CN102007019A - 用于触发至少一个安全装置的方法和控制装置 - Google Patents

Abstract

提出了用于触发至少一个安全装置(FDR，PS1)的方法，所述方法包括这样的第一步骤，即从事故传感装置的至少一个信号中获取至少两个特征(M1，M2，M3)，以便由所获取的特征(M1，M2，M3)形成特征向量。随后在第二方法步骤中，借助基于统计学学习理论的分类器(MSVM)实现将所形成的特征向量分类，以便将所述特征向量分类到至少三个可能的特征类别(K1，K2，K3)之一。作为第三步骤，按照用于所述特征向量被分类到的那一特征类别(K1，K2，K3)的触发规则(T1，FLIC1，T2，T2，FLIC2)设计安全装置(PS1，FDR1)的触发。

Description

用于触发至少一个安全装置的方法和控制装置

技术领域

本发明涉及根据权利要求1所述的一种用于触发至少一个安全装置的方法、根据权利要求10所述的一种用于触发至少一个安全装置的控制装置、根据权利要求11所述的计算机程序、以及根据权利要求12所述的一种计算机程序产品。

背景技术

用于如安全气囊等的人员保护装置的现有的触发算法为了执行安全装置的优化的触发，并不分析车辆的运动历史或仅不精确地分析。在现有的系统中，主要根据在事故情况下出现、并通过加速度传感器所测量的加速度信号得到触发判决。预测系统，如“预碰撞”，例如试图通过雷达或者激光传感器预调节触发算法。然而至今这些信号尚未与其他安装在车辆中的传感器的信息组合在一起，或者未充分地组合，以致对所有的原则上已经可用的传感器信号的数据的组合分析由于这样的分析的复杂性而现在没有得到实现。

为了改善车辆乘客的安全性，将来将实现主动和被动安全组件的分析的融合，当前主动和被动安全组件仍彼此分离地工作。在该融合过程中，对安全系统的要求的数量明显地增加，因为要考虑的行驶情况的数量指数增长。应当通过组合和分析车辆内可用的尽可能所有信号应付要考虑的行驶情况的该增长的数量。与传统的触发系统相比，可能有利的是，考虑所观察的车辆的运动历史，并有效地使用或组合来自现存的传感器的信息。然而现在这要求成本非常高的电路结构以用于分析可用的信号。

在DE 10 2006 038151 A1中公开了用于控制人员保护装置的装置和方法，其中采用支持向量机实现人员保护装置的触发。在此采用不同的分类树实现对事故传感器信号的分析，在所述分类树的情况下执行二进制的分类。相对于“神经元网络”技术，采用支持向量机具有的优点在于，对于每个分类问题都能够找到最优的解，此外所述解相对易于获得。

在专利申请DE 102007027649中公开了用于触发人员保护装置的方法和控制装置，其中为了触发人员保护装置，使用了判决算法以用于分析事故传感信号的特征，并且使用了支持向量机，其为所述判决算法准备另外的、附加的特征的多维分类。在此采用将附加特征分类到两个不同类别中的分类。

在这两个文档中，可能的是通过触发电路进一步优化安全装置的触发判决，以便有效地组合并分析事故传感装置的多个信号(或由其推导的量)。通过这种方式，能够为了触发安全装置而更好地分析来自车辆运动的历史的车辆内可用的传感器信号。

发明内容

因此本发明的任务在于，实现改善对可用传感器信号的分析的可能性。

这一任务通过根据权利要求1所述的方法、根据权利要求10所述的控制装置、根据权利要求11所述的计算机程序以及根据权利要求12所述的计算机程序产品来解决。从属权利要求的内容是本发明的有利的设计方案。

本发明实现用于触发至少一个安全装置的方法，其中包括如下步骤：

-从事故传感装置的至少一个信号中获取至少两个特征，以便由所获取的特征形成特征向量；

-借助基于统计学学习理论的分类器对所形成的特征向量进行分类，以便将所述特征向量分类到至少三个可能的特征类别之一；以及

-按照用于所述特征向量被分类到的那一特征类别的触发规则触发安全装置。

本发明基于这样的认识，即通过基于统计学学习理论的分类器将事故传感器信号的信号特征分类到多于两个类别中，明显地改善相结合的可能性且快速分析这样的信号特征是可能的。这样的优化主要是基于，通过各种类别能够直接在分类到多于两个类别的分类的情况下，实现信号特征的优良的处理或分离，其简化在信号路径中紧接着的触发单元中的信号处理。因为基于统计学学习理论的分类器一方面能够在数值上有效地且快速地工作，另一方面也能够处理大量的信号特征，通过采用这样的分类器允许优化地分析大量的已在车辆中可用的事故传感装置信号。由此加速了主动和被动安全系统与其相应的传感器的期望的融合。

