專利名稱：用于觸發(fā)至少一個安全裝置的方法和控制裝置的制作方法
技術領域：
本發(fā)明涉及根據(jù)權利要求1所述的一種用于觸發(fā)至少一個安全裝置的方法、根據(jù) 權利要求10所述的一種用于觸發(fā)至少一個安全裝置的控制裝置、根據(jù)權利要求11所述的 計算機程序、以及根據(jù)權利要求12所述的一種計算機程序產(chǎn)品。
背景技術：
用于如安全氣囊等的人員保護裝置的現(xiàn)有的觸發(fā)算法為了執(zhí)行安全裝置的優(yōu)化 的觸發(fā)，并不分析車輛的運動歷史或僅不精確地分析。在現(xiàn)有的系統(tǒng)中，主要根據(jù)在事故 情況下出現(xiàn)、并通過加速度傳感器所測量的加速度信號得到觸發(fā)判決。預測系統(tǒng)，如“預碰 撞”，例如試圖通過雷達或者激光傳感器預調(diào)節(jié)觸發(fā)算法。然而至今這些信號尚未與其他安 裝在車輛中的傳感器的信息組合在一起，或者未充分地組合，以致對所有的原則上已經(jīng)可 用的傳感器信號的數(shù)據(jù)的組合分析由于這樣的分析的復雜性而現(xiàn)在沒有得到實現(xiàn)。為了改善車輛乘客的安全性，將來將實現(xiàn)主動和被動安全組件的分析的融合，當 前主動和被動安全組件仍彼此分離地工作。在該融合過程中，對安全系統(tǒng)的要求的數(shù)量明 顯地增加，因為要考慮的行駛情況的數(shù)量指數(shù)增長。應當通過組合和分析車輛內(nèi)可用的盡 可能所有信號應付要考慮的行駛情況的該增長的數(shù)量。與傳統(tǒng)的觸發(fā)系統(tǒng)相比，可能有利 的是，考慮所觀察的車輛的運動歷史，并有效地使用或組合來自現(xiàn)存的傳感器的信息。然而 現(xiàn)在這要求成本非常高的電路結構以用于分析可用的信號。在DE 10 2006 038151 Al中公開了用于控制人員保護裝置的裝置和方法，其中采 用支持向量機實現(xiàn)人員保護裝置的觸發(fā)。在此采用不同的分類樹實現(xiàn)對事故傳感器信號的 分析，在所述分類樹的情況下執(zhí)行二進制的分類。相對于“神經(jīng)元網(wǎng)絡”技術，采用支持向 量機具有的優(yōu)點在于，對于每個分類問題都能夠找到最優(yōu)的解，此外所述解相對易于獲得。在專利申請DE 102007027649中公開了用于觸發(fā)人員保護裝置的方法和控制裝 置，其中為了觸發(fā)人員保護裝置，使用了判決算法以用于分析事故傳感信號的特征，并且使 用了支持向量機，其為所述判決算法準備另外的、附加的特征的多維分類。在此采用將附加 特征分類到兩個不同類別中的分類。在這兩個文檔中，可能的是通過觸發(fā)電路進一步優(yōu)化安全裝置的觸發(fā)判決，以便 有效地組合并分析事故傳感裝置的多個信號(或由其推導的量)。通過這種方式，能夠為了 觸發(fā)安全裝置而更好地分析來自車輛運動的歷史的車輛內(nèi)可用的傳感器信號。

發(fā)明內(nèi)容
因此本發(fā)明的任務在于，實現(xiàn)改善對可用傳感器信號的分析的可能性。這一任務通過根據(jù)權利要求1所述的方法、根據(jù)權利 要求10所述的控制裝置、根 據(jù)權利要求11所述的計算機程序以及根據(jù)權利要求12所述的計算機程序產(chǎn)品來解決。從 屬權利要求的內(nèi)容是本發(fā)明的有利的設計方案。本發(fā)明實現(xiàn)用于觸發(fā)至少一個安全裝置的方法，其中包括如下步驟
