JPH0692199A - 神経回路網による衝突状態予測システム - Google Patents

Abstract

(57)【要約】 【目的】 衝突時にエアバッグを適正なタイミングで展
開させる判定またそのための予測機能を実現する。 【構成】 あらかじめ所定の衝突波形を学習データとし
て中間層を有する第１の神経回路網及び第２の神経回路
網の入力層１に入力し、出力層４に希望出力データを付
与する。これらのデータにより変位予測回路とエアバッ
グ展開識別回路の学習演算を行う。さらに学習完了状態
の神経回路網をもとに衝突時に加速度センサで検知した
衝突波形データを入力し、設定されたしきい値距離到達
時間を前記神経回路網の学習結果に基づき変位予測回路
で外挿予測する。またエアバッグ展開識別回路によるエ
アバッグ展開信号との論理積により衝突状態に応じたエ
アバッグ展開動作を決定する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は神経回路網による衝突状
態予測システムに係り、特に神経回路網にあらかじめ衝
突波形を学習させ、その学習結果に基づいて衝突時にエ
アバッグに代表される搭乗者を防護する手段の動作させ
るか否かを判定するようにした神経回路網による衝突状
態予測システムに関する。

【０００２】

【従来の技術】近年、自動車衝突時における搭乗者の安
全を保持するために種々の技術が開発されてきている。
そのなかでも最近、市販車に広く装備されてきたのがエ
アバッグシステムである。現在開発されているエアバッ
グシステムは、衝突時に膨らんで搭乗者の上半身を受け
止めるバッグ状のクッションと、燃焼反応により窒素ガ
ス等の不活性ガスを発生させることで前記クッションを
ほとんど瞬時に膨らませることのできるインフレータ
と、衝突を検知する車載センサと、この車載センサから
の検知信号をもとにインフレータの発火の可否を判定す
る判定回路とを備えている。

【０００３】ほとんどの場合、上述の車載センサには加
速度センサが使用されている。一般に加速度センサは弾
性体に支持されたマスを有し、このマスに作用する加速
度を検知し、衝突を検知する構造である。また車両に搭
載された加速度センサは、比較的長く持続する衝撃加速
度に対応して、その固有周期を十分短く設定する必要が
ある。

【０００４】急激に衝撃したときの衝突波形の加速度デ
ータは、その波形分布がきわめて複雑で、波形把握が難
しいことが知られている。図８には、加速度データと、
この加速度データを積分して求めた速度カーブと、この
速度カーブを積分して求めた変位カーブとが同時に示さ
れている。同図（ａ）は自動車が１４ＭＰＨ（Miles pe
r Hour）＝２２．５km/hで電柱に衝突した時に得られた
衝突波形である。同図中、αは加速度カーブ、ｖは速度
カーブ、ｄは変位カーブを示している。同図（ｂ）は低
速時（８ＭＰＨ＝１２．８km/h）での各波形を示したも
のである。いずれの波形からも加速度データは時系列振
幅特性が複雑で、系統性が低いことがわかる。このため
収集データの精度を高め、また早いタイミングで衝突を
検知できるようセンサの感度を向上させる開発が進めら
れてきた。

【０００５】しかし、このような目的で開発された高感
度の電子式センサは、従来の加速度センサが行っている
ようにセンサ内のマスを粘性抵抗や慣性モーメントで制
動するという簡易な構造をとれない。またセンサ感度が
敏感すぎてエアバッグの誤動作することもある。そのた
め車体の各部に複数のセンサを配置して各センサからの
出力信号の論理積を求める判定回路や、実車実験により
多数の衝突波形を収集しておき、その実測値をもとに予
測パラメータを算出する予測アルゴリズムからなる判定
回路も提案されている。この種の予測アルゴリズムの一
例として、衝突初期における加速度波形をアナログ・フ
ィルタにより濾波し、所定の積分を行う積分型の予測ア
ルゴリズムがある。この予測アルゴリズムは濾波された
加速度波形が一定の勾配の直線で近似されることを利用
しており、この勾配値をパラメータとして衝突が生じる
か否かの判定がなされる。

【０００６】ところで、現在のエアバッグ装置は、衝突
時に搭乗者の前方位置でエアバッグのクッションを膨張
させることで、搭乗者が前方へ移動してハンドルやシー
ルドウィンドゥ等にぶつかるのをシートベルト装置とと
もに防止することを主目的としている。つまりエアバッ
グ装置のクッションは衝突時に搭乗者が前方に過度に移
動する前に全展開することが必要である。

