專利名稱：用于控制人身保護裝置的方法及裝置以及相應(yīng)的計算機程序及計算機程序產(chǎn)品的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及根據(jù)獨立權(quán)利要求的類型的用于控制人身保護裝置的裝置 及方法及相應(yīng)的計算機程序以及計算機程序產(chǎn)品。
背景技術(shù)：
由DE 103 60 893 Al公知了用于控制人身保護裝置的一種方法。其中 由一個加速度信號確定一個提前量，該提前量與至少一個閾值相比較，其 關(guān)聯(lián)由速度下降及延遲來調(diào)節(jié)。根據(jù)該比較來控制人身保護裝置。

發(fā)明內(nèi)容
相比之下，根據(jù)本發(fā)明的用于控制人身保護裝置的方法或根據(jù)本發(fā)明 的用于控制人身保護裝置的裝置或計算機程序或計算機程序產(chǎn)品具有其優(yōu) 點，即，根據(jù)本發(fā)明，控制決策將多個與觸發(fā)有重大關(guān)系的測量量組合成 一個特征向量及然后基于一些特征向量的相似性的簡單比較進行觸發(fā)。為 此，在第一步驟中，將由具有已知的碰撞特性的數(shù)據(jù)組(訓(xùn)練數(shù)據(jù)組)組 成的特征向量歸于對于觸發(fā)有重大關(guān)系的類。不同的類例如可以代表不同 的碰撞嚴重度。在第二步驟中，未知碰撞特性的特征向量通過與在訓(xùn)練數(shù) 據(jù)組中求得的特征向量的類似性的比較被歸于相應(yīng)的類。根據(jù)本發(fā)明的方 法以所述分類策略的簡單性而易于實施及在文獻中作為最接近方法而公 知。尤其與傳統(tǒng)方法的高應(yīng)用成本相比可看出很好的可實施性，在傳統(tǒng)方 法投入了許多專家知識及由此需忍受理解或解釋之苦。
此外根據(jù)本發(fā)明，通過使用特征向量可實現(xiàn)高維的觀察，使得可實現(xiàn) 更好的分類。組合成特征向量的各個特征通過它們的數(shù)目確定了維數(shù)。
特征向量與其類歸屬一起的存儲可在碰撞數(shù)據(jù)未進一步處理的情況下 自動進行。為了節(jié)省資源有意義的是減小應(yīng)被存儲的碰撞數(shù)據(jù)的組。對于該任務(wù)也具有一些方法，這些方法可由多個碰撞數(shù)據(jù)中自動地選擇最顯 著的特征向量的一個子集。因此其應(yīng)用成本非常低。
在特征向量的相應(yīng)選擇時可在物理的測量量及計算量的范圍中進行分類。
因為用于根據(jù)本發(fā)明的方法、尤其是分類的測量原理是無關(guān)緊要的， 因此可用簡單的方式將具有不同物理測量量的不同傳感器的數(shù)據(jù)以統(tǒng)一的 方式合并。屬于這些測量量的有加速度，壓力，固體聲，磁場電流，環(huán)境 數(shù)據(jù)及其它可能的測量量。
本發(fā)明的核心是使用一距離量，以便將特征向量分類。這里使用到訓(xùn) 練數(shù)據(jù)組的距離。根據(jù)該比較則可進行特征向量的分類及根據(jù)該分類則可 給出控制決定。
如上所述，作為事故傳感裝置可使用多種傳感器或僅使用一種類型的 傳感器。
由事故傳感裝置的至少一個信號導(dǎo)出的特征例如為加速度信號、提前 量、被積分的加速度、統(tǒng)計數(shù)據(jù)、絕對值、到一個可能的碰撞物體的距離， 壓力信號、固體聲信號及座位占用信號。也有其它的可能性。視特征向量
的維而定，特征向量確定了一個n維空間中的一點。為了分類，確定出該 點到由訓(xùn)練數(shù)據(jù)組得到的每個特征向量的點的距離。下文將給出如何可得 到訓(xùn)練數(shù)據(jù)組及距離量的各個可能性。在確定了到被存儲的訓(xùn)練數(shù)據(jù)組的 距離后進行分類，該分類例如斷定出碰撞類型、碰撞嚴重度并由此斷定出 必需觸發(fā)哪些人身保護裝置。
