CN103180179A - 用于汽车的传感器装置 - Google Patents

Abstract

本发明涉及一种用于检测汽车用户例如为了打开行李箱而做出的操纵手势的传感器装置。设有用于在第一空间区域检测对象的第一传感器和至少一个用于在其它空间区域检测对象的其它传感器。所述传感器具有用于检测与时间相关的信号曲线的输出端，其中，所述传感器的这些输出端与处理单元联接。所述处理单元实现一神经网络，将所述与时间相关的信号曲线或者从所述与时间相关的信号曲线中推导出来的模式传输给所述神经网络。所述处理单元具有与所述神经网络的输出单元联接的信号输出端，可以对所述信号输出端进行询问以询问操纵信号。根据所述神经网络的处理结果，在这个信号输出端上施加信号。

Description

用于汽车的传感器装置

技术领域

本发明涉及一种可供用户操作控制以操纵汽车功能的传感器装置。本发明尤其涉及一种用于识别汽车用户为了操纵汽车功能而做出的操纵手势的传感器装置。

背景技术

现代汽车在大量位置上设置了传感器装置，其作用是识别用户访问以提高安全性和易用性。举例而言，众多汽车在门把手中设置了传感器装置，以便检测是否有用户接近门把手并且在检验访问授权后将门解锁。在汽车后盖区域使用传感器装置，可以通过非接触式操纵的方式打开后盖。这在用户例如携带重物而无法手动操纵后盖的情况下特别有利。此时，用户例如可以用腿在后盖区域内，例如在保险杠下方做出动作手势。后盖区域内的传感器装置检测到这个动作手势并打开后盖，前提是该手势被识别为有效操纵手势。

然而，任何一个汽车技术领域都很注重安全性且竭力避免存在可能的危险源和故障源，因此降低识别操纵意图时的出错率这一需求始终存在。举例而言，诸如孩童玩耍、物体滚动、动物等等不带有操纵意图的日常事件不应该被误判成操纵意向。另外，在环境条件发生变化时也应有稳定的识别反应。

发明内容

有鉴于此，本发明的目的是提供一种识别精度经改良的传感器装置，以便识别汽车用户的操纵手势。

本发明用以达成上述目的的解决方案为一种具有权利要求1所述特征的传感器装置和一种如权利要求9所述的传感器信号评价方法。

根据本发明，所述用于检测用户的操纵手势的传感器装置具有用于在第一空间区域检测对象的第一传感器和至少一个用于在其它空间区域检测对象的其它传感器。

第一传感器和第二传感器所检测的空间区域可以相邻延伸或者部分重叠。

所述传感器具有适于用来检测这些传感器与时间相关的信号曲线的输出端。

也就是说，本发明并非只用单独一个传感器检测动作手势，而是结合使用多个具有相应检测区的传感器，并且这些检测区视情况可以重叠。此外还根据与时间相关的信号曲线来进行评价，以便在评价时将手势的时间特性一并考虑进去。

通过对在相应空间区域做手势所需要的时间予以考虑，相对于瞬时评价而言可以大幅提高识别精度。速度、延时和特征性停顿提供了一个对于用户而言极其个性化的信号，该信号还进一步包含了关于其它特征（实施该手势的身体部位的位置、延伸度或伸展度）的信息。

根据本发明，所述传感器装置具有处理单元，可以将与时间相关的信号曲线传输给该处理单元。为此，传感器通过其输出端与该处理单元联接。该处理单元实现至少一个神经网络。

神经网络在此主要指人工神经网络。神经网络的特性和实现在相关技术领域属于公知技术。关于神经网络的结构、网络类型、学习法则和已知应用，可以参阅内容丰富的相关技术文献。

鉴于其网络结构，神经网络能够产生与所提供的输入值即刺激或模式相对应的输出值。神经网络由网络中的单元(Units)即节点或神经元相互连接而成。根据网络结构的构筑方式或联结方式，神经网络的待联结单元能够对其它单元产生影响。这些单元可以布置在不同层中。单个单元之间的连接由边缘构成，其中，一个单元对另一单元的影响被表达为对应于边缘的权值。这些对单个单元间的相互作用起重要决定作用的权值中存储着神经网络的知识或能力。

