用於控制人身保護裝置的方法及裝置以及相應的電腦程式及電腦程式產品的製作方法

2023-05-11 22:28:01 2

專利名稱：用於控制人身保護裝置的方法及裝置以及相應的電腦程式及電腦程式產品的製作方法
技術領域：
本發明涉及根據獨立權利要求的類型的用於控制人身保護裝置的裝置 及方法及相應的電腦程式以及電腦程式產品。
背景技術：
由DE 103 60 893 Al公知了用於控制人身保護裝置的一種方法。其中 由一個加速度信號確定一個提前量，該提前量與至少一個閾值相比較，其 關聯由速度下降及延遲來調節。根據該比較來控制人身保護裝置。

發明內容
相比之下，根據本發明的用於控制人身保護裝置的方法或根據本發明 的用於控制人身保護裝置的裝置或電腦程式或電腦程式產品具有其優 點，即，根據本發明，控制決策將多個與觸發有重大關係的測量量組合成 一個特徵向量及然後基於一些特徵向量的相似性的簡單比較進行觸發。為 此，在第一步驟中，將由具有已知的碰撞特性的數據組(訓練數據組)組 成的特徵向量歸於對於觸發有重大關係的類。不同的類例如可以代表不同 的碰撞嚴重度。在第二步驟中，未知碰撞特性的特徵向量通過與在訓練數 據組中求得的特徵向量的類似性的比較被歸於相應的類。根據本發明的方 法以所述分類策略的簡單性而易於實施及在文獻中作為最接近方法而公 知。尤其與傳統方法的高應用成本相比可看出很好的可實施性，在傳統方 法投入了許多專家知識及由此需忍受理解或解釋之苦。
此外根據本發明，通過使用特徵向量可實現高維的觀察，使得可實現 更好的分類。組合成特徵向量的各個特徵通過它們的數目確定了維數。
特徵向量與其類歸屬一起的存儲可在碰撞數據未進一步處理的情況下 自動進行。為了節省資源有意義的是減小應被存儲的碰撞數據的組。對於該任務也具有一些方法，這些方法可由多個碰撞數據中自動地選擇最顯 著的特徵向量的一個子集。因此其應用成本非常低。
在特徵向量的相應選擇時可在物理的測量量及計算量的範圍中進行分類。
因為用於根據本發明的方法、尤其是分類的測量原理是無關緊要的， 因此可用簡單的方式將具有不同物理測量量的不同傳感器的數據以統一的 方式合併。屬於這些測量量的有加速度，壓力，固體聲，磁場電流，環境 數據及其它可能的測量量。
本發明的核心是使用一距離量，以便將特徵向量分類。這裡使用到訓 練數據組的距離。根據該比較則可進行特徵向量的分類及根據該分類則可 給出控制決定。
如上所述，作為事故傳感裝置可使用多種傳感器或僅使用一種類型的 傳感器。
由事故傳感裝置的至少一個信號導出的特徵例如為加速度信號、提前 量、被積分的加速度、統計數據、絕對值、到一個可能的碰撞物體的距離， 壓力信號、固體聲信號及座位佔用信號。也有其它的可能性。視特徵向量
的維而定，特徵向量確定了一個n維空間中的一點。為了分類，確定出該 點到由訓練數據組得到的每個特徵向量的點的距離。下文將給出如何可得 到訓練數據組及距離量的各個可能性。在確定了到被存儲的訓練數據組的 距離後進行分類，該分類例如斷定出碰撞類型、碰撞嚴重度並由此斷定出 必需觸發哪些人身保護裝置。
根據本發明的裝置除用於接收傳感器數據的至少一個接口外還具有一 個分析處理電路，其中分析處理電路通常是微控制器。但它也可涉及微處 理器或ASIC。也具有其它的可能性。控制電路是點火迴路，它根據微控制 器的控制信號及例如通過點火單元來觸發人身保護裝置。裝置權利要求中 的接口及其它部件通常被設置在一個控制器的殼體中。在此，例如在傳感 器也位於控制器殼體內時，該接口也可為微控制器本身的一個單元。
