DE102007030313A1

DE102007030313A1 - Verfahren und Steuergerät zur Ansteuerung von Personenschutzmitteln

Info

Publication number: DE102007030313A1
Application number: DE102007030313A
Authority: DE
Inventors: Marcus Hiemer; Alfons Doerr
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2007-06-29
Filing date: 2007-06-29
Publication date: 2009-01-02
Also published as: CN101687484A; US20100168965A1; EP2170653A1; WO2009003827A1

Abstract

Es werden ein Verfahren und ein Steuergerät zur Ansteuerung von Personenschutzmitteln für ein ein Fahrzeug vorgeschlagen, wobei ein Merkmalsvektor mit mindestens zwei Merkmalen bestimmt wird und die zwei Merkmale aus wenigstens einem Signal einer Unfallsensorik abgeleitet werden. Der Merkmalsvektor wird in Abhängigkeit von einem Vergleich mit wenigstens einer Klassengrenze klassifiziert. Die Personenschutzmittel werden in Abhängigkeit von der Klassifizierung angesteuert. In Abhängigkeit von einer Lage des wenigstens einen Merkmalsvektors in Bezug auf die wenigstens eine Klassengrenze wird ein Konfidenzmaß bestimmt. In Abhängigkeit von diesem Konfidenzmaß erfolgt das Ansteuern der Personenschutzmittel.

Description

Stand der Technik
Die Erfindung betrifft ein Verfahren bzw. ein Steuergerät zur Ansteuerung von Personenschutzmitteln für ein Fahrzeug nach der Gattung der unabhängigen Patentansprüche.
Aus DE 103 60 893 A1 ist bereits ein Verfahren zur Ansteuerung von Personenschutzmitteln bekannt. Dabei wird aus einem Signal eines Beschleunigungssensors eine Vorverlagerung bestimmt, die mit wenigstens einem Schwellwert verglichen wird, der in Abhängigkeit von einem Geschwindigkeitsabbau und einer Verzögerung eingestellt wird. In Abhängigkeit von dem Vergleich werden die Personenschutzmittel angesteuert. Weiterhin ist aus dieser Offenlegungsschrift bekannt, dass es bereits ein weiteres Verfahren zur Ansteuerung von Personenschutzmitteln gibt, bei dem in Abhängigkeit von den Crashvorgang charakterisierenden Parametern eine variable Schwelle für einen integrierten Beschleunigungswert eingestellt wird. Damit kann sehr genau auf den Crashverlauf und damit auf den Crashtyp bzw. Crashschwere eingegangen werden. Insbesondere wird die variable Schwelle in Abhängigkeit von der Beschleunigung bestimmt und gegen diese Schwelle der Geschwindigkeitsabbau geprüft.
Offenbarung der Erfindung
Das erfindungsgemäße Verfahren bzw. Steuergerät zur Ansteuerung von Personenschutzmitteln für ein Fahrzeug mit den Merkmalen der unabhängigen Patentansprüche haben demgegenüber den Vorteil, dass nunmehr ein Konfidenzmaß in Abhängigkeit von der Klassifizierung eines Merkmalsvektors bestimmt wird und das Ansteuern in Abhängigkeit von dem Konfidenzmaß erfolgt. Damit beruht die Ansteuerung der Personenschutzmittel auf einer sicheren Grundlage und ist auch zuverlässsiger. Verschiedene Gesichtspunkte des Ansteuerungsalgorithmus können durch das Konfidenzmaß abgesichert werden.
Vorliegend bedeutet Ansteuerung das Aktivieren von Personenschutzmitteln, wie Airbags, Gurtstraffern, Überrollbügel, aber auch aktiven Personenschutzmitteln wie Bremsen und einer Fahrdynamikregelung.
Unter einer Unfallsensorik werden alle bekannten Unfallsensoren und Kombinationen davon verstanden, die im Fahrzeug verteilt oder im Steuergerät angeordnet sein können. Dazu zählen Beschleunigungs-, Luftdruck-, Körperschall-, Fahrdynamik- und insbesondere Umfeldsensoriken. Aus dem Signal dieser Unfallsensorik können Merkmale abgeleitet werden, beispielsweise aus dem Beschleunigungssignal durch entsprechende Filterung, das Beschleunigungssignal selbst, das Körperschallsignal selbst und durch Integration des Beschleunigungssignals beispielsweise die Geschwindigkeit und durch zweifache Integration beispielsweise die Vorverlagerung. Damit können aus dem Beschleunigungssignal vier Signale und durch Weiterverarbeitung des Körperschallsignals weitere Merkmale abgeleitet werden. Damit kann dann ein Merkmalsvektor gebildet werden. Unter einem Merkmalsvektor wird also die Erzeugung von mindestens zwei Merkmalen verstanden. Wenigstens eines der Merkmale wird aus dem Signal der Unfallsensorik abgeleitet. Das zweite Merkmal kann beispielsweise auch die Zeit sein, beispielsweise seit wann der Ansteuerungsalgorithmus aktiv ist.
Klassifizieren heißt, dass der Merkmalsvektor bezüglich seiner Lage einer Klasse zugeordnet wird, die apriori festgelegt ist. Diese Klasse ist durch Klassengrenzen definiert, die Schwellwerte, Flächen oder andere höherdimensionale Grenzen sein können. Dies hängt von der Dimension des Merkmalsvektors ab. Die jeweilige Klasse zieht entsprechende Folgen nach sich, beispielsweise die Ansteuerung von Personenschutzmitteln und insbesondere wann und welche.
Die Lage des wenigstens einen Merkmalsvektors ist definiert auf einem Raum, der durch die Merkmale aufgespannt wird und dabei bezüglich des Nullpunkts.
