EP2170653A1 - Verfahren und steuergerät zur ansteuerung von personenschutzmitteln - Google Patents

Verfahren und steuergerät zur ansteuerung von personenschutzmitteln

Info

Publication number
EP2170653A1
EP2170653A1 EP08761012A EP08761012A EP2170653A1 EP 2170653 A1 EP2170653 A1 EP 2170653A1 EP 08761012 A EP08761012 A EP 08761012A EP 08761012 A EP08761012 A EP 08761012A EP 2170653 A1 EP2170653 A1 EP 2170653A1
Authority
EP
European Patent Office
Prior art keywords
feature vector
confidence measure
classification
feature
features
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
EP08761012A
Other languages
English (en)
French (fr)
Inventor
Alfons Doerr
Marcus Hiemer
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Robert Bosch GmbH filed Critical Robert Bosch GmbH
Publication of EP2170653A1 publication Critical patent/EP2170653A1/de
Withdrawn legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
    • B60R21/01—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
    • B60R21/013—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
    • B60R21/01—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
    • B60R2021/01122—Prevention of malfunction

Definitions

  • the invention relates to a method and a control device for controlling personal protection means for a vehicle according to the preamble of the independent claims.
  • a forward displacement is determined from a signal of an acceleration sensor, which is compared with at least one threshold, which is set in dependence on a speed reduction and a delay. Depending on the comparison, the
  • variable threshold for an integrated acceleration value is set as a function of the parameters characterizing the crash process. This can be very precisely on the crash course and thus on the crash type or crash severity.
  • the variable threshold is determined as a function of the acceleration, and the speed reduction is checked against this threshold.
  • the inventive method or control device for controlling personal protection means for a vehicle with the features of the independent claims have the advantage that now a confidence measure is determined in dependence on the classification of a feature vector and the driving takes place in dependence on the confidence measure.
  • the control of the personal protection means based on a secure basis and is also more reliable.
  • Various aspects of the control algorithm can be ensured by the confidence measure.
  • activation means the activation of personal protection devices, such as airbags, belt tensioners, roll bars, but also active personal protection devices such as brakes and vehicle dynamics control.
  • An accident sensor system is understood to mean all known accident sensors and combinations thereof that can be distributed in the vehicle or arranged in the control unit. These include acceleration, air pressure, structure-borne noise, driving dynamics and in particular environmental sensor systems. From the signal of this accident sensor features can be derived, for example from the acceleration signal by appropriate filtering, the acceleration signal itself, the structure-borne sound signal itself and by integration of the acceleration signal, for example, the speed and two-fold integration, for example, the forward displacement. Thus, four signals and further processing of the structure-borne sound signal further features can be derived from the acceleration signal. Thus, a feature vector can then be formed. A feature vector is thus understood as the generation of at least two features. At least one of the features is derived from the accident sensor signal. The second feature may, for example, also be the time, for example since when the activation algorithm is active.
  • Classification means that the feature vector is assigned with respect to its position to a class which is fixed apriori.
  • This class is defined by class boundaries, which can be thresholds, areas, or other higher-dimensional bounds. This depends on the dimension of the feature vector.
  • the respective class entails corresponding consequences, for example the activation of personal protection means and in particular when and which.
  • the location of the at least one feature vector is defined on a space spanned by the features and with respect to the zero point.
  • the class limits are determined apriori, for example on the basis of experimental and / or simulation data.
  • the confidence measure is a measure that defines the distance of the feature vector to the class boundary in a predefined manner. The larger the confidence measure, the safer the classification.
  • the signal from the crash sensor changes over time, depending on the course of the crash. This then leads to changing characteristics and thus to a changing position of the feature vector with respect to the class boundary.
  • a control device is understood to mean an assembly into which a sensor signal is received or which itself has a sensor which supplies the sensor signal and outputs the control signal for the personal protection means in dependence thereon.
  • the controller has a housing that houses the components of the controller. This housing may be made of plastic and / or metal, for example aluminum.
  • the interface can be designed in hardware and / or software. In a hardware training integrated circuits or discrete components or combinations thereof come into question. However, it is also possible to design this interface by software, for example on a processor.
  • the evaluation circuit is usually a microcontroller or another processor. However, it can also be an integrated circuit that can perform the specified evaluation procedures. It can be an Asic. It is possible to use more than one processor, or even discrete components or combinations of the mentioned forms.
  • the feature module may be part of the evaluation circuit, that is to say present a hardware-based form or as a software module.
  • the further classification of the feature vector is performed as a function of the confidence measure. Since the activation does not take place immediately when a feature vector is in a class which requires an activation of the personal protection means, but a plurality of temporally successive feature vectors must be in this class in order to justify the activation decision, the confidence factor is advantageously used for this purpose to make this classification efficient. In this way, advantageously, the running time of the algorithm can be saved, since, depending on the position of the feature vector with respect to the class boundary, it is concluded how secure the classification is. If the classification is particularly secure, then there is a high probability that subsequent classifications will also lead to this classification result. In other words, this means that it does not matter if the module is calculated or not - it always provides the same information.
