EP2276650A1 - Verfahren und steuergerät zur ansteuerung von zumindest einem sicherheitsmittel - Google Patents

Verfahren und steuergerät zur ansteuerung von zumindest einem sicherheitsmittel

Info

Publication number
EP2276650A1
EP2276650A1 EP09731577A EP09731577A EP2276650A1 EP 2276650 A1 EP2276650 A1 EP 2276650A1 EP 09731577 A EP09731577 A EP 09731577A EP 09731577 A EP09731577 A EP 09731577A EP 2276650 A1 EP2276650 A1 EP 2276650A1
Authority
EP
European Patent Office
Prior art keywords
feature
class
feature vector
driving
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Withdrawn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
EP09731577A
Other languages
English (en)
French (fr)
Inventor
Marcus Hiemer
Mike Schwarz
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.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
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 Robert Bosch GmbH filed Critical Robert Bosch GmbH
Publication of EP2276650A1 publication Critical patent/EP2276650A1/de
Withdrawn legal-status Critical Current

Links

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
    • 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
    • B60R2021/01122—Prevention of malfunction
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision

Definitions

  • the present invention relates to a method for controlling at least one security means according to claim 1, a control device for controlling at least one security means according to claim 10, a computer program according to claim 11 and a computer program product according to claim 12.
  • triggering algorithms for personal protective equipment do not or only too imprecisely evaluate a history of the motion of a vehicle in order to perform an optimal release of safety devices.
  • a deployment decision is made based essentially on the acceleration signals that occur in the event of an accident and are measured via acceleration sensors.
  • Predictive systems such as PreCrash try to pre-condition the triggering algorithms, for example, with RA-DAR or LASER sensors, but these signals are not or only insufficiently combined with the information of the other sensors installed in the vehicle, so that a combined analysis of the data All of the principle already available sensor signals for reasons of complexity of such evaluation is currently not done.
  • DE 10 2006 038151 A1 discloses a device and a method for controlling personal protection devices, in which the activation of the personal protection means is carried out using a support vector machine.
  • the evaluation of an accident sensor signal is carried out using different classification trees, in which a binary classification is performed.
  • the use of the support vector machine has the advantage that for each classification problem an optimal solution can be found, which can also be determined relatively easily.
  • the present invention provides a method for controlling at least one security agent, the method comprising the following steps:
  • the invention is based on the recognition that a classification of signal characteristics of an accident sensor signal in more than two classes ' by a classifier on the basis of statistical learning theory a significant improvement of the linking possibilities and the rapid evaluation of such signal characteristics is possible. Essentially, this optimization is based on the fact that the various classes can be used to classify directly into more than two classes and that the signal characteristics can be well processed or separated, which simplifies signal processing in a drive unit following in the signal path.
  • classifiers on the basis of statistical learning theory on the one hand numerically efficient and fast work and on the other hand can process a large number of signal characteristics, can be optimally evaluated by using such classifiers also a large amount of already available in the vehicle accident sensor signals , This speeds up the desired fusion of the active and passive safety systems with their corresponding sensors.
  • classifying using the classifier based statistical theorem theory comprises using a multi-class support vector machine.
  • the use of such a multi-class support vector machine provides an excellent choice for a fast, numerical, or circuit efficient, and most importantly, precise, classifier based on statistical learning theory.
  • the activation of the security device in accordance with a driving instruction for a first feature class may include activating a personal protection device.
  • the activation of the security device in accordance with a driving instruction for a second feature class may also include the activation of a driving dynamics assistance control.
  • the actuation of the safety device also takes place by using at least one feature of the feature vector or of a further feature from a signal of the accident sensor system.
  • the one feature from the feature vector itself or the feature of the signal from the crash sensor system can be used in a physical core algorithm, which forms a fallback during the control of the corresponding safety means.
  • tripping occurs reliably even in the event of a malfunction of said classifier, wherein an improvement and / or specification of the triggering of the corresponding safety means can then be implemented by the classifier described above. This implies an exclusive gain in security in the implementation of this embodiment of the invention.
  • Classification function value takes place. This represents a further refinement of the classification result, since not only a class as such, but also a differentiation of the triggering within a class is possible. Such a differentiation on the basis of the classification function value then makes possible an even more precise control of the corresponding safety means, for example by a graduated activation of different airbag stages.
  • the driving of the security means may be carried out according to an activation rule based on a decision threshold value.
  • an activation rule based on a decision threshold value.
  • the tax law can be changed according to a feature class dependent on the change rule.
  • an increase or decrease of the decision threshold value can take place or the decision threshold value can be replaced by a second decision threshold value.
  • This easy-to-implement change of the driving instruction can very well improve the safety of the occupants of a vehicle by classifying a feature vector into several (especially more than three) classes.
  • changing or replacing the decision threshold value also requires only slight changes to the structure of the corresponding security means or its associated triggering circuit.
  • classifying may be based on class boundaries between the feature classes loaded from a memory.
  • a classifier for example, is pre-trained in the manufacturer's laboratory and already optimally based on accident scenarios or simulations set, after which the trained parameters are then stored in a memory.
  • a classifier is obtained which operates quickly and precisely during operation, since a complex adaptation of the settings of the classifier during operation is no longer required.
  • a control device for controlling at least one safety means may also be provided which comprises the following features:
  • At least one interface which is designed to form a feature vector of at least two features from at least one signal of an accident sensor system; an evaluation circuit designed to classify the feature vector formed into one of at least three possible feature classes using a classifier based on statistical learning theory; and a drive unit configured to drive the safety means in accordance with a drive instruction for the feature class into which the feature vector has been classified.
  • the object underlying the invention can be solved quickly and efficiently.
  • a classifier on the basis of statistical learning theory with the possibility of classifying the feature vector into one of at least three feature classes, a more precise, faster, and thus better than the prior art, evaluation of the available sensor signals is achieved possible.
  • a computer program which executes all the steps of the method according to one of the embodiments described above, when it runs on a control unit.
  • This computer program may originally be written in a high-level language and is then translated into machine-readable code.
  • a computer program product with program code which is stored on a machine-readable carrier such as a semiconductor memory, a hard disk memory or an optical memory and for carrying out the method according to nem the AusSteu ⁇ gsformen described above is used when the program is executed on a control unit.
  • a machine-readable carrier such as a semiconductor memory, a hard disk memory or an optical memory
  • FIG. 1 is a block diagram of a first Ausfatu ⁇ gsbeispieis of the present invention as a unit installed in a vehicle.
  • Fig. 2 is a block diagram of a second embodiment of the present invention
  • FIG. 3 is a block diagram of a third embodiment of the present invention.
  • FIG. 4 is a block diagram of a fourth embodiment of the present invention.
  • FIG. 5 is a flow chart of a fifth embodiment of the present invention
  • FIG. 1 shows a block diagram of a first exemplary embodiment of the present invention.
  • the control unit SG according to the invention is explained in more detail with connected components.
  • the control unit SG is arranged, which is connected to various components.
  • the components necessary for understanding the invention are shown outside and inside the control unit.
  • a structure-borne sound sensor KS such as a structure-borne sound sensor KS, a Beministeru ⁇ gssensorik BS1, a pressure sensor DS and an environment sensor US.
  • Other sensors such as a driving dynamics sensor and / or rotational rate sensors, etc. may be connected in addition to or instead of the sensors described above.
  • Various installation positions in the vehicle FZ are known to the skilled person.
  • the structure-borne sound sensor KS and the acceleration sensor system BS1 are connected to a first interface IF1 of the control unit SG, wherein the interface 1F1 supplies the signals of the evaluation circuit .mu.C, which is designed according to the first embodiment as a microcontroller .mu.C.
  • a second interface IF2 to which, for example, an air pressure sensor DS and the environmental sensor system US are connected, provides these signals to the evaluation circuit .mu.C.
  • the air pressure sensor DS can also be installed in the side parts of the vehicle and should then serve as a side impact sensor.
  • the environment sensor system US may include various environmental sensors such as radar, LIDAR, video or ultrasound to analyze the environment of the vehicle FZ with respect to collision objects.
  • the microcontroller .mu.C contains further sensor signals from an acceleration sensor BS2 within the control unit SG via an internal control unit interface. Additional sensors can be located within the control unit SG and deliver signals to the MTkr ⁇ controller ⁇ C via appropriate interfaces. These include driving dynamics sensors and / or structure-borne noise sensors.
  • the interfaces receive the signals from the accident sensors, extract certain characteristics from this accident sensor signal such as an acceleration, an Integra! a speed, etc., and combine a certain number of these features into a feature vector.
  • the signal can be an acceleration signal and one of the interfaces can determine the speed by simple integration and then form the acceleration and the velocity into a two-dimensional feature vector, which is made available to the evaluation circuit, especially the classifier.
  • a classifier based on the statistical learning theory is arranged, which will be explained in more detail below.
  • This classifier is supplied with the feature vector, whereby the classifier also processes a multi-dimensional feature vector, depending on how many features are to be included in the classification can.
  • the classifier divides the feature vector into one of at least three feature classes K1, K2 or K3. These feature classes characterize, for example, different types of accidents or accidents, so that for each type of accident or for each severity of severity the control of correspondingly suitable safety means can take place.
  • a first personal protection device PS1 in the form of an airbag can be effected by the first drive circuit FL1C1 if the classifier in the microcontroller .mu.C has classified the feature vector into the feature class K1.
  • a second personal protection means PS2 for example, a belt tensioner
  • a second drive circuit FLIC2 can be activated by a second drive circuit FLIC2 if the classifier in the microcontroller .mu.C has arranged the feature vector in the second feature class K2.
  • a vehicle dynamics control FDR (such as, for example, an ESP control) can be activated via a third drive circuit FL1C3.
  • This transfer can be particularly secure if it is done via the SPI bus (serial peripheral interface bus).
  • SPI bus serial peripheral interface bus
  • This activation of the corresponding drive circuits can be done very easily by, for example, by the classification in a (feature JKIasse K1, K2 or K3 only a (binary) on / off Akti vation of the corresponding drive circuit takes place, which is quickly and inexpensively evaluated ,
  • control unit SG has a housing that can be made of metal and / or plastic.
  • the microcontroller ⁇ C itself has an internal memory, but can also access external memory, which is also located in the control unit SG.
  • the memory can also store class boundaries, which were determined, for example, in a pre-training of the classifier in the laboratory, as will be described in more detail below. Using these class boundaries, the classifier in the microcontroller .mu.C can implement the feature vector very quickly and easily in the different feature classes K1, K2 or K3.
  • the communication of the interfaces IF1 and IF2 to the microcontroller .mu.C can be done, for example, via the controller-internal bus SPI.
  • the SPI bus can also be used for the communication between the microcontroller .mu.C and the drive circuits FLIC1, FL1C2 and FLIC3.
  • the drive circuits FLIC1, FLIC2 and FLIC3 consist of one or more integrated circuits which, for example, have power switches and, in the case of actuation, energization of the ignition or ignition circuits Activation elements of the personal protection means PS1 or PS2 or of the driving dynamics controller FDR.
  • These personal protection means PS1 or PS2 or the driving dynamics controller FDR can also have different characteristics, which consist of one or more integrated circuits and / or discrete components.
  • Classifiers based on statistical learning theory which subdivide a feature vector into one of at least three feature classes, are particularly suitable for use in the present invention.
  • the automatic evaluation of any simulated accident situations can advantageously take place, allowing an even better training of the classifier.
  • the classification of the feature vector into one of more than two feature classes results in a more detailed evaluation of the features of accident signals than is possible in the prior art.
  • different branches of the further algorithm processing can be activated by the feature class-based control based on the finely graduated classification of the characteristics of an accident signal into many feature classes. Due to the advantageous early classification of the characteristics of an accident signal and the correspondingly fast control of the most suitable safety means, on the one hand, the reaction time of the safety means is reduced and, on the other hand, only those safety devices are actuated that are actually affected by the current driving situation. This saves resources.
  • the classifier can be easily tuned to customer-requested hazard and accident situations by using simulation data.
  • the use of machine-lime-based processes also significantly reduces the application time, so that trajectories with comprehensive signal combinations for training the cassifier in a laboratory can be carried out in a realistic time.
