DE102006038151B4

DE102006038151B4 - Verfahren und Vorrichtung zur Ansteuerung von Personenschutzmitteln

Info

Publication number: DE102006038151B4
Application number: DE102006038151.3A
Authority: DE
Inventors: Josef Kolatschek; Joerg Breuninger
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2006-08-16
Filing date: 2006-08-16
Publication date: 2020-06-10
Anticipated expiration: 2026-08-17
Also published as: DE102006038151A1; US8374752B2; JP2010500227A; CN101506001A; EP2054274A1; US20090306858A1; CN101506001B; WO2008019915A1

Abstract

Verfahren zur Ansteuerung von Personenschutzmitteln (PS) mit folgenden Verfahrensschritten:- Bildung eines Merkmalsvektors mit wenigstens zwei Merkmalen aus wenigstens einem Signal einer Unfallsensorik (BS1, BS2, P, O)- Klassifizierung des Merkmalsvektors in der entsprechenden Dimension mittels wenigstens einer Klassengrenze- Ansteuerung der Personenschutzmittel (PS) in Abhängigkeit von der Klassifizierung.

Description

Stand der Technik
Die Erfindung betrifft ein Verfahren bzw. eine Vorrichtung zur Ansteuerung von Personenschutzmitteln nach der Gattung der unabhängigen Patentansprüche.
Aus DE 103 60 893 A1 ist es bereits bekannt, Personenschutzmittel in Abhängigkeit von einem Vergleich einer Vorverlagerung mit einem Schwellwert anzusteuern. Der Schwellwert wird in Abhängigkeit von einem Geschwindigkeitsabbau und einer Verzögerung eingestellt. Der Geschwindigkeitsabbau und die Verzögerung spannen einen zweidimensionalen Merkmalsraum auf, der durch die Schwellwert in zwei Bereiche unterteilt wird. Diese zwei Bereiche charakterisieren die für die Ansteuerung der Personenschutzmittel signifikanten Klassen, wobei der Schwellwert die Klassengrenze darstellt.
Die Druckschrift DE 102 52 227 A1 offenbart ein Verfahren zur Ansteuerung von Rückhaltemitteln.
Offenbarung der Erfindung
Das erfindungsgemäße Verfahren zur Ansteuerung von Personenschutzmitteln bzw. die erfindungsgemäße Vorrichtung zur Ansteuerung von Personenschutzmitteln haben demgegenüber den Vorteil, dass die Anwendung der Klassengrenzen nicht auf einen, zwei- oder die dreidimensionalem Merkmalsraum beschränkt ist. Es können insbesondere Abhängigkeiten der Merkmale in Räumen größer als der dritten Dimension genutzt werden. Die Klassenzugehörigkeit ist durch eine Linearkombination einer nichtlinearen Funktion mit Merkmalswerten bestimmt.
Damit ist das Verfahren auf einem Steuergerät gut berechenbar bzw. reproduzierbar. Mit der erfindungsgemäßen Vorrichtung bzw. dem erfindungsgemäßen Verfahren sind komplizierte Klassifizierungsaufgaben sehr gut lösbar. Das erfindungsgemäße Verfahren verwendet vorzugsweise eine sogenannte Support-Vektormaschine (SVM). Diese ist durch die statistische Lerntheorie gut fundiert. Die Bestimmung der Klassengrenzen ist durch ein analytisch lösbares Optimierungsproblem gegeben, so dass dieser Vorgang automatisch ohne zusätzliches Expertenwissen von einer Rechenmaschine, insbesondere einer Auswerteschaltung, die als Mikrocontroller ausgeführt sein kann, durchgeführt werden kann. Es gibt dabei nur wenige Parameter, die vom Anwender, also einem Applikationsingenieur eingestellt werden müssen. Deswegen ist es ohne großen Aufwand, auf verschiedene Klassifizierungsprobleme im Zusammenhang mit der Unfallerkennung anpassbar. Die Klassifizierungsqualität des erfindungsgemäßen Verfahrens ist sehr hoch. Durch die Einstellung bei der Klassengrenzenfindung erlaubt das erfindungsgemäße Verfahren zusätzliche Freiräume auszunutzen. Das erfindungsgemäße Verfahren besitzt eine hohe Generalisierungsfähigkeit. D. h. es besteht keine Gefahr, dass das Entscheidungsverfahren zu stark auf den während der Applikation verwendeten Datensatz (Trainingsdatensatz) optimiert wird und daher für nicht in der Trainingsdatenmenge enthaltenen bisher unbekannte Daten eine schlechte Klassifizierungsleistung bietet.
Der Merkmalsvektor ist gemäß der unabhängigen Patentansprüchen wenigstens zweidimensional. Zur Klassifizierung wird der Merkmalsvektor mit der Klassengrenze verglichen. Liegt der innerhalb einer entsprechenden Klasse, dann wird der Merkmalsvektor dieser Klasse zugeordnet.
Die Unfallsensorik kann mehrere Unfallsensoren, auch verschiedene Typen enthalten. Die Schnittstelle zur Unfallsensorik kann hardwaremäßig oder softwaremäßig ausgeführt sein. Insbesondere kann eine softwaremäßig ausgeführte Schnittstelle auf der Auswerteschaltung, insbesondere ein Mikrocontroller, vorliegen. Anstatt eines Mikrocontrollers können auch andere Prozessoren oder ASICs als Auswerteschaltung dienen. Auch die Ansteuerungsschaltung kann als integrierte Schaltung in einem Steuergerät zur Ansteuerung von Personenschutzmitteln vorliegen. Insgesamt kann die Vorrichtung als Steuergerät zur Ansteuerung von Personenschutzmitteln oder auch integriert in einem Steuergerät zur Ansteuerung von Sicherheitsmitteln angeordnet sein. Das letzte Steuergerät kann dabei nämlich auch eine Fahrdynamikregelung ansteuern.
