JP2010500227A - 人員保護手段の駆動制御方法および人員保護手段の駆動制御装置 - Google Patents

Abstract

人員保護手段（ＰＳ）の駆動制御方法および制御装置が提案される。評価回路によって、少なくとも２つの特徴を有する特徴ベクターが事故センサの少なくとも１つの信号から形成される。評価回路は、少なくとも１つのクラス境界を用いて特徴ベクターを相応の次元に分類する。評価回路は駆動制御信号を形成し、この駆動制御信号に依存して人員保護手段を駆動制御する。

Description

本発明は、独立請求の上位概念に記載されている人員保護手段の駆動制御方法および駆動制御装置に関する。

特許文献１からは、前方への変位距離と閾値の比較に依存して人員保護手段を駆動制御することが既に公知である。閾値は減速および遅延に依存して調整される。減速および遅延が２次元の特徴空間を張り、この特徴空間が閾値によって２つの領域に分割される。これらの２つの領域は人員保護手段の駆動制御にとって重要なクラスを特徴付け、閾値はクラス境界を表す。

DE 103 60 893 A1

発明の概要
これに対し本発明による人員保護手段の駆動制御方法ないし本発明による人員保護手段の駆動制御装置は、クラス境界の使用が１次元、２次元または３次元の特徴空間に限定されていないという利点を有する。殊に、３次元よりも大きい空間における特徴の依存性を使用することができる。クラス属性は非線形関数と特徴値との線形の組み合わせによって決定されている。したがって本方法は制御装置において適切に計算可能である、または再現可能である。本発明による装置または本発明による方法により複雑な分類タスクを非常に良好に解決することができる。本発明による方法は有利にはいわゆるサポートベクターマシン（ＳＶＭ）を使用する。このサポートベクターマシンは統計的な学習理論によって適切に基礎付けられている。クラス境界は分析的に解決可能な最適化問題によって決定されているので、このプロセスを付加的で専門的な知識を必要とせずにマイクロコントローラとして実施することができる計算機械、殊に評価回路によって自動的に実施することができる。利用者、すなわちアプリケーションエンジニアによって調整しなければならないパラメータは僅かにしか存在しない。したがって大きな手間を要することなく、事故識別との関連において種々の分類問題に適合させることができる。本発明による方法の分類品質は非常に高い。クラス境界を発見する際の調整によって、本発明による方法は付加的な自由空間を十分に利用することができる。本発明による方法は高い汎化能力を有する。すなわち、判定方法を適用中に使用されるデータセット（トレーニングデータセット）が過度に最適化され、したがってトレーニングデータセットには含まれていない未知のデータに対して不正確な分類結果が提供される危険は存在しない。従属請求項に記載の発明によれば、特徴ベクターは少なくとも２次元である。分類のために特徴ベクターはクラス境界と比較される。特徴ベクターが相応のクラスにある場合には、特徴ベクターはこのクラスに対応付けられる。

事故センサ系は複数の事故センサ、また種々のタイプの事故センサを含む。事故センサとのインタフェースをハードウェアまたはソフトウェアにより実施することができる。殊に、評価回路においてソフトウェアにより実施されているインタフェース、殊にマイクロコントローラを設けることができる。マイクロコントローラの代わりに、別のプロセッサまたはＡＳＩＣを評価回路として使用することができる。駆動制御回路も集積回路として人員保護手段を駆動制御するための制御装置内に設けることができる。総じて本発明による装置を、人員保護手段を駆動制御するための制御手段として、または人員保護手段を駆動制御するための制御装置内に集積して配置することができる。すなわち後者の制御装置は走行ダイナミクス調整部も駆動制御することができる。

従属請求項に記載されている措置および構成によって、独立請求項に記載されている人員保護手段の駆動制御装置または独立請求項に記載されている人員保護手段の駆動制御方法の有利な改善が可能である。

１つまたは複数のクラス境界を既に前段階で決定することができる。このために有利には、サポートベクターマシン（ＳＶＭ）のデータ指向のモデリング方法を使用することができる。この方法は例えばBernhard SchoelkopfおよびAlex Smole：Learning with Kernels, MIT Press, Cambridge, MA, 2002から公知である。以下ではこの方法を簡単に説明する。

