JPH1067294A - Method for detecting collision of vehicle and device thereof - Google Patents

Abstract

PROBLEM TO BE SOLVED: To determine the development of a passive protection device such as an air bag by analyzing data of an accelerometer which is prepared at the time of collision and is digitalized. SOLUTION: In a front part of a car room 100 of a vehicle, dual air bags 110, 111 and a diagnosis module (SDM) 120 including a three-shaft accelerometer 122, an analog-digital converter, and a one-point type collision sensor including pattern recognition algorithm included in a microprocessor 130 are provided. The three-shaft accelerometer is a device which includes three accelerometers and measures acceleration in three orthogonal directions of a longitudinal direction, a horizontal direction, and a vertical direction. The pattern recognition technique is a neutral network, and this neutral network analyzes data from all three accelerometers and judges whether a vehicle receives collision from any direction or not.

Description

【発明の詳細な説明】DETAILED DESCRIPTION OF THE INVENTION

【０００１】[0001]

【発明の属する技術分野】本発明は、車両の衝突を感知
する方法および装置に関する。The present invention relates to a method and an apparatus for detecting a collision of a vehicle.

【０００２】[0002]

【従来の技術】人工ニューラルネットワークのようなパ
ターン認識技術は、光学的特徴の認識、音声認識、なら
びに軍事標的の確認のようなさまざまな問題を解決する
ためにますます広範に適用されるようになってきてい
る。自動車産業においてはパターン認識技術は今や、車
室内の背面式（後ろ向き）子供用シートのような種々の
物体を確認したり、また車両の側方に衝突しそうな接近
車両のような脅威を与える物体を確認することにも応用
されるようになっている。例えば、本明細書で援用する
出願系属中の１９９４年５月９日付け米国特許出願第０
８／２３９，９７８号および１９９４年５月２３日付け
米国特許出願第０８／２４７，７６０号を参照された
い。現在までパターン認識技術は、自動車の衝突を感知
して衝突後にエアバッグまたはその他の受動的保護装置
を展開するかどうか、あるいはシートベルトを締め付け
るかどうか、燃料システムを遮断するかどうか、あるい
は扉のロックを解除するかどうかを決定するためには用
いられていない。2. Description of the Related Art Pattern recognition techniques, such as artificial neural networks, are becoming more and more widely applied to solve various problems, such as optical feature recognition, speech recognition, and military target identification. It has become to. In the automotive industry, pattern recognition technology is now identifying various objects, such as rear-facing (back-facing) children's seats in the passenger compartment, and threatening objects, such as approaching vehicles that are likely to collide against the side of the vehicle. It has also been applied to confirming. See, for example, U.S. Patent Application No. 0, May 9, 1994, which is incorporated herein by reference.
See 8 / 239,978 and U.S. patent application Ser. No. 08 / 247,760, issued May 23, 1994. To date, pattern recognition technology has sensed whether a car crashed and deployed airbags or other passive protection after the crash, whether to fasten seat belts, shut off the fuel system, or to close doors. It is not used to determine whether to release the lock.

【０００３】本明細書中での“パターン認識”という語
は、物体がどの分類に属するものであるかを決定するた
めに、物体から発せられかまたは物体との相互作用によ
って変調された信号を処理するシステムを意味する。そ
のようなシステムは、物体がある特定の分類の一員であ
るか否かを判断するか、あるいは物体を複数の分類を含
む分類グループの中の特定の分類に当てはめるようにす
るか、または分類グループの中の何れの分類にも該当し
ないものであることを判別するだけである。処理された
信号は通常、加速度、音または電磁放射に感応する変換
器から出力される電気信号であり、もし電磁の場合には
可視光、赤外光、紫外光またはレーダのいずれかとする
こともできる。The term "pattern recognition" as used herein refers to a signal emanating from an object or modulated by interaction with an object to determine to which class the object belongs. Means the system to process. Such a system may determine whether an object is a member of a particular classification, or may apply the object to a particular classification in a classification group containing multiple classifications, or It is only determined that the category does not correspond to any of the categories. The processed signal is typically an electrical signal output from a transducer that is sensitive to acceleration, sound or electromagnetic radiation, and if electromagnetic, may be either visible light, infrared light, ultraviolet light or radar. it can.

【０００４】本明細書中での“確認する”という語は、
物体が特定の分類または分類グループに属することを判
別することを意味する。分類はシステムの目的に応じて
決定される。例えば、前面衝撃用エアバッグが必要な全
ての衝突を含む分類、エアバッグが必要とされない全て
の事象を含む分類、乗員用ヘッドレストの位置を動かす
必要がある全ての事象を含む分類、側面衝突の際にエア
バッグの展開を必要とする全ての事象を含む分類といっ
たように分類される。[0004] As used herein, the term "confirm" means:
This means determining that an object belongs to a specific classification or classification group. The classification is determined according to the purpose of the system. For example, a classification that includes all collisions that require a frontal impact airbag, a classification that includes all events that do not require an airbag, a classification that includes all events that require the position of an occupant headrest to be moved, and a classification that includes a side collision. At this time, the airbag is classified as a classification including all events that require the deployment of the airbag.

【０００５】前面衝突用に現在使用されている全ての電
子式衝突センサは、衝突時の車両の加速度を検知・測定
する加速度計を含んでいる。この加速度計は、加速度計
に作用している加速度、即ちその加速度計が搭載されて
いる車両の加速度に比例したアナログ信号を発生する。
アナログ−デジタル変換器がこのアナログ信号を時系列
のデジタル数値に変換する。衝突センサの設計者はこの
デジタル加速度データを検討し、特定の衝突事故から得
た加速度データがエアバッグの展開を許可するものであ
るか否かを判別するコンピュータアルゴリズムを導きだ
す。これは通常試行錯誤で行われ、技術者または衝突セ
ンサ設計者は、エアバッグが要求されたが必要でない場
合を観察し、またエアバッグが必要とされないその他の
事象の衝突データを観察する。そして最終的に、技術者
または衝突センサ設計者は衝突ライブラリ、即ち多くの
衝突やその他の事象から蓄積された衝突データの要求事
項を満たすと思われるアルゴリズムを決定する。このよ
うにして得たアルゴリズムは普遍的なものではなく、そ
れらアルゴリズムが全ての車両で有効に働くかと尋ねら
れた場合、技術者または衝突センサ設計者の殆どは否定
的な回答をするであろう。[0005] All electronic crash sensors currently used for frontal crashes include an accelerometer that senses and measures the acceleration of the vehicle during a crash. The accelerometer generates an analog signal proportional to the acceleration acting on the accelerometer, that is, the acceleration of the vehicle on which the accelerometer is mounted.
An analog-to-digital converter converts this analog signal into a time-series digital value. The crash sensor designer reviews the digital acceleration data and derives a computer algorithm that determines whether the acceleration data obtained from a particular crash is such that the airbag deployment is permitted. This is usually done by trial and error, with the technician or crash sensor designer observing when an airbag is required but not required, and observing crash data for other events where an airbag is not required. And ultimately, the technician or crash sensor designer determines a crash library, an algorithm that is likely to meet the requirements of the crash data accumulated from many crashes and other events. The algorithms so obtained are not universal and most technicians or crash sensor designers will give a negative answer when asked if they work for all vehicles .

【０００６】車両の衝突ゾーン外、通常は車室内の保護
された場所に搭載された電子式衝突センサの問題点と限
界を指摘するいくつかの論文が発表されている。ここで
衝突ゾーンとは、衝突センサが乗員拘束システム展開の
開始しなければならない衝突が起きた時に既に潰れてい
る部分である。これらのセンサはしばしば一点式衝突セ
ンサと呼ばれる。この一点式衝突センサの限界とともに
衝突感知の理論について議論した技術論文として下記の
ものがある。これらは本発明に関連するものであり、こ
こに参照文献して援用する。 １）ディー・エス・ブリード（Breed, D. S.）およびブ
イ・カステリ（Castelli，V.）“エアバッグシステムの
設計およびエンジニアリングにおける問題点（Problems
in Design and Engineering of Air Bag System
s）”、米国自動車技術会論文ＳＡＥ ８８０７２４、
１９９２年。 ２）ディー・エス・ブリード（Breed, D. S.）およびブ
イ・カステリ（Castelli，V.）“前面衝撃感知法の動向
（Trends in Sensing Frontal Impact）”、米国自動車
技術会論文ＳＡＥ ８９０７５０、１９８９年。 ３）ディー・エス・ブリード（Breed, D. S.）、ダブル
・ティー・サンダース（Sanders, W. T.）およびブイ・
カステリ（Castelli，V.）“一点式衝突感知法に関する
評論（A Critique of Single Point Crash Sensin
g）”、米国自動車技術会論文ＳＡＥ ９２０１２４、
１９９２年。 ４）ディー・エス・ブリード（Breed, D. S.）、ダブル
・ティー・サンダース（Sanders, W. T.）およびブイ・
カステリ（Castelli，V.）“完全な前面衝突感知システ
ムＩ（A complete Frontal Crash Sensor System
I）”、米国自動車技術会論文ＳＡＥ ９３０６５０、
１９９３年。 ５）ディー・エス・ブリード（Breed, D. S.）およびダ
ブル・ティー・サンダース（Sanders, W. T.）“衝突感
知への車両変形の利用（Using Vehicle Deformation to
Sense Crashes）”、車体およびエンジニアリング国際
会議（International Body and Engineering Conferenc
e ）、ミシガン州デトロイト、１９９３年。 ６）ディー・エス・ブリード（Breed, D. S.）、ダブル
・ティー・サンダース（Sanders, W. T.）およびブイ・
カステリ（Castelli，V.）“完全な前面衝突感知システ
ムＩI （A complete Frontal Crash Sensor System I
I）”，自動車の安全性強化会議議事録、ミュンヘン、
１９９４年、米国運輸省ナショナルハイウエイ交通安全
局、ワシントンＤ．Ｃ．刊。[0006] Several articles have been published pointing out the problems and limitations of electronic crash sensors mounted in protected locations outside the vehicle's collision zone, usually in the passenger compartment. Here, the collision zone is a portion where the collision sensor has already collapsed when a collision occurs in which the deployment of the occupant restraint system has to be started. These sensors are often called single point crash sensors. The following technical papers discuss the theory of collision detection together with the limitations of this one-point collision sensor. These are relevant to the present invention and are incorporated herein by reference. 1) Breed, DS and Castelli, V. “Problems in the design and engineering of airbag systems.
in Design and Engineering of Air Bag System
s) ", American Society of Automotive Engineers SAE 880724,
1992. 2) Breed, DS and Castelli, V. "Trends in Sensing Frontal Impact", American Society of Automotive Engineers SAE 890750, 1989. 3) Breed, DS, Double Tea Sanders (Sanders, WT) and Buoy
Castelli, V. “A Critique of Single Point Crash Sensin
g) ", American Society of Automotive Engineers SAE 920124,
1992. 4) Breed, DS, Double T Sanders (Sanders, WT) and Buoy
Castelli, V. "A complete Frontal Crash Sensor System I"
I) ", American Society of Automotive Engineers paper SAE 930650,
1993. 5) Breed, DS and Sanders, WT, "Using Vehicle Deformation to Collision Detection"
Sense Crashes ", International Body and Engineering Conferenc
e), Detroit, Michigan, 1993. 6) Breed (DS), Double Tea Sanders (Sanders, WT) and Buoy
Castelli, V. “A complete Frontal Crash Sensor System I
I) ", Minutes of the Automotive Safety Enhancement Conference, Munich,
1994, US Department of Transportation National Highway Traffic Safety Administration, Washington, D.C. C. Published.

【０００７】[0007]

【発明が解決しようとする課題】これらの論文は、とり
わけセンサが車両の衝突ゾーンに配置されている場合を
除き、衝突を感知してエアバッグを選択的に展開するア
ルゴリズムを技術者が開発できるような公知の理論がな
いことを示している。これらの論文は、一般的に車室内
で測定される加速度信号に含まれる情報は、全ての衝突
を感知するには不十分であることを示している。これら
の技術論文で裏付けられたもう１つの結論は、もし１つ
の車両で機能を果たすアルゴリズムを発見することがで
きれば、それは全ての車両に適用できるものになるであ
ろうということである。何故ならばどのような車両でも
なんらかの衝突パルスを作りだすことが可能であるから
である。特に上に参照したＳＡＥ論文９２０１２４を参
照されたい。These papers enable engineers to develop algorithms that sense a collision and selectively deploy an airbag, especially when sensors are not located in the collision zone of the vehicle. This indicates that there is no such known theory. These articles show that the information contained in the acceleration signal, which is typically measured in the cabin, is not sufficient to detect all crashes. Another conclusion supported by these technical papers is that if an algorithm that works on one vehicle can be found, it will be applicable to all vehicles. This is because any vehicle can produce some kind of collision pulse. See in particular the SAE article 920124 referenced above.

【０００８】最適な衝突センサアルゴリズムを見い出す
ことに関して問題点があるにもかかわらず、現在走行し
ている多くの車両は電子式の一点式衝突センサを備えて
いる。一点式センサに関連するいくつかの問題のため、
エアバッグが展開する時に乗員が所定位置以外にいてエ
アバッグに近づき過ぎている場合、エアバッグの展開そ
のものによって負傷または死亡する可能性がある。幸い
なことに、車内の乗員の位置を監視し、事故によるエア
バッグの展開によって乗員が負傷する恐れがある場合
に、エアバッグの展開を抑制するシステムが現在開発さ
れつつある。[0008] Despite the problems associated with finding an optimal crash sensor algorithm, many vehicles currently in motion are equipped with electronic one-point crash sensors. Due to some issues associated with single point sensors,
If the occupant is not in a predetermined position and is too close to the airbag when the airbag is deployed, the deployment of the airbag itself may cause injury or death. Fortunately, systems are currently being developed to monitor the position of the occupant in the vehicle and to suppress deployment of the airbag if deployment of the airbag in an accident could result in injury to the occupant.

【０００９】車室内で測定される加速度データに含まれ
る情報は、全ての衝突を感知するには不充分であり、ま
た発表されている一点式センサアルゴリズムが有してい
る不良モードのいくつかは、上に参照した技術論文に記
述されている衝突・速度スケーリング技術を使用するこ
とによって容易に証明できる。さらに技術者が行うアル
ゴリズムの開発は試行錯誤に基づく方法によるものであ
る。従って、ニューラルネットワークのようなパターン
認識技術は、多くの衝突および非衝突事象についてシス
テムを訓練することによってアルゴリズムを作りだすの
に利用できるはずであり、これは他の如何なるもの優れ
たものとなるであろう。実際、これは事実であることが
証明されており、本発明の主題とするところでもある。[0009] The information contained in the acceleration data measured in the cabin is insufficient to detect all crashes, and some of the failure modes that the published single-point sensor algorithm has. Can be easily proved by using the collision and velocity scaling technique described in the technical paper referred to above. Furthermore, algorithm development performed by engineers is based on trial and error. Therefore, pattern recognition techniques, such as neural networks, could be used to create algorithms by training the system for many collision and non-collision events, which would be anything else excellent. Would. In fact, this has proven to be the case and is also the subject of the present invention.