【０００７】このため衝突後の搭乗者の変位量との関係
において、所定のタイミングでエアバッグを全展開する
ために必要な所要時間の公称基準値としてＴＴＦ（Time
toFire）が提唱されている。このＴＴＦの意味すると
ころを図９を例に説明する。ここで、実験値や実績から
エアバッグＢの展開開始（インフレータの点火開始に一
致すると考えて良い）から全展開までの展開所要時間を
３０ｍｓと仮定する。このときＴＴＦは、衝突時に搭乗
者Ｍの頭部が正常位置から前方に５インチ移動するまで
の間にエアバッグＢを全展開させるのに可能な最適時刻
を示したものと定義できる。すなわち、以上の関係は次
式で示すことができる。 ＴＴＦ＝Ｔ５”−３０（ｍｓ） …（式１） ここで、Ｔ５”：衝突の瞬間から搭乗者の頭部が前方に
５インチ移動するまでに要する時間 したがって、遅くともこのＴＴＦのタイミングにおいて
エアバッグの展開を開始すれば、前方に５インチ移動し
た搭乗者は、全展開したエアバッグで確実に受け止めら
れる。

【０００８】

【発明が解決しようとする課題】ところで、このＴＴＦ
を求めるために、従来の予測アルゴリズムは加速度その
まま基準パラメータとして使用していた。加速度センサ
から得られた加速度データは時系列データの性質とし
て、時間的自己相関がたいへん強い。そのため加速度の
波形を解析用の波形パターンとして取り扱う場合、この
波形パターンの認識に必要となる特徴抽出機能のアルゴ
リズムは相当複雑になる。すなわち、従来のシーケンシ
ャルプログラムでこの種のデータパターン抽出を行わせ
るにはアルゴリズムが複雑になり、また一旦プログラム
が完成したとしても、そのプログラムの機能追加等の仕
様変更等に対する柔軟性及び汎化能力が低い。

【０００９】さらに、従来の予測アルゴリズムは、衝突
後の状態変化を予測するという定量的な経時予測機能が
ない。このため衝突の後の実際のＴ５”の時刻をあらか
じめ知ることができない。このため実際の衝突波形と参
照波形とを比較し、類推判定してエアバッグの点火のＯ
Ｎ、ＯＦＦを判定している。また点火タイミングはあら
かじめ所定の範囲に設定されているＴＴＦ相当時刻を適
用して対応している。

【００１０】そこで、本発明の目的は上述の従来の技術
の有する問題点を解消し、自動車等の衝突時に得られる
複雑で膨大なデータの処理と、入力データのパターンの
特徴抽出と時系列予測アルゴリズムとを神経回路網によ
る並列処理過程で自己組織化・学習を行い、入力データ
をもとに、引き続き起こるであろう状態のデータを出力
値として定量的に予測し、自動車に搭載された搭乗者防
護のための安全装置の作動の可否の判定を的確に行える
ようにした神経回路網による衝突状態予測システムを提
供することにある。

【００１１】

【課題を解決するための手段】前記目的を達成するため
に本発明は、所定の衝突波形が第１の並列学習データ群
として入力され、学習演算が行われた学習済みの中間層
を有する第１の神経回路網に、衝突時に加速度センサで
得られた衝突波形データを所定時間幅のデータセットと
して入力し、前記第１の神経回路網での学習結果に基づ
き、しきい値変位到達時刻を外挿予測する神経回路網か
らなる変位予測手段と、所定のエアバッグ展開限界波形
が第２の学習データ群として入力され、学習演算が行わ
れた学習済みの第２の神経回路網に前記衝突時の衝突波
形データを入力し、前記第２の神経回路網の学習結果に
基づき、エアバッグの展開の可否を識別して識別信号を
出力する神経回路網からなるエアバッグ展開識別手段
と、前記しきい値変位到達時刻と前記識別信号とを入力
し、予測された衝突状態に応じてエアバッグ展開動作の
可否を判定し、該判定に基づくエアバッグ展開動作指令
信号をエアバッグ展開動作手段に出力する論理回路とを
備えたことを特徴とするものである。前記第１の神経回
路網及び第２の神経回路網は、２次元自己組織化競合学
習層を前記中間層に構築することが好ましい。前記学習
演算は、バックプロパゲーション手法を用いて実施する
ことが好ましい。

【００１２】また、前記第１の学習データ群は所定範囲
の連続した変位値を並列変換して前記神経回路網の入力
層に入力される入力データと、前記連続した変位値につ
ながる所定範囲の変位値を並列変換して前記神経回路網
の出力層に付与される希望出力データとから構成するこ
とが好ましい。さらに、前記第１の神経回路網及び第２
の神経回路網を学習完了状態でコンパイルしてコード発
生させ、エアバッグシステムの制御回路の基板に組み込
む用にすることが好ましい。