殊に有利には、クラス境界がメモリからロードされる。択一的に、クラス境界を少なくとも１つのトレーニングベクターおよびカーネル関数を用いて決定することができる。この特別なトレーニングベクターはサポートベクターマシンにおいていわゆるサポートベクターである。このサポートベクターは以下に示すように、周辺条件下で求める解について関数の最小値を決定するために使用される。解を決定するために、特徴を直線の形の簡単なクラス境界によって、または高次の入力データにおいては超平面によって（すなわち何れの場合も線形に）分離することができる。後に詳細に説明するように、カーネル関数により特徴を暗示的にそのように線形に分離することができ、このステップを明示的に、したがって高い計算負荷で実施する必要はなくなる。サポートベクターマシンのこの方式は駆動制御アルゴリズムを構成するために効果的且つ再現可能な方式を実現する。したがって複雑な分類タスクを解決することができる。殊にサポートベクターマシン方式により、（従来技術による解決手段においては必要とされる）専門知識は最低限にしか必要とされなくなるか、それどころか全く必要とされなくなる。これによりアルゴリズムもより容易に考察し、解釈することができる。クラス境界（特性曲線）を表すためのリソース要求は低減され、また適用の手間も低減される。

さらに有利には、分類がバイナリに実施される。このような分類は簡単に実施することができ、またツリー構造を使用することにより連続的な改善が行われるクラス分類を実現する。分岐にはそれぞれバイナリの分類子が設けられている。したがって、その種のバイナリの分類子を積み木箱状に構成することによって複雑な分類問題を解決することができる。ツリー内の不必要なバイナリの分類子を省略することによって、本発明による方法または本発明による装置を著しく簡略化することができる。極端な場合には単一のバイナリの分類子に帰する。

有利には、２つまたはそれ以上の同種または異種の分類ツリーを並行して使用することも可能である。これにより一方のツリーは例えば衝突の激しさを決定することができ、また他方のツリーはそれに依存せずに衝突のタイプを決定することができる。これを後に再び結合し、適切な駆動制御を実施することができる。

さらに有利には各ツリーに所定の保護手段が対応付けられている。例えば、第１のツリーにシートベルトテンショナの駆動制御を対応付け、第２のツリーにエアバッグの駆動制御を対応付けることができる。２つのツリーがクラストリガ（Fire）またはクラス非トリガ（NoFire）のみを識別する個々の簡単なバイナリ分類子を使用する場合であっても、このやり方で保護手段の種々の駆動制御を実現することができる。したがって保護手段の駆動制御は分類子によって求められた事故状況に基づき実施される。簡単な分類子トリガ／非トリガの場合、駆動制御信号はクラストリガが識別された際に例えば対応付けられている人員保護手段の即座の起動を指示する。

より多くの要求が課される構成では駆動制御信号は例えば衝突のタイプおよび衝突の激しさに関する情報を共通して使用する。このためにこれら２つのパラメータのあらゆる組み合わせに関する別個の表には起動される人員保護手段の所定の一覧が格納されている。

上記において例示的に説明した方式の他に、２つ以上のクラスを用いる上記の分類問題のうちの１つを解決するために別の方式も使用することができる。Schoelkopfらによる上述の参考文献には、その種のマルチクラス問題を解決することができるさらに別の方法も示されている。それらの方法は文献において「one versus the rest」、「pairwise Classification」、「error correcting output coding」および「multiclass objective functions」の名称で知られている。

事故識別および分類の枠内で生じる特別な問題に関しても、単に所定のクラスのトレーニングデータが提供されるだけである。測定によって決定される１つの特徴ベクターがまさにそのクラスの１つのイベントに属するか否かを識別することがタスクである。これはいわゆる１クラス分類子に対応する。有利にはこれについても本発明による方法、殊にサポートベクターマシンアルゴリズムを使用することができる。典型的にはパラメータＶを介して等級ないし感度を調整することができる。例えば誤用イベントを分類する際にはその種の状況が生じる。誤用イベント、すなわち非トリガケースは車両が破壊される衝突テストよりも実質的に容易且つ廉価に行うことができるので、通常の場合、大量のその種の試験データが存在する。すなわち１クラス分類子により誤用識別システムを構成することができる。すなわち、このクラス以外の全ての特徴ベクターはトリガケースである。

有利には、分類のために連続的な値を形成する回帰を使用することができる。このことは、所定のイベントの連続的な増加を表すクラス分類の場合、例えばクラスが衝突の激しさまたは衝突速度を表す場合には殊に有利である。この利点は、そのような場合にシステムの出力が離散的な数値だけで形成されているのではなく、連続的な値領域からなる実数値から形成されていることにある。相応のやり方も上記のSchoelkopfらによる文献に記載されている。１つまたは複数の数値をやはりテーブルを介して人員保護手段の所定の起動パターンに対応付けることができる。

