen. Basierend auf den gemessenen Kapazitäten wird bestimmt, ob eine Person auf dem Sitz sitzt. Ein detailliertes Beispiel für eine erfindungsgemäße Sitzbelegungssensorik 27 ist in den folgenden 3 bis 8 enthalten. Die Sitzbelegungssensorik 27 kann über das Fahrzeugkommunikationsnetzwerk 19 mit anderen Fahrzeugkomponenten wie beispielsweise der Zentralsteuerungseinheit 18, den passiven Sicherheitssystemen 25, oder der Benutzerschnittstelle 21 kommunizieren.
Die Zentralsteuerungseinheit 18 (ECU 4) kann beispielsweise auf der Grundlage der empfangenen Daten der Umfeldsensoren 23, der passiven Sicherheitssysteme 25 und des Sitzbelegungssensors 27 ein Schadensereignis bestimmen. Die Zentralsteuerungseinheit 18 (ECU 4) ist im Falle eines Schadensereignisses beispielsweise dazu geeignet, den Sitz des Fahrzeugs 10 und die passiven Sicherheitssysteme 25 basierend auf dem Sitzbelegungssensor 27 in eine optimale Position zu bringen, um Personen im Fahrzeug 10 bergen zu können.
2 zeigt ein Blockdiagramm, das eine beispielhafte Konfiguration einer Steuerungseinheit (ECU 1, 2, 3, 4 und 5 in 1) darstellt. Bei der Steuerungseinheit 200 kann es sich beispielsweise um ein Steuergerät (electronic control unit ECU oder electronic control module ECM) handeln. Die Steuerungseinheit umfasst einen Prozessor 210. Bei dem Prozessor 210 kann es sich beispielsweise um eine zentrale Verarbeitungseinheit (CPU = central processing unit) handeln, die Programminstruktionen ausführt. Die Steuerungseinheit 200 umfasst ferner einen Nur-Lese-Speicher, ROM 230 (ROM = Read-only memory) und einen Direktzugriffsspeicher, RAM 220 (RAM = Random Access Memory) (z. B. dynamischer RAM („DRAM“), synchron DRAM („SDRAM“) usw.), die als Programmspeicherbereich und als Datenspeicherbereich dienen. Ferner umfasst die Steuerungseinheit 200 zur Speicherung von Daten und Programmen ein Speicherlaufwerk 260, wie beispielsweise ein Festplattenlaufwerk (hard disk drive: HDD), ein Flashspeicher oder ein nicht flüchtiges Festkörperlaufwerk (solid state drive: SSD). Die Steuerungseinheit 200 umfasst ferner ein CAN-Interface 240, über welches die Steuerungseinheit mit dem Fahrzeugkommunikationsnetzwerk (19 in 1) kommunizieren kann. Jede der Einheiten der Steuerungseinheit ist über ein Kommunikationsnetzwerk 250 verbunden. Insbesondere kann die Steuerungseinheit der 2 als eine Implementierung der Zentralsteuerungseinheit 18, ECU 4, der 1 dienen.
3 zeigt eine schematische Darstellung einer Konfiguration eines Fahrzeugsitzes mit einem Sitzbelegungssensor gemäß eines Ausführungsbeispiels der vorliegenden Erfindung. Der Fahrzeugsitz 300 umfasst eine Lehnenrahmenstruktur 310, eine Sitzrahmenstruktur 340 und einen Verstellmechanismus 330. Die Lehnenrahmenstruktur 310 und die Sitzrahmenstruktur 340 sind durch den Verstellmechanismus 330 mit einem Winkel θ zueinander einstellbar, um die Rückenlehnneigung an den Insassen anpassen zu können und ergonomische Sitzpositionen zu ermöglichen. Die Lehnenrahmenstruktur 310 und die Sitzrahmenstruktur 340 sind durch den Verstellmechanismus 330 an der Lagerstelle elektrisch zueinander isoliert.
Die Lehnenrahmenstruktur 310 und die Sitzrahmenstruktur 340 sind mit einer elektrischen Vorrichtung 380 verbunden und bilden einen elektrisch wirksamen Bestandteil eines Kondensators aus. Die elektrische Vorrichtung 380 ist dazu ausgelegt, mindestens zwei Wechselspannungen mit unterschiedlichen Frequenzen an die Lehnenrahmenstruktur 310 und die Sitzrahmenstruktur 340 anzulegen. Die Wechselspannung erzeugt ein elektrisches Potential zwischen der Lehnenrahmenstruktur 310 und der Sitzrahmenstruktur 340, das in 3 durch entsprechende Feldlinien 360 schematisch angedeutet ist. Die elektrische Vorrichtung 380 ist ferner dazu ausgelegt, die elektrische Kapazität zwischen der Lehnenrahmenstruktur 310 und der Sitzrahmenstruktur 340 zu messen. Ein detaillierteres Ausführungsbeispiel der elektrischen Vorrichtung 380 ist in 4 dargestellt.
Kondensatoren bilden an einem Wechselstrom einen kapazitiven Blindwiderstand aus. Sie „leiten“ den Strom proportional zur Frequenz der Wechselspannung. Der Blindwiderstand (Kapazitanz) X_c in Ohm ist für jeden Kondensator umgekehrt proportional zur Frequenz f der Wechselspannungen: $X_{c} = - \frac{1}{2 π f C}$
wobei C die elektrische Kapazität des Kondensators ist. Diese elektrische Kapazität C kennzeichnet die Fähigkeit eines Kondensators, Ladungen zu speichern.
Näherungsweise gelten für den Kondensator, den die Sitzrahmenstruktur und die Lehnenrahmenstruktur bilden, ähnliche physikalische Zusammenhänge wie für einen idealen Plattenkondensator. Die Kapazität des Kondensators hängt vom Dielektrikum ab, das sich zwischen den „Platten“ befindet.
Die folgende Gleichung ist die Definition einer Kapazität C_platt eines idealen Plattenkondensators: $C_{p l a t t} = ε_{0} ε_{γ} \times \frac{A}{d}$
wobei A die Elektrodenfläche des Plattenkondensators ist, d der Plattenabstand, ε₀ die elektrische Feldkonstante des Vakuums, und ε_y die relative Dielektrizitätszahl (Permittivität) des Dielektrikums ist, d.h. des Materials zwischen den Platten.