  • the proposed classifier can be trained much better, which is advantageous in its use in a more precise selection of the correct feature class for a given feature vector.
  • a multi-class support vector machine (MSVM) is used because such a multi-class support vector machine as well as a support vector machine always provides an optimal solution and a low tendency for specialization (ie memorizing the trained data).
  • SVM support vector machine
  • the Mehrtren- is support Vector Machine (MSVM) is able to distinguish several classes, especially more than 3 classes.
  • MSVM is also a machine learning based method of the class of statistical learning theory in which the classifier is trained by pairwise specification of feature vectors and associated class. The training of such an MSVM will be discussed in more detail below.
  • the concrete use of a classifier on the basis of the statistical learning theory is briefly sketched in FIG.
  • the classifier which is arranged, for example, in the microcontroller .mu.C, M1 and M2 of accident signals (for example, with respect to a wheel speed, a yaw acceleration, an integral of the longitudinal acceleration or a degree of coverage of an accident sensor (PreCrash sensor)) and receive trained such that the individual feature classes K1 to KN map different vehicle states (such as "skidding", "frontal crash”, “light side crash soft crash”, ...)
  • different control circuits or algorithms parts or control rules for controlling For example, when classifying the feature vector from the features M1 and M2 into the feature class K1, a first sub-algorithm T1 can be activated as a triggering algorithm in the microcontroller .mu.C, which then uses a drive control FLIC for a front airbag to protect the person tel PS1 in the form of squibs, rev.
  • a second sub-algorithm T2 in the microcontroller ⁇ C be activated, which in turn activates the drive circuit FLIC for performing a soft-crash functionality, which in turn then activates a vehicle dynamics controller FDR1 in the form of a brake specification.
  • a separate component for implementing the second sub-algorithm T2 and the functionality of the FLIC can be used again.
  • a third part algorithm which is not explicitly shown in FIG. 2, can be activated, which then uses the drive circuit FLIC, here in the form of a control unit, to improve the vehicle dynamics, a second vehicle dynamics controller FDR2 activates wheel-selective braking or steering.
  • a fourth sub-algorithm which is also not shown in FIG. 2, can be activated.
  • This fourth sub-algorithm can trigger via the drive circuit FLIC the second person protection PS2, such as a side airbag, initiate, so that the second personal protection PS2 accordingly squib or rev. Restraints on.
  • the representation from FIG. 2 can also be continued for a classification of the feature vector into any number of (but more than three) feature classes, in which case suitable safety means are activated by activating a correspondingly fitting partial algorithm and the drive circuit FLIC.
  • suitable safety means are activated by activating a correspondingly fitting partial algorithm and the drive circuit FLIC.
  • the design of the classifier for the classification of the feature vector in at least three feature classes thus makes it possible to precisely activate those parts of a safety system of a vehicle that are needed precisely in the driving situation that has occurred, from the characteristics of one or more accident signals. An elaborate execution of all available algorithm parts of the security system or a permanent activation of all control circuits can thus be dispensed with.
  • FIG. 3 shows a third exemplary embodiment of the present invention as a block diagram illustration, with a single partial algorithm T of the partial algorithms T1 to TN shown in FIG. 2 being shown specifically to illustrate the mode of operation of the invention.
  • the invention can also be used only using a single sub-algorithm T, so that not several sub-algorithms are needed.
  • the classifier used is a multi-class support vector machine MSVM in the microcontroller .mu.C, which is acted upon by the features M1, M2 and M3. These features can be generated, for example, from an accident signal, as described above with reference to FIG. speed signals, yaw acceleration, vehicle acceleration, etc., or their integrals.
  • the classifier MSVM can divide the features M1, M2 and M3 into a first, second or third feature class K1, K2 or K3 and feeds them to the sub-algorithm T, which activates a drive circuit FLIC1.
  • a triggering instruction is thus implemented numerically and / or by circuitry, by means of which, in response to the accident signal features M4 and M5, the personal protection means PS1, for example an airbag, is activated.
  • the sub-algorithm T can be designed such that it implements a physics-based core threshold decision whose decision threshold value is influenced by the feature classes K1, K2 or K3.
  • the triggering or activation of the personal protection means PS1 takes place in response to the accident signal features M4 and M5, which, however, may be identical to or derived from one or more of the input features M1 to M3.
  • the influencing of the decision threshold value can consist of a discount or a surcharge in accordance with a modification rule for the respective selected feature class K1 to K3. In this way, it is ensured that even with a possibly incorrect classification, the personal protection means PS1 is always activated by the partial algorithm T with the physically-based core threshold separation implemented therein (although not optimal but nevertheless).
  • post-training classification can be based on a mathematical relationship such as the following equation
  • the variables y (r ctj and b results of the training or k (x ⁇ , x) are the used trained kernel function of the multiclass support vector machine
  • the result of this classification function corresponds to the class determined in the classifier, where, for example, a real, ie non-binary, classification function value of 3.1 corresponds to the feature class K3, which comprises all the classification function values between 3.0 and 3.9
  • the sub-algorithm T in Figure 3 can then be replaced by a (binary) on / off ⁇ Activation of the signal path for the feature class K3 for activation, the transmission of the precisely determined classification function value of 3.1 to the partial algorithm T takes place, as a result, for example, of a quantitatively more exact increase or reduction of the decision threshold!
  • Figure 4 shows a fourth embodiment of the present invention in a block diagram representation.
  • a classifier in the form of a multi-class support vector machine MSVM is again provided in a microcontroller ⁇ C, to which features M1 to M3 are supplied by one or more accident signals.
  • the features M1 to M3 are combined in the classifier MSVM (or via an upstream integrated interface) to a feature vector M and this classified into one of the feature classes K1 to K3.
  • Each of these feature classes K1 to K3 serves to control a partial algorithm T1 to T3, which in each case again receives the characteristics M4 and M5 of an accident signal.
  • the features M4 and / or M5 may again be identical to or derived from one or more of the input features M1 to M3 of the kiassifikator MSVM.
  • a triggering instruction in the form of a physical core threshold decision can be implemented in each case, wherein the classification of the feature vector into one of the feature classes K1 to K3 makes it possible to switch between different core thresholds in the different subalgorithms T1 to T3.
  • a first decision threshold value can be implemented in the first sub-algorithm T1, wherein the first sub-algorithm T1 is activated by the classification of the feature vector into the feature class K1.
  • a personal protection device PS1 such as an airbag, can be activated via the first control circuit FLIC1.
  • a second decision threshold different from the first decision threshold can be implemented, the second sub-algorithm T2 being classified by the classification of the feature vector into the feature class K2 is activated.
  • the second sub-algorithm also again uses the features M4 and M5 to trigger a security agent and also implements again a physical-based core threshold decision.
  • the third sub-algorithm T3 can be activated, which implements a third physical-based core threshold decision with a further decision threshold using the features M4 and M5.
  • the decision threshold value in the second or third sub-algorithm T2 and T3 can again be changed by evaluating a transmitted classification function value for the second and third feature classes K2 and K3.
  • the second sub-algorithm T2 and the third sub-algorithm T3 can activate a vehicle dynamics control FDR1, for example a control of an ESP function, via a common second drive circuit FL1C2.
  • a comparison of the two activation signals of the second and third sub-algorithms T2 and T3 for the first personal protection means PS1 according to a predefined specification makes it possible to check the activation of this protection means PS1.
  • the second decision threshold is lower than the third decision threshold, there must be an error if the second sub-algorithm T2 signals that a value from the considered features of the accident signal is below the second decision threshold but the third sub-algorithm T3 signals that the value from the considered features of the accident signal is above the third decision threshold.
  • the first and second drive circuits FLIC1 and FLIC2 may also be implemented together in a drive circuit, as shown in FIG. 2, respectively.
  • the individual sub-algorithms can also be executed together in the microcontroller ⁇ C or on separate signal processing modules.
  • the first decision threshold value can for example be loaded from a look-up table or a memory into the first sub-algorithm.
  • the second decision threshold value can be loaded from a look-up table or a memory into the second subalgorithm and the third decision threshold value from the look-up when the feature vector is classified into the third feature class K3 Table or memory into the third sub-algorithm.
  • the vehicle dynamics control FDR1 for example an automatic brake controller
  • the vehicle dynamics control FDR1 can be controlled to different degrees (for example in different stages) via the activation of the second or third sub-algorithm T2 and T3, as shown in FIG.
  • FIG. 1 such an embodiment is represented by the two dashed lines, in accordance with the embodiment of Figure 4, the microcontroller .mu.C several control signals, which are obtained from different subalgorithms, to a single drive circuit provides (dashed line between the microcontroller .mu.C and the first drive circuit FLIC1) or that according to Figure 2, a drive circuit activates a plurality of protection means (dashed line between the second drive circuit FLIC2 and the first personal protection means PS1).
  • An application of a single partial algorithm with a plurality of classification signals according to the exemplary embodiment from FIG. 3 is not explicitly shown in FIG. 1; However, it is obvious to a person skilled in the art that also this further combination of the obvious embodiments is easy to implement.
  • FIGS. 3 and 4 not only is a binary classification decision output, but a distinction is made between a plurality of feature classes. This is advantageous since it is desirable in the classification of an accident to be able to differentiate between different accident types and it is often not precise enough, at the output of a classifier or a drive circuit only a binary "Fire7" No Fire decision for Depending on the classification result, the components of a vehicle safety system required in the current driving situation can be specifically added, for example, based on the type of accident classified in more detail a core threshold in a drive unit to change the same so that the triggering requirements are met for the classified accident type . This substantially corresponds to the embodiment shown in Figure 3.
  • the multi-class Supp ⁇ rt vector machine is in the Able to distinguish several, especially more than two, feature classes.
  • the multi-class support vector Maschi ⁇ e is also a ler ⁇ bastertes method, being trained by pairwise predetermining Pleasesmerkmalsvektore ⁇ with the features to be trained accident signals and output signals in the form of the respective feature class to be assigned the classifier. This calculates in training the support vectors, which contain the most important data points of each class.
  • the support vectors can be understood as the support vectors of a dividing line or separation surface separating each class.
  • the remarkable thing about the multi-class support vector machine as well as the support vector machine is that by calculating the support vectors exactly that Dividing line is determined, which has the maximum distance to the different classes. This is particularly advantageous since, in the case of sensor signal fluctuations, this means the most robust separation of the classes. Another advantage is the fact that this optimal separation line is always found, which is not the case with other machine-based methods such as neural networks.
  • the training takes place in a laboratory, wherein the found support vectors, for example, in a memory (such as an EEPROM of an airbag control unit in the form of a microprocessor) are stored.
  • a memory such as an EEPROM of an airbag control unit in the form of a microprocessor
  • the abovementioned variables of the listed equation can be determined in training, so that during the runtime of the algorithm before or in the event of the accident, the classification can carry out the classification of the feature vector with the aid of the (trained) simple equation reproduced above.
  • a first training variant (“One versus One") is based on successively training two classes against each other, in the case of 3 classes, first class 1 against class 2, then class 2 against class 3 and thereafter the class 3 is trained against class 1.
  • the results of the classification are then combined, and a second training variant ("one versus rest") is based on successively training one class against all the remaining classes.
  • class 1 is trained against classes 2 and 3, then class 2 against classes 1 and 3, and thereafter class 3 against classes 1 and 2.
  • the classification results achieved are then also combined.
  • the first training variant can be used once and the second training variant can be used the other time. In this way, the application time of additional functions for triggering a security agent can be significantly reduced by the automated calculation of the separating surface.
  • Figure 5 shows a fifth embodiment of the present invention.
  • the invention is designed as a method 50 for controlling at least one safety device according to the procedure described above in the operation of such a classifier on the basis of the statistical learning theory.
  • the method 50 has a first step 52 of detecting at least two features M1, M2 from at least one signal of an accident sensor system, in order to determine one of the detected features To form feature vector.
  • the feature vector formed is classified using a classifier on the basis of statistical theory in order to classify the feature vector into one of at least three possible feature classes K1, K2, K3.
  • a third method step 56 the security means FDR, PS1, PS2 are activated in accordance with a control specification for that feature class K1, K2, K3 into which the feature vector has been classified.
  • the method according to the invention can be implemented in hardware or in software.
  • the implementation can be carried out on a digital storage medium, in particular a floppy disk, a CD or a DVD with electronically readable control signals, which can interact with a programmable computer system such that the corresponding method is carried out.
  • the invention thus also consists in a computer program product with a program code stored on a machine-readable carrier for carrying out the method according to the invention, when the computer program product runs on a computer.
  • the invention can thus be realized as a computer program with a program code for carrying out the method when the computer program runs on a computer.