Durch die in den abhängigen Ansprüchen aufgeführten Maßnahmen und Weiterbildungen sind vorteilhafte Verbesserungen der in den unabhängigen Patentansprüchen angegebenen Vorrichtung zur Ansteuerung von Personenschutzmitteln bzw. des in den unabhängigen Patentansprüchen angegebenen Verfahrens zur Ansteuerung von Personenschutzmitteln möglich.
Die Klassengrenze- oder grenzen können bereits im Vorfeld bestimmt werden. Dafür kann vorzugsweise ein datenorientiertes Modellierungsverfahren einer Support-Vektormaschine (SVM) verwendet werden. Diese Methode ist beispielsweise aus Bernhard Schölkopf und Alex Smole: Learning with Kernels, MIT Press, Cambridge, MA, 2002 bekannt. Sie wird unten kurz erläutert.
Besonders vorteilhaft ist, dass die Klassengrenze aus einem Speicher geladen wird. Alternativ ist es möglich, dass die Klassengrenze mittels wenigstens eines Trainingsvektors und mittels einer Kernfunktion bestimmt wird. Dieser spezielle Trainingsvektor ist bei der Support-Vektormaschine ein sogenannter Support-Vektor, der wie unten gezeigt wird, zu bestimmten Lösungen bei einer Nebenbedingung zur Bestimmung des Minimums einer Funktion dient. Für die Bestimmung der Lösung ist es notwendig die Merkmale so vorliegen zu haben, dass sie mit einer einfachen Klassengrenze in Form einer Geraden, bzw. bei höherdimensionalen Eingangsdaten einer Hyperebene (d.h. in beiden Fällen linear) trennbar sind. Wie später im Detail ausgeführt wird, ermöglicht die Kernfunktion die Merkmale implizit in eine solche linear separierbare Darstellung zu bringen ohne diesen Schritt explizit und damit mit hohem Rechenaufwand durchführen zu müssen. Diese Methode der Support-Vektormaschine ermöglicht eine effiziente und gut reproduzierbare Methode, um einen Ansteuerungsalgorithmus zu gestalten. Insbesondere können damit komplizierte Klassifizierungsaufgaben gelöst werden. Vor allem ermöglicht die Support-Vektormaschinenmethode, dass das Expertenwissen, was bei den Lösungen gemäß dem Stand der Technik notwendig ist, minimiert werden kann oder sogar ganz weggelassen werden kann. Dies macht dann auch einen Algorithmus leichter zu durchschauen und zu interpretieren. Der Ressourcenbedarf für die Darstellung der Klassengrenze (Kennlinie) wird verringert und der Applikationsaufwand reduziert.
Es ist weiterhin vorteilhaft, dass die Klassifizierung binär ausgeführt wird. Dies ist einfach implementierbar und ermöglicht durch die Verwendung einer Baumstruktur eine Klasseneinteilung mit einer sukzessiven Verfeinerung. Dabei sind an den Verzweigungen jeweils binäre Klassifikatoren vorgesehen. Damit ist es dann möglich, komplizierte Klassifikationsprobleme durch baukastenartiges Zusammensetzen von solchen binären Klassifikatoren zu verwirklichen. Durch Weglassen von nicht benötigten binären Klassifikatoren innerhalb des Baums kann das erfindungsgemäße Verfahren bzw. die erfindungsgemäße Vorrichtung auf ein sinnvolles Maß vereinfacht werden. Im Extremfall wird es dann auf einen einfachen binären Klassifikator zurückgeführt.
Dabei ist es vorteilhafter Weise möglich, zwei oder mehrere gleichartige oder unterschiedliche Klassifikationsbäume parallel zu verwenden. Damit kann ein Baum beispielsweise die Crashschwere bestimmen und der andere Baum unabhängig davon den Crashtyp. Dies kann dann später wieder verknüpft werden, um die richtige Ansteuerung zu finden.
Darüber hinaus ist es vorteilhaft, jedem Baum ein bestimmtes Rückhaltemittel zuzuordnen. Beispielsweise ist es möglich, einem ersten Baum die Ansteuerung eines Gurtstraffers zuzuordnen und einem zweiten Baum die Ansteuerung eines Airbags. Wenn beide Bäume einfache einzelne binäre Klassifikatoren verwenden, welche nur die Klassen Fire bzw. NoFire kennen, kann auf diese Weise trotzdem eine unterschiedliche Ansteuerung der Rückhaltemittel verwirklicht werden. Die Ansteuerung der Rückhaltemittel geschieht damit aufgrund der durch den Klassifikator ermittelten Unfallsituation. Bei einem einfachen Klassifikator Fire/ NoFire veranlasst das Ansteuerungssignal bei Erkennen der Klasse Fire beispielsweise die sofortige Aktivierung eines zugeordneten Personenschutzmittels.
In einer anspruchsvolleren Ausformung verwendet das Ansteuerungssignal z. B. die Information über den Crashtyp und die Crashschwere gemeinsam. Hierzu ist in einer speziellen Tabelle für jede Kombination dieser beiden Größe eine bestimmte Zusammenstellung von Personenschutzmitteln hinterlegt, die dann aktiviert wird.