【００１３】

【作用】本発明によれば、あらかじめ所定の衝突波形を
第１の並列学習データ群として中間層を有する第１の神
経回路網に入力し、学習演算により前記第１の神経回路
網を学習させるとともに、所定のエアバッグ展開限界波
形を第２の学習データ群として第２の神経回路網に入力
し、該第２の神経回路網を学習させておき、衝突時に加
速度センサで得られた衝突波形データを所定時間幅のデ
ータセットとして前記第１の神経回路網と第２の神経回
路網とに入力し、前記第１の神経回路網で、該第１の神
経回路網での学習結果に基づいて得られる予測変位出力
をもとにしきい値変位到達時刻を外挿予測し、前記第２
の神経回路網で、該第２の神経回路網での学習結果に基
づいて前記衝突時の衝突波形データと前記エアバッグ展
開限界波形との比較を行ってその結果をもとにエアバッ
グ展開の可否を識別信号として出力し、該識別信号と前
記しきい値変位到達時刻との論理積を求め、該論理積か
ら衝突状態に応じたエアバッグ展開動作の可否を判定
し、該判定に基づくエアバッグ展開動作指令信号をエア
バッグ展開動作手段に出力するようにしたので、学習デ
ータとしてあらかじめ複数の衝突波形を用いて前記第１
の神経回路網を学習させることにより中間層に適正重み
係数を設定しておき、この学習済み神経回路網に実際の
衝突波形の初期の一部のデータを加工して所定幅で入力
し、以後の連続するデータの変化を予測し、設定しきい
値に到達する時間を前記入力値により算定することがで
きる。またエアバッグ展開識別手段を用い、論理積をと
ることにより、軽度の衝突の場合にはエアバッグを展開
させない信号が得られるので、最終的には衝突状態に応
じてエアバッグを展開するか否かまたその展開開始時期
を正確に予測決定することができる。

【００１４】また、前記第１の学習データ群は所定範囲
の連続した変位値を並列変換して前記神経回路網の入力
層に入力される入力データと、前記連続した変位値につ
ながる所定範囲の変位値を並列変換して前記神経回路網
の出力層に付与される希望出力データとから構成するに
より自己相関の強い加速度データに積分演算等の適切な
前処理を施して相当程度単純化でき、加速度波形等の有
する強い自己相関性を弱め、神経回路網での特徴抽出自
己組織化を容易にして神経回路網での計算効率を著しく
向上できる。

【００１５】さらに、前記第１の神経回路網及び第２の
神経回路網を学習完了状態でコンパイルしてコード発生
させ、エアバッグシステムの制御回路の基板に組み込む
ことにより小型で高性能のエアバッグ動作判定回路を構
築できるとともに、その製造コストを大幅に低減させる
ことができる。

【００１６】

【実施例】本発明は、衝突時の衝突波形を学習入力デー
タとして神経回路網に入力し、学習を済ませた神経回路
網を判定回路として利用し、実際の衝突時に適正なタイ
ミングでエアバッグを展開させるための予測を行うもの
である。以下にその好適な実施例を自動車の衝突状態を
例に説明する。まず、公知の一般的な神経回路網を概説
し、さらに本発明による神経回路網による衝突状態予測
システムの実施例について添付図面を参照して説明す
る。

【００１７】［神経回路網］神経回路網は、脳神経系を
構成するニューロネットワークの情報処理メカニズムを
模して開発された情報処理システムである。神経回路網
はニューロンに相当する多数のプロセッシングエレメン
ト（Processing Elements、以下ＰＥと記す。）が同時
に動作する並列処理機能を備えている。その構造は各Ｐ
Ｅが相互に結合された階層的構造からなり、各階層を通
じて並列分散処理を実現できる。

【００１８】ここでこのＰＥの機能について簡単に説明
する。ＰＥは図２に示したように多入力一出力素子から
なり、実際の脳の内部のニューロンに比べ、相当簡略さ
れた構造である。素子の関数演算では、まず複数の入力
値ｘiに対して重み係数ｗiが乗じられる。そしてその総
和（Ｘ＝Σｘi・ｗi）に対応した所定の伝達関数の出力
値ｆ（Ｘ）が出力される。この出力値ｆ（Ｘ）は各ＰＥ
のエネルギー状態を示しており、各々入力された値に対
する出力値を再び入力側にフィードバックし、全体の系
としての安定状態を形成していくようになっている。こ
の安定化のための手法は、系のエネルギの最小化理論に
依る。ここでは２種類の異なる学習アルゴリズムによる
予測システムの実施例について説明する。