  • the activation decision is only made if the class boundary has been exceeded for a given time. This punctual overruns, as they may occur, for example, in a hammer blow, do not lead to a control of personal protection. Therefore, over time, a feature vector must exceed a class boundary for a given period of time for it to be
  • Classification and, where appropriate, the subsequent activation is based on a secure basis.
  • the invention begins by defining a confidence measure which, when the class boundary is exceeded, leads to a saving of running time, since the classification of the feature vectors is no longer carried out for a certain time, but the classification considered as given for that time.
  • This is particularly advantageous in the case of high-speed crashes, since the algorithm runtime is critical there and the distance to the class boundary is high in the case of a high-speed crash, so that in the present case the running time of the algorithm can be saved.
  • the algorithm not only provides the information in which class the feature vector has been classified, but it continues to provide reliability; H. Confidence of this classification.
  • running time can be saved by the method according to the invention or the control unit according to the invention.
  • resources of the evaluation circuit such as a microcontroller and thus money can be saved.
  • the further classification is suspended as a function of the confidence level. Ie. if there is a high level of confidence, the
  • Classification is very secure and suspension of further classifying the feature vector can occur without loss of information.
  • the confidence measure is determined only when a given number of consecutive feature vectors become one similar comparison result with the at least one class boundary leads. Ie.
  • the classification must have existed for a given number of temporally successive feature vectors in order to determine the confidence measure at all. This makes it possible to carry out the confidence measure calculation only if the classification result has also stabilized. This gives the method or control device according to the invention a higher security.
  • the confidence measure is advantageously determined when at least one of the features has exceeded a predetermined threshold.
  • Feature may be, for example, the forward displacement.
  • the confidence measure may advantageously be determined by a Euclidean distance or a Mahalanobis distance that includes the covariance of the signals or by other distance features that contain statistical information about the underlying crash signal.
  • the Euclidean distance is familiar to any person skilled in the art, while the Mahalanobis distance, as stated above, also includes the covariance of the signals.
  • the Mahalanobis distance is a statistical measure of distance, which is used in particular for multivariate distributions, ie when the distribution function is composed of different "single distribution functions.”
  • S corresponds to the covariance matrix:
  • the covariance matrix is the unit matrix (this is exactly the case if the individual components of the random vector X are pairwise independent and each have variance 1)
  • the Mahalanobis distance equals the Euclidean distance, so the Mahalanobis distance can be used when information about the statistical distributions of the characteristics is available
  • the distance measure is the L p distance
  • an estimation module which likewise has the same hardware and / or software design as the other modules mentioned above, determines, depending on the confidence measure, how long the further classification is to be suspended.
  • empirical knowledge is included in order to determine how safe the classification is based on the distance, ie how large the distance, and how long the further classification can be suspended.
  • the direction in which the feature vector develops relative to the characteristic is also included. This moves perpendicular to
  • the confidence measure for example the Euclidean distance
  • the classification of the feature vector is carried out by different additional functions, which are assigned, for example, to different sensor signals.
  • the respective confidence measures are determined for these different feature vectors of the different sensor signals and then the respective additional function can be switched off depending on the confidence measure.
  • This is thus of great advantage, in particular in the case of a modularly constructed activation algorithm for personal protective equipment.
  • there is a computer program which executes all the steps of the method according to one of the method claims when it runs on a control device, as indicated above.
  • the computer program may be written in a high level language such as C, C ++, etc., and is then translated in machine-readable code.
  • FIG. 1 shows a block diagram of the control device according to the invention with connected components
  • FIG. 2 shows a software structure of the microcontroller
  • FIG. 3 is a flow chart
  • FIG. 4 is a signal flow diagram
  • FIG. 5 shows a feature diagram with two feature vectors
  • FIG. 6 shows a further signal flow diagram
  • FIG. 7 shows a further feature diagram
  • FIG. 8 shows a further feature diagram
  • FIG. 9 is a first timing diagram and FIG. 10 shows a second time diagram.
  • FIG. 5 shows a two-dimensional feature space spanned by the features M1 and M2.
  • two feature vectors x1 and x2 are marked, and also a classification limit 500 in the present case as a threshold value.
  • Area 501 which corresponds to a class, there is a control of the personal protection means, while in the area 502, which corresponds to another class, no activation of the personal protection means takes place. Instead of the control, it is also possible to output an AddOn value, which changes another characteristic or even loads another characteristic.
  • the drawing illustrates that the feature vector x1 can not lead to a high degree of confidence in its classification, since only a small change in both features can lead to a changed classification, while the vector x2 will lead to a much higher confidence measure due to its position since a slight change in the characteristics will not lead to a change in the classification. This illustrates the advantage of the invention.
  • FIG. 6 illustrates in a signal flow diagram the main steps which can be carried out in the method according to the invention.