-從事故傳感裝置的至少一個信號中獲取至少兩個特征，以便由所獲取的特征形 成特征向量；-借助基于統(tǒng)計學學習理論的分類器對所形成的特征向量進行分類，以便將所述 特征向量分類到至少三個可能的特征類別之一；以及-按照用于所述特征向量被分類到的那一特征類別的觸發(fā)規(guī)則觸發(fā)安全裝置。本發(fā)明基于這樣的認識，即通過基于統(tǒng)計學學習理論的分類器將事故傳感器信號 的信號特征分類到多于兩個類別中，明顯地改善相結合的可能性且快速分析這樣的信號特 征是可能的。這樣的優(yōu)化主要是基于，通過各種類別能夠直接在分類到多于兩個類別的分 類的情況下，實現(xiàn)信號特征的優(yōu)良的處理或分離，其簡化在信號路徑中緊接著的觸發(fā)單元 中的信號處理。因為基于統(tǒng)計學學習理論的分類器一方面能夠在數(shù)值上有效地且快速地工 作，另一方面也能夠處理大量的信號特征，通過采用這樣的分類器允許優(yōu)化地分析大量的 已在車輛中可用的事故傳感裝置信號。由此加速了主動和被動安全系統(tǒng)與其相應的傳感器 的期望的融合。
尤其在采用多于兩個特征類別的情況下，相比于現(xiàn)有技術能夠更好地并特別是更 準確地實現(xiàn)車輛相撞的事故分類。從而能夠?qū)崿F(xiàn)車輛安全系統(tǒng)對于兩輛車輛的相撞的精確 反應，或者在兩輛車輛的這樣的相撞之前就已經(jīng)能夠?qū)崿F(xiàn)精確反應。由此可能的是，通過開 啟恰為各個所識別出的事故類型所需的安全裝置，準確地推導出針對這樣的碰撞情景的合 適的對策。根據(jù)本發(fā)明的有利的實施形式，借助基于統(tǒng)計學學習理論的分類器的分類包括采 用多類別支持向量機。采用這樣的多類別支持向量機為快速的、數(shù)值上或者電路技術上有 效的、且特別是精確地工作的基于統(tǒng)計學學習理論的分類器提供出色的選擇。在本發(fā)明的另一個實施形式中，按照用于第一特征類別的觸發(fā)規(guī)則觸發(fā)安全裝置 能夠包括激活人員保護裝置。此外，按照用于第二特征類別的觸發(fā)規(guī)則觸發(fā)安全裝置能夠 包括激活行駛動力學支持控制。由此有利地確保了，從單個事故信號中提取的特征被用于 車輛中不同的安全功能，以致通過這里提出的方式，簡化了車輛中主動和被動的安全組件 的融合。同時，尤其通過采用多類別支持向量機，實現(xiàn)快速且精確的分類，其使得減少用于 運行車輛中單個安全裝置的相應的觸發(fā)單元的計算技術或者電路技術的開銷成為可能。如果進一步采用特征向量的至少一個特征或從事故傳感裝置的信號而來的另外 的特征來實現(xiàn)安全裝置的觸發(fā)，則這也是有利的。由此在物理的核心算法中能夠采用來自 特征向量本身的特征或者從事故傳感裝置的信號而來的特征，所述核心算法在觸發(fā)相應的 安全裝置中形成有復位層。通過這種方式使得在所謂的分類器出故障的情況下也能夠可靠 地實現(xiàn)觸發(fā)，其中隨后通過前述分類器能夠特別地實現(xiàn)改善和/或精確化相應的安全裝置 的觸發(fā)。在實現(xiàn)本發(fā)明的該實施方式的情況下，這意味著在安全上的獨有的收獲。此外有利地可能的是，在分類中獲得分類函數(shù)值，并且采用所述分類值實現(xiàn)安全 裝置的觸發(fā)。這描述了分類結果的進一步改善，因為現(xiàn)在不僅這樣的類別是可能的，而且對 在一個類別內(nèi)的觸發(fā)進行區(qū)分也是可能的。按照所述分類函數(shù)值的這樣的區(qū)分隨后使得更 精確地控制相應的安全裝置成為可能，例如通過各種安全氣囊等級的分級觸發(fā)。根據(jù)本發(fā)明的另一個實施形式，能夠按照觸發(fā)規(guī)則實現(xiàn)安全裝置的觸發(fā)，所述觸 發(fā)規(guī)則基于判決閾值。由此，實施非常簡單的和在數(shù)值上或電路技術上能夠簡單置換的觸發(fā)規(guī)則，以致僅采用具有較低復雜度的組件以根據(jù)該實施方式實現(xiàn)本發(fā)明。此外，在觸發(fā)步驟中，能夠按照依賴于特征類別的改變規(guī)則來改變觸發(fā)規(guī)則。