【００１０】当然のことながら、いずれかの衝突センサ
がエアバッグを展開すべきであると判断した場合、シス
テムは、シートベルト巻取りシステムを有する車両につ
いてはシートベルトを締め付けたり、衝突時または衝突
後における燃料漏れを防止するために燃料システムを遮
断したり、また衝突後に乗員が脱出しやすくするために
扉のロックを解除するといったようないくつかの他の機
能も提供しなければならない。Of course, if any of the crash sensors determine that the airbag should be deployed, the system may tighten the seatbelt for a vehicle with a seatbelt retractor system, or provide a vehicle during a crash or crash. Some other functions must also be provided, such as shutting off the fuel system to prevent fuel leaks later, and unlocking the doors to help the occupant escape after a collision.

【００１１】パターン認識技術を衝突センサで使用する
ことにより、同じパターン認識用ハードウェアおよびソ
フトウェアを車両の他のシステムと共用できるという別
の重要な利点も得られる。パターン認識技術は既に、エ
アバッグ式受動的保護装置に関する他の問題を解決する
のに効果的であることが証明されている。特に、助手席
に置かれた背面式子供シートを確認して、エアバッグの
展開を抑制できることが示されている。またパターン認
識技術を側面衝突の予知感知に使用して、車両の側面に
衝突しそうな車両を分別することは非常に有望である。
これらのパターン認識システム、およびその他開発中の
ステテムも、本発明の衝突センサと同一のコンピュータ
システムを共用できる。さらにこれらシステムは何れ
も、前面衝突のために使用される主センサおよび診断モ
ジュールと相互作用させる必要がある。したがって、コ
ストと信頼性の観点から、これら３つのシステム全部が
同一のコンピュータシステムを使用することが望まし
い。これは特に、現在ではニューラルコンピュータのよ
うに特にパターン認識問題を解くように設計されたコン
ピュータが入手可能になっていることからも望ましいこ
とである。[0011] The use of pattern recognition technology in a collision sensor also has another important advantage in that the same pattern recognition hardware and software can be shared with other systems in the vehicle. Pattern recognition technology has already proven to be effective in solving other problems associated with airbag passive protection devices. In particular, it is shown that the deployment of the airbag can be suppressed by checking the back-type child seat placed on the passenger seat. It is also very promising to use pattern recognition technology for predictive sensing of side collisions and to discriminate vehicles that are likely to collide with the side of the vehicle.
These pattern recognition systems, and other systems under development, can share the same computer system as the collision sensor of the present invention. In addition, all of these systems need to interact with the main sensors and diagnostic modules used for frontal collisions. It is therefore desirable from a cost and reliability standpoint that all three systems use the same computer system. This is particularly desirable because computers are now available that are specifically designed to solve pattern recognition problems, such as neural computers.

【００１２】[0012]

【課題を解決するための手段】本発明は、ニューラルネ
ットワークのようなパターン認識技術、またはニューラ
ルネットワークから導き出されたアルゴリズムを使用し
て、衝突時に作り出されるデジタル化された加速度計デ
ータを分析し、エアバッグのような受動的保護装置を展
開すべきかどうか、またいつ展開すべきかを決定するも
のである。基本的な目的は次のとおりである。 １）エアバッグを展開すべきかどうかを決定するため
に、加速度データの情報を最大限に利用する、加速度計
を含む一点式センサを提供する。 ２）各自動車に特有の修正を行うことなく、殆どの自動
車で使用可能な汎用的な一点式衝突センサを提供する。 ３）自動車の中で、幾つかの異なるパターン認識機能、
例えば衝突感知、車室内に存在する物体の確認、車外の
物体の分類を行うことができる単一のコンピュータシス
テムを提供する。 ４）段階的な（staged）車両の衝突および非衝突事象、
ならびにその他統計的に引きだされた一連のデータを使
用して、訓練により導き出される衝突センサアルゴリズ
ムを提供する。 ５）パターン認識技術に基づく衝突センサを提供する。 ６）衝突から導きだされる加速度データに加えて、他の
データも利用する衝突センサを提供する。データは加速
度データと組み合わされ、かつパターン認識技術を使用
することにより受動的保護装置の展開の必要性が決定さ
れる。 ７）前面、側面の両方、および後部衝突を感知するため
に使用できる衝突センサを提供する。 ８）エアバッグ展開の一定時間前からの衝突加速度デー
タを、後の分析のために自動的に保持する衝突センサを
提供する。 ９）ニューラルコンピュータを使用した衝突センサを提
供する。SUMMARY OF THE INVENTION The present invention analyzes digitized accelerometer data produced during a crash using a pattern recognition technique, such as a neural network, or an algorithm derived from the neural network. It determines whether and when to deploy a passive protection device such as an airbag. The basic objectives are as follows. 1) To provide a single point sensor, including an accelerometer, that makes the best use of the information in the acceleration data to determine whether to deploy the airbag. 2) To provide a versatile one-point collision sensor that can be used in most vehicles without making modifications specific to each vehicle. 3) In the car, several different pattern recognition functions,
For example, there is provided a single computer system capable of detecting a collision, confirming an object existing in a vehicle interior, and classifying an object outside the vehicle. 4) staged vehicle crash and non-collision events;
As well as using a set of statistically derived data to provide a training derived collision sensor algorithm. 5) To provide a collision sensor based on a pattern recognition technology. 6) Provide a collision sensor that uses other data in addition to acceleration data derived from a collision. The data is combined with the acceleration data and the use of pattern recognition techniques determines the need for deployment of passive protection devices. 7) Provide a crash sensor that can be used to sense both front, side and rear crashes. 8) To provide a collision sensor that automatically retains collision acceleration data from a predetermined time before the airbag deployment for later analysis. 9) Provide a collision sensor using a neural computer.

【００１３】本発明のその他の目的および利点は、以下
の開示によって明らかなものとなるであろう。[0013] Other objects and advantages of the present invention will become apparent from the following disclosure.

【００１４】一般的には、本発明は衝突時に車両の乗員
を保護するために、エアバッグのような自動車の乗員保
護装置の展開を開始させるための感知システムに関連す
るものである。このシステムは、車両に取り付けられ、
車両の加速度を感知してこの加速度を表すアナログ信号
を発生するセンサと、センサからアナログ信号を受け、
そのアナログ信号をデジタル信号に変換する電子式変換
器と、そのデジタル信号を受け取る演算処理装置とを含
む。この演算処理装置はパターン認識システムを含み、
乗客保護を必要とする車両の衝突に特有のパターンがデ
ジタル信号に含まれていると判断した時に展開信号を発
生する。In general, the present invention relates to a sensing system for initiating deployment of a vehicle occupant protection device, such as an airbag, to protect a vehicle occupant in the event of a collision. This system is mounted on the vehicle,
A sensor that senses the acceleration of the vehicle and generates an analog signal representing the acceleration, and receives an analog signal from the sensor,
It includes an electronic converter for converting the analog signal into a digital signal, and an arithmetic processing unit for receiving the digital signal. The processor includes a pattern recognition system,
A deployment signal is generated when it is determined that a pattern specific to a collision of a vehicle requiring passenger protection is included in the digital signal.

【００１５】[0015]

【発明の実施の形態】典型的には、電子式感知・診断モ
ジュール（ＳＤＭ）は、トランスミッション用のトンネ
ルや防火用の壁部のような車室内の都合のよい場所に取
り付けられる。図１は自動車両の車室１００の前部を示
す図で、その一部は切り欠き除去されている。デュアル
エアバッグ１００、１１１、ならびに３軸加速度計１２
２とアナログ−デジタル変換器およびマイクロプロセッ
サ１３０に含まれたパターン認識アルゴリズムを含む一
点式衝突センサを包含するＳＤＭ１２０を有するもので
ある。３軸加速度計は３個の加速度計を含んだ装置で、
典型的には長手方向、横方向および垂直方向の３個の直
交方向の加速度を測定する。また、ＳＤＭ１２０の回路
基板は、バックアップ電源としてのコンデンサ１４０、
その他の電子部品１２６、および各種の回路を含んでい
る。このＳＤＭは配線１１３および１１４によりエアバ
ッグに接続されている。この実施例において使用されて
いるパターン認識技術はニューラルネットワークであ
り、このニューラルネットワークは３個全ての加速度計
からのデータを分析して、車両がいずれかの方向からの
衝突を受けているか否かを判別する。もしニューラルネ
ットワークが、例えば加速度計から発せられる信号のパ
ターンを分析することによって、事故が、前面または側
面エアバッグあるいは可動ヘッドレストなどの乗員保護
装置の展開を必要とするものであると判断した場合、こ
のニューラルネットワークが乗員保護装置の動作を開始
させることになる。したがって、ニューラルネットワー
クがエアバッグ展開の開始手段を構成することになる。
例えば前面衝突に対しては、エアバッグ１１０および１
１１の展開を開始させるために、信号が配線１１３およ
び１１４を通して送られる。アナログ−デジタル変換器
は、センサ、この場合は３軸加速度計に接続されてお
り、加速度計の内の一つによって発生される加速度、即
ち車両の加速度を表しているアナログ信号をデジタル信
号に変換する。実施例の１つでは、変換器１２４はアナ
ログ信号の積分値からデジタル信号を導きだす。DETAILED DESCRIPTION OF THE INVENTION Typically, an electronic sensing and diagnostic module (SDM) is mounted at a convenient location in a vehicle compartment, such as a transmission tunnel or a fire wall. FIG. 1 is a diagram showing a front portion of a vehicle compartment 100 of a motor vehicle, a part of which is cut away. Dual airbags 100 and 111 and three-axis accelerometer 12
2 and an SDM 120 including an analog-to-digital converter and a one-point collision sensor including a pattern recognition algorithm included in a microprocessor 130. A three-axis accelerometer is a device that contains three accelerometers,
Typically, three orthogonal accelerations are measured: longitudinal, lateral and vertical. The circuit board of the SDM 120 includes a capacitor 140 as a backup power supply,
Other electronic components 126 and various circuits are included. This SDM is connected to the airbag by wires 113 and 114. The pattern recognition technique used in this embodiment is a neural network, which analyzes data from all three accelerometers and determines whether the vehicle is undergoing a collision from either direction. Is determined. If the neural network determines that the accident requires deployment of occupant protection devices, such as front or side airbags or movable headrests, by analyzing patterns of signals emitted from, for example, accelerometers, This neural network will start the operation of the occupant protection device. Therefore, the neural network constitutes the means for starting the deployment of the airbag.
For example, for a frontal collision, the airbags 110 and 1
Signals are sent through lines 113 and 114 to initiate deployment of 11. The analog-to-digital converter is connected to a sensor, in this case a three-axis accelerometer, and converts an analog signal representing the acceleration generated by one of the accelerometers, ie the acceleration of the vehicle, into a digital signal. I do. In one embodiment, converter 124 derives a digital signal from the integral of the analog signal.

【００１６】この３軸加速度計は適切な取り付け手段に
よって車両に取り付けられるが、例えば前面、側面ある
いは後部の衝撃を感知するめめに種々の位置に取り付け
ることができる。以下に説明する別の実施例において
は、本発明に基づく展開可能な乗員保護装置によって保
護すべき乗員が所定位置以外にいることを検知して、そ
れに応じてエアバッグの展開を抑制する検出手段をマイ
クロプロセッサ１３０に設けてもよい。また、この検出
手段は、後向き子供用シートが車両の座席に置かれてい
ることを検知し、それによってエアバッグの展開を抑制
するために適用することもできる。The three-axis accelerometer is mounted on the vehicle by suitable mounting means, but can be mounted in various locations, for example, to sense front, side or rear impacts. In another embodiment described below, detecting means for detecting that the occupant to be protected by the deployable occupant protection device according to the present invention is located at a position other than a predetermined position and suppressing the deployment of the airbag accordingly. May be provided in the microprocessor 130. The detecting means can also be applied to detect that the rearward facing child seat is placed on the seat of the vehicle, thereby suppressing the deployment of the airbag.

【００１７】本明細書での議論の多くは、パターン認識
技術またはアルゴリズムの一例としてニューラルネット
ワークを使用しているが、これはニューラルネットワー
クがそれらの技術として最も開発が進んでいるものの１
つであるからである。しかしながら、ニューラルネット
ワークには重大な限界があり、これについては新しいパ
ターン認識技術の開発によって現在取り組まれている。
こうした限界点としては、パターンを分類するのに使用
されているプロセスを記述するのが難しく、そのため訓
練用セットに含まれていなかったパターンが見逃される
恐れがあることである。また、ニューラルネットワーク
の訓練プロセスでは、最善の結果に収斂するという保証
は得られないことである。これは局所的最小問題（loca
l minimum problem）として知られている。すなわち、
訓練アルゴリズムの収斂による結果は、全体に対して最
善の解でない。これらの問題は、米国特許第５，３９
０，１３６号および米国特許出願番号第０８／０７６，
６０１号に開示されているような新しいパターン認識技
術の開発によって解決されつつある。この両者を参照文
献として本明細書で援用するが、これらはいずれもニュ
ーラルネットワークに対する改良である。本明細書で開
示した本発明は、エアバッグと共に使用する優れた衝突
センサを提供するものであり、そこで使用されているパ
ターン認識技術は関係ない。Many of the discussions herein use neural networks as an example of a pattern recognition technique or algorithm, which is one of the most developed neural networks for those techniques.
Because it is one. However, neural networks have significant limitations, which are currently being addressed by the development of new pattern recognition technologies.
The limitation is that it is difficult to describe the process used to classify the patterns, so patterns that were not included in the training set may be missed. Also, the training process of a neural network does not guarantee that it will converge to the best results. This is a local minimal problem (loca
l Minimum problem). That is,
The result of the convergence of the training algorithm is not the best solution overall. These problems are addressed in US Pat.
No. 0,136 and U.S. patent application Ser.
The problem is being solved by the development of a new pattern recognition technology as disclosed in US Pat. Both of which are incorporated herein by reference, both of which are improvements to neural networks. The invention disclosed herein provides an excellent collision sensor for use with an airbag, irrespective of the pattern recognition technology used therein.