Die Klassengrenzen werden apriori, beispielsweise anhand von Versuchs- und/oder Simulationsdaten festgelegt.
Unter dem Konfidenzmaß wird ein Maß verstanden, das in einer vorgegebenen Weise den Abstand des Merkmalsvektors zur Klassengrenze definiert. Umso größer das Konfidenzmaß ist, umso sicherer ist die Klasseneinteilung. Wie oben dargestellt, ändert sich das Signal der Unfallsensorik im Laufe der Zeit, je nach dem, welcher Crashverlauf vorliegt. Dies führt dann zu sich ändernden Merkmalen und damit zu einer sich ändernden Lage des Merkmalsvektors in Bezug auf die Klassengrenze. In Abhängigkeit von der Lage zu einem vorgegebenen Zeitpunkt kann jedoch geschätzt werden, ob die Klassifizierung besonders sicher ist oder nicht. Dabei wird auf Erfahrungswerte zurückgegriffen.
Unter einem Steuergerät wird vorliegend eine Baugruppe verstanden, in die ein Sensorsignal eingeht oder die selber einen Sensor aufweist, der das Sensorsignal liefert und in Abhängigkeit davon das Steuersignal für die Personenschutzmittel ausgibt. Üblicherweise weist das Steuergerät ein Gehäuse auf, das die Komponenten des Steuergeräts beherbergt. Dieses Gehäuse kann aus Kunststoff und/oder Metall, beispielsweise Aluminium gefertigt sein.
Die Schnittstelle kann hard- und/oder softwaremäßig ausgebildet sein. Bei einer hardwaremäßigen Ausbildung kommen integrierte Schaltkreise bzw. diskrete Bauelemente oder Kombinationen davon in Frage. Es ist jedoch auch möglich, diese Schnittstelle softwaremäßig, beispielsweise auf einem Prozessor, auszubilden.
Die Auswerteschaltung ist üblicherweise ein Mikrocontroller oder ein anderer Prozessor. Sie kann jedoch auch ein integrierter Schaltkreis sein, der die festgelegten Auswerteprozeduren durchführen kann. Dabei kann es sich um einen Asic handeln. Es ist möglich, mehr als einen Prozessor zu verwenden, oder auch diskrete Bauelemente oder Kombinationen von den genannten Ausprägungen.
Das Merkmalsmodul kann ein Teil der Auswerteschaltung sein, also eine hardwaremäßige Ausprägung oder als Softwaremodul vorliegen. Das gleiche gilt für das Klassifizierungsmodul und andere Softwareelemente, wie das Konfidenzmaßbestimmungsmodul und das Steuerungsmodul.
Durch die in den abhängigen Ansprüchen aufgeführten Maßnahmen und Weiterbildungen sind vorteilhafte Verbesserungen des in den unabhängigen Patentansprüchen angegebenen Verfahrens bzw. Steuergeräts zur Ansteuerung von Personenschutzmitteln für ein Fahrzeug möglich.
Es ist vorteilhaft, dass das weitere Klassifizieren des Merkmalsvektors in Abhängigkeit von dem Konfidenzmaß durchgeführt wird. Da die Ansteuerung nicht sofort dann erfolgt, wenn ein Merkmalsvektor in einer Klasse liegt, die eine Ansteuerung der Personenschutztmittel bedingt, sondern eine Mehrzahl von zeitlich aufeinanderfolgenden Merkmalsvektoren in dieser Klasse liegen muss, um die Ansteuerungsentscheidung zu begründen, wird vorteilhafterweise das Konfidenzmaß dazu verwendet, diese Klassifizierung effizient zu gestalten. Damit kann vorteilhafter Weise Laufzeit des Algorithmus eingespart werden, da in Abhängigkeit von der Lage des Merkmalsvektors in Bezug auf die Klassengrenze geschlossen wird, wie sicher die Klassifizierung ist. Ist die Klassifizierung besonders sicher, dann ist die Wahrscheinlichkeit hoch, dass nachfolgende Klassifizierungen ebenfalls zu diesem Klassifizierungsergebnis führen werden. Anders formuliert, bedeutet das, dass es egal ist, ob das Modul gerechnet wird oder nicht – es liefert immer die gleiche Information. Ist der Abstand jedoch zur Klassengrenze gering, dann ist die Wahrscheinlichkeit hoch, dass die Klassengrenze im Folgenden durch die weiteren Klassifizierungsvorgänge unterschritten werden kann. Dabei ist zu berücksichtigen, dass die Ansteuerungsentscheidung nur dann getroffen wird, wenn die Klassengrenze für eine vorgegebene Zeit überschritten wurde. Damit sollen punktuelle Überschreitungen, wie sie beispielsweise bei einem Hammerschlag vorkommen können, nicht zu einer Ansteuerung der Personenschutzmittel führen. Daher muss ein Merkmalsvektor im Laufe der Zeit für einen vorgegebenen Zeitraum eine Klassengrenze überschreiten, damit diese Klassifizierung und gegebenenfalls daraus die folgende Ansteuerung auf einer sicheren Grundlage beruht. Hier setzt nun die Erfindung ein, indem sie ein Konfidenzmaß festlegt, das bei einem großen Überschreiten der Klassengrenze zu einer Einsparung von Laufzeit führt, da für eine bestimmte Zeit die Klassifizierung der Merkmalsvektoren nicht mehr vorgenommen wird, sondern die Klassifizie rung für diese Zeit als gegeben angesehen wird. Dies ist insbesondere bei Hochgeschwindigkeitscrashes von Vorteil, da dort die Algorithmuslaufzeit kritisch ist und der Abstand zur Klassengrenze bei einem Hochgeschwindigkeitscrash hoch ist, so dass vorliegend Laufzeit des Algorithmus eingespart werden kann.