Neben der oben beispielhaft angeführten Methode um eines der aufgeführten Klassifikationsprobleme mit mehr als zwei Klassen zu lösen, sind auch andere Methoden anwendbar. Die oben angegebene Referenz Schölkopf et al. zeigt noch andere Verfahren, wie ein solches Mehrklassenproblem auf günstige Art und Weise gelöst werden kann. Diese Verfahren sind in der Literatur unter den Namen „one versus the rest“, „pairwise classification“, „error correcting output coding“ und „multiclass objective functions“ bekannt.
Für besondere Problemstellungen, die im Rahmen der Unfallerkennung und Klassifizierung auftreten, kann es vorkommen, dass lediglich Trainingsdaten einer bestimmten Klasse zur Verfügung stehen. Die Aufgabe besteht dann darin, festzustellen, ob ein durch Messung bestimmter Merkmalsvektor zu einem Ereignis genau dieser Klasse gehört oder nicht. Dies entspricht einem sogenannten One-Class-Klassifizierer. Auch hierzu kann das erfindungsgemäße Verfahren und insbesondere der Support-Vektormaschinen-Algorithmus auf vorteilhafte Art und Weise eingesetzt werden. Darin kann dann typischerweise über einen Parameter V die Güte bzw. Empfindlichkeit eingestellt werden. Beispielsweise ist bei der Klassifizierung von Misuse-Ereignissen eine solche Situation gegeben. Da Misuse-Ereignisse, also Nichtauslösefälle, wesentlich leichter und kostengünstiger durchzuführen sind als Crashtests, bei denen das Fahrzeug zerstört wird, liegen üblicherweise eine große Anzahl an solchen Testdaten durch. Mit Hilfe eines One-Class-Klassifizierers kann also ein Misuse-Erkennungssystem aufgebaut werden. D. h. alle Merkmalsvektoren, die außerhalb dieser Klasse liegen, sind Auslösefälle.
Vorteilhafter Weise kann eine Regression zur Erzeugung eines kontinuierlichen Werts für die Klassifizierung verwendet werden. Dies ist insbesondere im Falle einer Klasseneinteilung, die einen stetigen Zuwachs einer bestimmten Eigenschaft beschreibt, beispielsweise wenn die Klasse die Crashschweren oder Crashgeschwindigkeiten beschreiben, vorteilhaft. Der Vorteil hierin liegt, dass in einem solchen Fall die Ausgabe des Systems nicht nur aus den diskreten Zahlenwerten besteht, sondern aus einem reellen Zahlenwert aus einem kontinuierlichen Wertebereich. Auch die entsprechenden Verfahren sind in Schölkopf et al. wie oben angegeben beschrieben. Der oder die Zahlenwerte können dann wiederum über Tabellen einem bestimmten Aktivierungsmuster von Personenschutzmitteln zugeordnet werden.
Vorteilhafter Weise werden die wenigstens zwei Merkmale aus einem zeitlichen Block des wenigstens einen Signals ermittelt. Dazu werden über eine bestimmte Zeit, nämlich der Blocklänge hinweg, die Signale einzelner Sensoren, die auch schon vorverarbeitet sind, wie beispielsweise eine Filterung oder eine Integration, in einem Zusammenhang betrachtet. Der Merkmalsvektor besteht aus das Signal innerhalb dieses Blocks charakterisierenden Größen. Das kann beispielsweise der Mittelwert der Sensordaten sein, die Varianz oder höhere Momente, das erste Integral, das zweite Integral, die Koeffizienten einer Wavelet-Zerlegung, eine Fourier-Zerlegung, die Indexwerte eines Codebuchs, falls man auf die Eingangsdaten innerhalb des Blocks eine Vektorquantisierung anwendet. Ebenso können die Koeffizienten einer Polynomregression bestimmt werden. Die eine oder mehrere gewählten Merkmalsgrößen können dabei in einem Schritt zum Zeitpunkt des Blockendes bestimmt werden oder aber auch kontinuierlich oder rekursiv mit dem Eintreffen der Daten, also des Signals, bestimmt werden. Im Extremfall ist es auch möglich, die Blocklänge T der Abtastzeit des Sensors anzugleichen, so dass in jedem Datenblock nur genau ein Datenwert enthalten ist, der dann entsprechend in einen Merkmalsvektor umgewandet wird. Der Merkmalsvektor kann auch entsprechend verarbeitete Daten verschiedener Sensoren mit optional unterschiedlichen Sensierungsprinzipien enthalten. Werden verschiedene Blöcke verwendet, können sich diese Blöcke auch überlappen oder zeitlich voneinander getrennt sein.
Vorteilhafter Weise ermöglicht die Verwendung eines Merkmalsvektors, dass die Merkmale des Merkmalsvektors aus Signalen von unterschiedlichen Sensoren gebildet werden. Damit ist eine umfassende Beschreibung des Unfallereignisses möglich.
Vorteilhafter Weise liegt ein Computerprogramm vor, das auf dem Steuergerät insbesondere der Auswerteschaltung, wie beispielsweise ein Mikrocontroller ist, abläuft. Dieses Computerprogramm kann in einer objektorientierten Sprache oder anderen gängigen Computersprachen geschrieben sein. Insbesondere kann dieses Computerprogramm als Computerprogrammprodukt auf einem Datenträger vorliegen, der maschinenlesbar ist, beispielsweise einer Festplatte, einem elektronischen Speicher wie einem EEPROM oder auf einem magnetooptischen Datenträger oder einem optischen Datenträger wie eine DVD oder CD.
Ausführungsbeispiele der Erfindung sind in der Zeichnung dargestellt und werden in der nachfolgenden Beschreibung näher erläutert.
Es zeigen

