用于安全带调节的内部监控的制作方法

本发明所公开的内容涉及驾驶员辅助系统的领域，尤其涉及利用安全带设备固定车辆的车辆乘员的方法和设备。

背景技术：

驾驶员辅助系统是机动车辆的电子装置，所述电子装置应当在安全方面以及提升行驶舒适性方面给予驾驶员支持。

例如所谓的注意力辅助设施(也称为“驾驶员状态识别”或“疲劳度识别”)属于驾驶员辅助系统。这种注意力辅助设施包括用于监控驾驶员的传感器系统，所述传感器系统例如追踪驾驶员的运动和眼部并确定疲劳度或精神分散度并且必要时输出警告。

由现有技术也已知驾驶员辅助系统，所述驾驶员辅助系统监控车辆内部空间。为了负责驾驶的人员能够总览车辆内部空间的状态，在这种系统中设置有一个或多个监控内部空间的摄像头。基于红外线的、监控车辆内部空间的系统例如由德国公开文献de4406906a1已知。

此外，为了提高乘员安全性由现有技术已知的是，设置具有多个安全带拉紧器的用于车辆座椅的三点式安全带系统。安全带拉紧功能规定，在探测到即将发生撞击之后通过拉紧过程拉紧系有安全带的车辆乘员的安全带。安全带拉紧器如下这样地设计，即，利用力冲击以绷紧且无间隙的方式将安全带收紧到乘员身体上，因此乘员能够尽可能迅速地参与车辆的减速并提前降低乘员的动能。为此朝着收卷方向如下程度地驱动带卷(安全带借助所述带卷是能收卷和退卷的)一段，即，由此拉紧安全带。因此，在发生事故时减少可能存在的安全带松弛，从而能够实现安全带相对于系有安全带的车辆乘员的拉回功能。

车辆内使用的传统烟火式线性拉紧器在尽可能短的时间5～12毫秒之内在缸活塞单元内构建2～2.5kn的力，以该力拉入安全带，以便消除安全带松弛。在拉紧路程终止处锁定活塞，以便在接下来的被动拉回阶段(在所述拉回阶段中乘员经历向前的位移)拉回乘员，或者当存在力限制设备时抵抗该力限制设备的阻力又释放安全带。

由de102006061427a1已知一种用于在碰撞到障碍物时将车辆乘员拉回的方法和安全带拉紧系统。该方法规定，首先感测可能的事故，随后最迟从车辆第一次与障碍物碰触的时间点或在超过车辆减速阈值的情况下经由安全带系统将沿着冲击方向作用的力施加到乘员上。该力通过两侧拉紧安全带系统的腰部安全带导入，具体而言，从两侧以至少2000～4500n的力拉紧，并且沿着乘员的位移路程地在至少20m/sec的保持阶段维持所述力。用于两侧拉紧腰部安全带的整合式的安全带拉紧系统包括具有共同的工作室的两个拉紧器。

安全带系统通常包括安全带，所述安全带在安全带端部紧固件和安全带锁扣之间形成腰部安全带，并且所述安全带在安全带插舌处换向并引向安全带收卷器的布置在乘员肩部附近的换向器并且在安全带锁扣与换向器之间的区域中形成肩部安全带。经由拉紧肩部安全带(例如通过在安全带收卷器区域中的或安全带锁扣处的拉紧)所导入的很大的力基于乘员的胸部区域中的受限的压力负荷能力受到限制。

美国专利us6,728,616公开了一种用于在事故期间降低乘员受伤危险的设备。该设备包括用于以取决于乘员体重和车辆速度的方式改变安全带张紧的机构。乘员体重的确定通过压力传感器来实现。

技术实现要素：

从现有技术出发，本发明任务在于提供一种驾驶员辅助系统，其还进一步提高车辆内的安全性并且利用该驾驶员辅助系统能够减少作用于乘员的负荷。

该任务通过根据权利要求1的按照本发明的驾驶员辅助系统和根据权利要求10的按照本发明的方法解决。本发明的其他有利实施方案由从属权利要求和对本发明优选实施例的以下说明得到。

根据下述实施例提供一种用于车辆的驾驶员辅助系统，该驾驶员辅助系统包括控制单元，控制单元被设立成用于借助神经元网络确定车辆乘员的状态并且取决于车辆乘员(ins)的识别出的状态来操控安全带系统以定位或者说固定车辆乘员。