通過 觸發(fā)規(guī)則的依據(jù)確定的特征類別的這樣的改變，能夠以簡單并特別是非常快速的方式促使 安全裝置的觸發(fā)。由此通過結合和簡單地修改通常已經(jīng)在車輛中現(xiàn)存的安全裝置或其組 件，在運行這些安全裝置的情況下取得乘客安全上明顯的好處。特別地在觸發(fā)步驟中，能夠依據(jù)特征類別實現(xiàn)判決閾值的提高或降低，或者以第 二判決閾值來代替所述判決閾值。通過觸發(fā)規(guī)則的這種易于實施的改變，使得車輛乘客的 安全能夠通過將特征向量分類到多個(特別地多于三個)類別中而得以非常好地改善。在 此，通過判決閾值的修改或替換同樣僅需要少量地改變相應的安全裝置的結構或其所屬的 觸發(fā)電路。在本發(fā)明另一個實施形式中，能夠基于在特征類別之間的類別邊界實現(xiàn)分類，所 述分類邊界是從存儲器中加載的。在這種情況下，分類器例如在制造商的實驗室中被預 訓練過并且已經(jīng)根據(jù)事故情景或事故仿真被優(yōu)化地設置，隨后其訓練參數(shù)被存儲在存儲器 中。作為結果，得到在運行中快速且精確地工作的分類器，因為在運行中不再需要分類器設 置的高代價的自適應。為了實現(xiàn)根據(jù)本發(fā)明的優(yōu)點，在本發(fā)明的另一個實施形式中，設計用于觸發(fā)至少 一個安全裝置的控制裝置，其包含如下特征-至少一個接口，其被構造以用于由從傳感裝置的至少一個信號而來的至少兩個 特征形成特征向量；-分析電路，其被構造以用于借助基于統(tǒng)計學學習理論的分類器將所形成的特征 向量分類到至少三個可能的特征類別之一；以及-觸發(fā)單元，其被構造以用于按照用于所述特征向量被分類到的那一特征類別的 觸發(fā)規(guī)則來觸發(fā)安全裝置。通過本發(fā)明的這種以裝置形式的實施變型，能夠快速有效地解決作為本發(fā)明基礎 的任務。尤其是通過將采用基于統(tǒng)計學學習理論的分類器以及將特征向量分類到至少三個 特征類別之一的可能性組合在一起，能夠?qū)崿F(xiàn)精確的、快速的、并由此相比于現(xiàn)有技術改善 了的對可用傳感器信號的分析。在本發(fā)明的另一個實施形式中，設計一種計算機程序，其在控制裝置上運行時，執(zhí) 行根據(jù)前述實施形式之一的方法的全部步驟。這種計算機程序最初能夠以編程高級語言編 寫，并隨后被譯成機器可讀代碼。有利的還有具有程序代碼的計算機程序產(chǎn)品，所述程序代碼被存儲在機器可讀的 載體上，如半導體存儲器、硬盤存儲器或光存儲器，并且，當在控制裝置上執(zhí)行該程序時，所 述程序代碼用于執(zhí)行根據(jù)前述實施形式之一的方法。


下面將根據(jù)所附的附圖示例性地進一步解釋本發(fā)明。附圖中圖1示出了作為在車輛中安裝的單元的本發(fā)明的第一實施例的電路方框圖；圖2示出了本發(fā)明的第二實施例的電路方框圖；圖3示出了本發(fā)明的第三實施例的電路方框圖4示出了本發(fā)明的第四實施例的電路方框圖；且圖5示出了本發(fā)明的第五實施例的流程圖；在后面的圖中能夠通過相同或相似的附圖標記表示相同或相似的元件。附圖中的 圖、說明書以及權利要求還包括許多組合的特征。在此本領域技術人員清楚的是，也能夠單 獨考慮這些特征或者能夠?qū)⑵浣M成另外的、在此未明確描述的組合。