1 ein Blockschaltbild der erfindungsgemäßen Vorrichtung,
2 eine Softwarestruktur auf dem Mikrocontroller,
3 ein Flussdiagramm des erfindungsgemäßen Verfahrens,
4 ein Datenablaufdiagramm des erfindungsgemäßen Verfahrens,
5 ein weiteres Datenablaufdiagramm des erfindungsgemäßen Verfahrens,
6 eine Blockstruktur und
7 eine Baumstruktur.

Im Folgenden wird die Grundidee des Support Vektor Maschinen Algorithmus erläutert, der vorzugsweise für das erfindungsgemäße Verfahren verwendet werden kann.
Der SVM Algorithmus ist im einfachsten Fall in der Lage, eine binäre Klassifikation durchzuführen, d. h. auf der Basis eines Trainingsdatensatzes aus Datenvektoren eine unbekannten Datenvektor einer der beiden Klassen zuzuordnen. Da die beiden Klassen nicht notwendigerweise durch eine einfache Klassengrenze in Form einer Geraden, bzw. bei höherdimensionalen Eingangsdaten eine Hyperebene (d. h. in beiden Fällen linear) separierbar sind, müssten diese durch eine Transformation in einen höherdimensionalen Merkmalsraum abgebildet werden, wo solches möglich ist. Im Ursprungsraum wiederum würde diese trennende Hyperebene einer nichtlinearen Trennfläche entsprechen.
Mit Hilfe einer Kern-Funktion ermöglicht nun der SVM Algorithmus diese Trennfläche zu berechnen, ohne zuvor die Abbildung in den Merkmalsraum durchzuführen. Dies vermindert signifikant die Anforderungen an die Rechenleistung, macht in vielen Fällen (vor allen solchen mit einem hochdimensionalen Merkmalsraum) die Durchführung der Klassifikation technisch erst möglich. Da die nichtlineare Trennfläche im Eingangsdatenraum in jedem Fall auf eine lineare im Merkmalsraum zurückgeführt werden kann, lässt sich die Generalisierungsfähigkeit des Klassifikationsverfahrens gut einstellen.
Da sich in der Literatur ausführliche Beschreibungen der Methode finden (z. B. in Bernhard Schölkopf und Alex Smola; Learning with Kernels; MIT Press, Cambridge, MA, 2002) wird hier nur ein kurzer Überblick gegeben.
Einfacher Fall: Es sind zwei Klassen vorhanden, die linear separierbar sind, d.h. durch eine Klassengrenze, die in Form einer Geraden (im zweidimensionalen Merkmalsraum) oder einer Ebene oder Hyperebene im höherdimensionalen Merkmalsraum existiert. Jeder der 1 Merkmalsvektoren x_i einer Trainingsdatenmenge kann mit der Klasseninformation y_i zu einem Datenpaar z_i zusammengefasst werden. Die zwei Klassen werden den Werte + 1 und -1 zugeordnet, wobei z. B.+1 Fire crash bedeuten kann und -1 NoFire Crash sein kann.
Also: ${Datenpaare z}_{i} = (x_{i}, y_{i}), mit 1 \leq i \leq l$
wobei
y_i∈ {-1,+1}die Klasseninformation angibt und die x_i die jeweils mehrdimensionalen Merkmalsvektoren darstellen. Dann hat eine lineare mehrdimensionale Trennebene (Hyperebene) zwischen beiden Klassen die Form: $f (x) = W^{τ} x + b$
Es gilt dann: $w^{τ} x_{i} + b \geq 1, {falls y}_{i} = 1 (Klasse 1)$
$w^{τ} x_{i} + b \geq - 1, {falls y}_{i} = - 1 (Klasse 2)$
Zusammengefasst: $y_{i} (w^{τ} x_{i} + b) \geq - 1$
Gesucht wird nun genau diejenige Hyperebene, für welche der Rand m („margin“) zwischen den Klassen 1 und 2 maximal („maximal margin“) wird. Genau diese Hyperebene ist die optimale zur Trennung beider Klassen und hat die besten General isierungseigenschaften.
Der normalisierte Rand lässt sich ausdrücken als $m = \frac{1}{| w |}$
Der maximale Rand ist nun derjenige, für den die Funktion $E (w) = \frac{1}{2} {| w |}^{2}$
minimal wird.
Damit lässt sich die Bestimmung der Klassengrenze auf folgende Aufgabe zurückführen:
Es ist $E (w) = \frac{1}{2} {| w |}^{2}$
zu minimieren unter der Nebenbedingung der korrekten Klassifikation der Trainingsdaten, d. h. : $y_{i} (w^{τ} x_{i} + b) \geq 1, mit 1 \leq i \leq l$
Dies ist ein Standardproblem (Minimierung einer quadratischen Funktion mit linearen Ungleichungen als Nebenbedingung) und lässt sich mit entsprechenden Methoden lösen.
Es lässt sich als Lagrange-Funktion formulieren: $L (w,b,a) = \frac{1}{2} {| w |}^{2} - \sum_{i = 1}^{l} a_{i} (y_{i} (w^{τ} x_{i} + b) - 1),$
wobei die a_i die Lagrange Multiplikatoren sind.
Nach dem Karush-Kuhn-Tucker (KTT) Theorem ergeben sich folgende Zusatzbedingungen zu den Ungleichungsnebenbedingungen:
Für die optimalen Werte von w, b und a_i, bezeichnet mit w*, b* und a* gilt: $a * (y_{i} (w^{τ} x_{i} + b *) - 1) = 0 mit 1 \leq i \leq l$
d. h. die NB (Nebenbedingung) ist entweder erfüllt oder der zugehörige Lagrange-Multiplikator ist Null (KTT-Komplementaritätsbedingung). Dies ist eine äußerst vorteilhafte Eigenschaft. Sie besagt nämlich anschaulich, dass nur ein Bruchteil der Merkmalsvektoren überhaupt einen nennenswerten Beitrag zur Bestimmung der Klassengrenzen leisten und berücksichtigt werden müssen, nämlich genau die, für die die Lagrange-Multiplikatoren ungleich Null sind. Diese Vektoren nennt man Supportvektoren. In ihnen liegt also die Information über die optimale Hyperebene in komprimierter Form vor.
Durch eine Umformung lässt sich das Finden der Lösung für die optimale Hyperebene als „Duales Optimierungsproblem“ formulieren, welches lediglich von den Skalarprodukten der Merkmalsvektoren x_i abhängt: $L (a) = - \frac{1}{2} \sum_{i, j = 1}^{l} a_{i} a_{j} y_{i} y_{j} x_{i}^{T} x_{j} + \sum_{i = 1}^{l} a_{1} = - \frac{1}{2} a^{T} Ka + 1^{T} a$
Dies lässt sich mit den Standardverfahren der Quadratischen Programmierung lösen.
Für eine praktische Anwendung muss der obige Ansatz noch erweitert werden. Bei Trainingsmerkmalsvektoren, welche aus realen Crashdatensätzen erzeugt wurden, ist es immer möglich, dass darin Punkte enthalten sind, welche nicht separierbar sind oder in den Bereich des Randes fallen (z. B. aufgrund von Messfehlern). Damit man trotzdem eine Lösung erhält, muss eine Schlupfvariable ξ („slack variable“) in die NB eingeführt werden, die eine Toleranz gegenüber solchen fehlerhaften Trainingsdaten einführt. Die relevante Gleichung lautet dann: $y_{i} (w^{T} x_{i} + b) \geq 1 - ξ_{i} \geq 0.$
Die zu minimierende Funktion lässt sich dann als $E (w) = \frac{1}{2} {| w |}^{2} + C \sum_{i = 1}^{l} ξ_{i}$
ausdrücken, wobei C als Rausch-Parameter verstanden werden kann, welcher den Einfluss eines Trainingsdatenwertes auf die Klassengrenze begrenzt.
Die Lagrangefunktion des dualen Optimierungsproblems ergibt sich dann entsprechend wie weiter oben.
Typischer Fall:

Der Fall einer linearen Separierbarkeit kommt bei Klassifizierungsproblemen zur Ansteuerung von Rückhaltemitteln eher selten vor. Viel häufiger bilden die Merkmalsvektoren eine Anordnung, welche nur durch eine nichtlineare Klassengrenze in die zugehörigen Klassen getrennt werden können. Dieses Problem könnte dadurch umgangen werden, indem man eine Abbildung Φ(x) : R"→E in den einen höherdimensionalen Merkmalsraum E durchführt, in welchem die Klassen wiederum linear separierbar sind. Entsprechend würde dann die zu lösende Lagrangefunktion lauten:

L (a) = - \frac{1}{2} \sum_{i, j = 1}^{l} a_{i} a_{j} y_{i} y_{j} (Φ (x_{i}), Φ (x_{j})) + \sum_{i = 1}^{l} a_{i}

Das bisherige Skalarprodukt (x_i, x_j) wird durch das Skalarprodukt (Φ(x_i), Φ(x_j)) im Merkmalsraum ersetzt.
Hier kommt nun ein entscheidender Vorteil einer SVM zum tragen. In der SVM wird die Abbildung Φ(x):R"→E überhaupt nicht durchgeführt. Man verwendet stattdessen eine bestimmte Eigenschaft von Skalarprodukten, die sich aus dem Satz von Mercer ergibt. Demnach kann unter bestimmten Bedingungen das Skalarprodukt (Φ(x_i),Φ(x_j)) durch eine sog. Kernfunktion k(x_i, x_j) ersetzt werden, die das selbe Ergebnis liefern. Damit kann von der Projektion in den höherdimensionalen Raum abgesehen werden und stattdessen die Lösung direkt im niedriger dimensionalen Eingangsraum errechnet werden. Dieses Vorgehen nennt man „Kerntrick“.
Als Kernfunktion (engl.: kernels) kommen z. B. in Frage:
Gauß Kern: $k (x_{i} {, x}_{j}) = exp (\frac{{‖ x_{i} - x_{j} ‖}^{2}}{c})$
Polynom Kern: $k (x_{i} {, x}_{j}) = {((x_{i}^{T}, x_{j}) + θ)}^{d}$
Sigmoider Kern; $k (x_{i} {, x}_{j}) = tanh (κ (x_{i}^{T} x_{j}) + θ)$
Invers-multi-quadratischer Kern: $k (x_{i} {, x}_{j}) = \frac{1}{\sqrt{{‖ x_{i} - x_{j} ‖}^{2} + c^{2}}}$
Darüber hinaus werden in der erwähnten Literatur noch eine Vielzahl von anderen möglichen Kernen erwähnt, die alle gegebenenfalls in Frage kommen. Ebenso wie im einfachen linearen Fall ist es für den Fall von nicht separierbaren Klassen vorteilhaft, die Schlupfvariable ξ („slack variable“) in die NB einzuführen. Die dort aufgeführten Gleichungen bleiben sinngemäß die selben. Auch hier kann die Lösung dann auf einfache Art und Weise durch die Anwendung eines Standardverfahrens zur Lösung eines Quadratischen Optimierungsproblems unter linearen Nebenbedingungen gefunden werden. In Frage kommen hier z. B. LOQO oder äquivalente Verfahren).
Insgesamt lässt sich sagen, dass die SVM nicht, wie viele andere Verfahren, eine Schätzung einer den Eingangsdaten zugrunde liegende Dichtefunktion vornimmt, sondern sie minimiert das sog. Worst-Case Risiko der Klassifikation. Sie gehört damit zur Klasse der „verteilungsfreien Verfahren“.
Im Folgenden wird beschrieben, wie das erfindungsgemäße Verfahren bzw. die erfindungsgemäße Vorrichtung beispielhaft ausgeführt sein kann. Grundsätzlich wird das erfindungsgemäße Verfahren bzw. erfindungsgemäße Vorrichtung in einer Offline-Phase, also vor dem Einsatz im Fahrzeug, trainiert, d. h. der Kern, die Klassengrenzen oder die Supportvektoren werden anhand von Trainingsdaten festgelegt. Diese Information wird dann im Steuergerät in geeigneter Form hinterlegt, also in einem Speicher abgespeichert und bildet dann den Klassifikator für den Onlinebetrieb der erfindungsgemäßen Vorrichtung bzw. des erfindungsgemäßen Verfahrens. Falls die Supportvektoren und die Kernfunktion in der erfindungsgemäßen Vorrichtung hinterlegt werden, kann die erfindungsgemäße Vorrichtung online über die aufgeführten Gleichungen die Klassengrenzen bestimmten, bzw. die Klassenzugehörigkeit direkt berechnen. Es ist natürlich auch möglich, die Klassengrenzen direkt abzuspeichern.
Grundsätzlich erfolgt die Datenverarbeitung wie folgt: Zunächst wird eine Aufnahme der Signale der Unfallsensorik vorgenommen und es erfolgt eine Merkmalsextraktion. Sodann erfolgt die Klassifizierung mit dem erfindungsgemäßen Verfahren und letztlich erfolgt die Ansteuerung der Personenschutzmittel.
1 erläutert in einem Blockschaltbild die erfindungsgemäße Vorrichtung. Die erfindungsgemäße Vorrichtung ist hier beispielhaft als Steuergerät zur Ansteuerung von Personenschutzmitteln ausgebildet. Dabei kann das Steuergerät SG ein Steuergerät sein, das lediglich zur Ansteuerung von Personenschutzmitteln PS konfiguriert ist, es ist jedoch alternativ möglich, dass es sich um ein Steuergerät zur Ansteuerung von Sicherheitsmitteln im Allgemeinen handelt und dabei auch Eingriffe in eine Fahrdynamikregelung bzw. ein Bremssystem vornehmen kann. Das Steuergerät SG weist als zentrales Element einen Mikrocontroller µC auf. Dieser Mikrocontroller µC ist eine Auswerteschaltung gemäß dem unabhängigen Vorrichtungsanspruch. Alternativ ist es möglich, andere Prozessortypen oder einen ASIC zu verwenden. Es kann sogar möglich sein eine diskret aufgebaute Schaltung zu verwenden. Der Mikrocontroller µC ist über eine Datenein-/ausgang mit einem Speicher S verbunden. Dieser Speicher kann ein dauerhaft beschreibbarer bzw. ein flüchtig beschreibbarer Speicher sein, wie es ein sogenanntes RAM in üblicher Weise ist. Es sind jedoch auch Kombinationen von Speichern, die auch dauerhaft Daten aufnehmen können unter der Bezeichnung S möglich. Insbesondere solche Speicher, aus denen erfindungsgemäß die Klassengrenze bzw. die Kernfunktion und die Supportvektoren geladen werden können, um diese Klassengrenze zu bestimmen. Weiterhin sind an den Mikrocontroller µC zwei Schnittstellen IF1 und IF2 angeschlossen, die hier als diskrete Bausteine ausgebildet sind. D. h. sie liegen als integrierte Schaltungen vor und wandeln Signale von Sensoren, die sich außerhalb des Steuergeräts SG befinden, in ein Datenformat um, das der Mikrocontroller µC effizient abarbeiten kann. Weiterhin ist an den Mikrocontroller µC über einen Dateneingang eine Beschleunigungssensorik BS1 angeschlossen, die sich innerhalb des Steuergeräts SG befindet. Diese Beschleunigungssensorik kann zumindest in Fahrzeuglängsrichtung Beschleunigungen erfassen. Üblicherweise ist es jedoch möglich, dass diese Beschleunigungssensorik BS1 auch Beschleunigungen quer oder schräg zur Fahrzeuglängsrichtung erfasst. Auch eine Beschleunigungssensorik in Fahrzeugsvertikalrichtung ist möglich.