如果乘员处于前倾姿势中(例如乘员处于在事故情况中没有由安全气囊最佳保护的那个姿势中)，那么通过拉紧安全带系统将乘员拉回到正常的坐落位置中并保持在那里。例如在即将发生事故的情况下在撞击开始之前会出现机动车辆的滑移。这会导致车辆乘员的位置移动，例如朝着车辆的挡风玻璃或b柱的方向的侧移，该侧移导致增大的受伤危险。

控制单元例如能够是包括处理器的控制设备(电子控制单元ecu或电子控制模块ecm)等。控制单元例如能够是机动车辆的车载电脑的控制单元并且除了生成车辆乘员的3d模型之外还在机动车辆内承担其他功能。然而，控制单元也能够是专门用于生成车辆内部空间的可视视图的组件。

处理器例如能够是运行程序指令的控制单元，例如中央处理单元(cpu＝centralprocessingunit，中央处理单元)。

根据一个实施例，控制单元被设置成用于识别预定行驶状况并且在识别出预定行驶状况的情况下操控安全带系统以定位或者说固定车辆乘员。通过在发生事故之前拉回乘员，尤其能够在碰撞、制动过程或滑移过程中将乘员保持在最佳位置，从而降低乘员的受伤危险，并且此外尤其是将车辆驾驶员置于其能够更好地对临界状况做出反应并且可能有助于车辆稳定的位置中。

控制单元能够被设置成用于识别预定行驶状况的参数并且取决于所述参数来操控安全带系统以定位或者说固定车辆乘员。控制单元例如被设计成用于操控安全带系统。控制单元尤其被设计成用于基于对即将发生的撞击的探测地、以取决于车辆乘员的体重和姿势的方式操控安全带系统。

安全带系统能够由多个彼此独立地受操控的单元构建。安全带系统例如能够包括一个或多个能控制的安全带拉紧器。替选或附加地，安全带系统还能够包括能控制的安全带锁止装置。

控制单元还能够被设置成用于通过由神经元网络分析一个或多个车辆内部空间摄像头的一个或多个摄像头图像来得到车辆乘员的状态。一个或多个车辆内部空间摄像头例如能够是灰度值或色彩图像摄像头、立体摄像头或飞行时间摄像头。摄像头优选以广角镜头方式设计。这些摄像头例如能够如下这样地布置，即，使得车辆内部的每个部位都在至少一个摄像头的视野中。在此，在安装摄像头时能够考虑到乘员的典型姿势，从而不会出现或尽量少地出现被人遮挡。摄像头图像例如由大量像素组成，它们相应地定义了灰度值、颜色值或者必要时的深度信息。

附加或替选地，控制单元能够被设计成用于：基于一个或多个车辆内部空间摄像头的摄像头图像生成车辆乘员的3d模型并且通过由神经元网络分析3d模型来得到车辆乘员的状态。控制单元还能够设计成用于识别在多个摄像头图像中的车辆乘员的共同特征，以便生成车辆乘员的3d模型。车辆乘员的共同特征的识别例如能够通过摄像头图像的彼此相关来实现。共同特征例如能够是相关的像素或相关的像素组，或者能够是摄像头图像中的确定的结构图案或颜色图案。例如能够使摄像头图像彼此相关，以便鉴别出相一致的像素或特征，其中，本领域技术人员能够采用其已知的适当的图像相关法，例如其由奥利弗·弗热拉等的研究报告“基于实时相关的立体系统：算法、实施和应用”，rr-2013，法国国家信息与自动化研究所1993(“real-timecorrelation-basedstereo:algorithm,implementationsandapplications”,rr-2013,inria1993)中所描述的方法。例如能够将两个摄像头图像彼此相关。然而，为了提高重建精度，也能够将多于两个的摄像头图像彼此相关。

控制单元能够被设计成用于借助立体观测技术由当前的摄像头图像来重建车辆乘员的模型。因此，生成3d模型能够包括借助立体观测技术重建车辆乘员(例如像素或特征)的三维位置。以此方式获取的车辆乘员3d模型例如能够作为所有在相关过程中鉴别出的像素的三维坐标的集合。三维的点的所述集合附加地还能够通过面来近似，以便获得具有表面的3d模型。

