JP2010506781A - 乗員保護手段をトリガするための方法および装置、ならびに相応のコンピュータプログラムとコンピュータプログラム製品 - Google Patents

Abstract

乗員保護手段をトリガするための方法ないし装置が提案される。少なくとも１つのインタフェースが設けられており、子インタフェースに事故センサ系が接続される。事故センサ系は少なくとも１つの信号を形成する。前記インタフェースと接続された評価回路（μＣ）を有し、該評価回路は少なくとも１つの信号から特徴の過半数を形成し、当該過半数から特徴ベクトルを形成する。評価回路は特徴ベクトルを距離尺度によってトレーニングデータセットと比較する。評価回路は特徴ベクトルをこの比較に依存して分類する。トリガ回路が設けられており、このトリガ回路は乗員保護手段を、前記評価回路のトリガ信号に依存してトリガする。

Description

本発明は、独立請求の上位概念に記載された乗員保護手段をトリガするための装置および方法、ならびに相応のコンピュータプログラムとコンピュータプログラム製品に関する。

ＤＥ１０３６０８９３Ａ１から、乗員保護手段を制御する方法が公知である。ここでは加速度信号から前移動が検出され、これが少なくとも１つの比較器により閾値と比較され、前移動と減速および制動の関係が調節される。この比較に依存して乗員保護手段が制御される。

ＤＥ１０３６０８９３Ａ１

これに対して、乗員保護手段をトリガするための本発明の方法および装置、コンピュータプログラム、ないしコンピュータプログラム製品は、本発明のトリガ決定部が複数のトリガ関連測定量を１つの特徴ベクトルにまとめ、この特徴ベクトルの類似性を単純に比較することに基づいてトリガが行われるという利点を有する。このために第１のステップで、既知の衝突特性を備えるデータセット（トレーニングデータセット）からの特徴ベクトルが、トリガに関連するクラスに割り当てられる。

種々異なるクラスは種々異なる衝突閾値を代表することができる。第２のステップで、既知の衝突特性を備えない特徴ベクトルが、トレーニングデータセットで求められた特徴ベクトルとの類似性比較によって相応のクラスに割り当てられる。本発明の方法は、クラス割り当ての前記ストラテジーが単純明快であることにより容易に解釈され、最近隣法として文献で公知である。良好な解釈できることは、乗員保護手段をトリガするための従来の方法における高いアプリケーションコストと比較すれば明白である。従来の方法では、多数の専門的知識が入り込み、したがって再現性ないしは解釈性が犠牲になっている。

さらに本発明によれば、高次元の考察が特徴ベクトルの使用により可能である。したがってより良好にクラスに割り当てることができる。特徴ベクトルにまとめられた個々の特徴は、その数によって次元を決定する。

特徴ベクトルをそのクラス帰属性とともにファイルすることは、衝突データをさらに処理することなしに簡単に自動的に行われる。リソースを節約するためには、記憶すべき衝突データのセットを低減すると有利である。データセットの低減のためには、複数の衝突データからもっとも際立つ特徴ベクトルのサブ集合を自動的に選択することのできる方法がある。したがってアプリケーションコストは非常に低い。

特徴ベクトルを相応に選択すれば、クラス割り当てを物理的な測定量および計算量の枠内で行うことができる。

本発明の方法、とりわけ分類に対する測定原理は重要でないから、物理的測定量が異なる種々のセンサを統一的に融合することができる。この測定量に所属するのは、加速度、圧力、固体伝搬音、磁界流、周辺データ、およびその他の可能な測定量である。

本発明の要点は、特徴ベクトルを分類するために距離尺度を使用することである。ここではトレーニングデータセットまでの距離が使用される。この比較に依存して、特徴ベクトルの分類を行うことができ、この分類に基づきトリガ決定を出力することができる。

上に述べたように事故センサ系として複数のセンサを使用することができる。または１つの形式のセンサだけを使用することもできる。

事故センサ系の少なくとも１つの信号から導出される特徴は、例えば加速度信号、前移動、積分加速度、静的データ、絶対値、衝突対象物までの距離、圧力信号、固体伝搬音、および座席占有信号である。別の手段もある。特徴ベクトルは、ｎ次元空間において特徴ベクトルの次元に応じて１つの点を規定する。次に分類のために、この点と各特徴ベクトルの点との距離がトレーニングデータセットから検出される。さらに下には、どのようにトレーニングデータセットと距離尺度を形成することができるか、種々の手段が示されている。分類は、記憶されたトレーニングデータセットまでの距離の検出後に行われる。この分類により、衝突形式、衝突重大性、およびどの乗員保護手段をトリガしなければならないかを予測する。