  • step 600 the features are determined and then formed the feature vector. This is then the classification.
  • step 601 the confidence measure determination according to the invention takes place.
  • step 602 it is estimated how long the algorithm can be suspended.
  • step 603 a control module is executed which, depending on the result of the estimation, carries out the suspension of the algorithm with respect to the classification.
  • the feature calculation in method step 600 as well as the formation of the feature vector and the classification are carried out in the known manner, wherein, for example, as stated above, the speed signal dv is determined from the acceleration signal by simple integration, whereby integration here is pragmatic to be understood. This is then a vector from the acceleration as a first feature and the speed dv as a second Feature before. This vector is entered in the two-dimensional feature diagram and compared to the class boundary, which is then present as a threshold. This can then be used to determine whether or not the feature vector leads to a triggering.
  • FIG. 7 shows a two-dimensional feature diagram, wherein the feature M1 is, for example, the acceleration on the abscissa and the feature M2, for example the velocity on the ordinate.
  • the threshold 700 specified as the class limit.
  • the threshold 700 divides two classes 701 and 702 in the diagram. Class 701 are the trigger cases and the class
  • the non-trigger cases By 703 the temporal evolution of the feature vector is shown.
  • the vector x (k-2) is the oldest vector, then the vector x (k-1) the next younger and the current vector x (k) show the evolution of the feature vector with respect to the threshold value 700. All three are above that Threshold 700 and thus in class 701 and thus require an activation of the personal protective equipment.
  • it is determined that the confidence measure is only determined if the feature vector is above the threshold value 700 for a predetermined number of times. This number is present 3 and thus given in accordance with FIG. For the vector x (k), the confidence measure is determined. Out of this time outliers are excluded.
  • Figure 8 also illustrates threshold 800 in the feature diagram and classes 801 and 802 corresponding to classes 701 and 702.
  • the threshold is here divided into three areas, gl, g2 and g3.
  • the confidence measure is determined by means of the Euclidean distance R.
  • step 602 it is determined by means of an estimation module for how many real-time cycles a calculation in the classification can be made. Assuming that the signal M1 can change at most by ⁇ M1 in one cycle and the signal M2 at most by ⁇ M2, then the following inequality describes how many cycles Z can pass before theoretically the threshold line can be crossed again: ((Z - AM 1 ) 2 + (Z - AM 1 ) 2 )) - ⁇
  • the number Z determined in equation 2 must still be rounded downwards.
  • Z thus describes the time duration in real-time cycles, for which a calculation and an evaluation of the features M1 and M2 can be dispensed with.
  • the control module takes over the control of the algorithm processing. If it is assumed that the features M1 and M2 are calculated by the additional function ZF1 according to FIGS. 7 and 8, the following image according to FIG. 9 results for the runtime development at time k, which reduces the runtime by switching off the calculation of the additional function ZF1 for the next Represents Z realtime cycles Z-ts. This is shown in the upper diagram 90, while in the lower diagram 91 the total time is shown. By switching off the additional function ZFl the running time is recovered in the amount of T ⁇ Fl. This gained runtime can be used to add additional functionalities since the entire real-time algorithm runtime TQ ⁇ S is reduced by TZ FI. In runtime critical cases, the gained runtime can be the
  • the method according to the invention can be used for various functions.
  • a control algorithm for example, several additional functions can be evaluated simultaneously. This is understood pragmatically in the present case, ie. H. if there is only one computer, then a simultaneous evaluation, for example in the sense of a time slice model, is conceivable. For each of these additional functions, it is then calculated how long the call for this additional function can be suspended. The control module would then be to each of these additional functions.
  • the activity of the function ZF1 is represented in the diagram 100, ie if the value is above zero, then the additional function is carried out and if the value is equal to zero, then it is suspended.
  • the diagram 101 that for the function ZF2 is shown and in the diagram 102 for the overall algorithm, in which case the height of the amplitude represents the sum of the functions in each case.
  • the gained running time can in turn be used in the determination of other functionalities. If this is not possible, the runtime profit can be increased term critical cases are used to reduce the likelihood of a watchdog error. If a high confidence measure is determined, then the module X in which the confidence measure is determined can be switched off, because then a high residual time in the overall airbag system can be deduced. In runtime-critical situations, the watchdog hits exactly when the total system runtime more than 500 ⁇ s is more often in a row. The runtime savings by not calculating module X thus reduces the probability of a watchdog error because timeouts of the 500 ⁇ s limit become less likely.
  • FIG. 1 shows a block diagram of the control device according to the invention in the vehicle FZ with connected components.
  • the control unit SG receives from various accident sensor systems BSI (an acceleration sensor system), PPS (an air pressure sensor system), KS (a structure-borne sound sensor system) and U (an environmental sensor system) signals which are used to determine whether the personal protection devices PS are to be activated or not.
  • BSI an acceleration sensor system
  • PPS an air pressure sensor system
  • KS structure-borne sound sensor system
  • U an environmental sensor system
  • the acceleration sensor BS1 is, for example, as a side impact sensor and / or upfront sensor, d. H. on the vehicle front, outsourced by the control unit used to detect particularly early impact situations.
  • the acceleration sensor system BS1 is connected to the interface I F1, in the present case via unidirectional data transmission from the acceleration sensor system BS1 to the interface I F1.