车辆乘员的状态例如能够通过车辆乘员的姿势和车辆乘员的体重来定义。控制单元例如被设计成用于得到车辆乘员的姿势和体重并且取决于车辆乘员的姿势和体重来操控安全带系统。乘员的姿势和体重在此尤其能够通过对车辆内部空间摄像头的摄像头图像的图像进行分析来得到。控制单元尤其能够被设计成用于通过评估一个或多个内部空间摄像头的摄像头图像或通过多个车辆内部空间摄像头的摄像头图像的相关来生成车辆乘员的3d模型，所述3d模型能够推断出姿势和体重。姿势在此例如理解为车辆乘员的身体姿势和头部姿势。此外，也能够推断出车辆乘员的行为，例如乘员的视线方向和手腕姿态。

控制单元还能够被设计成用于在考虑到由至少一个摄像头提供的深度信息的情况下生成车辆乘员的模型。这些深度信息例如由立体观测式摄像头或飞行时间摄像头提供。这些摄像头针对各个像素均提供能连同像素坐标一起考虑的深度信息，以便生成模型。

根据本发明一个优选实施方案，根据本发明的安全带系统如下这样地设置，即，在拉紧安全带拉紧器之后，能控制的安全带锁止装置将乘员保持在拉回的位置。

下面详细描述的实施例也涉及用于驾驶员辅助系统的方法，其中，借助神经元网络确定车辆乘员的状态并且取决于车辆乘员的识别出的状态来操控安全带系统以定位或者说固定车辆乘员。

附图说明

现在示例性地且结合附图阐述实施方案，图中：

图1示出车辆示意性俯视图，该车辆装备有根据本发明的驾驶员辅助系统；

图2示出框图，其示意性示出根据本发明的实施例的驾驶员辅助系统的配置；

图3示出框图，其示出控制设备的示例性的配置；

图4a示出根据实施例的通过分析一个或多个摄像头图像img1～img8来确定车辆乘员状态的过程流程图；

图4b示出根据替选实施例确定车辆乘员状态的过程的流程图，其中，设置有另一神经元网络，以便获得摄像头图像的深度信息；

图4c示出根据替选实施例确定车辆乘员状态的过程的流程图，其中，通过摄像头图像的相关来生成车辆乘员的3d模型；

图5示例示出两个摄像头图像相关的过程，以便鉴别出一致的像素；

图6示出借助立体观测技术重建像素三维位置的示例性过程；

图7示出神经元网络的示意性的映射；

图8示出神经元网络的示例性的输出；

图9示出根据本发明的安全带系统；

图10示出用于安全带规程的示例性的定性的启发式方法；

图11示出根据本发明的撞击识别；

图12示出安全带规程的示例性的定性的启发式方法，其中，在考虑碰撞时驾驶员经受的预测减速的情况下调整安全带参数；和

图13示出注意图(attentionmap)，其利用cnn来可视化体重归类的重要特征。

具体实施方案

图1示出车辆1的示意图，其配备有内部空间监控系统。内部空间监控系统包括内部空间摄像头cam1～cam8的示例性布置。两个内部空间摄像头cam1、cam2位于车辆内部空间2的前侧，两个内部空间摄像头cam3、cam4位于车辆内部空间2的右侧，两个内部空间摄像头cam5、cam6位于背侧，并且两个内部空间摄像头cam7、cam8位于车辆内部空间2的左侧。每一个内部空间摄像头cam1～cam8都检测车辆1的车辆内部空间2的一部分。具有内部空间摄像头的车辆1的示例性的配备设计成使得内部空间摄像头cam1～cam8在人员上车之后也摄取完整的车辆内部空间尤其是在视域中的乘员。摄像头cam1～cam8例如能够是广角镜头式的灰度值或彩图摄像头。