Damit ergeben sich weiterhin folgende Vorteile:

1. Der Algorithmus liefert nicht nur die Informationen, in welche Klasse der Merkmalsvektor einklassifiziert wurde, sondern er liefert weiterhin eine Zuverlässigkeit, d. h. Konfidenz dieser Klassifizierung.
2. Wie oben dargestellt kann durch das erfindungsgemäße Verfahren bzw. das erfindungsgemäße Steuergerät Laufzeit eingespart werden. Dadurch können Ressourcen der Auswerteschaltung, beispielsweise eines Mikrocontrollers und damit Geld eingespart werden.
3. Die Laufzeitersparnis wird besonders hoch sein, wenn es sich um einen schweren Crash handelt. In diesem Fall ist das Klassifizierungsergebnis meist eindeutig, denn der Abstand zur Klassengrenze und somit das Konfidenzmaß ist hoch. Hier ist jedoch, wie oben angedeutet, aber auch die Laufzeitproblematik am größten, da der Algorithmus voll ausgelastet ist und viele Zündmittel gleichzeitig und ggfs. ohne Zeitverzögerung gezündet werden müssen und die Ansteuerung der Personenschutzmittel ebenfalls viel Laufzeit beansprucht. Dadurch kann in solchen laufzeitkritischen Fällen die gewonnene Laufzeit die Systemstabilität erhöhen, da das Auftreten von Watchdog-Fehlern bei Überschreiten eines Realtime-Zeitschlitzes unwahrscheinlicher wird.

Es ist vorteilhaft, dass das weitere Klassifizieren in Abhängigkeit von dem Konfidenzmaß ausgesetzt wird. D. h. wenn ein hohes Konfidenzmaß vorliegt, ist die Klassifizierung sehr sicher und ein Aussetzen des weiteren Klassifizierens des Merkmalsvektors kann erfolgen, ohne eine Informationsverlust zu erleiden.
Es ist weiterhin vorteilhaft, dass das Konfidenzmaß nur bestimmt wird, wenn eine vorgegebene Anzahl von aufeinanderfolgenden Merkmalsvektoren zu einem gleichartigen Vergleichsergebnis mit der wenigstens einen Klassengrenze führt. D. h. die Klassifizierung muss für eine vorgegebene Anzahl von zeitlich aufeinander folgenden Merkmalsvektoren vorgelegen haben, um überhaupt das Konfidenzmaß bestimmen zu müssen. Dies ermöglicht die Konfidenzmaßberechnung nur dann durchzuführen, wenn sich das Klassifizierungsergebnis auch stabilisiert hat. Das verleiht dem erfindungsgemäßen Verfahren bzw. Steuergerät eine höhere Sicherheit.
Das Konfidenzmaß wird vorteilhafterweise dann bestimmt, wenn wenigstens eines der Merkmale einen vorgegebenen Schwellwert überschritten hat. Dieses Merkmal kann beispielsweise die Vorverlagerung sein.
Das Konfidenzmaß kann vorteilhafter Weise durch einen euklidischen Abstand oder eine Mahalanobisdistanz, die die Covarianz der Signale miteinbezieht oder mittels anderer Distanzmerkmale, welche statistische Informationen über das zugrunde liegende Crashsignal enthalten, bestimmt werden. Der euklidische Abstand ist jedem Fachmann geläufig, während die Mahalanobisdistanz, wie oben angegeben, auch die Covarianz der Signale miteinbezieht. Die Mahalanobisdistanz ist ein statistisches Distanzmaß, das insbesondere bei multivariaten Verteilungen verwendet wird, wenn sich also die Verteilungsfunktion aus verschiedenen „Einzelverteilungsfunktionen" zusammensetzt. Der Abstand zweier so verteilter Punkte x und y wird dann bestimmt durch die Mahalanobis-Distanz
wobei S der Covarianzmatrix entspricht. Graphisch bilden die Punkte gleicher Mahalanobis-Distanz von einem Zentrum im zweidimensionalen eine gedrehte und verzerrte Ellipse, während es bei der euklidischen Distanz ein Kreis ist. Ist die Kovarianzmatrix die Einheitsmatrix (dies ist genau dann der Fall, wenn die einzelnen Komponenten des Zufallsvektors X paarweise unabhängig sind und jeweils Varianz 1 besitzen), so entspricht die Mahalanobis-Distanz dem euklidschen Abstand. Die Mahalanobis-Distanz kann also dann verwendet werden, wenn Informationen über die statistischen Verteilungen der Merkmale vorliegen. Ein weiteres häufig verwendetes Distanzmaß ist die L_p-Distanz
oder daraus abgeleitete Distanzmaße.
Es ist weiterhin vorteilhaft, dass ein Schätzmodul, das ebenfalls hard- und/oder softwaremäßig, wie die anderen oben genannten Module ausgebildet sein kann, in Abhängigkeit von dem Konfidenzmaß bestimmt, wie lange das weitere Klassifizieren ausgesetzt wird. Auch hierbei wird empirisches Wissen mit einbezogen, um anhand des Abstandes, also wie groß der Abstand ist, zu bestimmen, wie sicher die Klassifizierung ist und damit wie lange das weitere Klassifizieren ausgesetzt werden kann. Auch die Richtung wird mit einbezogen, in die sich der Merkmalsvektor relativ zur Kennlinie entwickelt. Bewegt sich dieser senkrecht zur Trennlinie, so ist davon auszugehen, dass die Zuverlässigkeit des Konfidenzmaßes höher ist.