【００１９】［第１の実施例］以下に示す第１の実施例
では、神経回路網の入力側に入力された入力値の他に、
出力側に出力された学習希望出力値により学習を行うバ
ックプロパゲーション（Back Propagation、以下ＢＰと
記す。）手法が適用されている。このＢＰ手法を用いて
自動車衝突時のエアバッグ展開判定予測が行われる。こ
こで、簡単にＢＰ手法の概念について説明する。ＢＰ手
法に用いられる神経回路網は、入力層、出力層を構成す
るＰＥの他に中間層としての数層の隠れ層を有する多層
ネットワークから構成されている。学習アルゴリズムは
以下の通りになる。まず、希望出力値（教師データ）を
入力値（学習データ）にフィードバックする際に、伝達
関数の微分係数を各ＰＥの実出力値と希望出力値との差
（誤差）に乗じる。そして上述の重み係数ｗiを次々と
更新して希望出力と実際の出力との誤差関数を極小化さ
せる。すなわち、系のエネルギ減少方向に向け、誤差が
極小となるようにエネルギー状態を変化させていき、最
終的に系が平衡状態になるまで学習を繰り返す。出力誤
差が十分小さくなり、入力値と出力値との境界近傍での
入力されたデータ列と出力されるであろうデータ列との
連続性が得られれば、その学習は完了する。この学習を
進めるための最適化手法としては一般化δルール、最急
降下法等がある。これらの手法では初期において乱数を
発生させて入力する学習データが決定される。その後系
のエネルギが定状態化した以外の部分に対してのみ学習
が行われる。これにより早期に演算を収束させることが
できる。

【００２０】実際のＢＰ手法による学習では、所定の入
力学習データが入力層のＰＥに入力され、この入力層の
ＰＥに接続した各ＰＥで演算が行われる。そして出力層
で得られたＰＥの出力値と希望出力値とが比較される。
そのときの誤差を求め、誤差が収束するまで繰り返し計
算が行われる。この繰り返し計算を１サイクルとして、
入力層に入力するデータを入力データセットの中からラ
ンダムに抽出して同様の繰り返し計算が実行される。そ
してあらかじめ設定しておいた許容誤差内のしきい値を
得たら、そのときの各ＰＥの重み係数を求めて学習を完
了させる。本実施例は、ＴＴＦを予測するための変位予
測回路と、エアバッグ点火ＯＮ／ＯＦＦデータ識別回路
の２系統の神経回路網を備えている。以下において、そ
れぞれの神経回路網回路の内容について説明する。

【００２１】（変位予測回路の学習計画）上述のＢＰ手
法を適用した変位予測回路の学習計画を説明する。 (1)加速度センサからの衝突波形の収集 図１は自動車Ｃがバリヤ等の対象物Ｏbに衝突した状態
を示したものである。このとき自動車Ｃの前部に搭載さ
れた加速度センサＳFで検知されたアナログ量の衝突波
形をローパスフィルター等によりノイズ除去し、所定の
サンプルホールド回路とＡ−Ｄ変換器からなる信号変換
部２０でディジタルデータに変換する。そしてこのディ
ジタルデータをサンプリング間隔（Δｔ）で、サンプリ
ング範囲（ΔＴ）にわたり衝突波形データとして収集す
る。（本実施例ではΔｔ＝０．１ｍｓ、ΔＴ＝２００ｍ
ｓの範囲にわたりサンプリングしている。）なお、学習
に使用される衝突波形を収集する加速度センサはその搭
載位置で波形の特徴が異なるため、センサ位置の相違に
よる誤差を取り除くために波形の特徴抽出を行うことが
好ましい。

【００２２】(2)衝突波形データの加工（前処理） パラレル入力インタフェース２１を介して転送入力され
た衝突波形データを２回積分し、変位データ（ｄカーブ
データ）を求める。本実施例では変位データを求めるの
に上述の神経回路網の一部の層を利用している。つまり
図１に示したように重み係数ｗi＝１とした２階層分の
中間層を積分層２ａ、２ｂとして使用している。パラレ
ル入力インタフェース２１により衝突波形データを並列
データとして入力層１に入力し、２回積分に相当する繰
り返し加算を神経回路網で実行する。これにより積分層
２ｂからの出力値として一連の変位データ列が得られ
る。このとき衝突波形データ列と変位データ列とは一意
に対応している（すなわち写像関係にある）ので、上述
のサンプリング間隔Δｔを利用すれば所定時間幅当たり
の変位量が容易に把握できる。なお、衝突波形データか
らは所定の演算により変位データの他、掌握力（加速度
の微分値）、速度変化量等の物理量のデータを得ること
ができる。したがって、学習データとしてこれらの物理
量を採用することも可能である。また衝突波形データを
所定時間幅の並列データとして取扱い、ハードウェア上
に実装された神経回路網の回路により直接、演算を行う
ことにより演算速度を向上させることも可能である。