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Traffic Control Systems (AREA)
  • Automotive Seat Belt Assembly (AREA)

Abstract

Es wird ein Verfahren zur Ansteuerung von zumindest einem Sicherheitsmittel (FDR, PS1) vorgeschlagen, das einen ersten Schritt des Erfassens von wenigstens zwei Merkmalen (M1, M2, M3) aus zumindest einem Signal einer Unfallsensorik aufweist, um aus den erfassten Merkmalen (M1, M2, M3) einen Merkmalsvektor zu bilden. Nachfolgend erfolgt in einem zweiten Verfahrensschritt ein Klassifizieren des gebildeten Merkmalsvektors mit Hilfe eines Klassifikators (MSVM) auf der Basis der statistischen Lerntheorie, um den Merkmalsvektor in eine von zumindest drei möglichen Merkmalsklassen (K1, K2, K3) zu klassifizieren. Als dritter Verfahrensschritt ist ein Ansteuern des Sicherheitsmittels (PS1, FDR1) entsprechend einer Ansteuervorschrift (T1, FLIC1, T2, T2, FLIC2) für diejenige Merkmalsklasse (K1, K2, K3) vorgesehen, in die der Merkmalsvektor klassifiziert wurde.

Description

Beschreibung
Titel
Verfahren und Steuergerät zur Ansteuerunq von zumindest einem Sicherheitsmittel
Stand der Technik
Die vorliegende Erfindung bezieht sich auf ein Verfahren zur Ansteuerung von zumindest einem Sicherheitsmittel gemäß Anspruch 1 , ein Steuergerät zur Ansteuerung von zumindest einem Sicherheitsmittel gemäß Anspruch 10, ein Computerprogramm gemäß Anspruch 11 sowie ein Computerprogrammprodukt gemäß Anspruch 12.
Bestehende Auslösealgorithmen für Personenschutzmittel wie Airbags werten eine Bewe- gungsvorgeschichte eines Fahrzeugs nicht oder nur zu unpräzise aus, um eine optimale Auslösung von Sicherheitsmitteln durchzuführen. Bei bestehenden Systemen wird eine Auslöseentscheidung im Wesentlichen auf Basis der Beschleunigungssignale getroffen, die im Falle eines Unfalls auftreten und über Beschleunigungssensoren gemessen werden. Vorausschauende Systeme, wie „PreCrash", versuchen beispielsweise durch RA- DAR- oder LASER-Sensoren die Auslösealgorithmen vorzukonditionieren. Diese Signale werden allerdings bisher nicht oder nur unzureichend mit den Informationen der übrigen im Fahrzeug verbauten Sensoren kombiniert, so dass eine kombinierte Auswertung der Daten aller prinzipiell bereits zur Verfügung stehenden Sensorsignale aus Gründen der Komplexität einer solchen Auswertung derzeit nicht erfolgt.
In Zukunft wird zur Verbesserung der Sicherheit der Insassen eines Fahrzeugs eine Verschmelzung der Auswertung der aktiven und passiven Sicherheitskomponenten erfolgen, welche bisher noch getrennt voneinander arbeiten. Im Zuge dieser Verschmelzung wird die Anzahl der Anforderungen an ein Sicherheitssystem deutlich zunehmen, da die An- • zahl der zu berücksichtigenden Fahrsituationen expoπentiell ansteigen wird. Dieser steigenden Anzahl der zu berücksichtigenden Fahrsituationen sollte durch Kombination und Auswertung möglichst aller im Fahrzeug verfügbaren Signale begegnet werden. Im Gegensatz zu konventionellen Auslösesystemen wäre es günstig, die Vorgeschichte der Bewegung des betrachteten Fahrzeugs zu berücksichtigen und Informationen aus den vor- handenen Sensoren effizient zu nutzen bzw. zu kombinieren. Dies erfordert jedoch derzeit eine sehr aufwändige Schaltungsstruktur zur Auswertung der zur Verfügung stehenden Signale.
In der DE 10 2006 038151 A1 ist eine Vorrichtung und ein Verfahren zur Steuerung von Personenschutzmitteln offenbart, bei der die Auslösung der Personenschutzmittel unter Verwendung einer Support-Vektor-Maschine erfolgt. Die Auswertung eines Unfallsensorsignals erfolgt dabei unter Verwendung von unterschiedlichen Klassifikationsbäumen, bei denen eine binäre Klassifizierung ausgeführt wird. Gegenüber der Technik der "neuronalen Netze" weist die Verwendung der Support-Vektor-Maschine den Vorteil auf, dass zu jedem Klassifizierungsproblem eine optimale Lösung gefunden werden kann, die sich ferner auch relativ einfach ermitteln lässt.
In der Patentanmeldung D E102007027649 wird ein Verfahren und Steuergerät zu Ansteuerung von Personenschutzmitteln offenbart, bei der zur Ansteuerung von Personen- Schutzmitteln ein Entscheidungsalgorithmus zur Auswertung von Merkmalen eines Unfallsensorsignals sowie eine Support-Vektor-Maschine eingesetzt werden, die eine mehrdimensionale Klassifikation von weiteren, zusätzlichen Merkmalen für den Entscheidungsalgorithmus aufbereiten. Dabei wird eine Klassifikation der zusätzlichen Merkmale in zwei unterschiedliche Klassen verwendet.
In beiden Dokumenten ist aber eine weitere Optimierung der Auslösungsentscheidung von Sicherheitsmitteln durch die Auslöseschaltung möglich, um mehrere Signale einer Unfallsensorik (oder daraus abgeleiteter Größen) effizient zu kombinieren und auszuwerten. Auf diese Weise können die bereits in Fahrzeugen verfügbaren Sensorsignale aus einer Vorgeschichte der Fahrzeugbewegung für die Ansteuerung der Sicherheitsmittel noch besser ausgewertet werden.
Beschreibung der Erfindung
Es ist daher die Aufgabe der vorliegenden Erfindung, eine Möglichkeit zur verbesserten Auswertung der zur Verfügung stehenden Sensorsignale zu schaffen.
Diese Aufgabe wird durch ein Verfahren gemäß Anspruch 1, ein Steuergerät gemäß Anspruch 10, ein .Computerprogramm gemäß Anspruch 11 sowie ein Computerprogramm- produkt gemäß Anspruch 12 gelöst. Vorteilhafte Ausgestaltungen der Erfindung sind Gegenstand der Unteransprüche. Die vorliegende Erfindung schafft ein Verfahren zur Ansteuerung von zumindest einem Sicherheitsmittel, wobei das Verfahren folgende Schritte aufweist:
- Erfassen von wenigstens zwei Merkmalen aus zumindest einem Signal einer Unfall- sensorik, um aus den erfaεsten Merkmalen einen Merkmalsvektor zu bilden;
- Klassifizieren des gebildeten Merkmalsvektors mit Hilfe eines Klassifikators auf der Basis der statistischen Lerntheorie, um den Merkmalsvektor in eine von zumindest drei möglichen Merkmalsklassen zu klassifizieren; und
- Ansteuern des Sicherheitsmittels entsprechend einer Ansteuervorschrift für diejenige Merkmalsklasse, in die der Merkmalsvektor klassifiziert wurde.
Die Erfindung basiert auf der Erkenntnis, dass durch eine Klassifikation von Signalmerkmalen eines Unfallsensorsignals in mehr als zwei Klassen' durch einen Klassifikator auf der Basis der statistischen Lerntheorie eine deutliche Verbesserung der Verknüpfungs- möglichkeiten und der schnellen Auswertung von derartigen Signalmerkmalen möglich ist. Diese Optimierung basiert im Wesentlichen darauf, dass durch die verschiedenen Klassen unmittelbar bei der Klassifizierung in mehr als zwei Klassen eine gute Aufbereitung bzw. Trennung der Signalmerkmale erfolgen kann, die eine Signalverarbeitung in einer im Signalpfad nachfolgenden Ansteuereinheit vereinfacht. Da die Klassifikatoren auf der Ba- sis der statistischen Lerntheorie einerseits numerisch effizient und schnell arbeiten als auch andererseits eine große Anzahl von Signalmerkmalen verarbeiten können, lässt sich durch Verwendung solcher Klassifikatoren auch eine große Menge von bereits im Fahrzeug zur Verfügung stehenden Unfallsensorik-Signalen optimal auswerten. Hierdurch wird die gewünschte Verschmelzung der aktiven und passiven Sicherheitssysteme mit ihren entsprechenden Sensoren beschleunigt.
Insbesondere kann bei der Verwendung von mehr als zwei Merkmalskiassen eine Unfall- Klassifizierung eines Zusammenstoßes von Fahrzeugen besser und vor allem genauer als im Stand der Technik erfolgen. Damit. wird eine präzisere Reaktion des Fahrzeugssi- cherheitssystems auf den Zusammenstoß zweier Fahrzeuge oder bereits vor einem solchen Zusammenstoß zweier Fahrzeuge realisierbar. Hierdurch wird es möglich, durch ein exaktes Hinzuschalten der für einen jeweils erkannten Unfalltyp erforderlichen Sicherheitsmittel genau die geeignete Gegenmaßnahme gegen ein solches Unfallszenario einzuleiten. Gemäß einer vorteilhaften Ausführungsform der Erfindung umfasst das Klassifizieren mit Hilfe des Klassifikators auf der Basis der statistischen Lemtheorie das Verwenden einer Mehrklassen-Support-Vektor-Maschine. Die Verwendung einer solchen Mehrklassen- Support-Vektor-Maschine bietet eine exzellente Auswahl für einen schnellen, numerisch oder schaltungstechnϊsch effizienten und vor allem präzise arbeitenden Klassifikator auf der Basis der statistischen Lerntheorie.
In einer weiteren Ausführungsform der Erfindung kann das Ansteuern des Sicherheitsmittels entsprechend einer Ansteuervorschrift für eine erste Merkmalsklasse das Aktivieren eines Personenschutzmittels umfassen. Ferner kann auch das Ansteuern des Sicherheitsmittels entsprechend einer Ansteuervorschrift für eine zweite Merkmalsklasse das Aktivieren einer Fahrdynamik-Unterstützungssteuerung umfassen. Hierdurch wird vorteilhaft sichergestellt, dass die aus einem einzelnen Unfallsignal extrahierten Merkmale für unterschiedliche Sicherheitsfunktionen in einem Fahrzeug verwendet werden, so dass eine Verschmelzung der aktiven und passiven Sicherheitskomponenten in dem Fahrzeug durch den hier vorgeschlagenen Ansatz vereinfacht wird. Zugleich wird insbesondere durch die Verwendung der Mehrklassen-Support-Vektor-Maschine eine schnelle und präzise Klassifikation erreicht, die eine Reduktion des rechentechnischen bzw. schaltungstechnischen Aufwandes für den Betrieb der entsprechenden Auslöseeinheit der einzelnen Sicherheitsmitte! im Fahrzeug ermöglicht.
Günstig ist es auch, wenn das Ansteuern des Sicherheitsmittels ferner unter Verwendung von zumindest einem Merkmal des Merkmalsvektors oder eines weiteren Merkmals aus einem Signal der Unfallsensorik erfolgt. Hierdurch kann das eine Merkmal aus dem Merkmalsvektor selbst oder das Merkmal des Signals aus der Unfallsensorik in einem physikalischen Kernalgorithmus verwendet werden, der eine Rückfallebene bei der An- steuerung des entsprechenden Sicherheitsmittels bildet. Auf diese Weise wird ermöglicht, dass eine Auslösung auch bei einer Fehlfunktion des genannten Klassifikators zuverlässig erfolgt, wobei durch den vorstehend beschriebenen Klassifikator dann speziell eine Ver- besserung und/oder Präzisierung der Auslösung des entsprechenden Sicherheitsmittels realisierbar ist. Dies bedeutet bei der Implementierung dieser Ausführungsform der Erfindung einen ausschließlichen Zugewinn an Sicherheit.