Die Permittivität ε_y des Dielektrikums hängt von der Frequenz des elektrischen Feldes ab. Die Frequenzabhängigkeit (Dispersion) der Permittivität in Material kann beispielsweise über einen Lorentz-Oszillator modelliert werden und ist bei Wasser sehr stark ausgeprägt.
3 zeigt eine Person P, die sich auf dem Fahrzeugsitz 300 befindet. Der menschliche Körper weist einen hohen Wassergehalt auf (dieser nimmt etwa zwischen 75 % bei Neugeborenen auf 55 % beim Erwachsenen ab, bei Frauen ist die Gesamtflüssigkeitsmenge im Körper etwa 5 % bis 10 % niedriger als beim erwachsenen Mann). Damit weist der menschliche Körper eine andere Permittivität ε_y auf, als ein Gegenstand (Handtasche, Kleidungsstück, ..., etc.), der einen geringeren Wasseranteil aufweist. Der erfindungsgemäße Fahrzeugsitz 300 nutzt das Prinzip der Materialabhängigkeit der relativen Permittivität ε_y aus, um zu unterscheiden, ob sich auf einem Sitz eine Person befindet, oder ein Gegenstand.
4 zeigt ein Blockdiagramm, dass eine beispielhafte Konfiguration der elektrischen Vorrichtung des Sitzbelegungssensors der 3 darstellt. Die elektrische Vorrichtung 380 umfasst eine Sitzbelegungssteuereinheit 410, eine Wechselspannungsgeneratoreinheit 420, eine Strommesseinheit 430, und eine Winkelmesseinheit 440. Die Wechselspannungsgeneratoreinheit 420 generiert eine elektrische sinusförmige Spannung U_f (Wechselspannung) und legt diese generierte elektrische Spannung an die Lehnenrahmenstruktur (310 in 3) und die Sitzrahmenstruktur (340 in 3) an, wobei die Wechselspannung U_f eine vorbestimmte Frequenz f aufweist. Die Rahmenstruktur wirkt, wie oben im Zusammenhang mit 3 beschrieben, wie ein Kondensator mit einer Kapazität C_RS . Durch die an die Rahmenstruktur angelegte Wechselspannung U_f wird ein Wechselstrom / in der Rahmenstruktur bewirkt, der von dem Blindwiderstand (Kapazitanz) X_c der Rahmenstruktur abhängig ist: $I = \frac{U_{f}}{X_{c}}$
Die Strommesseinheit 430 ist dazu ausgelegt, diesen Strom / in der Rahmenstruktur zu messen, der durch die an die Rahmenstruktur angelegte Wechselspannung U_f induziert wird.
Die Sitzbelegungssteuereinheit 410 ist dazu ausgelegt, eine Sitzbelegungserkennung und/oder eine Objektklassifizierung auf Grundlage einer Messung der Kapazität C_RS der Rahmenstruktur durchzuführen. Die Sitzbelegungssteuereinheit 410 führt die Sitzbelegungserkennung bzw. Objektklassifizierung auf Grundlage des von der Winkelmesseinheit 440 ermittelten Winkels θ zwischen der Lehnenrahmenstruktur und der Sitzrahmenstruktur (und/oder anderer variabler Geometrieparameter des Fahrzeugsitzes), auf Grundlage der Spannung U_f und Frequenz f der von der Wechselspannungseinheit 420 erzeugten Spannung, die an die Rahmenstruktur angelegt wird, und auf Grundlage des von der Strommesseinheit 430 gemessenen Stroms I, der in der Rahmenstruktur induziert wird. Die Sitzbelegungssteuereinheit 410 kann auch andere Parameter berücksichtigen, welche die Geometrie des Fahrzeugsitzes bzw. der Rahmenstruktur verändern und damit eine Auswirkung auf die Kapazität der Rahmenstruktur haben.
Dieser Blindwiderstand X_c der Rahmenstruktur steht mit der elektrischen Kapazität C_RS der Rahmenstruktur wie folgt im Zusammenhang: $C_{R S} = - \frac{1}{2 π f X_{c}}$
Durch Messung des Stromes I, der in der Rahmenstruktur durch die Wechselspannung induziert wird, kann die Sitzbelegungssteuereinheit 410 folglich die Kapazität C_RS der Rahmenstruktur ermitteln: $C_{R S} = - \frac{1}{2 π f U_{f}}$
Die Sitzbelegungssteuereinheit 410 ist dazu ausgelegt, auf diese Weise die effektive Kapazität C_RS zwischen der Lehnenrahmenstruktur und der Sitzrahmenstruktur zu ermitteln aufgrund der Spannung U_f und Frequenz f der von der Wechselspannungseinheit 420 erzeugten Spannung, die an die Rahmenstruktur angelegt wird, und auf Grundlage des von der Strommesseinheit 430 gemessenen Stroms I, der in der Rahmenstruktur induziert, zu ermitteln.
Auf Grundlage der effektiven Kapazität C_RS zwischen der Lehnenrahmenstruktur und der Sitzrahmenstruktur, auf Grundlage des von der Winkelmesseinheit 440 ermittelten Winkels θ zwischen der Lehnenrahmenstruktur und der Sitzrahmenstruktur und auf Grundlage des Geometriefaktors G, der in der Sitzbelegungssteuereinheit vorgespeichert ist, kann die Sitzbelegungssteuereinheit 410 nun erkennen, ob eine Person auf dem Fahrzeugsitz sitzt, oder ob sich ein Gegenstand auf dem Fahrzeugsitz befindet und ggf. eine Objektklassifizierung durchführen.
Die Sitzbelegungssteuereinheit 410 nutzt insbesondere, wie oben in Zusammenhang mit Gleichung 5 beschrieben, das Prinzip der Materialabhängigkeit der relativen Permittivität ε_y aus, um zu erkennen, ob sich auf einem Fahrzeugsitz eine Person befindet, oder ein Gegenstand.