但接口也可連接在位於控制器外部的外部傳感器上，如側面碰撞傳感 器、正面碰撞傳感器及環境傳感器上。
電腦程式在分析處理電路上、如上述的構造成處理器或微控制器的分析處理電路上運行。電腦程式則包括該方法的所有步驟。這也適用計 算機程序產品，因為在微控制器上運行的電腦程式被存儲在一個存儲器
中、例如一個EEPROM上及可通過可由機器讀取的數據載體如CDs， DVDs， USB棒，硬碟來存儲。尤其是該程序被用在用於控制人身保護裝置的控制器 上。
通過從屬權利要求中所述的措施及進一步構型可得到在獨立權利要求 中給出的用於控制人身保護裝置的方法的有利的改進。
特別有利的是，相應的特徵由特徵變化曲線的預給定長度的時間段來 求得。因此優先地確定該時間段為多長，其中特徵由連續的特徵變化曲線 或由時間段終點上的特徵變化曲線來求得。例如在整個長度上的積分的情 況下使用整個信號變化曲線，而當應使用該段的終點上的加速度值時，則 僅使用該加速度值。
段的長度被這樣預給定，使得特徵變化曲線的特性不改變。這指的是 碰撞過程的一個相位，是該相位而非不同的相位進入到一個特徵向量中及 例如可這樣地被補償，使得由該特徵引起錯誤的決定。
此外有利的是，相應的特徵變化曲線被轉換到一個圖象區域中及確定 圖象區域中的相應特徵。通過一個變換，例如藉助快速傅立葉變換可被轉 換到頻域、即圖象區域中，以便可在必要時進行比在時域中更簡單的信號 分析。
有利地，訓練數據組具有多個向量，用於分類的每個類歸於這些向量。 這就是說，向量全集的一個向量子集屬於一個確定的類。然後確定特徵向 量相到這些向量的距離及這樣地分類特徵向量，即選擇k個最鄰近的向量 的多數所屬的類。因此這是按多數進行決策。在此情況下重要的是參數k， k被這樣地選擇，使得向量本身可被最佳地分類。這就是說，在應用階段訓 練數據組的每個向量被分類。在此，對k取不同的值，其中與最佳分類產 生最小偏差的k值被保留，以便使用該值來對實時測量值分類。 也可以，為了分類，確定k個最鄰近向量的類的平均值。 作為訓練數據可不存儲向量而僅存儲類邊界，以及然後確定到這些類 邊界的距離，這些類邊界則構成所謂的超平面。類邊界可被平滑或被濾波。 也可不是僅存儲類邊界而也可以是存儲及保留訓練數據組的位於這些類邊界的邊界上的向量。而那些僅位於一個區域的中間的向量可毫無問題地被 刪除。


本發明的實施例被表示在附圖中及在以下的說明中對其詳細地描述。 附圖表示-
圖l:根據本發明的裝置的一個框圖， 圖2:微控制器上的軟體單元分配， 圖3: —個流程圖， 圖4:用於一個特徵分類的例子，
圖5:用於在具有兩個不同類的兩維空間中分類的例子， 圖6:第一信號流程圖， 圖7:第二信號流程圖，及 圖8: —個時間圖。
具體實施例方式
根據本發明將藉助一個距離量來確定特徵向量如何被分類及由此是 否存在何種碰撞類型。該距離量可有利地通過組合近鄰模型算法
(k-Nearest Neighbor Algorithmus)來確定。
該k-NN算法給出了了一個方法，即如何可基於具有已知預給定的類歸 屬的訓練數據組T將一個未知的信號分給一個預定的類。該k-NN算法也允 許被測得的信號的分類。
為此對於訓練數據組中的每個元計算一個特徵向量MV 。對於一個訓練 數據組T有
T = {MV" MV2，…，MVJ，
式中M代表訓練數據組的元的數目。每個特徵Ml具有D維 MV = (MVM， MV ,2，…，MV")。
因此T中的每個特徵向量MV表示d維空間中的一個點。對於訓練數據 組的每個特徵向量存在具有一些類的分類C: 0{d, C2，…，CJ，式中N 表示類的數目。即具有一個固定的對應MV — C 。