Der Mikrocontroller µCweist nun eine Softwareschnittstelle auf, über die die Sensorik BS1 an den Mikrocontroller µCangeschlossen ist. Die Sensorik BS1 kann ihre Daten analog oder digital an den Mikrocontroller µCübertragen. Die Beschleunigungssensorik ist üblicherweise aufgebaut, d. h. ein mikromechanisches Element sorgt für die Erfassung der Beschleunigungen. Alternativ ist es möglich, dass weitere Sensortypen, wie eine Körperschallsensorik oder eine Drehratensensorik im Steuergerät SG angeordnet sind.
An die Schnittstelle IF1 ist eine Drucksensorik P und eine ausgelagerte Beschleunigungssensorik BS2 angeschlossen. Die Drucksensorik P ist vorzugsweise in den Seitenteilen des Fahrzeugs angeordnet, um einen Seitenaufprall zu detektieren. Dabei erfasst die Drucksensorik P einen Luftdruck, der durch einen Seitenaufprall im Seitenteil adiabatisch komprimiert wird. Dies ermöglicht eine sehr schnelle Detektierung eines solchen Seitenaufpralls. Die Beschleunigungssensorik BS2 kann in der Fahrzeugfront eingebaut sein, um beispielsweise ein Fußgängeraufprall oder einen Frontaufprall zu detektieren. Dabei wird die Beschleunigungssensorik BS2 beispielsweise hinter dem Stoßfänger eingebaut oder am Kühlergrill. Es ist zusätzlich oder anstatt möglich, dass die Beschleunigungssensorik BS2 in den Fahrzeugseiten eingebaut ist. Damit dient die Beschleunigungssensorik BS2 dann zur Detektion bzw. Plausibilisierung eines Seitenaufpralls. Dabei kann die Beschleunigungssensorik BS2 ebenfalls in verschiedenen Richtungen empfindlich sein, um zur Plausibilisierung bzw. Detektion von bestimmten Aufprallarten zu dienen.
Die Datenübertragung zur Schnittstelle IF1 von der Drucksensorik P und der Beschleunigungssensorik BS2 geschieht üblicherweise digital. Es ist möglich einen Sensorbus zu verwenden, vorliegend sind jedoch Punkt-zu-Punkt-Verbindungen mit einer Powerlinedatenübertragung vorgesehen.
An die Schnittstelle IF2 ist eine Umfeldsensorik U angeschlossen, die Daten aus dem Umfeld des Fahrzeugs erfasst. Dabei werden andere Kollisionsobjekte erkannt, detektiert und charakterisiert, beispielsweise über eine Trajektorie bzw. die Kollisionsgeschwindigkeit. Als Umfeldsensorik ist eine Radar-, Ultraschall-, Infrarot-, Lidar- oder Videosensorik möglich. Andere externe Sensoriken, wie eine Insassensensorik sind möglich.
Der Mikrocontroller µCsteuert nun in Abhängigkeit von diesen Sensorsignalen und seinem Ansteuerungsalgorithmus eine Ansteuerschaltung FLIC an, die zur Aktivierung der Personenschutzmittel PS dient. Die Ansteuerschaltung FLIC weist Endstufen auf, die durchgeschaltet werden, wenn ein Ansteuersignal vom Mikrocontroller µCkommt. Auch eine Logik, die das Signal des Mikrocontrollers µCmit einem Signal einer Plausibilisierung oder einer parallelen Auswertung, die hier der Einfachheit halber nicht dargestellt ist, kann vorhanden sein. Bei den Personenschutzmitteln handelt es sich beispielsweise um Airbags, Gurtstraffer, Überrollbügel, Außenairbags, eine anhebbare Fronthaube und andere für den Insassen- oder Fußgängerschutz möglichen Personenschutzmittel. Diese können pyrotechnisch oder reversibel, beispielsweise elektromotorisch, angesteuert werden. Weitere Komponenten, die zur Funktion des Steuergeräts SG im Allgemeinen notwendig sind, aber zum Verständnis der Erfindung nicht beitragen, sind der Einfachheit halber hier weggelassen worden.
Der Mikrocontroller µCbildet aus den Signalen der Sensoren BS1, P, BS2 und U einen Merkmalsvektor und bestimmt anhand beispielsweise abgespeicherter linearer Klassengrenzen, zu welcher Klasse dieser Merkmalsvektor gehört. Wie oben angegeben ist es alternativ möglich, dass die Klassengrenzen im Betrieb anhand von Supportvektoren und einer Kernfunktion bestimmt werden können. Anhand der Klassifizierung entscheidet der Mikrocontroller µC, ob ein Ansteuersignal erzeugt wird und welchen Inhalt es hat. Dieses Ansteuersignal wird dann zur Ansteuerungsschaltung FLIC übertragen. Die Übertragung innerhalb des Steuergeräts SG erfolgt üblicherweise über den sogenannten SPI-Bus.
2 erläutert wichtige Softwaremodule, die der Mikrocontroller µCbenutzt. Zunächst ist die oben angesprochene Schnittstelle IF3 dargestellt, die zur Anwendung der Beschleunigungssensorik BS1 dient. Die Schnittstelle IF3 hat die Funktion wie die Hardwareschnittstellen IF1 und IF2, die Sensorsignale bereitzustellen. Mit dem Softwaremodul 20 wird dann ein Merkmalsvektor aus den Signalen der Sensoren gebildet. Dieser wird in der erfindungsgemäßen Art und Weise mit dem Softwaremodul 21 klassifiziert und anhand der Klassifizierung wird mit dem Softwaremodul 22 dann gegebenenfalls ein Ansteuerungssignal erzeugt, das angibt, welche Personenschutzmittel anzusteuern sind. Weitere Softwaremodule sind möglich, der Einfachheit halber jedoch vorliegend nicht dargestellt.