Im Allgemeinen kann davon ausgegangen werden, dass die Kapazität der Rahmenstruktur mit zunehmender Frequenz abnimmt. Die Kapazität kann als Funktion von variablen Geometrieparametern des Fahrzeugsitzes (beispielsweise dem Winkel θ zwischen Sitz und Lehne), der Frequenz f der angelegten Wechselspannung und der Permittivität ε_r der Materialen auf dem Sitz betrachtet werden: $C = C (f, θ, ε_{γ})$
Gemäß dem Modell des Lorentz-Oszillators hängt die Permittivität eines Materials stark von dessen frequenzabhängiger Polarisierbarkeit ab. Eine hohe Polarisierbarkeit führt hierbei zu einer hohen dielektrischen Funktion ∈ = ∈₀∈_γ, die dann zu einer höheren Kapazität im Kondensator führt. Wasser weist vor allem für geringe Frequenzen f im Vergleich zu vielen anderen Stoffen hohe Polarisierbarkeiten auf, weswegen ein stark wasserhaltiges Objekt, wie zum Beispiel der menschliche Körper, bei kleinen Frequenzen f zu einer höheren elektrischen Kapazität der Rahmenstruktur führt.
5 zeigt ein Diagramm mit beispielhaften Kapazitätskurven für frequenzabhängige Kapazitäten, die an der erfindungsgemäßen Rahmenstruktur gemessen werden, abhängig davon, ob ein Mensch auf dem Sitz sitzt, eine Handtasche aus Leder auf dem Sitz liegt, oder der Sitz leer ist. Auf der Rechtswertachse des Diagramms ist die Frequenz f der Wechselspannung aufgetragen ist, die an der Rahmenstruktur angelegt wird. Auf der Hochwertachse ist die elektrische Kapazität C_RS der Rahmenanordnung aufgetragen, wie sie von der elektrischen Vorrichtung des Sitzbelegungssensors für die jeweilige Frequenz f aus dem gemessenen Wechselstrom in der Rahmenstruktur ermittelt wird. Die Messwerte wurden unter vorgegebenen und damit bekannten Geometrieparametern des Fahrzeugsitzes (beispielsweise Winkel θ zwischen Sitz und Lehne) gewonnen. Die dreieckigen Symbole zeigen die Kapazitätsmesswerte einer ersten beispielhaften Messreihe, die für einen leeren Sitz unter Anlegen einer Folge vorgegebener Frequenzen f ermittelt wurden. Die kreisförmigen Symbole zeigen die Kapazitätsmesswerte einer zweiten beispielhaften Messreihe, die für einen Sitz ermittelt wurden, auf dem eine Handtasche liegt. Die rautenförmigen Symbole zeigen die Kapazitätsmesswerte einer dritten beispielhaften Messreihe, die für einen Sitz ermittelt wurden, auf dem ein Mensch sitzt. Jede Kapazitätskurve zeigt ein charakteristisches Profil auf.
Wie oben bereits erwähnt, weist Wasser vor allem für geringe Frequenzen f im Vergleich zu anderen Stoffen eine hohe Polarisierbarkeit auf, was zu einer höheren Permittivität führt, so dass ein wasserhaltiges Dielektrikum auf der Rahmenstruktur eine hohe Kapazität aufweist. Luft besitzt nur eine geringe Polarisierbarkeit, weswegen sich die Permittivität von Luft kaum von 1 unterscheidet.
Wie in 5 gut zu sehen ist, ist insbesondere bei niedrigen Frequenzen, die gemessene Kapazität C_RS der Rahmenanordnung am größten, wenn ein Mensch auf dem Fahrzeugsitz sitzt. Für den Fall der Handtasche, ist die gemessene Kapazität C_RS der Rahmenanordnung kleiner als für den Fall des Menschen. Für den Fall des leeren Sitzes ist die gemessene Kapazität C_RS der Rahmenanordnung wiederum kleiner als für den Fall der Handtasche bzw. des Menschen. Der hohe Wassergehalt des menschlichen Körpers führt zu einem signifikanten Anstieg der Kapazität C_RS für kleine Frequenzen f.
Durch Kalibrationsmessungen kann nun eine Datenbank mit charakteristischen Frequenzverläufen C_RS(f) für verschiedene Objekte (Personen, Gegenstände) auf dem Sitz und verschiedene Geometrieparameter der Rahmenstruktur aufgestellt werden. Jeder Datensatz erhält eine Kapazitätskurve C_RS(f), sowie als Metadaten die zugehörigen Parameter, unter denen die Kapazitätskurve erhalten wurde, wie beispielsweise Informationen zum Objekt bzw. der Objektklasse (z.B. „Mensch“, „Gegenstand“, „Tasche“, „leerer Sitz“, oder dergleichen) und Informationen zu den Geometrieparametern des Sitzes (z.B. Winkel zwischen Lehne und Sitz, oder dergleichen). Diese Datenbank kann verwendet werden, um einen gemessenen Frequenzverlauf mit den gespeicherten charakteristischen Frequenzverläufen zu vergleichen und so eine Sitzplatzbelegungserkennung und/oder Objektklassifizierung durchzuführen (z.B. zu entscheiden, ob sich ein Mensch auf dem Sitz befindet oder nicht).