如果向这样一个网络的输入单元传输模式，刺激就会沿着边缘一个单元一个单元地传播到整个网络并且触发各单元产生反应，该反应与相关单元的状态和决定单元间相互作用的权值有关。

这种神经网络一旦建成并设定参数后，一般可以将其用作某种类型的黑箱，即针对输入模式产生可进一步处理的输出模式的***。神经网络的参数包括上文已提到的权值，还有神经网络单元的活跃水平。

建立神经网络的目的是使其针对特定的输入值产生期望响应。网络建成后还会产生对应于未知输入值的输出值。这种信号处理方式的优点在于，不必详细了解全部的功能性关联，就能实现可靠评价。

真正的实现一般发生在程序代码中，其中，多数情况下通过可由相应的计算装置实施的矩阵运算来完成逻辑运算和必要的算术运算。

为了用这种神经网络完成具体任务，该技术领域提出了众多的已知方案。这些方案通常被称作神经网络的学习法则。在为神经网络设置参数的学习过程中，原则上既可采用监督学习，又可采用非监督学习。监督学习是评价神经网络对输入刺激的响应，并将反馈网络响应质量的反馈发送给神经网络。据此来修改或优化神经网络的参数。

上述说明非常简短，目的只是便于不熟悉该技术领域的人员在粗略浏览后就能了解本申请。本申请所面向的技术人员已经对神经网络有深入了解，不必再阅读上述说明。

上述神经网络方案主要用来完成复杂的任务。例如，专利说明书US7,660,437B2揭示一种用于汽车的图像评价方法。车辆内部的图像经相应处理后被传输给神经网络，以便获得例如关于汽车用户的信息。但是，该装置无法用来识别动作手势。

显然，本发明所提供的这种评价方法具有突出的优势。通过对至少两个传感器的时间序列进行评价，可以在评价时参考大量信息。这些信号受手势实施本身（即用户的个人特征、体格及当前的着装和负重等等）和当前环境条件（空气湿度、温度等等）影响。较之纯确定性方法，采用容错统计方法能够对信号或从中推导出来的模式进行更可靠、更有效的评价。

本发明利用神经网络方案来对用于识别动作手势的传感器的与时间相关的信号曲线进行处理。不同于瞬间图像识别，本发明将有益的时间特性曲线评价与神经网络的能力予以结合。

将信号时间曲线作为模式或刺激直接输入神经网络，或者事先从信号曲线中生成合适的模式。处理单元将神经网络的输出或者经过相应预处理的信号响应输出到处理单元的信号输出端。这个信号输出端据此提供与神经网络的响应有关的操纵信号。

至于以何种方式将与时间相关的信号曲线传输给神经网络，这既与所用传感器的选择有关，又与所用神经网络的类型有关。举例而言，可以为包含x个输入单元(Input-Units)的神经网络提供时间性等距信号值或相应时间段内的平均值。作为替代方案，可以将与时间相关的信号曲线的任意特征值如极值、平均值、信噪比等等传输给神经网络。

在此情况下，至少两个传感器的信号曲线评价不能与简单的信号冗余相比较。鉴于神经网络所具有的结构和特性，通过使用两个传感器装置，即使这两个传感器装置在空间上具有差别不大的检测区，也能大幅提高识别精度。也就是说，通过对神经网络的结构进行相应调整，可以极其不同的方式对传感器的信号响应的相互关系进行评价。

因此，本发明将已知传感器沿用于一种新颖的具有全新功能范围的传感器装置。

根据本发明的优选实施方式，至少一个所述传感器是电容式检测传感器。

电容式传感器早已被有效应用于汽车技术领域，主要用来检测用户的接近。这类传感器的原理是，当电极前方的空间区域被用户的身体部位部分填充时，该电极的电容会发生变化。当电极前方的介质发生变化时，电极的电容也会发生变化。举例而言，通过荷电监测可以测定这一电容变化。在传感器技术领域，这种方法应用于电容式门把手传感器属于公知技术，例如本申请人关于本发明的申请。