图2示出框图，其以示意性的方式示出示例性的驾驶员辅助系统。除了内部空间摄像头cam1～cam8之外，驾驶员辅助系统还包括控制单元3(ecu)、安全带系统4(sgs)和一个或多个环境传感器6(cam、tof、lidar)。通过不同的车辆内部空间摄像头cam1～cam8采集到的图像通过通信系统5(例如can总线或lin总线)传输至控制单元3以便在控制单元3内处理。在图3和所属的说明中进一步阐述的控制单元3被设计成用于连续接收车辆内部空间摄像头cam1～cam8的图像数据并进行图像处理，以便由此导出一位或多位车辆乘员的状态(例如体重和姿势)并且以此为基础地控制安全带系统4。安全带系统4被设计成用于在行驶期间和尤其是出现临界行驶状况例如即将发生碰撞时固定坐在车辆座椅上的乘员。安全带系统4在图9和所属的说明中详细阐述。

环境传感器6被设计成用于检测车辆的环境，其中，环境传感器6安装在车辆上并且检测车辆环境中的对象或状态。为此，摄像头、雷达传感器、激光雷达传感器、超声波传感器等。环境传感器6的检测到的传感器数据通过车辆通信网络5传输至控制单元3，在控制单元内，在考虑到存在临界行驶状况下对这些数据进行分析，如这在下面结合图11所阐述的那样。

车辆传感器7优选是那种检测车辆状态或车辆部分的状态、尤其是其运动状态的传感器。这些传感器能够包括车速传感器、横摆率传感器、加速度传感器、转向角传感器、车辆负荷传感器、温度传感器、压力传感器和类似传感器。例如也能够沿着制动线路布置有传感器，以便输出显示沿着液压制动线路在不同部位处的制动液压力的信号。检测车轮速度和施加到车轮上的制动压力的其他传感器能够设置在车轮附近。

图3示出框图，其显示控制单元的示例配置。该控制单元3例如能够是控制设备(电子控制单元ecu或电子控制模块ecm)。控制单元3包括处理器40。处理器40例如能够是计算单元如运行程序指令的中央处理单元(cpu＝centralprocessingunit，中央处理单元)。

控制单元3的处理器40被设计成用于接收由车辆内部空间摄像头cam1～cam8连续采集的摄像头图像并进行图像分析。控制单元3的处理器40附加或者替选地被设计成用于通过摄像头图像的相关来生成一位或多位乘员的3d模型，如图4c所示和进一步阐述的那样。摄像头图像或生成的车辆乘员的3d模型被馈入神经元网络模块8，该神经元网络模块允许将车辆乘员的状态(例如体重和姿势)归类到确定的组中。处理器40还被设计成用于取决于状态归类结果来操控被动的安全系统，例如安全带系统(图2中的4)。处理器3此外还执行撞击识别，如结合图11所阐述的那样。

控制单元3还包括存储器和输入/输出接口。存储器能够包括一个或多个非易失性的、能计算机读取的媒介并且包括至少一个程序存储区和数据存储区。程序存储区和数据存储区能够包括不同类型的存储器的组合，例如只读存储器43(rom＝read-onlymemory，只读存储器)和直接存取存储器42(ram＝randomaccessmemory，随机存取存储器)(例如动态ram(“dram”)，同步dram(“sdram”)等)。此外，自动驾驶18的控制单元能够包括外部存储驱动器44，例如外部的硬盘驱动器(harddiskdrive：hdd)，闪存驱动器或非易失的固态驱动器(solidstatedrive：ssd)。

控制单元3还包括通信接口45，控制单元能够通过该通信接口与车辆通信网络(图2中的5)通信。

图4a示出用于根据一个实施例通过分析一个或多个摄像头图像img1～img8来确定车辆乘员的状态的过程的流程图。在步骤502中，由一个或多个内部空间摄像头cam1～cam8输送给控制单元的摄像头图像img1～img8被馈入到深度神经元网络(deepneuronalnetwork＝dnn)，该深度神经元网络已被训练用于从摄像头图像img1～img8识别出乘员状态z。神经元网络(参见图7和所属的说明)输出识别到的乘员状态z。乘员状态z能够根据启发式模型来定义。例如能够通过车辆乘员的体重和姿势(姿态)来定义乘员状态z，如这在下面于图8中进一步阐述的那样。