3 erläutert in einem Flussdiagramm den Ablauf des erfindungsgemäßen Verfahrens. In Verfahrensschritt 300 wird aus den Signalen der Sensoren ein Merkmalsvektor gebildet. Dieser wird in Verfahrensschritt 301 klassifiziert, und zwar anhand der Klassengrenzen. Diese werden entweder geladen oder mittels der Supportvektoren und der Kernfunktion bestimmt. Anhand der Klassifizierung wird im Verfahrensschritt 302 ein Ansteuerungssignal erzeugt, das angibt, welche Personenschutzmittel anzusteuern sind.
4 erläutert in einem Datenablaufdiagramm die Funktion der erfindungsgemäßen Vorrichtung bzw. den Ablauf des erfindungsgemäßen Verfahrens, der auf der erfindungsgemäßen Vorrichtung abläuft. Durch den Block 40 werden die einzelnen Verarbeitungsschritte gekennzeichnet. Im Verarbeitungsschritt 402 erzeugen die Sensoren 41, 42 und 43 ihre Signale, die dann als Messdaten 48 vorliegen. Im Verfahrensschritt 403 wird aus diesen Signalen eine Merkmalsextraktion durchgeführt, da es sich beispielsweise um die Signale an sich oder um gefilterte, integrierte, abgeleitete, gemittelte usw. bearbeitete Signale handeln kann. Damit liegt dann, wie durch den Block 44 gekennzeichnet, der Merkmalsvektor 49 vor. In Verfahrensschritt 404 erfolgt die Klassifizierung durch den Block 46. Dieser Block 46 klassifiziert in der oben beschriebenen Weise den Merkmalsvektor, so dass am Ausgang die Klasseninformation 400 vorliegt, die dann in den Block 47 eingeht, der als Verarbeitungsschritt 405 gilt und das Ansteuerungssignal 401 erzeugt.
5 erläutert die Bildung eines Merkmalsvektors 508. Es liegen die Sensoren 500, 501 und 502 vor. Deren Signale werden in den Blöcken 503, 504 und 505 einer Vorverarbeitung, beispielsweise einer Filterung oder Integration oder einer anderen mathematischen Operation unterzogen. In den Blöcken 506, 507 und 508 erfolgt dann die zeitliche Blockbildung und die Merkmalsextraktion. Im Merkmalsvektor 508 sind dann die Merkmale, die extrahiert worden sind, in einem Vektor angeordnet, wobei pro Sensor eine Vielzahl von Merkmalen vorliegen kann, hier beispielsweise für den Sensor 1 vier und für den Sensor N fünf. Die Anzahl der Sensoren ist dabei nicht festgelegt, es muss jedoch mindestens ein einziger Sensor vorhanden sein. Auch der Einbauort der Sensoren ist vielfältig wählbar. Das erfindungsgemäße Verfahren kann beispielsweise mit zentral eingebauten Sensoren arbeiten, ebenso aber auch mit peripheren Sensoren in der Fahrzeugseite, im Fahrzeugheck oder in der Fahrzeugfront. Auch eine Kombination, wie oben dargestellt, dieser Einbauorte ist möglich. Als Sensoren kommen beispielsweise in Frage Beschleunigungssensoren, Drucksensoren, Körperschallsensoren, Temperatursensoren oder Sensoren mit anderen physikalischen Messprinzipien.
Die Umwandlung der gemessenen Einzeldaten in einem Merkmalsvektor geschieht vorzugsweise in Zeitblöcken. Es können Merkmalsvektoren von mehr als einem Zeitblock berechnet werden. Dazu wird, wie in 6 gezeigt, über eine bestimmte Zeit, hier der Blocklänge T, die mit B1, B2 und B3 bezeichnet ist, die Daten einzelner Sensoren, die durchaus schon einer gewissen Vorverarbeitung unterworfen sein dürfen in einem Zusammenhang betrachtet. Wie oben dargestellt, besteht der Merkmalsvektor aus das Signal innerhalb dieser Blöcke charakterisierenden Größen. Das kann beispielsweise der Mittelwert der Sensordaten sein, die Varianz oder höhere Momente, das erste Integral, das zweite Integral, die Koeffizienten einer Waveletzerlegung, einer Fourrierzerlegung, die Indexwerte eines Codebuchs, falls man auf die Eingangsdaten innerhalb des Blocks eine Vektorquantisierung anwendet. Ebenso können die Koeffizienten einer Polynomregression bestimmt werden. Die eine oder mehrere gewählten Merkmalsgrößen können dabei in einem Schritt zum Zeitpunkt des Blockendes bestimmt werden oder aber auch kontinuierlich oder rekursiv mit dem Eintreffen der Daten bestimmt werden. Im Extremfall ist es auch möglich, die Blocklänge T der Abtastseite des Sensors anzugleichen, so dass in jedem Datenblock nur genau ein Datenwert enthalten ist, der dann entsprechend in einen Merkmalsvektor umgewandelt wird. Der Merkmalsvektor kann auch entsprechend verarbeitete Daten verschiedener Sensoren mit optional unterschiedlichen Sensierungsprinzipien enthalten.
Die Klassifizierung hat dann die Aufgabe, das Ereignis, welches den Merkmalsvektor erzeugt hat, in bestimmte Klassen einzuteilen. Eine solche Klasseneinteilung kann z. B. aus den beiden Klassen Fire und NoFire bestehen (Beispiel 1). In diesem Fall handelt es sich um einen binären Klassifikator. Es sind aber auch das Unfallereignis genauer charakterisierende Klasseneinteilungen vorstellbar:
Beispiel 2:

C₁ = Kein Auslöseereignis
C₂ = Crash gegen weiche Barriere
C₃ = Crash gegen harte Barriere

Beispiel 3:

C₁ = Kein Auslöseereignis
C₂ = symmetrisches Crashereignis
C₃ = links-Crash
C₄ = rechts-Crash

Beispiel 4:

C₁ = Crashschwere 1
C₂ = Crashschwere 2
C₃ = Crashschwere 3
C₄ = Crashschwere 4
C₅ = Crashschwere 5
C₆ = Crashschwere 6
C₇ = Crashschwere 7

Beispiel 5:

C₁ = Crashgeschwindigkeit zwischen 0km/h und 10km/h
C₂ = Crashgeschwindigkeit zwischen 10km/h und 20km/h
C₃ = Crashgeschwindigkeit zwischen 20km/ und 30km/h
C₄ = Crashgeschwindigkeit zwischen 30km/h und 40km/h
C₅ = Crashgeschwindigkeit zwischen 40km/h und 50km/h
C₆ = Crashgeschwindigkeit zwischen 50km/h und 60km/h

Mit Binärenklassifikation kann, wie 7 zeigt, eine solche verfeinerte Klassifizierung sukzessive durchgeführt werden. In der Klassifikationsebene 70 wird mit dem Klassifikator 74 festgestellt, ob die Crashschwere kleiner dem Wert 4 ist. Ist das der Fall, so wird zum Klassifikator 75 gegangen, der feststellt, ob die Crashschwere < 2 ist, wobei wir uns dann in der Klassifikatorebene 71 befinden. Ist das so, dann wird als Klassifikationsresultat die Crashschwere mit 1, wie in Block 700 angegeben, festgestellt. Ist das jedoch nicht der Fall, dann wird eine weitere Klassifikatorebene 72 eingefügt, so dass der Klassifikator 79 feststellt, ob die Crashschwere < 3 ist. Ist das der Fall, dann wird das Klassifikationsergebnis 701 mit der Crasschwere = 2 festgestellt, ist das nicht der Fall, dann wird das Klassifikationsresultat 702 mit der Crashschwere = 3 festgestellt. Wurde in der Klassifikatorebene jedoch festgestellt, dass die Crashschwere nicht < 4 ist, dann wird in die Klassifikatorebene 71 gesprungen und dabei zum Klassifikator 76. Dieser prüft nun, ob die Crashschwere < 6 ist. Ist das der Fall, dann wird zur Klassifikatorebene 72 gesprungen und dabei zum Klassifikator 78. Dieser prüft, ob die Crashschwere < 5 ist. Ist das der Fall, dann wird zum Klassifikationsresultat 73 gesprungen, und zwar hier zu Block 703 der feststellt, dass die Crashschwere = 4 ist. Wurde durch den Klassifikator 78 festgestellt, dass die Crashschwere nicht < 5 ist, dann wird zum Klassifikationsresulat 704 gesprungen und festgestellt, dass die Crashschwere = 5 ist. Wurde durch den Klassifikator 76 in der Klassifikationsebene 71 festgestellt, dass die Crashschwere nicht < 6 ist, dann wird zum Klassifikator 77 gesprungen, und zwar in der Klassifikatorebene 72, wo geprüft wird, ob die Crashschwere < 7 ist. Ist das der Fall, dann wird das Klassifikationsresultat 705 festgestellt, dass die Crashschwere = 6 ist. Ist das jedoch nicht der Fall, dann wird festgestellt, dass das Klassifikationsresultat 706 vorliegt, und zwar die Crashschwere = 7. Diese Werte sind hier beispielhaft dargestellt. Es können ganz andere Werte verwendet werden. Wie 7 auch zeigt, muss nicht in jeder Klassifikatorebene ein Klassifikator für jede Verzweigung sein, es kann auch direkt zu einem Klassifikationsresultat gesprungen werden.

Claims

Verfahren zur Ansteuerung von Personenschutzmitteln (PS) mit folgenden Verfahrensschritten: - Bildung eines Merkmalsvektors mit wenigstens zwei Merkmalen aus wenigstens einem Signal einer Unfallsensorik (BS1, BS2, P, O) - Klassifizierung des Merkmalsvektors in der entsprechenden Dimension mittels wenigstens einer Klassengrenze - Ansteuerung der Personenschutzmittel (PS) in Abhängigkeit von der Klassifizierung.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die wenigstens eine Klassengrenze aus einem Speicher (S) geladen wird.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die wenigstens eine Klassengrenze mittels wenigstens eines Trainingsvektors und mittels einer Kernfunktion bestimmt wird.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Klassifizierung binär ausgeführt wird.
Verfahren nach Anspruch 4, dadurch gekennzeichnet, dass für die binäre Klassifizierung wenigstens ein erster Baum verwendet wird, an dessen Verzweigungen jeweils eine jeweilige binäre Klassifizierung durchgeführt wird.
Verfahren nach Anspruch 5, dadurch gekennzeichnet, dass einem jeweiligem Baum ein Personenschutzmittel (PS) zugeordnet ist.
Verfahren nach Anspruch 5, dadurch gekennzeichnet, dass einem zweiten Baum eine Crashschwere und einem dritten Baum ein Crashtyp zugeordnet ist.
Verfahren nach einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, dass für die Klassifizierung eine Regression zur Erzeugung eines kontinuierlichen Werts verwendet wird.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die wenigstens zwei Merkmale aus einem zeitlichen Block gewonnen werden.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die wenigstens zwei Merkmale aus Signalen von unterschiedlichen Unfallsensoren gebildet werden.
Vorrichtung zur Ansteuerung von Personenschutzmitteln (PS) mit: - wenigstens einer Schnittstelle (IF1, IF2, IF3), die wenigstens ein Signal einer Unfallsensorik (BS1, BS2, P, O) bereitstellt - einer Auswerteschaltung (µC), die einen Merkmalsvektor mit wenigstens zwei Merkmalen aus dem wenigstens einen Signal bildet und den Merkmalsvektor in seiner entsprechenden Dimension mittels wenigstens einer Klassengrenze klassifiziert, wobei die Auswerteschaltung (µC) in Abhängigkeit von der Klassifizierung ein Ansteuersignal erzeugt - einer Ansteuerungsschaltung (FLIC), die in Abhängigkeit von dem Ansteuersignal die Personenschutzmittel (PS) ansteuert.
Computerprogramm, das alle Schritte eines Verfahrens nach einem der Ansprüche 1 bis 10 ausführt, wenn es auf einem Steuergerät (SG) abläuft.
Computerprogrammprodukt mit Programmcode, der auf einem maschinenlesbaren Träger gespeichert ist zur Durchführung des Verfahrens nach einem der Ansprüche 1 bis 10, wenn das Programm auf einem Steuergerät (SG) ausgeführt wird.