【００２３】(3)神経回路網の構造 本実施例における神経回路網は図１に示したような階層
構造からなる。入力層１はｎ個（本実施例ではｎ＝６４
に設定されている）のＰＥを横に１列に並べた構造であ
る。さらにこの入力層１の出力側には上述の積分層２
ａ、２ｂのＰＥが直列に結合されている。この積分層２
ａ、２ｂで得られた変位データのＰＥ値はｎ個の隠れ層
３を経て、ｍ個（本実施例ではｍ＝３００に設定されて
いる）のＰＥを横に１列に並べた変位予測回路の出力層
４に出力される。さらに入力層１の出力値はそのまま他
の隠れ層５にも出力される。そしてこの他の隠れ層５に
接続された１個のＰＥのエアバッグ展開識別回路の出力
層６に後述する識別信号が出力される。なお、互いに入
出力が行われる前後のＰＥの層の間では、重み係数ｗi
が考慮され、全部のＰＥ同士が互いに結合されている。

【００２４】(4)伝達関数の設定 本実施例では各ＰＥの伝達関数として図３に示したシグ
モイド関数が採用されている。このシグモイド関数は準
線形の飽和型の伝達特性をもつ関数である。この関数を
用いることにより計算効率の良い神経回路網モデルを設
定することができる。各層におけるシグモイド関数のパ
ラメータとして、ｙ方向スケールとｙ座標オフセットと
が設定されている。本実施例では次表に示した値が採用
されている。同表に示したように、関数のｙ方向スケー
ルは各層間ごとに所定の指数変化を示すように定義され
ている。これにより演算の収束効率が向上する。

【００２５】

【表１】

【００２６】なお、伝達関数として他の種々の関数も適
用できる。たとえば正弦関数は各ＰＥでの入力総和に対
する微係数が原関数と同等の広い変化範囲を有する。こ
の正弦関数を利用するとハードウェア構成は若干複雑に
なるが、学習収束性は抜群に良くなる。

【００２７】(5)学習の手法、学習データの個数 本実施例では互いに連続性を保持した一連の離散変位デ
ータは、神経回路網の入力層のＰＥの数（ｎ）に等しい
データ数ごとに区分される。時系列にある一連の離散変
位データは連続してｎ個のシリアルデータ形式で抽出さ
れる。そしてｎ個のデータが１組のデータセットとして
取り扱われる。このデータセットはまず並列データに変
換され、神経回路網の入力学習データとして入力層のｎ
個のＰＥにそれぞれ入力される。これと同時に上述のｎ
個の変位データに引き続いて発生するるｍ個の変位デー
タが並列データに変換され、希望出力データとして出力
層に入力される。本実施例ではｎ＝６４、ｍ＝３００に
設定されている。

【００２８】図４はこの変換された並列データと、もと
の変位データのカーブｄとの関係を模式的に示してい
る。すなわち、学習の済んだ入力データと、希望出力デ
ータとを一列に並べて表せば、同図下段の横長の帯状グ
ラフのように表示することができる。ここで図４により
入力データと希望出力データの時間幅について説明す
る。本実施例のデータサンプリング間隔がΔｔであるこ
とから、入力データの時間幅は、（Δｔ×ｎ）ｍｓとな
る。また希望出力データの時間幅は（ΔＴ×ｍ）ｍｓに
相当する。本実施例ではΔｔ＝０．１ｍｓであるため、
入力データは６．４ｍｓ幅、出力データは３０ｍｓ幅に
設定されている。この希望出力データの３０ｍｓの値は
上述のエアバッグが全展開するのにかかる時間に対応す
る。このようにエアバッグの全展開所要時間をサンプリ
ング間隔とデータ数との積で表わすことができる。した
がってサンプリング間隔を大きくとれば少ないデータ数
で同等の精度のコンパクトな神経回路網を構成できる。

【００２９】このように並列データのデータセットに所
定の時間幅を設定することにより、並列データを時系列
変位データと同等に考えることができる。希望出力デー
タの最終値がＴ５”を得るスレショルドｄTであれば、
入力データの最終値をＴＴＦに相当させることができ
る。

【００３０】また、本実施例による実際のコンピュータ
による繰り返し計算では、８０組の並列データのデータ
セットを１ｍｓずつずらして、次々に入力層に入力する
ようになっている（図５参照）。なお、この入力するた
めのデータセットの数は変位カーブにおいて特徴抽出の
行いやすい範囲を網羅できるような数に設定すれば良
い。

【００３１】図５は並列データの入力手順を変位データ
のカーブとの関係で示している。ここで、所定時間幅
（本実施例では６．４ｍｓ幅）のデータセットを１個の
ウィンドウＷinと定義されている。１個のウィンドウＷ
inを１ｍｓ間隔で８０回ずらして入力された各変位デー
タが学習データに相当する。またこの学習データに引き
続いてつながっている３０ｍｓ分の変位データのデータ
セットが希望出力データのウィンドウＷoutとして定義
されている。入力側、出力側から２種類のデータセット
が同時かつ並列的に神経回路網に与えられ、学習が進め
られる。