有利には、少なくとも２つの特徴が少なくとも１つの信号の時間的なブロックから求められる。このために所定の時間、すなわちブロック長にわたり、フィルタリングまたは積分のような事前処理も既に実施されている個々のセンサの信号が関連付けられて考察される。特徴ベクターはこれらのブロック内の信号を特徴付けるパラメータから構成されている。これは例えば、ブロック内の入力データにベクター量子化が適用される場合には、センサデータの平均値、変数または高次モーメント、第１積分、第２積分、ウェーブレット分解の係数、フーリエ分解の係数、コードブックのインデクス値で良い。同様に多項回帰の係数を決定することができる。選択される１つまたは複数の特徴パラメータを１つのステップにおいてブロックの終了時点に決定することができるが、データ、すなわち信号の到来と共に連続的または反復的に決定することもできる。極端な場合には、センサのサンプリング側のブロック長Ｔを補償調整することもできるので、各データブロックにはデータ値が１つだけ包含されており、このデータ値が相応の特徴ベクターに変換される。特徴ベクターは任意の種々のセンシング原理を用いる種々のセンサの相応に処理されたデータも包含することができる。種々のブロックが使用される場合には、それらのブロックは重畳していても良い、もしくは時間的に相互に距離を置いていても良い。

有利には特徴ベクターの使用により、特徴ベクターの特徴を種々のセンサの信号から形成することができる。したがって事故イベントを包括的に記述することができる。

有利には、制御装置、殊にマイクロコントローラのような評価回路において実行されるコンピュータプログラムが設けられている。このコンピュータプログラムをオブジェクト指向の言語または他の周知のコンピュータ言語で記述することができる。殊に、このコンピュータプログラムをコンピュータプログラム製品として、機械により読取り可能なデータ担体、例えばハードディスク、ＥＥＰＲＯＭのような電子メモリに記憶することができるか、磁気光学的がデータ担体または光学的なデータ担体、例えばＤＶＤまたはＣＤに記憶することができる。

本発明の実施例が図面に示されており、以下において詳細に説明する。

本発明による装置のブロック回路図を示す。 マイクロコントローラにおけるソフトウェア構造を示す。 本発明による方法のフローチャートを示す。 本発明による方法のデータシーケンス図を示す。 本発明による方法の別のデータシーケンス図を示す。 ブロック構造を示す。 ツリー構造を示す。

以下では、有利には本発明による方法のために使用することができる、サポートベクターマシンアルゴリズムの基本的な着想を説明する。

ＳＶＭアルゴリズムは最も簡単な場合、バイナリの分類を実施することができる。すなわちデータベクターからなるトレーニングデータセットに基づき未知のデータベクターを２つのクラスのいずれかに分類することができる。２つのクラスは直線の形の簡単なクラス境界によって、または高次元の入力データの場合には超平面によって（すなわちいずれの場合も線形）必ずしも分離できるものではないので、これらのクラスを変換によってそのような分離が可能とされる高次元の特徴空間に写像する必要がある。本来の空間においては、このクラスを分離する超平面はやはり非線形分離面に対応する。

カーネル関数を用いることにより、特徴空間への写像を事前に実施する必要なく、ＳＶＭアルゴリズムはこの分離面を計算することができる。これにより計算能力に対する要求が著しく低減され、多くの場合（殊に高次元の特徴空間を用いる場合）に分類の実施が初めて可能となる。入力データ空間における非線形分離面を如何なる場合にも特徴空間における線形分離面に帰着することができるので、分類方法の汎化能力は良好に生じている。

この方式は文献において詳細に説明されているので（例えば Bernhard SchoelkopfおよびAlex Smola; Learning with Kernels; MIT Press, Cambridge, MA, 2002）、ここでは簡単な概観のみを記す。

簡単なケース：線形に分離可能な２つのクラスが存在する。すなわち直線の形（２次元の特徴空間）、または高次元の特徴空間における平面もしくは超平面の形のクラス境界によって分離可能なクラスが存在する。トレーニングデータセットの特徴ベクターｘ_iの各々をクラス情報ｙ_iと組み合わせデータペアｚ_iに統合することができる２つのクラスは値＋１および−１に対応付けられる。ここで＋１はトリガ衝突（Fire Crash）とし、−１を非トリガ衝突（NoFire Crash）とする。

すなわち、
データペアｚ_i＝（ｘ_i，ｙ_i） ただし１≦ｉ≦１
ここで、
ｙ_i∈{-1,+1}はクラス情報を表し、ｘ_iはそれぞれの多次元特徴ベクターを表す。この場合、２つのクラスの間の線形の多次元分離面（超平面）は以下の形を有する：
ｆ（ｘ）＝Ｗ^τｘ＋ｂ

したがって、次が成り立つ：
ｗ^τｘ_i＋ｂ≧１，ｙ_ｉ＝１（クラス１）の場合
ｗ^τｘ_i＋ｂ≧−１，ｙ_ｉ＝−１（クラス２）の場合
まとめると：
ｙ_i（ｗ^τｘ_i＋ｂ）≧−１