Um diesen Wert zu bestimmen, wie lange das Klassifizieren ausgesetzt werden kann, wird das Konfidenzmaß, also beispielsweise der euklidische Abstand, in Bezug zu einer maximalen Änderung der wenigstens zwei Merkmale, die verwendet werden, untersucht. Diese maximale Änderung ist apriori aus Erfahrung und/oder analytischen Betrachtungen bekannt. Ein Beispiel für eine analytische Betrachtung: ist die maximale Änderung eines Merkmals beschränkt durch den Messbereich eines Sensors: hat ein Beschleunigungssensor einen Minimalwert von –120 LSB, so kann sich die integrierte Beschleunigung innerhalb von drei Zyklen höchstens um –360 LSB ändern. Ist der Abstand zur Trennlinie 400 LSB, so kann sich rein physikalisch keine Schwellwertunterschreitung ergeben und die Berechnung dieser Funktion kann für drei Zyklen ausgesetzt werden.
Es ist weiterhin vorteilhaft, dass das Klassifizieren des Merkmalsvektors durch unterschiedliche Zusatzfunktionen erfolgt, die beispielsweise unterschiedlichen Sensorsignalen zugeordnet sind. Für diese unterschiedlichen Merkmalsvektoren der unterschiedlichen Sensorsignale werden die jeweiligen Konfidenzmaße bestimmt und dann kann in Abhängigkeit von dem Konfidenzmaß die jeweilige Zusatzfunktion abgeschaltet werden. Dies ist also insbesondere bei einem modular aufgebauten Ansteuerungsalgorithmus für Personenschutzmittel von großem Vorteil.
Weiterhin vorteilhaft ist, dass ein Computerprogramm vorliegt, das alle Schritte des Verfahrens nach einem der Verfahrensansprüche ausführt, wenn es auf einem Steuergerät, wie oben angegeben, abläuft. Das Computerprogramm kann in einer Hochsprache wie C, C++ usw. geschrieben sein und wird dann in einem maschinenlesbaren Code übersetzt. Weiterhin vorteilhaft ist, dass ein Computerprogramm vorliegt, das einen Programmcode aufweist, der auf einem maschinenlesbaren Träger für einen Halbleiterspeicher einem optischen und/oder einem magnetischen Speicher gespeichert ist und ebenfalls zur Durchführung des erfindungsgemäßen Verfahrens dient. Auch hier soll das Programm auf einem Steuergerät ausgeführt werden.
Ausführungsbeispiele der Erfindung sind in der Zeichnung dargestellt und werden in der nachfolgenden Beschreibung näher erläutert.
Es zeigen:
1 ein Blockschaltbild des erfindungsgemäßen Steuergeräts mit angeschlossenen Komponenten,
2 eine Softwarestruktur des Mikrocontrollers,
3 ein Flussdiagramm,
4 ein Signalablaufdiagramm,
5 ein Merkmalsdiagramm mit zwei Merkmalsvektoren,
6 ein weiteres Signalablaufdiagramm,
7 ein weiteres Merkmalsdiagramm,
8 ein weiteres Merkmalsdiagramm,
9 ein erstes Zeitdiagramm und
10 ein zweites Zeitdiagramm.
5 zeigt einen zweidimensionalen Merkmalsraum, der durch die Merkmale M1 und M2 aufgespannt wird. Dabei sind zwei Merkmalsvektoren x1 und x2 markiert und auch eine Klassifizierungsgrenze 500 vorliegend als Schwellwert. Im Bereich 501, der einer Klasse entspricht, erfolgt eine Ansteuerung der Personenschutzmittel, während im Bereich 502, der einer weiteren Klasse entspricht, keine Ansteuerung der Personenschutzmittel erfolgt. Anstatt der Ansteuerung kann auch ein AddOn-Wert ausgegeben werden, der eine andere Kennlinie verändert oder gar eine andere Kennlinie lädt.
Die Zeichnung illustriert, dass der Merkmalsvektor x1 zu keinem hohen Konfidenzmaß bezüglich seiner Klassifizierung führen kann, da eine nur geringe Änderung beider Merkmale zu einer geänderten Klassifizierung führen kann, während der Vektor x2 durch seine Lage zu einem weit höheren Konfidenzmaß führen wird, da eine geringe Änderung der Merkmale nicht zu einer Änderung der Klassifizierung führen wird. Dies verdeutlicht den Vorteil der Erfindung.
6 erläutert in einem Signalablaufdiagramm die Hauptschritte, die beim erfindungsgemäßen Verfahren durchgeführt werden können. In Verfahrensschritt 600 werden die Merkmale bestimmt und daraus dann der Merkmalsvektor gebildet. Damit erfolgt dann die Klassifizierung. In Verfahrensschritt 601 erfolgt die erfindungsgemäße Konfidenzmaßbestimmung. In Verfahrensschritt 602 wird geschätzt, wie lange der Algorithmus ausgesetzt werden kann. In Verfahrensschritt 603 wird zu einem Steuerungsmodul gegangen, der in Abhängigkeit vom Ergebnis der Schätzung die Aussetzung des Algorithmus bezüglich der Klassifizierung durchführt.
Dies soll nun im Einzelnen erläutert werden. Die Merkmalsberechnung in Verfahrensschritt 600, sowie die Bildung des Merkmalsvektors und die Klassifizierung erfolgen in der bekannten Art und Weise, wobei beispielsweise, wie oben angegeben, aus dem Beschleunigungssignal der Geschwindigkeitsabbau dv bestimmt wird, und zwar durch einfache Integration, wobei Integration vorliegend pragmatisch verstanden werden soll. Damit liegt dann ein Vektor aus der Beschleunigung als einem ersten Merkmal und der Geschwindigkeit dv als einem zweiten Merkmal vor. Dieser Vektor wird im zweidimensionalen Merkmalsdiagramm eingetragen und im Vergleich zur Klassengrenze, die dann als Schwellwert vorliegt, verglichen. Damit kann dann festgelegt werden, ob der Merkmalsvektor dazu führt, dass eine Ansteuerung erfolgen soll, oder nicht.