【００１８】上記し図１に示したパターン認識衝突セン
サは、それぞれ直交する方向の加速度を測定する３個の
加速度計からの情報を利用する。以下に詳述するよう
に、乗員の位置、騒音、音響式またはレーダー式予知セ
ンサからのデータ、あるいは車両中に存在するその他の
関連情報のようなその他のいかなる情報も、パターン認
識アルゴリズムで考慮できる。パターン認識アルゴリズ
ムは、実際の衝突および非衝突事象からのデータ上で訓
練されることから、多くの異なった情報源からのデータ
を扱うことができ、どのようなパターンがエアバッグが
必要とされる事象であるかを、技術者では不可能な方法
で選びだすことができる。こうした理由によって、ニュ
ーラルネットワークをベースとした衝突センサは、例え
ば技術者が考えたものよりも常に良好な作動を行うこと
になるのである。ニューラルネットワークの理論は、多
くの事例も含めて、これを主題とする何冊かの書籍に見
い出すことができる：「Techniques And Application O
f Neural Networks」、エム・テイラー（Taylor, M.）
およびピー・リスボア（Lisboa, P ) 編、エリスホーウ
ッド（Ellis Horwood ）刊、英国ウエストサセックス、
１９９３年；「Naturally Intelligent Systems」、エ
ム・カウディル（Caudill, M. ）およびシー・バトラー
（Butler, C.) 、ＭＩＴプレス、マサチューセッツ州ケ
ンブリッジ、１９９０年；「Digital Neural Network
s」、エス・ワイ・クン（Kung, S. Y. ）、ＰＴＲプレ
ンティスホール（PTR Prentice Hall ）、ニュージャー
ジー州イングルウッドクリフス、１９９３年。The pattern recognition collision sensor described above and shown in FIG. 1 utilizes information from three accelerometers for measuring accelerations in orthogonal directions. As will be described in more detail below, any other information such as occupant location, noise, data from acoustic or radar predictive sensors, or any other relevant information present in the vehicle can be considered in the pattern recognition algorithm. . Because pattern recognition algorithms are trained on data from real crash and non-collision events, they can handle data from many different sources, and what patterns require an airbag An event can be selected in a way that is not possible for a technician. For these reasons, a collision sensor based on a neural network will always perform better than, for example, a technician would think. Neural network theory can be found in several books on the subject, including many examples: "Techniques And Application O"
f Neural Networks ", Taylor, M.
And Lisboa, P, edited by Ellis Horwood, West Sussex,
1993; "Naturally Intelligent Systems", M Caudill, M. and Butler, C., MIT Press, Cambridge, Mass., 1990; "Digital Neural Network".
s ", Kung, SY, PTR Prentice Hall, Inglewood Cliffs, NJ, 1993.

【００１９】本発明の教示に基づいて設計された衝突セ
ンサに使用されているニューラルネットワークの一例の
図が図２に示されている。このプロセスは、コンピュー
タシステムの要求に応じて、異常な状態を示すようなあ
る事態が起きた時、例えば縦方向の加速度が重力加速度
を越えた場合に開始することもでき、継続的に実行する
こともできる。アナログ−デジタル変換器からのデジタ
ル加速度値がノード１に入ると、ニューラルネットワー
クのアルゴリズムがノード１からＮまでの値のパターン
を、予め訓練されたパターンと比較する。入力ノードは
それぞれ隠れ層（hidden layer）と呼ばれる第２層ノー
ドｈ−１、．．．、ｈ−ｎに接続されている。この接続
は、以下に説明するようにニューラルコンピュータの場
合と同じように電気的に行われるか、あるいは同じく以
下に説明するように重みと呼ばれる係数を含む数学的関
数を介して行われる。この重みは、上で参照した文献に
詳述されているように、訓練期間中にニューラルネット
ワークを作りながら決定される。各隠れ層ノードにおい
ては、重みを含む関数により処理された各入力層ノード
からの値を集計して、ノード値を作る。同様に、隠れ層
ノードは出力層ノードに接続されている。本実施例で
は、エアバッグを展開するかまたは展開させないという
決定を表す単一のノードだけが出力ノードである。訓練
期間中に、出力ノードの値１には、例えばエアバッグを
展開するという意味が割り当てられ、出力ノードの値０
にはエアバッグを展開しないという意味が割り当てられ
る。このプロセスの詳細はやはり上記参照文献中に説明
されており、ここでは詳しく述べない。A diagram of one example of a neural network used in a collision sensor designed according to the teachings of the present invention is shown in FIG. The process may be initiated and performed continuously, at the request of the computer system, when an event occurs that indicates an abnormal condition, for example, when the longitudinal acceleration exceeds the gravitational acceleration. You can also. As the digital acceleration values from the analog-to-digital converter enter node 1, the neural network algorithm compares the pattern of values from nodes 1 to N to the pre-trained pattern. The input nodes are second-layer nodes h-1,..., Each called a hidden layer. . . , H-n. This connection is made electrically, as in the case of a neural computer, as described below, or through a mathematical function that includes coefficients called weights, also as described below. This weight is determined while creating the neural network during training, as detailed in the above-referenced literature. At each hidden layer node, the values from each input layer node processed by the function including the weight are totaled to generate a node value. Similarly, hidden layer nodes are connected to output layer nodes. In this embodiment, the only node that represents the decision to deploy or not deploy the airbag is the output node. During the training period, an output node value of 1 is assigned, for example, meaning deploying an airbag, and an output node value of 0 is assigned.
Is assigned the meaning of not deploying the airbag. Details of this process are also described in the above reference and will not be elaborated here.

【００２０】アナログ−デジタル変換器（ＡＤＣ）が加
速度計からの出力を平均化し、データを入力ノード１へ
送る周期として２ミリ秒のような時間ステップが設定さ
れる。したがって、プロセスの開始から２ミリ秒に相当
する時点でノード１はＡＤＣから得た値を保持し、残り
の入力ノードはランダムな値または０の値を有すること
になる。４ミリ秒に相当する時点では、ノード１の値は
ノード２へ送られ、ＡＤＣからの新しい値がノード１へ
送られる。同様にして、ＡＤＣからノード１へデータが
送り続けられ、ノード１のデータはノード２へ送られ、
ノード２の以前の値はノード３へ送られる、というよう
に続く。当然のことながら、実際に異なるメモリ位置へ
データを転送する必要はなく、ニューラルネットワーク
がノード１のデータを発見できるように、その位置を再
定義する必要があるだけである。本発明の好ましい実施
例の１つでは、２００ミリ秒の加速度データを表すため
に、合計１００個の入力ノードが使用された。各ステッ
プにおいて、ニューラルネットワークの評価が行われ、
もし出力ノードの値が、例えば０．５のようなある値を
超えたときに、電子回路の残り部分によってエアバッグ
が展開される。このような方法で、このシステムは衝突
がいつ始まったかを知る必要はなく、つまり衝突の開始
を判別するための個別のセンサを必要とせず、あるいは
そうした決定をするために加速度データに関して行う特
定のアルゴリズムを必要としないのである。An analog-to-digital converter (ADC) averages the output from the accelerometer and sets a time step, such as 2 milliseconds, to send data to input node 1. Thus, at the time corresponding to 2 ms from the start of the process, node 1 will hold the value obtained from the ADC and the remaining input nodes will have random or zero values. At the time corresponding to 4 ms, the value of node 1 is sent to node 2 and the new value from the ADC is sent to node 1. Similarly, data is continuously transmitted from the ADC to the node 1, the data of the node 1 is transmitted to the node 2,
The previous value of node 2 is sent to node 3, and so on. Of course, it is not necessary to actually transfer the data to a different memory location, only that location need to be redefined so that the neural network can find the data of node 1. In one preferred embodiment of the invention, a total of 100 input nodes were used to represent 200 milliseconds of acceleration data. At each step, the neural network is evaluated,
If the value of the output node exceeds a certain value, for example 0.5, the airbag is deployed by the rest of the electronics. In this way, the system does not need to know when a collision has begun, i.e., does not require a separate sensor to determine the onset of a collision, or does not have any specific information about acceleration data to make such a determination. No algorithm is required.

【００２１】上記の実施例においては、１００個の入力
ノードと、１２個の隠れ層ノードと、１個の出力層ノー
ドとが使用されている。本実施例においては、長手方向
の加速度だけが考慮された。もし垂直または横方向の加
速度のようなその他のデータも使用する場合には、入力
層ノードの数を増加させなければならないであろう。も
しニューラルネットワークが後部衝撃または側面衝撃の
感知用に使用される場合は、それぞれの決定用に１個ず
つ、合わせて２個または３個の出力ノードが使用される
であろう。特定の用途のニューラルネットワークの複雑
度を決定するための理論は多くの技術論文において主題
として取り上げられており、ここではその詳細は取り上
げない。本明細書に提示された例で必要とされる複雑度
は、ニューラルネットワーク設計分野の当業者によって
決定でき、以下それについて簡単に説明する。別の実施
方法においては、加速度データの積分値が使用され、そ
れに伴い入力ノードの数が著しく削減されている。In the above embodiment, 100 input nodes, 12 hidden layer nodes, and one output layer node are used. In this embodiment, only the longitudinal acceleration was considered. If other data is also used, such as vertical or lateral acceleration, the number of input layer nodes would have to be increased. If the neural network is used for rear impact or side impact sensing, two or three output nodes will be used, one for each decision. The theory for determining the complexity of neural networks for a particular application has been the subject of many technical papers and will not be discussed in detail here. The complexity required in the examples presented herein can be determined by one skilled in the art of neural network design, and will be described briefly below. In another implementation, the integral of the acceleration data is used, with a corresponding reduction in the number of input nodes.

【００２２】上述のニューラルネットワークは衝突を感
知し、展開可能な乗員保護装置を展開すべきかどうかを
決定する方法を規定するものであり、この方法は、
（ａ） 車両に取り付けられた加速度計から加速度信号
を得る工程と、（ｂ） 加速度信号を時系列デジタルデ
ータに変換する工程と、（ｃ） 時系列デジタルデータ
をニューラルネットワークのノードへ入力する工程と、
（ｄ） 各入力ノードからのデータに数学的処理を行
い、そして処理されたデータを２番目のノードシリーズ
に入力する工程であって、処理済の値を第２シリーズノ
ードへ入力する前に各入力ノードデータに対して行われ
る処理は、幾つかのの他の入力ノードデータに対して行
われる処理とは異なるものである工程と、（ｅ） 全て
の入力ノードからの処理データを各第２シリーズノード
へ向けて混合して、各第２シリーズノードの値を作る工
程と、（ｆ） 第２シリーズノードのそれぞれの値に数
学的処理を行い、処理データを出力シリーズノードに入
力する工程であって、処理済の値を出力ノードへ入力す
る前に各第２シリーズノードデータに対して行われる処
理は、幾つかの他の第２シリーズノードデータに対して
行われる処理とは異なるものである工程と、（ｇ） 全
ての第２シリーズノードからの処理データを各出力シリ
ーズノードへ向けて混合して、各出力シリーズノードの
値を作す工程と、（ｈ） もし出力シリーズノードの１
個の値が、エアバッグの展開を必要とする衝突が発生し
ていることを意味する選択された範囲内にある場合に、
エアバッグを展開させる工程とを含む。The neural network described above defines a method of sensing a collision and determining whether to deploy a deployable occupant protection device, the method comprising:
(A) obtaining an acceleration signal from an accelerometer attached to a vehicle; (b) converting the acceleration signal into time-series digital data; and (c) inputting the time-series digital data to a node of a neural network. When,
(D) performing a mathematical operation on the data from each input node and inputting the processed data to a second node series, wherein the processed values are each input before inputting to the second series node. The processing performed on the input node data is different from the processing performed on some other input node data, and (e) processing the data from all the input nodes into the second (F) performing mathematical processing on each value of the second series node and inputting the processed data to an output series node. The processing performed on each second series node data before the processed value is input to the output node is different from the processing performed on some other second series node data. (G) mixing the processed data from all second series nodes towards each output series node to produce a value for each output series node; and (h) 1
Values are within a selected range, meaning that there is a collision that requires deployment of the airbag,
Deploying the airbag.

【００２３】上に説明および図示した特定のニューラル
ネットワークは、１シリーズの隠れ層ノードを含む。あ
るネットワークデザインにおいては、２以上の隠れ層が
使用されるが、３つ以上のそのような層を使用するのは
極めてまれである。もちろん上記に示したニューラルネ
ットワーク構造には多くの変形があり、これらは文献に
見い出すことができる。したがって本明細書の目的にお
いて“ニューラルネットワーク”とは、処理されるデー
タが離散値に分離され、それらが次に少なくとも１つの
２段階プロセスで処理され混合され、そして各段階で行
われる処理は通常、各離散値で異なり、そしてそこで実
施される処理作業が少なくとも訓練プロセスを通して決
定されるシステムと定義される。The particular neural network described and illustrated above includes a series of hidden layer nodes. In some network designs, more than one hidden layer is used, but it is extremely rare to use more than two such layers. Of course, there are many variations on the neural network structure shown above and these can be found in the literature. Thus, for the purposes of this specification, a "neural network" means that the data to be processed is separated into discrete values, which are then processed and mixed in at least one two-stage process, and the processing performed at each stage is usually , Defined at each discrete value, and the processing operations performed thereon are determined at least throughout the training process.

【００２４】ニューラルネットワークの実施は少なくと
も２つの方式、つまりデジタルマイクロプロセッサ上に
プログラムされたアルゴリズム、またはニューラルコン
ピュータ内のアルゴリズムで行うことができる。ニュー
ラルコンピュータのチップは今や入手可能なものとなっ
ている。さらに進んだパターン認識技術が開発されるに
伴い、それらの技術のために特別に設計されたチップも
開発されることが予測できる。The implementation of the neural network can be performed in at least two ways: by an algorithm programmed on a digital microprocessor, or by an algorithm in a neural computer. Neural computer chips are now available. As more advanced pattern recognition technologies are developed, it can be expected that chips specifically designed for those technologies will also be developed.