尤其在采用多于两个特征类别的情况下，相比于现有技术能够更好地并特别是更准确地实现车辆相撞的事故分类。从而能够实现车辆安全系统对于两辆车辆的相撞的精确反应，或者在两辆车辆的这样的相撞之前就已经能够实现精确反应。由此可能的是，通过开启恰为各个所识别出的事故类型所需的安全装置，准确地推导出针对这样的碰撞情景的合适的对策。

根据本发明的有利的实施形式，借助基于统计学学习理论的分类器的分类包括采用多类别支持向量机。采用这样的多类别支持向量机为快速的、数值上或者电路技术上有效的、且特别是精确地工作的基于统计学学习理论的分类器提供出色的选择。

在本发明的另一个实施形式中，按照用于第一特征类别的触发规则触发安全装置能够包括激活人员保护装置。此外，按照用于第二特征类别的触发规则触发安全装置能够包括激活行驶动力学支持控制。由此有利地确保了，从单个事故信号中提取的特征被用于车辆中不同的安全功能，以致通过这里提出的方式，简化了车辆中主动和被动的安全组件的融合。同时，尤其通过采用多类别支持向量机，实现快速且精确的分类，其使得减少用于运行车辆中单个安全装置的相应的触发单元的计算技术或者电路技术的开销成为可能。

如果进一步采用特征向量的至少一个特征或从事故传感装置的信号而来的另外的特征来实现安全装置的触发，则这也是有利的。由此在物理的核心算法中能够采用来自特征向量本身的特征或者从事故传感装置的信号而来的特征，所述核心算法在触发相应的安全装置中形成有复位层。通过这种方式使得在所谓的分类器出故障的情况下也能够可靠地实现触发，其中随后通过前述分类器能够特别地实现改善和/或精确化相应的安全装置的触发。在实现本发明的该实施方式的情况下，这意味着在安全上的独有的收获。

此外有利地可能的是，在分类中获得分类函数值，并且采用所述分类值实现安全装置的触发。这描述了分类结果的进一步改善，因为现在不仅这样的类别是可能的，而且对在一个类别内的触发进行区分也是可能的。按照所述分类函数值的这样的区分随后使得更精确地控制相应的安全装置成为可能，例如通过各种安全气囊等级的分级触发。

根据本发明的另一个实施形式，能够按照触发规则实现安全装置的触发，所述触发规则基于判决阈值。由此，实施非常简单的和在数值上或电路技术上能够简单置换的触发规则，以致仅采用具有较低复杂度的组件以根据该实施方式实现本发明。

此外，在触发步骤中，能够按照依赖于特征类别的改变规则来改变触发规则。通过触发规则的依据确定的特征类别的这样的改变，能够以简单并特别是非常快速的方式促使安全装置的触发。由此通过结合和简单地修改通常已经在车辆中现存的安全装置或其组件，在运行这些安全装置的情况下取得乘客安全上明显的好处。

特别地在触发步骤中，能够依据特征类别实现判决阈值的提高或降低，或者以第二判决阈值来代替所述判决阈值。通过触发规则的这种易于实施的改变，使得车辆乘客的安全能够通过将特征向量分类到多个(特别地多于三个)类别中而得以非常好地改善。在此，通过判决阈值的修改或替换同样仅需要少量地改变相应的安全装置的结构或其所属的触发电路。

在本发明另一个实施形式中，能够基于在特征类别之间的类别边界实现分类，所述分类边界是从存储器中加载的。在这种情况下，分类器例如在制造商的实验室中被预训练过并且已经根据事故情景或事故仿真被优化地设置，随后其训练参数被存储在存储器中。作为结果，得到在运行中快速且精确地工作的分类器，因为在运行中不再需要分类器设置的高代价的自适应。

为了实现根据本发明的优点，在本发明的另一个实施形式中，设计用于触发至少一个安全装置的控制装置，其包含如下特征：

-至少一个接口，其被构造以用于由从传感装置的至少一个信号而来的至少两个特征形成特征向量；

-分析电路，其被构造以用于借助基于统计学学习理论的分类器将所形成的特征向量分类到至少三个可能的特征类别之一；以及

-触发单元，其被构造以用于按照用于所述特征向量被分类到的那一特征类别的触发规则来触发安全装置。

通过本发明的这种以装置形式的实施变型，能够快速有效地解决作为本发明基础的任务。尤其是通过将采用基于统计学学习理论的分类器以及将特征向量分类到至少三个特征类别之一的可能性组合在一起，能够实现精确的、快速的、并由此相比于现有技术改善了的对可用传感器信号的分析。

在本发明的另一个实施形式中，设计一种计算机程序，其在控制装置上运行时，执行根据前述实施形式之一的方法的全部步骤。这种计算机程序最初能够以编程高级语言编写，并随后被译成机器可读代码。