7 zeigt ein zweidimensionales Merkmalsdiagramm, wobei das Merkmal M1 beispielsweise die Beschleunigung auf der Abszisse und das Merkmal M2, beispielsweise die Geschwindigkeit auf der Ordinate, liegen. Es ist ein Schwellwert 700 als Klassengrenze angegeben. Der Schwellwert 700 teilt zwei Klassen 701 und 702 im Diagramm auf. Die Klasse 701 sind die Auslösefälle und die Klasse 702 die Nichtauslösefälle. Durch 703 ist die zeitliche Entwicklung des Merkmalsvektors dargestellt. Der Vektor x(k – 2) ist der älteste Vektor, dann der Vektor x(k – 1) der nächst jüngere und der aktuelle Vektor x(k) zeigen die Entwicklung des Merkmalsvektors in Bezug auf den Schwellwert 700. Alle drei liegen über dem Schwellwert 700 und damit in der Klasse 701 und fordern somit eine Ansteuerung der Personenschutzmittel. In einer oben genannten Ausgestaltung ist festgelegt, dass das Konfidenzmaß nur bestimmt wird, wenn für eine vorgegebene Anzahl von Zeitpunkten der Merkmalsvektor über dem Schwellwert 700 liegt. Diese Anzahl ist vorliegend 3 und damit gemäß 7 gegeben. Für den Vektor x(k) wird damit das Konfidenzmaß bestimmt. Durch diese zeitliche Betrachtung werden Ausreißer ausgeschlossen.
8 stellt ebenfalls den Schwellwert 800 im Merkmalsdiagramm und die Klassen 801 und 802, die den Klassen 701 und 702 entsprechen, dar. Vorliegend ist jedoch nur noch der Vektor x(k) dargestellt, für den das Konfidenzmaß bestimmt werden soll. Der Schwellwert ist hier in drei Bereiche, g1, g2 und g3 aufgeteilt. Vorliegend wird das Konfidenzmaß mittels des euklidischen Abstands R bestimmt. Der euklidische Abstand R des Vektors x(k) wird mit einer Geraden g:y = a + χb folgendermaßen berechnet:
Alternativ ist es, wie oben angegeben, möglich, mittels der Mahalanobisdistanz, die die Covarianz der Signale miteinbezieht oder mittels eines anderen Distanz merkmals, das statistische Information über das zugrunde liegende Crashsignal enthält, zu bestimmen.
Im Schritt 602 wird mittels eines Schätzmoduls bestimmt, für wie viele Echtzeitzyklen eine Berechnung in der Klassifikation ausfallen kann. Nimmt man an, dass das Signal M1 sich in einem Zyklus maximal um ΔM1 ändern kann und das Signal M2 maximal um ΔM2, dann beschreibt die folgende Ungleichung, wie viele Zyklen Z vergehen können, ehe theoretisch die Schwelllinie wieder gekreuzt werden kann:
Im Steuergerät SG muss die in Gleichung 2 bestimmte Zahl Z noch nach unten gerundet werden. Z beschreibt damit die Zeitdauer in Echtzeitzyklen, für die auf eine Berechnung und eine Auswertung der Merkmale M1 und M2 verzichtet werden kann.
Um die Berechnung der Wurzel in Gleichung 2 zu umgehen, kann der folgende vereinfachte Ungleichungssatz ausgewertet werden: (Z1·ΔM1 ≤ R)&(Z2·ΔM2 ≤ R) ⇒ Z = min(Z1, Z2) (3)
Auch die Zahl Z aus Gleichung 3 müsste für einen Einsatz im Steuergerät noch nach unten gerundet werden. Die Ergebnisse gemäß Gleichung 3 sind aber gegebenenfalls wesentlich ungenauer als die gemäß Gleichung 2.
Das Steuerungsmodul übernimmt die Steuerung der Algorithmusbearbeitung. Wird angenommen, dass die Merkmale M1 und M2 gemäß den 7 und 8 durch die Zusatzfunktion ZF1 berechnet werden, so ergibt sich für die Laufzeitentwicklung zum Zeitpunkt k folgendes Bild gemäß 9, die den Laufzeitgewinn durch Abschaltung der Berechnung der Zusatzfunktion ZF1 für die nächsten Z-Realtime-Zyklen Z·ts darstellt. Dies wird im oberen Diagramm 90 dargestellt, während im unteren Diagramm 91 die Gesamtzeit dargestellt wird. Durch das Abschalten der Zusatzfunktion ZF1 wird die Laufzeit in Höhe von T_ZF1 gewonnen. Diese gewonnene Laufzeit kann genutzt werden, um weitere Funktionalitäten hinzuzuschalten, da die gesamte Realtime-Algorithmuslaufzeit T_Ges um T_ZF1 reduziert wird. In laufzeitkritischen Fällen kann die gewonnene Laufzeit die Systemstabilität erhöhen, da das Auftreten von Watchdog-Fehlern bei Überschreiten des Realtime-Zeitschlitzes unwahrscheinlicher wird.