根據(jù)本發(fā)明的裝置除用于接收傳感器數(shù)據(jù)的至少一個接口外還具有一 個分析處理電路，其中分析處理電路通常是微控制器。但它也可涉及微處 理器或ASIC。也具有其它的可能性?？刂齐娐肥屈c火回路，它根據(jù)微控制 器的控制信號及例如通過點火單元來觸發(fā)人身保護裝置。裝置權(quán)利要求中 的接口及其它部件通常被設(shè)置在一個控制器的殼體中。在此，例如在傳感 器也位于控制器殼體內(nèi)時，該接口也可為微控制器本身的一個單元。
但接口也可連接在位于控制器外部的外部傳感器上，如側(cè)面碰撞傳感 器、正面碰撞傳感器及環(huán)境傳感器上。
計算機程序在分析處理電路上、如上述的構(gòu)造成處理器或微控制器的分析處理電路上運行。計算機程序則包括該方法的所有步驟。這也適用計 算機程序產(chǎn)品，因為在微控制器上運行的計算機程序被存儲在一個存儲器
中、例如一個EEPROM上及可通過可由機器讀取的數(shù)據(jù)載體如CDs， DVDs， USB棒，硬盤來存儲。尤其是該程序被用在用于控制人身保護裝置的控制器 上。
通過從屬權(quán)利要求中所述的措施及進一步構(gòu)型可得到在獨立權(quán)利要求 中給出的用于控制人身保護裝置的方法的有利的改進。
特別有利的是，相應(yīng)的特征由特征變化曲線的預(yù)給定長度的時間段來 求得。因此優(yōu)先地確定該時間段為多長，其中特征由連續(xù)的特征變化曲線 或由時間段終點上的特征變化曲線來求得。例如在整個長度上的積分的情 況下使用整個信號變化曲線，而當應(yīng)使用該段的終點上的加速度值時，則 僅使用該加速度值。
段的長度被這樣預(yù)給定，使得特征變化曲線的特性不改變。這指的是 碰撞過程的一個相位，是該相位而非不同的相位進入到一個特征向量中及 例如可這樣地被補償，使得由該特征引起錯誤的決定。
此外有利的是，相應(yīng)的特征變化曲線被轉(zhuǎn)換到一個圖象區(qū)域中及確定 圖象區(qū)域中的相應(yīng)特征。通過一個變換，例如借助快速傅里葉變換可被轉(zhuǎn) 換到頻域、即圖象區(qū)域中，以便可在必要時進行比在時域中更簡單的信號 分析。
有利地，訓(xùn)練數(shù)據(jù)組具有多個向量，用于分類的每個類歸于這些向量。 這就是說，向量全集的一個向量子集屬于一個確定的類。然后確定特征向 量相到這些向量的距離及這樣地分類特征向量，即選擇k個最鄰近的向量 的多數(shù)所屬的類。因此這是按多數(shù)進行決策。在此情況下重要的是參數(shù)k， k被這樣地選擇，使得向量本身可被最佳地分類。這就是說，在應(yīng)用階段訓(xùn) 練數(shù)據(jù)組的每個向量被分類。在此，對k取不同的值，其中與最佳分類產(chǎn) 生最小偏差的k值被保留，以便使用該值來對實時測量值分類。 也可以，為了分類，確定k個最鄰近向量的類的平均值。 作為訓(xùn)練數(shù)據(jù)可不存儲向量而僅存儲類邊界，以及然后確定到這些類 邊界的距離，這些類邊界則構(gòu)成所謂的超平面。類邊界可被平滑或被濾波。 也可不是僅存儲類邊界而也可以是存儲及保留訓(xùn)練數(shù)據(jù)組的位于這些類邊界的邊界上的向量。而那些僅位于一個區(qū)域的中間的向量可毫無問題地被 刪除。


本發(fā)明的實施例被表示在附圖中及在以下的說明中對其詳細地描述。 附圖表示-
圖l:根據(jù)本發(fā)明的裝置的一個框圖， 圖2:微控制器上的軟件單元分配， 圖3: —個流程圖， 圖4:用于一個特征分類的例子，
圖5:用于在具有兩個不同類的兩維空間中分類的例子， 圖6:第一信號流程圖， 圖7:第二信號流程圖，及 圖8: —個時間圖。
