人工智能（AI）和機(jī)器學(xué)習(xí)（ML）將通過(guò)將其整合到自動(dòng)駕駛汽車(chē)設(shè)計(jì)中，在汽車(chē)行業(yè)的巨大轉(zhuǎn)型中占據(jù)關(guān)鍵地位。與供應(yīng)鏈管理、制造運(yùn)營(yíng)、移動(dòng)服務(wù)、圖像和視頻分析等其他領(lǐng)域一起，音頻分析在自動(dòng)駕駛汽車(chē)取得成功方面發(fā)揮著重要作用。隨著技術(shù)的進(jìn)步和創(chuàng)新，汽車(chē)行業(yè)正在重塑和采用新技術(shù)。音頻分析極大地改變了汽車(chē)公司對(duì)其產(chǎn)品的關(guān)注，以提高客戶(hù)滿(mǎn)意度。到2030年，自動(dòng)駕駛汽車(chē)的全球市場(chǎng)規(guī)模將增長(zhǎng)到600億美元。

無(wú)人駕駛汽車(chē)機(jī)器學(xué)習(xí)下的音頻分析包括音頻分類(lèi)、NLP、語(yǔ)音/語(yǔ)音和聲音識(shí)別。語(yǔ)音和語(yǔ)音識(shí)別已成為自動(dòng)駕駛汽車(chē)和汽車(chē)行業(yè)不可或缺的一部分。在以前的汽車(chē)模型中，語(yǔ)音和語(yǔ)音識(shí)別是一個(gè)挑戰(zhàn)，因?yàn)槿狈Ω咝У?a href="http://www.www27dydycom.cn/v/tag/2562/" target="_blank">算法、可靠的連接和邊緣的處理能力。此外，車(chē)內(nèi)機(jī)艙噪音降低了音頻分析的性能，從而導(dǎo)致錯(cuò)誤識(shí)別。

長(zhǎng)期以來(lái)，機(jī)器中的音頻分析一直是不斷研究的主題。隨著技術(shù)的進(jìn)步，市場(chǎng)上的新產(chǎn)品，如亞馬遜的Alexa和蘋(píng)果的Siri，利用了云技術(shù)的關(guān)鍵優(yōu)勢(shì)，而這些優(yōu)勢(shì)是其他識(shí)別系統(tǒng)以前所缺乏的。然而，為了使這些系統(tǒng)在自動(dòng)駕駛汽車(chē)中順利運(yùn)行，將需要不間斷的無(wú)線(xiàn)互聯(lián)網(wǎng)服務(wù)。

最近，各種機(jī)器學(xué)習(xí)算法，如kNN（K最近鄰），SVM（支持向量機(jī)），EBT（集成袋樹(shù)），深度神經(jīng)網(wǎng)絡(luò)（DNN）和自然語(yǔ)言處理（NLP）廣泛用于音頻分析。

正在從原始音頻中提取各種音頻特征，并將其作為輸入提供給機(jī)器學(xué)習(xí)或深度學(xué)習(xí)算法。

對(duì)于音頻分析，音頻數(shù)據(jù)經(jīng)過(guò)預(yù)處理以消除噪聲，然后從音頻數(shù)據(jù)中提取音頻特征。此處使用了諸如MFCC（梅爾頻率倒譜系數(shù)）之類(lèi)的音頻特征以及諸如峰度，方差之類(lèi)的統(tǒng)計(jì)特征。MFCC的頻段在Mel量表上等距，非常接近人類(lèi)聽(tīng)覺(jué)系統(tǒng)的響應(yīng)。出于同樣的原因，使用此功能訓(xùn)練模型。最后，使用經(jīng)過(guò)訓(xùn)練的模型進(jìn)行推理，從安裝在汽車(chē)中的多個(gè)麥克風(fēng)中獲取實(shí)時(shí)音頻流，然后對(duì)其進(jìn)行預(yù)處理并提取特征。提取的特征將被傳遞給訓(xùn)練好的模型，以便正確識(shí)別音頻，這對(duì)于在自動(dòng)駕駛汽車(chē)中做出正確的決定很有用。

有了新技術(shù)，最終用戶(hù)的信任是關(guān)鍵點(diǎn)，NLP是建立自動(dòng)駕駛汽車(chē)信任的游戲規(guī)則改變者。NLP允許乘客使用語(yǔ)音命令控制汽車(chē)，例如要求在餐廳停車(chē)，改變路線(xiàn)，在最近的購(gòu)物中心停車(chē)，打開(kāi)/關(guān)閉燈，打開(kāi)和關(guān)閉車(chē)門(mén)等等。這使得乘客體驗(yàn)豐富且互動(dòng)。

讓我們看看使用音頻分析為自動(dòng)駕駛汽車(chē)開(kāi)發(fā)的幾個(gè)用例

緊急警報(bào)器檢測(cè)