現在要將一個具有未知類歸屬的及具有與訓練數據組的特徵向量相同
的維的及用相同測量方法獲得的未知特徵向量亂歸於C中的一個類。MVU 也如訓練數據組中的特徵向量那樣代表d維空間中的一個點。
為了確定MVu的類歸屬，現在確定出k個最鄰近的訓練數據的特徵 向量的大多數屬於哪個類Cn。然後將MVu歸於該類，其中k-l， 2， 3……， 可自由選擇。
為了確定這些最鄰近的近鄰，使用了可自由選擇的距離量，它例如是 一個歐氏距離。但也可使用其它公知的距離量，如Mahalanobis距離。
如果選擇k=l，則自動選擇一個這些與該未知數據點最鄰近的近鄰所屬 的類。在k=3時將涉及按多數進行決策。
變換地，k-NN算法也可被用於回歸推算。
在此情況下也可不用多數決定原則而由用數表示的k個最鄰近的近鄰 的類來計算一個平均值。
用於碰撞狀態分類的k-NN算法的說明 用於碰撞狀態分類的k-NN算法如下地構成
在第一步驟中由傳感器接收數據及這些數據可選地被預處理。例如對 加速度信號進行一次或二次積分，以便得到速度信息或行程信息。並且也 可考慮其它的特徵預處理，如在本說明書中所提到的。
在下個步驟中將這些特徵的變化曲線劃分成預定長度的多個時間段 (ZB)。
然後由各個時間段內的數據計算一個特徵向量MV。特徵向量內的數據 是該段內容的有意義地被選出的特徵化的特徵，例如是段結束時的加速度 的積分值、 一個段內的信號的方差、各個傳感器的被累加的值之間的差， 等等。在選擇數據時不存在任何限制。所使用的數據的數目表明在其中進 行分類的特徵空間的維。
在事先進行的應用階段中對一個訓練數據組按照完全相同的模式被處 理及將得到的特徵向量存儲在控制器中。附加地對訓練數據組的每個特徵 向量MV還設置一個其類歸屬的特徵標記。例如類的劃分為如下的情況
例1:d 二不觸發類
c2 二觸發類
例2:
d 二無觸髮結果
C2 =與軟障礙的碰撞
c3=與硬障礙的碰撞
例3:
d 二無觸髮結果 C2 =對稱碰撞事件
c3 =左面碰撞 c4 =右面碰撞
例4:
C, 二碰撞嚴重度1 C2 二碰撞嚴重度2 C3 =碰撞嚴重度3 C4 =碰撞嚴重度4 C5 =碰撞嚴重度5 C6 =碰撞嚴重度6 例5:
d =碰撞速度在0公裡/小時與10公裡/小時之間
C2 =碰撞速度在10公裡/小時與20公裡/小時之間
C3 =碰撞速度在20公裡/小時與30公裡/小時之間
C4 =碰撞速度在30公裡/小時與40公裡/小時之間
C5 =碰撞速度在40公裡/小時與50公裡/小時之間
C6 =碰撞速度在50公裡/小時與60公裡/小時之間
尤其是在如例4及5的類劃分時可使用所述的回歸方法。重要的是，
對於每個存在的類都存在訓練數據。
附加地還對於參數k在存儲器中存儲一個數值。對於現有的類劃分及
現有的訓練數據來說最佳的k例如可根據以下的計算規則得到。 方法U30CV (Leave one out cross validation):對此，整個訓練數據組除了一個外都被存儲。該剩下的數據組這時被 視為未知的數據值及被分類並存儲分類準確度。現在對全部的訓練數據、 並且也對不同的k值以這種方式執行該方法。選擇在整個訓練數據組上(或 根據另外的觀點在由該訓練數據組中選擇出的一子集上)都提供最佳分類
結果的那個k值。
此外還必需確定一個距離量及在控制器的PC中實現。作為距離量例 如可考慮(這裡對於兩個向量(Xl， x2， x3，…，Xj)及(y,， y2， y3，…， y》來給出)
具有其它距離權重的其它的範數(Norm)(例如Mahalanobis， city-block， Chebychev，等…)也可l皮使用。