【００３２】また、本実施例では１０本の変位カーブ
（ｄ１〜ｄ１０）が学習データとして使用され、神経回
路網の学習が行われた。それぞれの学習は所定の学習回
数が繰り返して実施されるようになっている。このとき
の収束誤差限界は出力レンジの１％以内に設定されてい
る。なお、この収束誤差限界の値は、入力値と出力値と
の境界部分での連続性が担保されれば自由に設定して良
い。また入力ウィンドウの幅も６．４ｍｓ幅以外にシリ
アルデータが有効に利用できる程度の幅の範囲内で任意
に設定できる。このときウィンドゥの幅は、１ウィンド
ウ内の入力データによって形成され変位カーブの特徴の
ある曲線形状が把握し易い範囲まで広げればより有利に
なる。さらに学習データ数、変位データ数、学習回数は
個々の学習効果との兼ね合いで適宜設定できる値であ
り、以上で述べた値は何ら限定的なものではない。

【００３３】(6)学習データと未学習データの例 次表に本実施例で使用した学習データと未学習データの
例を示す。

【００３４】

【表２】

【００３５】同表中、○印を付したケースでは、神経回
路網の学習のために入力データ、希望出力データをとも
に採用した。それ以外のケースでは神経回路網に入力デ
ータのみを入力し、その出力値を確認するために使用し
た。

【００３６】（エアバッグ展開識別回路の学習計画）上
述の変位予測回路の神経回路網を用いて学習が完了する
と、予測出力データとして搭乗者頭部の５インチ前方変
位に相当するスレショルド値が得られた時点が３０ｍｓ
後のＴ５”を意味している。すなわちスレショルド値到
達を認識した現時点がＴＴＦに他ならない。

【００３７】しかしながら、表２のケースＡ−１０のよ
うに要求ＴＴＦがエアバッグを点火しないように設定さ
れた”ＯＦＦ条件”であっても、計算上は５インチ変位
に対応する値としてＴ５”＝７２．４ｍｓが得られる。
そしてＴＴＦも以下のように求まる。 ＴＴＦ＝７２．４−３０＝４２．４ｍｓ このような長時間のＴＴＦはエアバッグを展開する必要
のない低速時に発生することが多い。このためこのよう
なデータを排除するために時間的制限を設けることも可
能である。ところが、表２のケースＢ−８のようにＴＴ
Ｆ＝４５ｍｓの場合でもエアバッグの点火を要するとい
う”ＯＮ条件”の要求ＴＴＦが設定されている場合もあ
り、一様に時間的制限を採用することもできない。

【００３８】そこで、本実施例ではエアバッグ展開動作
のためのインフレータの点火のＯＮ／ＯＦＦを識別する
エアバッグ展開識別回路を上述の変位予測のための神経
回路網と独立して別回路として設けた。このエアバッグ
展開識別回路は、上述の変位予測回路と入力層１を共有
し、同じ入力データにより機能する（図１参照）。

【００３９】このエアバッグ展開識別回路では、あらか
じめエアバッグ展開可否の限界波形に相当する複数の加
速度データが学習データとして用いられている。学習は
エアバッグ展開限界波形をもとに、その波形のもととな
る衝突がエアバッグを作動させるべきレベルに達してい
るか否かについて行われる。そして変位予測回路で得ら
れるＴＴＦ予測とは別に、エアバッグ展開の可否が１、
０等の識別信号として出力層６に出力される。この識別
信号をもとに衝突波形形状をもとにインフレータ点火の
ＯＮ／ＯＦＦを判定できる。したがって、この識別信号
と前記変位予測回路の出力ＴＴＦとを論理回路２２に入
力して、両方の信号の論理積を求め、いずれの場合にも
点火ＯＮとなる場合にのみエアバッグのインフレータ２
３に点火指令が出力される。これにより軽度の衝突の場
合にはエアバッグが誤動作展開するのを防止することが
できる。

【００４０】（実車での予測動作）本実施例による神経
回路網による衝突状態予測システムを実車に適用した実
施例について簡単に説明する。学習が完了した神経回路
網プログラムはコンパイルしてマシン語に変換すること
でアプリケーションとしてＲＯＭに記憶させることがで
きる。そして所定のＩＣチップ等に固有の回路として組
み込むことができ、このチップは実車のエアバッグ動作
制御装置の回路基板上に搭載される。