本発明の装置は、センサデータを記録するための少なくとも１つのインタフェースの他に評価回路を有する。この評価回路は通常はマイクロコントローラである。しかしマイクロプロセッサまたはＡＳＩＣとすることもできる。別の手段もある。トリガ回路は点火回路であり、マイクロコントローラの制御信号に依存して乗員保護手段を点火素子を介してトリガする。インタフェースと装置請求項の他の要素は、通常、制御装置のハウジング内に配置されている。ここでインタフェースは、センサが制御装置のハウジング内に配置されている場合、マイクロコントローラの要素自体とすることができる。

しかしインタフェースは外部センサに接続することもできる。この外部センサは、制御装置の外に配置されており、例えば側面衝突センサ、正面衝突センサ、および周辺センサである。

コンピュータプログラムが、上に示したようにプロセッサまたはマイクロプロセッサとして構成された評価回路上で実行される。コンピュータプログラムは、本発明の方法のすべてのステップを含む。このことはコンピュータプログラム製品に対しても当てはまる。なぜならマイクロコントローラ上で実行されるコンピュータプログラムがメモリ、例えばＥＥＰＲＯＭに記憶されており、機械により読み出し可能なデータ担体、例えばＣＤ、ＤＶＤ、ＵＳＢメモリ、ハードディスクに記憶することができるからである。とりわけ制御装置上のプログラムは乗員保護手段のトリガのために使用される。

従属請求項に記載された手段および態様により、独立請求項に記載された乗員保護手段のトリガ方法の有利な改善形態が得られる。

とりわけそれぞれの特徴を、特徴経過の所定の長さの時間ブロックから求めると有利である。したがって、ブロックがどれほどの長さかであるかはアプリオリに設定される。ここで特徴は連続的特徴経過から、またはブロック終了時の特徴経過から求められる。例えば長さ全体にわたり積分する場合、全体の信号経過が使用される。一方、ブロック終了時の加速度値を使用する場合、この加速度値だけが使用される。

ブロックの長さは、特徴経過の特質が変化しないように設定される。したがって衝突経過のフェーズとは、種々異なるフェーズが１つの特徴ベクトルに入り込まず、エラーのある決定がこの特徴から減算されるように補償されることを意味する。

さらにそれぞれの特徴経過が画像領域内で変換され、それぞれの特徴が画像領域内で決定されると有利である。変換は例えば高速フーリエ変換によって行われる。この高速フーリエ変換により、周波数領域に、すなわち画像領域に移行することができ、時間領域で行うよりも簡単に信号を分析することができる。

有利にはトレーニングデータセットは複数のベクトルを有し、これらのベクトルに分類のためにそれぞれ１つのクラスが割り当てられている。すなわち全体ベクトルのサブセットは、所定のクラスに所属する。ベクトルを基準にして特徴ベクトルの距離が決定され、特徴ベクトルが分類される。この分類は、ｋ番目に最近隣のベクトルの過半数が所属するクラスが選択されるように行われる。したがい多数決決定が行われる。ここで重要なのはパラメータｋである。このパラメータは、ベクトル自体が最適に分類されるように選択される。すなわち適用フェーズでは、トレーニングデータセットの各ベクトルが分類される。ここでは種々異なる値がｋに対してとられる。最適の分類からの偏差が最小であるｋ値は、真の測定値の分類にこれを使用するため維持される。

分類のために、ｋ番目に最近隣のベクトルのクラス平均値を求めることもできる。

しかしトレーニングデータとしてのベクトルの代わりに、クラス境界だけを記憶し、このクラス境界までの距離を求めることもできる。このクラス境界はいわゆる次元面を形成する。このクラス境界は平滑化ないしはフィルタリングすることができる。クラス境界だけを記憶するのではなく、トレーニングデータセットのベクトルも記憶し、このベクトルがクラス境界の境界にあるよう維持することもできる。これに対し、領域の中央にだけ留まるようなベクトルは問題なく削除することができる。