應注意的是，距離量在方向上也可是各向異性的。在歐氏距離量的情
可類似地進行。
在常規工作時由在機動車中為此目的而安裝的傳感器接收數據及在出 現事件吋根據所給出的方法將這些數據轉換成時間段及特徵向量。這時通 過使用所選擇的距離量來確定訓練數據組的被存儲的特徵向量中的k個最 近的近鄰的類。其結果對應於這些近鄰的大多數所屬的類。
分類算法的特徵預處理的所述的分離方式鑑於使用與迄今方案不同的 傳感器方案而提供了本質上更高的靈活性。這樣，相對一個確定的傳感器， 物理意義或一個特徵向量內的數據的配置對於分類算法來說沒有意義。特 徵向量例如可在位置MVx上包含由壓力傳感器的測量而產生的數據，而特徵 向量在位置MVy上可包含加速度傳感器的數據或其它測量原理的數據。如果 在這裡改變了測量原理，僅必須使數據的預處理適配於傳感器。實際的k-NN 分類器與數據的內容意義無關以及因此不必被改變。
通用的n-Norm (pn): -
況下這導致、l土0c廣力)2
式中aj是用於維j的定標係數。對於其它量度也可選擇的變型-
訓練數據組的所有特徵向量的存儲不總是有意義的。 一方面為此的存 儲器需要量或許很高，另一方面這些特徵向量中的許多對於分類無重要的 附加貢獻。
因此可以
對訓練數據組的特徵向量進行預選擇，使得僅存儲對分類作出重要貢 獻的那些特徵向量。即例如位於一個類相對另一個類的邊界附近的那些特 徵向量。可放棄在一個類的中心的特徵向量。
也可變換地，不是存儲訓練數據組的特徵向量而是直接地存儲由這些 特徵向量確定的類邊界。這些類邊界必需在一個附加的預處理步驟中來計 算。這可如下地進行將特徵向量的d維空間劃分成具有適當解析度的點 形光柵。對於每個這樣的柵點應用k-NN算法。將所得到的分類歸於該柵點。 在該工作步驟結束後，該d維空間中的每個柵點都對應一個類。類邊界現
在構成該空間中的d維超平面。這些超平面可藉助合適的參數化被存儲在
控制器的存儲器中。在使用該算法時，則還必需僅確定通過測量測定的特 徵向量相對這些超平面的位置。這例如通過公知的搜索算法或分選算法(二
元搜索，樹狀搜索，等)來實現，如例如在"DonardE. Knuth; The Art of Computer Programing;Vol. I-N"中所描述的那樣。
圖1表示具有根據本發明的裝置的一個框圖。用於控制人身保護裝置 PS的控制器SG被集中地設置在機動車FZ中。也可不是集中布置而是另一 種布置，只要不將運動的傳感器設置在控制器中的話。作為人身保護裝置 例如涉及氣囊、安全帶收緊器、翻滾架、由碰撞啟動的護頭裝置及外部氣 囊如可抬起的前罩及其它公知的人身保護裝置。控制器SG具有一個作為中 心單元的微控制器U C。該微控制器u C通過構造為ASIC的接口 IF1及IF2 接收傳感器數據。其它的邏輯連接也可以作為軟體單元。
在接口 IF1上連接著加速度傳感器B2及壓力傳感器Pl。它們位於機動 車側面部分中。為簡明起見這裡僅設置了這一對傳感器而未設置對面的一 對。在接口 IF2上連接著加速度傳感器BS3及BS4以及雷達傳感器R。控制 器SG內部的一個加速度傳感器Bl被連接在微控制器y C上。在此情況下 接口或是包括在微控制器UC中或是在加速度傳感器B1中。微控制器發送信號給分析處理電路FLIC。該分析處理電路根據微控制器PC的控制 信號來控制人身保護裝置PS。控制器SG內的通信主要通過所謂的SPI (串 行外圍接口)總線來進行。還可附加地設置這裡未示出的其它傳感器如座 位佔用傳感器、其它的環境傳感器如超聲波傳感器或視頻傳感器或雷射雷 達傳感器，其它的碰撞傳感器及行駛動力學傳感器，以便使它們的信號提 供給微控制器P C。控制器SG還具有對於其工作必需的但對於本發明的理 解不重要的部件。為簡明起見而忽略這些部件。
