WO2007113080A1 - Method for the computer-assisted generation of processing rules for the control of vehicle occupant protection systems - Google Patents

Method for the computer-assisted generation of processing rules for the control of vehicle occupant protection systems Download PDF

Info

Publication number
WO2007113080A1
WO2007113080A1 PCT/EP2007/052249 EP2007052249W WO2007113080A1 WO 2007113080 A1 WO2007113080 A1 WO 2007113080A1 EP 2007052249 W EP2007052249 W EP 2007052249W WO 2007113080 A1 WO2007113080 A1 WO 2007113080A1
Authority
WO
WIPO (PCT)
Prior art keywords
neural network
accident
vehicle occupant
parameters
fuzzy logic
Prior art date
Application number
PCT/EP2007/052249
Other languages
German (de)
French (fr)
Inventor
Michael Feser
Oskar Leirich
Original Assignee
Continental Automotive 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 Continental Automotive Gmbh filed Critical Continental Automotive Gmbh
Publication of WO2007113080A1 publication Critical patent/WO2007113080A1/en

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
    • B60R21/015—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 the presence or position of passengers, passenger seats or child seats, and the related safety parameters therefor, e.g. speed or timing of airbag inflation in relation to occupant position or seat belt use
    • B60R21/01558—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 the presence or position of passengers, passenger seats or child seats, and the related safety parameters therefor, e.g. speed or timing of airbag inflation in relation to occupant position or seat belt use monitoring crash strength

Definitions

  • the invention relates to a method for the computer-aided creation of processing instructions for the control of motor vehicle occupant protection systems.
  • Modern vehicle occupant restraint systems have the task of detecting such accidents by means of suitable sensors and of slowing down the movement of the vehicle occupants as gently as possible, that is to say while minimizing the forces which occur on the human body.
  • airbags in their various designs for example front airbags, side airbags or head airbags are today the most important restraint systems.
  • Airbags are usually made of thin nylon fabric and are inflated in the event of a corresponding impact by means of a gas generator within a time of about 10 to 40 ms (compared to a typical collision time of about 150 ms) to an air cushion, which the impact to dampen the body of a vehicle occupant.
  • a gas generator within a time of about 10 to 40 ms (compared to a typical collision time of about 150 ms) to an air cushion, which the impact to dampen the body of a vehicle occupant.
  • the gas filling on so-called "Vent Holes” (ventilation holes) o (also in more modern airbags) via valves.
  • Ignition pills are used, which operate on a similar principle as solid rocket and release by means of a chemical reaction (for example, the reaction of sodium azide with potassium nitrate) gas (eg nitrogen).
  • a chemical reaction for example, the reaction of sodium azide with potassium nitrate) gas (eg nitrogen).
  • Modern gas generators and airbags are designed so that several "ignition stages" can be ignited. For example, in a relatively low speed impact, only the first stage of an airbag may be detonated, inflating the airbag into a small, rigid airbag. In a more serious accident, the second stage is (additionally) ignited with a larger airbag volume.
  • an acceleration sensor is integrated into the central airbag control unit (Electronic Control Unit, ECU).
  • ECU Electronic Control Unit
  • other sensors such as structure-borne sound or pressure sensors, are integrated in the front area or in the side parts of the vehicle for measuring the acceleration or deceleration. formation or deformation speed in the direction of travel or transverse to the direction of travel.
  • the various restraint systems will i. d. R. by means of suitable computer systems, usually so-called embedded systems (real-time systems), which usually contain a microcomputer controlled.
  • These controls (which will be referred to as airbag control in the following) process the signals of the various sensors and then decide whether certain vehicle occupant restraint systems should be triggered by means of various known algorithms (in the simplest case by comparison of the sensor signals with predetermined limit values) or not.
  • the optimal time of triggering can be calculated and, in the case of stepwise functioning restraint systems, which level should be triggered in each case.
  • a typical method of controlling a vehicle occupant protection system that triggers the protection system in the event of a sufficiently severe accident follows the procedure described below.
  • a control unit contains a plurality of sensors and a computing unit which calculates one or more actual values characterizing the course of the accident during an accident on the basis of the sensor signals. By comparing the actual values with associated Ausloseschwellhong is decided which vehicle occupant protection systems are controlled as.
  • the trigger threshold values themselves are dependent on the instantaneous value of the actual values and are constantly recalculated. As characteristic actual values, different parameters are used, such as a current delay value or a partial loss of speed.
  • the type of accident is determined in an accident, so z. Whether it is a frontal impact on a rigid wall, an impact on a rigid obstacle with partial coverage, an impact at an acute angle or an impact on a deformable obstacle with partial coverage ("Offset Deformable Barrier", ODB). If it is not possible to conclude clearly from the signal variations of the sensor signals on a certain type of accident, a probability value is formed which reflects the probability with which an accident belongs to a certain type of accident.
  • the triggering algorithm for the draw of the motor vehicle occupant protection system is adapted according to the detected type of accident.
  • the parameters used for the triggering algorithms must each be assigned to the respective motor vehicle and to the sensor types present therein. be fit. This requires a great deal of time for new types of motor vehicles.
  • a procedure would be advantageous in which the parameters required for new sensor and vehicle types can be determined easily and without major effort, preferably calculated automatically using computer-aided methods.
  • a common accident severity factor is used for the control.
  • This is an "analogue" size, which allows different variants of the control of the vehicle occupant protection system.
  • one or more "digital" decisions can be made for each vehicle occupant protection system by comparison with predefined threshold value functions. For example, when a first threshold value is exceeded, the first stage of an airbag can be ignited, and when a second threshold value is exceeded, the second stage is ignited.
  • the common accident severity factor can also be used for analog control.
  • a belt force limiter can be set to the severity of the accident.
  • the inflation behavior can be controlled analogously by the common accident severity factor.
  • the processing rules are used for carrying out a method for controlling motor vehicle occupant protection systems.
  • a common crash severity factor or a digital trigger decision is determined for the protection system, the processing rules being rules for fuzzy logic and a rule comprising a combination of a number of criteria.
  • the creation of the rules and / or an optimization of the position and / or form of fuzzy variables is carried out automatically by a neural network.
  • the invention is based on the consideration that by using a fuzzy logic rules can be created, resulting in a good performance of the recognition performance of the system with excellent interpretability of the solution by experts.
  • fuzzy logic also has the advantage that the solutions found are very well interpretable. Since the calibration, ie the creation of rules, which are processed by the fuzzy logic, usually takes a lot of time, the invention provides to make the creation and / or optimization of the rules by a neural network. When creating rules, the combination of different ones considered by the rules becomes Understood criteria. Optimizing the rules of fuzzy logic includes both the form of the fuzzy sets that are used to fuzzify the input criteria and their parameters that specify the position of the defined shape in terms of a transfer characteristic.
  • fuzzy logic with neural networks for the algorithms used in the context of motor vehicle occupant protection systems allows an interpretable solution, since it is comprehensible which criteria are combined in which form. Furthermore, the transfer characteristic for fuzzyfication and evaluation of the criteria is known. This allows an estimation of the system behavior with changed input data. An assessment of the robustness of the system is thus given in the context of an expert review.
  • a selection of the criteria processed by the neural network is made in one embodiment by a brute force algorithm.
  • known methods such as e.g. statistical frequency distributions, correlation functions or cluster algorithms are used,
  • the fuzzy logic is supplied from a set of processable by the fuzzy logic parameters, a subset of parameters for determining an intermediate size, which in turn for the determination of the common Accident severity factor is processed, with the selection of the fuzzy logic supplied, the parameters through the neural network.
  • the intermediate size is referred to in professional circles as a target size.
  • the parameters supplied to the fuzzy logic are subjected to a transformation, which results in a number of new parameters, each new parameter being a combination, in particular a linear combination is the parameter supplied to the transformation.
  • the transformation is a coordinate transformation in which data arranged in a coordinate system spanned by two of the parameters and which can only be separated into subsets by skewed separation lines are transformed in such a way that an axially parallel separation of data subsets is possible.
  • the coordinate transformation is performed to allow further processing by the fuzzy logic, which can not perform separation of the data into data subsets using slash separation lines.
  • a structured neural network As a neural network, a structured neural network is used which has a problem-specific network architecture selected. Compared to conventional network architectures, this has the advantage that prior knowledge of the structure can be introduced. Furthermore, suitable structuring facilitates the interpretability of a fully trained neural network.
  • the structured neural network is subdivided into a plurality of subnetworks, wherein at least one intermediate variable is determined as output value by each of the subnetworks, which are supplied as input variables to at least one further subnetwork of the structured neural network.
  • a problem is broken down into smaller sub-problems, which can be solved more easily, ie by smaller neural networks.
  • the intermediate size to be calculated for the data to be trained is expediently known for each of the subnetworks. In other words, this means that the values of the intermediate sizes to be calculated for the training data are known and used as a default for the training algorithm.
  • the output variable is given, the output variable being a tripping or non-tripping decision or a continuous (“analog”) one.
  • One or more sensors detect one or more predetermined physical measured variables, in particular an acceleration parallel and / or transverse to a direction of travel of the motor vehicle and / or a pressure signal and / or body sound and / or deformation of the motor vehicle and / or the vehicle speed and / or Differential velocity to the collision partner and / or information about the shape, size and overlap with the collision partner as a function of a progress variable.
  • the common accident severity factor is calculated, which characterizes the possible injury severity of a motor vehicle occupant which occurs during the accident. According to the value of the common accident severity factor, the vehicle occupant protection systems are possibly under Inclusion of occupants and occupant position so controlled that results in a reduction of the consequences of an accident with the lowest possible injury values.