クラス１とクラス２との間の縁ｍ（「マージン（margin）」）が最大（「マージン最大化（maximal margin）」）になる超平面が求められる。この超平面こそが２つのクラスを分離するための最適な超平面であり、最高の汎化特性を有する。

正規化された縁を

と表すことができる。

最大の縁は、関数

が最小になる縁である。

したがってクラス境界の決定は以下のタスクに帰着することができる：
トレーニングデータの正確な分類の周辺条件下で

を最小にすることができる。すなわち：
ｙ_i（ｗ^τｘ_i＋ｂ）≧１，ただし１≦ｉ≦ｌ

これは標準的な問題（周辺条件として線形不等式を用いる２乗関数の最小化）であり、相応の方法で解くことができる。

これはラグランジュ関数として公式化することができる：

カルシュ−クーン−タッカー（ＫＴＴ；Karush-Kuhn-Tucker）の定理に従い、不等式の周辺条件についての以下の付加条件が得られる：
ｗ^＊，ｂ^＊およびａ^＊で表されるｗ，ｂおよびａ_iの最適値に関して次式が当てはまる：
ａ＊（ｙ_ｉ（ｗ^τｘ_ｉ＋ｂ＊）−１）＝０ ただし１≦ｉ≦ｌ
すなわち、ＮＢ（周辺条件）は満たされているか、所属のラグランジュ乗数は０である（ＫＴＴ相補条件）。これは非常に有利な特性である。すなわちこの特性は、そもそも特徴ベクターの一部のみがクラス境界の決定に寄与するので、そのような特徴ベクターの一部、すなわちラグランジュ乗数が０ではない部分のみを考慮すれば良いことを明確に表している。このベクターをサポートベクターと呼ぶ。すなわちこのベクターにおいては最適超平面に関する情報も圧縮された形で存在する。

変形によって最適な超平面に関する解の発見を「双対最適化問題（dual optimization problem）」として公式化することができ、これは指標ベクトルｘiのスカラー積にのみ依存する。

これは２次計画法（quadratic programming）の標準法によって解くことができる。

実際に使用するためには上記の式をさらに展開する必要がある。実際の衝突データセットから形成されたトレーニング特徴ベクターでは、分割することができない、または（測定エラーに起因して）縁の領域内にある点を含ませることが常に可能である。それにもかかわらず解を得るために、その種のエラーを有するトレーニングデータに対する許容差を採用するスラック変数ξをＮＢに導入しなければならない。該当する式は以下の通りである：
ｙ_i（ｗ^Τｘ_i＋ｂ）≧１−ξ_ｉ≧０

最小化すべき関数を

と表すことができ、ここでＣはトレーニングデータ値のクラス境界への影響を制限するノイズパラメータと解する。

双対最適化問題のラグランジュ関数は上記に応じて得られる。

典型的ケース：
線形に分離できるケースは保護手段を駆動制御するためのクラス分類問題では殆ど発生しない。むしろ特徴ベクターは非線形クラス境界によってのみ所属のクラスに分離することができる装置を形成する。この問題はクラスを再び線形に分離することができる高次の特徴空間Ｅへの写像Φ（ｘ）：Ｒ''→Ｅを実施することによって回避することができる。したがって、この場合に解くべきラグランジュ関数は以下の通りである：

従来のスカラー積（ｘ_i，ｘ_j）は特徴空間におけるスカラー積（Φ（ｘ_i），Φ（ｘ_j））に置換される。

ここでＳＶＭの決定的な利点が効果を発揮する。ＳＶＭにおいてはそもそも写像Φ（ｘ）Ｒ''→Ｅは実施されない。その代わりにマーサー（Mercer）のセットから得られるスカラー積の所定の特性が使用される。したがって所定の条件下ではスカラー積（Φ（ｘ_i），Φ（ｘ_j））が同一の結果をもたらすいわゆるカーネル関数ｋ（ｘ_ｉ，ｘ_j）に置換される。これにより高次空間への投影を除外することができ、その代わりに解を直接的に比較的低次元の入力空間において算出することができる。このプロセスを「カーネルトリック」と呼ぶ。カーネル関数（英語：kernels）として例えば以下のことが対象となる：

さらに前述の文献には多数の別の考えられるカーネルが記載されており、それらは全て必要に応じて対象となる。これは簡単な線形のケースと同様に、スラック変数ξ（「slack variable」）がＮＢに導入される分離不可能なクラスのケースに関して有利である。そこに記載されている式は内容的に同一のままである。ここでもまた簡単なやり方で線形周辺条件下での双対最適化問題を解くための標準法の使用によって解を発見することができる。例えばＬＯＱＯまたは同等の方法が該当する。