具體實施例方式
根據(jù)本發(fā)明將借助一個距離量來確定特征向量如何被分類及由此是 否存在何種碰撞類型。該距離量可有利地通過組合近鄰模型算法
(k-Nearest Neighbor Algorithmus)來確定。
該k-NN算法給出了了一個方法，即如何可基于具有已知預(yù)給定的類歸 屬的訓(xùn)練數(shù)據(jù)組T將一個未知的信號分給一個預(yù)定的類。該k-NN算法也允 許被測得的信號的分類。
為此對于訓(xùn)練數(shù)據(jù)組中的每個元計算一個特征向量MV 。對于一個訓(xùn)練 數(shù)據(jù)組T有
T = {MV" MV2，…，MVJ，
式中M代表訓(xùn)練數(shù)據(jù)組的元的數(shù)目。每個特征Ml具有D維 MV = (MVM， MV ,2，…，MV")。
因此T中的每個特征向量MV表示d維空間中的一個點。對于訓(xùn)練數(shù)據(jù) 組的每個特征向量存在具有一些類的分類C: 0{d, C2，…，CJ，式中N 表示類的數(shù)目。即具有一個固定的對應(yīng)MV — C 。
現(xiàn)在要將一個具有未知類歸屬的及具有與訓(xùn)練數(shù)據(jù)組的特征向量相同
的維的及用相同測量方法獲得的未知特征向量亂歸于C中的一個類。MVU 也如訓(xùn)練數(shù)據(jù)組中的特征向量那樣代表d維空間中的一個點。
為了確定MVu的類歸屬，現(xiàn)在確定出k個最鄰近的訓(xùn)練數(shù)據(jù)的特征 向量的大多數(shù)屬于哪個類Cn。然后將MVu歸于該類，其中k-l， 2， 3……， 可自由選擇。
為了確定這些最鄰近的近鄰，使用了可自由選擇的距離量，它例如是 一個歐氏距離。但也可使用其它公知的距離量，如Mahalanobis距離。
如果選擇k=l，則自動選擇一個這些與該未知數(shù)據(jù)點最鄰近的近鄰所屬 的類。在k=3時將涉及按多數(shù)進行決策。
變換地，k-NN算法也可被用于回歸推算。
在此情況下也可不用多數(shù)決定原則而由用數(shù)表示的k個最鄰近的近鄰 的類來計算一個平均值。
用于碰撞狀態(tài)分類的k-NN算法的說明 用于碰撞狀態(tài)分類的k-NN算法如下地構(gòu)成
在第一步驟中由傳感器接收數(shù)據(jù)及這些數(shù)據(jù)可選地被預(yù)處理。例如對 加速度信號進行一次或二次積分，以便得到速度信息或行程信息。并且也 可考慮其它的特征預(yù)處理，如在本說明書中所提到的。
在下個步驟中將這些特征的變化曲線劃分成預(yù)定長度的多個時間段 (ZB)。
然后由各個時間段內(nèi)的數(shù)據(jù)計算一個特征向量MV。特征向量內(nèi)的數(shù)據(jù) 是該段內(nèi)容的有意義地被選出的特征化的特征，例如是段結(jié)束時的加速度 的積分值、 一個段內(nèi)的信號的方差、各個傳感器的被累加的值之間的差， 等等。在選擇數(shù)據(jù)時不存在任何限制。所使用的數(shù)據(jù)的數(shù)目表明在其中進 行分類的特征空間的維。
在事先進行的應(yīng)用階段中對一個訓(xùn)練數(shù)據(jù)組按照完全相同的模式被處 理及將得到的特征向量存儲在控制器中。附加地對訓(xùn)練數(shù)據(jù)組的每個特征 向量MV還設(shè)置一個其類歸屬的特征標記。例如類的劃分為如下的情況
例1:d 二不觸發(fā)類
c2 二觸發(fā)類
例2:
d 二無觸發(fā)結(jié)果
C2 =與軟障礙的碰撞
c3=與硬障礙的碰撞
例3:
d 二無觸發(fā)結(jié)果 C2 =對稱碰撞事件
c3 =左面碰撞 c4 =右面碰撞
例4:
C, 二碰撞嚴重度1 C2 二碰撞嚴重度2 C3 =碰撞嚴重度3 C4 =碰撞嚴重度4 C5 =碰撞嚴重度5 C6 =碰撞嚴重度6 例5:
d =碰撞速度在0公里/小時與10公里/小時之間
C2 =碰撞速度在10公里/小時與20公里/小時之間
C3 =碰撞速度在20公里/小時與30公里/小時之間
C4 =碰撞速度在30公里/小時與40公里/小時之間
C5 =碰撞速度在40公里/小時與50公里/小時之間
C6 =碰撞速度在50公里/小時與60公里/小時之間
尤其是在如例4及5的類劃分時可使用所述的回歸方法。重要的是，
對于每個存在的類都存在訓(xùn)練數(shù)據(jù)。
附加地還對于參數(shù)k在存儲器中存儲一個數(shù)值。對于現(xiàn)有的類劃分及
現(xiàn)有的訓(xùn)練數(shù)據(jù)來說最佳的k例如可根據(jù)以下的計算規(guī)則得到。 方法U30CV (Leave one out cross validation):對此，整個訓(xùn)練數(shù)據(jù)組除了一個外都被存儲。該剩下的數(shù)據(jù)組這時被 視為未知的數(shù)據(jù)值及被分類并存儲分類準確度?，F(xiàn)在對全部的訓(xùn)練數(shù)據(jù)、 并且也對不同的k值以這種方式執(zhí)行該方法。選擇在整個訓(xùn)練數(shù)據(jù)組上(或 根據(jù)另外的觀點在由該訓(xùn)練數(shù)據(jù)組中選擇出的一子集上)都提供最佳分類
結(jié)果的那個k值。
此外還必需確定一個距離量及在控制器的PC中實現(xiàn)。作為距離量例 如可考慮(這里對于兩個向量(Xl， x2， x3，…，Xj)及(y,， y2， y3，…， y》來給出)
具有其它距離權(quán)重的其它的范數(shù)(Norm)(例如Mahalanobis， city-block， Chebychev，等…)也可l皮使用。
應(yīng)注意的是，距離量在方向上也可是各向異性的。在歐氏距離量的情
可類似地進行。
在常規(guī)工作時由在機動車中為此目的而安裝的傳感器接收數(shù)據(jù)及在出 現(xiàn)事件吋根據(jù)所給出的方法將這些數(shù)據(jù)轉(zhuǎn)換成時間段及特征向量。這時通 過使用所選擇的距離量來確定訓(xùn)練數(shù)據(jù)組的被存儲的特征向量中的k個最 近的近鄰的類。其結(jié)果對應(yīng)于這些近鄰的大多數(shù)所屬的類。
分類算法的特征預(yù)處理的所述的分離方式鑒于使用與迄今方案不同的 傳感器方案而提供了本質(zhì)上更高的靈活性。這樣，相對一個確定的傳感器， 物理意義或一個特征向量內(nèi)的數(shù)據(jù)的配置對于分類算法來說沒有意義。特 征向量例如可在位置MVx上包含由壓力傳感器的測量而產(chǎn)生的數(shù)據(jù)，而特征 向量在位置MVy上可包含加速度傳感器的數(shù)據(jù)或其它測量原理的數(shù)據(jù)。如果 在這里改變了測量原理，僅必須使數(shù)據(jù)的預(yù)處理適配于傳感器。實際的k-NN 分類器與數(shù)據(jù)的內(nèi)容意義無關(guān)以及因此不必被改變。
通用的n-Norm (pn): -
況下這導(dǎo)致、l土0c廣力)2
式中aj是用于維j的定標系數(shù)。對于其它量度也可選擇的變型-
訓(xùn)練數(shù)據(jù)組的所有特征向量的存儲不總是有意義的。 一方面為此的存 儲器需要量或許很高，另一方面這些特征向量中的許多對于分類無重要的 附加貢獻。
因此可以
對訓(xùn)練數(shù)據(jù)組的特征向量進行預(yù)選擇，使得僅存儲對分類作出重要貢 獻的那些特征向量。即例如位于一個類相對另一個類的邊界附近的那些特 征向量?？煞艞壴谝粋€類的中心的特征向量。