  • the common accident severity factor is determined as a function of the progress variables, depending on the accident-characteristic conditions.
  • a "current delay mean value” function can be determined by averaging over a predefined number of measured values over a certain time span. Furthermore, it can also be integrated over shorter times.
  • a function can be determined which characterizes the temporal change of the acceleration as well as a signal dynamic function which, for example, characterizes oscillations of the acceleration within a specific spectral range.
  • time another progress variable may be used that characterizes the temporal progression of the impact situation.
  • the progress variable (s) is typically a time variable, such as the internal time of a microcomputer, an airbag control unit.
  • Other periodic signals for example, signals which are derived from a signal of the crankshaft of the motor vehicle, can be used. It may also be other types of progress variables which are characteristic of the stage of the accident in which the motor vehicle is located. For example, a measured deformation of the motor vehicle or parts thereof can be used as a progress variable.
  • the progress variables may contain information that is available prior to the first contact of the collision partners. The information can also be used to characterize the impact situation as well as to detect the occupant status.
  • information about the vehicle speed, the differential speed to the collision partner as well as information about the shape, size and overlap with the collision partner can be used as input variables for the algorithm for crash severity detection.
  • the algorithm for crash severity detection For optimal control of the restraint, adapted to the occupant situation, occupant size, weight and position can be considered.
  • the accident-characteristic conditions do not have to represent simple "true / false conditions" but can
  • the motor vehicle occupant protection systems are actuated analogously.
  • an airbag system with an analog gas generator is preferably used, which is controlled in an analogous manner by the common accident severity factor.
  • the invention further relates to a computer program product with program code means stored on a machine-readable carrier in order to carry out the method according to the invention in one of its embodiments when the program is executed on a computer or computer network.
  • program code means stored on a machine-readable carrier
  • 1 shows an exemplary embodiment for the conversion of a neural network to a fuzzy logic system
  • FIG. 2 shows a further embodiment which shows the conversion of a neural network into a fuzzy logic system
  • FIG. 3 shows an example which supports the automated selection of suitable features which can be used as input criteria in the context of a method for controlling motor vehicle occupant protection systems
  • FIG. 4 shows an x-y diagram in which data lying in a coordinate system spanned by two parameters to be used are arranged, which data are assigned to a transformation for processing in the fuzzy logic system.
  • FIG. 6 shows the data quantity shown in FIG. 5 after the coordinate transformation
  • Fig. 7 shows an embodiment of a neural network comprising a number of subnetworks.
  • a classification of an accident is based on a fuzzy logic.
  • the criteria to be assessed here are mapped by the fuzzy logic over a common accident severity factor, which is referred to as crash severity.
  • crash severity A link built up similar to a digital logic takes place, in which individual fuzzy sets of one or more links.
  • the common accident severity factor can be determined in a comprehensible manner for the most diverse crash situations, by means of which the suitable restraining means to be triggered can be determined.
  • the problem associated with the different vehicle structures and in part different sensor configurations is that the provision of the fuzzy sets has to be redeployed for each vehicle model and for each vehicle type.
  • the idea underlying the invention is to make automated the provision of the fuzzy sets by utilizing neural networks.
  • the implementation of a neural network into a fuzzy logic system can be realized, for example, using the known model "ANFIS Model” (Adaptive Network-based Fuzzy Inference System).
  • the model is a 5-layer, forward-driven neural network capable of training a TSK (Takagi-Sugeno-Kang) fuzzy inference system and supporting rules in the following form:
  • Layer 1 in each of the exemplary four nodes contains a membership function which fuzzifies the input variables.
  • Each of the nodes is exactly connected to an input quantity X1, X2.
  • the number of nodes depends on the number of membership functions per input. These can be different.
  • the parameters of the membership function are stored and trained in the individual nodes. Gaussian functions are usually used here.
  • Layer 2 represents the rule base and contains for each rule a node (in the exemplary embodiment, these are for example four nodes), which is connected to the respective units of the preceding layer, which form the premise of this rule.
  • the only task of these nodes is to link the degrees of membership from the previous layer with a so-called T-norm.
  • T-norm Usually the product or the function "Soft-Min" is used.
  • Layer 3 represents an extension of the rule layer, which for example likewise comprises four nodes and has the task of normalizing the degrees of fulfillment of the individual rule premises. This is done by dividing the individual degrees of fulfillment by the sum of all degrees of fulfillment.
  • Layer 4 contains nodes which receive as input the fulfillment levels of the respective rules.
  • the input variables X1, X2 are also connected to these nodes. Together with the degrees of fulfillment, the individual rule expenses are calculated.
  • Layer 5 (a node) finally computes a final output value Y by summing all inputs from the previous layer.
  • FIG. 2 illustrates this fact in a further, more illustrative example.
  • An input layer layer 1 with Two nodes (neurons) are supplied with the input quantities X1 and X2.
  • a premise layer (layer 2) comprises four nodes, each with a rule. The nodes of the premise layer are each connected to the nodes of the input layer.
  • An "S” represents the rule "Small”
  • an L represents the rule “Large”.
  • a rule layer with two nodes includes the rules Rl and R2.
  • a consequence layer (layer 4) again contains two nodes which are connected to the preceding nodes of the rule layer.
  • an output layer layer 5 contains the final output value with its single node connected to the preceding node of the consequence layer.
  • the neural network can be interpreted as follows:
  • the criteria made available to the neural network are selected.
  • the selection of the criteria can be supported automatically.
  • the criteria selection selects a subset of all provided criteria.
  • Known methods are statistical frequency distributions, correlation functions or cluster algorithms. Examples of this are e.g. Chi-Squared Test of Independence, K-Means (Non-Overlapping Clusters), Fuzzy C-Means (Overlapping Clusters), Mixture of Gaussians (Model-based Clustering) or Principal Component Analysis (for feature extraction within neural networks and classification) used by problems).
  • the Chi-Squared Independence Test can be used to determine the dependence or independence of a particular crash situation or a crash severity intermediate size of the distribution of the various features.
  • the degree of dependency is a measure of how suitable a criterion is to determine the target size, eg of the crash mode.
  • FIG. 3 shows an example of the criterion of the mean acceleration ("AAP") on the x-axis and of various crash situations on the y-axis.
  • AAP mean acceleration
  • a single criterion is not sufficient. Therefore, different features are combined.
  • two criteria set in the course of the algorithm for controlling the motor vehicle occupant protection system are subjected to a transformation. The transformation results in a number of new criteria.
  • Each new criterion is a (linear) combination of the previously selected features.
  • This class is therefore to be separated from all other data points (the oval circles), which represent, for example, a situation in which the vehicle is traveling at low speed against a rigid wall or a so-called misuse, such as a pothole or a run over Bar trigger for the response of the sensors is.
  • the data are arranged in an xy-coordinate system, whereby the criteria "ADP" (average acceleration) and “slope” to be used in the context of the algorithm are plotted on the x and y axes.
  • a separation of the crosses can be largely achieved by a conventional multi-layer perceptron by the uneven-line separation line ("unconstrained MLP") identified by the reference numeral 10, 20.
  • unconstrained MLP uneven-line separation line
  • fuzzy MLP fuzzy multilayer perceptron that can only describe axis-parallel areas
  • FIGS. 5 and 6 each show an x-y diagram in which two criteria to be processed in the context of the algorithm are compared with HA and IW.
  • the data of a class e.g. a triggering situation, are each marked in the figures by filled, standing on the top squares (marked in the legend with Cl).
  • the data of another class e.g. a triggering situation, are each marked in the figures by filled, standing on the top squares (marked in the legend with Cl).
  • Cl the legend with Cl
  • Class e.g. a non-triggering situation
  • C2 a non-triggering situation
  • FIG. 5 it is possible to separate only by an oblique separation straight line 10, after a corresponding coordinate transformation a separation of the data by a separation straight line 10 'parallel to the x axis is possible, so that the data is now fuzzy logic can be further processed. This allows separation with simple fuzzy sets.
  • Various network topologies of the neural network can be used within the scope of the invention. Preference is given here to structured neural networks which have a problem-specific own selected network architecture. Compared to conventional networks, these have the advantages that prior knowledge of the structure can be introduced and that a suitable structuring facilitates the interpretability of the finished network. Suitable for this are two alternatives
  • Structuring On the one hand, this involves structuring with neuro-fuzzy methods and, on the other, structuring with subnetworks or subnetworks.
  • a problem is broken down into smaller sub-problems, which can be solved more easily, ie by smaller neural networks.
  • An embodiment of this is shown in Fig. 7. This eliminates the problem of having to analyze a large monolithic network.
  • the prerequisite for this is that the respective output yi, y 2 , y 3 to be calculated for each subnet is known for the data to be trained.
  • ⁇ , ⁇ 2 , Ys represent target functions. In other words, the target values of the intermediate quantities to be calculated for the training data must be known.
  • the embodiment of FIG. 7 comprises three subnetworks.
  • the output neurons are each labeled yi, y 2 and y 3 .
  • ⁇ may represent the predicted final speed of an accident situation.
  • y 2 may represent the velocity gradients and y 3 an impact angle in the crash.
  • the left subnet comprises four nodes in the input layer and three nodes in the so-called hidden layer
  • the middle subnet has only three input nodes and two nodes in the hidden layer.
  • the third subnet in the right side of the figure even includes only two input nodes and no hidden layers.
  • intermediate variables are calculated in the output layer of the subnetworks which can represent the input variables for a further neural network.
  • the total output can be either an "analog crash severity" value or a "digital" trigger / no-trigger decision, depending on the design.
  • the structuring of the neural network can alternatively also be carried out using neuro-fuzzy methods. The goal here is to be able to interpret a structured neural network as a set of rules in order to ensure a high degree of intelligibility. However, if the network structure is restricted too much, losses in performance are possible. Linearization errors can be avoided by a more accurate approximation of the sigmoid function of the mesh by a piecewise linear function of a fuzzy set.