具體實施例方式在圖1中示出了本發(fā)明的第一實施例的電路方框圖。借助該電路方框圖，詳細解 釋了具有相連接的組件的、依據(jù)本發(fā)明的控制裝置SG。控制裝置SG安置在車輛FZ中，所述 控制裝置SG與各種組件相連接。在此僅示例性地示出了控制裝置外部和內(nèi)部的對于理解 本發(fā)明必要的組件。在控制裝置SG上連接有各種事故傳感器，例如固體聲傳感裝置KS、加速度傳感裝 置BS1、壓力傳感裝置DS、以及環(huán)境傳感裝置US。能夠附加地或取代前述傳感器地連接另 外的傳感器，如行駛動力學傳感裝置和/或轉速傳感器等。在此車輛FZ內(nèi)的各種安裝位置 對于技術人員是公知的。固體聲傳感裝置KS和加速度傳感裝置BSl被連接在控制裝置SG 的第一接口 IFl上，其中第一接口 IFl向分析電路μ C提供信號，根據(jù)第一實施例所述分析 電路μ C被構造為微控制器μ C。替代地，所述分析電路μ C能夠是具有數(shù)據(jù)處理功能的其 他元件，例如通用微處理器、數(shù)字信號處理器DSP、專用集成電路ASIC (ASIC = appl ication specific integrated circuit =專用集成電路)或者是可編程邏輯構件FPGA (FPGA = field programmable gate array =現(xiàn)場可編程門陣列)。第二接口 IF2，其上例如連接有 空氣壓力傳感裝置DS和環(huán)境傳感裝置US，將該信號提供給分析電路μ C。空氣壓力傳感裝 置DS也能夠被安裝在車輛的側面部分，并且應當用于側面碰撞傳感。環(huán)境傳感裝置US能 夠包括各種環(huán)境傳感器，如雷達、光雷達、視頻或超聲波，以便關于碰撞物體分析車輛FZ的 環(huán)境。微控制器μ C從控制裝置SG內(nèi)部的加速度傳感裝置BS2通過控制裝置內(nèi)部接口接 收另外的傳感器信號。另外的傳感器能夠位于控制裝置SG的內(nèi)部，并通過微控制器μ C上 的相應的接口發(fā)送信號。這里包括行駛動力學傳感器和/或固體聲傳感器。所述接口接收事故傳感裝置的信號；從該事故傳感器信號中提取確定的特征，如 加速度、加速度的積分、轉速等；并且將確定數(shù)量的這些特征組合成特征向量。信號例如能 夠是加速度信號，以及接口之一能夠由此通過簡單的積分確定速度，并且隨后由加速以及 由速度形成二維特征向量，其被提供給分析電路，特別是分類器。在微控制器μ C中，安置基于統(tǒng)計學學習理論的 分類器，該分類器將在后文詳細 解釋。特征向量被提供給該分類器，其中分類器也能夠根據(jù)應當有多少特征進入分類來處 理多維特征向量。通過分類器，將特征向量分到至少三個特征類別Κ1、Κ2或Κ3之一。這些 特征類別在此例如表征不同的事故類型或事故程度，以使得對于每個事故類型或?qū)τ诿糠N 事故程度能夠?qū)崿F(xiàn)對相應合適的安全裝置的觸發(fā)。例如，如果微控制器μC中的分類器將 特征向量分類到特征類別Kl中，則能夠通過第一觸發(fā)電路FLICl實現(xiàn)對以安全氣囊形式的 第一人員保護裝置PSl的激活。類似地，如果微控制器μ C中的分類器將特征向量歸入第 二特征類別Κ2中，則能夠通過第二觸發(fā)電路FLIC2激活第二人員保護裝置PS2(例如安全 帶拉緊器)。對于微控制器μ C中的分類器將特征向量歸入第三特征類別Κ3中的情況，能夠通過第三觸發(fā)電路FLIC3激活行駛動力學調(diào)節(jié)器FDR (例如ESP調(diào)節(jié))。該傳輸特別地能 夠在其通過SPI總線(SPI =串行外設接口總線)進行時被儲存。相應的觸發(fā)電路的這一 激活在此能夠非常簡單地實現(xiàn)，只要例如通過分類到(特征)類別K1、K2或K3中的分類實 現(xiàn)相應的觸發(fā)電路的(二進制的)開/關激活，其能夠快速且低成本地被分析。在這里，控制裝置SG具有殼體，其能夠由金屬和/或塑料制成。所述微控制器PC 自身具有內(nèi)部存儲器，也能夠訪問同樣位于控制裝置SG內(nèi)的外部存儲器。在所述存儲器中 能夠存儲類別邊界，所述類別邊界例如在實驗室中分類器的預訓練中被確定，如后文所詳 細描述的。采用該類別邊界，微控制器μ C中的分類器能夠非?？焖俨⒁子趯崿F(xiàn)地將特性 向量分到不同的特征類別Κ1、Κ2或Κ3中。