Weiterhin ist es vorteilhaft möglich, dass beim Klassifizieren ein Klassifikationsfunktions- wert ermittelt wird und dass das Ansteuern des Sicherheitsmittels unter Verwendung des
Klassifikationsfunktϊonswerts erfolgt. Dies stellt eine weitere Verfeinerung des Klassifikati- onsergebnisses dar, da nun nicht nur eine Klasse als solches, sondern auch eine Differenzierung der Auslösung innerhalb einer Klasse möglich ist. Eine solche Differenzierung an Hand des Klassifikationsfunktionswertes ermöglicht dann eine noch präzisere Steuerung des entsprechenden Sicherheitsmittels, z.B. durch eine abgestufte Ansteuerung von verschiedenen Airbagstufen.
Gemäß einer anderen Ausführungsform der vorliegenden Erfindung kann das Ansteuern des Sicherheitsmittels entsprechend einer Aπsteuervorschrift erfolgen, die auf einem Entscheidungsschwellwert basiert. Hierdurch wird eine sehr einfache und numerisch bzw. schaltungstechnisch einfach umsetzbare Ansteuerungsvorschrift implementiert, so dass lediglich Komponenten mit geringer Komplexität zur Realisierung der Erfindung gemäß dieser Ausführungsform zu verwenden sind.
Weiterhin kann auch im Schritt des Ansteuems die Ansteuervorschrift entsprechend einer von der Merkmalsklasse abhängigen Veränderungsvorschrift verändert werden. Durch eine solche Veränderung der Ansteuervorschrift in Abhängigkeit von der bestimmten
Merkmalsklasse kann auf einfache und vor allem sehr schnelle Weise die Ansteuerung des Sicherheitsmittels veranlasst werden. Hierdurch lässt sich durch Verknüpfung und einfache Modifikation der üblicherweise schon in einem Fahrzeug vorhandenen Sicher- heitsmittel bzw. deren Komponenten ein deutliches Plus an Insassen-Sicherheit bei dem
Betrieb dieser Siehe rheits mittel erzielen.
Speziell kann im Schritt des Ansteuems in Anhängigkeit von der Merkmalsklasse eine Erhöhung oder Verringerung des Entscheidungsschwellwerts erfolgen oder der Entschei- dungsschwellwert durch einen zweiten Entscheidungsschwellwert ersetzt werden. Durch diese einfach zu implementierende Änderung der Ansteuervorschrift lässt sich sehr gut die Sicherheit der Insassen eines Fahrzeugs durch Klassifikation eines Merkmalsvektors in mehrere (speziell mehr als drei) Klassen verbessern. Dabei sind durch das Abändern oder Auswechseln des Entscheidungsschwellwertes ebenfalls nur geringe Änderungen an der Struktur des entsprechenden Sicherheitsmittels bzw. dessen zugehöriger Auslöseschaltung erforderlich.
In einer anderen Ausführungsform der Erfindung kann das Klassifizieren auf der Basis von Klassengrenzen zwischen den Merkmalsklassen erfolgen, die aus einem Speicher geladen werden. In diesem Fall wird eine Klassifikator beispielsweise im Labor des Herstellers vortrainiert und an hand von Unfallszenarien bzw. -Simulationen bereits optimal eingestellt, worauf dessen trainierte Parameter dann in einem Speicher abgespeichert werden. Als Resultat wird ein Klassifikator erhalten, der im Betrieb schnell und präzise arbeitet, da eine aufwändige Adaption der Einstellungen des Klassifikators während dem Betrieb nicht mehr erforderlich ist.
Um die erfindungsgemäßen Vorteile zu realisieren, kann in einer weiteren Ausführungsform der Erfindung auch ein Steuergerät zur Ansteuerung von zumindest einem Sicherheitsmittel vorgesehen sein, das folgende Merkmale umfasst:
- wenigstens eine Schnittstelle, die ausgebildet ist, um von wenigstens zwei Merkmalen aus zumindest einem Signal einer Unfallsensorik einen Merkmalsvektor zu bilden; - eine Auswerteschaltung, die ausgebildet ist, um den gebildeten Merkmalsvektor mit Hilfe eines Klassifikators auf der Basis der statistischen Lerntheorie in eine von zumindest drei möglichen Merkmalsklassen zu klassifizieren; und - eine Ansteuereinheit, die ausgebildet Ist, um das Sicherheitsmittel entsprechend einer Ansteuervorschrift für diejenige Merkmalsklasse anzusteuern, in die der Merkmalsvektor klassifiziert wurde.
Auch durch diese Ausführungsvariante der Erfindung in Form einer Vorrichtung kann die der Erfindung zugrunde liegende Aufgabe schnell und effizient gelöst werden. Insbesondere durch die Kombination der Verwendung eines Klassifikators auf der Basis der statistischen Lerntheorie mit der Möglichkeit, den Merkmalsvektor in eine von zumindest drei Merkmalsklassen zu klassifizieren, wird eine präzisere, schnellere und damit cjegenüber dem Stand der Technik verbesserte Auswertung der zur Verfügung stehenden Sensorsig- nale möglich.
In einer weiteren Ausführungsform der Erfindung ist ein Computerprogramm vorgesehen, das alle Schritte des Verfahrens gemäß einer der vorstehend beschriebenen Ausführungsformen ausführt, wenn es auf einem Steuergerät abläuft. Dieses Computerpro- gramm kann ursprünglich in einer Programmterhochsprache geschrieben sein und wird dann in einen maschinenlesbaren Code übersetzt.
Von Vorteil ist auch ein Computerprogrammprodukt mit Programmcode, der auf einem maschinenlesbaren Träger wie einem Halbleiterspeicher, einem Festplattenspeicher oder einem optischen Speicher gespeichert ist und zur Durchführung des Verfahrens nach ei- nem der vorstehend beschriebenen Ausführuπgsformen verwendet wird, wenn das Programm auf einem Steuergerät ausgeführt wird.
Kurze Beschreibung der Zeichnungen
Die Erfindung wird nachstehend anhand der beigefügten Zeichnungen beispielhaft näher erläutert. Es zeigen:
Fig. 1 ein Blockschaltbild eines ersten Ausführuπgsbeispieis der vorliegenden Erfindung als in einem Fahrzeug verbaute Einheit;
Fig. 2 ein Blockschaltbild eines zweiten Ausführungsbeispiels der vorliegenden
Erfindung; Fig. 3 ein Blockschaltbild eines dritten Ausführungsbeispiels der vorliegenden
Erfindung; Fig. 4 ein Blockschaltbild eines vierten Ausführungsbeispiels der vorliegenden
Erfindung; und Fig. 5 ein Ablaufdiagramm eines fünften Ausführungsbeispiels der vorliegenden
Erfindung.
Gleiche oder ähnliche Elemente können in den nachfolgenden Figuren durch gleiche oder ähnliche Bezugszeichen versehen sein. Ferner enthalten die Figuren der Zeichnungen, deren Beschreibung sowie die Ansprüche zahlreiche Merkmale in Kombination. Einem Fachmann ist dabei klar, dass diese Merkmale auch einzeln betrachtet werden oder sie zu weiteren, hier nicht explizit beschriebenen Kombinationen zusammengefasst werden können.
In Figur 1 ist ein Blockschaltbild eines ersten Ausführungsbeispiels der vorliegenden Erfindung dargestellt. Mit Hilfe dieses Blockschaltbilds wird das erfindungsgemäße Steuergerät SG mit angeschlossenen Komponenten näher erläutert. In einem Fahrzeug FZ ist das Steuergerät SG angeordnet, welches mit verschiedenen Komponenten verbunden ist. Beispielhaft sind vorliegend nur die für das Verständnis der Erfindung notwendigen Komponenten außerhalb als auch innerhalb des Steuergeräts dargestellt.
An das Steuergerät SG sind verschiedene Unfallsensoren angeschlossen, wie beispiels- weise eine Körperschallsensorik KS, eine Beschleuniguπgssensorik BS1 , eine Drucksen- sorik DS und eine Umfeldsensorik US. Weitere Sensoren, wie eine Fahrdynamiksensorik und/oder Dreherratensensoren usw., können zusätzlich oder anstatt der vorstehend beschriebenen Sensoren angeschlossen sein. Verschiedene Einbaupositionen im Fahrzeug FZ sind hierfür dem Fachmann bekannt. Die Körperschallsensorik KS und die Beschleu- nigungssensorik BS1 sind an einer ersten Schnittstelle IF1 des Steuergeräts SG ange- schlössen, wobei die Schnittstelle 1F1 die Signale der Auswerteschaltung μC zuführt, welche gemäß dem ersten Ausführungsbeispiel als Mikrocontroller μC ausgestaltet ist. Alternativ kann die Auswerteschaltung μC ein anderes Element mit einer Datenverarbeitungsfunktionalität wie beispielsweise ein allgemeiner Mikroprozessor, ein digitaler Signalprozessor DSP, ein anwendungsspezifischer integrierter Schaltkreis ASIC (ASIC = applicati- on specific integrated circuit = anwenderspezifischer integrierter Schaltkreis) oder ein programmierbarer Logikbaustein FPGA (FPGA = field programmable gate array ~ vor-Ort programmierbarer Logikbaustein) sein. Eine zweite Schnittstelle IF2, an die beispielsweise eine Luftdrucksensorik DS und die Umfeldsensorik US angeschlossen sind, stellt diese Signale der Auswerteschaltung μC bereit. Die Luftdrucksensorik DS kann auch in den Seitenteilen des Fahrzeugs eingebaut sein und soll dann als Seitenaufprallsensierung dienen. Die Umfeldsensorik US kann verschiedene Umfeldsensoren wie Radar, LlDAR, Video oder Ultraschall umfassen, um das Umfeld des Fahrzeugs FZ bezüglich Kollisionsobjekten zu analysieren. Der Mikrocontroller μC enthält von einer Beschleunigungssenso- rik BS2 innerhalb des Steuergeräts SG über eine steuergeräte-interne Schnittstelle weite- re Sensorsignale. Weitere Sensoren können sich innerhalb des Steuergeräts SG befinden und über entsprechende Schnittstellen an den Mtkrαcontroller μC Signale abgeben. Dazu zählen Fahrdynamiksensoren und/oder Körperschallsensoren.
Die Schnittstellen empfangen die Signale der Unfallsensorik, extrahieren bestimmte Merkmale aus diesem Unfallsensorsignal wie einer Beschleunigung, einem Integra! davon, einer Drehzahl, etc. und kombinieren eine bestimmte Anzahl dieser Merkmale zu einem Merkmalsvektor. Beispielsweise kann das Signal ein Beschleunigungssignal sein und eine der Schnittstellen daraus durch einfache Integration die Geschwindigkeit bestimmen und dann aus der Beschleunigung und aus der Geschwindigkeit einem zwei- dimensionalen Merkmalsvektor bilden, welcher der Auswerteschaltung, speziell dem Klassifikator, zur Verfügung gestellt wird.