也可變換地，不是存儲訓(xùn)練數(shù)據(jù)組的特征向量而是直接地存儲由這些 特征向量確定的類邊界。這些類邊界必需在一個附加的預(yù)處理步驟中來計 算。這可如下地進行將特征向量的d維空間劃分成具有適當分辨率的點 形光柵。對于每個這樣的柵點應(yīng)用k-NN算法。將所得到的分類歸于該柵點。 在該工作步驟結(jié)束后，該d維空間中的每個柵點都對應(yīng)一個類。類邊界現(xiàn)
在構(gòu)成該空間中的d維超平面。這些超平面可借助合適的參數(shù)化被存儲在
控制器的存儲器中。在使用該算法時，則還必需僅確定通過測量測定的特 征向量相對這些超平面的位置。這例如通過公知的搜索算法或分選算法(二
元搜索，樹狀搜索，等)來實現(xiàn)，如例如在"DonardE. Knuth; The Art of Computer Programing;Vol. I-N"中所描述的那樣。
圖1表示具有根據(jù)本發(fā)明的裝置的一個框圖。用于控制人身保護裝置 PS的控制器SG被集中地設(shè)置在機動車FZ中。也可不是集中布置而是另一 種布置，只要不將運動的傳感器設(shè)置在控制器中的話。作為人身保護裝置 例如涉及氣囊、安全帶收緊器、翻滾架、由碰撞啟動的護頭裝置及外部氣 囊如可抬起的前罩及其它公知的人身保護裝置。控制器SG具有一個作為中 心單元的微控制器U C。該微控制器u C通過構(gòu)造為ASIC的接口 IF1及IF2 接收傳感器數(shù)據(jù)。其它的邏輯連接也可以作為軟件單元。
在接口 IF1上連接著加速度傳感器B2及壓力傳感器Pl。它們位于機動 車側(cè)面部分中。為簡明起見這里僅設(shè)置了這一對傳感器而未設(shè)置對面的一 對。在接口 IF2上連接著加速度傳感器BS3及BS4以及雷達傳感器R?？刂?器SG內(nèi)部的一個加速度傳感器Bl被連接在微控制器y C上。在此情況下 接口或是包括在微控制器UC中或是在加速度傳感器B1中。微控制器發(fā)送信號給分析處理電路FLIC。該分析處理電路根據(jù)微控制器PC的控制 信號來控制人身保護裝置PS?？刂破鱏G內(nèi)的通信主要通過所謂的SPI (串 行外圍接口)總線來進行。還可附加地設(shè)置這里未示出的其它傳感器如座 位占用傳感器、其它的環(huán)境傳感器如超聲波傳感器或視頻傳感器或激光雷 達傳感器，其它的碰撞傳感器及行駛動力學(xué)傳感器，以便使它們的信號提 供給微控制器P C。控制器SG還具有對于其工作必需的但對于本發(fā)明的理 解不重要的部件。為簡明起見而忽略這些部件。
根據(jù)本發(fā)明，微控制器PC由事故傳感裝置的信號形成一個特征向量 及通過距離量將該特征向量與訓(xùn)練數(shù)據(jù)比較。由此可進行該特征向量的分 類及微控制器HC根據(jù)該分類則可知道是否涉及觸發(fā)情況，以及如果是， 則在此情況下要觸發(fā)哪個人身保護裝置。關(guān)于訓(xùn)練數(shù)據(jù)的分配則在應(yīng)用階 段，即在控制器投入工作前對相應(yīng)的機動車進行。
圖2表示設(shè)置在微控制器y C上的不同的軟件單元。這里首先可看到 構(gòu)成特征向量的軟件模塊MV，接著是執(zhí)行分類的軟件模塊K及產(chǎn)生控制信 號的軟件模塊AS。
圖3以流程圖表示根據(jù)本發(fā)明的方法流程。在方法步驟300中由事故 傳感裝置的信號產(chǎn)生特征向量。然后在方法步驟301中借助該特征向量進 行分類，其中，借助一個距離量進行與訓(xùn)練數(shù)據(jù)的比較。接著這樣地進行 分類，即，導(dǎo)致最小距離的訓(xùn)練數(shù)據(jù)確定了分類。然后在方法步驟302中 根據(jù)該分類產(chǎn)生控制信號。但也可以是，當該分類表明出現(xiàn)非觸發(fā)情況時， 則不進行任何觸發(fā)。