本発明の実施例が図面に示されており、以下で詳細に説明する。

本発明の装置のブロック回路図である。 マイクロコントローラにおけるソフトウェアエレメントの分配を示す。 フローチャートを示す。 特徴分類に対する例を示す。 ２つの異なるクラスを備える２次元空間での分類に対する例を示す。 第１の信号経過線図を示す。 第２の信号経過線図を示す。 時間線図を示す。

本発明によれば距離尺度によって、どのように特徴ベクトルを分類すべきであり、どの形式の衝突が存在しており、または存在していないかが決定される。この距離尺度は有利には、最近隣法のアルゴリズム（ｋ−最近隣アルゴリズム）によって決定される。

ｋ−最近隣アルゴリズムは、既知の所定のクラス帰属性を備えるトレーニングデータセットＴに基づいて、未知の信号を所定のクラスの１つにどのように割り当てることができるかという方法を規定する。したがって、ｋ−最近隣アルゴリズムにより、測定された信号を分類することができる。

このために、トレーニングデータセットからの各エレメントに対して特徴ベクトルＭＶ_ｍが計算される。トレーニングデータセットＴに対しては次式が成り立つ。

Ｔ＝｛ＭＶ_１，ＭＶ_２，．．．，ＭＶ_Ｍ｝
ここでＭは、トレーニングデータセットのエレメント数である。各個々の特徴ベクトルＭＶ_ｍはｄ次元を有する。

ＭＶ_ｍ＝（ＭＶ_ｍ，１，ＭＶ_ｍ，２，ＭＶ_ｍ，ｄ）
したがってトレーニングデータセットＴからの各特徴ベクトルＭＶは、ｄ次元空間の点を表す。そして、クラスを備えるトレーニングデータセットの各特徴ベクトルに対して１つのクラス区分Ｃが存在する。
Ｃ＝｛Ｃ_１，Ｃ_２，．．．．，Ｃ_Ｎ｝、ここでＮはクラスの数である。したがって固定的配属関係 ＭＶ_ｍ→Ｃ_ｎが存在する。

次に、未知のクラス帰属性と同じ次元ｄを備え、トレーニングデータセットの特徴ベクトルと同じ測定方法により得られた未知の特徴ベクトルＭＶ_ｕを、Ｃのクラスの１つに割り当てる。したがってＭＶ_ｕは、トレーニングデータセットからの特徴ベクトルと同じようにｄ次元空間の点を表す。

ＭＶ_ｕのクラス帰属性を決定するために、どのクラスＣ_ｎに、トレーニングデータセットのｋ番目に最近隣の特徴ベクトルの多数が所属しているかが計数される。このクラスは次にＭＶ_ｕに割り当てられる。ここでｋ＝１，２，３，．．．は任意に選択可能である。

この最近隣を決定するために、任意に選択可能な距離尺度が使用される。この距離尺度は例えばユークリッド距離とすることができる。しかし他の既知の距離尺度、例えばマハラノビス距離を使用することもできる。

ｋ＝１が選択される場合、最近隣が未知のデータ点に所属するクラスが自動的に選択される。ｋ＝３の場合、多数決決定が行われる。

択一的に、ｋ−最近隣アルゴリズムは回帰の計算にも使用することができる。

この場合、多数決決定の代わりに平均値が、数値により示されたｋ番目に近隣のクラスから計算される。

衝突状態を分類するためのｋ−最近隣アルゴリズムの説明
衝突状態を分類するためのｋ−最近隣アルゴリズムは次のように構築される。

第１のステップでセンサのデータが記録され、これらのデータがオプションとして前処理される。このようにして例えば加速度信号を一回または二回積分することができ、これにより速度情報または距離情報が得られる。本明細書で言及する他の特徴前処理も考えられる。

次のステップで特徴の経過が、所定の長さの複数の時間ブロック（ＺＢ）に分割される。

次に個々の時間ブロック内のデータから特徴ベクトルＭＶが計算される。特徴ベクトル内のデータは、ブロック内容から選択された特徴である。すなわち、ブロック終了時での加速度の積分値、ブロック内での信号の分散、種々のセンサの加算値間の差等である。データの選択に制限はない。使用されるデータ数は、分類が行われる特徴空間の次数を表す。