有利的还有具有程序代码的计算机程序产品，所述程序代码被存储在机器可读的载体上，如半导体存储器、硬盘存储器或光存储器，并且，当在控制装置上执行该程序时，所述程序代码用于执行根据前述实施形式之一的方法。

附图说明

下面将根据所附的附图示例性地进一步解释本发明。附图中：

图1示出了作为在车辆中安装的单元的本发明的第一实施例的电路方框图；

图2示出了本发明的第二实施例的电路方框图；

图3示出了本发明的第三实施例的电路方框图；

图4示出了本发明的第四实施例的电路方框图；且

图5示出了本发明的第五实施例的流程图；

在后面的图中能够通过相同或相似的附图标记表示相同或相似的元件。附图中的图、说明书以及权利要求还包括许多组合的特征。在此本领域技术人员清楚的是，也能够单独考虑这些特征或者能够将其组成另外的、在此未明确描述的组合。

具体实施方式

在图1中示出了本发明的第一实施例的电路方框图。借助该电路方框图，详细解释了具有相连接的组件的、依据本发明的控制装置SG。控制装置SG安置在车辆FZ中，所述控制装置SG与各种组件相连接。在此仅示例性地示出了控制装置外部和内部的对于理解本发明必要的组件。

在控制装置SG上连接有各种事故传感器，例如固体声传感装置KS、加速度传感装置BS1、压力传感装置DS、以及环境传感装置US。能够附加地或取代前述传感器地连接另外的传感器，如行驶动力学传感装置和/或转速传感器等。在此车辆FZ内的各种安装位置对于技术人员是公知的。固体声传感装置KS和加速度传感装置BS1被连接在控制装置SG的第一接口IF1上，其中第一接口IF1向分析电路μC提供信号，根据第一实施例所述分析电路μC被构造为微控制器μC。替代地，所述分析电路μC能够是具有数据处理功能的其他元件，例如通用微处理器、数字信号处理器DSP、专用集成电路ASIC(ASIC＝application specific integrated circuit＝专用集成电路)或者是可编程逻辑构件FPGA(FPGA＝field programmable gate array＝现场可编程门阵列)。第二接口IF2，其上例如连接有空气压力传感装置DS和环境传感装置US，将该信号提供给分析电路μC。空气压力传感装置DS也能够被安装在车辆的侧面部分，并且应当用于侧面碰撞传感。环境传感装置US能够包括各种环境传感器，如雷达、光雷达、视频或超声波，以便关于碰撞物体分析车辆FZ的环境。微控制器μC从控制装置SG内部的加速度传感装置BS2通过控制装置内部接口接收另外的传感器信号。另外的传感器能够位于控制装置SG的内部，并通过微控制器μC上的相应的接口发送信号。这里包括行驶动力学传感器和/或固体声传感器。

所述接口接收事故传感装置的信号；从该事故传感器信号中提取确定的特征，如加速度、加速度的积分、转速等；并且将确定数量的这些特征组合成特征向量。信号例如能够是加速度信号，以及接口之一能够由此通过简单的积分确定速度，并且随后由加速以及由速度形成二维特征向量，其被提供给分析电路，特别是分类器。

在微控制器μC中，安置基于统计学学习理论的分类器，该分类器将在后文详细解释。特征向量被提供给该分类器，其中分类器也能够根据应当有多少特征进入分类来处理多维特征向量。通过分类器，将特征向量分到至少三个特征类别K1、K2或K3之一。这些特征类别在此例如表征不同的事故类型或事故程度，以使得对于每个事故类型或对于每种事故程度能够实现对相应合适的安全装置的触发。例如，如果微控制器μC中的分类器将特征向量分类到特征类别K1中，则能够通过第一触发电路FLIC1实现对以安全气囊形式的第一人员保护装置PS1的激活。类似地，如果微控制器μC中的分类器将特征向量归入第二特征类别K2中，则能够通过第二触发电路FLIC2激活第二人员保护装置PS2(例如安全带拉紧器)。对于微控制器μC中的分类器将特征向量归入第三特征类别K3中的情况，能够通过第三触发电路FLIC3激活行驶动力学调节器FDR(例如ESP调节)。该传输特别地能够在其通过SPI总线(SPI＝串行外设接口总线)进行时被储存。相应的触发电路的这一激活在此能够非常简单地实现，只要例如通过分类到(特征)类别K1、K2或K3中的分类实现相应的触发电路的(二进制的)开/关激活，其能够快速且低成本地被分析。