Im Mikrocontroller μC ist ein Klassifikator auf der Basis der statistischen Lerntheorie angeordnet, der nachfolgend noch näher erläutert wird. Diesem Klassifikator wird der Merk- malsvektor zugeführt, wobei der Klassifikator auch einen mehrdimensionalen Merkmalsvektor, je nachdem wie viele Merkmale in die Klassifikation eingehen sollen, verarbeiten kann. Durch den Klassifikator wird der Merkmalsvektor in eine von zumindest drei Merkmalsklassen K1, K2 oder K3 eingeteilt. Diese Merkmalsklassen charakterisieren dabei beispielsweise unterschiedliche Unfalltypen bzw. Unfaiischweren, so dass für jeden Unfalltyp bzw. für jede Unfallschwere die Ansteuerung von entsprechend geeigneten Sicher- heitsmitteln erfolgen kann. Beispielsweise kann die Aktivierung eines ersten Personen- schutzmitteis PS1 in der Form eines Airbags durch die erste Ansteuerschaltung FL1C1 erfolgen, wenn der Klassifikator im Mikro Controller μC den Merkmalsvektor in die Merkmalsklasse K1 klassifiziert hat. Analog kann ein zweites Personenschutzmittel PS2 (beispielsweise ein Gurtstraffer) durch eine zweite Ansteuerschaltung FLIC2 aktiviert werden, wenn der Klassifikator im Mikrocontroller μC den Merkmalsvektor in die zweite Merkmalsklasse K2 eingeordnet hat. Für den Fall, dass der Klassifikator im Mikrocontroller μC den Merkmalsvektor in die dritte Merkmalsklasse K3 eingeordnet hat, kann über eine dritte Ansteuerschaltung FL1C3 eine Fahrdynamik-Regelung FDR (wie beispielsweise eine ESP-Regelung) aktiviert werden. Diese Übertragung kann, wenn sie über den SPI-Bus (SPI = serial peripheral interface bus) geschieht, besonders abgesichert sein. Diese Aktivierung der entsprechenden Ansteuerschaltungen kann dabei sehr einfach erfolgen, indem beispielsweise durch die Klassifikation in eine (Merkmals-JKIasse K1 , K2 oder K3 nur eine (binäre) Ein-/Aus-Akti vierung der entsprechenden Ansteuerschaltung erfolgt, welche schnell und unaufwändig auswertbar ist.
Das Steuergerät SG weist vorliegend ein Gehäuse auf, das aus Metall und/oder Kunststoff gefertigt sein kann. Der Mikrocontroller μC weist selber einen internen Speicher auf, kann aber auch auf externe Speicher, die sich ebenfalls im Steuergerät SG befinden, zugreifen. In dem Speicher können auch Klassengrenzen abgelegt sein, die beispielswei- se in einem Vortraining des Klassϊfikators im Labor bestimmt wurden, wie es nachfolgend näher dargestellt wird..Unter Verwendung dieser Klassengrenzen kann der Klassifikator im Mikrocontroller μC den Merkmalsvektor sehr schnell und einfach realisierbar in die unterschiedlichen Merkmalsklassen K1 , K2 oder K3 einteilen.
Es ist möglich, dass mehr oder weniger als die dargestellten Sensoren verwendet werden. Die Kommunikation der Schnittstellen IF1 und IF2 zum Mikrocontroller μC kann beispielsweise über den steuergeräteinternen Bus SPI geschehen. Der SPI-Bus kann auch für die Kommunikation zwischen dem Mikrocontroller μC und den Ansteuerschaltungen FLIC1 , FL1C2 und FLIC3 verwendet werden. Die Ansteuerschaltungen FLIC1, FLlC 2 und FLIC3 bestehen vorliegend aus einem oder mehreren integrierten Schaltkreisen, die beispielsweise Leistungsschalter aufweisen und im Ansteuerfall eine Bestromung der Zünd- oder Ansteuerungselemente der Personenschutzmittel PS1 oder PS2 bzw. des Fahrdynamik- Reglers FDR ermöglichen. Auch diese Personenschutzmittel PS1 oder PS2 bzw. der Fahrdynamik-Regler FDR können verschiedene Ausprägungen aufweisen, die aus einem oder mehreren integrierten Schaltkreisen und/oder diskreten Bauelementen bestehen.
Für den Einsatz in der vorliegenden Erfindung kommen speziell Klassifikatoren auf der Basis der statistischen Lerntheorie in Betracht, die einen Merkmalsvektor in eine von zumindest drei Merkmalsklassen unterteilen. Auf diese Weise gelingt es, die Vielzahl der zu berücksichtigenden Signale und Signalkombinationen mittels eines automatisierten Ver- fahrens auszuwerten. Die automatische Auswertung ermöglicht dabei, dass die Signalkombinationen auf Grund des begrenzt handhabbaren Datenumfangs nicht mehr ausschließlich von tatsächlich gefahrenen Fahrtests resultieren sollten (wie beispielsweise den standardisierten Crashhailentests EuroNCAP,...), sondern in zunehmendem Maße auch Ergebnisse von Fahrdynamik- und FEM-Simulationen (FEM = Finite-Elemente- Modell) verarbeitet werden können. Würde keine automatische Auswertung verwendet, wäre die Vielzahl der zu berücksichtigenden Sigήalkombinationen nicht zu handhaben. Somit kann durch die Abbildung eines Real-World-Safety-Entwicklungsprozesses vorteilhaft die automatische Auswertung beliebiger simulierter Unfallsituationen erfolgen, wodurch ein noch besseres Training des Klassifikators möglich wird.
Weiterhin ist anzumerken, dass durch die Klassifikation des Merkmalsvektors in eine von mehr als zwei Merkmalsklassen eine detailliertere Auswertung der Merkmale von Unfallsignalen erfolgt, als dies im Stand der Technik möglich ist. insbesondere durch die automatisierte Auswertung der Vorgeschichte einer Fahrzeugbewegung in einer sehr frühen Unfailphase können auf Basis der fein abgestuften Klassifikation der Merkmale eines Unfallsignals in viele Merkmalsklassen zum Beispiel unterschiedliche Zweige der weiteren Algorithmusabarbeitung durch die Merkmalsklassen-basierte Ansteuerung aktiviert werden. Durch die vorteilhafte frühe Klassifikation der Merkmale eines Unfallsignals und der entsprechend schnellen Ansteuerung der geeignetsten Sicherheitsmittel wird dadurch einerseits die Reaktionszeit der Sicherheitsmittel reduziert und andererseits werden nur diejenigen Sicherheitsmittel angesteuert, die tatsächlich von der aktuellen Fahrsituation betroffen sind. Hierdurch werden Ressourcen geschont.
Durch die Möglichkeit einer Kombination von Merkmalen einer Vielzahl von zur Verfügung stehenden Unfallsignalen kann weiter auch eine Abbildung von bzw. Reaktion auf Fahrsituationen erfolgen, die von aktiven und passiven Sicherheitskomponenten hervorgerufen wurden. Zusätzlich lässt sich der Klassifikator einfach durch Verwendung von Simulationsdaten auf von Kunden verlangte Gefahr- und Unfallsituationen abstimmen. Die Verwendung von maschinenlembasierten Verfahren reduziert weiterhin die Applikationszeit deutlich, so dass auch Traiπingsläufe mit umfangreichen Signalkombinationen zum Trai- ning des Kiassifikators in einem Labor in realistischer Zeit durchführbar sind. Gegenüber Klassifikatoren aus dem Stand der Technik kann daher der vorgeschlagene Klassifikator wesentlich besser trainiert werden, was sich bei dessen Einsatz vorteilhaft in einer präziseren Auswahl der richtigen Merkmalsklasse für einen vorgegebenen Merkmalsvektor auszeichnet.
In der vorliegenden Erfindung wird als Klassifikator auf der Basis der statistischen Lerntheorie speziell eine Mehrklassen-Support-Vektor-Maschine (MSVM) eingesetzt, da eine solche Mehrklassen-Support-Vektor-Maschine wie auch eine Support-Vektor-Maschine stets eine optimale Lösung liefert und eine geringe Tendenz zur Spezialisierung (d. h. zum Auswendiglernen der trainierten Daten) zeigt.
Eine genaue Funktionsweise einer Support-Vektor-Maschine (SVM) als Grundlage der Mehrklassen-Support-Vektor-Maschine kann zum Beispiel aus der Patentanmeldung DE102007027649 entnommen werden. Weitere Informationen zu SVMs finden sich auch in der einschlägigen Literatur (z.B. Cristianini, NeIIo and Shawe-Taylor, John: „An intro- duction to support vector maschines and other kernel-based learning methods" oder Hastie: „The elements of Statistical learning"). Zur Vermeidung von Redundanzen soll an dieser Stelle auf eine detaillierte Beschreibung der Funktionsweise von SVMs verzichtet werden.
Im Gegensatz zu konventionellen Support-Vektor-Maschinen, die zwischen zwei Klassen
(beispielsweise bei der Unfalldiskriminierung zwischen einer Merkmalklasse „Fire" zur Aktivierung eines Sicherheitsmittels und einer Merkmalsklasse „NoFire" zur NichtAktivierung des entsprechenden Sicherheitsmittels oder zwischen den Merkmalsklasseπ „ODB7DNichtODBH (ODB = offset deformable barrier) unterscheidet, ist die Mehrklassen- Support-Vektor-Maschine (MSVM) in der Lage, mehrere Klassen, speziell mehr als 3 Klassen, zu unterscheiden. Die MSVM ist ebenfalls ein maschinenlernbasiertes Verfahren der Klasse der statistischen Lerntheorie, bei dem durch paarweise Vorgabe von Merkmalsvektoren und zugehöriger Klasse der Klassifikator trainiert wird. Auf das Training ei- ner solchen MSVM wird nachfolgend noch näher eingegangen. Der konkrete Einsatz eines Klassifikators auf der Basis der statistischen Lerntheorie ist in Figur 2 als Blockschaltbild-Darstellung eines zweiten Ausführungsbeispiels der vorliegenden Erfindung kurz skizziert. Hierbei kann der Klassifikator, der beispielsweise im Mikro- controller μC angeordnet ist, Merkmale M1 und M2 von Unfallsignalen (beispielsweise bezüglich einer Raddrehzahl, einer Gierbeschleunigung, einem Integral der Längsbeschleunigung oder einem Überdeckungsgrad eines Vorunfall-Sensors (PreCrash- Sensors)) empfangen und wird derart trainiert, dass die einzelnen Merkmalsklassen K1 bis KN unterschiedliche Fahrzeugzustände (wie beispielsweise „Schleudern", „Frontcrash", „leichter Seitencrash-Softcrash",...) abbilden. Dementsprechend können unter- schiedliche Ansteuerschaltungen bzw. Algorithmenteile oder Ansteuervorschriften zur Ansteuerung von Sicherheitsmitteln aktiviert werden. Beispielsweise kann bei Klassifikation des Merkmalsvektors aus den Merkmalen M1 und M2 in die Merkmalsklasse K1 ein erster Teilalgorithmus T1 als Auslösealgorithmus im MikroController μC aktiviert werden, der über eine Ansteuerschaltung FLIC für einen Front-Airbag dann das Personenschutz- mittel PS1 in Form von Zündpillen, rev. Restraints (rev. Restraint = reversibles Rückhaltemittel) oder Ähnliches aktiviert. Denkbar wäre auch eine separate Auslöseschaltung, in der die Funktionalitäten des ersten Teilalgorithmus T1 und. der Ansteuerschaltuπg FLIC implementiert sind, die durch die Klassifikation der Merkmale M1 und M2 in die erste Klasse K1 aktiviert wird und die ihrerseits das Personenschutzmittel PS1 aktiviert.
Analog kann bei einer Klassifizierung des Merkmalsvektors in die Merkmalsklasse K2 ein zweiter Teilalgorithmus T2 im Mikrocontroller μC aktiviert werden, der seinerseits die Ansteuerschaltung FLIC zur Ausführung einer Softcrash-Funktionalität aktiviert, welche ihrerseits dann einen Fahrdynamik-Regler FDR1 in Form einer Bremsvorgabe aktiviert. Auch hier kann evtl. wieder eine separate Komponente zur Realisierung des zweiten Teilalgorithmus T2 und der Funktionalität der FLIC eingesetzt werden.
Entsprechend kann bei Klassifikation des Merkmalsvektors in eine dritte Merkmalsklasse ein dritter Teüalgorithmus, der in Figur 2 nicht explizit dargestellt ist, aktiviert werden, der dann über die Ansteuerschaltung FLlC, hier in Form einer Regeleinheit, zur Verbesserung der Fahrzeugdynamik einen zweiten Fahrdynamik-Regler FDR2 zum radselektiven Bremsen bzw. Lenken ansteuert.