  • the interface I Fl is presently provided as an integrated circuit and transmits the acceleration signals in a format suitable for the microcontroller ⁇ C in the control unit SG, for example via the so-called SPI (Serial Peripheral Interface) bus, so that the microcontroller .mu.C simplifies these signals Can handle fashion.
  • the air pressure sensor PPS is connected to the interface Ie IF2, the structure-borne sound sensor KS to the interface IF3 and the environment sensor U to the interface I F4.
  • the air pressure sensor PPS is intended for side impact detection.
  • a side impact sensor system can be used to check the plausibility of the air pressure signal, since the air pressure signal generally occurs earlier than that Acceleration signal.
  • the structure-borne noise sensor system is also arranged at a suitable point in the vehicle, which can also be itself in the control unit SG.
  • the structure-borne noise sensor system can also be used for plausibility checking, for example the air pressure sensor system, but also for crash severity or crash type detection.
  • the structure-borne sound sensor is usually also an acceleration sensor, in which the high-frequency components are evaluated.
  • the environment sensor system can be video, radar, lidar and / or ultrasound, above other known environmental sensor systems, which may include, for example, a capacitive sensor system.
  • a capacitive sensor system In the control unit SG itself is a
  • Acceleration sensor BS2 arranged, which can also be used for crash severity, or plausibility. This is connected directly to the microcontroller ⁇ C, for example to an analog or digital input. The interface is then located on the microcontroller ⁇ C as a software module.
  • the microcontroller ⁇ C is the evaluation circuit. It evaluates the sensor signals according to the algorithm, the sensor signals serving to form features from which vectors are formed. These feature vectors are then classified in the manner described above. For this purpose, the microcontroller ⁇ C loads, for example from an EEPROM or other memory, the necessary software elements with the data, such as where the class boundaries run, for example.
  • the class definition can also take place via so-called support vectors, which implicitly contain the information about the class boundary and which are also present in the memory. That is, in this case, the points of the actual dividing line need not be stored explicitly in the memory.
  • the activation decision is made. This is then communicated to the drive circuit FLIC, which is provided as an integrated circuit, but which can also consist of a plurality of integrated circuits or a combination of integrated circuits and discrete components.
  • the drive circuit FLIC which is provided as an integrated circuit, but which can also consist of a plurality of integrated circuits or a combination of integrated circuits and discrete components.
  • FLIC has, in particular, circuit breakers which are switched through as a function of the control signal of the microcontroller .mu.C in order to enable energization of the ignition elements or activation of the reversible actuator systems of the personal protection devices.
  • circuit breakers which are switched through as a function of the control signal of the microcontroller .mu.C in order to enable energization of the ignition elements or activation of the reversible actuator systems of the personal protection devices.
  • FIG. 2 shows the software modules that may be necessary for the invention on the microcontroller .mu.C. These include, for example, the software interface IF5, which serves for the connection of the signal of the acceleration sensor BS2.
  • the feature module M forms the features and the feature vector from the sensor signals. As stated above, various calculation rules can be used to form the features.
  • the feature vectors are then assigned to a class in the classification module KL and thus classified.
  • the confidence measure determination module KO determines the confidence measure for the individual feature vectors, if this confidence measure is already to be determined.
  • the estimation module SC estimates on the basis of the confidence factor how long the individual functions or classifications can be suspended. This suspension is then performed by the control module ST.
  • the module A ultimately transmits the drive signal to the drive circuit FLIC.
  • FIG. 3 explains the method according to the invention in a flow chart.
  • Method step 300 is performed by the interfaces IFl to 5 providing the signals of the accident sensors BSL, BS2, PPS, KS and O. From this, then, in the microcontroller with the feature module 301, the shaping of the feature vector from the features obtained from the signals is carried out. In method step 302, the classification is then performed by the
  • method step 303 the confidence measure determination takes place.
  • method step 304 it is checked whether the feature vectors have already been classified in a class often enough or not. If this is not the case, then the method step 302 is jumped back to re-classify the current feature vector. In the present case, it is easy to see that method step 304 can be exchanged for method step 303. However, if it has been determined in method step 304 that the confidence measure and the classification have been carried out often enough, then in method step 305 the check is made as to whether the activation should take place or not. If this is not the case, then the method step 300 is returned. jumped and signals from the accident sensors are provided again for further calculations. However, if the activation decision has been made, then the process jumps to method step 306 and the personal protective equipment is activated.
  • the scheduler can be controlled, which makes the deactivation of the module.
  • FIG. 4 shows that various functions are present in the algorithm, for example depending on the sensor technology which is to be formed.
  • FIG. 4 shows in the first line this for the structure-borne noise sensor system, in line 2 for the acceleration sensor system BS and in line 3 for the air pressure sensor system PPS.
  • the signal of the structure-borne sound sensor KS is used in block 400 for a feature formation, for example by the structure-borne sound signal is used and the integrated structure-borne sound signal. This is then in step 403 for a
  • step 405 the Konfi menzzgro is determined. This confidence measure is then further taken through the estimate engine for estimating how often the feature classification can be suspended. If, however, a greater certainty is to be made for the confidence measure the classification, then it is possible to jump back to block 400 in order to classify a current feature vector and to determine the confidence measure.