総じて、ＳＶＭは他の多くの方法のように入力データを基礎とする密度関数の評価を実施するのではなく、いわゆる分類のワーストケースリスクを最小にする。したがってＳＶＭは「ノンパラメトリック方法」のクラスに属する。

以下では、本発明による方法または本発明による装置をどのように実施できるかを例示的に説明する。基本的に、本発明による方法または本発明による装置はオフラインフェーズ、すなわち車両に搭載される前にトレーニングされる。すなわちカーネル、クラス境界またはサポートベクターがトレーニングデータに基づき規定される。この情報が適切な形で制御装置、すなわちメモリに記憶され、本発明による装置または本発明による方法のオンライン動作のための分類子を形成する。サポートベクターおよびカーネル関数が本発明による装置に格納される場合には、本発明による装置はオンラインで上述の式によりクラス境界を決定することができる、またはクラス属性を直接的に算出することができる。もちろんクラス境界を直接的に記憶することも可能である。

基本的にデータ処理は以下のように行われる：先ず、事故センサの信号が記録され、特徴抽出が行われる。続けて本発明による方法を用いて分類が行われ、最後に人員保護手段の駆動制御が実施される。

図１には本発明による装置のブロック回路図が示されている。本発明による装置はここでは例示的に人員保護手段を駆動制御するための制御装置として構成されている。制御装置ＳＧは人員保護手段ＰＳを駆動制御するためだけにコンフィギュレートされている制御装置で良いが、択一的に、一般的な保護手段を駆動制御するための制御装置、また走行ダイナミクス調整部もしくは制動系への介入制御部であることも考えられる。制御装置ＳＧは最も重要な構成要素としてマイクロコントローラμＣを有する。このマイクロコントローラμＣは装置についての独立請求項に記載されている評価回路である。または、別のタイプのプロセッサもしくはＡＳＩＣを使用することも可能である。それどころか離散的に構成されている回路を使用することも可能である。マイクロコントローラμＣはデータ入力側／出力側を介してメモリＳと接続されている。このメモリは不揮発性のメモリまたは揮発性のメモリで良く、通常の場合はいわゆるＲＡＭである。しかしながらこの参照符号Ｓに関して、永続的にデータを記憶させることができる複数のメモリの組み合わせも考えられる。殊にその種のメモリから本発明に従いクラス境界またはカーネル関数およびサポートベクターをロードし、クラス境界を決定することができる。さらにマイクロコントローラμＣには２つのインタフェースＩＦ１およびＩＦ２が接続されている。これらのインタフェースはこの実施例においては離散的な構成部分として構成されている。すなわちインタフェースは集積回路として設けられており、制御装置ＳＧの外部に設けられているセンサからの信号をマイクロコントローラμＣが効率的に処理することができるデータフォーマットに変換する。さらにマイクロコントローラμＣにはデータ入力側を介して、制御装置ＳＧ内に設けられている加速度センサＢＳ１が接続されている。この加速度センサは少なくとも車両の長手軸方向における加速度を検出する。しかしながら通常の場合、この加速度センサＢＳ１は車両の長手軸方向を横断する方向における加速度または長手軸方向に対して斜めの方向における加速度も検出することができる。車両の垂直方向における加速度センサも考えられる。

マイクロコントローラμＣはソフトウェアインタフェースを有し、このソフトウェアインタフェースを介してセンサＢＳ１はマイクロコントローラμＣに接続されている。センサＢＳ１はデータをアナログ形式またはディジタル形式でマイクロコントローラμＣに伝送することができる。通常の場合加速度センサが取付けられており、したがってマイクロメカニカル素子が加速度を検出する。もしくは、別のタイプのセンサ、例えばバルク波センサまたはヨーレートセンサを制御装置ＳＧ内に配置することも可能である。

インタフェースＩＦ１には圧力センサＰと離れて設けられている加速度センサＢＳ２とが接続されている。圧力センサＰは側方の衝突を検出するために有利には車両の側部に配置されている。圧力センサＰは、側部における側方の衝突によって断熱圧縮される空気圧を検出する。これによりその種の側方の衝突を非常に迅速に検出することができる。例えば歩行者の衝突または前部における衝突を検出するために加速度センサＢＳ２を車両前部に取り付けることができる。加速度センサＢＳ２は例えばバンパの裏に取り付けられるか、ラジエータグリルに取り付けられる。付加的または択一的に、加速度センサＢＳ２が車両側部に取り付けられていることも考えられる。したがって加速度センサＢＳ２は側方における衝突を検出するため、またはその衝突の妥当性を検査するために使用される。特定の衝突の種類の検出、もしくはその妥当性の検査に使用するために、加速度センサＢＳ２は同様に種々の方向に応答するものでも良い。