根据本发明，对传感器电极的电容变化的时间特性进行监测。而后将这条信号曲线传输给神经网络。这一设计理念的优点在于，事实证明，用电容式电极和电容式传感器进行检测是行之有效且被广泛接受的，并且可以利用现有结构。然而，结合使用第二传感器装置以及结合利用神经网络来进行评价，则开辟了全新的应用领域，尤其在可靠检测动作手势这一方面。也可以先将电容式传感器的信号曲线转换成模式，再将模式传输给神经网络。这些模式例如可以包含关于信噪比的值、关于极值的值、关于极值间隔的值等等。这样能减少传输给网络的数据量，从而可以使用结构更简单的网络。

根据本发明的改进方案，在本发明所提供的传感器装置中使用两个或两个以上的电容式检测传感器。

所述两个或两个以上的电容式检测传感器可以布置在汽车的空间偏置位置上，因而具有不同的检测区。动作手势的实施在不同的电容式传感器装置中产生不同的信号响应和不同的时间特性曲线。举例而言，如果用户用脚实施一个动作手势，那么这个动作手势可能在第一电容式传感器的检测区内是以脚部动作开始，穿过这个区域后在第二传感器的第二检测区内继续实施。由此产生的信号曲线（或推导模式）分别被传输给神经网络。神经网络内所进行的综合评价在这些信号曲线的帮助下，不但将动作的方向和速度考虑在内，还会考虑动作对象的大小和特性。通过这种方式，所述传感器装置具有多个价廉物美的传感器，通过采用相应的布置方式和不同于以往的评价方法，这些传感器也能检测迄今为止只有复杂设备（特别是具有图像识别功能或可视化动作识别功能的设备）才有能力检测的事件。

根据本发明进一步的实施方式，所述传感器装置具有至少一个光学传感器。作为电容式传感器的补充，光学传感器能为动作手势评价提供附加信息。举例而言，可以将汽车上已有的光学传感器（例如倒车后视摄像头）用作该光学传感器。但也可以使用专为识别动作手势而设置的传感器，例如数字摄像头***。低分辨率的单光电管传感器(einzelliger Sensor)或面阵CCD(CCD-Areas)结合电容式传感器的信号后，也能显著提高识别精度。

在此情况下，借助神经网络进行评价这一构思将充分发挥其重要优势，因为首先不必在光信号与电容式传感器的信号之间确定关联。确切而言，神经网络会在训练和学习过程中发现这些关联并将其存储在网络参数（尤其是神经网络的权值）中。

特别优选地，所述处理单元具有连接在神经网络前面的预处理级。尽管原则上可以将传感器的信号不加预处理地传输给神经网络，但在一般情况下，对信号进行预处理有助于提高识别精度。具体而言，可以将传感器信号标准化，或者为其去除干扰信号。此外还可以求平均值或者从信号曲线中提取特征值，并且将这些平均值或特征值作为模式或刺激提供给遵守输入的(eingangs-einhaltend)神经网络。举例而言，该预处理级可以沿时间特性曲线分别求相关时间段内的平均值，并且将这些平均值传输给神经网络。此外，通过预评价还可以从信号曲线中提取诸如极值、逆转点、信噪比、时间间隔等特征性特性值，以便神经网络借助这些值进行评价。

根据本发明的改进方案，在所述预处理级中对信号曲线进行逻辑运算，从而生成模式并且将该模式传输给神经网络。举例而言，可以对例如两个电容式传感器的标准化信息曲线进行减法运算，由此生成特征性模式，神经网络便可借助该特征性模式进行评价。