Abstract

The invention relates to a method for the computer-assisted generation of processing rules that can be processed by a processing unit. According to said method, the processing rules are used for carrying out a method for the control of vehicle occupant protection systems. According to said method, a common factor for the severity of the accident or a digital trigger decision are determined for the protection system. The processing rules are rules for a fuzzy logic and one such rule comprises a combination of a number of criteria. The rules are generated and/or the position and/or type of fuzzy variables are optimized by means of a neuronal network.

Description

Beschreibungdescription
Verfahren zum rechnergestützten Erstellen von Verarbeitungsvorschriften für die Steuerung von Kraftfahrzeuginsassen- SchutzsystemenMethod for the computer-aided creation of processing instructions for the control of motor vehicle occupant protection systems
Die Erfindung betrifft ein Verfahren zum rechnergestützten Erstellen von Verarbeitungsvorschriften für die Steuerung von Kraftfahrzeuginsassen-SchutzSystemen .The invention relates to a method for the computer-aided creation of processing instructions for the control of motor vehicle occupant protection systems.
Verletzungen von Fahrzeuginsassen bei Unfällen resultieren in der Regel daher, dass die freie Masse der Fahrzeuginsassen weitgehend frei beweglich relativ zum Schwerpunkt des Fahrzeuges ist. Wird bei einem Unfall, insbesondere bei einem Aufprall auf ein Hindernis, das Fahrzeug abrupt abgebremst, so prallt, sofern keine Rückhaltesysteme eingesetzt werden, der sich noch weitgehend mit der ursprünglichen Geschwindigkeit des Fahrzeuges bewegende Körper eines Fahrzeuginsassen auf eine Innenfläche des Fahrzeugs, beispielsweise das Arma- turenbrett oder das Lenkrad, auf.Injuries of vehicle occupants in accidents usually result in that the free mass of the vehicle occupants is largely free to move relative to the center of gravity of the vehicle. If, in the event of an accident, in particular in the case of an impact on an obstacle, the vehicle brakes abruptly, if no restraint systems are used, the body of a vehicle occupant still largely moving with the original vehicle speed strikes an inner surface of the vehicle, for example the arm - Turenbrett or the steering wheel, on.
Moderne Fahrzeuginsassen-Rückhaltesysteme haben die Aufgabe, mittels geeigneter Sensoren derartige Unfälle zu erkennen und die Bewegung der Fahrzeuginsassen möglichst sanft, d. h. un- ter Minimierung der auftretenden Kräfte auf den menschlichen Körper, abzubremsen. Neben den "traditionellen" Sicherheitsgurten, welche zur Minimierung der wirkenden Spitzenkräfte bei einem Unfall zumeist mit Gurtstraffern ausgestattet sind, sind Airbags in ihren verschiedenen Ausgestaltungen (bei- spielsweise Frontairbags, Seitenairbags oder Kopfairbags) heute die wichtigsten Rückhaltesysteme. Airbags bestehen i. d. R. aus dünnem Nylongewebe und werden im Falle eines entsprechenden Aufpralls mittels eines Gasgenerators innerhalb einer Zeit von ca. 10 bis 40 ms (verglichen mit einer typi- sehen Aufpralldauer von ca. 150 ms) zu einem Luftkissen aufgeblasen, welches den Aufprall des Körpers eines Fahrzeuginsassen dämpfen soll. Je nach Airbagtyp entweicht während oder nach dem Aufprall des Fahrzeuginsassen auf den Airbag die Gasfüllung über so genannte "Vent Holes" (Lüftungslöcher) o- der auch (in moderneren Airbags) über Ventile.Modern vehicle occupant restraint systems have the task of detecting such accidents by means of suitable sensors and of slowing down the movement of the vehicle occupants as gently as possible, that is to say while minimizing the forces which occur on the human body. In addition to the "traditional" seat belts, which are usually equipped with belt tensioners to minimize the peak forces involved in an accident, airbags in their various designs (for example front airbags, side airbags or head airbags) are today the most important restraint systems. Airbags are usually made of thin nylon fabric and are inflated in the event of a corresponding impact by means of a gas generator within a time of about 10 to 40 ms (compared to a typical collision time of about 150 ms) to an air cushion, which the impact to dampen the body of a vehicle occupant. Depending on the type of airbag escapes during or After the impact of the vehicle occupant on the airbag, the gas filling on so-called "Vent Holes" (ventilation holes) o (also in more modern airbags) via valves.
Bislang werden als Gasgeneratoren für Airbags so genannteSo far, gas generators for airbags are called
Zündpillen verwendet, welche nach einem ähnlichen Prinzip wie Feststoffraketen funktionieren und mittels einer chemischen Reaktion (beispielsweise der Reaktion von Natriumazid mit Kaliumnitrat) Gas (z. B. Stickstoff) freisetzen.Ignition pills are used, which operate on a similar principle as solid rocket and release by means of a chemical reaction (for example, the reaction of sodium azide with potassium nitrate) gas (eg nitrogen).
Modernere Gasgeneratoren und Airbags sind so ausgestaltet, dass mehrere "Zündstufen" gezündet werden können. So kann beispielsweise bei einem Aufprall mit relativ niedriger Geschwindigkeit lediglich die erste Stufe eines Airbags gezün- det werden, wobei der Airbag zu einem kleinen, festen Luftkissen aufgeblasen wird. Bei einem schwereren Unfall wird (zusätzlich) die zweite Stufe mit einem größeren Airbagvolu- men gezündet.Modern gas generators and airbags are designed so that several "ignition stages" can be ignited. For example, in a relatively low speed impact, only the first stage of an airbag may be detonated, inflating the airbag into a small, rigid airbag. In a more serious accident, the second stage is (additionally) ignited with a larger airbag volume.
Diese "stufenweise" Zündung des Airbags wird jedoch in der nahen Zukunft ersetzt werden durch eine stufenlose Anpassung der Airbagfüllung an die zu erwartende Crash Schwere welche wiederum von der Aufprallgeschwindigkeit, der Aufprall- und der Insassensituation abhängt. Zu diesem Zweck werden derzeit analoge, stufenlos regelbare Gasgeneratoren entwickelt.However, this "gradual" ignition of the airbag will be replaced in the near future by a continuous adjustment of the airbag filling to the expected crash severity, which in turn depends on the impact speed, the impact and the occupant situation. For this purpose, analogue, continuously variable gas generators are currently being developed.
Die bei einem Unfall auf einen Insassen einwirkenden Kräfte bzw. die Beschleunigung der freien Masse des Insassen können nur schwer direkt gemessen werden. Daher sind modernere Kraftfahrzeuge mit einer Reihe von Sensoren, insbesondere Be- wegungs- und Beschleunigungssensoren, ausgestattet. So ist beispielsweise in das zentrale Airbagsteuergerät (Electronic Control Unit, ECU) ein Beschleunigungssensor integriert. Oft sind weitere Sensoren, wie z.B. Körperschall- oder Drucksen- soren, integriert im Frontbereich oder in den Seitenteilen des Fahrzeugs für die Messung der Beschleunigung bzw. der De- formation oder Deformationsgeschwindigkeit in Fahrtrichtung oder auch quer zur Fahrtrichtung.The forces acting on an occupant in an accident or the acceleration of the free mass of the occupant are difficult to measure directly. Therefore, more modern motor vehicles are equipped with a number of sensors, in particular motion and acceleration sensors. For example, an acceleration sensor is integrated into the central airbag control unit (Electronic Control Unit, ECU). Often, other sensors, such as structure-borne sound or pressure sensors, are integrated in the front area or in the side parts of the vehicle for measuring the acceleration or deceleration. formation or deformation speed in the direction of travel or transverse to the direction of travel.
Die verschiedenen Rückhaltesysteme werden i. d. R. mittels geeigneter Computersysteme, zumeist so genannter eingebetteter Systeme (Echtzeitsysteme) , welche meist einen Mikrocomputer enthalten, gesteuert. Diese Steuerungen (welche im folgenden vereinfacht als Airbag-Steuerung bezeichnet werden) verarbeiten die Signale der verschiedenen Sensoren und ent- scheiden danach mittels verschiedener bekannter Algorithmen (im einfachsten Fall durch Vergleich der Sensorsignale mit vorgegebenen Grenzwerten) , ob bestimmte Fahrzeuginsassen- Rückhaltesysteme ausgelöst werden sollen oder nicht. Weiterhin kann der optimale Zeitpunkt der Auslösung berechnet wer- den sowie, im Falle von stufenweise funktionierenden Rückhaltesystemen, welche Stufe jeweils ausgelöst werden soll.The various restraint systems will i. d. R. by means of suitable computer systems, usually so-called embedded systems (real-time systems), which usually contain a microcomputer controlled. These controls (which will be referred to as airbag control in the following) process the signals of the various sensors and then decide whether certain vehicle occupant restraint systems should be triggered by means of various known algorithms (in the simplest case by comparison of the sensor signals with predetermined limit values) or not. Furthermore, the optimal time of triggering can be calculated and, in the case of stepwise functioning restraint systems, which level should be triggered in each case.
An diese Airbag-Steuerungen werden extreme Anforderungen bezüglich der Geschwindigkeit der Rechenoperationen gestellt. So müssen typischerweise innerhalb von weniger als 30 MikroSekunden nach Beginn eines Aufpralls die entsprechenden Entscheidungen getroffen worden sein. Die in typischen Echtzeit- Systemen für Airbag-Steuerungen zur Verfügung stehenden Hardwareressourcen sind jedoch vergleichsweise gering: Typischer- weise werden beispielsweise 32 bit-Prozessoren mit einer Taktfrequenz von 32 MHz und einem Arbeitsspeicher von 4-6 kByte eingesetzt. Aufgrund der enormen Echtzeitanforderungen kommt daher einer Optimierung der entsprechenden Algorithmen bei der Airbag-Steuerung eine besondere Bedeutung zu.These airbag controls are subject to extreme demands on the speed of the arithmetic operations. Typically, within less than 30 microseconds after the impact begins, the appropriate decisions must have been made. However, the hardware resources available in typical real-time systems for airbag controls are comparatively small: typically, for example, 32-bit processors with a clock frequency of 32 MHz and a working memory of 4-6 KB are used. Due to the enormous real-time requirements, an optimization of the corresponding algorithms in the airbag control is therefore of particular importance.
Ein typisches Verfahren zur Steuerung eines Fahrzeuginsassen- Schutzsystems, das bei einem genügend starken Unfall das Schutzsystem auslöst, folgt dem nachfolgend beschriebenen Vorgehen. Eine Steuereinheit enthält mehrere Sensoren sowie eine Recheneinheit, welche während eines Unfalles anhand der Sensorsignale einen oder mehrere, den Unfallverlauf charakterisierende ISTwerte berechnet. Durch Vergleich der ISTwerte mit zugeordneten Ausloseschwellwerten wird entschieden, welche Fahrzeuginsassen-Schutzsysteme wie angesteuert werden. Dabei sind die Ausloseschwellwerte selbst vom Momentanwert der ISTwerte abhangig und werden standig neu berechnet. Als charakteristische ISTwerte werden verschiedene Kenngroßen verwendet, wie beispielsweise ein aktueller Verzogerungsmit- telwert oder ein partieller Geschwindigkeitsverlust.A typical method of controlling a vehicle occupant protection system that triggers the protection system in the event of a sufficiently severe accident follows the procedure described below. A control unit contains a plurality of sensors and a computing unit which calculates one or more actual values characterizing the course of the accident during an accident on the basis of the sensor signals. By comparing the actual values with associated Ausloseschwellwerte is decided which vehicle occupant protection systems are controlled as. The trigger threshold values themselves are dependent on the instantaneous value of the actual values and are constantly recalculated. As characteristic actual values, different parameters are used, such as a current delay value or a partial loss of speed.
Bei anderen Verfahren wird bei einem Unfall die Unfallart be- stimmt, also z. B. ob es sich um einen Frontalaufprall auf eine starre Wand, einen Aufprall auf ein starres Hindernis mit Teiluberdeckung, um einen Aufprall in einem spitzen Winkel oder einen Aufprall auf ein deformierbares Hindernis mit Teiluberdeckung ("Offset Deformable Barrier", ODB) handelt. Sofern aus den Signalverlaufen der Sensorsignale nicht eindeutig auf eine bestimmte Unfallart geschlossen werden kann, wird ein Wahrscheinlichkeitswert gebildet, der die Wahrscheinlichkeit widerspiegelt, mit der ein Unfall zu einem bestimmten Unfalltyp gehört. Der Auslosealgorithmus für die Auslosung des Kraftfahrzeug-Insassenschutzsystems wird entsprechend dem erkannten Unfalltyp angepasst.In other methods, the type of accident is determined in an accident, so z. Whether it is a frontal impact on a rigid wall, an impact on a rigid obstacle with partial coverage, an impact at an acute angle or an impact on a deformable obstacle with partial coverage ("Offset Deformable Barrier", ODB). If it is not possible to conclude clearly from the signal variations of the sensor signals on a certain type of accident, a probability value is formed which reflects the probability with which an accident belongs to a certain type of accident. The triggering algorithm for the draw of the motor vehicle occupant protection system is adapted according to the detected type of accident.