前もって実行された適用フェーズでは、トレーニングデータセットが同じ基準で処理され、得られた特徴ベクトルが制御装置に記憶される。付加的に、トレーニングデータセットの各特徴ベクトルＭＶに、そのクラス帰属性の識別子が付される。例としてクラス分けは次のように行うことができる。

例１：
Ｃ１＝ノーファイアクラス
Ｃ２＝ファイアクラス。

例２：
Ｃ１＝トリガ結果なし
Ｃ２＝柔らかい障害物に衝突
Ｃ３＝硬い障害物に衝突。

例３：
Ｃ１＝トリガ結果なし
Ｃ２＝対称的な衝突イベント
Ｃ３＝左衝突
Ｃ４＝右衝突。

例４：
Ｃ１＝衝突重大度１
Ｃ２＝衝突重大度２
Ｃ３＝衝突重大度３
Ｃ４＝衝突重大度４
Ｃ５＝衝突重大度５
Ｃ６＝衝突重大度６。

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

とりわけ例４および５のようにクラスを分ける際には、前記の回帰法を適用することができる。重要なことは、既存のクラスの各々に対してトレーニングデータが存在することである。

付加的にパラメータｋに対する数値がメモリにファイルされる。既存のクラス分類と既存のトレーニングデータセットに対して最適のｋは、例えば以下の計算規則により得ることができる。

ＬＯＯＣＶ（Ｌｅａｖｅ ｏｎｅ ｏｕｔ ｃｒｏｓｓ ｖａｌｉｄａｔｉｏｎ、交差検定）法：
このためにトレーニングデータセット全体が１つを除いて記憶される。残された１つのデータセットは、未知のデータセットと見なされ、分類され、クラス分け精度が記憶される。この方法はすべてのトレーニングデータに対して同じように実行され、種々異なるｋ値に対しても同様に実行される。トレーニングデータセット全体に関して（または別の視点で選択されたサブセットに関して）、最良の分類結果を送出するｋ値が選択される。

さらに距離尺度を設定し、制御装置のμＣに実現しなければならない。

距離尺度として例えば次のものが考えられる（ここでは２つのベクトルに対して（ｘ１， ｘ２， ｘ３，．．．， ｘｌ）と（ｙ１， ｙ２， ｙ３，．．．， ｙｌ）。

・他の距離重み付けを行う他の規準（例えばマハラノビス、シティブロック、チェビシェフ等）も使用することができる。

注意すべきは、距離尺度が方向を基準にして非等方性であり得ることである。ユークリッド距離尺度の場合、これは

となり、ここでａ_ｊは次元ｊに対するスケーリング係数である。
同様のことが他の尺度に対しても実行可能である。

通常動作時に、この目的のために車両に組み込まれたすべてのセンサからデータが記録され、イベントの発生時に前記方法に相応して時間ブロックおよび特徴ベクトルに変換される。次に選択された距離尺度の適用により、ｋ番目に最近隣のクラスがトレーニングデータセットのファイルされている特徴ベクトルから決定される。その結果は、近隣の過半数が所属するクラスに割り当てられる。

特徴ベクトル処理を分類アルゴリズムから分離することは、種々異なるセンサコンセプトの適用の点で従来のコンセプトよりも格段のフレキシビリティを提供する。特徴ベクトル内のデータの物理的意味または所定のセンサへの割り当ては、分類アルゴリズに対しては重要でない。特徴ベクトルは桁ＭＶ_ｘに、圧力センサによる測定から得られたデータを含むことができる。一方、桁ＭＶ_ｙには加速度センサのデータ、またはまったく他の測定原理のデータを含むことができる。ここで測定原理を変更する場合、データの前処理だけをセンサに適合すればよい。本来のｋ−最近隣分類器はデータの内容的意味には依存しないので、変更する必要はない。

択一的変換：
トレーニングデータセットのすべての特徴ベクトルを記憶することは、常に意味のあることではない。一方では必要メモリが場合により非常に大きくなり、他方ではこれら特徴ベクトルの多くは分類に対して有意な貢献をしないからである。