在这里，控制装置SG具有壳体，其能够由金属和/或塑料制成。所述微控制器μC自身具有内部存储器，也能够访问同样位于控制装置SG内的外部存储器。在所述存储器中能够存储类别边界，所述类别边界例如在实验室中分类器的预训练中被确定，如后文所详细描述的。采用该类别边界，微控制器μC中的分类器能够非常快速并易于实现地将特性向量分到不同的特征类别K1、K2或K3中。

采用多于或少于所示出的传感器是可能的。接口IF1和IF2到微控制器μC的通信例如能够通过控制装置内部的总线SPI进行。SPI总线还能够用于微控制器μC与触发电路FLIC1、FLIC2和FLIC3之间的通信。在这里，触发电路FLIC1、FLIC2和FLIC3由一个或多个集成电路构成，所述集成电路例如具有功率开关并且在触发情况下使得人员保护装置PS1或PS2的或者行驶动力学调节器FDR的点火或触发元件的通电成为可能。该人员保护装置PS1或PS2或者行驶动力学调节器FDR还能够具有各种表现形式，其由一个或多个集成电路和/或分立元件组成。

对于在本发明中的使用，特别地考虑基于统计学学习理论的分类器，其将特征向量划分到至少三个特征类别之一中。通过这种方式实现借助自动的方法来分析大量需考虑的信号和信号组合。自动的分析在此使得下述成为可能，即由于受限的可操作的数据量，可能应当不再仅由实际行驶的行驶测试(例如标准碰撞测试EuroNCAP)产生信号组合，而是也能够以增大的规模处理行驶动力学仿真和FEM仿真(FEM＝有限元模型)的结果。如果不采用自动分析，大量需考虑的信号组合可能不能操作。因此能够通过对真实世界安全开发过程的描绘，有利地实现对任意的仿真的事故情况的自动分析，由此分类器的改善的训练成为可能。

此外应说明，通过将特征向量分类到多于两个特征类别之一的分类，实现对事故信号的特征的具体分析，这在现有技术中是可能的。尤其通过自动分析在非常早的碰撞阶段的车辆运动的历史，能够基于将事故信号的特征分类到许多特征类别中的细致分级的分类，通过基于特征类别的触发而激活例如下一步算法处理的不同支路。由此，通过事故信号的特征的有利的早期分类以及合适的安全装置的相应快速的触发，一方面减小了安全装置的反应时间，且另一方面仅触发实际涉及当前行驶情况的安全装置。由此节省了资源。

通过组合多个可用的事故信号的特征的可能性，还能够实现行驶情况的描绘或对行驶情况的响应，其由主动和被动安全组件引起。此外，易于通过采用仿真数据使分类器与客户要求的危险和事故情况相协调。进一步地，采用基于机器学习的方法明显地减少了应用时间，以致具有大量信号组合的、用于在实验室中训练分类器的训练进程能够在现实可行的时间内完成。相对于现有技术中的分类器，这里所提出的分类器能够明显更好地被训练，在使用所述分类器的情况下，这有利地在为预先给定的特征向量精确地选择正确的特征分类方面表现超群。

在本发明中，特别地使用多类别支持向量机(MSVM)作为基于统计学学习理论的分类器，因为这样的多类别支持向量机又如支持向量机总能提供最优解，并且显示出趋向特殊化(即趋向记住经训练的数据)的小的趋势。

作为多类别支持向量机的基础的支持向量机(SVM)的具体工作原理例如能够从专利申请DE102007027649中获得。相关文献(例如：Cristianini Nello和Shawe-Tylor John的“An introduction to support vector maschines and other kernel-based learning methods”或者Hastie的“The elements of statistical learning”)中也有关于SVM的进一步的信息。为了避免冗余，在此不再详细描述SVM的工作原理。

相比于传统的支持向量机，其在两个类别之间，例如在事故鉴别中，在用于激活安全装置的特征类别“点火”和用于不激活相应的安全装置的特征类别“不点火”之间，或者在特征类别“ODB”/“非ODB”(ODB＝偏置可变形壁障(offset deformable barrier))之间，进行区分，多类别支持向量机能够区分多个类别，特别地多于三个类别。MSVM同样是统计学学习理论类别的基于机器学习的方法，其中通过成对地预先给定特征向量和所属的类别来训练分类器。下面还将详细解释对这样的MSVM的训练。

在作为本发明的第二实施例的电路方框图的图2中简要概述基于统计学学习理论的分类器的具体使用。在此，例如被安置在微控制器μC中的分类器能够接收事故信号(例如关于车轮转速、横摆角加速度、纵向加速度的积分或者预碰撞传感器(PreCrash-Sensor)的覆盖角度)的特征M1和M2，并被如此训练，即单独的特征类别K1至KN描绘不同的车辆状态(例如“打滑”、“正面碰撞”、“轻度侧面碰撞-软碰撞”……)。相应地能够激活不同的触发电路或算法部分或触发规则，以用于触发安全装置。例如能够在将由特征M1和M2组成的特征向量分类到特征类别K1中的情况下，在微控制器μC中将第一子算法T1作为触发算法激活，其随后通过用于正面安全气囊的触发电路FLIC激活以点火丸、可逆约束装置或类似物的形式的人员保护装置PS1。分离的触发电路也是可想到的，在所述分离的触发电路内实施第一子算法T1和触发电路FLIC的功能，该触发电路FLIC通过将特征M1和M2分类到第一类别K1中而被激活，并转而激活人员保护装置PS1。