值的预处理可以采用传统的传感器信号评价所使用的方法。特定而言，可以使用极值测定算法、平滑算法或拟合算法。

根据本发明进一步的改进方案，所述传感器装置具有多个神经网络。这些网络原则上可以并行使用，即用来评价单独一个信号响应，或者交替使用，例如为不同用户各使用一个个人神经网络。如果为多个神经网络提供模式并且这些模式来源于属于操纵过程的信号曲线，随后就可以对神经网络的响应作进一步评价，以便产生操纵信号。但一般而言，提高一个神经网络的复杂度比多个神经网络并行评价更有意义。但是，在原则上会产生不同信号响应的情况下，使用多个神经网络是有意义的。例如，汽车的不同用户会以不同方式做出动作手势。但为了提高识别精度，可以用与该用户相匹配的神经网络来进行评价。可以根据用户的身份识别情况来决定使用哪个神经网络。举例而言，如果用户随身携带ID发送器，视情况就可以根据这个ID发送器来推断用户的个人特征。但是，也有可能不作身份识别，而是用全部的可用网络进行评价。如果其中一个网络在预设条件下给出明确响应，也可以将此作为身份识别。

上述最后一项方案也允许使用本发明所提供的传感器装置和方法来根据操纵手势识别用户身份。

除本发明所提供的传感器装置外，本申请还涉及一种相应的传感器信号评价方法。

该方法是对传感器信号进行评价以识别操纵手势。对布置在汽车上且用于在第一空间区域检测对象的第一传感器进行询问并检测一传感器信号序列。从同样布置在汽车上的第二传感器上同样检测一与时间相关的传感器信号序列。对两条信号曲线进行处理，其中，从与时间相关的信号曲线中推导出用于神经网络的模式。将模式输入神经网络并询问神经网络的响应。从网络响应中生成操纵信号，该操纵信号表明用户有否做操纵手势。

创新点在于，该方法也对多个传感器及其传感器信号的时间特性曲线进行检测，以便为神经网络生成模式。因此，该方法具有与上述传感器装置大体相同的优点。

最初可以用预设参数来建立神经网络并且在车辆运行过程中保持这一结构。为此，可以在制造商监督下通过学习方法或学习法则来确定这些参数。可以使用不同的特征性用户群来训练动作手势识别。这个训练阶段可限于制造商对神经网络的一次性训练，这次训练通常会产生适用于传感器装置和特定车辆模型的特征参数。同一个传感器装置，如果安装在其它车辆模型上，就会产生不同的神经网络学习参数。根据本发明，通过这种方式可以将单独一个传感器装置以较高的识别精度应用于众多汽车，因为在传感器对模型和装置的响应方面已进行过训练。

本发明基本上还首度实现了一种用于检测用户手势的永久学习型***。如果直接在所述传感器装置中或者在应用本发明所提供的方法时设定，安装在汽车上的装置包含神经网络，那么这个神经网络就可以被实现为学习型神经网络。

在这项方案中，神经网络在车辆被交付给用户后仍保持其学习能力。神经网络可以应用户要求而进入学习模式，即根据用户反馈来训练网络。可以借助监督学习模式的已知学习法则如反向传播、Delta规则或Hebb规则来对神经网络的学习进行用户特定训练。在此情况下，例如可以由制造商在提供神经网络时为其配置初始参数集，用户则根据具体情况训练神经网络学习操纵手势。为此需要对汽车或例如ID发送器进行相应操纵来向汽车发出开始学习过程的信号。随后，视情况在汽车发出信号（例如尾灯或闪光指示灯亮起）后，用户做出操纵手势，在传感器装置检测到这个操纵手势后，用户指明该操纵手势是一个为了操纵而实施的特征性操纵动作，还是一个未来不应该被识别为操纵手势的事件（例如，用户让孩童做出这个手势）。

也就是说，无论是肯定的还是否定的信号响应，都能进行训练。

而后根据反馈修改神经网络的权值，其中，训练越多，识别精度就越高。但用户始终可以将神经网络的参数复位成制造商所提供的预设值。

根据本发明的变化方案，运行一传感器装置，其中以传统方式，即通过传统的比较运算或传统的评价步骤来评价传感器信号。根据本发明，识别参数则由制造商在神经网络的帮助下予以确定和优化。借助神经网络一次性确定的参数接下来被固定地实现在传感器装置的评价逻辑电路中。

这种方案的优点在于，不必将神经网络实现在车辆上的传感器装置中，这样能降低传感器装置的实现成本。而识别参数是在使用神经网络的情况下得到优化的，因此神经网络所具有的可能性能够改善识别精度。