圧力センサＰおよび加速度センサＢＳ２からインタフェースＩＦ１へのデータ伝送は通常の場合ディジタル形式で行われる。センサバスを使用することも可能であるが、この実施例においては電力線データ伝送を用いるポイント・ツー・ポイントコネクションが設けられている。

インタフェースＩＦ２には周囲センサＵが接続されており、この周囲センサＵは車両の周囲に由来するデータを検出する。別の衝突対象物が識別および検出され、また例えば軌道もしくは衝突速度に関して特徴付けられる。周囲センサとしてレーダセンサ、超音波センサ、赤外線センサ、ライダー（Lidar）センサまたはビデオセンサが考えられる。別の外部センサ、例えば乗員センサも考えられる。

マイクロコントローラμＣはこれらのセンサ信号およびセンサの駆動制御アルゴリズムに依存して、人員保護手段ＰＳを起動させるために使用される駆動制御回路ＦＬＩＣを駆動制御する。駆動制御回路ＦＬＩＣは出力段を有し、この出力段は駆動制御信号がマイクロコントローラμＣから到来すると導通接続される。マイクロコントローラμＣの信号を、ここでは明瞭にするために図示していない妥当性検査部または並行評価部の信号を用いて処理するロジックを設けることもできる。人員保護手段は例えばエアバッグ、シートベルトテンショナ、ロールバー、外側エアバッグ、持ち上げ可能なボンネット、ならびに乗員保護または歩行者保護に関して考えられる他の人身保護手段である。これらを火工術的に駆動制御することができるか、例えば電気モータによって可逆性に駆動制御することができる。制御装置ＳＧの機能に関して一般的に必要とされるが、本発明の理解にとっては重要ではない別のコンポーネントはここでは明瞭にするために図示していない。

マイクロコントローラμＣはセンサＢＳ１，Ｐ，ＢＳ２およびＵの信号から特徴ベクターを形成し、例えば記憶されている線形クラス境界に基づき、その特徴ベクターがどのクラスに属するかを決定する。上述したように、クラス境界を動作時にサポートベクターおよびカーネル関数に基づき決定することも可能である。分類に基づきマイクロコントローラμＣは駆動制御信号が形成されるか否か、またどのような内容を有するかを決定する。この駆動制御信号は駆動制御回路ＦＬＩＣに伝送される。制御装置ＳＧ内の伝送は通常の場合いわゆるＳＰＩバスを介して行われる。

図２には、マイクロコントローラμＣが使用する重要なソフトウェアモジュールが示されている。最初に上述のインタフェースＩＦ３が示されており、このインタフェースＩＦ３は加速度センサＢＳ１を使用するためのものである。インタフェースＩＦ３はハードウェアインタフェースＩＦ１およびＩＦ２と同様にセンサ信号を供給する機能を有する。ソフトウェアモジュール２０により特徴ベクターがセンサの信号から形成される。この特徴ベクターは本発明に従いソフトウェアモジュール２１を用いて分類され、この分類に基づきソフトウェアモジュール２２を用いて必要に応じて駆動制御信号が形成され、この駆動制御信号はどの人員保護手段が駆動制御されるべきかを示す。別のソフトウェアモジュールも考えられるが、明瞭にするためにここでは示していない。

図３には、本発明による方法の経過がフローチャートで示されている。ステップ３００においてセンサの信号から特徴ベクターが形成される。この特徴ベクターがステップ３０１において分類され、しかもクラス境界に基づいて分類される。このクラス境界はロードされるか、サポートベクターおよびカーネル関数を用いて決定される。分類に基づきステップ３０２において駆動制御信号が形成され、この駆動制御信号はどの人員保護手段が駆動制御されるべきかを示す。

図４には、本発明による装置の機能およびこの本発明による装置において実施される本発明による方法のシーケンスがデータシーケンス図で示されている。ブロック４０によって個々の処理ステップが表される。処理ステップ４０２においてセンサ４１，４２および４３が信号を形成し、これらの信号は測定データ４８として存在する。これらの信号は例えば生信号であるか、フィルタリングされた信号、積分された信号、導出された信号、平均化された信号または処理された信号であるので、処理ステップ４０３においてはそれらの信号から特徴抽出が実施される。これによりブロック４４によって示されているように特徴ベクター４９が存在する。処理ステップ４０４においてはブロック４６によって分類が実施される。このブロック４６は上述のやり方で特徴ベクターを分類するので、出力側にはクラス情報４００が存在し、このクラス情報４００は続いてブロック４７に供給され、このブロック４７はステップ４０５とみなされ、駆動制御信号４０１を形成する。