类似地，能够在特征向量被分类到特征类别K2中的情况下，在微控制器μC中激活第二子算法T2，所述第二子算法转而为了实施软碰撞功能而激活触发电路FLIC，所述软碰撞功能转而随后激活以制动器默认值的形式的行驶动力学调节器FDR1。在此可能也能够使用分离的组件以用于实现第二子算法T2以及FLIC的功能。

相应地，能够在特征向量被分类到第三特征类别中的情况下，激活在图2中未明确示出的第三子算法，所述第三子算法随后通过在此以调节单元的形式的触发电路FLIC，为改善行驶动态而触发用于车轮选择制动器或车轮选择转向器的第二行驶动力学调节器FDR2。

如果通过分类器将特征向量分到第四特征类别中，则能够激活同样在图2中未示出的第四子算法。该第四子算法能够通过触发电路FLIC引起第二人员保护装置PS2例如侧面安全气囊的触发，以致第二人员保护装置PS2相应地触发点火丸或可逆约束装置。

如果实现将特征向量例如分类到另外的特征类别KN，则能够将EPP算法(EPP＝Electronic Pedestrian Protection＝行人保护算法)作为相应的第N子算法TN而激活，以此经由触发电路FLIC触发以点火丸或可逆约束装置的形式的另外的人员保护装置PS3。

还可能的是，相对图2中的描述，为单独的人员保护装置PS1、PS2或PS3或单独的行驶动力学调节器FDR1或FDR2分别设置分离的触发电路FLIC1、FLIC2……，如已在前面简要描述的并还将参考图4详细描述的。

图2中的表示继续进行将特征向量分类到任意多个(多于3个)特征类别中的分类，其中随后通过激活相应匹配的子算法和触发电路FLIC来激活合适的安全装置。通过设置分类器以用于将特征向量分类到至少三个特征类别中而由此可能的是，由一个或多个事故信号的特征精确地激活车辆的安全系统的这些部分，即在所出现的行驶情况下刚好需要的那些部分。由此能够省去高代价的对安全系统的所有可用算法部分的处理，或者不必总是激活全部的触发电路。

图3以电路方框图表示示出了本发明的第三实施例，其中为了阐明本发明的作用原理，特别地示出了在图2中所示的子算法T1至TN中的单个子算法T。然而也能够仅采用单个子算法T来使用本发明，从而不需要多个子算法。在图3示出的实施例中，在微控制器μC中采用多类别支持向量机MSVM作为分类器，向所述多类别支持向量机输入特征M1、M2和M3。这些特征例如能够从一个事故信号中产生，如对上述图2关于转速信号、横摆角加速度、车辆加速度等或者它们的积分而实施的。分类器MSVM能够将特征M1、M2和M3分到第一、第二或第三特征类别K1、K2、K3中，并将此提供给子算法T，该子算法T激活触发电路FLIC1。结合触发电路FLIC1和子算法T由此在数值上和/或电路技术上实现触发规则，借助所述触发规则，响应于事故信号特征M4和M5，激活人员保护装置PS1，例如安全气囊。子算法T能够如此被设置，即其实现基于物理的核心阈值判决，所述核心阈值判决的判决阈值受特征类别K1、K2或K3影响。在此，响应于事故信号特征M4和M5实现人员保护装置PS1的触发或激活，然而所述事故信号特征M4和M5能够是与一个或多个输入特征M1至M3相同的或者从其推导出的。

对判决阈值的影响能够在于，相应地减少或增加用于各选出的特征类别K1至K3的改变规则。通过这种方式确保了，在可能的错误的分类的情况下，也总能通过具有在里面实现有基于物理的核心阈值判决的子算法T(即便不是最优的但还是)激活人员保护装置PS1。

如果在如之前实现的多类别支持向量机以后实现基于学习的方法，则能够在训练后基于例如下面的方程的数学公式来实现分类。

$f\left(x\right)=\underset{i=1}{\overset{i}{\mathrm{\Σ}}}{y}_i\·{\mathrm{\α}}_i\·k(x_i,x)+b$