下面参照附图对本发明进行示范性的详细说明。

附图说明

图1a为本发明所提供的传感器装置的第一实施方式在汽车上的布置方案；

图1b为图1a所示布置方案的俯视示意图；

图2为本发明如图1a、图1b所示的传感器装置的传感器信号的评价方法的实施流程图；

图3为对传感器信号进行预处理以便为神经网络生成模式的示意图；及

图4为借助神经网络对从信号中推导出来的模式进行处理的示意图。

具体实施方式

图1所示为车辆1的尾部。后保险杠区域内装有传感器电极2。传感器电极2下方设有其它传感器电极3。传感器电极2和3分别与控制及评价装置5连接。车辆控制单元4布置在车辆中任意一个其它位置上（参见图2）。

电极由相应的控制/评价装置5充电，电极的电容在有物体（例如用户的身体部位）接近时会发生变化，这一电容变化可以通过荷电评价来加以检测。这种电容式传感器原理在汽车技术领域属于公知技术。

在本实施例中，传感器电极装置3大体平行于电极2。

当有操作意向时，站在车辆后面的用户例如可以将其小腿摆动到保险杠下方。这个动作和这一接近既被电极装置2又被传感器电极3检测到，因为电容变化被反复询问并且被加以评价。

打开命令实际仅由中央控制装置4生成。控制/评价装置5将借助于神经网络而产生的相应操作信号提供给这个控制装置4。控制装置4根据这个信号和其它参数（车辆的停止等等）来决定是否真要触发打开操作。

图2为用户做出操纵手势时典型的信号识别方法的流程图。

在步骤10中，车辆端检测到携带ID发送器的用户接近车辆。这一检测过程在车辆用户无钥匙进入技术(Keyless-Entry)中早已为人所熟知。检测到接近时，通过在车辆与ID发送器之间进行无线通信来（按已知方法）验证该ID发送器的汽车访问授权。

在本实施例中，待评价传感器涉及的是车辆尾部区域内为操纵控制后盖而使用的电容式传感器。

电容式尾部传感器以长条形电极的形式布置在车辆尾部的偏置位置上。例如，其中一个传感器沿汽车保险杠布置，第二个传感器布置在车辆下方，也就是既在车高方向上又在车深方向上朝乘客舱方向偏置布置。

电容式尾部传感器根据停留在车辆尾部后面的用户的腿部动作提供特征信号。为此需要例如快速地连续为电容式尾部传感器充放电，以便能推断出相关传感器的电容。举例而言，如果用户的腿在汽车尾部下方做出特征性动作，例如踢或踹，尾部传感器就会在其信号中提供相应的时间特性曲线。用户的腿和脚改变了电容式传感器的感测区内的介质，从而也改变了相应传感器的电容。

连续监测传感器的信号，利用这些信号可以触发完整评价方法的的开始实施。例如可以这样设置：超过一定的信噪比时，触发整个评价过程。被记录下来的信号曲线包含了足以用来做出操纵手势的时间段。

图3所示为电容式电极a和电容式电极b以时间为横坐标的两条示范性传感器响应曲线。图中的信号曲线（特别是剧烈的信号偏移）以及逐渐返回初始值表明，传感器区域内的介质发生了变化，其结果是传感器电极的电容发生变化。但此时还不清楚引起这一变化的原因是有意而为的操纵手势还是偶发事件或没有动机的事件（例如，有球滚到车辆下面或者有猫蹿到泊着的车辆下面）。

如图2中的流程图所示，步骤40是对与时间相关的传感器数据进行预评价和预处理。

图3b对此进行了图示，其中的信号曲线经过了标准化处理和同步叠加处理。如图所示，传感器信号具有偏移的时间分量，而且在标准化后仍然存在特征性区别。

如图2中的步骤50所示，接下来是根据预处理后的信号曲线为神经网络生成模式。在本实施例中，为此需要对信号曲线a和b进行逻辑运算。

图3c是从信号曲线b中减去信号曲线a后所产生的信号曲线。由此产生的这个信号时间序列还包含着各个原始时间序列的重要信息，但更易于作进一步的预处理。为了实施进一步的预处理，需要从组合信号曲线中提取模式并传输给神经网络。