【００２５】上記の特定の実施方法においては、ニュー
ラルネットワークは約２５の衝突および非衝突事象から
の衝突データを使用して訓練された。それに加えて、自
動車製造業者によって分類設定されていない多くの事象
を表す大きな衝突ライブラリを作るために、前記レファ
レンスの技術論文に記述されているような速度・衝突ス
ケーリングの技術が使用された。こうして作られたライ
ブラリは、大多数の自動車で現実の世界で起きる事故の
殆どの衝突事象を表すものであると考えられる。このよ
うに、ニューラルネットワークアルゴリズムは全ての自
動車とは言えないまでも、殆どの自動車に使用可能な汎
用的な電子式一点式センサの目標に近づいたものとなっ
ている。上述の速度・衝突スケーリング技術により作ら
れた衝突マトリックスに対してアルゴリズム適用した結
果が図８に示されている。表中の数字の意味の説明は
“Trends in Sensing Frontal Impacts”と題された前
記参照技術論文にあるが、以下に要約する。その論文の
図９には最適化された車室一点式センサの結果が示され
いいるが、本明細書では図８と比較するために図９して
再掲する。その技術論文で解析されているセンサは、現
在米国で販売されている少なくとも１つの量産車種に採
用されている。この比較はパターン認識技術の利用によ
って劇的な改善が可能であることを示している。In the particular implementation described above, the neural network was trained using collision data from about 25 collision and non-collision events. In addition, velocity and collision scaling techniques as described in the reference technical paper were used to create a large collision library representing many events that were not classified by the vehicle manufacturer. The resulting library is believed to represent most crash events in most real-world accidents in cars. Thus, the neural network algorithm approaches the goal of a general-purpose electronic one-point sensor that can be used in most, if not all, vehicles. FIG. 8 shows the result of applying the algorithm to the collision matrix created by the above-described velocity / collision scaling technique. An explanation of the meaning of the numbers in the table can be found in the above referenced technical paper entitled "Trends in Sensing Frontal Impacts", which is summarized below. FIG. 9 of that paper shows the results of an optimized cabin one-point sensor, which is repeated here in FIG. 9 for comparison with FIG. The sensors analyzed in that technical paper are employed in at least one mass-produced vehicle currently sold in the United States. This comparison shows that dramatic improvements are possible with the use of pattern recognition technology.

【００２６】一旦パターン認識コンピュータシステムが
車両に採用されたならば、その同じシステムをエアバッ
グシステム診断等のその他多くのパターン認識機能のた
めに利用できる。自動車の運転開始時の診断テスト中に
おける、エアバッグシステムのパターンを、例えば種々
のシステム構成機器への配線を横切って発生する適切な
抵抗値によって表されるものとしてテストすることは、
パターン認識システムでは簡単なことである。このよう
にしてこのシステムは従来のＳＤＭの機能、即ち、感知
および診断その他の機能を行うことができる。Once a pattern recognition computer system is employed in a vehicle, the same system can be used for many other pattern recognition functions such as airbag system diagnostics. Testing the pattern of the airbag system during a diagnostic test at start-up of the vehicle, for example, as represented by appropriate resistance values occurring across wiring to various system components,
It's easy with pattern recognition systems. In this way, the system can perform the functions of conventional SDM, i.e., sensing and diagnostics and other functions.

【００２７】上に参照した米国特許出願番号第０８／２
３９，９７８号では、好ましいパターン認識技術として
ニューラルネットワークを自動車の前部座席に置かれた
後向き子供用シートの確認用に使用することが開示され
ている。また、その特許出願には、自動車室内の内部を
監視することに関連してパターン認識のその他の多くの
応用が開示されている。[0027] US patent application Ser. No. 08/2, referenced above.
No. 39,978 discloses the use of a neural network as a preferred pattern recognition technique for identifying a rear-facing child seat located in the front seat of an automobile. The patent application also discloses many other applications of pattern recognition in connection with monitoring the interior of a car interior.

【００２８】図３には自動車の車室の図が示されてお
り、乗員が定位置にいないことを検出るすセンサおよび
後向き子供用シートを検出する検知器がともにＡピラー
に取り付けられ、両方がニューラルネットワーク衝突セ
ンサと同じニューラルコンピュータを使用している。し
たがって、１つのニューラルネットワークを自動車に設
ければ、同じニューラルネットワークコンピュータをい
くつかのパターン認識用途に利用できる。FIG. 3 shows a view of the cabin of an automobile. A sensor for detecting that an occupant is not in a fixed position and a detector for detecting a rearward facing child seat are both mounted on an A-pillar. Use the same neural computer as the neural network collision sensor. Therefore, if one neural network is provided in an automobile, the same neural network computer can be used for several pattern recognition applications.

【００２９】背面式子供用シートの確認にニューラルネ
ットワークを使用するのは車両が最初に動きだす時であ
る。これに対し、ニューラルネットワークを衝突パター
ン認識に使用するのは継続的ではあるが、異常事態が発
生したときだけ必要となる。この両方が同時に起きるこ
とは極めてまれなことであるので、同一のシステムが両
方の仕事を容易に行うことができる。当然、競合が起き
る場合にはどちらかの機能を優先させる。したがって、
ニューラルネットワーク衝突センサを使用する強力な動
機は、その優秀な性能に加えて、相当な経済的効果も得
られることにある。現在までのところ、ニューラルネッ
トワークを車内監視用または衝突感知用に使用すること
は何れも発見されておらず、ましてや両方の機能を同一
のニューラルネットワークシステムを用いて組み合わせ
ることによって得られる大きな利点は発見されていな
い。The use of the neural network to identify the back-type child seat is when the vehicle first moves. On the other hand, the use of a neural network for collision pattern recognition is continuous, but only required when an abnormal situation occurs. It is extremely rare that both occur at the same time, so the same system can easily perform both tasks. Naturally, when a conflict occurs, one of the functions is given priority. Therefore,
A powerful motivation for using neural network collision sensors is that, in addition to their excellent performance, they can also provide significant economic benefits. To date, no use of neural networks for in-vehicle surveillance or collision detection has been found, much less a significant advantage of combining both functions with the same neural network system. It has not been.

【００３０】興味深いことは、１つのシステムが一旦採
用されれば、上記の特徴はそれぞれ非常に少額のコスト
で付加できる点である。定位置にいない乗員を測定する
距離測定はソフトウエアの小規模な変更で行うことがで
き、また乗員用システムが既に設置されていれば運転者
用システムの追加は、変換器を追加するだけでよく、変
換器は大量に購入すれば安価なものである。また、その
逆に、運転者用システムが既に設置されていれば、乗員
用システムの追加も変換器の追加のみで達成できる。運
転者および乗員の両方のシステムが同一の電子機器を共
用できるため、電子構成機器に関しては殆ど追加コスト
はかからないであろう。Interestingly, once a system is employed, each of the above features can be added at a very small cost. Distance measurements to measure occupants not in place can be made with minor software changes, and if an occupant system is already installed, adding a driver system requires only adding a transducer. Often, transducers are cheaper if purchased in bulk. Conversely, if the driver system is already installed, the addition of the occupant system can be achieved only by adding the converter. Since both the driver and occupant systems can share the same electronics, there will be little additional cost for electronic components.

【００３１】図３では前記の米国特許出願番号第０８／
２３９，９７８号に記述されているように、助手席を占
有している物体を確認するために４個の超音波変換器３
１１、３１２、３１３、および３１４が使用されてい
る。この特定の実施態様においては、追加の変換器３１
１はこのシステムの確認の精度を改善するために備えら
れている。変換器から自動車運転者までの距離を判別す
るために超音波変換器３２１および３２２が使用され、
ハンドルに取り付けられたエアバッグモジュール１１０
および運転者までの距離を測定するために超音波変換器
３２３および３２４は使用されている。運転者の位置に
関する２番目の測定値は変換器３２１および３２２で得
られた測定値を確認するために使用される。エアバッグ
からの距離は、運転者までの距離およびハンドル３４０
までの距離を知ることによって計算できる。当然のこと
ながら、本発明の教示からそれることなく他のタイプの
変換器または測定手段を使用できる。本明細書で図示し
教示していることは、パターン認識技術を必要とする多
くの用途があり、パターン認識コンピュータ装置を共用
することによって、そのパターン認識を非常に経済的に
達成できるということである。Referring to FIG. 3, the aforementioned US patent application Ser.
As described in US Pat. No. 239,978, four ultrasonic transducers 3 are used to identify the object occupying the passenger seat.
11, 312, 313, and 314 are used. In this particular embodiment, the additional transducer 31
1 is provided to improve the verification accuracy of this system. Ultrasonic transducers 321 and 322 are used to determine the distance from the transducer to the car driver;
Airbag module 110 attached to handle
Ultrasonic transducers 323 and 324 are used to measure the distance to the driver. The second measurement relating to the driver's position is used to confirm the measurements obtained at converters 321 and 322. The distance from the airbag depends on the distance to the driver and the steering wheel 340.
Can be calculated by knowing the distance to Of course, other types of transducers or measurement means can be used without departing from the teachings of the present invention. What is illustrated and taught herein is that there are many applications that require pattern recognition technology, and that pattern recognition can be achieved very economically by sharing a pattern recognition computer device. is there.

【００３２】別の例である図４は、側面衝突予知センサ
システムを示しており、ここでは車両の側面の異なる場
所に取り付けられた変換器４１１−４１９が示されてお
り、それらは上で議論したように同一のコンピュータシ
ステムを使用し、適切な手段によりそのコンピュータシ
ステムに結合されている。また、図４は追加の入力も示
しており、これはいくつかの用途において、例えばエア
バッグを展開すべきかどうかを決定するのに有用な情報
を提供するものである。これらの入力としては、車両の
ラジエータ４３０に取り付けられた前部取り付け衝突セ
ンサ４２０、エンジン速度センサ４４０、ならびにアン
チロックブレーキシステムセンサに使用されている車輪
速度センサ４５０からの入力がある。Another example, FIG. 4, illustrates a side impact prediction sensor system, where transducers 411-419 are shown mounted at different locations on the side of the vehicle, which are discussed above. As such, the same computer system is used and coupled to the computer system by appropriate means. FIG. 4 also shows additional inputs, which provide information useful in some applications, for example, in determining whether to deploy an airbag. These inputs include inputs from a front mounted crash sensor 420 mounted on a radiator 430 of the vehicle, an engine speed sensor 440, and a wheel speed sensor 450 used in an anti-lock brake system sensor.

【００３３】現在開発中の衝突回避システムは、対象と
している車両の予想経路に存在する他車両のような物体
の位置を知るためにレーダーを使用するものである。い
くつかのシステムにおいては、ヘッドアップディスプレ
イのガラス面にシンボルを投影して、対象としている車
両への衝突の可能性がある領域に何らかの物体が存在す
ることを知らせるようになっている。現時点ではその物
体が何であるかを判別したり、またその物体の映像を表
示する試みはなされていない。ニューラルネットワーク
パターン認識システムならびにその他のパターン認識シ
ステムはこの様な能力を有しており、将来の衝突回避シ
ステムは紛れもなくこの能力を必要とするものになるで
あろう。当然、前記のように、衝突を感知するために本
明細書で提案されているパターン認識コンピュータシス
テムを、衝突回避用パターン認識にも使用できる。図５
はレーダー式衝突回避センサ５１０の位置を示した自動
車の正面図であり、レーダー式衝突回避センサ５１０に
は上で議論した衝突センサと同じニューラルコンピュー
タシステムが使用され、レーダー式衝突回避センサ５１
０がニューラルコンピュータシステムに接続されてい
る。The collision avoidance system currently under development uses a radar to know the position of an object such as another vehicle on the expected route of the target vehicle. In some systems, a symbol is projected onto the glass surface of the head-up display to indicate the presence of an object in an area that may collide with the vehicle of interest. At this time, no attempt has been made to determine what the object is or to display an image of the object. Neural network pattern recognition systems, as well as other pattern recognition systems, have such capabilities and future collision avoidance systems will undoubtedly require this capability. Of course, as mentioned above, the pattern recognition computer system proposed herein for sensing collisions can also be used for collision avoidance pattern recognition. FIG.
Is a front view of the vehicle showing the position of the radar-based collision avoidance sensor 510. The radar-based collision avoidance sensor 510 uses the same neural computer system as the collision sensor discussed above.
0 is connected to the neural computer system.

【００３４】図６には自動車座席のヘッドレスト６１０
に備えられた乗員位置センサ装置６２２、６２４が示さ
れている。そのようなセンサは後部衝撃時に乗員を保護
するためのヘッドレスト６１０を自動的に位置決めする
もので、乗員の体形に基づいて座席の位置を自動的に調
節し、また前部衝撃の際に頭の位置を監視するシステム
の一部として使用できる。それぞれのケースにおいて、
センサは衝突感知用に使用されているニューラルネット
ワークコンピュータシステムとインターフェースを介し
て接続されている。例えば後部衝撃保護の場合には、ニ
ューラルコンピュータは加速度計からの情報を利用し
て、後部衝突が進行中であることを判別し、ヘッドレス
トを乗員の頭に近づけるように移動させる命令を下すこ
とになる。もし後部衝撃を予知するために予知センサが
使用される場合、ニューラルコンピュータは接近してく
る物体を確認し、ヘッドレストの位置決めを許可してよ
いか否かを決定するのに使用できる。乗員の頭の縦方向
位置が監視されている場合には、ニューラル衝突センサ
は、その他の乗員位置情報とともにこの情報を考慮に入
れ、もし乗員が定位置にいない場合、エアバッグを展開
すべきかどうかを決定するのに使用される。FIG. 6 shows a headrest 610 of an automobile seat.
The occupant position sensor devices 622 and 624 provided in the vehicle are shown. Such a sensor automatically positions the headrest 610 to protect the occupant in the event of a rear impact, automatically adjusts the seat position based on the occupant's body shape, and also adjusts the head position during a front impact. Can be used as part of a position monitoring system. In each case,
The sensor is interfaced with the neural network computer system used for collision detection. For example, in the case of rear impact protection, the neural computer would use information from the accelerometer to determine that a rear collision was in progress and issue a command to move the headrest closer to the occupant's head. Become. If a predictive sensor is used to predict a rear impact, a neural computer can be used to identify the approaching object and determine whether to allow headrest positioning. If the vertical position of the occupant's head is monitored, the neural crash sensor will take this information into account, along with other occupant position information, and should the airbag be deployed if the occupant is not in place. Used to determine