Die bekannten und die beschriebenen Verfahren und Algorithmen zur Steuerung von Insassenschutzsystemen weisen verschiedene Nachteile auf.The known and described methods and algorithms for controlling occupant protection systems have various disadvantages.
Viele dieser Verfahren basieren auf einer Art Mustererkennung, wobei für den Unfall charakteristische Kenngroßen in ihrem Verlauf analysiert werden und dann aufgrund ihrer "Ahn- lichkeit" mit vorgegebenen Verlaufen die entsprechenden Fahrzeuginsassen-Schutzsysteme gesteuert werden. Derartige Algorithmen erfordern enormen Speicher- und Zeitaufwand und sind in typischen Echtzeitsystemen daher häufig nicht praktikabel.Many of these methods are based on a kind of pattern recognition, whereby characteristics characteristic of the accident are analyzed in their course and then the corresponding vehicle occupant protection systems are controlled on the basis of their "similarity" with given courses. Such algorithms require enormous memory and time and are therefore often impractical in typical real-time systems.
Weiterhin müssen bei den bekannten Verfahren die für die Auslosealgorithmen verwendeten Parameter jeweils an das jeweilige Kraftfahrzeug und an die darin vorhandenen Sensortypen an- gepasst werden. Dies erfordert einen großen Zeitaufwand für neue Kraftfahrzeugtypen. Vorteilhaft wäre hingegen ein Vorgehen, bei dem die für neue Sensor- und Fahrzeugtypen erforderlichen Parameter leicht und ohne größeren Aufwand ermittelt, vorzugsweise mit Computer-gestutzten Verfahren automatisiert berechnet, werden können.Furthermore, in the case of the known methods, the parameters used for the triggering algorithms must each be assigned to the respective motor vehicle and to the sensor types present therein. be fit. This requires a great deal of time for new types of motor vehicles. On the other hand, a procedure would be advantageous in which the parameters required for new sensor and vehicle types can be determined easily and without major effort, preferably calculated automatically using computer-aided methods.
Bei weiterentwickelten Verfahren zur Steuerung von Kraftfahrzeuginsassen-Schutzsystemen wird zur Steuerung ein gemeinsa- mer Unfallschwerefaktor genutzt. Bei diesem handelt es sich um eine "analoge" Große, die verschiedene Varianten der Steuerung des Kraftfahrzeuginsassen-Schutzsystems erlaubt. So können beispielsweise durch einen Vergleich mit vorgegebenen Schwellwertfunktionen eine oder mehrere "digitale" Entschei- düngen für jedes Kraftfahrzeuginsassen-Schutzsystem getroffen werden. Beispielsweise kann bei Überschreiten eines ersten Schwellwerts die erste Stufe eines Airbags gezündet werden, bei Überschreiten eines zweiten Schwellwerts die zweite Stufe. Alternativ kann jedoch der gemeinsame Unfallschwerefaktor auch zur analogen Steuerung genutzt werden. So kann beispielsweise ein Gurtkraftbegrenzer auf die Unfallschwere eingestellt werden. Bei Airbags mit einem analogen Gasgenerator kann das Aufblasverhalten analog durch den gemeinsamen Unfallschwerefaktor gesteuert werden.In advanced methods for controlling vehicle occupant protection systems, a common accident severity factor is used for the control. This is an "analogue" size, which allows different variants of the control of the vehicle occupant protection system. For example, one or more "digital" decisions can be made for each vehicle occupant protection system by comparison with predefined threshold value functions. For example, when a first threshold value is exceeded, the first stage of an airbag can be ignited, and when a second threshold value is exceeded, the second stage is ignited. Alternatively, however, the common accident severity factor can also be used for analog control. For example, a belt force limiter can be set to the severity of the accident. In the case of airbags with an analog gas generator, the inflation behavior can be controlled analogously by the common accident severity factor.
Besonders für Frontairbags ist eine sehr feine Auflosung des gemeinsamen Unfallsschwerefaktors notig, um die richtigen Ruckhaltemittel, auch abhangig von der Position der zu schutzenden Insassen und deren Gewicht, zeitrichtig auszulosen. Durch die steigende Komplexität der Algorithmen ist es nicht mehr möglich, die im Rahmen der Algorithmen verwendeten Parameterwerte in akzeptabler Zeit bei der Erstellung des Algorithmus zu finden. Insbesondere hangt die Qualität des Verfahrens sehr stark von den benutzten bzw. ausgewählten Para- metern und Parameterwerten ab. Das Ausfindigmachen der Parameter und Parameterwerte wird gegenwartig auf manuelle Weise von Experten vorgenommen. Aufgabe der vorliegenden Erfindung ist es daher, ein Verfahren anzugeben, mit welchem die Parameter für ein Steuerverfahren für ein Kraftfahrzeuginsassen-Schutzsystemen auf ein- fächere Weise automatisiert für unterschiedliche Fahrzeugtypen ermittelbar sind.Especially for front airbags, a very fine resolution of the common accident severity factor is necessary to correctly trigger the correct means of restraint, also depending on the position of the occupants to be protected and their weight. Due to the increasing complexity of the algorithms, it is no longer possible to find the parameter values used in the algorithms within an acceptable time in the creation of the algorithm. In particular, the quality of the method depends very much on the used or selected parameters and parameter values. The retrieval of the parameters and parameter values is currently done manually by experts. It is therefore an object of the present invention to specify a method by means of which the parameters for a control method for a motor vehicle occupant protection system can be ascertained in a simpler manner automatically for different types of vehicle.
Diese Aufgabe wird durch die Erfindung mit den Merkmalen des unabhängigen Anspruchs gelost. Vorteilhafte Weiterbildungen der Erfindung sind in den Unteranspruchen angegeben.This object is achieved by the invention having the features of the independent claim. Advantageous developments of the invention are specified in the dependent claims.
Bei dem vorgeschlagenen Verfahren zum rechnergestutzten Erstellen von Verarbeitungsvorschriften, die von einer Verarbeitungseinheit verarbeitbar sind, werden die Verarbeitungs- Vorschriften für die Durchfuhrung eines Verfahrens zur Steuerung von Kraftfahrzeuginsassen-Schutzsystemen herangezogen. Gemäß diesem Verfahren wird ein gemeinsamer Unfallschwerefaktor oder eine digitale Ausloseentscheidung für das Schutzsystem ermittelt, wobei die Verarbeitungsvorschriften Regeln für eine Fuzzy-Logik darstellen und eine Regel eine Kombination einer Anzahl an Kriterien umfasst. Dabei wird die Erstellung der Regeln und/oder eine Optimierung der Lage und/oder Form von Fuzzy-Variablen automatisiert durch ein neuronales Netz vorgenommen .In the proposed method for the computer-aided preparation of processing instructions that can be processed by a processing unit, the processing rules are used for carrying out a method for controlling motor vehicle occupant protection systems. According to this method, a common crash severity factor or a digital trigger decision is determined for the protection system, the processing rules being rules for fuzzy logic and a rule comprising a combination of a number of criteria. The creation of the rules and / or an optimization of the position and / or form of fuzzy variables is carried out automatically by a neural network.
Der Erfindung liegt die Überlegung zugrunde, dass durch den Einsatz einer Fuzzy-Logik Regeln erstellt werden können, woraus sich eine gute Performance der Erkennungsleistung des Systems mit exzellenter Interpretierbarkeit der Losung durch Experten ergibt. Der Einsatz einer Fuzzy-Logik weist ferner den Vorteil auf, dass die gefundenen Losungen sehr gut interpretierbar sind. Da die Kalibrierung, d.h. die Erstellung von Regeln, die durch die Fuzzy-Logik verarbeitet werden, in der Regel sehr viel Zeit benotigt, sieht die Erfindung vor, die Erstellung und/oder Optimierung der Regeln durch ein neuronales Netz vorzunehmen. Unter dem Erstellen von Regeln wird die Kombination verschiedener durch die Regeln berücksichtigter Kriterien verstanden. Das Optimieren der Regeln der Fuzzy- Logik umfasst sowohl die Form der Fuzzy-Sets die zur Fuzzifi- zierung der Eingangskriterien eingesetzt werden als auch deren Parametern die die Lage der definierten Form im Sinne ei- ner Ubertragungskennlinie spezifizieren.The invention is based on the consideration that by using a fuzzy logic rules can be created, resulting in a good performance of the recognition performance of the system with excellent interpretability of the solution by experts. The use of fuzzy logic also has the advantage that the solutions found are very well interpretable. Since the calibration, ie the creation of rules, which are processed by the fuzzy logic, usually takes a lot of time, the invention provides to make the creation and / or optimization of the rules by a neural network. When creating rules, the combination of different ones considered by the rules becomes Understood criteria. Optimizing the rules of fuzzy logic includes both the form of the fuzzy sets that are used to fuzzify the input criteria and their parameters that specify the position of the defined shape in terms of a transfer characteristic.
Dabei können verschiedene Losungsansatze gewählt werden, ein neuronales Netz so zu gestalten, dass die benutzten Regeln aus bereits vorhandenen Datensätzen vom neuronalen Netz selbst ermittelt werden. Es können jedoch auch bereits vorhandene Regelsatze optimiert werden oder vorhandene Regelsatze der Fuzzy-Logik um zusatzliche oder neue Regeln erweitert werden .Different approaches can be chosen to design a neural network in such a way that the used rules are determined from already existing data records by the neural network itself. However, existing rulesets can be optimized or existing rulesets of the fuzzy logic can be extended by additional or new rules.
Die Kombination einer Fuzzy-Logik mit neuronalen Netzen für die im Rahmen von Kraftfahrzeuginsassen-Schutzsystemen herangezogenen Algorithmen ermöglicht eine interpretierbare Losung, da nachvollziehbar ist, welche Kriterien in welcher Form miteinander kombiniert werden. Weiterhin ist die Uber- tragungskennlinie zur Fuzzyfizierung und Bewertung der Kriterien bekannt. Dies erlaubt eine Abschätzung des Systemverhaltens bei geänderten Eingangsdaten. Eine Bewertung der Robustheit des Systems ist damit im Rahmen eines Expertenreviews gegeben .The combination of fuzzy logic with neural networks for the algorithms used in the context of motor vehicle occupant protection systems allows an interpretable solution, since it is comprehensible which criteria are combined in which form. Furthermore, the transfer characteristic for fuzzyfication and evaluation of the criteria is known. This allows an estimation of the system behavior with changed input data. An assessment of the robustness of the system is thus given in the context of an expert review.
Eine Selektion der durch das neuronale Netz verarbeiteten Kriterien wird in einer Ausfuhrungsform durch einen Brute- Force-Algorithmus vorgenommen. Dazu können bekannte Verfahren, wie z.B. statistische Häufigkeitsverteilungen, Korrela- tionsfunktionen oder Cluster-Algorithmen herangezogen werden,A selection of the criteria processed by the neural network is made in one embodiment by a brute force algorithm. For this purpose, known methods, such as e.g. statistical frequency distributions, correlation functions or cluster algorithms are used,
Um die Bestimmung der Eingangskriterien zu erleichtern und das Auffinden der Eingangskriterien zu beschleunigen, ist weiter vorgesehen, dass der Fuzzy-Logik aus einer Gesamtheit an durch die Fuzzy-Logik verarbeitbaren Parametern eine Teilmenge an Parametern zugeführt wird zur Bestimmung einer Zwischengroße, welche ihrerseits zur Bestimmung des gemeinsamen Unfallschwerefaktors weiterverarbeitet wird, wobei die Auswahl der, der Fuzzy-Logik zugeführten, Parameter durch das neuronale Netz erfolgt. Die Zwischengröße wird in Fachkreise auch als Zielgröße bezeichnet. Bei neuronalen Netzen des Typs Multi-Layer-Perceptron lernt die erste Schicht eine lineare Merkmalsextraktion selbstständig, so dass diese bei solchen neuronalen Netzen verborgen als Bestandteil des Lernverfahrens abläuft und damit der Anforderung der Interpretierbar- keit entgegenwirkt.In order to facilitate the determination of the input criteria and to accelerate the finding of the input criteria, it is further provided that the fuzzy logic is supplied from a set of processable by the fuzzy logic parameters, a subset of parameters for determining an intermediate size, which in turn for the determination of the common Accident severity factor is processed, with the selection of the fuzzy logic supplied, the parameters through the neural network. The intermediate size is referred to in professional circles as a target size. In neural networks of the multi-layer perceptron type, the first layer autonomously learns a linear feature extraction, so that it runs concealed in such neural networks as part of the learning process and thus counteracts the requirement of interpretability.