采用多于或少于所示出的傳感器是可能的。接口 IFl和IF2到微控制器μ C的通 信例如能夠通過控制裝置內(nèi)部的總線SPI進行。SPI總線還能夠用于微控制器μ C與觸發(fā) 電路FLICl、FLIC2和FLIC3之間的通信。在這里，觸發(fā)電路FLICl、FLIC2和FLIC3由一個 或多個集成電路構成，所述集成電路例如具有功率開關并且在觸發(fā)情況下使得人員保護裝 置PSl或PS2的或者行駛動力學調(diào)節(jié)器FDR的點火或觸發(fā)元件的通電成為可能。該人員保 護裝置PSl或PS2或者行駛動力學調(diào)節(jié)器FDR還能夠具有各種表現(xiàn)形式，其由一個或多個 集成電路和/或分立元件組成。對于在本發(fā)明中的使用，特別地考慮基于統(tǒng)計學學習理論的分類器，其將特征向 量劃分到至少三個特征類別之一中。通過這種方式實現(xiàn)借助自動的方法來分析大量需考慮 的信號和信號組合。自動的分析在此使得下述成為可能，即由于受限的可操作的數(shù)據(jù)量，可 能應當不再僅由實際行駛的行駛測試(例如標準碰撞測試EuroNCAP)產(chǎn)生信號組合，而是 也能夠以增大的規(guī)模處理行駛動力學仿真和FEM仿真(FEM=有限元模型)的結果。如果 不采用自動分析，大量需考慮的信號組合可能不能操作。因此能夠通過對真實世界安全開 發(fā)過程的描繪，有利地實現(xiàn)對任意的仿真的事故情況的自動分析，由此分類器的改善的訓 練成為可能。此外應說明，通過將特征向量分類到多于兩個特征類別之一的分類，實現(xiàn)對事故 信號的特征的具體分析，這在現(xiàn)有技術中是可能的。尤其通過自動分析在非常早的碰撞階 段的車輛運動的歷史，能夠基于將事故信號的特征分類到許多特征類別中的細致分級的分 類，通過基于特征類別的觸發(fā)而激活例如下一步算法處理的不同支路。由此，通過事故信號 的特征的有利的早期分類以及合適的安全裝置的相應快速的觸發(fā)，一方面減小了安全裝置 的反應時間，且另一方面僅觸發(fā)實際涉及當前行駛情況的安全裝置。由此節(jié)省了資源。通過組合多個可用的事故信號的特征的可能性，還能夠?qū)崿F(xiàn)行駛情況的描繪或?qū)?行駛情況的響應，其由主動和被動安全組件引起。此外，易于通過采用仿真數(shù)據(jù)使分類器與 客戶要求的危險和事故情況相協(xié)調(diào)。進一步地，采用基于機器學習的方法明顯地減少了應 用時間，以致具有大量信號組合的、用于在實驗室中訓練分類器的訓練進程能夠在現(xiàn)實可 行的時間內(nèi)完成。相對于現(xiàn)有技術中的分類器，這里所提出的分類器能夠明顯更好地被訓 練，在使用所述分類器的情況下，這有利地在為預先給定的特征向量精確地選擇正確的特 征分類方面表現(xiàn)超群。在本發(fā)明中，特別地使用多類別支持向量機(MSVM)作為基于統(tǒng)計學學習理論的 分類器，因為這樣的多類別支持向量機又如支持向量機總能提供最優(yōu)解，并且顯示出趨向特殊化(即趨向記住經(jīng)訓練的數(shù)據(jù))的小的趨勢。作為多類別支持向量機的基礎的支持向量機(SVM)的具體工作原理例如能夠從專利申請 DE102007027649 中獲得。相關文獻(例如Cristianini Nello 和 Shawe-Tylor John 白勺"An introduction to support vector maschines and other kernel-based learning methods，，或者 Hastie 的"The elements of statistical learning，，)中也有 關于SVM的進一步的信息。為了避免冗余，在此不再詳細描述SVM的工作原理。