【００３５】本明細書で説明した衝突センサの必須部分
を構成するパターン認識アルゴリズムは、従来のマイク
ロプロセッサを使用したアルゴリズムとして、または極
く最近入手可能になったニューラルコンピュータを用い
て実施できる。前者の場合、ニューラルパターン認識プ
ログラムを使用して訓練が実施され、その結果は多くの
場合Ｃコンピュータ言語で書かれたコンピュータアルゴ
リズムとなる。ただしＦＯＲＴＲＡＮ、ａｓｓｅｍｂｌ
ｙ、Ｂａｓｉｃなど他のコンピュータ言語を使用するこ
とも可能である。後者の場合、車両に使用されている同
一のニューラルコンピュータを訓練用にも使用できる。
慣用のマイクロコンピュータ上で使用するためのニュー
ラルネットワークソフトウェアは、ペンシルバニア州ピ
ッツバーグのニューラルウエア（Neural Ware）社のよ
うないくつかの会社から入手できる。ニューラルウエア
社のソフトウェアで作り出されたアルゴリズムの例を以
下に示す。このアルゴリズムは、特定の車種に関して自
動車製造業者から供給されるデータと、衝突・速度スケ
ーリング技術を使用して作り出された追加データを使用
して築かれた衝突ライブラリで訓練した後のものであ
る。 ＊衝突センサのためのニューラルネット、１９９４年８
月２３日。５０入力ノード、 ＊６隠れノード（シグモイド伝達関数）、１出力ノード
（０または１の値）。 ＊ネットワークはロジコン・プロジェクション（ Logic
on Projection ）による逆伝搬を使用して訓練。 ＊Ｙｉｎ（１−５０）は生の入力値。Ｘｉｎ（１−５
０）はスケーリングされた入力値。 ＊Ｙｉｎ（５０）は最新の２５の加速度の合計値、重力
の１／１０の倍数。 ＊Ｙｉｎ（４９）は以前の２５の合計値など、時間ステ
ップは８０マイクロ秒。 logical function nnmtlpn3(Yin, firesum, Yout) real*4 firesum, Yin(50), Yout integer i,j real*4 biashid(6), biasout, fire＿criterion, hiddenout(6), NormV, NV(4 ), & offset＿in(50), offset＿out, scale＿in(50), scale＿out, wgthid(51,6 ),& wgtout(6), Xin(51), Xsum parameter(fire＿criterion=0.0) data scale＿in/(omitted)/ data offset＿in/(omitted)/ data scale＿out, offset＿out/0.625,0.5/ data NV/2.0,7.0,7.0711002,50.000458/ data biashid/-49.110764,-69.856407,-48.670643, & -48.36599,-52.745285,-49.013027/ data biasout/0.99345559/ data wgthid/(omitted)/ data wgtout/(omitted)/ NormV=0.0 do i=1,50 Xin(i)=scale ＿in(i)*Yin(i)-offset＿in(i) NormV=NormV+Xin(i)*Xin(i) enddo NormV=NV(1)*NV(2)*NV(3)/(NV(4)+NormV) do i=1,50 Xin(i)=NormV*Xin(i) enddo Xin(51)=NV(2)-NV(3)*NormV do i=1,6 Xsum=biashid(i) do j=1,51 Xsum=Xsum+wgthid(j,i)*Xin(j) enddo hiddenout(i)=1.0/(1.0+exp(-Xsum)) enddo firesum=biasout do i=1,6 firesum=firesum+wgtout(i)*hiddenout(i) enddo Yout=offset＿out+scale＿out*tanh(firesum) if(firesum.GE.fire＿criterion)then nnmtlpn3=.TRUE. else nnmtlpn3=.FALSE. endif return endThe pattern recognition algorithm that forms an integral part of the collision sensor described herein can be implemented as a conventional microprocessor-based algorithm or using a neural computer that has become more recently available. In the former case, training is performed using a neural pattern recognition program, and the result is often a computer algorithm written in the C computer language. However, FORTRAN, assembl
Other computer languages such as y, Basic, etc. can be used. In the latter case, the same neural computer used in the vehicle can be used for training.
Neural network software for use on conventional microcomputers is available from several companies, such as Neural Ware, Pittsburgh, PA. An example of an algorithm created by Neuralware software is shown below. This algorithm is after training on a collision library built using data supplied by the vehicle manufacturer for a particular vehicle type and additional data created using collision and speed scaling techniques. * Neural network for collision sensors, August 1994
March 23. 50 input nodes, * 6 hidden nodes (sigmoid transfer function), 1 output node (value of 0 or 1). * Network is Logicon Projection (Logic
on Projection). * Yin (1-50) is the raw input value. Xin (1-5
0) is a scaled input value. * Yin (50) is the sum of the last 25 accelerations, a multiple of 1/10 of gravity. * Time step is 80 microseconds, such as Yin (49) being the previous 25 totals. logical function nnmtlpn3 (Yin, firesum, Yout) real * 4 firesum, Yin (50), Yout integer i, j real * 4 biashid (6), biasout, fire_criterion, hiddenout (6), NormV, NV (4), & offset_in (50), offset_out, scale_in (50), scale_out, wgthid (51,6), & wgtout (6), Xin (51), Xsum parameter (fire_criterion = 0.0) data scale_in / (omitted) / data offset_in / ( omitted) / data scale_out, offset_out / 0.625,0.5 / data NV / 2.0,7.0,7.0711002,50.000458 / data biashid / -49.110764, -69.856407, -48.670643, & -48.36599, -52.745285, -49.013027 / data biasout / 0.99345559 / data wgthid / (omitted) / data wgtout / (omitted) / NormV = 0.0 do i = 1,50 Xin (i) = scale_in (i) * Yin (i) -offset_in (i) NormV = NormV + Xin (i ) * Xin (i) enddo NormV = NV (1) * NV (2) * NV (3) / (NV (4) + NormV) do i = 1,50 Xin (i) = NormV * Xin (i) enddo Xin (51) = NV (2) -NV (3) * NormV do i = 1,6 Xsum = biashid (i) do j = 1,51 Xsum = Xsum + wgthid (j, i) * Xin (j) enddo hiddenout (i) = 1.0 / (1.0 + exp (-Xsum)) enddo firesum = biasout do i = 1,6 firesum = firesum + wgtout (i) * hiddenout (i) enddo Yout = offset_out + scale_out * tanh (fire sum) if (firesum.GE.fire_criterion) then nnmtlpn3 = .TRUE.else nnmtlpn3 = .FALSE. endif return end

【００３６】集積回路チップに組み込まれたニューラル
コンピュータは現在さまざまなチップ供給者から供給さ
れるようになっている。これらのチップは大規模並行処
理アーキテクチャを使用し、全ての入力データを同時処
理できるようになっている。その結果、１つのパターン
の計算処理に必要とされる時間は、マイクロプロセッサ
で実施されるシステムの場合はミリ秒のオーダーである
が、ニューラルコンピュータの場合はマイクロ秒のオー
ダーである。この計算速度によれば１台のニューラルコ
ンピュータで、衝突事故の間にでさえ、いくつかのパタ
ーン認識作業を同時にこなすことができる。そのような
ニューラルコンピュータの構造に関する議論は、前掲の
クンの参照書籍の３８２頁に記載されている。Neural computers built into integrated circuit chips are now being supplied by various chip suppliers. These chips use a massively parallel processing architecture so that all input data can be processed simultaneously. As a result, the time required to process one pattern is on the order of milliseconds for a microprocessor implemented system, but on the order of microseconds for a neural computer. According to this calculation speed, a single neural computer can perform several pattern recognition tasks simultaneously even during a collision accident. A discussion of the structure of such a neural computer is provided at page 382 of the aforementioned Kun reference book.

【００３７】図７にセンサアルゴリズムを得るためのニ
ューラルコンピュータのブロック図が示されている。第
１ステップでは、１つまたはそれ以上の車種をコントロ
ールされた条件下で衝突させる。車両およびダミー人形
には計測器が完全に装備されており、衝突の激しさ、ひ
いてはエアバッグの必要性を決定できる。衝突時の加速
度は、衝突センサを取り付ける可能性のある全ての場所
で測定される。通常、車両の主要構造部材に強固に取り
付けられている部位が、センサの良い取り付け場所とな
る。FIG. 7 is a block diagram of a neural computer for obtaining a sensor algorithm. In a first step, one or more vehicles are collided under controlled conditions. Vehicles and dummy figures are fully equipped with measuring instruments, which can determine the severity of the collision and thus the need for airbags. The crash acceleration is measured at all locations where a crash sensor may be installed. Usually, a part firmly attached to a main structural member of a vehicle is a good attachment place for the sensor.

【００３８】種々の速度下での下記の衝突事故のタイプ
は、衝突センサのデザインおよびキリブレーションを確
立するために考慮すべき代表的なものである： 障害物への正面衝突 右に角度を持った障害物への衝突 左に角度を持った障害物への衝突 中心を外れた障害物への正面衝突 中心をかなり外れた（レールの外側）障害物への正面衝
突 高い柱への中心での衝突 高い柱への中心を外れた位置での衝突 低い柱（バンパより下）への衝突 車両対車両の正面衝突 車両対車両の部分的な正面衝突 車両対車両の角度のついた衝突 車両対車両の追突 車両対車両の側面衝突で両方の車が動いている衝突 バンパのもぐり込み衝突 動物の衝突−鹿でのシミュレーション 車体下面の衝突（鉄道軌道のようなものへの乗り上げ） ハイウエイ衝撃吸収装置（イエローバーレル（黄色の
樽）など）への衝突 ガードレールへの衝突 縁石への衝突The following types of crashes at various speeds are typical to consider in establishing crash sensor design and calibration: Frontal impact on obstacles Angle right Collision with an obstacle held Collision with an obstacle angled to the left Frontal collision with an off-center obstacle Frontal collision with an off-center obstacle (outside the rail) At the center of a high pillar Off-center collision on a high column Off-center collision on a low column (below bumper) Vehicle-to-vehicle head-on collision Vehicle-to-vehicle partial head-on collision Vehicle-to-vehicle angled collision Vehicle-to-vehicle collision Vehicle collision Vehicle-to-vehicle side collision in which both vehicles are moving Bumper digging collision Animal collision-Simulation with deer Collision of underbody (Riding on something like a railway track) Highway shock absorber Yellow barrel collision to collision curb to the collision guardrail to the (yellow barrels), and the like)

【００３９】下記の非衝突事象のタイプは、衝突センサ
のデザインおよびキャリブレーションを確立するために
考慮すべき代表的なものである。 アクセルの過度の使用（hammer abuse）（作業場でのア
クセルの過度の使用（shop abuse）） 悪路（悪運転条件）The following non-collision event types are representative to be considered for establishing crash sensor design and calibration. Excessive use of the accelerator (hammer abuse) (Excessive use of the accelerator in the workplace (shop abuse)) Bad road (bad driving conditions)

【００４０】通常、車両の製造者は特定の車種にだけ対
象を絞って、衝突センサ設計者にその特定車種用のセン
サを設計するように指示する。本明細書で説明した技術
を利用すればこうしたことは必要なくなり、各種の異な
った車種の衝突のデータを訓練データに含ませることが
できる。Usually, a vehicle manufacturer focuses on a specific vehicle type only and instructs a crash sensor designer to design a sensor for the specific vehicle type. This is not necessary if the technique described in this specification is used, and data on collisions of various different vehicle types can be included in the training data.

【００４１】衝突テストは非常に高価につくため、車両
の製造者は特定の車種について上に列挙した全ての衝突
を実施するのを嫌がるものである。一方もし、現実に起
きる特定のタイプの事故がライブラリから抜け落ちてい
る場合、その事故が実際に後で起きた場合にシステムが
最適に動作しない可能性があり、一人あるいはそれ以上
の人が死亡したり、負傷したりすることもありうる。こ
のジレンマを部分的に解決する１つの方法は、上で議論
したように他の車両の衝突データを利用することであ
る。もう１つの方法は、段階的（staged）衝突テストか
ら得られるデータを使用してデータを作り、種々の数学
的手法を利用してそのデータを処理して、テストされて
いない衝突を表すようなデータを作りだすことである。
これを達成するための１つの方法は、前記参照論文、特
に参照論文１）の８頁と参照論文２）の３７−４９頁、
に詳しく説明されているような速度・衝突スケーリング
を利用することである。これが図７に示されているプロ
セスの第２ステップである。Because crash tests are very expensive, vehicle manufacturers are reluctant to perform all of the crashes listed above for a particular vehicle type. On the other hand, if certain types of real-life incidents are missing from the library, the system may not work optimally if the incidents actually occur later, and one or more people will die. Or be injured. One way to partially solve this dilemma is to utilize the collision data of other vehicles as discussed above. Another approach is to create data using data obtained from a staged collision test and process the data using various mathematical techniques to represent untested collisions. Creating data.
One way to achieve this is to refer to the above referenced papers, especially pages 8 of Reference 1) and pages 37-49 of Reference 2),
Utilizing velocity and collision scaling as described in detail in This is the second step in the process shown in FIG.

【００４２】第３ステップは候補ニューラルネットワー
ク構造を仮に設定することである。その選択として、例
えば１００の入力ノードと６の隠れノードを有するよう
な、中程度の複雑さのものが推奨される。もしネットワ
ークが単純すぎると、システムが訓練されないケースが
出てくるであろうし、もしそうしたケースが重要な衝突
事故の場合は、より多くのノードを追加してそのネット
ワークを修正しなければならなくなる。もし最初の選択
があまりにも複雑であると、通常、訓練後の重みの１つ
またはそれ以上がゼロに近い値を示すものとなる。どち
らにせよ、ネットワークは後でノードを一つずつ外すこ
とによって、ネットワークの正確さが低下しないかどう
かをテストすることになる。当然のことながら、他のパ
ターン認識技術にも同様の一連のステップが適用され
る。The third step is to provisionally set a candidate neural network structure. The choice is moderately complex, for example having 100 input nodes and 6 hidden nodes. If the network is too simple, there will be cases in which the system will not be trained, and if that is a critical collision, the network will have to be modified by adding more nodes. If the initial choice is too complex, then typically one or more of the post-training weights will exhibit a value close to zero. Either way, the network will later test whether removing the nodes one by one will not reduce the accuracy of the network. Of course, a similar sequence of steps applies to other pattern recognition techniques.