Um die durch das neuronale Netz selektierten Parameter für die Fuzzy-Logik verarbeitbar zu machen, werden die der Fuzzy- Logik zugeführten Parameter einer Transformation unterzogen, aus der eine Anzahl von neuen Parametern hervorgeht, wobei jeder neue Parameter eine Kombination, insbesondere eine Linearkombination, der der Transformation zugeführten Parameter ist .In order to make the parameters selected by the neural network processable for the fuzzy logic, the parameters supplied to the fuzzy logic are subjected to a transformation, which results in a number of new parameters, each new parameter being a combination, in particular a linear combination is the parameter supplied to the transformation.
Die Transformation ist eine Koordinatentransformation, bei der in einem, durch zwei der Parameter aufgespannten, Koordinatensystem angeordnete Daten, die lediglich durch schiefe Trennungsgeraden voneinander in Teilmengen separierbar sind, derart transformiert werden, dass eine achsparallele Trennung von Datenteilmengen möglich ist. Die Koordinatentransformati- on wird durchgeführt, um ein Weiterverarbeiten durch die Fuzzy-Logik zu ermöglichen, welche eine Trennung der Daten in Datenteilmengen mittels schiefer Trennungsgeraden nicht vornehmen kann.The transformation is a coordinate transformation in which data arranged in a coordinate system spanned by two of the parameters and which can only be separated into subsets by skewed separation lines are transformed in such a way that an axially parallel separation of data subsets is possible. The coordinate transformation is performed to allow further processing by the fuzzy logic, which can not perform separation of the data into data subsets using slash separation lines.
Als neuronales Netz wird ein strukturiertes neuronales Netz verwendet, das eine problemspezifisch gewählte Netzarchitektur besitzt. Gegenüber konventionellen Netzarchitekturen weist dies den Vorteil auf, dass Vorwissen über die Struktur eingebracht werden kann. Weiterhin erleichtert eine geeignete Strukturierung die Interpretierbarkeit eines fertig trainierten neuronalen Netzes. Insbesondere ist es vorteilhaft, wenn das strukturierte neuronale Netz in eine Mehrzahl an Teilnetzen unterteilt wird, wobei durch jedes der Teilnetze zumindest eine Zwischengroße als Ausgangswert ermittelt wird, die als Eingangsgroßen zu- mindest einem weiteren Teilnetz des strukturierten neuronalen Netzes zugeführt werden. Hierbei wird ein Problem in kleinere Teilprobleme zerlegt, die sich einfacher, d.h. durch kleinere neuronale Netze, losen lassen. Damit entfallt das Problem, ein großes, monolithisches Netz analysieren zu müssen. Zweck- maßigerweise ist hierbei für jedes der Teilnetze die zu berechnende Zwischengroße für die zu trainierenden Daten bekannt. Mit anderen Worten bedeutet dies, dass die Werte der zu berechnenden Zwischengroßen für die Trainingsdaten bekannt sind und als Vorgabe für den Trainingsalgorithmus verwendet werden.As a neural network, a structured neural network is used which has a problem-specific network architecture selected. Compared to conventional network architectures, this has the advantage that prior knowledge of the structure can be introduced. Furthermore, suitable structuring facilitates the interpretability of a fully trained neural network. In particular, it is advantageous if the structured neural network is subdivided into a plurality of subnetworks, wherein at least one intermediate variable is determined as output value by each of the subnetworks, which are supplied as input variables to at least one further subnetwork of the structured neural network. Here a problem is broken down into smaller sub-problems, which can be solved more easily, ie by smaller neural networks. This eliminates the problem of having to analyze a large, monolithic network. For this purpose, the intermediate size to be calculated for the data to be trained is expediently known for each of the subnetworks. In other words, this means that the values of the intermediate sizes to be calculated for the training data are known and used as a default for the training algorithm.
Es ist insbesondere vorgesehen, dass zum Trainieren des neuronalen Netzes die Ausgangsgroße vorgegeben wird, wobei die Ausgangsgroße eine Auslose- oder Nicht-Auslose-Entscheidung oder eine kontinuierliche ("analoge") Große ist.In particular, it is provided that for training the neural network, the output variable is given, the output variable being a tripping or non-tripping decision or a continuous ("analog") one.
Bei dem Steuerverfahren, dem die Eingangskriterien zugeführt werden, werden bei einem Unfall folgende Schritte durchgeführt. Ein oder mehrere Sensoren erfassen eine oder mehrere vorgegebene physikalische Messgroßen, insbesondere eine Beschleunigung parallel und/oder quer zu einer Fahrtrichtung des Kraftfahrzeugs und/oder ein Drucksignal und/oder Korperschall und/oder eine Deformation des Kraftfahrzeugs und/oder die Fahrzeuggeschwindigkeit und/oder die Differenzgeschwin- digkeit zum Kollisionspartner und/oder Informationen über die Form, Große und die Überlappung mit dem Kollisionspartner als Funktion einer Fortschrittsvariablen. Aus diesen physikalischen Messgroßen wird der gemeinsame Unfallschwerefaktor berechnet, welcher die bei dem Unfall auftretende mögliche Ver- letzungsschwere eines Kraftfahrzeuginsassen charakterisiert. Entsprechend dem Wert des gemeinsamen Unfallschwerefaktors werden die Kraftfahrzeuginsassen-Schutzsysteme ggf. unter Einbeziehung von Insassen und Insassenposition derart gesteuert, dass sich eine Unfallfolgenminderung mit möglichst niedrigen Verletzungswerten ergibt.In the control method to which the input criteria are supplied, the following steps are performed in an accident. One or more sensors detect one or more predetermined physical measured variables, in particular an acceleration parallel and / or transverse to a direction of travel of the motor vehicle and / or a pressure signal and / or body sound and / or deformation of the motor vehicle and / or the vehicle speed and / or Differential velocity to the collision partner and / or information about the shape, size and overlap with the collision partner as a function of a progress variable. From these physical measured variables, the common accident severity factor is calculated, which characterizes the possible injury severity of a motor vehicle occupant which occurs during the accident. According to the value of the common accident severity factor, the vehicle occupant protection systems are possibly under Inclusion of occupants and occupant position so controlled that results in a reduction of the consequences of an accident with the lowest possible injury values.
Aus den ermittelten Unfallschwerefaktoren wird abhangig von den unfallcharakteristischen Bedingungen der gemeinsame Unfallschwerefaktor als Funktion der Fortschrittsvariablen ermittelt .From the accident severity factors determined, the common accident severity factor is determined as a function of the progress variables, depending on the accident-characteristic conditions.
Bei den charakteristischen Kriterien kann es sich um eineThe characteristic criteria may be a
Reihe verschiedener Kriterien handeln, welche teilweise eine anschauliche physikalische Bedeutung haben. So kann beispielsweise aus einer über einen gewissen Zeitverlauf hinweg gemessenen Beschleunigung durch Mittelung über eine vorgege- bene Anzahl von Messwerten eine "aktuelle Verzogerungsmittel- wert "-Funktion bestimmt werden. Weiterhin kann auch über kürzere Zeiten integriert werden. Außerdem kann eine Funktion ermittelt werden, welche die zeitliche Änderung der Beschleunigung charakterisiert sowie eine Signal-Dynamik-Funktion, welche beispielsweise Oszillationen der Beschleunigung innerhalb eines bestimmten Spektralbereichs charakterisiert. Es kann, wo der Terminus "Zeit" verwendet wird, analog auch eine weitere Fortschrittsvariable verwendet werden, die das zeitliche Voranschreiten der Aufprallsituation charakterisiert.A series of different criteria act, some of which have a clear physical meaning. Thus, for example, a "current delay mean value" function can be determined by averaging over a predefined number of measured values over a certain time span. Furthermore, it can also be integrated over shorter times. In addition, a function can be determined which characterizes the temporal change of the acceleration as well as a signal dynamic function which, for example, characterizes oscillations of the acceleration within a specific spectral range. Similarly, where the term "time" is used, another progress variable may be used that characterizes the temporal progression of the impact situation.
Bei der bzw. den Fortschrittsvariablen handelt es sich in der Regel um eine Zeitvariable, beispielsweise um die interne Zeit eines Mikrocomputers, eines Airbag-Steuergerats . Auch andere periodische Signale, beispielsweise Signale, welche aus einem Signal der Kurbelwelle des Kraftfahrzeugs abgeleitet sind, lassen sich einsetzen. Es kann sich auch um andere Arten von Fortschrittsvariablen handeln, welche charakteristisch sind für das Stadium des Unfalls, in welchem sich das Kraftfahrzeug befindet. So kann beispielsweise eine gemessene Deformation des Kraftfahrzeugs oder von Teilen derselben als Fortschrittsvariable eingesetzt werden. Im Weiteren können die Fortschrittsvariablen Informationen enthalten die vor dem ersten Kontakt der Kollisionspartner vorliegen. Die Informationen können zur Charakterisierung der Aufprallsituation ebenfalls eingesetzt werden wie zur Er- fassung des Insassenstatus. Beispielsweise lassen sich Informationen über die Fahrzeuggeschwindigkeit, die Differenzgeschwindigkeit zum Kollisionspartner sowie Informationen über die Form, Große und die Überlappung mit dem Kollisionspartner als Eingangsgroßen für den Algorithmus zur Crash Schwere Er- kennung verwenden. Zur optimalen Steuerung der Ruckhaltemittel, angepasst auf die Insassensituation, lassen sich Insassengroße, Gewicht und Position berücksichtigen.The progress variable (s) is typically a time variable, such as the internal time of a microcomputer, an airbag control unit. Other periodic signals, for example, signals which are derived from a signal of the crankshaft of the motor vehicle, can be used. It may also be other types of progress variables which are characteristic of the stage of the accident in which the motor vehicle is located. For example, a measured deformation of the motor vehicle or parts thereof can be used as a progress variable. Furthermore, the progress variables may contain information that is available prior to the first contact of the collision partners. The information can also be used to characterize the impact situation as well as to detect the occupant status. For example, information about the vehicle speed, the differential speed to the collision partner as well as information about the shape, size and overlap with the collision partner can be used as input variables for the algorithm for crash severity detection. For optimal control of the restraint, adapted to the occupant situation, occupant size, weight and position can be considered.
Die unfallcharakteristischen Bedingungen müssen keine einfa- chen "Wahr-/Falsch-Bedingungen" darstellen, sondern könnenThe accident-characteristic conditions do not have to represent simple "true / false conditions" but can
"weiche" Bedingungen sein, wie diese von der Fuzzy-Logik bereitgestellt werden. Je nach dem, wie gut bestimmte Bedingungen erfüllt sind (z.B. eine Bedingung ist zu 90 % erfüllt), wird dem zugeordneten Hauptterm eine bestimmte Signifikanz zugewiesen. Da nun nicht mehr zwischen "Wahr" und "Falsch" hin- und hergeschaltet wird, lasst sich auf diese Weise insbesondere ein stetiger Verlauf des gemeinsamen Unfallschwerefaktors sicherstellen."soft" conditions as provided by the fuzzy logic. Depending on how well certain conditions are met (e.g., a condition is met 90%), the assigned principal term is assigned a certain significance. Since now no longer switched between "true" and "wrong" back and forth, can be ensured in this way in particular a steady course of the common accident severity factor.