图4b示出根据替选的实施例的用于确定车辆乘员状态的过程的流程图，其中，设置有另一神经元网络，以便从摄像头图像中获取深度信息。在步骤505中，由两个或更多个内部空间摄像头cam1～cam8输送给控制单元的两个或更多个摄像头图像img1～img8被馈入到深度神经元网络dnn1中，该深度神经元网络被训练用于从摄像头图像中获取深度图像t(505)。在步骤506中，深度图像t被馈入到第二深度神经元网络dnn2中，所述第二深度神经元网络被训练用于从深度图像t中识别出乘员状态z。神经元网络dnn2输出识别出的乘员状态z。乘员状态z能够根据启发式模型来定义。例如能够通过车辆乘员的体重和姿势(姿态)来定义乘员状态z，如这在下面于图8中进一步阐述的那样。

图4c示出根据替选的实施例的用于确定车辆乘员状态的过程的流程图，其中，通过摄像头图像的相关来生成车辆乘员的3d模型。过程例如能够在控制单元(图2中的3)内实施。在步骤503中，使由两个或更多个内部空间摄像头(图1和图2中的cam1至cam8)拍摄的两个或更多个摄像头图像img1～img8彼此相关，以便鉴别出摄像头图像img1～img8中的相一致的像素，如这在下面结合图5进一步阐述的那样。在步骤504中，从在步骤503中获取的关于相一致的像素的信息重建出车辆乘员的3d模型mod3d，如这在下面结合图6进一步阐述的那样。车辆乘员的3d模型mod3d在步骤505中被馈入到神经元网络中，该神经元网络被训练用于从车辆乘员的3d模型mod3d中识别出乘员状态。神经元网络输出识别到的乘员状态z。乘员状态z能够根据启发式模型来定义。例如能够通过车辆乘员的体重和姿势(姿态)来定义乘员状态z，如这在下面于图8中进一步阐述的那样。

图5示例性示出两个摄像头图像的相关的过程，以便鉴别出相一致的像素。其位置和取向在空间内是已知的两个内部空间摄像头提供第一摄像头图像img1和第二摄像头图像img2。例如是图1中的两个内部空间摄像头cam1和cam2的图像img1和img2。这两个摄像头的位置和取向是不同的，从而两个图像img1和img2从两个不同视角提供一个示例性的对象obj。每个摄像头图像img1和img2根据摄像头分辨率和颜色深度由各个像素组成。两个摄像头图像img1和img2彼此相关，以便鉴别出相一致的像素，其中，本领域技术人员能够采用对于其而言已知的适当的、如上面已经提到的那样的图像相关法。在相关过程中识别：车辆乘员的元素inse(例如像素或像素组)不仅在图像img1中而且也在图像img2中显现并且例如图像img1中的像素p1与图像img2中的像素p2相一致。车辆乘员元素inse在图像img1中的位置基于不同的摄像头位置和取向而与车辆乘员元素inse在图像img2中的位置不同。同样，车辆乘员元素inse在第二摄像头图像中的显现轮廓基于视角变化而与车辆乘员元素inse在第一摄像头图像中的显现轮廓不同。从例如车辆乘员元素在图像img1内相较于图像img2内的像素p2的不同位置能够借助立体视觉技术(参照图7和下面的说明)推断出车辆乘员元素inse或者说像素在三维空间内的位置。相关过程以此方式能够提供车辆乘员在车辆内部空间内的多个像素的位置，由这些位置能够重建车辆乘员的3d模型。

图6示出借助立体视觉技术重建像素的三维位置的示例性过程。由两个摄像头cam1和cam2的已知的位置和取向以及摄像头图像img1和img2的图像平面的同样已知的位置和方位针对每个像素p1、p2计算相应光线os1或os2。两条光线os1和os2的相交点提供作为像素p1和p2显现在两个摄像头图像img1和img2中的像素的三维位置p3d。在图6的上面的示例中，示范性地评估两个摄像头图像，以便得到两个相关的像素的三维位置。以此方式例如能够将各个摄像头对cam1/cam2、cam3/cam4、cam5/cam6或cam7/cam8的图像彼此相关，以便生成3d模型。然而，为了提高重建精度也能够将多个摄像头图像彼此相关。当例如应当将三个或更多个摄像头图像彼此相关时，那么例如能够将第一摄像头图像选择作为参考图像，关于该参考图像针对每一个另外的摄像头图像计算视差图。将如此得到的视差图以如下方式相结合，即，例如相应地选出具有最好的相关结果的一致性。以此方式获得的车辆乘员的模型例如能够重建为所有在相关过程中鉴别出的像素的三维坐标的集合。三维的点的所述集合附加地还能够通过面来近似，以便获得具有表面的模型。