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Air Bags (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

Es wird ein Verfahren und ein Steuergerät zur Ansteuerung von Personenschutzmitteln für 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

Beschreibung
Titel
Verfahren und Steuergerät zur Ansteuerung von Personenschutzmitteln
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 Al 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 Beschleuni- gungswert 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 Ansteuerungsalgorith- mus 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 Beschleuni- gungssignal 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 jewei- lige 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, auszu- bilden.
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 Konfidenz- maßbestimmungsmodul und das Steuerungsmodul.
Durch die in den abhängigen Ansprüchen aufgeführten Maßnahmen und Weiter- bildungen 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 Abhän- gigkeit 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 Konfi- denzmaß 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 Klassifizie- rungen 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 ei- nen 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 Hoch- geschwindigkeitscrashes 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 Zuver- lässigkeit, 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 Konfi- denzmaß 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 gewonne- ne 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 Konfi- denzmaß 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 Konfi- denzmaß 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 ei- nes 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 Ver- teilungen 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 d(x, y) = -J(x -y)τS{x-y)) , 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 euklid- sehen 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 Lp- Distanz
Lp(x, yyd∑ x, - v, ,x,y( Rκ >P * N
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 Merk- malsvektor relativ zur Kennlinie entwickelt. Bewegt sich dieser senkrecht zur
Trennlinie, so ist davon auszugehen, dass die Zuverlässigkeit des Konfidenzma- ßes 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 be- stimmt 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:
Figur 1 ein Blockschaltbild des erfindungsgemäßen Steuergeräts mit angeschlossenen Komponenten,
Figur 2 eine Softwarestruktur des Mikrocontrollers,
Figur 3 ein Flussdiagramm,
Figur 4 ein Signalablaufdiagramm,
Figur 5 ein Merkmalsdiagramm mit zwei Merkmalsvektoren,
Figur 6 ein weiteres Signalablaufdiagramm,
Figur 7 ein weiteres Merkmalsdiagramm,
Figur 8 ein weiteres Merkmalsdiagramm,
Figur 9 ein erstes Zeitdiagramm und Figur 10 ein zweites Zeitdiagramm.
Figur 5 zeigt einen zweidimensionalen Merkmalsraum, der durch die Merkmale Ml und M2 aufgespannt wird. Dabei sind zwei Merkmalsvektoren xl und x2 mar- kiert 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 xl zu keinem hohen Konfi- denzmaß bezüglich seiner Klassifizierung führen kann, da eine nur geringe Änderung beider Merkmale zu einer geänderten Klassifizierung führen kann, wäh- rend 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.
Figur 6 erläutert in einem Signalablaufdiagramm die Hauptschritte, die beim er- findungsgemäßen 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 Verfah- rensschritt 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 Beschleuni- gung 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.
Figur 7 zeigt ein zweidimensionales Merkmalsdiagramm, wobei das Merkmal Ml 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 Figur 7 gegeben. Für den Vektor x(k) wird damit das Konfidenzmaß bestimmt. Durch diese zeitliche Betrachtung werden Ausreißer ausgeschlossen.
Figur 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, gl, 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 Echtzeit- zyklen eine Berechnung in der Klassifikation ausfallen kann. Nimmt man an, dass das Signal Ml sich in einem Zyklus maximal um ΔM1 ändern kann und das Signal M2 maximal umΔM2, dann beschreibt die folgende Ungleichung, wie viele Zyklen Z vergehen können, ehe theoretisch die Schwelllinie wieder gekreuzt werden kann: ((Z - AM1)2 + (Z - AM1)2)) -^
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 Ml und M2 verzichtet werden kann.
Um die Berechnung der Wurzel in Gleichung 2 zu umgehen, kann der folgende vereinfachte Ungleichungssatz ausgewertet werden:
(Z1 • AM1 < R) & (Z2 • AM2 ≤ R) ^ Z = HIm(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 Ml und M2 gemäß den Figuren 7 und 8 durch die Zusatzfunktion ZFl berechnet werden, so ergibt sich für die Laufzeitentwicklung zum Zeitpunkt k folgendes Bild gemäß Figur 9, die den Laufzeitgewinn durch Abschaltung der Berechnung der Zusatzfunktion ZFl 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 ZFl wird die Laufzeit in Höhe von T^Fl gewonnen. Diese gewonnene Laufzeit kann genutzt werden, um weitere Funktionalitäten hinzuzuschalten, da die gesamte Realtime-Algorithmuslaufzeit TQΘS um TZ FI 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 angewen- det 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 Zusatz- funktion 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 Konfi- denzmaßes gesperrt, so ist die Summe der Einzellaufzeiten der Zusatzfunktion der resultierende Gewinn an Laufzeit. Dies ergibt sich aus Figur 10. Zum Zeit- punkt kl wird die Berechnung von dem Zusatzfunktionen ZFl für Z\ - T8 ausgesetzt. Ebenso wird ab dem Zeitpunkt k2 für 7-\\ - Ts - Zyklen die Berechnung der
Zusatzfunktion ZF2 ausgesetzt. Daraus resultiert, dass gemäß Figur 10
- für kl < t<k2 die Gesamtlaufzeit des Algorithmus um T^Fl reduziert wird
- für k2<t<kl + Z\ - Ts die Gesamtlaufzeit des Algorithmus um ZFl + ZF2 verrin- gert wird und
- für kl+Z| - rs <t<k2+Z|| - !Ts die Gesamtlaufzeit des Algorithmus um ZF2 reduziert wird. In Figur 10 ist im Diagramm 100 die Aktivität der Funktion ZFl 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 Funktionali- täten eingesetzt werden. Ist dies nicht möglich, so kann der Laufzeitgewinn bei laufzeitkritischen Fällen zur Verringerung der Wahrscheinlichkeit eines Watch- dog- 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 500μs liegt. Die Laufzeiteinsparung durch das Nichtrechnen von Modul X reduziert also die Wahrscheinlichkeit eines Watchdogfehlers, weil Zeitüberschreitungen der 500μs-Grenze unwahrscheinlicher werden.
Figur 1 zeigt ein Blockschaltbild des erfindungsgemäßen Steuergeräts im Fahrzeug FZ mit angeschlossenen Komponenten. Das Steuergerät SG erhält von verschiedenen Unfallsensoriken BSl (einer Beschleunigungssensorik), PPS (einer Luftdrucksensorik), KS (einer Körperschallsensorik) und U (einer Umfeldsen- sorik) Signale, die dafür verwendet werden, um zu bestimmen, ob die Personenschutzmittel PS angesteuert werden sollen oder nicht. Auch eine Fahrdynamik- sensorik kann verwendet werden.
Die Beschleunigungssensorik BSl ist beispielsweise als Seitenaufprallsensorik und/oder Upfrontsensorik, d. h. an der Fahrzeugfront, ausgelagert vom Steuergerät eingesetzt, um besonders frühzeitig Aufprallsituationen zu erkennen. Die Beschleunigungssensorik BSl ist dabei an die Schnittstelle I Fl angeschlossen, und zwar vorliegend über eine unidirektionale Datenübertragung von der Beschleunigungssensorik BSl zur Schnittstelle I Fl. Die Schnittstelle I Fl ist vor- liegend 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 Schnittstel- Ie IF2 angeschlossen, die Körperschallsensorik KS an die Schnittstelle IF3 und die Umfeldsensorik U an die Schnittstelle I F4.
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. Crashtyperken- nung. Die Körperschallsensorik ist üblicherweise auch eine Beschleunigungs- sensorik, 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 beispielswei- se 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 Ansteuerungsentschei- dung 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 Schalt- kreisen und diskreten Bauelementen bestehen kann. Die Ansteuerungsschaltung
FLIC weist insbesondere Leistungsschalter auf, die in Abhängigkeit von dem An- steuerungssignal 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.
Figur 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 darge- stellt, verschiedene Berechnungsvorschriften verwendet werden. Die Merkmalsvektoren werden dann im Klassifizierungsmodul KL einer Klasse zugeordnet und damit klassifiziert. Das Konfidenzmaßbestimmungsmodul KO bestimmt das Kon- fidenzmaß für die einzelnen Merkmalsvektoren, sofern dieses Konfidenzmaß bereits bestimmt werden soll. Das Schätzmodul SC schätzt anhand des Konfi- denzmaßes, 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.
Figur 3 erläutert in einem Flussdiagramm das erfindungsgemäße Verfahren. In
Verfahrensschritt 300 wird durch die Schnittsstellen IFl bis 5 eine Bereitstellung der Signale der Unfallsensoriken BSl, 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 Perso- nenschutzmittel 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 Figur 4 ist dargestellt, dass verschiedene Funktionen im Algorithmus vorliegen, und zwar beispielsweise je nach Sensorik, die ausgebildet werden soll. Figur 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 Konfi- denzmaß 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 Konfidenzmaß- bestimmung 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.