Wird der Merkmalsvektor durch den Klassifikator in eine vierte Merkmalsklasse eingeteilt, kann ein vierter Teilalgorithmus, der in Fig. 2 ebenfalls nicht dargestellt ist, aktiviert werden. Dieser vierte Teilalgorithmus kann über die Ansteuerschaltung FLIC eine Auslösung des zweiten Personen Schutzmittels PS2, z.B. eines Seitenairbags, einleiten, so dass das zweite Personenschutzmittel PS2 dementsprechend Zündpillen oder rev. Restraints ansteuert.
Erfolgt die Klassifikation des Merkmalsvektors beispielsweise in eine weitere Merkmalsklasse KN, kann ein EPP- Algorithmus (EPP = Electronic Pedestrian Protection = Fußgängerschutz-Algorithmus) als entsprechender n-ter Teiialgorithmus TN aktiviert werden, durch welchen über die Ansteuerschaltung FLIC ein weiteres Personeπschutzmittel PS3 in Form von Zündpillen oder rev. Restraints angesteuert wird.
Auch ist es möglich, dass entgegen der Darstellung aus Figur 2 für die einzelnen Personenschutzmittel PS1 , PS2 bzw. PS3 oder die einzelnen Fahrdynamik-Regler FDR1 bzw. FDR2 jeweils separate Ansteuerschaltungen FLIC1 , FLIC2, ... vorgesehen werden, wie dies bereits vorstehend kurz angeschnitten wurde und mit Bezug zu Figur 4 noch näher dargestellt wird.
Die Darstellung aus Figur 2 lässt sich auch für eine Klassifikation des Merkmalsvektors in beliebig viele (aber mehr als drei) Merkmalsklassen fortsetzen, wobei dann über die Aktivierung eines entsprechend passenden Teilalgorithmus und die Ansteuerschaltung FLlC geeignete Sicherheitsmittel aktiviert werden. Durch die Auslegung des Klassifikators zur Klassifikation des Merkmalsvektors in zumindest drei Merkmalsklassen wird es somit möglich, aus den Merkmalen von einem oder mehreren Unfallsignalen präzise diejenigen Teile eines Sicherheitssystems eines Fahrzeugs zu aktivieren, die genau in der aufgetretenen Fahrsituation benötigt werden. Eine aufwändige Abarbeitung aller verfügbaren Al- gorithmenteile des Sicherheitssystems bzw. eine ständige Aktivierung aller Ansteuer- schaltuπgen kann damit entfallen.
Figur 3 zeigt ein drittes Ausführungsbeispiel der vorliegenden Erfindung als Blockschaltbild-Darstellung, wobei zur Verdeutlichung der Wirkungsweise der Erfindung speziell ein einzelner Teilalgorithmus T der in Figur 2 dargestellten Teilalgorithmen T1 bis TN dargestellt ist. Die Erfindung kann jedoch auch nur unter Verwendung eines einzelnen Teilalgorithmus T eingesetzt werden, so dass nicht mehrere Teilalgorithmen benötigt werden. Bei dem in Figur 3 dargestellten Ausführungsbeispiel wird als Klassifikator eine Mehrklassen- Support-Vektor-Maschine MSVM im Mikrocontroller μC verwendet, welche mit den Merk- malen M1, M2 und M3 beaufschlagt wird. Diese Merkmale können beispielsweise aus einem Unfallsignal erzeugt werden, wie es zu Figur 2 vorstehend mit Bezug auf die Rad- drehzahlsignale, die Gierbeschleunigung, die Fahrzeugbeschleunigung, etc. oder deren Integrale ausgeführt wurde. Der Klassifikator MSVM kann die Merkmale M1, M2 und M3 in eine erste, zweite bzw. dritte Merkmalsklasse K1, K2 oder K3 einteilen und führt diese dem Teilalgorithmus T zu, welcher eine Ansteuerschaltung FLIC1 aktiviert. In Kombination mit der Ansteuerschaltung FLIC1 und dem Teilalgorithmus T ist somit numerisch und/oder schaltungstechnisch eine Ansteuervorschrift realisiert, mittels welcher, ansprechend auf die Unfallsignal-Merkmale M4 und M5, das Persoπeπschutzmittel PS1, beispielsweise ein Airbag, aktiviert wird. Der Teilalgorithmus T kann derart ausgelegt sein, dass er eine phy- sikalisch-basierte Kernschwelleπentscheidung implementiert, deren Entscheidungs- schwellwert durch die Merkmalsklassen K1 , K2 oder K3 beeinflusst wird. Dabei erfolgt die Auslösung bzw. Aktivierung des Personenschutzmittels PS1 ansprechend auf die Unfallsignal-Merkmale M4 und M5, die jedoch mit einem oder mehreren der Eingangsmerkmale M1 bis M3 identisch oder von diesen abgeleitet sein können.
Die Beeinflussung des Entscheidungsschwellwertes kann in einem Abschlag oder Zuschlag entsprechend einer Abänderungsvorschrift für die jeweils ausgewählte Merkmalsklasse K1 bis K3 bestehen. Auf diese Weise wird sichergestellt, dass auch bei einer möglicherweise fehlerhaften Klassifikation immer das Personenschutzmittel PS1 durch den Teilalgorϊthmus T mit der darin implementierten physikalisch-basierten Kernschwellenent- Scheidung (wenn auch nicht optimal aber dennoch) aktiviert wird.
Nachdem Mehrklassen-Support-Vektor-Maschinen, wie zuvor ausgeführt, ein lerπbasier- tes Verfahren implementieren, kann die Klassifikation nach dem Training auf der Basis einer mathematischen Beziehung wie beispielsweise der nachfolgenden Gleichung erfol- gen
f(x) = ∑y/ -<V/c(xi,x)+ö .
/=i
Hierbei sind die Variablen y(r ctj und b Ergebnisse des Trainings bzw. k(xι, x) die verwen- dete trainierte Kern-Funktion der Mehrklassen-Support-Vektor-Maschine. Das Ergebnis dieser Klassifikationsfunktion entspricht dabei der im Klassifikator bestimmten Klasse, wobei beispielsweise ein reeller, d.h. nicht-binärer Klassifikationsfunktionswert von 3,1 der Merkmalsklasse K3 entspricht, die alle Klassifikationsfunktionswerte zwischen 3,0 und 3,9 umfasst. Der Teilalgorithmus T in Figur 3 kann dann durch eine (binäre) Ein-/Aus^ Aktivierung des Signalpfades für die Merkmalsklasse K3 erfolgen. Alternativ kann auch zur Aktivierung die Übertragung des präzise ermittelten Klassifikationsfunktionswert von 3,1 an den Teilalgorithmus T erfolgen, wodurch sich beispielsweise eine quantitativ exaktere Erhöhung bzw. Reduktion des Entscheid ungsschwel! wertes in der Ansteuervorschrift des Teilalgorithmus durchführen lässt. Entsprechendes gilt auch für die Übertragung von Klassifikationsfunktionswerten für die Merkmalsklassen K1 und K2, wobei gegebenenfalls noch eine Verstärkung der jeweiligen Klassifikationsfunktionswerte durch die Verstärker V1 bis V3 möglich ist, um Störungen auf den Signalleitungen weitestgehend zu kompensieren bzw. zu überdecken.
Figur 4 zeigt ein viertes Ausführungsbeispiel der vorliegenden Erfindung in einer Blockschaltbild-Darstellung. Gemäß dem in Figur 4 dargestellten Ausführungsbeispiel ist wieder ein Klassifikator in Form einer Mehrklassen-Support-Vektor-Maschine MSVM in einem MikroController μC vorgesehen, dem Merkmale M1 bis M3 von einem oder mehreren Unfallsignalen zugeführt werden. Die Merkmale M1 bis M3 werden in dem Klassifikator MSVM (oder über eine vorgeschaltete integrierte Schnittstelle) zu einem Merkmalsvektor M verknüpft und dieser in eine der Merkmalsklassen K1 bis K3 klassifiziert. Jede dieser Merkmalsklassen K1 bis K3 dient zur Ansteuerung eines Teüalgorithmus T1 bis T3, welche jeweils wieder mit den Merkmalen M4 und M5 eines Unfallsignals beaufschlagt werden. Entsprechend den Ausführungen zum vorstehend in Figur 3 dargestellten Ausfüh- rungsbeispiel können die Merkmale M4 und/oder M5 wieder mit einem oder mehreren der Eingangsmerkmale M1 bis M3 des Kiassifikators MSVM identisch oder von diesen abgeleitet sein.
In den Teilalgorithmen T1 bis T3 kann jeweils eine Ansteuervorschrift in Form einer physi- kaiischen Kernschwellenentscheidung implementiert sein, wobei durch die Klassifizierung des Merkmalsvektors in eine der Merkmalsklassen K1 bis K3 ein Umschalten zwischen verschiedenen Kernschwellen in den unterschiedlichen Teilalgorithmen T1 bis T3 möglich ist. Beispielsweise kann in dem ersten Teilalgorithmus T1 ein erster Entscheidungsschwellwert implementiert sein, wobei der erste Teilalgorithmus T1 durch die Klassifikati- on des. Merkmalsvektors in die Merkmalsklasse K1 aktiviert wird. Bei Aktivierung des ersten Teilalgorithmus T1 kann über die erste Ansteuerschaltung FLIC1 ein Personenschutzmittel PS1 wie zum Beispiel ein Airbag aktiviert werden.
Ferner kann in dem zweiten Teilalgorithmus T2 ein vom ersten Entscheidungsschwellwert unterschiedlicher zweiter Entscheiduπgsschwellwert implementiert sein, wobei der zweite Teilalgorithmus T2 durch die Klassifikation des Merkmalsvektors in die Merkmalsklasse K2 aktiviert wird. Der zweite Teilalgorithmus verwendet zur Auslösung eines Sicherheitsmittels ebenfalls wieder die Merkmale M4 und M5 und implementiert ebenfalls wieder eine physikalisch-basierte Kernschwellenentscheidung. Wird der Merkmalsvektor in die dritte Merkmalsklasse M3 klassifiziert, kann der dritte Teilalgorithmus T3 aktiviert werden, der eine dritte physikalisch-basierte Kernschwellenentscheidung mit einem weiteren Entscheidungsschwellwert unter Verwendung der Merkmale M4 und M5 implementiert. Dabei kann wieder durch die Auswertung eines übertragenen Klassifikatioπsfunktionswerts für die zweite und dritte Merkmalsklasse K2 bzw. K3 der Entscheidungsschwellwert im zweiten bzw. dritten Teilalgorithmus T2 und T3 verändert werden.
Der zweite Teilalgorithmus T2 und der dritte Teilalgorithmus T3 können über eine gemeinsame zweite Ansteuerschaltung FL1C2 eine Fahrdynamik-Regelung FDR1, beispielsweise eine Ansteuerung einer ESP-Funktion aktivieren. In diesem Fall lässt sich beispielsweise durch einen Vergleich der beiden Ansteuersignale des zweiten und dritten Teilalgorithmus T2 und T3 für das erste Personenschutzmittel PS1 entsprechend einer vordefiπierten Vorgabe eine Plausibilisierung der Aktivierung dieses Schutzmittels PS1 ermöglichen. Wenn beispielsweise der zweite Entscheiduπgsschwellwert niedriger als der dritte Entscheidungsschwellwert ist, muss ein Fehler vorliegen, wenn der zweite Teilalgorithmus T2 signalisiert, dass ein Wert aus den betrachteten Merkmalen des Unfallsignals unter dem zweiten Entscheiduπgsschwellwert liegt aber der dritte Teilalgorithmus T3 signalisiert, dass der Wert aus den betrachteten Merkmalen des Unfallsignals über dem dritten Entscheiduπgsschwellwert liegt.
Die erste und zweite Ansteuerschaltung FLIC1 und FLIC2 können auch gemeinsam in einer Ansteuerschaltung implementiert sein, wie dies entsprechend in Figur 2 dargestellt ist. Die einzelnen Teilalgorithmen können ebenfalls gemeinsam im MikroController μC oder auf separaten Signalverarbeitungsbausteinen ausgeführt werden. Weiterhin kann bei Klassifikation des Merkmalsvektors in die erste Merkmalsklasse K1 der erste Entscheidungsschwellwert beispielsweise aus einer Look-Up-Tabelle oder einem Speicher in den ersten Teilalgorithmus geladen werden. Analog kann bei der Klassifikation des Merkmalsvektors in die zweite Merkmalsklasse K2 der zweite Entscheidungsschwellenwert aus einer Look-Up-Tabelle oder einem Speicher in den zweiten Teilalgorithmus geladen werden und bei einer Klassifikation des Merkmalsvektors in die dritte Merkmalsklasse K3 der dritte Entscheidungsschwellwert aus der Look-Up-Tabelle oder einem Speicher in den dritten Teilalgorithmus geladen werden. Je nach auftretender Unfallschwere, die sich durch die Klassifikation des Merkmalsvektors in eine entsprechende Merkmalsklasse aus- zeichnet, kann dann die Fahrdynamik-Regelung FDR1, beispielsweise ein automatischr Bremsregler, unterschiedlich stark (beispielsweise in verschiedenen Stufen) über die Aktivierung des zweiten bzw. dritten Teilalgorithmus T2 und T3 angesteuert werden, wie dies in Figur 4 dargestellt ist.