したがって可能である：
トレーニングデータセットの特徴ベクトルを前もって選択することができる。したがって、分類に有意に貢献する特徴ベクトルだけが記憶される。例えば別のクラスへの境界に近い特徴ベクトルである。クラスの中央にある特徴ベクトルは省略することができる。

択一的に、トレーニングデータセットの特徴ベクトルの代わりに、これにより定義されるクラス境界を直接記憶することもできる。このクラス境界は付加的な前処理ステップで計算しなければならない。このことは次のように行うことができる。

特徴ベクトルのｄ次元空間が、適切な分解能の点ラスタに分割される。このラスタ点の各々に対してｋ−最近隣アルゴリズムが適用される。得られた分類はラスタ点に割り当てられる。この処理ステップの終了後、このｄ次元空間内の各ラスタ点にクラスが割り当てられる。クラス境界はｄ次元面をこの空間内で形成する。クラス境界は適切なパラメータ化によって制御装置のメモリにファイルすることができる。アルゴリズムの適用では、測定により決定された特徴ベクトルの位置だけをこの次元面を基準にして検出しなければならない。このことは例えば公知の検索アルゴリズムまたはソートアルゴリズムにより行うことができる（２進検索、ツリー検索等）。これは例えば、Donald E. Knuth著 The Art of Computer Programing; Vol. 1-Nに記載されている。

図１は、本発明の装置のブロック回路図を示す。乗員保護手段をトリガするための制御装置ＳＧが車両ＦＺの中央に配置されている。運動センサが制御装置に配置されていなければ、中央に配置する代わりに他の箇所に配置することもできる。乗員保護手段とは、エアバッグ、シートベルトテンショナ、ロールバー、衝突アクティブなヘッドレスト、外側エアバッグ、ならびにリフト可能なボンネットおよびその他の公知の乗員保護手段であると理解されたい。制御装置ＳＧは重要な構成素子としてマイクロコントローラμＣを有する。マイクロコントローラμＣは、センサデータをインタフェースＩＦ１およびＩＦ２を介して受け取る。これらのインタフェースはＡＳＩＣとして構成されている。ソフトウエアとしての実現も可能である。

インタフェースＩＦ１には加速度センサＢ２と圧力センサＰ１が接続されている。これらのセンサは車両側面に配置されている。簡単にするために、ここでは１つのペアだけが配置されており、対向するペアは図示されていない。インタフェースＩＦ２には加速度センサＢＳ３とＢＳ４ならびにレーダセンサＲが接続されている。制御装ＳＧ内の加速度センサＢ１はマイクロコントローラμＣに接続されている。ここでインタフェースはマイクロコントローラμＣに含まれるか、または加速度センサＢ１に含まれる。マイクロコントローラμＣは信号をトリガ回路ＦＬＩＣに送出する。このトリガ回路は、マイクロコントローラμＣのトリガ信号に依存して乗員保護手段をトリガする。制御装置ＳＧ内の通信はいわゆるＳＰＩ（Serial Peripherial lnterface）バスを介してもっぱら行われる。ここに図示しないさらなるセンサ、例えば座席占有センサ、超音波またはビデオまたはライダーのような他の周囲センサ、他の衝突センサおよび走行ダイナミックセンサも付加的に設けることができ、それらの信号はマイクロコントローラμＣに供給される。制御装置ＳＧは、その動作のためには必要であるが本発明の理解には重要ではない、さらなる構成素子を有する。したがってそれらは簡単にするために省略する。

本発明によれば、マイクロコントローラμＣは事故センサ系の信号から特徴ベクトルを形成し、この特徴ベクトルを、距離尺度を介してトレーニングデータと比較する。これにより特徴ベクトルの分類が可能になり、この分類に依存してマイクロコントローラμＣは、トリガ事例であるのかないのかを知り、トリガ事例の場合はどの乗員保護手段をトリガすべきかを知る。トレーニングデータでのこの割り当ては、すでに適用フェーズで、すなわち制御装置の作動前にそれぞれの車両に対して行われる。

図２は、マイクロコントローラμＣ上に配置された種々のソフトウエアエレメントを可視化して示す。ここではまずソフトウエアモジュールＭＶで特徴ベクトルが形成され、ソフトウエアモジュールＫにより分類が実行され、ソフトウエアモジュールＡＳがトリガ信号を形成する。