6 zeigt einen beispielhaften Prozess der Sitzplatzbelegungserkennung und/oder Objektklassifizierung basierend auf einem gemessenen Frequenzverlauf der Kapazität der Rahmenstruktur. Der Prozess wird beispielsweise in der Sitzbelegungssteuereinheit (410 in 4) des Sitzbelegungssensors ausgeführt, oder alternativ in einer zentralen Steuereinheit (18 in 1 bzw. 2) des Fahrzeugs. In Schritt S600 werden variable Geometrieparameter des Fahrzeugsitzes ermittelt. Beispielsweise wird (durch die Winkelmesseinheit 440 in 4) der Winkel zwischen der Lehnenrahmenstruktur und Sitzrahmenstruktur gemessen. In Schritt S610 wird für ein zu prüfendes Objekt auf dem Fahrersitz ein Frequenzverlauf der Kapazität der Rahmenstruktur ermittelt. Diese Ermittlung basiert beispielsweise auf einer Messung des Wechselstroms in der Rahmenstruktur und einer Ermittlung der Kapazität, wie dies oben unter Bezug auf Gleichung (8) beschrieben wurde. Dadurch wird eine zu prüfende Kapazitätskurve C_RS(f) erhalten. In Schritt S620 werden die gespeicherten Kapazitätskurven der Datenbank basierend auf den variablen Geometrieparametern gefiltert, um die für die variablen Geometrieparameter passenden Kapazitätskurven zu erhalten. In Schritt S630 wird jene Kapazitätskurve der für die variablen Geometrieparameter passenden Kapazitätskurve eines Referenzobjekts bestimmt, die der gemessenen Kapazitätskurve am ähnlichsten ist. Dieser Vergleich kann mit dem Fachmann bekannten Mitteln durchgeführt werden, beispielsweise indem ein Abstandsmaß definiert wird und jene vorgespeicherte Kapazitätskurve gesucht wird, die den geringsten Abstand von der zu prüfenden Kapazitätskurve aufweist. Detailliertere Beispiele hierzu werden unten gegeben. In Schritt S640 wird eine Sitzplatzbelegungserkennung und/oder Objektklassifizierung auf Grundlage der erkannten ähnlichsten Kapazitätskurve durchgeführt. Hierzu können die zur Kapazitätskurve hinterlegten Metadaten ausgewertet werden, insbesondere die zur Kapazitätskurve hinterlegten Informationen zum Objekt bzw. der Objektklasse. Im Rahmen einer Sitzplatzbelegungserkennung kann beispielsweise erkannt werden, dass der Fahrzeugsitz belegt ist, wenn eine Kapazitätskurve ermittelt wird, die dem Objekt „Mensch“ zugeordnet ist und ansonsten (z.B. bei Erkennung „Handtasche“ oder „leerer Sitz“) wird erkannt werden, dass der Fahrzeugsitz nicht belegt ist.
Bei dieser Differenzenrechnung wird die gemessene Kapazitätskurve folglich mit allen bekannten Kapazitätskurven aus der Datenbank verglichen, die unter gleichen variablen Geometrieparametern des Fahrzeugsitzes aufgezeichnet wurden. Indem beispielsweise die quadratischen Differenzen zwischen der Kapazitätskurve und einer Datenbankkurve aufsummiert werden, kann ein Wert bestimmt werden, der angibt, wie ähnlich der Verlauf einer Datenbankkurve und der gemessene Verlauf ist. Indem die Kurve aus der Datenbank bestimmt wird, die der gemessenen Kurve am ähnlichsten ist, und das der Datenbankkurve zugeordnete Objekt ausgelesen wird, kann das Objekt bestimmt werden, dass sich mit größter Wahrscheinlichkeit auf dem Sitz befindet.
Das Messen des Frequenzverlaufs der Kapazität der Rahmenstruktur für ein zu prüfendes Objekt auf dem Fahrersitz gemäß Schritt S610 kann das Messen einer vorgegebenen Anzahl an Frequenzen umfassen oder als sogenannter Frequenzsweep geschehen. Vorzugsweise werden mindestens zwei Frequenzen pro Kapazitätskurve ermittelt. Je mehr Messpunkte zur Verfügung stehen, desto genauer ist die Kapazitätskurvenerkennung. Auch im Extremfall der Messung von nur einer Frequenz kann bereits eine Aussage über das Objekt auf dem Fahrersitz getroffen werden. In einem ersten Ausführungsbeispiel wird beispielsweise gemessen, ob die gemessene Kapazität bei einer definierten kleinen Frequenz (zum Beispiel f = 50 Hz) mit einem vorermittelten charakteristischen Wert (zum Beispiel C = 1 µF) verglichen, beispielsweise mit einem im Voraus ermittelten und vorgespeicherten Wert für einen Menschen. Ist der gemessene Wert ähnlich dem vorgespeicherten Wert für den Menschen, kann davon ausgegangen werden, dass sich ein starkwasserhaltiges Objekt, also ein menschlicher Körper, auf dem Sitz befindet.
Alternativ kann die Bestimmung, ob ein wasserhaltiges Objekt auf dem Fahrzeugsitz platziert ist, auf maschinellen Lerntechniken basieren. In einem weiteren Ausführungsbeispiel der Erfindung wird die durch Kalibrationsmessungen aufgestellte Datenbank zum Trainieren eines künstlichen neuronalen Netzwerks verwendet. Hierbei bietet sich ein neuronales Netzwerk an, dass sich gut für graphische Mustererkennungen eignet, zum Beispiel ein CNN (Convolutional Neural Network).
7 zeigt ein Flussdiagramm, das eine erfindungsgemäße Objektklassifizierung mittels eines künstlichen neuronalen Netzwerks auf Grundlage einer gemessenen Kapazitätskurve beschreibt. Das CNN besteht aus mehreren Schichten aus künstlichen Neuronen, die über künstliche Synapsen mit den benachbarten Schichten verbunden sind. Die Eingabeschicht nimmt hierbei die Eingabewerte entgegen. In diesem Fall kann für jeden Kapazitätswert C_i ein Eingabeneuron verwendet werden. Gegebenenfalls kann für jeden variablen Geometrieparameter (z.B. Winkel θ) ein weiteres Eingabeneuron vorgesehen werden. Die letzte Schicht, auch Ausgabeschicht, gibt den Output des neuronalen Netzwerks aus. Die gemessene Kapazitätskurve C_RS(f) sowie die aktuell am Fahrzeugsitz eingestellten Geometrieparameter (z.B. Winkel θ) werden als Eingabe an die Eingabeneuronen des CNN übergeben. In einem Schritt 502 führt das CNN eine Musterkennung durch, indem es die an den Eingabeneuronen anliegenden Eingangsdaten zur Ausgabeschicht propagiert. Das künstliche neuronale Netzwerk wurde für diese Mustererkennung mittels Trainingsdaten trainiert, um einen gemessenen Kapazitätsverlauf einer zugehörigen Objektklasse (Mensch, Handtasche, Luft, etc.) zuzuordnen. In einem Schritt 503 wird auf die Ausgabe der Ausgabeschicht des CNN eine Softmax-Funktion angewandt, um die Aktivierungen der Ausgabeschicht zu normieren. Die Softmax-Funktion erzeugt eine Wahrscheinlichkeitsverteilung der Ausgaben. Der Ausgabe-Vektor liefert eine Wahrscheinlichkeitsverteilung zwischen sich gegenseitig ausschließenden Klassen, indem die Ausgabe der anderen Neuronen im selben Layer berücksichtigt wird. Die Summe aller Ausgänge einer Softmax-Ausgabe ist dadurch auf 1 normiert. Diese Normalisierung mittels der Softmax-Funktion gewichtet die Ausgaben für die jeweilige Objektklasse in Bezug auf die Summe über alle Objektklassen. So wird eine direkte Einteilung in verschiedene Klassen ermöglicht, indem jeder Klasse genau ein Ausgabeneuron zugeteilt wird. Die Klasse mit der höchsten Aktivierung ist die wahrscheinlichste Vorrausage des Netzwerks. Auf diese Weise hat eine Vorhersage für eine Klasse (P = 1) automatisch zur Folge, dass die Vorhersagen für die restlichen Klassen nahe 0 sind.