图3c对这个过程进行了示范性图示，从预处理后的信号中推导出特征值p1、p2、p3、p4和p5。这些推导值是通过对两条传感器信号曲线进行预处理而产生的，因而包含了来自于两个传感器的关于所做动作手势的信息。

举例而言，当用户的脚或腿处于最接近范围或者达到最大空间填充度时，电容式传感器会在其电容信号中提供极值。可以将传感器装置之间的差分信号大小和时间特性曲线作为模式输入神经网络。

需要说明的是，上文所述以及附图所示的实施方式只是本发明所提出的一种示范性评价方法。原则上也可以将信号曲线本身或者从中推导出来的其它参数输入神经网络。为了方便理解，这里示出的是一种起示范作用的易于领会的方法。

如图2中的步骤60所示，将模式向量p1、…、p5输入神经网络。图4对此也作了示意性图示，将值输入输入单元(Input-Units)。神经网络根据其结构，特别是根据其联网状况和权值生成响应。刺激沿边缘从输入单元(Input-Units)经网络的隐单元(Hidden-Units)传播到输出单元(Output-Units)。输出单元上所提供的值相当于神经网络的输出值，即网络响应。

在图2所示的步骤70中检验用户有否为传感器装置选择执行训练模式。在常规的检测模式下和日常使用时，都是用“否”来回答这个问题，因此步骤80会从神经网络的响应中产生输出信号并且将该输出信号作为操纵信号提供给汽车。为此可以将响应与一个表明肯定响应（即存在操纵手势）的值域进行比较。汽车的中央控制装置可以根据这个操纵信号来允许或阻止后盖打开。

但是，如果用户已经为汽车上的传感器装置启动了训练模式，此时就会要求用户以输入方式回答已发生的事件是否为特征性的操作指示或操作手势。如果回答“是”，这一反馈就会与神经网络的输出相结合，被用来改良学习模式下的神经网络，也就是根据反馈来调整神经网络的参数和权值。如果用户已多次训练过一个明确实施的操纵手势，那么用户接下来也可以对一明显不是操作手势的日常事件进行典型模拟。举例而言，用户可以让球滚动到车辆下面或者让孩童做操作手势。在此情况下，神经网络将会借助检测到的模式学习更好地区分不同事件。

如果车辆端例如为汽车的每个用户都存储了神经网络的专用结构和权值，就可以用同样的方式训练用户特定神经网络。

当然，本发明也可以与非学习型神经网络结合应用。这样的神经网络例如可由制造商或车间训练，然后将神经网络的相应学习值，即其参数存储下来。这种情况下本发明的优势也很显著，因为可以根据所用传感器装置在车辆上的安装位置和车辆类型来敏化和调整该传感器装置，而不必进行结构上的改动。在此情况下，同一个传感器装置在小型汽车中的学习值将完全不同于其在较大型豪华轿车中的学习值。通过这种方式也能显著提高识别可靠性和易用性。

以上借助电容式传感器所构成的信号装置对本发明进行了说明，但本发明几乎可以采用任意类型的传感器。例如，评价时也可以利用已有传感器如测距传感器的信号。要点在于使用多个传感器，这样能提高装置的可靠性。此外，本发明在对传感器信号的使用以及输入神经网络前的预处理方面不受任何限制。可以根据神经网络的性能向网络中输入大量向量，或者将借助神经网络而实现的评价与传统的预处理级相结合，以便减少模式值数目，具体参阅上述实施例。根据神经网络的性能，甚至还能让用户训练完全个性化的操作手势。就这种情况而言，用户还不限于实施预设动作（例如朝汽车方向的暗示性踢脚动作）。通过这种方式甚至能赋予传感器装置较大的灵活性，使得用户发起的学习过程也能学会全新的动作。