Insbesondere ist im Rahmen dieses Verfahrens vorgesehen, dass die Kraftfahrzeuginsassen-Schutzsysteme analog angesteuert werden. Hierbei wird bevorzugt ein Airbagsystem mit einem a- nalogen Gasgenerator eingesetzt, welcher in analoger Weise durch den gemeinsamen Unfallschwerefaktor angesteuert wird.In particular, it is provided in the context of this method that the motor vehicle occupant protection systems are actuated analogously. In this case, an airbag system with an analog gas generator is preferably used, which is controlled in an analogous manner by the common accident severity factor.
Die Erfindung betrifft ferner ein Computerprogrammprodukt mit auf einem maschinenlesbaren Trager gespeicherten Programmcodemitteln, um das erfindungsgemaße Verfahren in einer seiner Ausgestaltungen durchzufuhren, wenn das Programm auf einem Computer oder Computer-Netzwerk ausgeführt wird. Im Folgenden wird die Erfindung anhand von Ausführungsbeispielen näher erläutert. Es zeigen:The invention further relates to a computer program product with program code means stored on a machine-readable carrier in order to carry out the method according to the invention in one of its embodiments when the program is executed on a computer or computer network. In the following the invention will be explained in more detail by means of exemplary embodiments. Show it:
Fig. 1 ein Ausführungsbeispiel für die Umsetzung eines neuronalen Netzes auf ein Fuzzy-Logik-System,1 shows an exemplary embodiment for the conversion of a neural network to a fuzzy logic system,
Fig. 2 ein weiteres Ausführungsbeispiel, das die Umsetzung eines neuronalen Netzes in ein Fuzzy-Logik-System zeigt,2 shows a further embodiment which shows the conversion of a neural network into a fuzzy logic system,
Fig. 3 ein Beispiel, welches die automatisierte Auswahl geeigneter Merkmale unterstützt, welche als Eingangskriterien im Rahmen eines Verfahrens zur Steuerung von Kraftfahrzeuginsassen-Schutzsystemen he- rangezogen werden können,3 shows an example which supports the automated selection of suitable features which can be used as input criteria in the context of a method for controlling motor vehicle occupant protection systems,
Fig. 4 ein x-y-Diagramm, in dem in einem, durch zwei zu verwendende Parameter aufgespannten Koordinatensystem liegende Daten angeordnet sind, welche einer Transformation zur Verarbeitung in dem Fuzzy-Logik-FIG. 4 shows an x-y diagram in which data lying in a coordinate system spanned by two parameters to be used are arranged, which data are assigned to a transformation for processing in the fuzzy logic system.
System vorgesehen sind,System are provided
Fig. 5 ein weiteres x-y-Diagramm, welches eine Situation vor der Koordinatentransformation darstellt,5 is another x-y diagram illustrating a situation before the coordinate transformation,
Fig. 6 die in Fig. 5 gezeigte Datenmenge nach der Koordinatentransformation, undFIG. 6 shows the data quantity shown in FIG. 5 after the coordinate transformation, and FIG
Fig. 7 ein Ausführungsbeispiel eines neuronalen Netzes, welches eine Anzahl von Teilnetzen umfasst.Fig. 7 shows an embodiment of a neural network comprising a number of subnetworks.
Im Rahmen der vorliegenden Erfindung erfolgt eine Klassifizierung eines Unfalls auf Basis einer Fuzzy-Logik. Die zu beurteilenden Kriterien werden hierbei durch die Fuzzy-Logik über einem gemeinsamen Unfallschwerefaktor, der als Crash Se- verity bezeichnet wird, abgebildet. Es erfolgt eine - ähnlich einer digitalen Logik - aufgebaute Verknüpfung, in der ein- zelne Fuzzy-Sets einer oder mehrerer Verknüpfungen unterzogen werden. Anhand der Verknüpfungen kann auf nachvollziehbare Weise für die unterschiedlichsten Crash-Situationen der gemeinsame Unfallschwerefaktor ermittelt werden, anhand dem die geeigneten, auszulösenden Rückhaltemittel bestimmbar sind.In the context of the present invention, a classification of an accident is based on a fuzzy logic. The criteria to be assessed here are mapped by the fuzzy logic over a common accident severity factor, which is referred to as crash severity. A link built up similar to a digital logic takes place, in which individual fuzzy sets of one or more links. On the basis of the links, the common accident severity factor can be determined in a comprehensible manner for the most diverse crash situations, by means of which the suitable restraining means to be triggered can be determined.
Die mit den unterschiedlichen Fahrzeugstrukturen und zum Teil unterschiedlichen Sensorkonfigurationen verbundene Problematik besteht darin, dass die Bereitstellung der Fuzzy-Sets für jedes Fahrzeugmodell und für jeden Fahrzeugtyp neu bereitgestellt werden muss.The problem associated with the different vehicle structures and in part different sensor configurations is that the provision of the fuzzy sets has to be redeployed for each vehicle model and for each vehicle type.
Aufgrund der Vielzahl der zu berücksichtigenden Kriterien bei einem Crash, wie z.B. die absoluten Geschwindigkeiten oder Relativgeschwindigkeit der aufeinander prallenden Fahrzeuge, der Geschwindigkeitsänderung, der Beschleunigung, der Beschleunigungsänderung, der Masse des Kollisionsobjekts, der Steifigkeit des Kollisionsobjekts oder dem Winkel des Aufpralls, ist die Bereitstellung der zu berücksichtigenden Kri- terien zur weiteren Verarbeitung mit einem erheblichen Zeitaufwand verbunden.Due to the variety of criteria to be considered in a crash, such as the absolute speeds or relative velocity of the colliding vehicles, the speed change, the acceleration, the acceleration change, the mass of the collision object, the stiffness of the collision object or the angle of impact, is the provision of the criteria to be considered for further processing with a considerable amount of time connected.
Die der Erfindung zugrunde liegende Idee besteht deshalb darin, die Bereitstellung der Fuzzy-Sets unter Ausnutzung von neuronalen Netzen automatisiert vorzunehmen.Therefore, the idea underlying the invention is to make automated the provision of the fuzzy sets by utilizing neural networks.
Die Umsetzung eines neuronalen Netzes in ein Fuzzy-Logik- System kann beispielsweise unter Verwendung des bekannten Modells "ANFIS Model" (Adaptive Network-based Fuzzy Inference System) realisiert werden. Das Modell ist ein 5-schichtiges, vorwärts betriebenes neuronales Netz, welches in der Lage ist, ein TSK (Takagi-Sugeno-Kang) Fuzzy Inference System zu trainieren und Regeln in folgender Form unterstützt:The implementation of a neural network into a fuzzy logic system can be realized, for example, using the known model "ANFIS Model" (Adaptive Network-based Fuzzy Inference System). The model is a 5-layer, forward-driven neural network capable of training a TSK (Takagi-Sugeno-Kang) fuzzy inference system and supporting rules in the following form:
WENN Xl = Al UND ... UND Xn = An DANN Y = α0 + αiXi + ... + anXn- Dies ist in Fig. 1 veranschaulicht. Schicht 1 enthält in jedem der beispielhaft vier Knoten eine Zugehörigkeitsfunktion, welche die Eingangsgrößen fuzzifiziert . Jeder der Knoten ist genau mit einer Eingangsgröße Xl, X2 verbunden. Die Anzahl der Knoten hängt von der Anzahl der Zugehörigkeitsfunktion pro Eingangsgröße ab. Diese können dabei unterschiedlich sein. In den einzelnen Knoten werden die Parameter der Zugehörigkeitsfunktion gespeichert und trainiert. Hierbei werden in der Regel Gauß'sche Funktionen verwendet.IF Xl = Al AND ... AND Xn = At THEN Y = α 0 + αiXi + ... + a n X n - This is illustrated in FIG. 1. Layer 1 in each of the exemplary four nodes contains a membership function which fuzzifies the input variables. Each of the nodes is exactly connected to an input quantity X1, X2. The number of nodes depends on the number of membership functions per input. These can be different. The parameters of the membership function are stored and trained in the individual nodes. Gaussian functions are usually used here.
Schicht 2 repräsentiert die Regelbasis und enthält für jede Regel einen Knoten (im Ausführungsbeispiel sind dies beispielhaft vier Knoten), welcher mit den jeweiligen Einheiten der vorhergehenden Schicht verbunden ist, die die Prämisse dieser Regel bilden. Die einzige Aufgabe dieser Knoten ist die Verknüpfung der Zugehörigkeitsgrade aus der vorhergehenden Schicht mit einer sog. T-Norm. In der Regel wird hierfür das Produkt oder die Funktion "Soft-Min" verwendet.Layer 2 represents the rule base and contains for each rule a node (in the exemplary embodiment, these are for example four nodes), which is connected to the respective units of the preceding layer, which form the premise of this rule. The only task of these nodes is to link the degrees of membership from the previous layer with a so-called T-norm. Usually the product or the function "Soft-Min" is used.
Schicht 3 stellt eine Erweiterung der Regelschicht dar, welche beispielhaft ebenfalls vier Knoten umfasst und die Aufgabe hat, die Erfüllungsgrade der einzelnen Regelprämissen zu normieren. Dies geschieht durch die Division der einzelnen Erfüllungsgrade durch die Summe aller Erfüllungsgrade.Layer 3 represents an extension of the rule layer, which for example likewise comprises four nodes and has the task of normalizing the degrees of fulfillment of the individual rule premises. This is done by dividing the individual degrees of fulfillment by the sum of all degrees of fulfillment.
Schicht 4 enthält Knoten, welche als Eingabe die Erfüllungsgrade der jeweiligen Regeln erhalten. Die Eingangsgrößen Xl, X2 sind ebenfalls mit diesen Knoten verbunden. Zusammen mit den Erfüllungsgraden werden die einzelnen Regelausgaben be- rechnet.Layer 4 contains nodes which receive as input the fulfillment levels of the respective rules. The input variables X1, X2 are also connected to these nodes. Together with the degrees of fulfillment, the individual rule expenses are calculated.
Schicht 5 (ein Knoten) berechnet schließlich einen finalen Ausgabewert Y, indem es alle Eingaben aus der vorhergehenden Schicht aufsummiert.Layer 5 (a node) finally computes a final output value Y by summing all inputs from the previous layer.
Fig. 2 stellt diesen Sachverhalt in einem weiteren, anschaulicheren Beispiel dar. Einer Eingabeschicht (Schicht 1) mit zwei Knoten (Neuronen) werden die Eingangsgrößen Xl und X2 zugeführt. Eine Prämissenschicht (Schicht 2) umfasst vier Knoten mit jeweils einer Regel. Die Knoten der Prämissenschicht sind jeweils mit den Knoten der Eingabeschicht ver- bunden. Ein "S" repräsentiert die Regel "Small", ein L repräsentiert die Regel "Large". Eine Regelschicht mit zwei Knoten umfasst die Regeln Rl und R2. Eine Konsequenzschicht (Schicht 4) enthält wiederum zwei Knoten, die mit den vorhergehenden Knoten der Regelschicht verbunden sind. Eine Ausgabeschicht (Schicht 5) enthält schließlich den finalen Ausgabewert, wobei deren einziger Knoten mit dem vorhergehenden Knoten der Konsequenzschicht verbunden ist. Das neuronale Netz lässt sich dabei wir folgt interpretieren:Fig. 2 illustrates this fact in a further, more illustrative example. An input layer (layer 1) with Two nodes (neurons) are supplied with the input quantities X1 and X2. A premise layer (layer 2) comprises four nodes, each with a rule. The nodes of the premise layer are each connected to the nodes of the input layer. An "S" represents the rule "Small", an L represents the rule "Large". A rule layer with two nodes includes the rules Rl and R2. A consequence layer (layer 4) again contains two nodes which are connected to the preceding nodes of the rule layer. Finally, an output layer (layer 5) contains the final output value with its single node connected to the preceding node of the consequence layer. The neural network can be interpreted as follows:
Rl: WENN Xl = "Small" UND X2 = "Small" DANN Y = "Small", R2: WENN Xl = "Large" UND X2 = "Large" DANN Y = "Large".R1: IF Xl = "Small" AND X2 = "Small" THEN Y = "Small", R2: IF Xl = "Large" AND X2 = "Large" THEN Y = "Large".
Um das Trainieren des neuronalen Netzes in seiner Komplexität möglichst effizient zu gestalten, werden die dem neuronalen Netz zur Verfügung gestellten Kriterien selektiert. Die Selektion der Kriterien kann automatisiert unterstützt werden. Die Kriterienauswahl selektiert eine Teilmenge aus allen bereitgestellten Kriterien. Bekannte Verfahren sind statistische Häufigkeitsverteilungen, Korrelationsfunktionen oder Cluster-Algorithmen . Beispiele hierfür sind z.B. Chi-Squared Test of Independence, K-Means (Non-Overlapping Clusters) , Fuzzy C-Means (Overlapping Clusters), Mixture of Gaussians (Model-based Clustering) oder Principal Component Analysis (die zur Merkmalsextraktion innerhalb von neuronalen Netzen und der Klassifikation von Problemen verwendet wird) .In order to make the training of the neural network as efficient as possible in its complexity, the criteria made available to the neural network are selected. The selection of the criteria can be supported automatically. The criteria selection selects a subset of all provided criteria. Known methods are statistical frequency distributions, correlation functions or cluster algorithms. Examples of this are e.g. Chi-Squared Test of Independence, K-Means (Non-Overlapping Clusters), Fuzzy C-Means (Overlapping Clusters), Mixture of Gaussians (Model-based Clustering) or Principal Component Analysis (for feature extraction within neural networks and classification) used by problems).