図３には本発明による方法のフローチャートが示されている。方法ステップ３００で、特徴ベクトルが事故センサ系の信号から形成される。この特徴ベクトルにより方法ステップ３０１で、分類が実行される。この分類は、トレーニングデータと距離尺度に基づいて比較することにより行われる。ここでの分類は、もっとも小さい距離につながるトレーニングデータが分類を決定するように行われる。次に方法ステップ３０２で、この分類に依存してトリガ信号が形成される。しかし非トリガ事例が存在するという分類結果であればトリガは行われない。

図４は、簡単な二次元の例で分類を示す。特徴ベクトルＭＶは正方形により示されている。この正方形は、相応の次元空間における特徴ベクトルの点を表す。ベクトルＶ１、Ｖ２およびＶ３はクラスＫｌ１に所属し、ベクトルＶ４とＶ５はクラスＫｌ２を形成する。次に分類を実行するための種々の手段について述べる。１つの手段は、特徴ベクトルＭＶまでの距離が最小であるベクトルを、分類に決定的であるとして選択することである。さらに、近隣のベクトルの数、例えば５を設定し、どのクラスが存在するか多数決決定することができる。この場合はクラス１である。なぜならクラス１は３つのベクトルを収納し、一方、クラス２は２つのベクトルしか収納しないからである。すなわちクラス１が過半数である。さらなる手段は、クラス境界までの距離を記録し、最小の距離を選択することである。さらなる手段は、分類の平均値を形成し、これをトリガ信号に至る相応のクラスと結び付けることである。すなわちここでは５つすべてのベクトルが平均されるとすれば、３対２の比でクラス１とクラス２が平均化される。例として距離４００により距離尺度が示されている。上に述べたように、択一的に使用することのできる種々の距離検出方法が存在する。

図５は、２つの異なるクラスを備える２次元空間での分類に対する例を示す。Ｋｌ１は×により、Ｋｌ２は○により示されている。トレーニングデータセットに対して特徴ベクトルがプロットされ、それらの既知のクラス帰属性に相応して示されている。この構成の相応して、例として種々異なるｋ値、ここではｋ値１、５および１７に対するクラス境界が示されている。図から分かるように、個々のトレーニングデータベクトルの直接的な依存関係は、ｋが大きくなると減少する。

場合により次元面は平滑化によりさらに簡素化することができる。これにより実現のためのメモリ容量がさらに低減される。横軸５０には特徴ベクトルの特徴Ｍ１が、縦軸５１には特徴Ｍ２がプロットされている。

図６は、信号流れ図に、本発明の装置の機能ないしは本発明の方法のフローを示す。上の分岐路６０２には、車両動作時における制御装置の目下の測定値の測定値処理が示されている。下の分岐路６１２には、適用フェーズにおけるトレーニングデータの前処理が示されている。これは制御装置が販売される前に行われる。方法ステップ６００で、事故センサ系に所属する事故センサが信号１からＮを形成する。方法ステップ６０１では、前処理、例えばフィルタリング、積分、二重積分、または他の方法ステップが実行される。平均値形成もこれに属する。方法ステップ６０３では、ブロックが時間的に形成される。ここでブロックの時間的長さは、特徴経過の特徴が変化しないように選択される。ブロック形成により得られる特徴から、方法ステップ６０４で特徴ベクトルが決定される。方法ステップ６０５では、特徴ベクトルがアルゴリズムに供給される。このアルゴリズムは最近隣を決定し、このときにトレーニングデータを使用する。分類結果６０６は、トリガ回路を制御すべきか否かの決定のために送出される。トレーニングデータの処理は、方法ステップ６０７でもセンサ値１からＮの形成により開始される。方法ステップ６０８でも同様に、相応の前処理が行われる。ここでも方法ステップ６０９でブロック形成が実行される。次にそこから方法ステップ６１０で、トレーニングベクトルが決定される。トレーニングベクトルは、メモリ６１３のクラス情報６１１と適用フェーズで結合され、これによりどのトレーニングベクトルがどの衝突状況をシミュレートするかを知ることができる。付加的に方法ステップ６１４で、どの距離尺度を採用し、どの値ｋをとるべきかが取り決められる。