Für die Klassifizierung können statt der Softmax-Funktion auch andere Klassifizierer verwendet werden, beispielsweise ein SVM-Klassifizierer (SVM = Support Vector Machine), wie dies durch B. E. Boser, et al beschrieben ist in „A training algorithm for optimal margin classifiers," in Proc. COLT, 1992, S. 144-152.
8a zeigt schematisch ein erstes Ausführungsbeispiel für das Ermitteln von normierten Wahrscheinlichkeiten aus der Ausgabe der letzten Netzwerkschicht mittels einer Softmax-Klassifizierung. Der Ausgabevektor O des CNN, wie er durch den Prozess der 7 erhalten wurde, wird einer Softmax-Funktion zugeführt. Die Softmax-Funktion transformiert den Ausgabevektor O in einen Wahrscheinlichkeitswert P₁ = 0.7 für eine erste Klasse, welcher die Wahrscheinlichkeit dafür angibt, dass der Fahrzeugsitz durch eine Person belegt ist, sowie einen Wahrscheinlichkeitswert P₂ = 0.3 für eine zweite Klasse, welcher die Wahrscheinlichkeit dafür angibt, dass der Fahrzeugsitz nicht durch eine Person belegt ist.
8b zeigt schematisch ein zweites Ausführungsbeispiel für das Ermitteln von normierten Wahrscheinlichkeiten aus der Ausgabe der letzten Netzwerkschicht mittels einer Softmax-Klassifizierung. Die Softmax-Funktion transformiert den Ausgabevektor O in einen Wahrscheinlichkeitswert P₁ = 0.7 für eine erste Klasse, welcher die Wahrscheinlichkeit dafür angibt, dass der Fahrzeugsitz durch eine Person belegt ist, einen Wahrscheinlichkeitswert P₂ = 0.2 für eine zweite Klasse, welcher die Wahrscheinlichkeit dafür angibt, dass der Fahrzeugsitz durch einen Gegenstand belegt ist, sowie einen Wahrscheinlichkeitswert P₂ = 0.1 für eine dritte Klasse, welcher die Wahrscheinlichkeit dafür angibt, dass der Fahrzeugsitz weder durch eine Person noch durch einen Gegenstand belegt ist.
8c zeigt schematisch ein weiteres Ausführungsbeispiel für das Ermitteln von normierten Wahrscheinlichkeiten aus der Ausgabe der letzten Netzwerkschicht mittels einer Softmax-Klassifizierung. Dieses Ausführungsbeispiel ermöglicht eine Gewichtsklassifizierung. Die Softmax-Funktion transformiert den Ausgabevektor O in einen Wahrscheinlichkeitswert P₁ = 0.5 für eine erste Klasse, welcher die Wahrscheinlichkeit dafür angibt, dass der Fahrzeugsitz durch einen Erwachsenen belegt ist, einen Wahrscheinlichkeitswert P₂ = 0.4 für eine zweite Klasse, welcher die Wahrscheinlichkeit dafür angibt, dass der Fahrzeugsitz durch ein Kind belegt ist, sowie einen Wahrscheinlichkeitswert P₃ = 0.1 für eine dritte Klasse, welcher die Wahrscheinlichkeit dafür angibt, dass der Fahrzeugsitz nicht belegt ist.
8d zeigt schematisch ein weiteres Ausführungsbeispiel für das Ermitteln von normierten Wahrscheinlichkeiten aus der Ausgabe der letzten Netzwerkschicht mittels einer Softmax-Klassifizierung. Auch dieses Ausführungsbeispiel ermöglicht eine Gewichtsklassifizierung. Die Softmax-Funktion transformiert den Ausgabevektor O in einen Wahrscheinlichkeitswert P₁ = 0.2 für eine erste Klasse, welcher die Wahrscheinlichkeit dafür angibt, dass der Fahrzeugsitz durch ein Objekt einer ersten Gewichtsklasse (beispielsweise > 80 kg) belegt ist, einen Wahrscheinlichkeitswert P₂ = 0.3 für eine zweite Klasse, welcher die Wahrscheinlichkeit dafür angibt, dass der Fahrzeugsitz durch ein Objekt einer zweiten Gewichtsklasse (beispielsweise > 60 kg, ≤ 80 kg) belegt ist, einen Wahrscheinlichkeitswert P₃ = 0.4 für eine dritte Klasse, welcher die Wahrscheinlichkeit dafür angibt, dass der Fahrzeugsitz durch ein Objekt einer dritten Gewichtsklasse (beispielsweise > 30 kg, ≤ 60 kg) belegt ist, sowie einen Wahrscheinlichkeitswert P₄ = 0.1 für eine vierte Klasse, welcher die Wahrscheinlichkeit dafür angibt, dass der Fahrzeugsitz durch ein Objekt einer vierten Gewichtsklasse (beispielsweise ≤ 30 kg) belegt ist.
Das Ergebnis der Objektklassifizierung kann an die passiven Sicherheitssysteme (25 in 1) des Fahrzeugs weitergeleitet werden. Diese anderen Systeme können nun eingerichtet sein, um basierend auf den ausgegebenen Wahrscheinlichkeitswerten eine voreingestellte Entscheidung zu treffen. Zum Beispiel kann ein Airbag freigegeben werden, sofern erkannt wird, dass sich eine Person auf dem Sitz befindet, oder aber die Zündung eines Airbags kann gesperrt werden, wenn erkannt wird, dass sich keine Person auf dem Sitz befindet. Ferner könnte zum Beispiel die Geschwindigkeit des Fahrzeugs begrenzt werden, wenn erkannt wird, dass sich eine ältere Person auf dem Sitz befindet, oder die Kindersicherung kann aktiviert werden, wenn erkannt wird, dass sich ein Kind auf dem Sitz befindet.