Somit wird ersichtlich, dass durch die vorstehende Beschreibung verschiedene Ausgestaltungen der Erfindung offenbart sind, die sich für einen Fachmann in bekannter Weise auch beliebig kombinieren lassen, um die erfindungsgemäßen Vorteile bestmöglich zu realisieren. Es kann zum Beispiel eine Kombination der Ausführungsbeispiele aus den Figuren 2 und 4 implementiert werden. In der Figur 1 ist eine solche Ausführung durch die beiden gestrichelten Linien wiedergegeben, bei der entsprechend dem Ausführungsbeispiel aus Figur 4 der MikroController μC mehrere Ansteuersignale, die aus unterschiedlichen Teilalgorithmen gewonnen werden, zu einer einzelnen Ansteuerschaltung liefert (gestrichelte Linie zwischen dem Mikrocontroller μC und der ersten Ansteuerschaltung FLIC1 ) oder dass entsprechend Figur 2 eine Ansteuerschaltung mehrere Schutzmittel aktiviert (gestrichelte Linie zwischen der zweiten Ansteuerschaltung FLIC2 und dem ersten Personenschutzmittel PS1). Eine Beaufschlagung eines einzigen Teilalgorithmus mit mehreren Klassifikaiionssignalen gemäß dem Ausführungsbeispiel aus Figur 3 ist in der Figur 1 nicht explizit dargestellt; es ist für einen Fachmann Jedoch offensichtlich, dass auch diese weitere Kombination der offenbaren Ausführungsbeispiele einfach zu implementieren ist.
Speziell bei den in Figuren 3 und 4 dargestellten Ausführungsbeispielen der vorliegenden Erfindung wird nicht mehr nur eine binäre Klassifikationsentscheidung ausgegeben, son- dem zwischen mehreren Merkmalsklassen unterschieden. Dies ist vorteilhaft, da es bei der Klassifizierung eines Unfalls wünschenswert ist, zwischen verschiedenen Unfalltypen unterscheiden zu können und es häufig nicht präzise genug ist, am Ausgang eines Klassi- fikators bzw. einer Ansteuerschaltung lediglich eine binäre „Fire7„No Fire"-Entscheidung zur Auslösung der entsprechenden Personenschutemittel zu bekommen. Auf Basis des detaillierter klassifizierten Unfalltyps lässt sich die UnfaNschwere besser bestimmen und damit die Ansteuerung, beispielsweise der entsprechenden Zündmittel, verbessern. Abhängig vom Klassifikationsergebnis können gezielt die in der aktuellen Fahrsituation benötigten Komponenten eines Fahrzeugsicherheitssystems hinzugeschaltet werden, um beispielsweise eine Kernschwelle in einer Ansteuereinheit genauso zu verändern, dass für den klassifizierten Unfalltyp die Auslöseanforderungen erfüllt sind. Dies entspricht im Wesentlichen dem in Figur 3 dargestellten Ausführungsbeispiel. Denkbar ist jedoch auch, dass auf Basis des Klassifikationsergebnisses unterschiedliche Look-Up-Tabellen für die entsprechende Kernschwelle geladen werden, dass also de facto zwischen auf die jeweiligen Unfalltypen abgestimmten Kernschwellen hin- und hergeschaltet wird. Dies wird im Wesentlichen im in Figur 4 dargestellten Ausführungsbetspiel umgesetzt.
Weiterhin ist es denkbar, dass auf der Basis des Klassifikationsergebnisses spezielle Funktionen hinzugeschaltet werden. Wird beispielsweise ein FuIlFrontal-Unfall (d.h. ein Unfall ohne Überlappung gegen eine nicht-deformierbare Barriere) klassifiziert, so kann die sogenannte Niedrig-Risiko-Funktion gestartet werden, um gegebenenfalls die Unter- drückung einer zweiten Airbagstufe zu veranlassen. Zu diesem Zweck kann es also beispielsweise nötig sein, zwischen Unfaliklassen (d.h. Merkmalsklassen) K1=„ODB", K2=Λ2T" und K3=„FullFrontal" zu unterscheiden, wobei die Klasse „AZT" einen „Nicht- Auslöse-Crashtest gegen eine starre Barriere" kennzeichnen soll.
Auf die vorstehend vorgeschlagene Weise ist es möglich, extrem schnell und numerisch bzw. schaltungstechnisch sehr einfach aus einer Vielzahl von Unfallsignal- Merkmalskombinationen die beste Reaktion eines Fahrzeugsicherheitssystems auf eine aktuelle Fahrsituation sicherzustellen. Wie aus der vorstehend aufgeführten Gleichung entnommen werden kann, ist diese numerisch nicht aufwändig zu berechnen und stellt somit für moderne Datenverarbeituπgskomponeπten keine große Herausforderung dar, was für die Implementierung einen großen Vorteil darstellt.
Ein wichtiger Aspekt ist jedoch das Training des in der vorgeschlagenen Erfindung verwendeten Klassifikators. Im Gegensatz zur konventionellen Support-Vektor-Maschine (SVM), die nur zwischen zwei Klassen (und zum Beispiel bei der Unfalldiskriminierung zwischen „Fire" und „No Fire" unterscheidet) ist die Mehrklassen-Suppαrt-Vektor- Maschine (MSVM) in der Lage, mehrere, speziell mehr als zwei, Merkmalsklassen zu unterscheiden. Die Mehrklassen-Support-Vektor-Maschiπe ist ebenfalls ein lerπbastertes Verfahren, wobei durch paarweise Vorgabe von Eingangsmerkmalsvektoreπ mit den zu trainierenden Merkmalen von Unfallsignalen und Ausgangssignalen in Form der jeweils zuzuordnenden Merkmalsklasse der Klassifikator trainiert wird. Dieser errechnet im Training die Support-Vektoren, welche die wichtigsten Datenpunkte der jeweiligen Klasse enthalten. Die Support-Vektoren können als die Stützvektoren einer Trennlinie oder Trennfläche verstanden werden, die die einzelnen Klassen voneinander trennt. Das be- merkenswerte an der Mehrklassen-Support-Vektor-Maschine wie auch an der Support- Vektor-Maschine ist dabei, dass durch Berechnung der Support-Vektoren genau diejenige Trennlinie bestimmt wird, die den maximalen Abstand zu den verschiedenen Klassen hat. Dies ist besonders vorteilhaft, da dies im Fall von Sensorsignalschwankungen die robusteste Trennung der Klassen bedeutet. Weiterhin von Vorteil ist die Tatsache, dass diese optimale Trennlinie immer gefunden wird, was bei anderen maschineπlernbasierten Ver- fahren wie neuronalen Netzen nicht gegeben ist. Das Training findet dabei in einem Labor statt, wobei die gefundenen Support-Vektoren beispielsweise in einem Speicher (wie einem EEPROM eines Airbag-Steuergeräts in Form eines Mikroprozessors) abgelegt werden. Dabei können die vorstehend genannten Variablen der aufgeführten Gleichung im Training ermittelt werden, so dass während der Laufzeit des Algorithmus vor oder im Un- fall der Kiassifikator die Klassifikation des Merkmalvektors mit Hilfe der vorstehend wiedergegebenen (trainierten) einfachen Gleichung durchführen kann.
Als Besonderheit des Trainings einer Mehrklassen-Supporf-Vektor-Maschine ist anzumerken, dass das Training einer solchen letztlich immer auf den Zweiklassenfall reduziert wird, so dass im Wesentlichen zwischen zwei verschiedenen Trainingsvarianten unterschieden wird. Eine erste Trainingsvariante („One versus One") basiert darauf, dass nacheinander jeweils zwei Klassen gegeneinander trainiert werden. Im Fall von 3 Klassen wird somit zunächst die Klasse 1 gegen die Kiasse 2, danach die Klasse 2 gegen die Klasse 3 und hiernach die Klasse 3 gegen die Klasse 1 trainiert. Die erzielten Klassifikati- onsergebnisse werden anschließend kombiniert. Eine zweite Trainingsvariante („One versus Rest") basiert darauf, dass nacheinander immer eine Klasse gegen alle restlichen Klassen trainiert wird. Im Falle von drei Klassen wird somit die Klasse 1 gegen die Klassen 2 und 3, danach die Klasse 2 gegen die Klassen 1 und 3 und hiernach die Klasse 3 gegen die Klassen 1 und 2 trainiert. Die erzielten Klassifikationsergebnisse werden an- schließend ebenfalls kombiniert. Abhängig vom gestellten Problem kann einmal die erste Trainingsvariante und das andere Mal die zweite Trainingsvariante verwendet werden. Auf diese Weise kann durch die automatisierte Berechnung der Trennfläche die Applikationszeit von Zusatzfunktionen zur Auslösung eines Sicherheitsmittels deutlich reduziert werden.
Figur 5 zeigt ein fünftes Ausführungsbetspiel der vorliegenden Erfindung. Hierbei ist die Erfindung als Verfahren 50 zur Ansteuerung von zumindest einem Sich erheits mittel entsprechend der vorstehend dargestellten Vorgehensweise beim Betrieb eines solchen Klassifikators auf der Basis der statistischen Lerntheorie ausgestaltet. Das Verfahren 50 weist einen ersten Schritt 52 des Erfassens von wenigstens zwei Merkmalen M1, M2 aus zumindest einem Signal einer Unfallsensorik auf, um aus den erfassten Merkmalen einen Merkmalsvektor zu bilden. In einem zweiten Schritt 54 erfolgt ein Klassifizieren des gebildeten Merkmalsvektors mit Hilfe eines Klassifikators auf der Basis der statistischen Lem- theorie, um den Merkmalsvektor in eine von zumindest drei möglichen Merkmalsklassen K1 , K2, K3 zu klassifizieren. In einem dritten Verfahrensschritt 56 erfolgt ein Ansteuern des Sicherheitsmittels FDR, PS1 , PS2 entsprechend einer Ansteuervorschrift für diejenige Merkmalsklasse K1, K2, K3, in die der Merkmalsvektor klassifiziert wurde. Durch dieses Verfahren 50 kann auch die Aufgabe der Erfindung gelöst werden, wobei sich die dargestellten vorteilhaften Wirkungen einstellen.
Abhängig von den Gegebenheiten kann das erfindungsgemäße Verfahren in Hardware oder in Software implementiert werden. Die Implementation kann auf einem digitalen Speichermedium, insbesondere einer Diskette, einer CD oder einer DVD mit elektronisch auslesbaren Steuersignalen erfolgen, die so mit einem programmierbaren Computersystem zusammenwirken können, dass das entsprechende Verfahren ausgeführt wird. AH- gemein besteht die Erfindung mit somit auch in einem Computer-Programm-Produkt mit einem auf einem maschinenlesbaren Trägern gespeicherten Programmcode zur Durchführung des erfindungsgemäßen Verfahrens, wenn das Computer-Programm-Produkt auf einem Rechner abläuft. In anderen Worten ausgedrückt kann die Erfindung somit als ein Computer-Programm mit einem Programmcode zur Durchführung des Verfahrens reali- siert werden, wenn das Computer-Programm auf einem Computer abläuft.