【００４１】このようなエアバッグの点火判定のための
衝突状態予測回路を備えた自動車では、運転者がエンジ
ンをかけると、衝突状態予測回路に接続された加速度セ
ンサＳが検知可能な状態になる。この加速度センサＳで
検知されたアナログ加速度データはサンプルホールド回
路、Ａ−Ｄ変換器を備えた信号変換部２０でディジタル
データにＡ−Ｄ変換され、さらにパラレル入力インタフ
ェース２１を介することで図６に示したように所定のウ
ィンドウ幅のウィンドウＷinを構成する並列データセッ
トに逐次変換される。そしてこのデータセットごとに回
路基板上に組み込まれた神経回路網の入力層１に並列デ
ータとして所定の時間間隔をあけて次々と連続的に入力
される。通常の運転状態では、通常走行時に速度が変化
して生じる加速度はノイズとして取り扱われ、アナログ
フィルタ等のノイズ除去手段により取り除かれる。した
がって通常の走行時には神経回路網の入力層にはゼロ値
のデータが連続的に入力される。

【００４２】ある時点で衝突が起こると、加速度センサ
Ｓに衝撃加速度データが入力され、信号変換部２０、パ
ラレル入力インタフェース２１を経て神経回路網にその
加速度データが所定のウィンドウＷinkに入力される。
これらの一連のデータに対して神経回路網内で重み計算
の繰り返し演算が行われる。この結果、ほとんど瞬時に
入力データにひき続く３０ｍｓ後までの変位データに相
当する予測出力データが得られる。入力加速度データが
刻々と変化し、入力値に対応する出力値が５インチ変位
に相当するスレショルドｄTになると、繰り返し演算は
終了する。このときのウィンドウＷinkのデータセット
の最後の時刻がＴＴＦとして出力される。さらに求めら
れたＴＴＦと前記エアバッグ展開識別回路の識別信号と
の論理積が論理回路２２で求められる。

【００４３】このようにして本実施例では、Ｔ５”にな
る３０ｍｓ前の時点でＴ５”を正確に予測でき、そのと
きのＴＴＦを採用してエアバッグ展開の可否を判断する
ことができる。また、この判断は学習済みデータにより
自己組織化された神経回路網により行われる。このため
引き続いて簡易なアルゴリズムにより学習を積ませて判
定精度を向上させることも可能である。

【００４４】［第２の実施例］次に、少ない学習データ
で、多くの未学習データに正確に応答させるために自己
組織化機能と競合学習機能とを神経回路網内の中間層に
取り入れた実施例について説明する。本実施例では図７
に示したように２次元の自己組織化・競合学習層１０を
隠れ層３、５の前に設けている。この２次元の自己組織
化・競合学習層１０は２次元-Kohonen層（以下、２Ｄ−
Ｋ層と記す）と呼ばれ、本実施例では８×５＝４０（Ｐ
Ｅ）から構成されている。この２Ｄ−Ｋ層１０では各入
力データセットに対して４０ＰＥで所定の幾何学的距離
が算定される。これにより入力された６４個のパターン
属性が規格化され、未学習データに対する属性判定が容
易になる。

【００４５】具体的には入力された４０ＰＥのデータの
うち、マッピング等の競合学習手法により３出力が選択
される。また、未学習データに対しては学習時の自己組
織化による入力データの区分けに従った前処理が施さ
れ、次の隠れ層に出力値が引き渡される。なお、２Ｄ−
Ｋ層１０の直前に付加的に規格化層１１を挿入すること
により２Ｄ−Ｋ層１０での学習効率を向上させることが
できる。このように２Ｄ−Ｋ層１０を設けることにより
学習時の収束効率を大幅に向上できるとともに、未学習
データに対する正解率もきわめて良くなることが明らか
にされている。

【００４６】この２Ｄ−Ｋ層を備えた神経回路網は、上
述のＢＰ手法を拡張することで完成させることができ
る。したがって学習計画等はＢＰ手法に準じて決定でき
る。この神経回路網では学習開始直後の数千回の繰り返
し学習状態では内部の自己組織化学習のために出力側か
らのフィードバックは行われない。そして自己組織化が
完了後所定のＢＰ手法の学習が行われる。この結果早い
収束回数で学習を完了することができる。

【００４７】なお、上述の２実施例において、学習完了
した神経回路網についてはＣ言語等によりプログラムと
して作成し、コンパイルすることによりコンパクトな実
行形アプリケーションを構成できる。また制御マイコン
パッケージとしてチップに組み込むこともできる。この
とき対応車種ごとにＲＯＭに記憶させれば、搭載する車
種に対応させたコンパクトな神経回路網による予測シス
テムを構築でき、コストダウンを図ることも可能であ
る。

【００４８】また、論理構築の容易なアルゴリズム部分
に対してはエキスパート・システムを適用し、神経回路
網とエキスパート・システムとの混成論理回路による予
測システムを構築することも可能である。