如上所述，本发明不仅限于利用汽车自有神经网络而实现的相关方法。确切而言，原则上也可以使用制造商的神经网络来找到并优化用于常规评价过程的评价参数或比较参数。在此情况下，前述流程将大体以相同的方式运作，但会对图3C中所测定的特征性模式值进行常规的比较评价。但是，用于该评价的比较值和间隔由制造商通过神经网络加以确定，该神经网络会对车辆的专有特性和传感器在车辆上的布置方式予以考虑。如此一来，初次安装后神经网络自然不再具有学习能力。

Claims (15)

1.一种用于检测汽车用户的操纵手势的传感器装置，其中，设有用于在第一空间区域检测对象的第一传感器和至少一个用于在其它空间区域检测对象的其它传感器，其特征在于，

所述传感器具有用于检测与时间相关的信号曲线的输出端，

所述传感器的输出端与处理单元联接，其中，

所述处理单元实现一神经网络，可以将所述与时间相关的信号曲线或者从所述与时间相关的信号曲线中推导出来的模式传输给所述神经网络，其中，

所述处理单元具有与所述神经网络的输出单元联接的信号输出端，可以对所述信号输出端进行询问以询问操纵信号。

2.如权利要求1所述的传感器装置，其中，至少一个所述传感器是电容式检测传感器。

3.如权利要求2所述的传感器装置，其中，所述传感器装置具有两个或两个以上的电容式检测传感器。

4.如权利要求2所述的传感器装置，其中，所述传感器装置具有至少一个光学传感器。

5.如上述权利要求中任一项所述的传感器装置，其中，所述处理单元包含一连接在所述神经网络前面的预处理级，所述预处理级在传感器信号被传输给所述神经网络之前通过算术运算修改所述传感器信号。

6.如权利要求5所述的传感器装置，其中，所述预处理级通过逻辑运算将所述传感器的信号转换成用于所述神经网络的输入模式。

7.如上述权利要求中任一项所述的传感器装置，其中，所述处理单元具有多个神经网络，可以将从所述信号曲线中推导出来的模式分别传输给所述神经网络，其中，可以在所述处理单元中对所述神经网络的输出进行逻辑运算，以便提供所述操纵信号。

8.如上述权利要求中任一项所述的传感器装置，其中，所述处理单元具有信号输入端，通过所述信号输入端可以向所述处理单元传输反馈信号，其中，所述处理单元被构造成可以根据所述反馈信号来修改所述神经网络的权值。

9.一种评价传感器信号以识别汽车用户的操纵手势的方法，其中，在所述汽车上设置用于在第一空间区域检测对象的第一传感器并设置至少一个用于在其它空间区域检测对象的其它传感器，其特征在于，

分别检测所述传感器与时间相关的信号曲线并传输给处理单元，

从所述与时间相关的信号曲线中推导出模式，

将所述模式传输给神经网络的输入单元，

在所述神经网络中从所述模式中生成网络响应，其中，由所述神经网络的输出单元提供所述网络响应，

将所述网络响应转换成操纵信号，所述操纵信号表明所述用户有否做操纵手势。

10.如权利要求9所述的方法，其中，通过逻辑运算将多个传感器与时间相关的信号曲线转换成至少一个模式，并且将所述模式传输给所述神经网络的输入单元。

11.如权利要求9或10所述的方法，其中，使用至少一个电容式传感器作为传感器，并且将所述电容式传感器与时间相关的荷电状态曲线用作传感器信号。

12.如权利要求9至11中任一项所述的方法，其中，使用多个神经网络，其中，为每个所述神经网络提供从所述传感器的至少一条与时间相关的信号曲线中推导出来的模式。

13.如权利要求9至12中任一项所述的方法，其中，提供所述操纵信号后向所述处理单元传输反馈信号，并且根据所述反馈信号修改所述神经网络的权值。

14.如权利要求9或10中任一项所述的方法，其中，使用多个神经网络，并且根据所述用户的身份识别情况从中选择一个作为用于信号评价的活跃神经网络。

15.如权利要求9至14中任一项所述的方法，其中，先从所述信号曲线中推导出特征性特性值，其中，将所述特征性特性值作为模式传输给所述神经网络。

Images