Claims

Ansprüche
1. Verfahren (50) zur Ansteuerung von zumindest einem Sicherheitsmittel (FDR, PS1, PS2), wobei das Verfahren (50) folgende Schritte aufweist:
- Erfassen (52) von wenigstens zwei Merkmalen (M1 , M2, M3) aus zumindest einem Signal einer Uπfallsensorik (KS, BS1 , DS, US, BS2), um aus den erfassten Merkmalen (M1, M2, M3) einen Merkmalsvektor zu bilden;
- Klassifizieren (54) des gebildeten Merkmalsvektors mit Hilfe eines Klassifikators (MSVM) auf der Basis der statistischen Lerntheorie, um den Merkmalsvektor in eine von zumindest drei möglichen Merkmalsklassen (K1, K2, K3) zu klassifizieren; und
- Ansteuern (56) des Sicherheitsmittels (FDR, PS1 , PS2) entsprechend einer Ansteuervorschrift (Tϊ, T2, TN, FLIC1, FLIC2, FLIC3) für diejenige Merkmalsklasse (K1 , K2, K3), in die der Merkmalsvektor klassifiziert wurde.
2. Verfahren (50) gemäß Anspruch 1, dadurch gekennzeichnet, dass das Klassifizieren (54) mit Hilfe des Klassifikators (MSVM) auf der Basis der statistischen Lerntheorie das Verwenden einer Mehrklassen-Support-Vektor-Maschine umfasst.
3. Verfahren (50) gemäß einem der Ansprüche 1 oder 2, dadurch gekennzeichnet, dass das Ansteuern (56) des Sicherheitsmittels (PS1, FDR1, FDR2, PS2, PS3; FDR1, PS1) entsprechend einer Ansteuervorschrift (T1, TN, FLiC; T1, FLIC1) für eine erste Merkmalsklasse (K1, KN; K1) das Aktivieren eines Personenschutzmittels (PS1, PS2, PS3; PS1) und das Ansteuern des Sicherheitsmitteis (PS1, FDR1, FDR2, PS2,
PS3) entsprechend einer Ansteuervorschrift (T2, FLIC; T2, T3, FLIC2) für eine zweite Merkmalsklasse (K2; K1) das Aktivieren einer Fahrdynamik-Unterstützungssteuerung (FDR1) umfasst.
4. Verfahren (50) gemäß einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, dass das Ansteuern (56) des Sicherheitsmittels (FDR1, PS1) ferner unter Verwendung von zumindest einem Merkmal des Merkmalsvektors oder eines weiteren Merkmals (M4, M5) aus einem Signal der Unfallsensorik (KS, BS1, DS, US, BS2) erfolgt.
5. Verfahren (50) gemäß einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, dass beim Klassifizieren (54) ein Klassifikationsfunktionswert (f(x)) ermittelt wird und das Ansteuern (56) des Sicherheitsmittels (FDR, PS1, PS2) unter Verwendung des Klas- sifikationsfunktionswerts (f(x)) erfolgt.
6. Verfahren (50) gemäß einem der Ansprüche 1 bis 5, dadurch gekennzeichnet, dass das Ansteuern (56) des Sicherheitsmittels (FDR1, PS1) entsprechend einer Ansteuervorschrift (T1 , T2, T3) erfolgt, die auf einem Entscheidungsschwellwert basiert.
7. Verfahren (50) gemäß einem der Ansprüche 1 bis 6, dadurch gekennzeichnet, dass im Schritt des Ansteuerns (56) die Ansteuervorschrift (T1, T2, T3) entsprechend einer von der Merkmalsklasse (K1, K2, K3) abhängigen Veränderungsvorschrift verändert wird.
8. Verfahren (50) gemäß Anspruch 6, dadurch gekennzeichnet, dass im Schritt des Ansteuerns (56) in Anhängigkeit von der Merkmalsklasse (K1, K2, K3) eine Erhöhung oder Verringerung des Entscheidungsschwellwerts erfolgt oder der Entscheidungsschwellwert durch einen zweiten Entscheidungsschwellwert ersetzt wird.
9. Verfahren (50) gemäß einem der Ansprüche 1 bis 7, dadurch gekennzeichnet, dass das Klassifizieren (64) auf der Basis von Klassengrenzen zwischen den Merkmals- klassen (K1 , K2, K3) erfolgt, die aus einem Speicher geladen werden.
10. Steuergerät (SG) zur Ansteuerung von zumindest einem Sicherheitsmittei (FDR, PS1, PS2), das folgende Merkmale umfasst:
- wenigstens einer Schnittstelle (IF1, IF2), die ausgebildet ist, um von wenigstens zwei Merkmalen (M1, M2, M3) aus zumindest einem Signal einer Unfallsensorik (KS, BS1 , DS1 US, BS2) einen Merkmalsvektor zu bilden;
- einer Auswerteschaltung (μC), die ausgebildet ist, um den gebildeten Merkmalsvektor mit Hilfe eines Klassifikators (MSVM) auf der Basis der statistischen Lern- theorie in eine von zumindest drei möglichen Merkmalsklassen (K1, K2, K3) zu klassifizieren; und
- eine Ansteuereinheit (T1, T2, TN, FLIC1, FLIC2, FLIC3), die ausgebildet ist, um das Sicherheitsmittel entsprechend einer Ansteuervorschrift für diejenige Merkmalsklasse (K1 , K2, K3) anzusteuern, in die der Merkmalsvektor klassifiziert wurde.
11. Computerprogramm, das alle Schritte des Verfahrens (50) nach einem der Ansprüche 1 bis 9 ausführt, wenn es auf einem Steuergerät (SG) abläuft.
12. Computerprogrammprodukt mit Programmcode, der auf einem maschinenlesbaren Träger gespeichert ist, zur Durchführung des Verfahrens (50) nach einem der Ansprüche 1 bis 9, wenn das Programm auf einem Steuergerät (SG) ausgeführt wird.
EP09731577A 2008-04-16 2009-02-16 Verfahren und steuergerät zur ansteuerung von zumindest einem sicherheitsmittel Withdrawn EP2276650A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102008001215A DE102008001215A1 (de) 2008-04-16 2008-04-16 Verfahren und Steuergerät zur Ansteuerung von zumindest einem Sicherheitsmittel
PCT/EP2009/051748 WO2009127453A1 (de) 2008-04-16 2009-02-16 Verfahren und steuergerät zur ansteuerung von zumindest einem sicherheitsmittel

Publications (1)

Publication Number Publication Date
EP2276650A1 true EP2276650A1 (de) 2011-01-26

Family

ID=40584772

Family Applications (1)

Application Number Title Priority Date Filing Date
EP09731577A Withdrawn EP2276650A1 (de) 2008-04-16 2009-02-16 Verfahren und steuergerät zur ansteuerung von zumindest einem sicherheitsmittel

Country Status (5)

Country Link
US (1) US20110153164A1 (de)
EP (1) EP2276650A1 (de)
CN (1) CN102007019A (de)
DE (1) DE102008001215A1 (de)
WO (1) WO2009127453A1 (de)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102008040192B4 (de) 2008-07-04 2020-06-04 Robert Bosch Gmbh Verfahren und Steuergerät zum Ermitteln einer mehrdimensionalen Auslöseschwelle
DE102009001902A1 (de) * 2009-03-26 2010-09-30 Robert Bosch Gmbh Verfahren und Steuergerät zur Ermittlung von Merkmalen zum Treffen einer Auslöseentscheidung eines Insassenschutzmittels eines Fahrzeugs
DE102010027969B4 (de) 2010-04-20 2020-07-02 Robert Bosch Gmbh Verfahren und Vorrichtung zur Bestimmung eines Typs eines Aufpralls eines Objektes auf ein Fahrzeug
US8708366B2 (en) * 2012-05-29 2014-04-29 Ford Global Technologies, Llc Vehicle side impact detection using vehicle yaw
DE102012216529B4 (de) * 2012-09-17 2020-09-17 Robert Bosch Gmbh Verfahren zur Auslösung zumindest eines Personenschutzmittels sowie System und Computerprogrammprodukt zur Durchführung des Verfahrens
JP6088251B2 (ja) * 2013-01-11 2017-03-01 株式会社日本自動車部品総合研究所 車両走行支援装置
JP5817745B2 (ja) * 2013-01-17 2015-11-18 株式会社デンソー 車両事故歴記録装置
DE102013212092B4 (de) * 2013-06-25 2024-01-25 Robert Bosch Gmbh Verfahren und Vorrichtung zum Betreiben einer Fußgängerschutzeinrichtung eines Fahrzeugs, Fußgängerschutzeinrichtung
FR3047951B1 (fr) * 2016-02-22 2019-04-19 Peugeot Citroen Automobiles Sa Dispositif d'analyse de signaux de commande delivres par des moyens de controle d'equipement(s) de securite d'un vehicule
US10671062B2 (en) * 2017-04-19 2020-06-02 Infineon Technologies Ag Testing a crash sensor device during vehicle operation
JP2020532810A (ja) * 2017-09-05 2020-11-12 エムディージーオー リミテッド 車両衝突における乗客の臓器への外傷の評価及び報告のための自動システムと方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07186876A (ja) * 1993-12-27 1995-07-25 Asuko Kk 車両用安全装置のための制御装置
GB2311157B (en) * 1996-03-14 1999-11-03 Autoliv Dev Improvements in or relating to a crash detector
US6535800B2 (en) * 2001-05-29 2003-03-18 Delphi Technologies, Inc. Vehicle rollover sensing using angular rate sensors
US7698036B2 (en) * 2002-03-19 2010-04-13 Automotive Systems Laboratory, Inc. Vehicle rollover detection system
JP2003344196A (ja) * 2002-05-24 2003-12-03 Denso Corp 乗員状態検知方法及び装置
DE10231364A1 (de) * 2002-07-11 2004-01-22 Robert Bosch Gmbh Anordnung zur Ansteuerung von Rückhaltemitteln
ATE411968T1 (de) * 2004-06-22 2008-11-15 Carrelli Elevatori Cesab Sicherheitsvorrichtung für einen gabelstapler
DE102006038151B4 (de) * 2006-08-16 2020-06-10 Robert Bosch Gmbh Verfahren und Vorrichtung zur Ansteuerung von Personenschutzmitteln
GB2442987A (en) * 2006-10-16 2008-04-23 Autoliv Dev Vehicle safety system for detecting a side impact
DE102006049262A1 (de) 2006-10-19 2008-04-30 Robert Bosch Gmbh Verfahren und Vorrichtung zur Ansteuerung von Personenschutzmitteln
DE102007027649B4 (de) 2007-06-15 2015-10-01 Robert Bosch Gmbh Verfahren und Steuergerät zur Ansteuerung von Personenschutzmitteln sowie Computerprogramm und Computerprogrammprodukt

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See references of WO2009127453A1 *

Also Published As

Publication number Publication date
US20110153164A1 (en) 2011-06-23
DE102008001215A1 (de) 2009-10-22
WO2009127453A1 (de) 2009-10-22
CN102007019A (zh) 2011-04-06

Similar Documents

Publication Publication Date Title
EP2276650A1 (de) Verfahren und steuergerät zur ansteuerung von zumindest einem sicherheitsmittel
DE102007027649B4 (de) Verfahren und Steuergerät zur Ansteuerung von Personenschutzmitteln sowie Computerprogramm und Computerprogrammprodukt
DE102006038151B4 (de) Verfahren und Vorrichtung zur Ansteuerung von Personenschutzmitteln
DE102010027969B4 (de) Verfahren und Vorrichtung zur Bestimmung eines Typs eines Aufpralls eines Objektes auf ein Fahrzeug
DE102015212923A1 (de) Automatische Erkennung und Bewertung von Low-Speed-Crashs
WO2018001799A1 (de) Verfahren und vorrichtung zum steuern eines fahrzeugs
DE102011085843B4 (de) Verfahren und Vorrichtung zur Analyse einer Kollision eines Fahrzeugs
EP3994041B1 (de) Verfahren zum betrieb eines kraftfahrzeugs in einer kollisionssituation und kraftfahrzeug
DE102020214032A1 (de) Verfahren und Vorrichtung zum Steuern einer Sicherheitseinrichtung eines Fahrzeugs und Sicherheitssystem für ein Fahrzeug
DE102009002375A1 (de) Verfahren zur Aktivierung und/oder Ansteuerung von mindestens einem Schutzsystem zur Beeinflussung einer Fahrzeugzeugbewegung
EP2167351B1 (de) Verfahren und steuergerät zur ansteuerung von personenschutzmitteln für ein fahrzeug
DE102007030313A1 (de) Verfahren und Steuergerät zur Ansteuerung von Personenschutzmitteln
DE102019133469B3 (de) Verfahren zum Betreiben eines Rückhaltesystems für ein Kraftfahrzeug sowie System zum Durchführen eines derartigen Verfahrens
DE102011087008A1 (de) Verfahren und Vorrichtung zur Ansteuerung von Personenschutzmitteln für ein Fahrzeug bei einem Seitenaufprall
DE102007004345B4 (de) Verfahren und Steuergerät zur Ansteuerung von Personenschutzmitteln
DE102006049262A1 (de) Verfahren und Vorrichtung zur Ansteuerung von Personenschutzmitteln
DE102016209902A1 (de) Verfahren zum Ansteuern einer Personenschutzeinrichtung eines Fahrzeugs und Steuergerät
DE102009000080B4 (de) Verfahren und Steuergerät zum Erkennen eines Fahrzustands eines Fahrzeugs
DE102015224739A1 (de) Verfahren und Vorrichtung zum Auslösen von Fußgängerschutzmitteln und/oder Fußgängerwarnmitteln
EP2229295B1 (de) Verfahren und steuergerät zur ansteuerung von personenschutzmitteln für ein fahrzeug
WO2018114939A1 (de) Verfahren und steuergerät zum fussgàngerschutz für ein fahrzeug
DE102004012916A1 (de) Vorrichtung zur Anordnung von Personenschutzmitteln
DE102007017125A1 (de) Verfahren und Steuergerät zur Ansteuerung von Personenschutzmitteln
DE102006038842A1 (de) Verfahren und Vorrichtung zur Ansteuerung von Personenschutzmitteln
DE102013217934A1 (de) Verfahren, Vorrichtung und Computerprogrammprodukt zur Ansteuerung von Personenschutzmitteln in einem Fahrzeug

Legal Events

Date Code Title Description
PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

17P Request for examination filed

Effective date: 20101116

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO SE SI SK TR

AX Request for extension of the european patent

Extension state: AL BA RS

DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION IS DEEMED TO BE WITHDRAWN

18D Application deemed to be withdrawn

Effective date: 20130829

R18D Application deemed to be withdrawn (corrected)

Effective date: 20130903