相比于傳統(tǒng)的支持向量機，其在兩個類別之間，例如在事故鑒別中，在用于激活安 全裝置的特征類別“點火”和用于不激活相應的安全裝置的特征類別“不點火”之間，或者 在特征類別“0DB” / “非0DB” (0DB =偏置可變形壁障(offset deformable barrier))之 間，進行區(qū)分，多類別支持向量機能夠區(qū)分多個類別，特別地多于三個類別。MSVM同樣是統(tǒng) 計學學習理論類別的基于機器學習的方法，其中通過成對地預先給定特征向量和所屬的類 別來訓練分類器。下面還將詳細解釋對這樣的MSVM的訓練。在作為本發(fā)明的第二實施例的電路方框圖的圖2中簡要概述基于統(tǒng)計學學 習理論的分類器的具體使用。在此，例如被安置在微控制器yc中的分類器能夠接收 事故信號(例如關于車輪轉速、橫擺角加速度、縱向加速度的積分或者預碰撞傳感器 (PreCrash-Sensor)的覆蓋角度)的特征Ml和M2，并被如此訓練，即單獨的特征類別Kl至 KN描繪不同的車輛狀態(tài)(例如“打滑”、“正面碰撞”、“輕度側面碰撞-軟碰撞”……)。相 應地能夠激活不同的觸發(fā)電路或算法部分或觸發(fā)規(guī)則，以用于觸發(fā)安全裝置。例如能夠在 將由特征Ml和M2組成的特征向量分類到特征類別Kl中的情況下，在微控制器μ C中將第 一子算法Tl作為觸發(fā)算法激活，其隨后通過用于正面安全氣囊的觸發(fā)電路FLIC激活以點 火丸、可逆約束裝置或類似物的形式的人員保護裝置PS1。分離的觸發(fā)電路也是可想到的， 在所述分離的觸發(fā)電路內(nèi)實施第一子算法Tl和觸發(fā)電路FLIC的功能，該觸發(fā)電路FLIC通 過將特征Ml和Μ2分類到第一類別Kl中而被激活，并轉而激活人員保護裝置PSl。類似地，能夠在特征向量被分類到特征類別Κ2中的情況下，在微控制器μ C中激 活第二子算法Τ2，所述第二子算法轉而為了實施軟碰撞功能而激活觸發(fā)電路FLIC，所述軟 碰撞功能轉而隨后激活以制動器默認值的形式的行駛動力學調(diào)節(jié)器FDR1。在此可能也能夠 使用分離的組件以用于實現(xiàn)第二子算法Τ2以及FLIC的功能。相應地，能夠在特征向量被分類到第三特征類別中的情況下，激活在圖2中未明 確示出的第三子算法，所述第三子算法隨后通過在此以調(diào)節(jié)單元的形式的觸發(fā)電路FLIC， 為改善行駛動態(tài)而觸發(fā)用于車輪選擇制動器或車輪選擇轉向器的第二行駛動力學調(diào)節(jié)器 FDR2。如果通過分類器將特征向量分到第四特征類別中，則能夠激活同樣在圖2中未示 出的第四子算法。該第四子算法能夠通過觸發(fā)電路FLIC引起第二人員保護裝置PS2例如 側面安全氣囊的觸發(fā)，以致第二人員保護裝置PS2相應地觸發(fā)點火丸或可逆約束裝置。如果實現(xiàn)將特征向量例如分類到另外的特征類別ΚΝ，則能夠?qū)PP算法(EPP = Electronic Pedestrian Protection =行人保護算法)作為相應的第N子算法TN而激活， 以此經(jīng)由觸發(fā)電路FLIC觸發(fā)以點火丸或可逆約束裝置的形式的另外的人員保護裝置PS3。還可能的是，相對圖2中的描述，為單獨的人員保護裝置PS1、PS2或PS3或單獨的 行駛動力學調(diào)節(jié)器FDRl或FDR2分別設置分離的觸發(fā)電路FLIC1、FLIC2……，如已在前面簡要描述的并還將參考圖4詳細描述的。圖2中的表示繼續(xù)進行將特征向量分類到任意多個(多于3個)特征類別中的分 類，其中隨后通過激活相應匹配的子算法和觸發(fā)電路FLIC來激活合適的安全裝置。通過設 置分類器以用于將特征向量分類到至少三個特征類別中而由此可能的是，由一個或多個事 故信號的特征精確地激活車輛的安全系統(tǒng)的這些部分，即在所出現(xiàn)的行駛情況下剛好需要 的那些部分。