9 zeigt einen Prozess des Trainings eines neuronalen Netzes, so dass dieses die Klassifizierung vornehmen kann, wie dies in den 5, 6 und 7 beschrieben ist. Damit eine Sitzbelegungssteuereinheit (410) eine automatische Klassifizierung des Objekts auf dem Fahrzeugsitz durchführen kann, werden in einem Schritt 901 die in einer Kalibrierungsphase gewonnen frequenzabhängigen Kapazitätskurven zunächst erfasst, gesammelt und in einem manuellen Klassifizierungsschritt 902 manuell klassifiziert, um in einem Schritt 903 auf Grundlage der erfassten Kapazitätskurven und der manuell erhaltenen Klassifizierungen einen Satz an Trainingsdaten zu erzeugen. In einem Schritt 904 wird ein künstliches neuronales Netz mit dem Trainingsdatensatz trainiert, um ein auf die Objektklassifizierung trainiertes neuronales Netz zu erzeugen. Hinsichtlich dieses Trainingsprozesses kann der Fachmann auf beliebige bekannte Techniken zurückgreifen, die beispielsweise auf einem Gradientenverfahren beruhen, mittels dem die Gewichte der neuronalen Einheiten eingestellt werden. Während dieses Trainingsprozesses wird dem neuronalen Netz vorzugsweise eine große Anzahl von Beispielen (Trainingsdaten) präsentiert. Beispielsweise werden frequenzabhängige Kapazitätskurven mehrerer Objekte oder Personen erfasst und dem jeweiligen Objekttyp manuell zugeordnet. Diese Zuordnungen werden vom neuronalen Netz gelernt und können dann bei dem Klassifizierungsprozess durch das neuronale Netzwerk (502 in 7) verwendet werden.
10 zeigt ein Blockdiagramm, das eine beispielhafte Konfiguration der Sitzbelegungssteuereinheit 410 darstellt. Die Sitzbelegungssteuereinheit 410 ist hier beispielhaft als ein Steuergerät (electronic control unit ECU oder electronic control module ECM) ausgeführt. Die Sitzbelegungssteuereinheit 410 umfasst einen Prozessor 510. Bei dem Prozessor 510 kann es sich beispielsweise um eine Recheneinheit wie eine zentrale Verarbeitungseinheit (CPU = central processing unit) handeln, die Programminstruktionen ausführt. Die Sitzbelegungssteuereinheit 410 umfasst ferner einen Nur-Lese-Speicher, ROM 530 (ROM = Read-only memory) und einen Direktzugriffsspeicher, RAM 520 (RAM = Random Access Memory) (z. B. dynamischer RAM („DRAM“), synchron DRAM („SDRAM“) usw.), die als Programmspeicherbereich und als Datenspeicherbereich dienen. Ferner umfasst die Sitzbelegungseinheit zur Speicherung von Daten und Programmen ein Speicherlaufwerk 560, wie beispielsweise ein Festplattenlaufwerk (hard disk drive: HDD), ein Flashspeicher oder ein nicht flüchtiges Festkörperlaufwerk (solid state drive: SSD). Die Sitzbelegungssteuereinheit 410 umfasst ferner ein CAN-Interface 540, über welches die Steuerungseinheit mit dem Fahrzeugkommunikationsnetzwerk (19 in 1) kommunizieren kann. Die Sitzbelegungssteuereinheit 410 umfasst ferner eine I/O-Schnittstelle 570 für digitale und/oder analoge Steuer- und Messsignale. Die I/O-Schnittstelle 570 umfasst beispielsweise analoge und/oder digitale Input- und Output-Pins zur Ansteuerung und zum Auslesen von elektronischen Einheiten wie hier insbesondere der Wechselspannungsgeneratoreinheit (420 in 4), der Winkelmesseinheit (440 in 4) und der Strommesseinheit (430 in 4). Ebenso kann können über diese I/O-Schnittstelle auch Sensoren Informationen über variable Geometrieparameter des Fahrzeugsitzes liefern (z.B. 440 in 4). Die Einheiten der elektronischen Steuerungseinheit sind über ein Kommunikationsnetzwerk 550 verbunden, bei dem es sich beispielsweise um einen Daten-/Adressbus handeln kann.
11 zeigt ein Blockdiagramm, dass eine weitere beispielhafte Konfiguration der elektrischen Vorrichtung des Sitzbelegungssensors der 3 darstellt. Die elektrische Vorrichtung 380 umfasst eine Sitzbelegungssteuereinheit 410, eine Wechselspannungsgeneratoreinheit 420, eine Strommesseinheit 430, und eine Winkelmesseinheit 440 und eine Gewichtsmesseinheit 850. Die Gewichtsmesseinheit 850 ermittelt Gewichtsinformationen bezüglich des auf dem Sitz platzierten Objekts. Gewichtsinformation des Objekts können direkt mit entsprechenden Sensoren, oder auch indirekt über Gewichtsmessung des Fahrzeuggewichts mit Informationen der Anzahl belegter Plätze ermittelt werden. Die Sitzbelegungssteuereinheit 410 führt eine Sitzbelegungserkennung auf Grundlage des von der Winkelmesseinheit 440 ermittelten Winkels θ zwischen der Lehnenrahmenstruktur und der Sitzrahmenstruktur (oder anderer variabler Geometrieparameter des Fahrzeugsitzes), auf Grundlage der Spannung U_f und Frequenz f der von der Wechselspannungseinheit 420 erzeugten Spannung, die an die Rahmenstruktur angelegt wird, und auf Grundlage des von der Strommesseinheit 430 gemessenen Stroms I, der in der Rahmenstruktur induziert wird, sowie auf Grundlage eines Gewichtsmesswertes durch, der von der Gewichtsmesseinheit 850 ermittelt wird. Der Gewichtsmesswert kann als weitere Eingangsgröße in die Objektklassifizierung einfließen. Dazu wird während des Kalibrierungsprozesses mit Referenzobjekten neben den oben in Zusammenhang mit 6 beschriebenen Größen auch der Gewichtsmesswert ermittelt und in Schritt S620 als weiterer Filteraspekt verwendet. Alternativ kann der Gewichtsmesswert dem neuronalen Netzwerk der 7 als weitere Eingangsgröße zugeführt werden, um die Mustererkennung zu optimieren.