在此，变量y_i、α_i和b是训练的结果，k(x_i，x)是多类别支持向量机所采用的经训练的核心函数。该分类函数的结果在此相应于在分类器中确定的类别，其中例如实数的，即非二进制的分类函数值3.1对应于特征类别K3，其包含所有3.0至3.9的分类函数值。图3中的子算法T随后能够通过针对特征类别K3的信号路径的(二进制的)开/关激活来实现。替代地，为了激活也能够实现将精确地获得的分类函数值3.1传输到子算法T，因此能够例如执行定量地更精确地提高或减小子算法的触发规则中的判决阈值。相应的也适用于传输特征类别K1和K2的分类函数值，其中如果有必要还可能通过放大器V 1至V3放大各分类函数值，以便最大程度地补偿或遮盖信号线路上的干扰。

图4以电路方框图表示示出了本发明的第四实施例。根据在图4中示出的实施例，在微控制器μC中再次设置以多类别支持向量机MSVM的形式的分类器，向其提供一个或多个事故信号的特征M1至M3。特征M1至M3在分类器MSVM中(或通过预接集成接口)结合成一个特征向量，并将其分类到特征类别K1至K3之一。这些特征类别K1至K3中的每一个用于触发子算法T1至T3，又分别向所述子算法T1至T3输入事故信号的特征M4和M5。按照对前述图3中所示的实施例的实施，特征M4和/或M5又能够是与分类器MSVM的输入特征M1至M3中的一个或多个相同的或者从其推导出的。

在子算法T1至T3中，能够各自实现以物理核心阈值判决的形式的触发规则，其中通过将特征向量分类到特征类别K1至K3之一，在不同的子算法T1至T3中的各种核心阈值之间进行切换是可能的。例如能够在第一子算法T1中实现第一判决阈值，其中通过将特征向量分类到特征类别K1中来激活第一子算法T1。在激活第一子算法T1的情况下，能够通过第一触发电路FLIC1激活人员保护装置PS1，例如安全气囊。

此外在第二子算法T2中，能够实现不同于第一判决阈值的第二判决阈值，其中通过将特征向量分类到特征类别K2中来激活第二子算法T2。为了触发安全装置，第二子算法同样又采用特征M4和M5，并又同样实现基于物理的核心阈值判决。如果将特征向量分类到第三特征类别K3中，则能够激活第三子算法T3，其采用特征M4和M5用另外的判决阈值实现第三基于物理的核心阈值判决。在此又能够通过分析第二和第三特征类别K2或K3的所传递的分类函数值来改变第二或第三子算法T2和T3中的判决阈值。

第二子算法T2和第三子算法T3能够通过共同的第二触发电路FLIC2激活行驶动力学调节器FDR1，例如激活ESP功能的触发。在这种情况下，例如通过按照预先规定的默认值比较第二和第三子算法T2和T3的用于第一人员保护装置PS1的两个触发信号，能够使得激活该安全装置PS1的真实性检查成为可能。例如当第二判决阈值低于第三判决阈值时，如果第二子算法T2用信号传递，事故信号的所观察的特征中的一个值低于第二判决阈值，而第三子算法T3用信号传递，事故信号的所观察的特征中的该值高于第三判决阈值，则必然存在错误。

第一和第二触发电路FLIC1和FLIC2也能够一起被实现在一个触发电路中，如相应地在图2中示出的。单独的多个子算法同样能够一起被实施在微控制器μC中或者被实施在分离的信号处理构件上。此外，在将特征向量分类到特征类别K1中的情况下，例如能够从查阅表中或者从存储器中加载第一判决阈值到第一子算法中。类似地，如果将特征向量分类到第二特征类别K2中，能够从查阅表中或者从存储器中加载第二判决阈值到第二子算法中，以及在将特征向量分类到第三特征类别K3中的情况下，能够从查阅表中或者从存储器中加载第三判决阈值到第三子算法中。如在图4中示出的，根据由将特征向量分类到相应的特征类别中所表征的出现的事故程度，能够不同强度地(例如以各种级别)通过激活第二或第三子算法T2和T3来触发行驶动力学调节器FDR1，例如自动制动器。

由此可见，通过本发明的上述各种设计方案，显而易见的是，本领域技术人员能够以已知的方式任意组合所述设计方案，以便尽可能地实现依据本发明的优点。例如能够实现图2和图4中的实施例的组合。在图1中通过两条虚线描述了这样的实施，其中，按照图4中的实施例，微控制器μC向单独的触发电路提供从不同的子算法中获得的多个触发信号(在微控制器μC和第一触发电路FLIC之间的虚线)，或者按照图2，一个触发电路激活多个保护装置(在第二触发电路FLIC2和第一人员保护装置PS1之间的虚线)。在图1中没有明确示出根据图3中的实施例将多个分类信号输入单个子算法；然而对于本领域技术人员显而易见的是，易于实现所公开的实施例的另外的组合。