圖4以一個簡單的二維例子示出該分類。特征向量MV由一個方形來表 示，該方形表示在一個相應(yīng)維的空間中的一點。向量V1， V2及V3屬于類 Kll，而向量V4及V5形成類K12?，F(xiàn)在給出用于進行分類的不同的可能性。 一個可能性是，到特征向量MV具有最小距離的向量分類確定地被選出。此 外的可能是，預(yù)給定最靠近的向量的數(shù)目、例如為5，及然后讓多數(shù)來確定 存在哪個類，在此情況下為類l，因為它帶有三個向量，而類2僅帶有兩個 向量，所述多數(shù)代表類l。另一可能性是，取得到類邊界的距離及然后選擇 最小距離。再一可能性是，進行分類的平均值形成，以便這與導(dǎo)致控制信 號的一個相應(yīng)的類進行邏輯運算。這就是說，這里所有五個向量被求平均，類1與類2以60比40之比被求平均。這里示范地通過距離400給出一個 距離量。如上所述地具有可選擇使用的不同的距離確定方法。
圖5表示在具有兩個不同的類的二維空間中的一個分類的例子。Kll 由十字叉來表示及K12由圓圈來表示。對于一個訓(xùn)練數(shù)據(jù)集標出特征向量 及根據(jù)其已知的類歸屬來表征。根據(jù)該實施形式，對于不同的k值畫出類 邊界，這里k值為l， 5及17。如所看到的，對于大的k，與各個訓(xùn)練數(shù)據(jù) 向量的直接相關(guān)性下降。
必要時，超平面可通過平滑被進一步地簡化，使得用于執(zhí)行的存儲器 需要量進一步地降低。在橫坐標50上記錄特征向量的特征Ml及在縱坐標 51上記錄其特征M2。
圖6以一個信號流程圖表示根據(jù)本發(fā)明的裝置的工作方式或根據(jù)本發(fā) 明的方法的流程。在上支路602中表示在機動車工作中控制器的當前測量 值的測量值處理。在下支路612中表示應(yīng)用階段中訓(xùn)練數(shù)據(jù)的預(yù)處理。這 將在控制器被售出前完成。在方法步驟600中屬于事故傳感裝置的事故傳 感器產(chǎn)生出信號1至N。在方法步驟601中進行預(yù)處理，如濾波、積分、二 次積分或其它的方法步驟。平均值形成也屬于此。在方法步驟603中構(gòu)成 時間段，在此情況下這樣地選擇這些段的時間長度，使得特征變化曲線的 特征化特征不會改變。然后在方法步驟604中由通過時間段形成所獲得的 特征來確定特征向量。在方法步驟605中將該特征向量提供給一算法，該 算法確定最鄰近的近鄰及在此情況下使用訓(xùn)練數(shù)據(jù)。分類結(jié)果606則被繼 續(xù)傳送以便決定分析處理電路是否應(yīng)被致起作用。訓(xùn)練數(shù)據(jù)的處理在方 法步驟607中開始于傳感器值1至N的產(chǎn)生。在方法步驟608中也進行一 個相應(yīng)的預(yù)處理。并且這里在方法步驟609中進行段形成。然后在方法步 驟610中由此確定訓(xùn)練向量。在應(yīng)用階段中該訓(xùn)練向量在存儲器613中與 類信息611進行邏輯運算，由此將知道，哪個訓(xùn)練向量反映哪個碰撞情況。 在方法步驟614中附加地執(zhí)行應(yīng)取哪個距離量及應(yīng)取哪個值k。
正如所看到的，訓(xùn)練數(shù)據(jù)如同當前接收的傳感器測量值被完全一樣地 處理。這樣得到的特征向量被存儲在控制器的存儲器中。附加地還一起存 儲對應(yīng)這些訓(xùn)練特征向量的類信息。然后借助該信息與一個確定的值k通 過k-NN算法來進行在線特征向量的分類。圖7表示根據(jù)本發(fā)明的方法的一個具體的應(yīng)用。這里也表示出涉及當 前測量值的測量值處理700及在準備階段進行的訓(xùn)練數(shù)據(jù)的處理707。在方 法步驟701中接收作為控制器中傳感器值的機動車縱向的加速度及通過設(shè) 置在保險杠區(qū)域中的所謂的最前方傳感器(Upfrontsensor)也接收加速度 值。