【００４３】訓練データは次に実際の車両で見られるよ
うな形のものに組み立てなければならない。予め段階付
けられた衝突からのデータは衝突の全時間に亘るものが
入手できるが、車両に搭載するシステムは一度に１つの
データを見るだけである。したがって、訓練データはそ
のような形でパターン認識コンピュータ、またはコンピ
ュータプログラムに送り込まねばならない。これは各衝
突データファイルを取り出し、そこから１００のデータ
ケースを作ることによって達成される。この場合、衝突
の時間を２００ミリ秒と想定して、各データポイントを
２ミリ秒間での平均加速度とすることによって達成でき
る。最初の訓練ケースは第１のポイントを含み、残りの
９９のポイントはゼロ、またはランダムな小さな値であ
る。第２のデータケースは最初の２個のデータポイント
を含み、残りの９８ポイントはゼロ、またはランダムな
小さな値、というようにする。１０番目のデータファイ
ルでは、データポイント１は２０ミリ秒での衝突平均加
速度を含み、データポイント２は１８ミリ秒での衝突平
均加速度を含み、１０番目のデータポイントは衝突の最
初の２ミリ秒からのデータを含むことになる。このプロ
セスはその衝突について１００のデータケースが作られ
るまで続けられる。それぞれのケースは訓練ファイルの
中で一行のデータとして表される。この同じプロセス
を、データがある衝突および非衝突事象について、それ
ぞれ行わなければならない。典型的な訓練セットは最終
的に５０，０００程度のデータケースを含むものとな
る。The training data must then be assembled into a form as seen on a real vehicle. While data from pre-staged crashes is available for the entire time of the crash, the on-board system only looks at one data at a time. Therefore, the training data must be sent to the pattern recognition computer, or computer program, in such a manner. This is accomplished by retrieving each collision data file and making 100 data cases therefrom. In this case, this can be achieved by assuming the time of impact to be 200 milliseconds and taking each data point as the average acceleration over 2 milliseconds. The first training case includes the first point and the remaining 99 points are zero or a random small value. The second data case contains the first two data points, the remaining 98 points are zero, or a small random value, and so on. In the tenth data file, data point 1 contains the average crash acceleration at 20 ms, data point 2 contains the average crash acceleration at 18 ms, and the tenth data point contains the first 2 ms of the crash. Will include data from This process continues until 100 data cases have been created for the collision. Each case is represented as a line of data in the training file. This same process must be performed for collision and non-collision events with data, respectively. A typical training set will eventually contain as many as 50,000 data cases.

【００４４】この訓練セットは次に、乗員保護装置を展
開する必要が全くない全てのケースを除外して、相当切
り詰められる。例えば３０ｍｐｈの特定の前面障害物衝
突については、衝突の解析により、センサはエアバッグ
の展開を２０ミリ秒以内に開始しなければならないとさ
れている。したがって、上記の衝突の場合、２０ミリ秒
以内のデータは使用する必要はない。何故なら、我々は
センサが展開を開始すべきかどうかという点に関しては
興味がないからである。また、２０ミリ秒以上のデータ
は遅すぎる展開を意味することになり、これもあまり価
値がない。一方、エアバッグを展開すべきではないケー
スの場合は、２００データファイルの全セットを使用し
なければならない。最終的に、この訓練セットは展開を
開始しないケースと展開を開始するケースをほぼ同数に
なるようにバランスがとれたものにして、出力が一方に
片寄って決定されないようにしなければならない。これ
が図７に描かれているこのプロセスの第４ステップであ
る。This training set is then substantially truncated, except for all cases where there is no need to deploy the occupant protection device. For a particular frontal obstacle collision, for example, at 30 mph, analysis of the collision indicates that the sensor must begin deploying the airbag within 20 milliseconds. Therefore, in the case of the above collision, it is not necessary to use data within 20 ms. Because we are not interested in whether the sensor should start deploying. Also, data longer than 20 milliseconds would mean deployment too late, which is also of little value. On the other hand, in cases where the airbag should not be deployed, the entire set of 200 data files must be used. Ultimately, this training set must be balanced so that the number of cases that do not start deployment and the number of cases that begin deployment are approximately the same, so that the output is not determined to one side. This is the fourth step in the process depicted in FIG.

【００４５】第５ステップでは、パターン認識プログラ
ムをこの訓練セットを用いて動かす。ニューラルネット
ワークプログラムの場合、プログラムは、“逆伝播（Ba
ck Propagation）”技術のような種々の技術を用いて、
入力層ノードから隠れ層ノードへの接続、および隠れ層
ノードから出力層ノードへの接続に重みを割り当て、出
力ノードでの計算値と要求値との間の誤差を少なくする
ようにする。例えば、３０ｍｐｈの前面障害物衝突のよ
うな特定の衝突については、衝突の解析でセンサは２０
ミリ秒以内に展開を開始しなければならないこと、また
衝突の最初の２０ミリ秒間を表すデータファイルは、要
求される出力ノードとして１の値を持たねばならない、
という事実が明らかとなっている。８ｍｐｈ障害物衝突
のような別の衝突でエアバッグの展開が必要でない場合
は、この衝突を表すのに使用されている全てのデータ線
（１００本）についての要求される出力ノードの値は０
となる。ネットワークプログラムは次に、エアバッグが
必要とされない全てのケースでは出力ノード値がほぼ０
になるまで、また同様にエアバッグが必要とされる全て
のケースでは出力値が１に近い値になるまで、ノードに
異なる重みを割り当てる。このプログラムは、要求出力
値と計算出力値の間との誤差が最小になるような重みを
見つけだす。In the fifth step, the pattern recognition program is run using this training set. In the case of a neural network program, the program is called "Back Propagation (Ba
ck Propagation) ”technology.
Weights are assigned to the connection from the input layer node to the hidden layer node and the connection from the hidden layer node to the output layer node so as to reduce the error between the calculated value at the output node and the required value. For example, for a particular collision, such as a 30 mph frontal obstacle collision, the collision analysis may indicate that the sensor
The deployment must start within milliseconds, and the data file representing the first 20 milliseconds of the collision must have a value of 1 as the required output node,
The fact is clear. If the deployment of the airbag is not required in another collision, such as an 8 mph obstacle collision, the required output node value for all data lines (100 lines) used to represent this collision is zero.
Becomes The network program will then have an output node value of almost zero in all cases where no airbag is needed.
, And similarly in all cases where an airbag is required, assign different weights to the nodes until the output value is close to one. This program finds the weight that minimizes the error between the required output value and the calculated output value.

【００４６】重みという用語は、各層の各ノードのそれ
ぞれのデータが高次層のノードに入力される前にそれら
のデータに対して行われる数学的処理を記述するのに当
分野で使用されている一般的な用語である。例えば入力
層のノード１のデータは、訓練プロセスで限定される少
なくとも１個の係数を含む関数によって処理される。一
般的にこの係数、即ち重みは入力ノードと隠れ層ノード
の各組合せによって異なる。したがって上記の１００個
の入力ノードと、１２個の隠れ層ノードと、１個の出力
ノードとを有する例においては、一般的に訓練期間中に
ニューラルネットワークプログラムによって決定される
重みの数は１，２１２個となる。１個のノードからのデ
ータを高い階層のノードに入力する前に処理するのに使
用される関数の一例はシグモイド関数である：通常の逆
伝播訓練ネットワークにおいて、Ｏijをｉ層のノードｊ
の出力とすると、ｉ＋１層のノードｋへの入力は、 Ｉi+1,k ＝Σj Ｗkj(i) Ｏij ここでＷkj(i) はｉ層のノードｊとｉ＋１層のノードｋ
の間を接続するのに適用される重みである。そこでｉ＋
１層のノードｋの出力はその入力を、例えばシグモイド
関数で変換することによって得られる： Ｏi+1,k ＝１／（１＋ｅ-1i+1,k ） そしてこれが次の層ｉ＋２への入力として使用される。The term weight is used in the art to describe the mathematical processing performed on the data at each node of each layer before the data is input to nodes at higher layers. There is a general term. For example, the data of the input layer node 1 is processed by a function including at least one coefficient defined by the training process. Generally, this coefficient, that is, the weight, differs depending on each combination of the input node and the hidden layer node. Thus, in the above example having 100 input nodes, 12 hidden layer nodes, and one output node, the number of weights determined by the neural network program during the training period is generally 1, It becomes 212 pieces. One example of a function that is used to process data from one node before entering it into higher hierarchy nodes is a sigmoid function: In a typical backpropagation training network, Oij is replaced by i-th node j
, The input to the node k in the i + 1 layer is Ii + 1, k = Ｗj Wkj (i) Oij where Wkj (i) is the node j in the i layer and the node k in the i + 1 layer.
Is the weight applied to connect between. So i +
The output of a layer k node k is obtained by transforming its input, for example with a sigmoid function: Oi + 1, k = 1 / (1 + e-1i + 1, k) and this is the input to the next layer i + 2 used.

【００４７】もしニューラルネットワークが非常に複
雑、つまり多くの隠れ層ノードを有し、かつもし訓練セ
ットが小さい場合、このネットワークは訓練セットを
“記憶”できるが、その結果は、提示されたケースと僅
かに異なる場合に適切に応答することができなくなるこ
とがありうる。これはニューラルネットワークに関する
問題点の１つであるが、これは現在より進化したパター
ン認識システムにより解決されつつある。最終的な目標
は、提示されたデータを一般化したネットワークで提示
されたケースの１つと似てはいるが、異なる新しいケー
スにも適切に応答するようなネットワークを得ることで
ある。このネットワークはまた、もし多くのケースが殆
ど同じものである場合には、入力データを効果的に記憶
することもできる。ネットワークを見ただけでこれを判
断するのは難しいこともあり、したがってネットワーク
を利用可能なデータの全てを用いて訓練するのではな
く、いくつかの重要な代表的なデータサンプルはネット
ワークのテストのために使用するものとして訓練セット
とは別に保持しておくことが重要である。これが第５ス
テップの機能であり、以前に見たことのないデータを使
用してネットワークをテストするというものである。If the neural network is very complex, that is, it has many hidden layer nodes, and if the training set is small, the network can "store" the training set, but the result is If it is slightly different, it may not be possible to respond properly. This is one of the problems with neural networks, which is being solved by more advanced pattern recognition systems. The ultimate goal is to have a network that resembles one of the cases presented in a generalized network of the presented data, but which responds appropriately to different new cases. The network can also effectively store input data if many cases are nearly identical. It can be difficult to determine this just by looking at the network, so rather than training the network with all available data, some important representative data samples can be used to test the network. It is important to keep it separate from the training set for use. This is the function of the fifth step, which tests the network using data that has not been seen before.

【００４８】第６ステップはネットワークを再設計し、
次いで結果が満足なものとなるまで、第３ステップから
第５ステップまでを繰り返すものである。このステップ
は、市販されているいくつかのニューラルネットワーク
ソフトウェア製品により自動的に達成される。The sixth step is to redesign the network,
Next, the third to fifth steps are repeated until the result is satisfactory. This step is accomplished automatically by some commercially available neural network software products.

【００４９】最終ステップはアルゴリズムのためのコン
ピュータコードを出力し、このコードによりマイクロプ
ロセッサをプログラムするものである。それらコードの
例は上記を参照されたい。本発明の重要な特徴の１つ
は、選択されるニューラルネットワークシステムは極め
て単純なものであるが、しかしデータをネットワークに
送り込む方法によって、全ての関連する計算を単一のネ
ットワークで行うことができることである。例えば、引
き金を引くための時間を推測するために、追加のネット
ワークを使用する必要はない。なぜならばそれは既に訓
練におり込まれているからである。当然のことながら、
前記のように乗員の実際の位置がわかる場合には極めて
大きな改善結果が得られることになり、事実、２つのシ
ステムを同時に導入し、それによって最善の１点式衝突
センサアルゴリズムと、定位置にいない乗員に関する解
とを組み合わせられる可能性が高い。The final step is to output computer code for the algorithm and to program the microprocessor with this code. See above for examples of those codes. One of the important features of the present invention is that the neural network system chosen is very simple, but by the way the data is fed into the network, all the relevant calculations can be performed on a single network. It is. For example, it is not necessary to use an additional network to estimate the time to trigger. Because it is already in training. As a matter of course,
If the actual position of the occupant is known as described above, a significant improvement can be obtained, and in fact, two systems are introduced at the same time, whereby the best one-point crash sensor algorithm and It is more likely to be combined with a solution for a non-occupant.

【００５０】上で説明し図７に示したステップは、コー
ドを発生するためにニューラルコンピュータプログラム
を使用し、次にそのコードを標準的なマイクロ演算装置
をプログラムするために使用する場合である。ニューラ
ルコンピュータが使用される場合も同様のステップが適
用される。The steps described above and shown in FIG. 7 are for the case where a neural computer program is used to generate the code, which is then used to program a standard micro-processor. Similar steps apply when a neural computer is used.

【００５１】図８には、１点式衝突センサに使用するた
めの、本発明の教示に基づいて設計されたニューラルネ
ットワークパターン認識アルゴリズムを、前記レファレ
ンス論文に提示されている速度・衝突スケーリング技術
に基づいて作られた衝突マトリックスに適用した結果が
示されている。この表には異なる衝突速度（縦軸）と異
なる衝突時間（横列）とについての結果が含まれてい
る。各衝突速度と衝突時間のそれぞれの組み合わせに関
して示されている結果は、拘束されていない乗員の、エ
アバッグ展開が開始される時点と３０ミリ秒経過後の変
位量である。FIG. 8 illustrates a neural network pattern recognition algorithm designed in accordance with the teachings of the present invention for use in a one-point collision sensor, using the speed and collision scaling technique presented in the reference. The results are shown applied to a collision matrix based on this. The table contains the results for different collision speeds (vertical axis) and different collision times (rows). The results shown for each crash velocity and crash time combination are the displacement of the unconstrained occupant at the point in time at which airbag deployment begins and after 30 milliseconds.

【００５２】エアバッグは通常、平均的な男性に相当す
るダミーで表される乗員が５インチ移動するまでに、３
０ミリ秒の展開時間が与えられるという想定に基づいて
設計される。もしエアバッグが展開する時に、乗員がエ
アバッグに接近し過ぎていると、これは乗員はエアバッ
グの展開によって激しく負傷したり、あるいは死亡した
りすることさえある。エアバッグが展開する時に、乗員
がエアバッグに寄り掛かっている場合、これは平均的男
性乗員が約１２インチの移動したことに相当し、極めて
深刻な状態になることが知られており、またエアバッグ
が完全に展開した時に乗員が５インチ以下しか移動して
いなければ、乗員が展開するエアバッグによって負傷す
ることがないことも知られている。これらの数値は、座
席中間部に座っている平均的な男性を表すダミー、つま
り５０％男性ダミーと呼ばれるダミーに基づくものであ
る。したがって深刻な負傷の閾値はこれら２個の点の間
のどこかということになり、したがってこの表では、深
刻な負傷の閾値を近似的に表すものとして２つのベンチ
マークが選択されている。これらのベンチマークは、拘
束されていない乗員の動きに基づき、（ｉ）エアバッグ
の展開が始まる時に乗員が既に５インチ動いているか、
ならびに（ｉｉ）エアバッグが完全に展開するまでに乗
員が１２インチ移動しているか、というものである。こ
の両方のベンチマークは、エアバッグが展開する時に乗
員がエアバッグに対して事実上大きく関わっていること
を如実に示すものである。もちろんその他のベンチマー
クも使用可能ではあるが、それらで示すには充分なテス
ト結果が不足していると考えられている。[0052] The airbag is typically 3 inches before the occupant, represented by the dummy equivalent to the average male, has moved 5 inches.
It is designed on the assumption that a deployment time of 0 ms is provided. If the occupant is too close to the airbag when the airbag is deployed, this can cause the occupant to be severely injured or even killed by the deployment of the airbag. If the occupant is leaning on the airbag when the airbag deploys, this is equivalent to an average male occupant traveling about 12 inches, which is known to be a very serious condition; It is also known that if the occupant moved less than 5 inches when the airbag was fully deployed, the occupant would not be injured by the deployed airbag. These figures are based on a dummy representing an average male sitting in the middle of the seat, a dummy called a 50% male dummy. Thus, the critical injury threshold is somewhere between these two points, and therefore, in this table, two benchmarks have been selected to approximate the serious injury threshold. These benchmarks are based on unconstrained occupant movement: (i) whether the occupant has already moved 5 inches when airbag deployment begins,
And (ii) whether the occupant has moved 12 inches before the airbag is fully deployed. Both benchmarks demonstrate that the occupant is substantially engaged with the airbag when the airbag is deployed. Of course, other benchmarks could be used, but it is believed that they lack sufficient test results to show them.