図５には、特徴ベクター５０８の形成方法が示されている。センサ５００，５０１および５０２が設けられている。これらのセンサの信号に対してブロック５０３，５０４および５０５において事前処理、例えばフィルタリングまたは積分または他の算術演算が実施される。ブロック５０６，５０７および５０８においては時間的なブロック形成および特徴抽出が行われる。特徴ベクター５０８では抽出された複数の特徴が１つのベクターに配置されている。センサ毎に複数の特徴が存在していても良く、ここでは例えばセンサ１に関して４つの特徴が存在し、センサＮに関して５つの特徴が存在する。センサの数は規定されていないが、少なくとも１つのセンサが設けられていなければならない。センサの取り付け位置も種々に選択することができる。本発明による方法を例えば中央に取り付けられているセンサを用いて実施することができるが、車両の側部、車両の尾部または車両の前部における周囲センサを用いても同様に実施することができる。上述したように、これらの取り付け位置の組み合わせも可能である。センサとして例えば加速度センサ、圧力センサ、バルク波センサ、温度センサまたは他の物理的な測定原理を用いるセンサが対象となる。

測定された個々のデータの特徴ベクターにおける変換は有利には時間ブロックで行われる。複数の特徴ベクターを１つ以上の時間ブロックによって計算することができる。このために図６に示されているように、ここでは参照符号ｂ１，ｂ２およびｂ３が付されているブロック長ｔの所定の時間にわたり、既に十分に所定の事前処理を実施することができる個々のセンサのデータが関連付けられて考察される。上述したように、特徴ベクターはこれらのブロック内の信号を特徴付けるパラメータから構成される。これは例えば、ブロック内の入力データにベクター量子化が適用される場合には、センサデータの平均値、変数または高次モーメント、第１積分、第２積分、ウェーブレット分解の係数、フーリエ分解の係数、コードブックのインデクス値で良い。同様に多項回帰の係数を決定することができる。選択される１つまたは複数の特徴パラメータを１つのステップにおいてブロックの終了時点に決定することができるが、データの到来と共に連続的または反復的に決定することもできる。極端な場合には、センサのサンプリング側のブロック長Ｔを補償調整することもできるので、各データブロックにはデータ値が１つだけ包含されており、このデータ値が相応の特徴ベクターに変換される。特徴ベクターは任意の種々のセンシング原理を用いる種々のセンサの相応に処理されたデータも包含することができる。

分類は特徴ベクターを形成したイベントを所定のクラスに区分するタスクを有する。その種のクラス区分を例えば２つのクラス、すなわちトリガ（Fire）および非トリガ（NoFire）から構成することができる（例１）。この場合にはバイナリの分類子である。しかしながらより厳密に特徴付けられたクラス区分の事故イベントも表すことができる：

例２：
Ｃ₁＝トリガイベント無し
Ｃ₂＝軟性の障害物への衝突
Ｃ₃＝硬性の障害物への衝突

例３：
Ｃ₁＝トリガイベント無し
Ｃ₂＝対称的な衝突イベント
Ｃ₃＝左側における衝突
Ｃ₄＝右側における衝突

例４：
Ｃ₁＝衝突の激しさ１
Ｃ₂＝衝突の激しさ２
Ｃ₃＝衝突の激しさ３
Ｃ₄＝衝突の激しさ４
Ｃ₅＝衝突の激しさ５
Ｃ₆＝衝突の激しさ６
Ｃ₇＝衝突の激しさ７

例５：
Ｃ₁＝０ｋｍ／ｈ〜１０ｋｍ／ｈの衝突速度
Ｃ₂＝１０ｋｍ／ｈ〜２０ｋｍ／ｈの衝突速度
Ｃ₃＝２０ｋｍ／ｈ〜３０ｋｍ／ｈの衝突速度
Ｃ₄＝３０ｋｍ／ｈ〜４０ｋｍ／ｈの衝突速度
Ｃ₅＝４０ｋｍ／ｈ〜５０ｋｍ／ｈの衝突速度
Ｃ₆＝５０ｋｍ／ｈ〜６０ｋｍ／ｈの衝突速度