特别地在图3和4中示出的本发明的实施例中，不再仅输出二进制的分类判决，而是在多个特征类别之间进行区分。这是有利的，因为在分类事故时期望的是，能够在各种碰撞类型之间进行区分，并且在分类器或触发电路的输出端仅得到二进制的“点火”/“不点火”的判决通常是不够精确的。基于经具体分类的碰撞类型能够更好地确定事故程度，并由此改善触发，例如相应的点火装置的触发。依据分类结果，能够有针对性地开启车辆安全系统的在当前行驶情况下所需的组件，以便例如如此改变触发单元中的核心阈值，以致对于所分类的事故类型，触发条件得以满足。这主要对应于图3中所示的实施例。然而还能想到的是，基于分类结果来加载用于相应的核心阈值的不同的查阅表，因此事实上在与各事故类型相协调的核心阈值之间来回切换。这主要在图4所示的实施例中实施。

此外能够想到的是，依据分类结果开启特殊的功能。例如如果分类为完全正面事故(即，没有相对不可变形的壁障的重叠的事故)，则能够启动所谓的低风险功能，以便必要时促使抑制第二安全气囊等级。为了这一目的，由此例如会需要在碰撞类别(即特征类别)K1＝“ODB”、K2＝“AZT”和K3＝“完全正面”之间进行区分，其中类别“AZT”应当标识“相对刚性壁障的非触发碰撞测试”。

通过上述提出的方式可能的是，极快地并且在数值上或电路技术上非常简单地从许多事故信号特征组合中确保车辆安全系统的对于当前行驶情况的最佳响应。如由前述提及的方程能获悉的，计算这在数值上代价不高，因此这对于现代数据处理组件并非重大挑战，而对于实现表现出显著优势。

然而重要的方面在于在前面提出的发明中所采用的分类器的训练。相比于传统的支持向量机(SVM)，其仅在两个类别之间(以及例如在事故鉴别的情况下在“点火”和“不点火”之间)进行区分，多类别支持向量机(MSVM)能够区分多个特征类别，特别是多于两个特征类别。多类别支持向量机同样是基于学习的方法，其中通过成对地预先给定带有事故信号的待训练的特征的输入特征向量和以各自待分配的特征类别的形式的输出信号来训练分类器。这在训练中算出支持向量，其包含各类别的最重要的数据点。支持向量能够被理解为分界线或分界面的支持向量，所述分界线或分界面将单独的类别彼此分开。多类别支持向量机上的观察值和支持向量机上的观察值一样，在此通过支持向量的计算，准确地确定这样的分界线，即具有到各种类别的最大距离。这是尤其有利的，因为在传感器信号不稳定的情况下，这意味着鲁棒地划分类别。此外有利的事实是，总能找到最优的分界线，这在其他基于机器学习的方法如神经元网络中是不存在的。在此训练在实验室中进行，其中所找到的支持向量例如被存储在存储器中(如以微处理器的形式的安全气囊控制装置的EEPROM)。在此在训练中能够获得所提及的方程的上述变型，以致在算法的运行期间，分类器能够在事故之前或在事故中借助上述(经训练的)简单方程来进行特征向量的分类。

作为多类别支持向量机的训练的特点需要说明的是，最终总是将这种多类别支持向量机的训练减少到两个类别的情况，以致主要在两个不同的训练变型之间进行区分。第一训练变型(“一对一”)基于依次将每两个类别彼此相对地来训练。在三个类别的情况下，首先相对类别2训练类别1，随后相对类别3训练类别2，并此后相对类别1训练类别3。所获得的分类结果随后被组合。第二训练变型(“一对余下”)基于依次总将一个类别相对于所有余下的类别来训练。因此在三个类别的情况下，将相对类别2和3训练类别1，随后相对类别1和3训练类别2，并此后相对类别1和2训练类别3。所获得的分类结果随后同样被组合。依据所提出的问题，能够这一次采用第一训练变型而另一次采用第二训练变型。以这种方式能够通过分界面的自动的计算来显著减少用于触发安全装置的附加功能的应用时间。

图5示出了本发明的第五实施例。在此分发明被描述为方法50，该方法50用于在运行这样的基于统计学学习理论的分类器的情况下，按照上该述做法来触发至少一个安全装置。所述方法50具有从事故传感装置的至少一个信号中获取至少两个特征M1和M2的第一步骤52，以便由所获取的特征形成特征向量。在第二步骤54中，借助基于统计学学习理论的分类器实现所形成的特征向量的分类，以便将特征向量分类到至少三个可能的特征类别K1、K2、K3之一。在第三方法步骤56中，按照用于所述特征向量被分类到的那一特征类别K1、K2、K3的触发规则实现安全装置FDR、PS1、PS2的触发。通过这种方法50，能够解决本发明的任务，并获得有所示出的有利的效果。