在方法步驟702中進行作為預(yù)處理的積分。在方法步驟703中用段長 度10ms進行段形成。然后在方法步驟704中將被積分的加速度設(shè)置成特征 向量，使得這里出現(xiàn)一個三維的特征向量。接著在方法步驟705中將該向 量提供給算法，以便然后在方法步驟706中轉(zhuǎn)交分類。同樣在方法步驟708 中用傳感器值如當前測量值來訓(xùn)練這些訓(xùn)練數(shù)據(jù)。但在此情況下各個測量 值已被特征化，使得將不同的碰撞類型對應(yīng)給最后形成的訓(xùn)練向量。所謂 的誤使用情況也屬于此，誤使用即不必需觸發(fā)的情況，但這里也給出其它 的情況如AZT碰撞、以不同速度對剛性障礙物或?qū)勺冃握系K物及其它障 礙物的不同碰撞類型。然后在方法步驟709中同樣使傳感器信號被積分及 在方法步驟710中進行段形成，但這里以兩個不同的時間，即0至10ms及 8至15ms。
然后在方法步驟711中形成訓(xùn)練向量。該訓(xùn)練向量在存儲器714中與 來自712的類邏輯運算。對此還要獲得k的值，它在這里的方法步驟713 中被確定為k二5，由此所有用于算法705的值存儲在存儲器714中。
如在704中所示地，這里對于向量取來自段形成的最大值，即，不是 特征變化曲線的和，而是最大值。這也適用于方法步驟7U中的訓(xùn)練向量。 然后借助歐氏距離量及參數(shù)k=5通過算法進行測量值的分類。其結(jié)果為一 個信息引起一個需控制的事件還是一個不需控制的事件。然后由此可控 制一個任意的人身保護裝置。
圖8表示具有時間軸800的時間圖。段的長度應(yīng)這樣地選擇，使得在
一個段內(nèi)特征變化曲線的特征未改變。這改善了模型參數(shù)對所觀察的特征 變化曲線的適配。因為時間段的邊界依賴于分類目標可以是不同的，這里 需由應(yīng)用者嘗試段長度的一個最佳設(shè)定。在此情況下有利地，也可以是各 個段不同長度地及相重疊地被選擇。圖8表示選擇三個時間段的一個例子。 如上所述，對于特征的預(yù)處理及特征向量的獲得具有無限制數(shù)量的方 法。例如可使用以下的方法每個方案將在輸入側(cè)出現(xiàn)的特征變化曲線轉(zhuǎn)換到一個圖象區(qū)域中。對
于頭兩個方案V1， V2,具有輸入側(cè)特征變化曲線的參數(shù)組可通過模型來近 似。為了確定參數(shù)，可使用由維氏(Wiener)濾波(VI)或多項式回歸(V2) 的理論得出的算法。對于V3該ZB(時間段)由時間域轉(zhuǎn)換到一個頻率域中。 優(yōu)選使用估算功率密度頻譜的方法，該功率密度頻譜給出每頻率的信號功 率分量及由此與特征變化曲線中的相位偏移無關(guān)。類似V3地，對于V4通 過離散小波變換，輸入側(cè)的ZB被分解成與時間相關(guān)的分量及與頻率相關(guān)的
這里也可使用所謂的編輯/壓縮方法，如在文獻中所述的。原則上它涉 及該方法迭代地識別及消除很可能導(dǎo)致誤分類的那些數(shù)據(jù)點。在此情況 下訓(xùn)練數(shù)據(jù)組的一部分成為測試數(shù)據(jù)。在測試過程中對減小的訓(xùn)練數(shù)據(jù)組 借助kNN來提供誤差的數(shù)據(jù)將被去除。該過程將多次地進行。
權(quán)利要求
1.用于控制人身保護裝置(PS)的方法，包括以下方法步驟由一事故傳感裝置(P，BS，R)的至少一個信號產(chǎn)生多個特征及將這多個特征組合成一個特征向量(MV)，借助一距離量將該特征向量(MV)與一訓(xùn)練數(shù)據(jù)組比較，其中，根據(jù)該比較進行該特征向量(MV)的分類，根據(jù)該分類產(chǎn)生一用于控制所述人身保護裝置(PS)的控制信號。