根據本發明，微控制器PC由事故傳感裝置的信號形成一個特徵向量 及通過距離量將該特徵向量與訓練數據比較。由此可進行該特徵向量的分 類及微控制器HC根據該分類則可知道是否涉及觸發情況，以及如果是， 則在此情況下要觸發哪個人身保護裝置。關於訓練數據的分配則在應用階 段，即在控制器投入工作前對相應的機動車進行。
圖2表示設置在微控制器y C上的不同的軟體單元。這裡首先可看到 構成特徵向量的軟體模塊MV，接著是執行分類的軟體模塊K及產生控制信 號的軟體模塊AS。
圖3以流程圖表示根據本發明的方法流程。在方法步驟300中由事故 傳感裝置的信號產生特徵向量。然後在方法步驟301中藉助該特徵向量進 行分類，其中，藉助一個距離量進行與訓練數據的比較。接著這樣地進行 分類，即，導致最小距離的訓練數據確定了分類。然後在方法步驟302中 根據該分類產生控制信號。但也可以是，當該分類表明出現非觸發情況時， 則不進行任何觸發。
圖4以一個簡單的二維例子示出該分類。特徵向量MV由一個方形來表 示，該方形表示在一個相應維的空間中的一點。向量V1， V2及V3屬於類 Kll，而向量V4及V5形成類K12。現在給出用於進行分類的不同的可能性。 一個可能性是，到特徵向量MV具有最小距離的向量分類確定地被選出。此 外的可能是，預給定最靠近的向量的數目、例如為5，及然後讓多數來確定 存在哪個類，在此情況下為類l，因為它帶有三個向量，而類2僅帶有兩個 向量，所述多數代表類l。另一可能性是，取得到類邊界的距離及然後選擇 最小距離。再一可能性是，進行分類的平均值形成，以便這與導致控制信 號的一個相應的類進行邏輯運算。這就是說，這裡所有五個向量被求平均，類1與類2以60比40之比被求平均。這裡示範地通過距離400給出一個 距離量。如上所述地具有可選擇使用的不同的距離確定方法。
圖5表示在具有兩個不同的類的二維空間中的一個分類的例子。Kll 由十字叉來表示及K12由圓圈來表示。對於一個訓練數據集標出特徵向量 及根據其已知的類歸屬來表徵。根據該實施形式，對於不同的k值畫出類 邊界，這裡k值為l， 5及17。如所看到的，對於大的k，與各個訓練數據 向量的直接相關性下降。
必要時，超平面可通過平滑被進一步地簡化，使得用於執行的存儲器 需要量進一步地降低。在橫坐標50上記錄特徵向量的特徵Ml及在縱坐標 51上記錄其特徵M2。
圖6以一個信號流程圖表示根據本發明的裝置的工作方式或根據本發 明的方法的流程。在上支路602中表示在機動車工作中控制器的當前測量 值的測量值處理。在下支路612中表示應用階段中訓練數據的預處理。這 將在控制器被售出前完成。在方法步驟600中屬於事故傳感裝置的事故傳 感器產生出信號1至N。在方法步驟601中進行預處理，如濾波、積分、二 次積分或其它的方法步驟。平均值形成也屬於此。在方法步驟603中構成 時間段，在此情況下這樣地選擇這些段的時間長度，使得特徵變化曲線的 特徵化特徵不會改變。然後在方法步驟604中由通過時間段形成所獲得的 特徵來確定特徵向量。在方法步驟605中將該特徵向量提供給一算法，該 算法確定最鄰近的近鄰及在此情況下使用訓練數據。分類結果606則被繼 續傳送以便決定分析處理電路是否應被致起作用。訓練數據的處理在方 法步驟607中開始於傳感器值1至N的產生。在方法步驟608中也進行一 個相應的預處理。並且這裡在方法步驟609中進行段形成。然後在方法步 驟610中由此確定訓練向量。在應用階段中該訓練向量在存儲器613中與 類信息611進行邏輯運算，由此將知道，哪個訓練向量反映哪個碰撞情況。 在方法步驟614中附加地執行應取哪個距離量及應取哪個值k。