图7示出根据本发明的神经元网络的示意图。在一个优选实施例中，控制单元(参见图3)运作至少一个神经元网络(深度神经元网络＝dnn)。神经元网络例如能够实现为硬件模型(参见图3中的8)。替选地，神经元网络也能够借助软件在处理器中实现(图3中的40)。

神经元网络，尤其是卷积神经网络(cnn)允许例如图像数据中的复杂空间关系的模型化并因此进一步允许基于数据的状态归类(车辆乘员的体重和姿势)。通过性能卓越的计算器对车辆行为、乘员行为和乘员状态模型化，以便由此推导出针对被动的安全系统(例如安全带拉紧器和安全带锁止装置)的动作的预测。

神经元网络的特性和运作已被相应专业人士已知。尤其是在此参引神经元网络的结构、网络类型、学习规则和已知应用的广泛专业文献。

在本发明的情况下，由摄像头cam1～cam8将图像数据发送至神经元网络。神经元网络能够接收并处理作为输入的经过滤的图像数据或其像素p1、…、pn，以便确定作为输出的驾驶员状态，例如车辆乘员是否处于挺直的姿势(输出神经元p1)，或处于弯曲的姿势(输出神经元p2)并且车辆乘员是否具有小的体重(输出神经元g1)，中等体重(输出神经元g2)，或大的体重(输出神经元g3)。神经元网络能够将所采集的车辆乘员例如分类为“挺直姿势的乘员”或“弯曲姿势的乘员”或者“具有小的体重的乘员”，“具有中等体重的乘员”或“具有大的体重的乘员”。

神经元网络模块能够包含神经元网络，该神经元网络根据多层(或“深的”)模型建立。神经元的多层网络模型能够包含一个输入层，多个隐藏层和一个输出层。神经元多层网络模型也能够包含损耗层。针对传感器数据(例如摄像头图像)的分类，给输入节点分配传感器数据中的值(例如像素值)并且通过神经元网络的多个隐藏层馈入。多个隐藏层能够执行一系列非线性的转换。在转换结束时，输出节点得到相应于类别(例如“挺直”或“弯曲”)的值，该值由神经元网络推断出。

(“以训练的方式”)设置神经元网络，从而其生成对于确定的、已知的输入值而言所期待的响应。如果一次性地设置有这种神经元网络并且设定了其参数，那么网络通常在应用情况中用作黑匣形式，所述黑匣形式也针对未知的输入值生成所属且适配的输出值。

以此方式能够训练神经元网络，以便基于摄像头图像在期望的分类(如“挺直姿势的乘员”或“弯曲姿势的乘员”，“具有小的体重的乘员”，“具有中等体重的乘员”和“具有大的体重的乘员”)之间进行区分。

图8示出神经元网络模块8的示例性的输出。神经元网络能够实现：将确定的分类配属给内部空间摄像头cam1～cam8的摄像头图像(图4a)或配属给车辆乘员的3d模型(图4c)。分类跟随预定的启发式模型。在图8的示例中，在体重分类g1“具有小的体重的乘员”(例如<65kg)，g2“具有中等体重的乘员”(例如65～80kg)和g3“具有大的体重的乘员”(>80kg)之间进行区分，以及在姿势分类p1“挺直姿势的乘员”和p2“弯曲姿势的乘员”之间进行区分。

在此给出的状态类别是示意性和示例性的。附加或替选地能够定义其他状态并且也能够想到，从内部空间摄像头cam1～cam8的摄像头图像或车辆乘员的3d模型推断出车辆乘员的行为。例如能够由图像数据推导出视线方向、手腕姿态或类似因素并且借助神经元网络进行分类。

图9示出根据本发明的安全带系统。安全带系统是三点式安全带并且固定车辆乘员ins。该系统在车辆乘员一侧分支出两个安全带拉紧器，上安全带拉紧器gspo和下安全带拉紧器gspu，以及安全带的锁舌之上的安全带锁止装置gsp。三个单元能够彼此独立地受操控和操作。安全带拉紧器gspo、gspu能够将安全带以限定的拉力拉入，其中，安全带锁止装置gsp只能在相应的部位处将安全带保持在位置中。