【００５３】したがって図８および９に示された表は、
展開が開始される時と３０ミリ秒後のエアバッグに対す
る乗員の相対変位量に関するデータを提示するものであ
る。もし最初の数値が５インチ以上、または２番目の数
値が１２インチ以上の場合、深刻な負傷の危険性がある
ことが考えられ、これはセンサがエアバッグの引き金を
引くのに間に合わなかったということになる。こうした
ケースについては、表のマス目に陰（細かな点）がつけ
られている。図８は本発明の教示に基づいて設計された
ニューラルネットワーク衝突センサのものであるが、こ
こに見られるように、何れのマス目にも陰はなく、セン
サの性能は良好であると考えられる。Thus, the tables shown in FIGS.
It presents data on the relative displacement of the occupant with respect to the airbag at the start of deployment and after 30 ms. If the first number is 5 inches or more, or the second number is 12 inches or more, there is a risk of serious injury, which means that the sensor did not catch up in triggering the airbag. Will be. In these cases, the cells in the table are shaded. FIG. 8 is for a neural network collision sensor designed according to the teachings of the present invention, but as seen here, there is no shadow in any of the squares and the sensor performance is considered to be good. .

【００５４】図９に示されている表は、現在量産されて
いるいくつかの車種に使用されている１点式衝突センサ
のモデルを示すものである。このセンサは実際に、表に
示されているような衝突に対して最適化されるように設
計されたものである。図９に示されているように、この
センサは表に示されている衝突のかなりのもので、タイ
ムリーなエアバッグの展開に失敗している。The table shown in FIG. 9 shows a model of a one-point collision sensor used in some types of vehicles currently mass-produced. This sensor is in fact designed to be optimized for collisions as shown in the table. As shown in FIG. 9, this sensor failed in a timely manner to deploy the airbag due to a significant number of the crashes shown in the table.

【００５５】本発明のニューラルネットワーク衝突セン
サを使用することによるもう１つの特筆点は、エアバッ
グを展開するという決定を下す時に、上記の例では、２
００ミリ秒の衝突データがネットワークの入力ノードに
蓄積されることである。これは一種の“ブラックボック
ス”を提供するものであり、後で衝突の激しさを正確に
調べるために利用できる。Another feature of using the neural network collision sensor of the present invention is that when making a decision to deploy an airbag, in the above example, 2
00 milliseconds of collision data is stored at the input node of the network. This provides a kind of "black box" that can be used later to pinpoint the severity of the collision.

【００５６】以上いくつかの好ましい実施例を図解して
説明してきたが、構成部品についてはその他の形状、材
料、ならびに異なる寸法を採用し、同じ機能を果たす別
の形のニューラルネットワークの実施方法と組み合わせ
ることが可能である。また、パターン認識手段の一例と
してニューラルネットワークを説明したが、その他のパ
ターン認識手段も存在する。さらに確認可能なパターン
が存在するかどうかを判断するのに個々のデータポイン
トを個別に処理して、乗員保護システムの展開を必要と
する衝突を確認するために使用できるその他の手段も開
発が進められており、いずれ使用可能となるであろう。
また、上で説明したニューラルネットワークシステムで
は、ネットワークへの入力データは、例えばグリーンの
米国特許第４，９０６，９４０号に記述されているよう
な“特徴抽出”プロセスを通すか、あるいはデータを積
分してシステムに速度データを入力するなど、いずれか
の方法で生の加速度データを事前処理したものとするこ
ともできる。本発明は上記の実施態様に限定されるもの
ではなく、特許請求の範囲によって判断されるべきもの
である。Although several preferred embodiments have been illustrated and described, other shapes, materials, and different dimensions for the components may be used to implement other forms of neural networks that perform the same function. It is possible to combine. Also, a neural network has been described as an example of the pattern recognition means, but other pattern recognition means also exist. Further measures have been developed to process each data point individually to determine if there are any identifiable patterns, and to use them to identify collisions that require deployment of occupant protection systems. And will be available soon.
Also, in the neural network system described above, the input data to the network either goes through a "feature extraction" process, such as described in Green U.S. Pat. No. 4,906,940, or integrates the data. The raw acceleration data may be preprocessed by any method, such as inputting speed data to the system. The present invention is not limited to the above embodiments, but should be determined by the appended claims.

【００５７】[0057]

【発明の効果】本発明の効果は以下のとおりである。 １）エアバッグを展開すべきかどうかを決定するため
に、加速度データの情報を最大限に利用する加速度計を
含む一点式センサを提供できる。 ２）各自動車に特有の修正を行うことなく、殆どの自動
車で使用可能な汎用的な一点式衝突センサを提供でき
る。 ３）自動車の中で、幾つかの異なるパターン認識機能、
例えば衝突感知、車室内に存在する物体の確認、車外の
物体の分類を行うことができる単一のコンピュータシス
テムを提供できる。 ４）段階的な車両衝突および非衝突事象、ならびにその
他統計的に引きだされた一連のデータを使用して、訓練
により導き出される衝突センサアルゴリズムを提供でき
る。 ５）パターン認識技術に基づく衝突センサを提供でき
る。 ６）衝突から導きだされる加速度データに加えて、他の
データも利用する衝突センサを提供する。データは加速
度データと組み合わされ、かつパターン認識技術を使用
することにより受動的保護装置の展開の必要性を決定で
きる。 ７）前面、側面の両方、および後部衝突を感知するため
に使用できる衝突センサを提供できる。 ８）エアバッグ展開の一定時間前からの衝突加速度デー
タを、後の分析のために自動的に保持する衝突センサを
提供できる。 ９）ニューラルコンピュータを使用した衝突センサを提
供できる。The effects of the present invention are as follows. 1) A single point sensor can be provided that includes an accelerometer that makes the best use of the information in the acceleration data to determine whether to deploy the airbag. 2) It is possible to provide a general-purpose one-point collision sensor that can be used in most vehicles without making a modification unique to each vehicle. 3) In the car, several different pattern recognition functions,
For example, it is possible to provide a single computer system capable of detecting a collision, confirming an object existing in a vehicle interior, and classifying an object outside the vehicle. 4) A gradual vehicle crash and non-collision event, as well as other statistically derived data sets, can be used to provide training-derived crash sensor algorithms. 5) It is possible to provide a collision sensor based on a pattern recognition technology. 6) Provide a collision sensor that uses other data in addition to acceleration data derived from a collision. The data is combined with the acceleration data and the use of pattern recognition techniques can determine the need for passive protection device deployment. 7) Can provide a crash sensor that can be used to sense both frontal, side and rear collisions. 8) It is possible to provide a collision sensor that automatically retains collision acceleration data from a predetermined time before the deployment of the airbag for later analysis. 9) A collision sensor using a neural computer can be provided.

【図面の簡単な説明】[Brief description of the drawings]

【図１】デュアルエアバッグ、および加速度計を含みパ
ターン認識技術を利用する一点式衝突センサを有する自
動車の車室の前部を示す図で、一部分を切り欠き除去し
た図である。FIG. 1 is a partially cut-away view showing a front portion of a vehicle compartment of an automobile having a dual airbag and a single-point collision sensor including an accelerometer and utilizing a pattern recognition technique;

【図２】本発明の教示に基づいて設計された衝突センサ
に使用されるニューラルネットワークの図である。FIG. 2 is a diagram of a neural network used in a collision sensor designed according to the teachings of the present invention.

【図３】自動車の車室を示す一部分を切り欠き除去した
図であり、乗員の定位置にいないことを検出するセンサ
および背面式子供シートを検出する検知器を示し、この
センサと検知器の両方ともがＡピラーに取り付けられ、
何れもパターン認識に基づく衝突センサと同じコンピュ
ータを使用している。FIG. 3 is a view in which a part showing a cabin of an automobile is notched and removed, and shows a sensor for detecting that the occupant is not in a fixed position and a detector for detecting a rear-type child seat; Both are attached to the A pillar,
Both use the same computer as the collision sensor based on pattern recognition.

【図４】一点式衝突センサと同じコンピュータを使用す
る側面衝突予知感知システムを示す部分的に上から見た
自動車の透視図で、前部に取り付けた衝突ゾーンセン
サ、エンジン速度センサ、ならびにアンチロックブレー
キシステムセンサからの入力も示されている。FIG. 4 is a partially top perspective view of a vehicle showing a side impact predictive sensing system using the same computer as a single point crash sensor, with a front mounted crash zone sensor, engine speed sensor, and antilock. Inputs from brake system sensors are also shown.

【図５】衝突センサと同一のパターン認識コンピュータ
システムを使用したレーダー式衝突回避センサの位置を
示す自動車の前面図である。FIG. 5 is a front view of an automobile showing the location of a radar-based collision avoidance sensor using the same pattern recognition computer system as the collision sensor.

【図６】１個の発信器と１個のレシーバーで構成された
超音波式頭部位置センサを含む、車両の座席とヘッドレ
ストの透視図である。FIG. 6 is a perspective view of a vehicle seat and headrest including an ultrasonic head position sensor composed of one transmitter and one receiver.

【図７】ニューラルネットワークを使用してセンサアル
ゴリズムを得る方法を示したブロック図である。FIG. 7 is a block diagram illustrating a method for obtaining a sensor algorithm using a neural network.

【図８】速度・衝突スケーリング技術を用いて作られた
衝突マトリックスについてのニューラルネットワークア
ルゴリズムで得られた結果を示す。FIG. 8 shows the results obtained with a neural network algorithm for a collision matrix created using the velocity-collision scaling technique.

【図９】速度・衝突スケーリング技術を用いて作られた
衝突マトリックスについての標準的な一点式衝突センサ
で得られた結果を示す。FIG. 9 shows the results obtained with a standard one-point collision sensor for a collision matrix made using the velocity-collision scaling technique.

【符号の説明】[Explanation of symbols]

１１０、１１１ エアバッグ １２０ ＳＤＭ（電子式感知・診断モジュール） １２２ 加速度計 １２４ アナログ−デジタル変換器 １３０ マイクロプロセッサ ３１１−３１４、３２１−３２４ 超音波変換器 ４１１−４１９ 変換器 ４２０ 衝突センサ ５１０ レーダー式衝突回避センサ ６２２、６２４ 乗員位置センサ装置 110, 111 Airbag 120 SDM (Electronic Sensing and Diagnostic Module) 122 Accelerometer 124 Analog-to-Digital Converter 130 Microprocessor 311-314, 321-324 Ultrasonic Converter 411-419 Converter 420 Collision Sensor 510 Radar Collision Avoidance sensors 622, 624 Occupant position sensor device

Claims (24)