Das erfindungsgemäße Verfahren kann für verschiedene Funktionen angewendet werden. In einem Ansteuerungsalgorithmus können beispielsweise gleichzeitig mehrere Zusatzfunktionen ausgewertet werden. Dies wird vorliegend pragmatisch verstanden, d. h. liegt nur ein Rechner vor, dann ist eine gleichzeitige Auswertung beispielsweise im Sinne eines Zeitscheibenmodells denkbar. Für jede dieser Zusatzfunktionen wird dann berechnet, wie lange der Aufruf dieser Zusatzfunktion ausgesetzt werden kann. Das Steuerungsmodul würde dann zu jedem Zeitpunkt überprüfen, welche der Zusatzfunktionen im aktuellen Realtime-Zyklus aufgerufen werden müssen. Sind mehrere Aufrufe durch Auswertung des Konfidenzmaßes gesperrt, so ist die Summe der Einzellaufzeiten der Zusatzfunktion der resultierende Gewinn an Laufzeit. Dies ergibt sich aus 10. Zum Zeitpunkt k1 wird die Berechnung von dem Zusatzfunktionen ZF1 für Z_I·T_S ausgesetzt. Ebenso wird ab dem Zeitpunkt k2 für Z_II·T_S-Zyklen die Berechnung der Zusatzfunktion ZF2 ausgesetzt. Daraus resultiert, dass gemäß 10

– für k1 < t < k2 die Gesamtlaufzeit des Algorithmus um T_ZF1 reduziert wird
– für k2 < t < k1 + Z_I·T_S die Gesamtlaufzeit des Algorithmus um Z_F1 + Z_F2 verringert wird und
– für k1 + Z_I·T_S < t < k2 + Z_II·T_S die Gesamtlaufzeit des Algorithmus um ZF2 reduziert wird. In 10 ist im Diagramm 100 die Aktivität der Funktion ZF1 dargestellt, d. h. ist der Wert über Null, dann wird die Zusatzfunktion ausgeführt und ist der Wert gleich Null, dann ist sie ausgesetzt. Entsprechend ist im Diagramm 101 die für die Funktion ZF2 dargestellt und im Diagramm 102 für den Gesamtalgorithmus, wobei hier die Höhe der Amplitude die Summe der Funktionen jeweils darstellt.

Die gewonnene Laufzeit kann wiederum in die Bestimmung anderer Funktionalitäten eingesetzt werden. Ist dies nicht möglich, so kann der Laufzeitgewinn bei laufzeitkritischen Fällen zur Verringerung der Wahrscheinlichkeit eines Watchdog-Fehlers verwendet werden. Wird nämlich ein hohes Konfidenzmaß bestimmt, so kann das Modul X, in dem das Konfidenzmaß bestimmt wird, abgeschaltet werden, weil dann auf eine hohe Restlaufzeit im Gesamt-Airbagsystem geschlossen werden kann. In laufzeitkritischen Situationen schlägt der Watchdog genau dann zu, wenn häufiger hintereinander die Gesamt-Systemlaufzeit über 500 μs liegt. Die Laufzeiteinsparung durch das Nichtrechnen von Modul X reduziert also die Wahrscheinlichkeit eines Watchdogfehlers, weil Zeitüberschreitungen der 500 μs-Grenze unwahrscheinlicher werden.
1 zeigt ein Blockschaltbild des erfindungsgemäßen Steuergeräts im Fahrzeug FZ mit angeschlossenen Komponenten. Das Steuergerät SG erhält von verschiedenen Unfallsensoriken BS1 (einer Beschleunigungssensorik), PPS (einer Luftdrucksensorik), KS (einer Körperschallsensorik) und U (einer Umfeldsensorik) Signale, die dafür verwendet werden, um zu bestimmen, ob die Personenschutzmittel PS angesteuert werden sollen oder nicht. Auch eine Fahrdynamiksensorik kann verwendet werden.
Die Beschleunigungssensorik BS1 ist beispielsweise als Seitenaufprallsensorik und/oder Upfrontsensorik, d. h. an der Fahrzeugfront, ausgelagert vom Steuergerät eingesetzt, um besonders frühzeitig Aufprallsituationen zu erkennen. Die Beschleunigungssensorik BS1 ist dabei an die Schnittstelle IF1 angeschlossen, und zwar vorliegend über eine unidirektionale Datenübertragung von der Beschleunigungssensorik BS1 zur Schnittstelle IF1. Die Schnittstelle IF1 ist vorliegend als integrierter Schaltkreis vorgesehen und überträgt die Beschleunigungssignale in einem für den Mikrocontroller μC im Steuergerät SG geeigneten Format, beispielsweise über den sogenannten SPI-(Serial Peripherial Interface)Bus, so dass der Mikrocontroller μC diese Signale in einfacher Art und Weise verarbeiten kann. Entsprechend ist die Luftdrucksensorik PPS an die Schnittstelle IF2 angeschlossen, die Körperschallsensorik KS an die Schnittstelle IF3 und die Umfeldsensorik U an die Schnittstelle IF4.
Die Luftdrucksensorik PPS ist dabei zur Seitenaufprallsensierung vorgesehen. Dabei kann eine Seitenaufprallsensorik zur Plausibilisierung des Luftdrucksignals verwendet werden, da das Luftdrucksignal im Allgemeinen früher auftritt als das Beschleunigungssignal. Auch die Körperschallsensorik ist an einem geeigneten Punkt im Fahrzeug angeordnet, der auch im Steuergerät SG selbst sein kann. Die Körperschallsensorik kann ebenfalls zur Plausibilisierung, beispielsweise der Luftdrucksensorik dienen, aber auch zur Crashschwere, bzw. Crashtyperkennung. Die Körperschallsensorik ist üblicherweise auch eine Beschleunigungssensorik, bei der die hochfrequenten Anteile ausgewertet werden.
Bei der Umfeldsensorik kann es sich um Video-, Radar-, Lidar- und/oder Ultraschall handeln, ober andere bekannte Umfeldsensoriken, zu denen beispielsweise auch eine kapazitive Sensorik zählen kann. Im Steuergerät SG selbst ist eine Beschleunigungssensorik BS2 angeordnet, die auch zur Crashschwere, bzw. Plausibilisierung verwendet werden kann. Diese ist direkt an den Mikrocontroller μC angeschlossen, beispielsweise an einen analogen oder digitalen Eingang. Die Schnittstelle befindet sich dann auf dem Mikrocontroller μC als Softwaremodul.