図７に示されているようなバイナリ分類により、その種の簡単な分類を連続的に実施することができる。分類子レベル７０においては分類子７４により、衝突の激しさの値は４よりも小さいか否かが識別される。小さい場合には分類子７５に進み、この分類子７５は衝突の激しさの値は２よりも小さいか否かを識別する。この分類子７５は分類子レベル７１にある。小さい場合には、ブロック７００に示されているように、分類結果として衝突の激しさ１が識別される。しかしながら大きい場合には、別の分類子レベル７２に進み、分類子７９が衝突の激しさの値は３よりも小さいか否かを識別する。小さい場合には分類結果７０１として衝突の激しさ２が識別され、大きい場合には分類結果７０２として衝突の激しさ３が識別される。しかしながら分類子レベル７０において衝突の激しさの値が４より小さくないことが識別された場合には、分類子レベル７１、ここでは分類子７６に進む。この分類子７６は衝突の激しさの値が６より小さいか否かを検査する。小さい場合には、分類子レベル７２、ここでは分類子７８に進む。この分類子７８は衝突の激しさの値が５より小さいか否かを検査する。小さい場合には分類結果７３、ここではブロック７０３に進み、このブロック７０３が衝突の激しさは４であることを識別する。分類子７８によって衝突の激しさの値は５より小さくないことが識別されると、クラス結果７０４に進み、衝突の激しさは５であることが識別される。分類子レベル７１における分類子７６によって、衝突の激しさの値が６より小さくないことが識別された場合には、分類子７７、ここでは分類子レベル７２に進み、この分類子７７においては衝突の激しさの値が７より小さいか否かが検査される。小さい場合には、分類結果７０５として衝突の激しさは６であることが識別される。しかしながら大きい場合には、分類結果７０６として衝突の激しさは７であることが識別される。これらの値は例示的に示したものに過ぎない。全く別の値を使用することもできる。図７にも示されているように、各分類子レベルにおいて各分岐につき１つの分類子を設ける必要はなく、直接的に分類結果に進んでも良い。

Claims (13)

1. 人員保護手段（ＰＳ）の駆動制御方法において、
   少なくとも２つの特徴を有する特徴ベクターを事故センサ（ＢＳ１，ＢＳ２，Ｐ，Ｏ）の少なくとも１つの信号から形成するステップと、
   少なくとも１つのクラス境界により前記特徴ベクターを相応の次元に分類するステップと、
   前記分類に依存して人員保護手段（ＰＳ）を駆動制御するステップとを有することを特徴とする、人員保護手段（ＰＳ）の駆動制御方法。
2. 前記少なくとも１つのクラス境界をメモリ（Ｓ）からロードする、請求項１記載の方法。
3. 前記少なくとも１つのクラス境界を少なくとも１つのトレーニングベクターおよびカーネル関数により決定する、請求項１記載の方法。
4. 前記分類をバイナリで実施する、請求項１から３までのいずれか１項記載の方法。
5. バイナリの分類のために少なくとも１つの第１のツリーを使用し、該第１のツリーのそれぞれの分岐においてそれぞれバイナリの分類を実施する、請求項４記載の方法。
6. それぞれのツリーに人員保護手段（ＰＳ）が対応付けられている、請求項５記載の方法。
7. 第２のツリーに衝突の激しさが対応付けられており、第３のツリーに衝突のタイプが対応付けられている、請求項５記載の方法。
8. 前記分類に連続的な値を形成する回帰を使用する、請求項１から３までのいずれか１項記載の方法。
9. 前記少なくとも２つの特徴を時間的なブロックから取得する、請求項１から８までのいずれか１項記載の方法。
10. 前記少なくとも２つの特徴を種々の事故センサの信号から形成する、請求項１から９までのいずれか１項記載の方法。
11. 人員保護手段（ＰＳ）の駆動制御装置において、
    事故センサ（ＢＳ１，ＢＳ２，Ｐ，Ｏ）の少なくとも１つの信号を供給する少なくとも１つのインタフェース（ＩＦ１，ＩＦ２，ＩＦ３）を有し、
    少なくとも２つの特徴を有する特徴ベクターを少なくとも１つの信号から形成し、前記特徴ベクターを少なくとも１つのクラス境界によって相応の次元に分類する評価回路（μＣ）を有し、該マイクロコントローラ（μＣ）は前記分類に依存して駆動制御信号を形成し、
    前記駆動制御信号に依存して人員保護手段（ＰＳ）を駆動制御する駆動制御回路（ＦＬＩＣ）を有することを特徴とする、人員保護手段（ＰＳ）の駆動制御装置。
12. 制御装置（ＳＧ）において実行される場合に、請求項１から１０までのいずれか１項記載の方法の全てのステップを実施することを特徴とする、コンピュータプログラム。
13. 機械により読み出し可能な担体に記憶されており、制御装置（ＳＧ）において実行される場合に請求項１から１０までのいずれか１項記載の方法を実施することを特徴とする、プログラムコードを有するコンピュータプログラム製品。

Images