Claims

Ansprüche
1. Verfahren zur Ansteuerung von Personenschutzmitteln (PS) für ein Fahrzeug (FZ) mit folgenden Verfahrensschritten: Bestimmen wenigstens eines Merkmalsvektors mit mindestens zwei Merkmalen (Ml, M2), wobei wenigstens eines der zwei Merkmale (Ml, 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 Klassifizie- rung, 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.
2. 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.
3. Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass das weitere Klassifizieren in Abhängigkeit von dem Konfidenzmaß ausgesetzt wird.
4. Verfahren nach Anspruch 2 oder 3, dadurch gekennzeichnet, dass das Konfidenzmaß nur bestimmt wird, wenn eine vorgegebene Anzahl von aufeinanderfol- genden Merkmalsvektoren (X) zu einem gleichartigen Vergleichsergebnis mit der wenigstens einen Klassengrenze führt.
5. 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.
6. 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.
7. Verfahren nach Anspruch 6, dadurch gekennzeichnet, dass das Schätzmodul (SC) für seine Bestimmung das Konfidenzmaß in Bezug auf eine maximale Än- derung der wenigstens zwei Merkmale (Ml, M2) untersucht.
8. 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 Zusatzfunk- tionen in Abhängigkeit von jeweiligen Konfidenzmaßen abgeschaltet werden.
9. Steuergerät (SG) zur Ansteuerung von Personenschutzmitteln (PS) für ein Fahrzeug (FZ) mit:
- wenigstens einer Schnittstelle (I Fl bis 5), die wenigstens ein Signal einer Un- fallsensorik 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 An- Steuerung in Abhängigkeit von dem Konfidenzmaß steuert.
10. Computerprogramm, das alle Schritte eines Verfahrens nach einem der Ansprüche 1 bis 8 aufweist, wenn es auf einem Steuergerät (SG) abläuft.
11. 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.
EP08761012A 2007-06-29 2008-06-13 Verfahren und steuergerät zur ansteuerung von personenschutzmitteln Withdrawn EP2170653A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102007030313A DE102007030313A1 (de) 2007-06-29 2007-06-29 Verfahren und Steuergerät zur Ansteuerung von Personenschutzmitteln
PCT/EP2008/057491 WO2009003827A1 (de) 2007-06-29 2008-06-13 Verfahren und steuergerät zur ansteuerung von personenschutzmitteln

Publications (1)

Publication Number Publication Date
EP2170653A1 true EP2170653A1 (de) 2010-04-07

Family

ID=40019284

Family Applications (1)

Application Number Title Priority Date Filing Date
EP08761012A Withdrawn EP2170653A1 (de) 2007-06-29 2008-06-13 Verfahren und steuergerät zur ansteuerung von personenschutzmitteln

Country Status (5)

Country Link
US (1) US20100168965A1 (de)
EP (1) EP2170653A1 (de)
CN (1) CN101687484A (de)
DE (1) DE102007030313A1 (de)
WO (1) WO2009003827A1 (de)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102009001902A1 (de) * 2009-03-26 2010-09-30 Robert Bosch Gmbh Verfahren und Steuergerät zur Ermittlung von Merkmalen zum Treffen einer Auslöseentscheidung eines Insassenschutzmittels eines Fahrzeugs
US8948954B1 (en) * 2012-03-15 2015-02-03 Google Inc. Modifying vehicle behavior based on confidence in lane estimation
US9063548B1 (en) 2012-12-19 2015-06-23 Google Inc. Use of previous detections for lane marker detection
US9081385B1 (en) 2012-12-21 2015-07-14 Google Inc. Lane boundary detection using images
DE102015212144B4 (de) 2015-06-30 2023-11-02 Robert Bosch Gmbh Verfahren und Vorrichtung zum Ansteuern einer Personenschutzeinrichtung für ein Fahrzeug
JP2019069720A (ja) * 2017-10-10 2019-05-09 ローベルト ボッシュ ゲゼルシャフト ミット ベシュレンクテル ハフツング 鞍乗り型車両用情報処理装置、及び、鞍乗り型車両用情報処理方法
US11560108B2 (en) 2020-03-19 2023-01-24 Zf Friedrichshafen Ag Vehicle safety system and method implementing weighted active-passive crash mode classification