12 zeigt schematisch ein weiteres Ausführungsbeispiel für das Ermitteln von normierten Wahrscheinlichkeiten aus der Ausgabe der letzten Netzwerkschicht mittels einer Softmax-Klassifizierung. Dieses Ausführungsbeispiel nutzt die zusätzlichen Informationen einer Gewichtsmesseinheit und ermöglicht damit eine genauere Altersklassifizierung. Da, wie bereits oben beschrieben, der Wassergehalt des Menschen altersabhängig ist (er sinkt von ungefähr 75 % bei Neugeborenen auf 55 % beim Erwachsenen) und bei Frauen die Gesamtflüssigkeitsmenge im Körper etwa um 5 % bis 10 % niedriger ist als beim erwachsenen Mann, hilft eine Information über das Gewicht auf dem Fahrzeugsitz bei der Altersklassifizierung und/oder Geschlechtsklassifizierung. In diesem Ausführungsbeispiel transformiert die Softmax-Funktion den Ausgabevektor 0 beispielhaft in einen Wahrscheinlichkeitswert P₁ = 0.1 für eine erste Klasse, welcher die Wahrscheinlichkeit dafür angibt, dass der Fahrzeugsitz durch einen männliche Erwachsenen belegt ist, einen Wahrscheinlichkeitswert P₂ = 0.7 für eine zweite Klasse, welcher die Wahrscheinlichkeit dafür angibt, dass der Fahrzeugsitz durch einen weiblichen Erwachsenen belegt ist, sowie einen Wahrscheinlichkeitswert P₃ = 0.2 für eine dritte Klasse, welcher die Wahrscheinlichkeit dafür angibt, dass der Fahrzeugsitz durch ein Kind belegt ist.
13 zeigt eine schematische Darstellung einer weiteren exemplarischen Konfiguration eines Fahrzeugsitzes mit einem Sitzbelegungssensor, wobei der Fahrzeugsitz zusätzliche flächige Elemente umfasst, um die Messgenauigkeit zu vergrößern. Der Fahrzeugsitz 600 unterscheidet sich von dem in 3 gezeigten Fahrzeugsitz dadurch, dass der Fahrzeugsitz 600 zwei zusätzliche, isoliert angebrachte (formgebende/tragende) flächige Elemente 320 und 350 umfasst. Die zusätzlichen Elemente 320 und 350 bilden zusammen mit der Lehnenrahmenstruktur 310 und der Sitzrahmenstruktur 340 einen elektrisch wirksamen Bestandteil eines (Platten-) Kondensators. Dies erhöht die Kapazität der Messanordnung und somit auch die Messauflösung, wodurch die Genauigkeit der Objektklassifizierung erhöht wird. Alternativ wäre es denkbar, dass die bei einer Sitzheizung eingebrachten Widerstandsbahnen („Heizdrähte“, elektrisch leitfähige Kohlenstofffasern/-gewebe) diese Aufgabe mitübernehmen, wenn sie getrennt für Lehne und Sitzkissen (getrennte Platten eines Kondensators) bestromt werden.
In den oben beschriebenen Ausführungsbeispielen wurden die variablen Geometrieparameter während der Kalibrierungsphase mittels Referenzobjekten berücksichtigt. Das heißt, Kapazitätskurven wurden für verschiedene Realisierungen der variablen Geometrieparameter ermittelt und in der Datenbank von Referenz-Kapazitätskurven gespeichert, oder zum Trainieren eines neuronalen Netzes verwendet. Um die Menge an Messprozessen zu verringern, können allerdings auch Modellannahmen getroffen werden, welche die Abhängigkeit von den variablen Geometrieparametern modellieren, so dass weniger Referenz-Kapazitätskurven ermittelt werden müssen.
Wie oben bereits beschrieben, weisen die Lehnenrahmenstruktur 310 und der Sitzrahmenstruktur 340 eine Form auf, die vom idealen Plattenkondensator abweicht. Es kann aber näherungsweise von dem Modell ausgegangen werden, dass sich die effektive Kapazität C_RS der Rahmenstruktur (bestehend aus der Lehnenrahmenstruktur 310 und der Sitzrahmenstruktur 340) wie die eines idealen Plattenkondensators mit einer effektiven Fläche A_eff und einem effektiven Abstand d_eff verhält: $C_{R S} = ε_{0} ε_{γ} \times \frac{A_{e f f}}{d_{e f f}}$
Es wird hier beispielsweise davon ausgegangen, dass die effektive Fläche A_eff der Rahmenstruktur als konstant betrachtet werden kann, sich der effektive Abstand d_eff der Rahmenstruktur jedoch in Abhängigkeit vom Winkel θ zwischen Lehnenrahmenstruktur 310 und der Sitzrahmenstruktur 340 ändert. Der effektive Abstand d_eff wird gemäß des beispielhaften Modells dieses Ausführungsbeispiels anhand folgender Gleichung bestimmt: $d_{e f f} = L_{e f f} \times tan θ$
wobei L_eff eine effektive Länge der Rahmenstruktur und θ der Winkel zwischen Lehnenrahmenstruktur 310 und der Sitzrahmenstruktur 340 ist.
Die elektrische Vorrichtung 380 erhält diesen Winkel θ über den Verstellmechanismus 330 entweder direkt, oder sie erhält eine Positionsrückmeldung, auf deren Grundlage die elektrische Vorrichtung 380 den Winkel θ zwischen Lehnenrahmenstruktur 310 und der Sitzrahmenstruktur 340 ableiten kann.
Folglich gilt: $C_{R S} = ε_{0} ε_{γ} \times \frac{A_{e f f}}{L_{e f f} \times tan θ} = ε_{0} ε_{γ} \times \frac{G}{tan θ}$
wobei $G = \frac{A_{e f f}}{L_{e f f}}$
ein Geometriefaktor der Rahmenstruktur ist.