【００４９】

【発明の効果】以上の説明から明らかなように、本発明
によれば複雑で膨大なデータを取り扱わずに、迅速に演
算を行える並列処理アルゴリズムを適用して入力された
データに対して引き続き起こり得る状態を定量的に予測
するので、衝突時に発生するであろう状態をいち早く予
測でき、搭乗者の安全の確保を迅速かつ確実に行う指示
を下すことができるという効果を奏する。

【図面の簡単な説明】

【図１】本発明による神経回路網による衝突状態予測シ
ステムの第１の実施例の神経回路網の一例を示した神経
回路網を含んだシステム概略構成図。

【図２】本発明に適用した神経回路網の一素子を模式的
に示した概念図。

【図３】本発明における学習演算に使用された伝達関数
の一例を示した特性曲線図。

【図４】並列データと変位カーブとの関係を示した関係
模式図。

【図５】並列データの入力ウィンドウと変位カーブとの
関係を示した関係模式図。

【図６】実車での予測動作を並列データの入力ウィンド
ウと変位カーブとの関係をもとに示した関係模式図。

【図７】本発明による神経回路網による衝突状態予測シ
ステムの第２の実施例の神経回路網の一例を示した神経
回路網構成図。

【図８】加速度センサにより収集されたＧ波形カーブ、
速度変化カーブ及び変位カーブの関係を示した特性曲線
図。

【図９】Ｔ５”の前提となる搭乗者の５インチ移動の状
態を模式的に示した説明図。

【符号の説明】 １ 入力層 ２ａ、２ｂ 積分層 ３、５ 隠れ層 ４、６ 出力層 １０ ２次元自己組織化・競合学習層（２Ｄ−Ｋ層） １１ 規格化層 ２０ 前処理部 ２１ 入力インタフェース ２２ 論理回路 ２３ インフレータ α 加速度カーブ ｖ 速度変化カーブ ｄ 変位カーブ Ｂ エアバッグ Ｃ 自動車 Ｍ 搭乗者 Ｏb 衝突対象物 Ｓ フロント加速度センサ

Claims (6)

【特許請求の範囲】
1. 【請求項１】所定の衝突波形が第１の並列学習データ群
   として入力され、学習演算が行われた学習済みの中間層
   を有する第１の神経回路網に、衝突時に加速度センサで
   得られた衝突波形データを所定時間幅のデータセットと
   して入力し、前記第１の神経回路網での学習結果に基づ
   き、しきい値変位到達時刻を外挿予測する神経回路網か
   らなる変位予測手段と；所定のエアバッグ展開限界波形
   が第２の学習データ群として入力され、学習演算が行わ
   れた学習済みの第２の神経回路網に前記衝突時の衝突波
   形データを入力し、前記第２の神経回路網の学習結果に
   基づき、エアバッグの展開の可否を識別して識別信号を
   出力する神経回路網からなるエアバッグ展開識別手段
   と；前記しきい値変位到達時刻と前記識別信号とを入力
   し、予測された衝突状態に応じてエアバッグ展開動作の
   可否を判定し、該判定に基づくエアバッグ展開動作指令
   信号をエアバッグ展開動作手段に出力する論理回路とを
   備えたことを特徴とする神経回路網による衝突状態予測
   システム。
2. 【請求項２】前記第１の神経回路網及び第２の神経回路
   網は、２次元自己組織化競合学習層を前記中間層に構築
   したことを特徴とする請求項１記載の神経回路網による
   衝突状態予測システム。
3. 【請求項３】前記学習演算は、バックプロパゲーション
   手法を用いて行われたことを特徴とする請求項１または
   請求項２記載のいずれかに記載の神経回路網による衝突
   状態予測システム。
4. 【請求項４】前記第１の並列学習データ群は、前記第１
   の神経回路網での演算により入力された衝突波形を変位
   データに変換して学習演算に使用するようにしたことを
   特徴とする請求項１または請求項２記載のいずれかに記
   載の神経回路網による衝突状態予測システム。
5. 【請求項５】前記第１の並列学習データ群は所定範囲の
   連続した変位値を並列変換して前記神経回路網の入力層
   に入力される入力データと、前記連続した変位値につな
   がる所定範囲の変位値を並列変換して前記神経回路網の
   出力層に付与される希望出力データとから構成されたこ
   とを特徴とする請求項４記載の神経回路網による衝突状
   態予測システム。
6. 【請求項６】前記第１の神経回路網及び第２の神経回路
   網は学習完了状態でコード化され、エアバッグ動作制御
   回路の基板に組み込まれたことを特徴とする請求項１乃
   至請求項５のいずれか１項に記載の神経回路網による衝
   突状態予測システム。