任何緊急車(chē)輛（如救護(hù)車(chē)、消防車(chē)或警車(chē)）的警笛聲都可以使用各種深度學(xué)習(xí)模型以及 SVM（支持向量機(jī)）等機(jī)器學(xué)習(xí)模型來(lái)檢測(cè)。監(jiān)督學(xué)習(xí)模型 – SVM 用于分類(lèi)和回歸分析。SVM分類(lèi)模型使用緊急警報(bào)聲和非緊急聲音的海量數(shù)據(jù)進(jìn)行訓(xùn)練。通過(guò)該模型，開(kāi)發(fā)了識(shí)別警報(bào)器聲音的系統(tǒng)，以便為自動(dòng)駕駛汽車(chē)做出適當(dāng)?shù)臎Q策，以避免任何危險(xiǎn)情況。有了這個(gè)檢測(cè)系統(tǒng)，自動(dòng)駕駛汽車(chē)可以做出靠邊停車(chē)的決定，并為緊急車(chē)輛通過(guò)提供道路。

發(fā)動(dòng)機(jī)聲音異常檢測(cè)

自動(dòng)早期檢測(cè)可能的發(fā)動(dòng)機(jī)故障可能是自動(dòng)駕駛汽車(chē)的基本功能。汽車(chē)發(fā)動(dòng)機(jī)在正常情況下工作時(shí)會(huì)發(fā)出一定的聲音，當(dāng)出現(xiàn)一些問(wèn)題/故障時(shí)會(huì)發(fā)出不同的聲音。K-means聚類(lèi)中可用的許多機(jī)器學(xué)習(xí)算法可用于檢測(cè)發(fā)動(dòng)機(jī)聲音中的異常。在 k 均值聚類(lèi)中，聲音的每個(gè)數(shù)據(jù)點(diǎn)都分配給 k 組聚類(lèi)。數(shù)據(jù)點(diǎn)的分配基于接近該聚類(lèi)質(zhì)心的平均值。在引擎聲音異常的情況下，數(shù)據(jù)點(diǎn)將落在正常群集之外，并且將成為異常群集的一部分。使用此模型，可以持續(xù)監(jiān)控發(fā)動(dòng)機(jī)的健康狀況，如果出現(xiàn)任何異常聲音事件，那么自動(dòng)駕駛汽車(chē)可以警告用戶(hù)并幫助做出正確的決策以避免任何危險(xiǎn)情況。這可以避免發(fā)動(dòng)機(jī)完全故障/故障。

按喇叭時(shí)變道

為了使自動(dòng)駕駛汽車(chē)完全像人類(lèi)駕駛的汽車(chē)一樣工作，它必須在以下情況下有效工作：當(dāng)后面的車(chē)輛需要緊急通過(guò)并按喇叭指示時(shí)，必須改變車(chē)道。隨機(jī)森林，機(jī)器學(xué)習(xí)算法將最適合這種類(lèi)型的分類(lèi)問(wèn)題。它是一種監(jiān)督分類(lèi)算法。顧名思義，它將創(chuàng)建決策樹(shù)森林，并最終合并所有決策樹(shù)以獲得準(zhǔn)確的分類(lèi)。可以使用該模型開(kāi)發(fā)一個(gè)系統(tǒng)，該系統(tǒng)將識(shí)別喇叭的特定模式并做出相應(yīng)的決定。

自動(dòng)駕駛汽車(chē)的車(chē)內(nèi)交互

NLP（自然語(yǔ)言處理）處理人類(lèi)語(yǔ)言以提取有助于做出決策的含義。乘員不僅可以發(fā)出命令，還可以與自動(dòng)駕駛汽車(chē)交談。假設(shè)你給你的自動(dòng)駕駛汽車(chē)分配了一個(gè)像Adriana這樣的名字，那么你就可以對(duì)你的車(chē)說(shuō)“Adriana，帶我去我最喜歡的咖啡店”。這仍然是一個(gè)簡(jiǎn)單的句子，但我們也可以讓自動(dòng)駕駛汽車(chē)?yán)斫飧鼜?fù)雜的句子，例如“帶我去我最喜歡的咖啡店，在到達(dá)那里之前，在吉姆的家里停下來(lái)接他”。您可以在車(chē)內(nèi)與更多東西互動(dòng)。但是，自動(dòng)駕駛汽車(chē)不應(yīng)盲目聽(tīng)從車(chē)主的指示，以避免任何危險(xiǎn)情況，例如死亡和生境。為了做到這一點(diǎn)，自動(dòng)駕駛汽車(chē)需要一個(gè)更強(qiáng)大的NLP，它實(shí)際上可以解釋人類(lèi)所告訴的內(nèi)容，并且可以回響其后果。

因此，基于機(jī)器學(xué)習(xí)的音頻分析歸因于安全可靠的自動(dòng)駕駛汽車(chē)的日益普及。在 VOLANSYS，我們幫助汽車(chē)開(kāi)發(fā)基于 ML 技術(shù)的定制解決方案，如音頻分析、NLP、語(yǔ)音識(shí)別等，從而增強(qiáng)乘客體驗(yàn)、道路安全和及時(shí)的汽車(chē)發(fā)動(dòng)機(jī)維護(hù)。我們的機(jī)器學(xué)習(xí)專(zhuān)家擁有使用高效框架、數(shù)據(jù)分析和可視化工具處理從數(shù)字、音頻、文本、視頻到圖像等多種形式的數(shù)據(jù)的技能。

審核編輯：郭婷