根据所述内容，能够在硬件或软件中执行依据本发明的方法。所述执行能够在具有电子可读控制信号的数字存储介质上、尤其是磁盘、CD、或DVD上实现，该电子可读控制信号能够与可编程的计算机系统共同作用以实施相应的方法。一般地，本发明由此也在于一种计算机程序产品，其具有在机器可读的载体上存储的、用于当计算机程序产品在计算机上运行时执行本发明方法的程序代码。换句话说，本发明能够由此被实现为具有用于当计算机程序在计算机上运行时执行本发明方法的程序代码的计算机程序。

Claims (12)

1.用于触发至少一个安全装置(FDR，PS1，PS2)的方法(50)，其中所述方法(50)包括如下步骤：

-从事故传感装置(KS，BS1，DS，US，BS2)的至少一个信号中获取(52)至少两个特征(M1，M2，M3)，以便由所获取的特征(M1，M2，M3)形成特征向量；

-借助基于统计学学习理论的分类器(MSVM)对所述所形成的特征向量进行分类(54)，以便将所述特征向量分类到至少三个可能的特征类别(K1，K2，K3)之一；

-按照用于所述特征向量被分类到的那一特征类别(K1，K2，K3)的触发规则(T1，T2，TN，FLIC1，FLIC2，FLIC3)来触发(56)所述安全装置(FDR、PS1，FDR1)。

2.根据权利要求1所述的方法(50)，其特征在于，借助所述基于统计学学习理论的分类器(MSVM)的所述分类(54)包括采用多类别支持向量机。

3.根据权利要求1或2所述的方法(50)，其特征在于，按照用于第一特征类别(K1，KN；K1)的触发规则(T1，TN，FLIC；T1，FLIC1)来触发(56)所述安全装置(PS1，FDR1，FDR2，PS2，PS3；FDR1，PS1)包括激活人员保护装置(PS1，PS2，PS3；PS1)，且按照用于第二特征类别(K2；K1)的触发规则(T2，FLIC；T2，T3，FLIC2)来触发所述安全保护装置(PS1，FDR1，FDR2，PS2，PS3)包括激活行驶动力学支持控制(FDR1)。

4.根据权利要求1至3中任意一项所述的方法(50)，其特征在于，此外，所述安全装置(FDR，PS1)的所述触发还采用所述特征向量的至少一个特征，或者从所述事故传感装置(KS，BS1，DS，US，BS2)的信号而来的另一个特征(M4，M5)来实现。

5.根据权利要求1至4中任意一项所述的方法(50)，其特征在于，在所述分类(54)时，获得分类函数值(f(x))，并采用所述分类函数值(f(x))来实现所述安全装置(FDR，PS1，PS2)的所述触发(56)。

6.根据权利要求1至5中任意一项所述的方法(50)，其特征在于，按照触发规则(T1，T2，T3)来实现所述安全装置(FDR1，PS1)的所述触发(56)，所述触发规则(T1，T2，T3)基于判决阈值。

7.根据权利要求1至6中任意一项所述的方法(50)，其特征在于，在所述触发(56)步骤中，按照依赖于所述特征类别(K1，K2，K3)的改变规则来改变所述触发规则(T1，T2，T3)。

8.根据权利要求6所述的方法(50)，其特征在于，在所述触发(56)步骤中，依据所述特征类别(K1，K2，K3)实现所述判决阈值的提高或降低，或者以第二判决阈值来代替所述判决阈值。

9.根据权利要求1至7中任意一项所述的方法(50)，其特征在于，基于在所述特征类别(K1，K2，K3)之间的类别边界实现所述分类(64)，所述类别边界是从存储器中加载的。

10.用于触发至少一个安全装置(FDR，PS1，PS2)的控制装置(SG)，其包含如下特征：

-至少一个接口(IF1，IF2)，其被构造以用于由从传感装置(KS，BS1，DS，US，BS2)的至少一个信号而来的至少两个特征(M1，M2，M3)形成特征向量；

-分析电路(μC)，其被构造以用于借助基于统计学学习理论的分类器(MSVM)将所述所形成的特征向量分类到至少三个可能的特征类别(K1，K2，K3)之一；以及

-触发单元(T1，T2，TN，FLIC1，FLIC2，FLIC3)，其被构造以用于按照用于所述特征向量被分类到的那一特征类别(K1，K2，K3)的触发规则来触发所述安全装置。

11.计算机程序，当其在控制装置(SG)上运行时，执行按照权利要求1至9中任意一项所述的方法(50)的全部步骤。

12.具有程序代码的计算机程序产品，所述程序代码被存储在机器可读的载体上，以用于当在控制装置(SG)上执行所述程序时，执行根据权利要求1至9中任意一项所述的方法(50)。

Images