So kann z.B. der Chi-Squared Independence Test benutzt werden, um die Abhängigkeit bzw. Unabhängigkeit einer bestimmten Crashsituation oder einer Crash Severity-Zwischengröße von der Verteilung der verschiedenen Features zu ermitteln. Der Abhängigkeitsgrad ist ein Maß dafür, wie geeignet ein Kriterium zur Ermittlung der Zielgröße, z.B. des Crashmodes, ist. In Fig. 3 ist ein Beispiel für das Kriterium der mittleren Beschleunigung ("AAP") auf der x-Achse und verschiedenen Crashsituationen auf der y-Achse dargestellt. Die Crashsituationen sind im Einzelnen wie folgt bezeichnet: 0 = verschie- dene, 1 = Winkel, 2 = ODB (Offset Deformable Barrier) , 3 = Frontaufprall, 4 = keine Auslösesituation, 5 = Pole.For example, the Chi-Squared Independence Test can be used to determine the dependence or independence of a particular crash situation or a crash severity intermediate size of the distribution of the various features. The degree of dependency is a measure of how suitable a criterion is to determine the target size, eg of the crash mode. FIG. 3 shows an example of the criterion of the mean acceleration ("AAP") on the x-axis and of various crash situations on the y-axis. Specifically, the crash situations are designated as follows: 0 = different, 1 = angle, 2 = ODB (offset deformable barrier), 3 = front impact, 4 = no triggering situation, 5 = pole.
Mit dem Kriterium der mittleren Beschleunigung ist es möglich, für Werte AAP > 35 die Crash-Situationen 3 (Aufprall auf eine Wand) und 5 (Aufprall auf einen Pfosten) von den übrigen Crash-Situationen abzutrennen. Eine weitere Abgrenzung von Nicht-Auslösesituationen ist für AAP > 18 möglich.With the criterion of medium acceleration, it is possible to separate the crash situations 3 (impact on a wall) and 5 (impact on a pole) from the other crash situations for values AAP> 35. A further delimitation of non-trigger situations is possible for AAP> 18.
Für eine zuverlässige Klassifizierung aller Crash-Situationen ist ein einziges Kriterium nicht ausreichend. Deshalb werden verschiedene Merkmale miteinander kombiniert. Damit eine Verarbeitung der selektierten Kriterien und insbesondere eine Abbildung auf eine Fuzzy-Logik möglich sind, werden zwei im Zuge des Algorithmus zur Steuerung des Kraftfahrzeuginsassen- Schutzsystems gegenüber gestellte Kriterien einer Transformation unterzogen. Bei der Transformation ergibt sich eine Anzahl von neuen Kriterien. Jedes neue Kriterium ist dabei eine (Linear-) kombination der vorher selektierten Merkmale.For a reliable classification of all crash situations, a single criterion is not sufficient. Therefore, different features are combined. In order that processing of the selected criteria and in particular a mapping to a fuzzy logic are possible, two criteria set in the course of the algorithm for controlling the motor vehicle occupant protection system are subjected to a transformation. The transformation results in a number of new criteria. Each new criterion is a (linear) combination of the previously selected features.
Bei neuronalen Netzen vom Typ Multi-Layer-Perceptron findet die Transformation in der ersten versteckten Schicht (Hidden Layer) statt, so dass diese verborgen als Bestandteil des Lernverfahrens abläuft. Bei Verwendung anderer Lernverfahren, z.B. bei regelbasierten Neuro-Fuzzy-Systemen, besteht auch die Möglichkeit einer Koordinatentransformation, z.B. der Drehung der Datenverteilung, in einem Merkmalsraum um eine Achsenparallelität herzustellen. Dies wird im Folgenden anhand des Ausführungsbeispiels der Fig. 4 bis 6 veranschaulicht.In neural networks of the type multi-layer perceptron, the transformation takes place in the first hidden layer, so that it runs hidden as part of the learning process. When using other learning methods, e.g. in rule-based neuro-fuzzy systems, there is also the possibility of coordinate transformation, e.g. the rotation of the data distribution, in a feature space to establish axis parallelism. This will be illustrated below with reference to the embodiment of FIGS. 4 to 6.
Im Ausführungsbeispiel der Fig. 4 markieren Kreuze Datenpunkte einer bestimmten Klasse, bei der beispielsweise das Kraft- fahrzeuginsassen-Schutzsystem auszulösen ist. Diese Klasse ist deshalb von allen anderen Datenpunkten (den ovalen Kreisen) zu trennen, welche beispielsweise eine Situation darstellen, in der das Fahrzeug mit kleiner Geschwindigkeit ge- gen eine starre Wand fährt oder ein sog. Misuse vorliegt, indem z.B. ein Schlagloch oder ein überfahrener Balken Auslöser für das Ansprechen der Sensoren ist. Die Daten sind in einem x-y-Koordinatensystem angeordnet, wobei auf der x- und der y- Achse jeweils im Rahmen des Algorithmus zu verwendende Krite- rien „ADP" (mittlere Beschleunigung) und „Slope" aufgetragen sind. Eine Trennung der Kreuze kann durch ein konventionelles Multi-Layer-Perceptron durch die mit dem Bezugszeichen 10, 20 gekennzeichnet, schief in der Ebene liegenden Trennungsgeraden ( "Unconstrained MLP") weitgehend erreicht werden. Dies ist jedoch nicht bei einem Fuzzy-Multilayer-Perceptron möglich, das nur achsenparallele Bereiche beschreiben kann ("Fuzzy MLP") . Dieser Nachteil kann durch eine Koordinatentransformation vermieden werden.In the exemplary embodiment of FIG. 4, crosses mark data points of a specific class in which, for example, the force vehicle occupant protection system is triggered. This class is therefore to be separated from all other data points (the oval circles), which represent, for example, a situation in which the vehicle is traveling at low speed against a rigid wall or a so-called misuse, such as a pothole or a run over Bar trigger for the response of the sensors is. The data are arranged in an xy-coordinate system, whereby the criteria "ADP" (average acceleration) and "slope" to be used in the context of the algorithm are plotted on the x and y axes. A separation of the crosses can be largely achieved by a conventional multi-layer perceptron by the uneven-line separation line ("unconstrained MLP") identified by the reference numeral 10, 20. However, this is not possible with a fuzzy multilayer perceptron that can only describe axis-parallel areas ("fuzzy MLP"). This disadvantage can be avoided by a coordinate transformation.
Die Fig. 5 und 6 zeigen jeweils ein x-y-Diagramm, bei dem zwei im Rahmen des Algorithmus zu verarbeitende Kriterien HA und IW gegenüber gestellt sind. Die Daten einer Klasse, z.B. einer Auslösesituation, sind in den Figuren jeweils durch gefüllte, auf der Spitze stehende Quadrate gekennzeichnet (in der Legende mit Cl gekennzeichnet) . Die Daten einer anderenFIGS. 5 and 6 each show an x-y diagram in which two criteria to be processed in the context of the algorithm are compared with HA and IW. The data of a class, e.g. a triggering situation, are each marked in the figures by filled, standing on the top squares (marked in the legend with Cl). The data of another
Klasse, z.B. einer Nicht-Auslösesituation, sind durch Quadrate dargestellt (in der Legende: C2) . Während in der Fig. 5 eine Trennung lediglich durch eine schiefe Trennungsgerade 10 möglich ist, ist nach einer entsprechenden Koordinatentrans- formation eine Trennung der Daten durch eine zur x-Achse parallele Trennungsgerade 10' möglich, so dass die Daten nun durch eine Fuzzy-Logik weiterverarbeitet werden können. Damit ist die Separation mit einfachen Fuzzy-Sets ermöglicht.Class, e.g. a non-triggering situation, are represented by squares (in legend: C2). While in FIG. 5 it is possible to separate only by an oblique separation straight line 10, after a corresponding coordinate transformation a separation of the data by a separation straight line 10 'parallel to the x axis is possible, so that the data is now fuzzy logic can be further processed. This allows separation with simple fuzzy sets.
Im Rahmen der Erfindung können verschiedene Netztopologien des neuronalen Netzes herangezogen werden. Bevorzugt werden hierbei strukturierte neuronale Netze, die eine problemspezi- fisch gewählte Netzarchitektur besitzen. Gegenüber konventionellen Netzen weisen diese die Vorteile auf, dass Vorwissen über die Struktur eingebracht werden kann und eine geeignete Strukturierung die Interpretierbarkeit des fertig trainierten Netzes erleichtert. Geeignet hierzu sind zwei alternativeVarious network topologies of the neural network can be used within the scope of the invention. Preference is given here to structured neural networks which have a problem-specific own selected network architecture. Compared to conventional networks, these have the advantages that prior knowledge of the structure can be introduced and that a suitable structuring facilitates the interpretability of the finished network. Suitable for this are two alternatives
Strukturierungen. Dies sind einerseits die Strukturierung mit Neuro-Fuzzy-Methoden und andererseits eine Strukturierung mit Sub- oder Teilnetzen.Structuring. On the one hand, this involves structuring with neuro-fuzzy methods and, on the other, structuring with subnetworks or subnetworks.
Im letzteren Fall wird ein Problem in kleinere Teilprobleme zerlegt, die sich einfacher, d.h. durch kleinere neuronale Netze, lösen lassen. Ein Ausführungsbeispiel hierfür ist in Fig. 7 dargestellt. Bei diesem entfällt das Problem, ein großes monolithisches Netz analysieren zu müssen. Voraussetzung dafür ist, dass für jedes Teilnetz die jeweils zu berechnende Ausgabe yi, y2, y3 für die zu trainierenden Daten bekannt sind. γι, γ2, Ys stellen hierbei Zielfunktionen dar. Mit anderen Worten müssen die Zielwerte der zu berechnenden Zwischengrößen für die Trainingsdaten bekannt sein.In the latter case, a problem is broken down into smaller sub-problems, which can be solved more easily, ie by smaller neural networks. An embodiment of this is shown in Fig. 7. This eliminates the problem of having to analyze a large monolithic network. The prerequisite for this is that the respective output yi, y 2 , y 3 to be calculated for each subnet is known for the data to be trained. γι, γ 2 , Ys represent target functions. In other words, the target values of the intermediate quantities to be calculated for the training data must be known.
Das Ausführungsbeispiel der Fig. 7 umfasst drei Teilnetze. Die Ausgangsneuronen sind jeweils mit yi, y2 und y3 gekennzeichnet. γι kann beispielsweise für die vorhergesagte Endgeschwindigkeit einer Unfallsituation stehen. y2 kann für die Geschwindigkeitsgradienten und y3 für einen Aufprallwinkel beim Crash stehen. Während das linke Teilnetz vier Knoten in der Eingangsschicht und drei Knoten in der sog. Hidden Layer umfasst, weist das mittlere Teilnetz lediglich drei Eingangsknoten und zwei Knoten in der Hidden Layer auf. Das dritte Teilnetz in der rechten Seite der Figur umfasst sogar nur zwei Eingangsknoten und keine Hidden Layer. In der Ausgangsschicht der Teilnetze werden jeweils Zwischengrößen berechnet, die die Eingangsgrößen für ein weiteres neuronales Netz darstellen können. Die Gesamtausgabe kann je nach Auslegung entweder ein "analoger Crash Severity" Wert oder eine "digitale" Auslöse-/Nicht-Auslöse-Entscheidung sein. Die Strukturierung des neuronalen Netzes kann alternativ auch mit Neuro-Fuzzy-Methoden erfolgen. Ziel hierbei ist, ein strukturiertes neuronales Netz als Menge von Regeln interpretieren zu können, um so eine hohe Verständlichkeit zu gewährleisten. Wenn hierbei allerdings die Netzstruktur zu stark eingeschränkt wird, sind Verluste bei der Performance möglich. Linearisierungsfehler lassen sich durch eine genauere Approximation der sigmoiden Funktion des Netzes durch eine stückweise lineare Funktion eines Fuzzy-Sets vermeiden. The embodiment of FIG. 7 comprises three subnetworks. The output neurons are each labeled yi, y 2 and y 3 . For example, γι may represent the predicted final speed of an accident situation. y 2 may represent the velocity gradients and y 3 an impact angle in the crash. While the left subnet comprises four nodes in the input layer and three nodes in the so-called hidden layer, the middle subnet has only three input nodes and two nodes in the hidden layer. The third subnet in the right side of the figure even includes only two input nodes and no hidden layers. In each case, intermediate variables are calculated in the output layer of the subnetworks which can represent the input variables for a further neural network. The total output can be either an "analog crash severity" value or a "digital" trigger / no-trigger decision, depending on the design. The structuring of the neural network can alternatively also be carried out using neuro-fuzzy methods. The goal here is to be able to interpret a structured neural network as a set of rules in order to ensure a high degree of intelligibility. However, if the network structure is restricted too much, losses in performance are possible. Linearization errors can be avoided by a more accurate approximation of the sigmoid function of the mesh by a piecewise linear function of a fuzzy set.