2. 根據(jù)權(quán)利要求1的方法，其特征在于當前的特征由一特征變化曲 線的預(yù)給定長度的時間段來求得。
3. 根據(jù)權(quán)利要求2的方法，其特征在于當前的特征由所述連續(xù)的特 征變化曲線或由所述段的終點上的特征變化曲線來求得。
4. 根據(jù)權(quán)利要求2或3的方法，其特征在于所述長度被預(yù)給定，使 得所述特征變化曲線的特性不改變。
5. 根據(jù)權(quán)利要求2至4中任一項的方法，其特征在于當前的特征變 化曲線被轉(zhuǎn)換到一圖象區(qū)域中及確定該圖象區(qū)域中的當前的特征。
6. 根據(jù)以上權(quán)利要求中任一項的方法，其特征在于所述訓(xùn)練數(shù)據(jù)組具有多個向量，這些向量分別歸于用于所述分類的一些類，其中，確定所 述特征向量相對這些向量的距離及對該特征向量這樣分類，即，選擇k個 最鄰近的向量的多數(shù)所屬的類。
7. 根據(jù)權(quán)利要求6的方法，其特征在于選擇所述k值，使得這些向量本身被最佳地分類。
8. 根據(jù)權(quán)利要求1至5中任一項的方法，其特征在于所述特征向量MV被這樣分類，即，對于該分類確定k個最鄰近的向量的類的平均值，其中這些向量來自所述訓(xùn)練數(shù)據(jù)組。
9. 根據(jù)權(quán)利要求1至5中任一項的方法，其特征在于所述訓(xùn)練數(shù)據(jù)組具有一些類邊界，其中，然后對所述特征向量這樣地分類，即，確定出 所述特征向量到這些類邊界的距離。
10. 根據(jù)權(quán)利要求9的方法，其特征在于這些類邊界被濾波。
11. 根據(jù)權(quán)利要求1至8中任一項的方法，其特征在于所述訓(xùn)練數(shù)據(jù)組的這些向量位于類邊界上。
12. 用于控制人身保護裝置(PS)的裝置，具有至少一個接口 (IF1， IF2)， 一事故傳感裝置(P， BS， R)可連接到該 接口上，該事故傳感裝置產(chǎn)生至少一個信號；一分析處理電路(PC),該分析處理電路與所述接口相連接，該分析 處理電路由所述至少一個信號產(chǎn)生多個特征及由這些特征構(gòu)成一個特征向 量，其中，該分析處理電路(PC)借助一距離量將該特征向量與一訓(xùn)練數(shù) 據(jù)組比較及根據(jù)該比較來分類該特征向量；一控制電路(FLIC)，該控制電路根據(jù)所述分析處理電路(WC)的一 個控制信號來控制所述人身保護裝置(PS)。
13. 計算機程序，當該計算機程序在一計算裝置上運行時，該計算機程 序執(zhí)行根據(jù)權(quán)利要求1至11中任一項的方法的所有步驟。
14. 具有程序碼的計算機程序產(chǎn)品，該程序碼被存儲在一機器可讀的載 體上，用于當所述程序在一控制器上被執(zhí)行時，執(zhí)行根據(jù)權(quán)利要求l至ll 中任一項的方法。
全文摘要
本發(fā)明提出用于控制人身保護裝置的方法及裝置，其中，具有至少一個接口，一事故傳感裝置(P，BS，R)可連接到該接口上，該事故傳感裝置產(chǎn)生至少一個信號。一分析處理電路，該分析處理電路與所述接口相連接，該分析處理電路由所述至少一個信號產(chǎn)生多個特征及由這些特征構(gòu)成一個特征向量，其中，該分析處理電路借助一距離量將該特征向量與一訓(xùn)練數(shù)據(jù)組比較及根據(jù)該比較來分類該特征向量。一控制電路，該控制電路根據(jù)所述分析處理電路的一個控制信號來控制所述人身保護裝置。
文檔編號B60R21/013GK101528511SQ200780038822
公開日2009年9月9日 申請日期2007年9月7日 優(yōu)先權(quán)日2006年10月17日
發(fā)明者J·布羅伊寧格爾, J·科拉特舍克 申請人:羅伯特·博世有限公司