Dieser Geometriefaktor kann beliebige Formen der Lehnenrahmenstruktur 310 bzw. Sitzrahmenstruktur 340 beschreiben und wird beispielsweise durch eine Kalibrierung bestimmt und wird im Folgenden damit als vorbekannt angesehen. Der vorbestimmte Geometriefaktor ist in der elektrischen Vorrichtung 380 gespeichert und dort jederzeit für ein computerimplementiertes Verfahren abrufbar.
Dieser aus dem Modell gewonnene Zusammenhang kann nun ausgenutzt werden, indem die aus dem Modell bekannte Abhängigkeit der Kapazität vom Winkel θ berücksichtigt wird. Beispielsweise kann statt der frequenzabhängigen Kapazitätskurve C_RS(f) eine winkelbereinigte Kapazitätskurve C_RS(f) × tan θ als Referenzkurve in der Datenbank hinterlegt werden. Schritt S630 der 6 kann dann so modifiziert werden, dass beim Bestimmen der am besten passenden Referenzkurve die gemessene C_RS(f) mit dem ermittelten Geometrieparameter tan θ multipliziert wird und das Produkt mit den gespeicherten winkelbereinigten Kapazitätskurven C_RS(f) × tan θ verglichen wird. Auf diese Weise kann auf ein Filtern der gespeicherten Referenzkurven nach dem Geometrieparameter, hier θ, (S620 in 6) verzichtet werden.
Bezugszeichenliste

10: Fahrzeug
12: Steuerungseinheit für Bremssystem
14: Steuerungseinheit für Antriebsstrang
16: Steuerungseinheit für Lenksystem
18: Zentralsteuerungseinheit
19: Fahrzeugkommunikationsnetzwerk
21: Benutzerschnittstelle (HMI)
23: Umfeldsensoren
25: Passive Sicherheitssysteme
27: Sitzbelegungssensor
200: Steuerungseinheit
210; 510: Prozessor
220; 520: RAM
230; 530: ROM
240; 540: Fahrzeugkommunikationsnetzwerk-Interface
250; 550: Kommunikationsnetzwerk
260; 560: Speicherlaufwerk
300; 600: Fahrzeugsitz
310: Lehnenrahmenstruktur
320, 350: flächige Elemente
330: Verstellmechanismus
340: Sitzrahmenstruktur
380; 580: Elektrische Vorrichtung
360: Feldlinien
410: Sitzbelegungssteuereinheit
420: Wechselspannungsgeneratoreinheit
430: Strommesseinheit
440: Winkelmesseinheit
501: gemessene Kapazitätskurve
502: CNN
503: Softmax-Schicht
505: variable Geometrieparameter
506: Objektklassifizierung
850: Gewichtsmesseinheit
Xc: Kapazitanz (Blindwiderstand)
C: Elektrische Kapazität
CRS: Elektrische Kapazität der Rahmenstruktur
CRS(f): frequenzabhängige Kapazitätskurve der Rahmenstruktur
d: Abstand
ε0: Elektrische Feldkonstante des Vakuums
εy: Relative Dielektrizitätszahl (Permittivität) des Dielektrikums
P: Person

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 Nicht-Patentliteratur

B. E. Boser, et al beschrieben ist in „A training algorithm for optimal margin classifiers,“ in Proc. COLT, 1992, S. 144-152 [0055]

Claims

Vorrichtung, umfassend eine elektronische Steuereinheit (410), die konfiguriert ist, um eine Sitzbelegungserkennung und/oder eine Objektklassifizierung auf Grundlage einer elektrischen Kapazität (C_RS) einer Struktur (310, 340) eines Sitzes durchzuführen.
Vorrichtung nach Anspruch 1, wobei die Struktur (310, 340) des Sitzes eine Rahmenstruktur des Sitzes ist.
Vorrichtung nach Anspruch 1 oder 2, wobei die Struktur (310, 340) des Sitzes eine Sitzrahmenstruktur (340) und eine Lehnenrahmenstruktur (340) umfasst, die einen elektrischen Kondensator bilden.
Vorrichtung (300; 600) nach einem der vorherigen Ansprüche, ferner umfassend eine Wechselspannungsgeneratoreinheit (420), die dazu ausgelegt ist, eine Wechselspannung an die Struktur (310, 340) des Sitzes anzulegen.
Vorrichtung nach einem der vorherigen Ansprüche, ferner umfassend eine Strommesseinheit (430), die dazu ausgelegt ist, einen Strom in der Struktur (310, 340) des Sitzes zu messen.
Vorrichtung nach einem der vorherigen Ansprüche, wobei die elektronische Steuereinheit ferner dazu ausgelegt ist, eine frequenzabhängige Kapazitätskurve (C_RS(f)) der Struktur (310, 340) des Sitzes zu ermitteln und die Sitzbelegungserkennung und/oder die Objektklassifizierung auf Grundlage der frequenzabhängigen Kapazitätskurve (C_RS(f)) durchzuführen.
Vorrichtung nach einem der vorherigen Ansprüche, wobei die Sitzbelegungserkennung und/oder die Objektklassifizierung ferner auf Grundlage des Signals eines Gewichtssensors erfolgt.
Vorrichtung nach einem der vorherigen Ansprüche, wobei die Sitzbelegungserkennung bzw. Objektklassifizierung erkennt, ob sich eine Person auf dem Sitz befindet, und/oder Informationen über das Alter einer Person auf dem Sitz liefert.
Vorrichtung nach einem der vorherigen Ansprüche, wobei die Sitzbelegungserkennung und/oder Objektklassifizierung variable Geometrieparameter (θ) des Sitzes berücksichtigt.
Vorrichtung nach einem der vorherigen Ansprüche, wobei die Sitzbelegungserkennung und/oder Objektklassifizierung einen Vergleich einer gemessenen frequenzabhängigen Kapazitätskurve mit einer Datenbank an Referenz-Kapazitätskurven, oder eine Auswertung einer gemessenen frequenzabhängigen Kapazitätskurve mittels eines künstlichen neuronalen Netzwerks umfasst.
Verfahren, umfassend das Durchführen einer Sitzbelegungserkennung und/oder einer Objektklassifizierung auf Grundlage einer elektrischen Kapazität (C_RS) einer Struktur (310, 340) eines Sitzes.
Verfahren nach Anspruch 11, wobei die Sitzbelegungserkennung und/oder die Objektklassifizierung ferner auf Grundlage des Signals eines Gewichtssensors erfolgt.