根据本发明，安全带拉紧器gspo和gspu取决于行驶状况和车辆乘员的状态归类的结果地由控制单元(图2中的3)控制，从而以提高的安全带张紧力拉紧安全带。车辆乘员ins的上身通过安全带张紧力反向于行驶方向地朝着车辆座椅的椅背方向运动。

目的是，以安全带拉紧器gst的相应牵拉方向和拉力并且在使用安全带锁止装置gsp的情况下在碰撞前将乘员带入最佳位置。最佳位置在此定义为如下位置，即，在该位置处，被动的安全系统(安全气囊等)具有最佳效率。这从如下事实出发，即，这相应于乘员的挺直姿势，其中，安全带最佳地拉紧。如果例如副驾驶员具有弯曲姿势，则其处于通过安全气囊确保最佳保护的位置之外并且其位置能够通过拉紧安全带来校正。

最佳位置的获得通过安全带锁止装置gsp加速，这是因为在上安全带拉紧器gsto和安全带锁止装置gsp之间的待拉入的安全带长度起决定性作用并且不必再拉入从安全带拉紧器至安全带拉紧器的整个安全带长度。

安全带拉紧器例如能够设计成电动马达。在此情况下，为了产生提高的安全带张紧力，能够给作为安全带拉紧器的电动马达输送高于电动马达额定电压的电压。替选于此地能够改变电动马达的传动比。在另一替选实施方案中，能够借助机械或电气能量存储器来产生提高的安全带张紧力。

根据本发明，控制单元被设计成用于在识别到临界行驶状况时，例如在预测到碰撞或预测到紧急制动(所述紧急制动能够由于碰撞或操作制动踏板以及利用预见性的传感机构探测到对象或通过制动辅助设备触发)时，启用安全带系统4内的安全带拉紧器并操控给定的力。

控制单元3还如下这样地设计，即，通过图像处理得到的车辆乘员的状态伴随着地引入到对安全带拉紧器的控制中。这样例如能够在乘员较重的情况下将力水平提高至更高的水平并且在乘员较轻的情况下相应地下降，以便除了最佳安全之外还确保乘员的最大舒适性。

针对安全带拉紧器的匹配使用例如设置启发式方法，该启发式方法从乘员的姿势和体重以及车辆状态/行驶状况出发地定义相应的安全带拉紧规程。附加或替选地能够基于数据地学习并优化所述安全带拉紧规程。

图10示出用于以上安全带拉紧器(gsto)和下安全带拉紧器(gstu)以及安全带锁止装置(gsp)的强度来控制安全带的示例性的定性的启发式方法。将安全带拉紧器设为相应于升高的力水平的强度0、1、2或3，而将安全带锁止装置设为强度0(无安全带锁止装置)或1(启用的安全带锁止装置)。

如由图10的图表可见，在乘员具有小的体重和挺直姿势的情况下，如下这样地操控安全带系统，即，gsto的强度等于1，gstu的强度等于1且gsp的强度等于0。在乘员具有小的体重和弯曲姿势的情况下，如下这样地操控安全带系统，即，gsto的强度等于3，gstu的强度等于1且gsp的强度等于1。在乘员具有中等体重和挺直姿势的情况下，如下这样地操控安全带系统，即，gsto的强度等于1，gstu的强度等于2且gsp的强度等于0。在乘员具有中等体重和弯曲姿势的情况下，如下这样地操控安全带系统，即，gsto的强度等于3，gstu的强度等于2且gsp的强度等于1。在乘员具有大的体重和挺直姿势的情况下，如下这样地操控安全带系统，即，gsto的强度等于2，gstu的强度等于3且gsp的强度等于0。在乘员具有大的体重和弯曲姿势的情况下，如下这样地操控安全带系统，即，gsto的强度等于3，gstu的强度等于3且gsp的强度等于1。

在本发明一个优选实施方案中，还在考虑到碰撞或制动过程时驾驶员将经受的预测的减速情况下调整安全带参数。为了预告减速，首先执行撞击预测。目的例如是估计出“极限点”，自该“极限点”起撞击无法避免并随即发生碰撞。按照该“极限点”和产生的碰撞速度推导出减速策略和产生的减速。