正如所看到的，訓練數據如同當前接收的傳感器測量值被完全一樣地 處理。這樣得到的特徵向量被存儲在控制器的存儲器中。附加地還一起存 儲對應這些訓練特徵向量的類信息。然後藉助該信息與一個確定的值k通 過k-NN算法來進行在線特徵向量的分類。圖7表示根據本發明的方法的一個具體的應用。這裡也表示出涉及當 前測量值的測量值處理700及在準備階段進行的訓練數據的處理707。在方 法步驟701中接收作為控制器中傳感器值的機動車縱向的加速度及通過設 置在保險槓區域中的所謂的最前方傳感器(Upfrontsensor)也接收加速度 值。在方法步驟702中進行作為預處理的積分。在方法步驟703中用段長 度10ms進行段形成。然後在方法步驟704中將被積分的加速度設置成特徵 向量，使得這裡出現一個三維的特徵向量。接著在方法步驟705中將該向 量提供給算法，以便然後在方法步驟706中轉交分類。同樣在方法步驟708 中用傳感器值如當前測量值來訓練這些訓練數據。但在此情況下各個測量 值已被特徵化，使得將不同的碰撞類型對應給最後形成的訓練向量。所謂 的誤使用情況也屬於此，誤使用即不必需觸發的情況，但這裡也給出其它 的情況如AZT碰撞、以不同速度對剛性障礙物或對可變形障礙物及其它障 礙物的不同碰撞類型。然後在方法步驟709中同樣使傳感器信號被積分及 在方法步驟710中進行段形成，但這裡以兩個不同的時間，即0至10ms及 8至15ms。
然後在方法步驟711中形成訓練向量。該訓練向量在存儲器714中與 來自712的類邏輯運算。對此還要獲得k的值，它在這裡的方法步驟713 中被確定為k二5，由此所有用於算法705的值存儲在存儲器714中。
如在704中所示地，這裡對於向量取來自段形成的最大值，即，不是 特徵變化曲線的和，而是最大值。這也適用於方法步驟7U中的訓練向量。 然後藉助歐氏距離量及參數k=5通過算法進行測量值的分類。其結果為一 個信息引起一個需控制的事件還是一個不需控制的事件。然後由此可控 制一個任意的人身保護裝置。
圖8表示具有時間軸800的時間圖。段的長度應這樣地選擇，使得在
一個段內特徵變化曲線的特徵未改變。這改善了模型參數對所觀察的特徵 變化曲線的適配。因為時間段的邊界依賴於分類目標可以是不同的，這裡 需由應用者嘗試段長度的一個最佳設定。在此情況下有利地，也可以是各 個段不同長度地及相重疊地被選擇。圖8表示選擇三個時間段的一個例子。 如上所述，對於特徵的預處理及特徵向量的獲得具有無限制數量的方 法。例如可使用以下的方法每個方案將在輸入側出現的特徵變化曲線轉換到一個圖象區域中。對
於頭兩個方案V1， V2,具有輸入側特徵變化曲線的參數組可通過模型來近 似。為了確定參數，可使用由維氏(Wiener)濾波(VI)或多項式回歸(V2) 的理論得出的算法。對於V3該ZB(時間段)由時間域轉換到一個頻率域中。 優選使用估算功率密度頻譜的方法，該功率密度頻譜給出每頻率的信號功 率分量及由此與特徵變化曲線中的相位偏移無關。類似V3地，對於V4通 過離散小波變換，輸入側的ZB被分解成與時間相關的分量及與頻率相關的
這裡也可使用所謂的編輯/壓縮方法，如在文獻中所述的。原則上它涉 及該方法迭代地識別及消除很可能導致誤分類的那些數據點。在此情況 下訓練數據組的一部分成為測試數據。在測試過程中對減小的訓練數據組 藉助kNN來提供誤差的數據將被去除。該過程將多次地進行。