トレーニングデータは、目下の記録されたセンサ測定値とまったく同じように処理される。このようにして得られた特徴ベクトルは、制御装置のメモリにファイルされる。さらに付加的に、このトレーニング特徴ベクトルに割り当てられたクラス情報も共に記憶される。ｋに対して所定の値を備えるこの情報に基づいて、ｋ−最近隣アルゴリズムによりオンライン特徴ベクトルの分類が実行される。

図７は、本発明による方法の具体的適用例を示す。ここにも、目下の測定値に関する測定値処理部７００と、前面で行われるトレーニングデータの処理部７０７が図示されている。方法ステップ７０１では、センサ値として制御装置で車両長手方向の加速度が記録され、バンパーの領域に配置されたアップフロントセンサにより同様に加速度値が記録される。方法ステップ７０２では、前処理として積分が行われる。方法ステップ７０３では、１０ｍｓのブロック長によりブロック形成が行われる。方法ステップ７０４では、積分された加速度が特徴ベクトルに配置される。したがいここでは３次元の特徴ベクトルが存在する。このベクトルは方法ステップ７０５でアルゴリズムに供給され、方法ステップ７０６で分類が送出される。トレーニングデータも同様に方法ステップ７０８で、目下の測定値のようなセンサ値によりトレーニングされる。ここでは個々の測定値はすでに特徴付けられている。したがって種々の衝突形式が最終的に成立したこのトレーニングベクトルに割り当てられる。これにはいわゆる誤用事例も属する。すなわちトリガが必要ない場合である。しかしＡＺＴ衝突のように、種々異なる速度で硬い障害物、または変形可能な障害物に衝突する種々の形式、および他の場合がここに記述される。方法ステップ７０９ではセンサ信号が同様に積分され、方法ステップ７１０ではブロック形成が行われる。ここブロックは２つの異なる時間、０から１０ｍｓと、８から１５ｍｓを有する。

次に方法ステップ７１１でトレーニングベクトルが存在する。トレーニングベクトルは、メモリ７１４で７１２からのクラスと結合される。このためにｋに対する値が方法ステップ７１３で、ここではｋ＝５に設定される。このようにしてメモリ７１４には、アルゴリズム７０５に対するすべてが存在する。

７０４に示すように、最大値がブロック形成部からベクトルのために取り出される。すなわち特徴経過の和ではなく最大値が取り出される。このことは方法ステップ７１１でのトレーニングベクトルに対しても当てはまる。ユークリッド距離尺度とパラメータｋ＝５を用いて、測定値の分類がアルゴリズムにより実行される。結果は、トリガイベントを引き起こすか、または非トリガイベントを引き起こすかという情報である。これにより任意の乗員保護手段をトリガすることができる。

図８は、時間軸８００を備える時間線図を示す。ブロックの長さは、１つのブロック内では特徴経過の特性が変化しないように選択すべきである。このことは、観察された特徴経過へモデルパラメータをより良好に適合させる。ブロックの境界は分類の目的によって種々異なるものであるから、アプリケータにより最適のブロック長が求められる。ここでは個々のブロック長が異なる長さを有し、オーバーラップするように選択すると有利である。図８は、３つのブロック長の選択に対する例を示す。

すでに述べたように、特徴前処理の方法および特徴ベクトル獲得の方法はそれ自体非常に多数存在する。例えば以下の方法を適用することができる。

各バリエーションは、入力側に存在する特徴経過を画像領域に変換する。最初の２つのバリエーションＶ１、Ｖ２に対してこれは、特徴経過を入力端でモデルにより近似することのできるパラメータセットである。パラメータを決定するために、ウィーナーフィルタ（Ｖ１）ないしは多項式回帰（Ｖ２）からのアルゴリズムを使用する。Ｖ３では時間ブロックが時間領域から周波数領域に変換される。有利には出力密度スペクトルを推定する方法を使用する。この出力密度スペクトルは、周波数毎の信号出力成分を表し、したがって特徴経過における位相シフトには依存しない。この離散的ウェーブレット変換によって、Ｖ３と同じようにＶ４でも時間ブロックは入力端で時間依存成分と周波数依存成分に分解される。