图11示意性示出根据本发明的撞击识别。例如在控制单元(图2中的3)内执行的撞击识别接收环境传感器6和车辆传感器7(也参见图2)的数据。在步骤510中，控制单元基于传感器数据计算，撞击或突然的制动过程是否即将发生。在撞击即将发生的情况下，预告出预告撞击的参数，例如预测的减速vz。借助撞击识别，利用根据本发明的方法通过监控车辆减速、自身速度、相对速度和与前行或静止的车辆或对象的间距或横摆角、横摆速度、转向角和/或横向加速度或这些参数的任意组合来识别出临界的车辆状态。

图12示出用于安全带规程的示例性的定性的启发式方法，其中，在考虑到碰撞时驾驶员经受的预测的减速的情况下调整安全带参数。

图12中的靠上的表格示出在车辆乘员的挺直姿势的情况下的启发式方法。如由表格可见，在乘员具有小的体重和小的减速的情况下，如下这样地操控安全带系统，即，gsto的强度等于1，gstu的强度等于1且gsp的强度等于0。在乘员具有小的体重和大的减速的情况下，如下这样地操控安全带系统，即，gsto的强度等于2，gstu的强度等于2且gsp的强度等于0。在乘员具有中等体重和小的减速的情况下，如下这样地操控安全带系统，即，gsto的强度等于1，gstu的强度等于2且gsp的强度等于0。在乘员具有中等体重和大的减速的情况下，如下这样地操控安全带系统，即，gsto的强度等于2，gstu的强度等于2且gsp的强度等于0。在乘员具有大的体重和小的减速的情况下，如下这样地操控安全带系统，即，gsto的强度等于2，gstu的强度等于3且gsp的强度等于0。在乘员具有大的体重和大的减速的情况下，如下这样地操控安全带系统，即，gsto的强度等于3，gstu的强度等于3且gsp的强度等于0。

图12中的靠下的表格示出在车辆乘员的弯曲姿势的情况下的启发式方法。如由表格可见，在乘员具有小的体重和小的减速的情况下，如下这样地操控安全带系统，即，gsto的强度等于3，gstu的强度等于1且gsp的强度等于1。在乘员具有小的体重和大的减速的情况下，如下这样地操控安全带系统，即，gsto的强度等于3，gstu的强度等于2且gsp的强度等于1。在乘员具有中等体重和小的减速的情况下，如下这样地操控安全带系统，即，gsto的强度等于3，gstu的强度等于2且gsp的强度等于1。在乘员具有中等体重和大的减速的情况下，如下这样地操控安全带系统，即，gsto的强度等于3，gstu的强度等于2且gsp的强度等于1。在乘员具有大的体重和小的减速的情况下，如下这样地操控安全带系统，即，gsto的强度等于3，gstu的强度等于2且gsp的强度等于1。在乘员具有大的体重和大的减速的情况下，如下这样地操控安全带系统，即，gsto的强度等于3，gstu的强度等于3且gsp的强度等于1。

应用神经元网络来确定驾驶员状态能够实现例如确定所谓的“注意图”，所述“注意图”指明车辆乘员的哪些区域对于识别出乘员状态而言是尤其重要的。

图13示出示例性的“注意图”，所述“注意图”利用cnn可视化对于体重分类的重要特征。“注意图”显示出：输入图像的哪些区域对于确定驾驶员状态是特别重要的。这用于改进算法的结果的和作用方式的可理解性和可表现性并且也能够用于优化摄像头、摄像头位置和摄像头取向。

附图标记

1车辆

2车辆内部空间

3控制单元

4安全带系统

5通信系统

6环境传感器

7车辆传感器

8神经元网络模块

cam1～cam8内部空间摄像头

img1～img8摄像头图像

gspo上安全带拉紧器

gspu下安全带拉紧器

gsp安全带锁止装置

pix车辆乘员的像素

ins车辆内部空间中的乘员

inse图像中的车辆乘员的元素

mod3d车辆内部空间的3d模型

mod3da车辆内部空间的重建的3d模型

mod3db车辆内部空间的预定3d模型

p1、p2摄像头图像中的像素

p3d重建的三维位置

os1、os2关于第一和第二摄像头的光线

s1～s4座椅

z乘员状态

vz预测的减速