權利要求
1.用於控制人身保護裝置(PS)的方法，包括以下方法步驟由一事故傳感裝置(P，BS，R)的至少一個信號產生多個特徵及將這多個特徵組合成一個特徵向量(MV)，藉助一距離量將該特徵向量(MV)與一訓練數據組比較，其中，根據該比較進行該特徵向量(MV)的分類，根據該分類產生一用於控制所述人身保護裝置(PS)的控制信號。
2. 根據權利要求1的方法，其特徵在於當前的特徵由一特徵變化曲 線的預給定長度的時間段來求得。
3. 根據權利要求2的方法，其特徵在於當前的特徵由所述連續的特 徵變化曲線或由所述段的終點上的特徵變化曲線來求得。
4. 根據權利要求2或3的方法，其特徵在於所述長度被預給定，使 得所述特徵變化曲線的特性不改變。
5. 根據權利要求2至4中任一項的方法，其特徵在於當前的特徵變 化曲線被轉換到一圖象區域中及確定該圖象區域中的當前的特徵。
6. 根據以上權利要求中任一項的方法，其特徵在於所述訓練數據組具有多個向量，這些向量分別歸於用於所述分類的一些類，其中，確定所 述特徵向量相對這些向量的距離及對該特徵向量這樣分類，即，選擇k個 最鄰近的向量的多數所屬的類。
7. 根據權利要求6的方法，其特徵在於選擇所述k值，使得這些向量本身被最佳地分類。
8. 根據權利要求1至5中任一項的方法，其特徵在於所述特徵向量MV被這樣分類，即，對於該分類確定k個最鄰近的向量的類的平均值，其中這些向量來自所述訓練數據組。
9. 根據權利要求1至5中任一項的方法，其特徵在於所述訓練數據組具有一些類邊界，其中，然後對所述特徵向量這樣地分類，即，確定出 所述特徵向量到這些類邊界的距離。
10. 根據權利要求9的方法，其特徵在於這些類邊界被濾波。
11. 根據權利要求1至8中任一項的方法，其特徵在於所述訓練數據組的這些向量位於類邊界上。
12. 用於控制人身保護裝置(PS)的裝置，具有至少一個接口 (IF1， IF2)， 一事故傳感裝置(P， BS， R)可連接到該 接口上，該事故傳感裝置產生至少一個信號；一分析處理電路(PC),該分析處理電路與所述接口相連接，該分析 處理電路由所述至少一個信號產生多個特徵及由這些特徵構成一個特徵向 量，其中，該分析處理電路(PC)藉助一距離量將該特徵向量與一訓練數 據組比較及根據該比較來分類該特徵向量；一控制電路(FLIC)，該控制電路根據所述分析處理電路(WC)的一 個控制信號來控制所述人身保護裝置(PS)。
13. 電腦程式，當該電腦程式在一計算裝置上運行時，該計算機程 序執行根據權利要求1至11中任一項的方法的所有步驟。
14. 具有程序碼的電腦程式產品，該程序碼被存儲在一機器可讀的載 體上，用於當所述程序在一控制器上被執行時，執行根據權利要求l至ll 中任一項的方法。
全文摘要
本發明提出用於控制人身保護裝置的方法及裝置，其中，具有至少一個接口，一事故傳感裝置(P，BS，R)可連接到該接口上，該事故傳感裝置產生至少一個信號。一分析處理電路，該分析處理電路與所述接口相連接，該分析處理電路由所述至少一個信號產生多個特徵及由這些特徵構成一個特徵向量，其中，該分析處理電路藉助一距離量將該特徵向量與一訓練數據組比較及根據該比較來分類該特徵向量。一控制電路，該控制電路根據所述分析處理電路的一個控制信號來控制所述人身保護裝置。
文檔編號B60R21/013GK101528511SQ200780038822
公開日2009年9月9日 申請日期2007年9月7日 優先權日2006年10月17日
發明者J·布羅伊寧格爾, J·科拉特舍克 申請人:羅伯特·博世有限公司