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19619412C1 (de) * 1996-05-14 1997-08-28 Telefunken Microelectron Auslöseverfahren für passive Sicherheitseinrichtungen in Fahrzeugen
US6173224B1 (en) * 1998-07-17 2001-01-09 Ford Global Technologies, Inc. Occupant-restraint deployment method and system for automotive vehicle
DE10106181C1 (de) * 2001-02-10 2002-08-22 Bosch Gmbh Robert Verfahren zur Klassifizierung eines Überrollvorgangs eines Fahrzeugs
DE10360893A1 (de) 2003-12-19 2005-07-21 Robert Bosch Gmbh Verfahren zur Ansteuerung von Personenschutzmitteln
US7308349B2 (en) * 2005-06-06 2007-12-11 Delphi Technologies, Inc. Method of operation for a vision-based occupant classification system
DE102006038151B4 (de) * 2006-08-16 2020-06-10 Robert Bosch Gmbh Verfahren und Vorrichtung zur Ansteuerung von Personenschutzmitteln

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See references of WO2009003827A1 *

Also Published As

Publication number Publication date
CN101687484A (zh) 2010-03-31
US20100168965A1 (en) 2010-07-01
WO2009003827A1 (de) 2009-01-08
DE102007030313A1 (de) 2009-01-02

Similar Documents

Publication Publication Date Title
DE10140119C1 (de) Vorrichtung zur Aufprallerkennung in einem Fahrzeug
DE102007027649B4 (de) Verfahren und Steuergerät zur Ansteuerung von Personenschutzmitteln sowie Computerprogramm und Computerprogrammprodukt
DE102006038151B4 (de) Verfahren und Vorrichtung zur Ansteuerung von Personenschutzmitteln
EP2170653A1 (de) Verfahren und steuergerät zur ansteuerung von personenschutzmitteln
EP3227156B1 (de) Fahrerassistenzsteuergerät, kraftfahrzeug, verfahren zum betreiben eines fahrerassistenzsteuergeräts eines kraftfahrzeugs
WO2000051850A2 (de) Verfahren und vorrichtung zur steuerung der auslösung eines kraftfahrzeug-insassenschutzsystems
DE19938891B4 (de) Verfahren und Vorrichtung zur Steuerung der Auslösung eines Kraftfahrzeug-Insassenschutzsystems
WO2004043745A1 (de) Verfahren zur ansteuerung von rückhaltemitteln
EP2504201B1 (de) Verfahren und steuergerät zur erkennung einer breite eines aufprallbereiches im frontbereich eines fahrzeugs
WO2009127453A1 (de) Verfahren und steuergerät zur ansteuerung von zumindest einem sicherheitsmittel
DE102004037704B4 (de) Kraftfahrzeug mit einem präventiv wirkenden Schutzsystem
EP1691213A1 (de) Verfahren und Vorrichtung zur Objekterkennung
DE102016209704A1 (de) Verfahren zum Ansteuern einer Personenschutzeinrichtung eines Fahrzeugs und Steuergerät
EP3994041B1 (de) Verfahren zum betrieb eines kraftfahrzeugs in einer kollisionssituation und kraftfahrzeug
EP2279099B1 (de) Verfahren und steuergerät zur ansteuerung von personenschutzmitteln für ein fahrzeug
DE102009020074B4 (de) Verfahren zur Ansteuerung von Kraftfahrzeuginsassen-Schutzsystemen
EP3700784A1 (de) Vorrichtung und verfahren zur adaptiven fahrzeugregelung
EP1914122B1 (de) Verfahren und Vorrichtung zur Ansteuerung von Personenschutzmitteln
DE102007032742B4 (de) Verfahren und Steuergerät zur Ansteuerung von Personenschutzmitteln für ein Fahrzeug
WO2007113080A1 (de) Verfahren zum rechnergestützten erstellen von verarbeitungsvorschriften für die steuerung von kraftfahrzeuginsassen-schutzsystemen
WO2002067012A1 (de) Verfahren zur steuerung und auswertung einer von mehreren anwendungen gemeinsam genutzten sensoreinrichtung
EP2222511B1 (de) Verfahren und steuergerät zur ansteuerung von personenschutzmitteln für ein fahrzeug
EP2229295B1 (de) Verfahren und steuergerät zur ansteuerung von personenschutzmitteln für ein fahrzeug
DE102006038842B4 (de) Verfahren und Vorrichtung zur Ansteuerung von Personenschutzmitteln
DE102006038549A1 (de) Verfahren und Vorrichtung zur Ansteuerung von Personenschutzmitteln, Computerprogramm und Computerprogrammprodukt

Legal Events

Date Code Title Description
PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

17P Request for examination filed

Effective date: 20100129

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MT NL NO PL PT RO SE SI SK TR

AX Request for extension of the european patent

Extension state: AL BA MK RS

DAX Request for extension of the european patent (deleted)
17Q First examination report despatched

Effective date: 20101217

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION IS DEEMED TO BE WITHDRAWN

18D Application deemed to be withdrawn

Effective date: 20110428