Der Mikrocontroller μC ist vorliegend die Auswerteschaltung. Er wertet die Sensorsignale gemäß dem Algorithmus aus, wobei die Sensorsignale dazu dienen, Merkmale zu bilden, aus denen Vektoren gebildet werden. Diese Merkmalsvektoren werden dann in der oben beschriebenen Weise klassifiziert. Dafür lädt der Mikrocontroller μC beispielsweise aus einem EEPROM oder anderen Speichern die notwendigen Softwareelemente mit den Daten, wie beispielsweise wo die Klassengrenzen verlaufen. Die Klassendefinition kann auch über sogenannte Support Vektoren erfolgen, die die Information über die Klassengrenze implizit beinhalten und die ebenfalls im Speicher vorliegen. Das heißt, für diesen Fall müssen die Punkte der eigentlichen Trennlinie nicht explizit im Speicher abgelegt werden. In Abhängigkeit von der Klassifizierung wird die Ansteuerungsentscheidung getroffen. Dies wird dann der Ansteuerungsschaltung FLIC mitgeteilt, die als integrierter Schaltkreis vorgesehen ist, die aber auch aus einer Mehrzahl von integrierten Schaltkreisen oder aus einer Kombination aus integrierten Schaltkreisen und diskreten Bauelementen bestehen kann. Die Ansteuerungsschaltung FLIC weist insbesondere Leistungsschalter auf, die in Abhängigkeit von dem Ansteuerungssignal des Mikrocontrollers μC durchgeschaltet werden, um eine Bestromung der Zündelemente, bzw. Aktivierung der reversiblen Aktuatoriken der Personenschutzmittel, zu ermöglichen.
Der Einfachheit halber sind nur die für das Verständnis der Erfindung notwendigen Komponenten dargestellt. Weitere für den Betrieb des Steuergeräts SG notwendigen Komponenten sind der Einfachheit halber weggelassen worden.
2 zeigt die Softwaremodule, die auf dem Mikrocontroller μC für die Erfindung notwendig sein können. Dazu zählen beispielsweise die Softwareschnittstelle IF5, die für die Anbindung des Signals der Beschleunigungssensorik BS2 dient. Das Merkmalsmodul M bildet aus den Sensorsignalen die Merkmale und den Merkmalsvektor daraus. Zur Bildung der Merkmale können, wie oben dargestellt, verschiedene Berechnungsvorschriften verwendet werden. Die Merkmalsvektoren werden dann im Klassifizierungsmodul KL einer Klasse zugeordnet und damit klassifiziert. Das Konfidenzmaßbestimmungsmodul KO bestimmt das Konfidenzmaß für die einzelnen Merkmalsvektoren, sofern dieses Konfidenzmaß bereits bestimmt werden soll. Das Schätzmodul SC schätzt anhand des Konfidenzmaßes, wie lange die einzelnen Funktionen, bzw. Klassifizierungen ausgesetzt werden können. Diese Aussetzung wird dann durch das Steuerungsmodul ST durchgeführt. Das Modul A überträgt letztlich das Ansteuerungssignal an die Ansteuerungsschaltung FLIC.
3 erläutert in einem Flussdiagramm das erfindungsgemäße Verfahren. In Verfahrensschritt 300 wird durch die Schnittsstellen IF1 bis 5 eine Bereitstellung der Signale der Unfallsensoriken BS1, BS2, PPS, KS und O vorgenommen. Daraus wird dann im Mikrocontroller mit dem Merkmalsmodul 301 die Formung des Merkmalsvektors aus den Merkmalen, die aus den Signalen gewonnen wurden, durchgeführt. Im Verfahrensschritt 302 erfolgt dann das Klassifizieren durch das Klassifizierungsmodul KL der Merkmalsvektoren. In Verfahrensschritt 303 erfolgt die Konfidenzmaßbestimmung. In Verfahrensschritt 304 wird geprüft, ob die Merkmalsvektoren bereits oft genug in einer Klasse einklassifiziert wurden oder nicht. Ist das nicht der Fall, dann wird zum Verfahrensschritt 302 zur erneuten Klassifizierung des aktuellen Merkmalsvektors zurückgesprungen. Vorliegend ist leicht einsichtig, dass der Verfahrensschritt 304 mit dem Verfahrensschritt 303 ausgetauscht werden kann. Wurde in Verfahrensschritt 304 jedoch festgestellt, dass das Konfidenzmaß und die Klassifizierung oft genug durchgeführt wurden, dann erfolgt in Verfahrensschritt 305 die Prüfung, ob die Ansteuerung erfolgen soll oder nicht. Ist das nicht der Fall, dann wird zu Verfahrensschritt 300 zurück gesprungen und es werden Signale von der Unfallsensorik erneut für weitere Berechnungen bereitgestellt. Ist jedoch die Ansteuerungsentscheidung getroffen, dann wird zu Verfahrensschritt 306 gesprungen und die Ansteuerung der Personenschutzmittel erfolgt.
Von Verfahrensschritt 303 bzw. 304 kann auch zu Verfahrensschritt 300 gesprungen werden, denn vorliegend ist mit dem erneuten Klassifizieren gemeint, dass ein aktuellerer Merkmalsvektor nunmehr klassifiziert wird.
Es ist möglich, dass bestimmt wird, wie lange die Berechnung des Moduls ausgesetzt werden kann. Dabei kann der Scheduler angesteuert werden, der die Deaktivierung des Moduls vornimmt.