ここでは文献に記載されているエディティング／コンデンシング法を適用することができる。基本的にこれは、高確率でエラー分類につながるデータ点を反復的に同定し、除去する方法である。ここではトレーニングデータセットの一部がテストデータに使用される。テスト経過でトレーニングデータセットでのｋ−最近隣アルゴリズムによりエラーを送出するデータは除去される。この過程は複数回実行される。

Claims (14)

1. 乗員保護手段（ＰＳ）のトリガのための方法において、以下のステップを有する：
   ・事故センサ系（Ｐ、ＢＳ、Ｒ）の少なくとも１つの信号から特徴の過半数を形成し、該特徴の過半数を１つの特徴ベクトル（ＭＶ）にまとめるステップ、
   ・前記特徴ベクトル（ＭＶ）を距離尺度によりトレーニングデータセットと比較し、前記特徴ベクトル（ＭＶ）の分類を前記比較に依存して行うステップ、
   乗員保護手段（ＰＳ）をトリガするためのトリガ信号を、前記分類に依存して形成するステップ、
   ことを特徴とする方法。
2. 請求項１記載の方法において、
   それぞれの特徴を、特徴経過の所定の長さの時間ブロックから求めることを特徴とする方法。
3. 請求項２記載の方法において、
   それぞれの特徴を前記連続的な特徴経過から、またはブロック終了時の特徴経過から求めることを特徴とする方法。
4. 請求項２または３記載の方法において、
   前記ブロックの長さは、特徴経過の特質が変化しないように設定されることを特徴とする方法。
5. 請求項２から４までのいずれか一項記載の方法において、
   それぞれの特徴経過が画像領域内で変換され、それぞれの特徴が画像領域内で決定されることを特徴とする方法。
6. 請求項１から５までのいずれか一項記載の方法において、
   トレーニングデータセットは複数のベクトルを有し、これら複数のベクトルに分類のためにそれぞれ１つのクラスが割り当てられ、
   ベクトルを基準にして特徴ベクトルの距離が決定され、特徴ベクトルが分類され、
   ｋ番目に最近隣のベクトルの過半数が所属するクラスが選択されることを特徴とする方法。
7. 請求項６記載の方法において、
   値ｋは、ベクトル自体が最適に分類されるように選択されることを特徴とする方法。
8. 請求項１から５までのいずれか一項記載の方法において、
   特徴ベクトルＭＶは、分類のためにｋ番目に最近隣のベクトルのクラスの平均値が決定されるように分類され、
   前記ベクトルはトレーニングデータセットから由来するものであることを特徴とする方法。
9. 請求項１から５までのいずれか一項記載の方法において、
   前記トレーニングデータセットはクラス境界を有し、
   前記特徴ベクトルは、該特徴ベクトルから前記クラス境界までの距離が決定されるように分類されることを特徴とする方法。
10. 請求項９記載の方法において、
    前記クラス境界はフィルタリングされることを特徴とする方法。
11. 請求項１から８までのいずれか一項記載の方法において、
    前記トレーニングデータセットのベクトルはクラス境界に存在することを特徴とする方法。
12. 乗員保護手段（ＰＳ）のトリガのための装置において、
    ・事故センサ系（Ｐ、ＢＳ、Ｒ）を接続することのできるインタフェース（ＩＦ１、ＩＦ２）を有し、前記事故センサ系は少なくとも１つの信号を形成し、
    ・前記インタフェースと接続された評価回路（μＣ）を有し、
    該評価回路は少なくとも１つの信号から特徴の過半数を形成し、当該過半数から特徴ベクトルを形成し、
    前記評価回路（μＣ）は前記特徴ベクトルを、距離尺度によってトレーニングデータセットと比較し、特徴ベクトルを当該比較に依存して分類し、
    ・トリガ回路を有し、
    該トリガ回路は乗員保護手段（ＰＳ）を、前記評価回路（μＣ）のトリガ信号に依存してトリガする、ことを特徴とする装置。
13. 計算装置上で実行される場合に、請求項１から１１までのいずれか１項記載の方法のすべてのステップを実施するコンピュータプログラム。
14. 機械により読み出し可能な担体に記憶されており、制御装置において実行される場合に請求項１から１１までのいずれか１項記載の方法を実施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