由此能夠省去高代價的對安全系統(tǒng)的所有可用算法部分的處理，或者不必總 是激活全部的觸發(fā)電路。圖3以電路方框圖表示示出了本發(fā)明的第三實施例，其中為了闡明本發(fā)明的作用 原理，特別地示出了在圖2中所示的子算法Tl至TN中的單個子算法T。然而也能夠僅采 用單個子算法T來使用本發(fā)明，從而不需要多個子算法。在圖3示出的實施例中，在微控制 器μ C中采用多類別支持向量機MSVM作為分類器，向所述多類別支持向量機輸入特征Ml、 M2和M3。這些特征例如能夠從一個事故信號中產(chǎn)生，如對上述圖2關于轉速信號、橫擺角 加速度、車輛加速度等或者它們的積分而實施的。分類器MSVM能夠?qū)⑻卣鱉l、M2和M3分 到第一、第二或第三特征類別ΚΙ、K2、K3中，并將此提供給子算法T，該子算法T激活觸發(fā) 電路FLIC1。結合觸發(fā)電路FLICl和子算法T由此在數(shù)值上和/或電路技術上實現(xiàn)觸發(fā)規(guī) 貝U，借助所述觸發(fā)規(guī)則，響應于事故信號特征M4和M5，激活人員保護裝置PS1，例如安全氣 囊。子算法T能夠如此被設置，即其實現(xiàn)基于物理的核心閾值判決，所述核心閾值判決的判 決閾值受特征類別K1、K2或Κ3影響。在此，響應于事故信號特征Μ4和Μ5實現(xiàn)人員保護裝 置PSl的觸發(fā)或激活，然而所述事故信號特征Μ4和Μ5能夠是與一個或多個輸入特征Ml至 Μ3相同的或者從其推導出的。對判決閾值的影響能夠在于，相應地減少或增加用于各選出的特征類別Kl至Κ3 的改變規(guī)則。通過這種方式確保了，在可能的錯誤的分類的情況下，也總能通過具有在里面 實現(xiàn)有基于物理的核心閾值判決的子算法Τ(即便不是最優(yōu)的但還是)激活人員保護裝置 PS1。如果在如之前實現(xiàn)的多類別支持向量機以后實現(xiàn)基于學習的方法，則能夠在訓練 后基于例如下面的方程的數(shù)學公式來實現(xiàn)分類。
權利要求
1.用于觸發(fā)至少一個安全裝置(FDR，PS1，PS2)的方法(50)，其中所述方法(50)包括 如下步驟-從事故傳感裝置(KS，BSl, DS, US, BS2)的至少一個信號中獲取(52)至少兩個特征 (Ml, M2，M3)，以便由所獲取的特征(Ml，M2，M3)形成特征向量；-借助基于統(tǒng)計學學習理論的分類器(MSVM)對所述所形成的特征向量進行分類(54)， 以便將所述特征向量分類到至少三個可能的特征類別(K1，K2，K3)之一；_按照用于所述特征向量被分類到的那一特征類別(Kl，Κ2，Κ3)的觸發(fā)規(guī)則(Tl，Τ2， TN, FLICl，F(xiàn)LIC2，F(xiàn)LIC3)來觸發(fā)(56)所述安全裝置(FDR、PS1，F(xiàn)DR1)。
2.根據(jù)權利要求1所述的方法(50)，其特征在于，借助所述基于統(tǒng)計學學習理論的分 類器(MSVM)的所述分類(54)包括采用多類別支持向量機。
3.根據(jù)權利要求1或2所述的方法(50)，其特征在于，按照用于第一特征類別(K1， KN ；Kl)的觸發(fā)規(guī)則(Tl,TN,FLIC ；TLFLIC1)來觸發(fā)(56)所述安全裝置(PSl，F(xiàn)DRl，F(xiàn)DR2， PS2，PS3 ；FDRl, PSl)包括激活人員保護裝置(PS1，PS2，PS3 ；PSl)，且按照用于第二特征類 別(K2 ；Kl)的觸發(fā)規(guī)則(T2，F(xiàn)LIC ；T2, T3，F(xiàn)LIC2)來觸發(fā)所述安全保護裝置(PSl, FDRl, FDR2，PS2，PS3)包括激活行駛動力學支持控制(FDRl)。