In 4 ist dargestellt, dass verschiedene Funktionen im Algorithmus vorliegen, und zwar beispielsweise je nach Sensorik, die ausgebildet werden soll. 4 zeigt in der ersten Zeile dies für die Körperschallsensorik, in Zeile 2 für die Beschleunigungssensorik BS und in Zeile 3 für die Luftdrucksensorik PPS. Das Signal der Körperschallsensorik KS wird in Block 400 zu einer Merkmalsbildung verwendet, beispielsweise indem das Körperschallsignal verwendet wird und das integrierte Körperschallsignal. Dies wird dann im Verfahrensschritt 403 für eine Klassifizierung verwendet und in Verfahrensschritt 405 wird daraus das Konfidenzmaß bestimmt. Dieses Konfidenzmaß wird dann weiter durch das Schätzmodul für die Abschätzung genommen, wie oft die Merkmalsklassifizierung ausgesetzt werden kann. Soll jedoch eine größere Sicherheit für die Konfidenzmaßbestimmung die Klassifizierung vorgenommen werden, dann kann zu Block 400 zurückgesprungen werden, um einen aktuellen Merkmalsvektor zu klassifizieren und das Konfidenzmaß zu bestimmen.
Entsprechend gilt in Zeile 2 dies für das Beschleunigungssignal BS, das in Block 401 zu einem Merkmalsvektor geformt wird, in Block 404 eine Klassifizierung vorgenommen wird und in Block 406 eine Konfidenzmaßbildung. Entsprechend in Zeile 3 wird dies für das Luftdrucksensorsignal in den Blöcken 402, 404 und 407 durchgeführt.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

- DE 10360893 A1 [0002]

Claims

Verfahren zur Ansteuerung von Personenschutzmitteln (PS) für ein Fahrzeug (FZ) mit folgenden Verfahrensschritten: – Bestimmen wenigstens eines Merkmalsvektors mit mindestens zwei Merkmalen (M1, M2), wobei wenigstens eines der zwei Merkmale (M1, M2) aus wenigstens einem Signal einer Unfallsensorik abgeleitet wird – Klassifizieren des wenigstens einen Merkmalsvektors (X) in Abhängigkeit von einem Vergleich mit wenigstens einer Klassengrenze – Ansteuern der Personenschutzmittel (PS) in Abhängigkeit von der Klassifizierung, dadurch gekennzeichnet, dass in Abhängigkeit von einer Lage des wenigstens einen Merkmalsvektors (X) in Bezug auf die wenigstens eine Klassengrenze ein Konfidenzmaß bestimmt wird und dass das Ansteuern in Abhängigkeit von dem Konfidenzmaß erfolgt.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die Ansteuerung in Abhängigkeit von einem weiteren Klassifizieren des wenigstens einen Merkmalsvektors (X) erfolgt, wobei das weitere Klassifizieren in Abhängigkeit von dem Konfidenzmaß erfolgt.
Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass das weitere Klassifizieren in Abhängigkeit von dem Konfidenzmaß ausgesetzt wird.
Verfahren nach Anspruch 2 oder 3, dadurch gekennzeichnet, dass das Konfidenzmaß nur bestimmt wird, wenn eine vorgegebene Anzahl von aufeinanderfolgenden Merkmalsvektoren (X) zu einem gleichartigen Vergleichsergebnis mit der wenigstens einen Klassengrenze führt.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Konfidenzmaß durch einen euklidischen Abstand oder eine Mahala nobisdistanz oder einer Distanz aufgrund statistischer Daten oder einer Lp-Distanz oder daraus abgeleiteter Distanzmaße bestimmt wird.
Verfahren nach einem der Ansprüche 3 bis 5, dadurch gekennzeichnet, dass ein Schätzmodul (SC) in Abhängigkeit von dem Konfidenzmaß bestimmt, wie lange das weitere Klassifizieren ausgesetzt wird.
Verfahren nach Anspruch 6, dadurch gekennzeichnet, dass das Schätzmodul (SC) für seine Bestimmung das Konfidenzmaß in Bezug auf eine maximale Änderung der wenigstens zwei Merkmale (M1, M2) untersucht.
Verfahren nach einem der vorhergehenden Ansprüche 2–7, dadurch gekennzeichnet, dass das Klassifizieren des wenigstens einen Merkmalvektors (X) durch unterschiedliche Zusatzfunktionen erfolgt und dass jeweilige Zusatzfunktionen in Abhängigkeit von jeweiligen Konfidenzmaßen abgeschaltet werden.
Steuergerät (SG) zur Ansteuerung von Personenschutzmitteln (PS) für ein Fahrzeug (FZ) mit: – wenigstens einer Schnittstelle (IF1 bis 5), die wenigstens ein Signal einer Unfallsensorik bereitstellt – einer Auswerteschaltung (μC), die mittels wenigstens eines Merkmalsmoduls (M) wenigstens einen Merkmalsvektor (X) erzeugt, wobei der Merkmalsvektor wenigstens zwei Merkmale aufweist, die das Merkmalsmodul wenigstens eines der Merkmale aus dem wenigstens einen Signal erzeugt, wobei die Auswerteschaltung mittels wenigstens eines Klassifizierungsmoduls den wenigstens einen Merkmalsvektor in Abhängigkeit von einem Vergleich mit wenigstens einer Klassengrenze klassifiziert – einer Ansteuerungsschaltung (μC), die in Abhängigkeit von der Klassifizierung der Personenschutzmittel (PS) ansteuert, dadurch gekennzeichnet, dass die Auswerteschaltung (μC) ein Konfidenzmaßbestimmungsmodul aufweist, das in Abhängigkeit von einer Lage des wenigstens einen Merkmalsvektors in Bezug auf die wenigstens eine Klassengrenze ein Konfidenzmaß bestimmt und dass die Auswerteschaltung (μC) ein Steuerungsmodul (ST) aufweist, dass die Ansteuerung in Abhängigkeit von dem Konfidenzmaß steuert.
Computerprogramm, das alle Schritte eines Verfahrens nach einem der Ansprüche 1 bis 8 aufweist, 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 8, wenn das Programm auf einem Steuergerät (SG) ausgeführt wird.