Claims

Patentansprüche claims
1. Verfahren zum rechnergestützten Erstellen von Verarbeitungsvorschriften, die von einer Verarbeitungseinheit verar- beitbar sind, wobei die Verarbeitungsvorschriften für die Durchführung eines Verfahrens zur Steuerung von Kraftfahrzeuginsassen-Schutzsystemen herangezogen werden, gemäß welchem Verfahren ein gemeinsamer Unfallschwerefaktor oder eine digitale Auslöseentscheidung für das Schutzsystem ermittelt wird, wobei die Verarbeitungsvorschriften Regeln für eine1. A method for the computer-aided preparation of processing instructions that can be processed by a processing unit, wherein the processing instructions are used for carrying out a method for controlling motor vehicle occupant protection systems, according to which method a common crash severity factor or a digital trigger decision for the protection system is determined , where the processing rules for a
Fuzzy-Logik darstellen und eine Regel eine Kombination einer Anzahl an Kriterien umfasst, wobei die Erstellung der Regeln und/oder eine Optimierung der Lage und/oder Form von Fuzzy- Variablen automatisiert durch ein neuronales Netz vorgenommen wird.Represent fuzzy logic and a rule comprises a combination of a number of criteria, wherein the creation of the rules and / or an optimization of the location and / or shape of fuzzy variables is performed automatically by a neural network.
2. Verfahren nach Anspruch 1, d a d u r c h g e k e n n z e i c h n e t, dass eine Selektion der durch das neuronale Netz verarbeiteten Kriterien durch einen Brute-Force-Algorithmus vorgenommen wird.2. The method of claim 1, wherein a selection of the criteria processed by the neural network is performed by a brute force algorithm.
3. Verfahren nach Anspruch 1 oder 2, d a d u r c h g e k e n n z e i c h n e t, dass der Fuzzy-Logik aus einer Gesamtheit an durch die Fuzzy-Logik verarbeitbaren Parametern eine Teilmenge an Parametern zugeführt wird zur Bestimmung einer Zwischengröße, welche ihrerseits zur Bestimmung des gemeinsamen Unfallschwerefaktors weiterverarbeitet wird, wobei die Auswahl der, der Fuzzy- Logik zugeführten, Parameter durch das neuronale Netz erfolgt.3. The method according to claim 1 or 2, characterized in that the fuzzy logic is supplied from a total of processable by the fuzzy logic parameters, a subset of parameters for determining an intermediate variable, which in turn is further processed to determine the common accident severity factor, wherein the Selection of the parameters supplied to the fuzzy logic by the neural network.
4. Verfahren nach einem der vorherigen Ansprüche, d a d u r c h g e k e n n z e i c h n e t, dass die der Fuzzy-Logik zugeführten Parameter einer Transformation unterzogen werden, aus der eine reduzierte Anzahl von neuen Parametern hervorgeht, wobei jeder neue Parameter eine Kombination, insbesondere eine Linearkombination, der der Transformation zugeführten Parameter ist.4. The method according to any one of the preceding claims, characterized in that the parameters supplied to the fuzzy logic are subjected to a transformation, resulting in a reduced number of new parameters, each new parameter one Combination, in particular a linear combination, which is the transformation supplied parameter.
5. Verfahren nach Anspruch 4, d a d u r c h g e k e n n z e i c h n e t, dass die Transformation eine Koordinatentransformation ist, bei der in einem, durch zwei der Parameter aufgespannten, Koordinatensystem angeordnete Daten, die lediglich durch schiefe Trennungsgeraden voneinander in Datenteilmengen separierbar sind, derart transformiert werden, dass eine achsparallele Trennung von Datenteilmengen möglich ist.5. The method according to claim 4, characterized in that the transformation is a coordinate transformation, in which in a, spanned by two of the parameters, coordinate system arranged data which are separable only by oblique separation lines from each other in data subsets, are transformed such that an axis-parallel separation of data subsets is possible.
6. Verfahren nach einem der vorherigen Ansprüche, d a d u r c h g e k e n n z e i c h n e t, dass als neuronales Netz ein strukturiertes neuronales Netz verwendet wird, das eine problemspezifisch gewählte Netzarchitektur besitzt.6. Method according to one of the preceding claims, characterized in that a structured neural network having a problem-specific network architecture is used as the neural network.
7. Verfahren nach Anspruch 6, d a d u r c h g e k e n n z e i c h n e t, dass das strukturierte neuronale Netz in eine Mehrzahl an Teilnetzen unterteilt wird, wobei durch jedes der Teilnetze zumindest eine Zwischengröße als Ausgangswert ermittelt wird, die als Eingangsgrößen zumindest einem weiteren Teilnetz des strukturierten neuronalen Netzes zugeführt werden.7. The method as claimed in claim 6, wherein the structured neural network is subdivided into a plurality of subnets, wherein at least one intermediate variable is determined as output value by each of the subnets, which are supplied as input variables to at least one further subnetwork of the structured neural network.
8. Verfahren nach Anspruch 7, d a d u r c h g e k e n n z e i c h n e t, dass für jedes der Teilnetze die zu berechnende Zwischengröße für die zu trainierenden Daten bekannt ist.8. The method as claimed in claim 7, wherein, for each of the subnetworks, the intermediate variable to be calculated for the data to be trained is known.
9. Verfahren nach einem der vorherigen Ansprüche, d a d u r c h g e k e n n z e i c h n e t, dass zum Trainieren des neuronalen Netzes die Ausgangsgröße vorge- geben wird, wobei die Ausgangsgröße eine Auslöse- oder Nicht- Auslöse-Entscheidung oder eine kontinuierliche Größe ist. 9. The method according to any one of the preceding claims, characterized in that for training the neural network, the output variable is specified, wherein the output variable is a tripping or non-tripping decision or a continuous size.
10. Verfahren nach einem der vorherigen Ansprüche, d a d u r c h g e k e n n z e i c h n e t, dass bei dem Steuerverfahren bei einem Unfall folgenden Schritte durchgeführt werden: a) einer oder mehrere Sensoren erfassen eine oder mehrere vorgegebene physikalische Messgroßen, insbesondere eine Beschleunigung parallel und/oder quer zu einer Fahrtrichtung des Kraftfahrzeugs und/oder ein Drucksignal und/oder Korperschall und/oder eine Deformation des Kraftfahrzeugs und/oder die Fahrzeuggeschwindigkeit und/oder die Differenzgeschwindigkeit zum Kollisionspartner und/oder Informationen über die Form, Große und die Überlappung mit dem Kollisionspartner als Funktion einer Fortschrittsvariablen; b) aus diesen physikalischen Messgroßen wird der gemeinsame Unfallschwerefaktor berechnet, welcher die bei dem Unfall auftretende Verletzungsschwere eines Kraftfahrzeuginsassen charakterisiert; und c) entsprechend dem Wert des gemeinsamen Unfallschwerefak- tors werden die Kraftfahrzeuginsassen-Schutzsysteme gesteuert .10. The method according to any one of the preceding claims, characterized in that the control method in an accident, the following steps are performed: a) one or more sensors detect one or more predetermined physical measures, in particular an acceleration parallel and / or transverse to a direction of travel of the motor vehicle and / or a pressure signal and / or body sound and / or a deformation of the motor vehicle and / or the vehicle speed and / or the differential speed to the collision partner and / or information about the form, size and overlap with the collision partner as a function of a progress variable; b) from these physical measures the common accident severity factor is calculated, which characterizes the injury severity of a vehicle occupant occurring in the accident; and c) according to the value of the common accident severity factor, the vehicle occupant protection systems are controlled.
11. Verfahren nach Anspruch 10, d a d u r c h g e k e n n z e i c h n e t, dass die unfallcharakteristischen Bedingungen so gewählt und/oder so gewichtet werden, dass der in Verfahrensschritt b) ermittelte gemeinsame Unfallschwerefaktor eine stetige Funktion der dritten Fortschrittsvariablen darstellt.11. The method of claim 10, wherein the accident-characteristic conditions are selected and / or weighted such that the common accident severity factor determined in method step b) represents a continuous function of the third progress variable.
12. Verfahren nach Anspruch 10 oder 11, d a d u r c h g e k e n n z e i c h n e t, dass dass in Verfahrensschritt c) die Kraftfahrzeuginsassen- Schutzsysteme analog angesteuert werden.12. The method according to claim 10 or 11, characterized in that in method step c) the motor vehicle occupant protection systems are actuated in an analogous manner.
13. Verfahren nach Anspruch 12, d a d u r c h g e k e n n z e i c h n e t, dass ein Airbagsystem mit einem analogen Gasgenerator eingesetzt wird, welcher in analoger Weise durch den gemeinsamen Unfallschwerefaktor angesteuert wird.13. The method according to claim 12, characterized in that an airbag system is used with an analog gas generator, which is controlled in an analogous manner by the common accident severity factor.
14. Computerprogrammprodukt, das direkt in den internen Speicher eines digitalen Computers geladen werden kann und das auf einem maschinenlesbaren Träger gespeicherte Softwarecodeabschnitte umfasst, mit denen die Schritte eines der vorhergehenden Ansprüche ausgeführt werden, wenn das Produkt auf einem Computer oder einem Computer-Netzwerk läuft. A computer program product that may be loaded directly into the internal memory of a digital computer and that includes software code portions stored on a machine-readable medium for performing the steps of any one of the preceding claims when the product is run on a computer or a computer network.
PCT/EP2007/052249 2006-03-30 2007-03-09 Method for the computer-assisted generation of processing rules for the control of vehicle occupant protection systems WO2007113080A1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102006014915.7 2006-03-30
DE200610014915 DE102006014915A1 (en) 2006-03-30 2006-03-30 Method for the computer-aided creation of processing instructions for the control of motor vehicle occupant protection systems

Publications (1)

Publication Number Publication Date
WO2007113080A1 true WO2007113080A1 (en) 2007-10-11

Family

ID=38015407

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2007/052249 WO2007113080A1 (en) 2006-03-30 2007-03-09 Method for the computer-assisted generation of processing rules for the control of vehicle occupant protection systems

Country Status (2)

Country Link
DE (1) DE102006014915A1 (en)
WO (1) WO2007113080A1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200109678A1 (en) * 2018-10-09 2020-04-09 Toyota Jidosha Kabushiki Kaisha Control device of vehicle drive device, vehicle-mounted electronic control unit, trained model, machine learning system, method of controlling vehicle drive device, method of producing electronic control unit, and output parameter calculation device

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102008003081B4 (en) 2008-01-03 2018-05-03 Robert Bosch Gmbh Method and device for crash classification for a vehicle safety system
DE102008039957A1 (en) 2008-08-27 2010-03-04 Continental Automotive Gmbh Method for determining an accident severity criterion by means of an acceleration signal and a structure-borne sound signal
DE102008056623B3 (en) * 2008-11-10 2010-02-11 Autoliv Development Ab Flexible impact detection system for activation of counter measure e.g. releasing airbag, of vehicle, has ROM storing different sub-criteria for signals of sensors, where activation signal is releasable, when impact criterion is fulfilled
DE102009020074B4 (en) 2009-05-06 2016-12-01 Continental Automotive Gmbh Method for controlling motor vehicle occupant protection systems
KR102537668B1 (en) * 2021-03-26 2023-05-30 현대모비스 주식회사 Apparatus for protecting passenger on vehicle and control method thereof

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2324864A (en) * 1994-05-09 1998-11-04 Automotive Tech Int Vehicle interior monitoring system
WO2001017825A1 (en) * 1999-09-03 2001-03-15 Siemens Automotive Corporation Controller for occupant restraint system
US20020092693A1 (en) * 1994-05-23 2002-07-18 Breed David S. Combined airbag inflation and occupant displacement enabling method and apparatus

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10035505A1 (en) * 2000-07-21 2002-01-31 Bayerische Motoren Werke Ag Method for recognizing the severity of a vehicle collision
DE102004037016B4 (en) * 2004-07-30 2006-10-12 Siemens Ag Method and device for controlling vehicle occupant protection systems

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2324864A (en) * 1994-05-09 1998-11-04 Automotive Tech Int Vehicle interior monitoring system
US20020092693A1 (en) * 1994-05-23 2002-07-18 Breed David S. Combined airbag inflation and occupant displacement enabling method and apparatus
WO2001017825A1 (en) * 1999-09-03 2001-03-15 Siemens Automotive Corporation Controller for occupant restraint system

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200109678A1 (en) * 2018-10-09 2020-04-09 Toyota Jidosha Kabushiki Kaisha Control device of vehicle drive device, vehicle-mounted electronic control unit, trained model, machine learning system, method of controlling vehicle drive device, method of producing electronic control unit, and output parameter calculation device
US11732664B2 (en) * 2018-10-09 2023-08-22 Toyota Jidosha Kabushiki Kaisha Control device of vehicle drive device, vehicle-mounted electronic control unit, trained model, machine learning system, method of controlling vehicle drive device, method of producing electronic control unit, and output parameter calculation device

Also Published As

Publication number Publication date
DE102006014915A1 (en) 2007-10-11

Similar Documents

Publication Publication Date Title
DE10140119C1 (en) Impact detection device in a vehicle
DE102018207977B4 (en) Interior monitoring for seat belt adjustment
DE69634847T2 (en) Method and apparatus for sensing impact crash conditions with safety function
EP1159161B1 (en) Method for controlling the deployment of an occupant-protection system of a motor vehicle
DE102005059255B4 (en) Method and apparatus for determining symmetric and asymmetric crash events with improved malfunction tolerances
DE602004005420T2 (en) VEHICLE BASE RESTRAINT SYSTEM WITH DISTRIBUTED SENSORS
DE102006038151B4 (en) Method and device for controlling personal protection devices
DE102007027649B4 (en) Method and control device for controlling personal protection devices and computer program and computer program product
WO2007113080A1 (en) Method for the computer-assisted generation of processing rules for the control of vehicle occupant protection systems
WO2002053419A1 (en) Method for triggering means of restraint in a motor vehicle
EP1536988B1 (en) Method and device for identifying the type of occupancy of a supporting surface
WO2006015747A1 (en) Motor vehicle comprising a preventive protective system
WO2006013198A1 (en) Method and device for controlling vehicle occupant protection systems
WO2012034784A1 (en) Sensor device for a motor vehicle
DE60005977T2 (en) CONTROL UNIT FOR PERSONAL RESTRAINT SYSTEM
WO2009003827A1 (en) Method and control appliance for triggering passenger protection means
DE102017219365B4 (en) Apparatus and method for adaptive vehicle control
EP2089252B1 (en) Method and device for activating passenger protection means, and a corresponding computer program and computer program product
EP1034098B1 (en) Process and device for forming a restraint system triggering criterion
DE102009020074B4 (en) Method for controlling motor vehicle occupant protection systems
EP2161163B1 (en) Collision and/or passenger protection system for a motor vehicle
EP1599366B1 (en) Method for firing restraining means
DE102008003081B4 (en) Method and device for crash classification for a vehicle safety system
EP1889754B1 (en) Method and device for actuating personal protection device and computer program product

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 07712501

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 07712501

Country of ref document: EP

Kind code of ref document: A1