【特許請求の範囲】[Claims] 【請求項１】 衝突時に少なくとも一人の乗員を保護す
るための展開可能な乗員保護装置を有する自動車におい
て、前記乗員保護装置の展開を開始するためのセンサシ
ステムであって、（ａ）前記車両の加速度を感知し、こ
の加速度を表すアナログ信号を発生するセンサ手段と、
（ｂ）前記センサ手段を前記車両に取り付ける取り付け
手段と、（ｃ）前記アナログ信号を受取り、前記アナロ
グ信号をデジタル信号に変換する変換手段と、（ｄ）パ
ターン認識手段を包み、前記デジタル信号を受け取る処
理手段であって、乗員保護を必要とする車両の衝突に特
有のパターンが前記デジタル信号に含まれていると前記
パターン認識手段が判断した時に展開信号を発生する処
理手段と、（ｅ）前記処理手段に結合され、前記展開信
号に応答して前記乗員保護装置の展開を開始する展開開
始手段とを包含するセンサシステム。1. An automobile having a deployable occupant protection device for protecting at least one occupant in the event of a collision, comprising: a sensor system for initiating deployment of the occupant protection device; Sensor means for sensing acceleration and generating an analog signal representing the acceleration;
(B) mounting means for attaching the sensor means to the vehicle, (c) converting means for receiving the analog signal and converting the analog signal into a digital signal, and (d) wrapping pattern recognition means, and (E) processing means for receiving the processing means for generating a deployment signal when the pattern recognition means determines that the digital signal contains a pattern specific to a collision of a vehicle requiring occupant protection; And a deployment start means coupled to the processing means for initiating deployment of the occupant protection device in response to the deployment signal. 【請求項２】 請求項１に記載のセンサシステムであっ
て、前記パターン認識手段がニューラルネットワークを
包含するセンサシステム。2. The sensor system according to claim 1, wherein said pattern recognition means includes a neural network. 【請求項３】 請求項１に記載のセンサシステムであっ
て、前記変換手段が前記アナログ信号の積分値から前記
デジタル信号を導きだすセンサシステム。3. The sensor system according to claim 1, wherein the conversion means derives the digital signal from an integrated value of the analog signal. 【請求項４】 請求項１に記載のセンサシステムであっ
て、前記センサ手段が前部衝撃を感知するような車両の
位置に取り付けられているセンサシステム。4. The sensor system according to claim 1, wherein the sensor means is mounted at a location on the vehicle where frontal impact is sensed. 【請求項５】 請求項１に記載のセンサシステムであっ
て、さらに前記展開可能な乗員保護装置によって保護さ
れるべき前記乗員が所定位置から移動した時点を検出
し、それに基づき前記乗員保護装置の展開を抑制する検
出手段を包含し、この検出手段が前記処理手段を包含す
るセンサシステム。5. The sensor system according to claim 1, further comprising: detecting when the occupant to be protected by the deployable occupant protection device has moved from a predetermined position, and based on the detected time, A sensor system comprising detection means for suppressing deployment, said detection means including said processing means. 【請求項６】 請求項１に記載のセンサシステムであっ
て、前記車両が助手席と助手席側エアバッグ乗員保護装
置とを有し、また前記センサシステムがさらに前記助手
席に位置する後向き子供シートの存在を検出するための
検出手段を包含し、この検出手段が前記処理手段を含む
ものであるセンサシステム。6. The rearward child according to claim 1, wherein the vehicle has a passenger seat and a passenger side airbag occupant protection device, and the sensor system is further located in the passenger seat. A sensor system including detection means for detecting the presence of a sheet, wherein the detection means includes the processing means. 【請求項７】 請求項１に記載のセンサシステムであっ
て、前記センサ手段が予知センサを包含するセンサシス
テム。7. The sensor system according to claim 1, wherein said sensor means includes a predictive sensor. 【請求項８】 請求項１に記載のセンサシステムであっ
て、前記センサ手段が衝突回避システムのためのセンサ
を包含するセンサシステム。8. The sensor system according to claim 1, wherein said sensor means includes a sensor for a collision avoidance system. 【請求項９】 請求項１に記載のセンサシステムであっ
て、前記センサ手段が後部衝撃を感知する位置に取り付
けられているセンサシステム。9. The sensor system according to claim 1, wherein the sensor means is mounted at a position for detecting a rear impact. 【請求項１０】 衝突時に少なくとも一人の乗員を保護
するための展開可能な乗員保護装置を有する自動車にお
いて、前記車両が前記乗員保護装置の展開を必要とする
衝突に遭遇していることを判断するセンサが、（ａ）前
記車両の加速度を感知し、この加速度を表すアナログ出
力信号を発生するセンサ手段と、（ｂ）前記センサ手段
を前記車両に取り付ける取り付け手段と、（ｃ）前記ア
ナログ信号を受取り、前記アナログ信号をデジタル信号
に変換する変換手段と、（ｄ）前記デジタル信号を処理
するために前記変換手段に結合され、パターン認識手段
を含むニューラルコンピュータであって、乗員保護を必
要とする車両の衝突に特有のパターンが前記デジタル信
号に含まれていると前記パターン認識手段が判断した時
に展開信号を発生するニューラルコンピュータと、
（ｅ）前記ニューラルコンピュータに結合され、前記展
開信号に応答して前記乗員保護装置の展開を開始する出
力手段とを包含するセンサ。10. In a motor vehicle having a deployable occupant protection device for protecting at least one occupant during a collision, determining that the vehicle has encountered a collision that requires deployment of the occupant protection device. A sensor for sensing an acceleration of the vehicle and generating an analog output signal representing the acceleration; (b) a mounting means for attaching the sensor means to the vehicle; Conversion means for receiving and converting the analog signal to a digital signal; and (d) a neural computer coupled to the conversion means for processing the digital signal and including pattern recognition means, requiring occupant protection. When the pattern recognition means determines that a pattern specific to a vehicle collision is included in the digital signal, a deployment signal is generated. Neural computer,
(E) output means coupled to the neural computer for initiating deployment of the occupant protection device in response to the deployment signal. 【請求項１１】 請求項１０に記載のセンサであって、
前記乗員保護装置がエアバッグであり、また前記衝突が
前方衝突であるセンサ。11. The sensor according to claim 10, wherein:
A sensor wherein the occupant protection device is an airbag and the collision is a forward collision. 【請求項１２】 請求項１０に記載のセンサであって、
前記乗員保護装置が可動式ヘッドレストを包含し、また
前記衝突が後部衝突であるセンサ。12. The sensor according to claim 10, wherein:
A sensor wherein the occupant protection device includes a movable headrest and the collision is a rear collision. 【請求項１３】 請求項１０に記載のセンサであって、
さらに前記展開可能な乗員保護装置によって保護される
べき前記乗員が所定位置から移動した時点を検出し、そ
れに基づき前記乗員保護装置の展開を抑制する検出手段
を包含し、この検出手段が前記ニューラルコンピュータ
を包含するセンサシステム。13. The sensor according to claim 10, wherein:
And detecting means for detecting when the occupant to be protected by the deployable occupant protection device has moved from a predetermined position and for suppressing deployment of the occupant protection device based on the detection. A sensor system including: 【請求項１４】 請求項１０に記載のセンサであって、
前記車両が助手席を有するとともに、助手席側エアバッ
グ乗員保護装置と、前記助手席に位置する後向き子供シ
ートの存在を検出して、それに基づき前記乗員保護装置
の展開を抑制する検出手段とを含み、この検出手段が前
記ニューラルコンピュータを包含するセンサ。14. The sensor according to claim 10, wherein:
The vehicle has a passenger seat, a passenger seat side airbag occupant protection device, and a detecting unit that detects the presence of a rearward facing child seat located in the passenger seat and suppresses deployment of the occupant protection device based thereon. A sensor, wherein the detecting means includes the neural computer. 【請求項１５】 請求項１０に記載のセンサであって、
前記センサ手段が少なくとも２方向の加速度を測定する
加速度測定システムを包含するセンサ。15. The sensor according to claim 10, wherein:
A sensor comprising an acceleration measurement system wherein said sensor means measures acceleration in at least two directions. 【請求項１６】 請求項１０に記載のセンサであって、
前記ニューラルコンピュータに追加データが入力され、
前記パターン認識手段が前記追加データを使用するセン
サ。16. The sensor according to claim 10, wherein:
Additional data is input to the neural computer,
A sensor in which the pattern recognition unit uses the additional data. 【請求項１７】 請求項１６に記載のセンサであって、
前記追加データが予知センサからのデータを含むセン
サ。17. The sensor according to claim 16, wherein:
The sensor wherein the additional data includes data from a predictive sensor. 【請求項１８】 請求項１６に記載のセンサであって、
前記追加データが衝突回避センサからのデータを含むセ
ンサ。18. The sensor according to claim 16, wherein:
The sensor wherein the additional data includes data from a collision avoidance sensor. 【請求項１９】 請求項１０に記載のセンサであって、
前記ニューラルコンピュータが装置の即応状態を診断す
るセンサ。19. The sensor according to claim 10, wherein:
A sensor for the neural computer to diagnose a responsive state of the device. 【請求項２０】 車両中の展開可能な乗員保護装置を展
開すべきであるかどうかを判断するためにマイクロプロ
セッサをベースとする衝突センサに使用するためのアル
ゴリズムを得る方法であって、（ａ）衝突センサを使用
する車両についての代表的なデジタル衝突データを得る
工程であって、前記衝突データは、展開が必要な衝突か
ら得られたもの、展開が必要でない衝突およびその他の
事象から得られたものであり、そのような全ての衝突お
よび事象の組み合わせが前記車両のための衝突ライブラ
リを構成するものである工程と、（ｂ）候補パターン認
識アルゴリズムを設計する工程と、（ｃ）前記衝突ライ
ブラリの事象を展開が必要な事象と展開が必要でない事
象に分類するために、パターン認識コンピュータプログ
ラムと衝突ライブラリとを使用して、分類誤差が最小に
なるまで前記パターン認識アルゴリズムを訓練して、訓
練されたニューラルネットワークを得る工程と、（ｄ）
前記訓練されたパターン認識アルゴリズムを、前記車両
についての代表的な追加衝突および事象を使用してテス
トする工程と、（ｅ）もしテスト性能が不満足な場合に
パターン認識アルゴリズムを再設計し、訓練およびテス
ト工程（ｃ）および（ｄ）を繰り返す工程（（注：審査
官はこの工程が条件付きである点で拒絶するかもしれな
い。そこで私は条件を付けないで従属クレームに置き換
えることを薦める））と、（ｆ）得られた衝突センサア
ルゴリズムをパターン認識プログラムから出力する工程
とを含む方法。20. A method of obtaining an algorithm for use with a microprocessor-based crash sensor to determine whether a deployable occupant protection device in a vehicle should be deployed, comprising: (a) C) obtaining representative digital crash data for the vehicle using the crash sensor, wherein the crash data is obtained from a crash that requires deployment, a crash that does not require deployment, and other events. Wherein all such collision and event combinations constitute a collision library for the vehicle; (b) designing a candidate pattern recognition algorithm; and (c) the collision A pattern recognition computer program and a collision library are used to classify library events into events that require Training said pattern recognition algorithm until a classification error is minimized to obtain a trained neural network;
Testing the trained pattern recognition algorithm using representative additional collisions and events for the vehicle; and (e) redesigning the pattern recognition algorithm if the test performance is unsatisfactory; Repeating test steps (c) and (d) ((Note: the examiner may reject this step as conditional, so I recommend unconditionally replacing it with a dependent claim) And (f) outputting the obtained collision sensor algorithm from a pattern recognition program. 【請求項２１】 車両中の展開可能な乗員保護装置を展
開すべきであるかどうかを判断するための、車両の衝突
の感知方法であって、（ａ）車両に取り付けられた加速
度計から加速度信号を得る工程と、（ｂ）前記加速度信
号をデジタル時系列データに変換する工程と、（ｃ）前
記デジタル時系列データをニューラルネットワークの入
力ノードである第１シリーズノードに入力する工程と、
（ｄ）前記入力ノードである第１シリーズノードの各々
からの前記データに数学的処理を行い、前記処理データ
を第２シリーズのノードへ入力する工程であって、処理
済の前記データを第２シリーズノードへ入力する前に前
記入力ノードである第１シリーズノードの各々からの前
記データに対して行う処理は、前記入力ノードである第
１シリーズノードのその他のものからのデータに行われ
る処理とは異なるものである工程と、（ｅ）全ての入力
ノードからの処理済のデータを各第２シリーズノードへ
向けて混合し、各第２シリーズノードの値を作る工程
と、（ｆ）前記第２シリーズノードの前記値のそれぞれ
に数学的処理を行い、前記処理データを出力シリーズノ
ードへ入力する工程であって、処理済の値を出力シリー
ズノードへ入力する前に前記第２シリーズノードデータ
の各々に対して行う処理は、その他の第２シリーズノー
ドデータに行われる処理とは異なるものである工程と、
（ｇ）全ての第２シリーズからの処理済のデータを各出
力シリーズノードに向けて混合し各出力シリーズノード
の値を作る工程と、（ｈ）もし１つの出力シリーズノー
ドの値が、エアバッグの展開を必要とする衝突が進行中
であることを意味する範囲内にある場合にエアバッグを
展開する工程とを包む方法。21. A method of sensing a vehicle collision for determining whether a deployable occupant protection device in a vehicle should be deployed, comprising: (a) detecting acceleration from an accelerometer mounted on the vehicle; Obtaining a signal; (b) converting the acceleration signal into digital time series data; and (c) inputting the digital time series data to a first series node which is an input node of a neural network.
(D) performing mathematical processing on the data from each of the first series nodes as the input nodes, and inputting the processed data to a second series of nodes, wherein the processed data is stored in a second series of nodes. The processing to be performed on the data from each of the first series nodes that are the input nodes before inputting to the series nodes is the processing to be performed on the data from the other ones of the first series nodes that are the input nodes. (E) mixing processed data from all input nodes toward each second series node to create a value for each second series node; and (f) Performing a mathematical operation on each of the values of the two series nodes and inputting the processed data to an output series node, wherein the processed values are input to an output series node A step wherein the processing performed for each of the second series node data, the processing to be performed for other second series node data are different, the
(G) mixing the processed data from all second series toward each output series node to create a value for each output series node; and (h) if the value of one output series node is an airbag Deploying the airbag when it is within a range meaning that a collision requiring deployment is in progress. 【請求項２２】 請求項２１に記載の方法であって、第
３シリーズノードが前記第２シリーズノードと前記出力
シリーズノードの間に置かれ、かつ前記第２シリーズノ
ードからの前記処理済のデータが前記第３シリーズノー
ドへ入力され、かつ前記第３シリーズノードからの処理
済の値が前記出力ノードへ入力されるものである方法。22. The method of claim 21, wherein a third series node is located between the second series node and the output series node and the processed data from the second series node. Is input to the third series node, and the processed value from the third series node is input to the output node. 【請求項２３】 少なくとも二人の車両の乗員を保護す
るために展開可能な乗員保護装置を有し、運転者によっ
て占有される運転者席と物体によって占有される助手席
とを有する自動車において、前記乗員保護装置の展開を
開始するためのセンサシステムであって、（ａ）前記車
両の加速度を感知し、この加速度を表すアナログ出力信
号を発生する第１センサ手段と、（ｂ）前記展開可能な
乗員保護装置に対する運転者の相対位置を感知する第２
センサ手段と、（ｃ）前記助手席を占有する物体を確認
するための確認手段と、（ｄ）前記第１センサ手段を前
記車両に取り付ける取り付け手段と、（ｅ）前記第１セ
ンサ手段に結合され、前記アナログ信号を受取ってこの
アナログ信号をデジタル信号に転換する変換手段と、
（ｆ）前記変換手段に結合され、かつパターン認識手段
を包含する演算処理手段であって、（ｉ）乗員保護を必
要とする車両の衝突に特有のパターンが前記デジタル信
号に含まれていると前記パターン認識手段が判断し、
（ｉｉ）運転者が少なくとも前記展開可能乗員保護装置
から少なくとも所定量離間していることを前記第２セン
サ手段が示し、そして（ｉｉｉ）前記助手席が占有され
ており、それが背面式子供シートで占有されているもの
ではないと前記確認手段が判断した時に展開信号を発生
する演算処理手段と、（ｇ）前記演算処理手段に結合さ
れ、前記展開信号に応答して前記乗員保護装置の展開を
開始する展開開始手段とを包含するセンサシステム。23. A motor vehicle having an occupant protection device deployable to protect occupants of at least two vehicles and having a driver seat occupied by a driver and a passenger seat occupied by an object. A sensor system for initiating deployment of the occupant protection device, comprising: (a) first sensor means for sensing acceleration of the vehicle and generating an analog output signal representing the acceleration; To detect the relative position of the driver to the occupant protection device
Sensor means; (c) confirmation means for confirming an object occupying the passenger seat; (d) mounting means for attaching the first sensor means to the vehicle; and (e) coupling to the first sensor means. Conversion means for receiving the analog signal and converting the analog signal into a digital signal;
(F) arithmetic processing means coupled to the conversion means and including pattern recognition means, and (i) a pattern specific to a collision of a vehicle requiring occupant protection is included in the digital signal. The pattern recognition means judges,
(Ii) the second sensor means indicates that a driver is at least a predetermined distance away from the deployable occupant protection device; and (iii) the front passenger seat is occupied, which is a rear child seat. A processing means for generating a deployment signal when the confirmation means determines that the occupant protection device is not occupied by the occupant protection device; And a deployment start means for starting the operation. 【請求項２４】 請求項２３に記載のシステムであっ
て、前記パターン認識手段がニューラルネットワークを
包含するシステム。24. The system according to claim 23, wherein said pattern recognition means comprises a neural network.