4.根據(jù)權利要求1至3中任意一項所述的方法(50)，其特征在于，此外，所述安全裝 置(FDR，PSl)的所述觸發(fā)還采用所述特征向量的至少一個特征，或者從所述事故傳感裝置 (KS，BS1，DS，US，BS2)的信號而來的另一個特征(M4，M5)來實現(xiàn)。
5.根據(jù)權利要求1至4中任意一項所述的方法(50)，其特征在于，在所述分類(54)時， 獲得分類函數(shù)值(f(x))，并采用所述分類函數(shù)值(f(x))來實現(xiàn)所述安全裝置(FDR，PSl, PS2)的所述觸發(fā)(56)。
6.根據(jù)權利要求1至5中任意一項所述的方法(50)，其特征在于，按照觸發(fā)規(guī)則(Tl， T2，T3)來實現(xiàn)所述安全裝置(FDR1，PSl)的所述觸發(fā)(56)，所述觸發(fā)規(guī)則(Tl，T2，T3)基 于判決閾值。
7.根據(jù)權利要求1至6中任意一項所述的方法(50)，其特征在于，在所述觸發(fā)(56)步 驟中，按照依賴于所述特征類別(K1，K2，K3)的改變規(guī)則來改變所述觸發(fā)規(guī)則(Τ1，Τ2，Τ3)。
8.根據(jù)權利要求6所述的方法(50)，其特征在于，在所述觸發(fā)(56)步驟中，依據(jù)所述 特征類別(Kl，Κ2，Κ3)實現(xiàn)所述判決閾值的提高或降低，或者以第二判決閾值來代替所述 判決閾值。
9.根據(jù)權利要求1至7中任意一項所述的方法(50)，其特征在于，基于在所述特征類 別(Κ1，Κ2，Κ3)之間的類別邊界實現(xiàn)所述分類(64)，所述類別邊界是從存儲器中加載的。
10.用于觸發(fā)至少一個安全裝置(FDR，PS1，PS2)的控制裝置(SG)，其包含如下特征-至少一個接口(IF1，IF2)，其被構造以用于由從傳感裝置(KS，BS1，DS，US，BS2)的至少一個信號而來的至少兩個特征(M1，M2，M3)形成特征向量；-分析電路(μ C)，其被構造以用于借助基于統(tǒng)計學學習理論的分類器(MSVM)將所述 所形成的特征向量分類到至少三個可能的特征類別(Κ1，Κ2，Κ3)之一；以及-觸發(fā)單元(Tl，Τ2，TN, FLICl，F(xiàn)LIC2，F(xiàn)LIC3)，其被構造以用于按照用于所述特征向量 被分類到的那一特征類別(Κ1，Κ2，Κ3)的觸發(fā)規(guī)則來觸發(fā)所述安全裝置。
11.計算機程序，當其在控制裝置(SG)上運行時，執(zhí)行按照權利要求1至9中任意一項所述的方法(50)的全部步驟。
12.具有程序代碼的計算機程序產(chǎn)品，所述程序代碼被存儲在機器可讀的載體上，以用 于當在控制裝置(SG)上執(zhí)行所述程序時，執(zhí)行根據(jù)權利要求1至9中任意一項所述的方法 (50)。
全文摘要
提出了用于觸發(fā)至少一個安全裝置(FDR，PS1)的方法，所述方法包括這樣的第一步驟，即從事故傳感裝置的至少一個信號中獲取至少兩個特征(M1，M2，M3)，以便由所獲取的特征(M1，M2，M3)形成特征向量。隨后在第二方法步驟中，借助基于統(tǒng)計學學習理論的分類器(MSVM)實現(xiàn)將所形成的特征向量分類，以便將所述特征向量分類到至少三個可能的特征類別(K1，K2，K3)之一。作為第三步驟，按照用于所述特征向量被分類到的那一特征類別(K1，K2，K3)的觸發(fā)規(guī)則(T1，F(xiàn)LIC1，T2，T2，F(xiàn)LIC2)設計安全裝置(PS1，F(xiàn)DR1)的觸發(fā)。
文檔編號B60R21/013GK102007019SQ200980113125
公開日2011年4月6日 申請日期2009年2月16日 優(yōu)先權日2008年4月16日
發(fā)明者M·希默, M·施瓦茲 申請人:羅伯特·博世有限公司