人工智能(AI)和机器学习(ML)将成为汽车行业转型的一个关键方面,将其整合到自动驾驶汽车的设计中。
与供应链管理、制造运营、移动服务、图像和视频分析等其他领域一起,音频分析在自动驾驶汽车取得成功方面发挥着重要作用。随着技术的进步和创新,汽车行业正在重塑和采用新技术。音频分析极大地改变了汽车公司对其产品的关注,以提高客户满意度。到2030年,自动驾驶汽车的全球市场规模预计将增长到600亿美元。
无人驾驶汽车机器学习下的音频分析包括音频分类、NLP、语音/语音和声音识别。语音和语音识别已成为自动驾驶汽车和汽车行业不可或缺的一部分。在以前的汽车模型中,语音和语音识别是一个挑战,因为缺乏高效的算法、可靠的连接和边缘的处理能力。
长期以来,机器中的音频分析一直是不断研究的主题。随着技术的进步,市场上的新产品,如亚马逊的Alexa和苹果的Siri,利用了云计算技术的关键优势,而这些优势是其他识别系统以前所缺乏的。然而,为了使这些系统在自动驾驶汽车中顺利运行,将需要不间断的无线互联网服务。
各种 ML 算法,如 kNN(K 最近邻)、SVM(支持向量机)、EBT(集成袋树)、深度神经网络 (DNN) 和自然语言处理 (NLP)广泛用于音频分析。
如下图所示,音频数据经过预处理以消除噪声。然后,将从音频数据中提取音频特征。方差用于音频特征,例如 MFCC(梅尔频率倒谱系数)以及统计特征(如峰度)。MFCC的频段在Mel量表上等距,非常接近人类听觉系统的响应。出于同样的原因,使用此功能训练模型。最后,使用经过训练的模型进行推理,从安装在汽车中的多个麦克风中获取实时音频流,然后对其进行预处理,并提取特征。提取的特征将被传递给训练好的模型,以便正确识别音频,这对于在自动驾驶汽车中做出正确的决定很有用。
有了新技术,最终用户的信任是关键点,NLP是建立自动驾驶汽车信任的游戏规则改变者。NLP允许乘客使用语音命令控制汽车,例如要求在餐厅停车,改变路线,在最近的购物中心停车,打开/关闭灯,打开和关闭车门等等。这使得乘客体验丰富且互动。
让我们来看看使用音频分析为自动驾驶汽车开发的一些用例:
紧急警报器检测
任何紧急车辆(如救护车、消防车或警车)的警报声都可以使用各种深度学习模型以及 SVM(支持向量机)等机器学习模型来检测。该模型用于分类和回归分析。SVM分类模型使用紧急警报声和非紧急声音的海量数据进行训练。通过该模型,开发了识别警报器声音的系统,以便为自动驾驶汽车做出适当的决策,以避免任何危险情况。有了这个检测系统,自动驾驶汽车可以做出靠边停车的决定,并为紧急车辆通过提供道路。
发动机声音异常检测
自动早期检测可能的发动机故障可能是自动驾驶汽车的基本功能。汽车发动机在正常情况下工作时会发出一定的声音,当出现一些问题/故障时会发出不同的声音。K-means聚类中可用的许多机器学习算法可用于检测发动机声音中的异常。在 k 均值聚类中,声音的每个数据点都分配给 k 组聚类。数据点的分配基于接近该聚类质心的平均值。在异常引擎声音的情况下,数据点将落在正常群集之外,并且将成为异常群集的一部分。使用此模型,可以持续监控发动机的健康状况,如果出现任何异常声音事件,那么自动驾驶汽车可以警告用户并帮助做出正确的决策以避免任何危险情况。这可以避免发动机完全故障/故障。
按喇叭时变道
为了使自动驾驶汽车完全像人类驾驶的汽车一样运行,它必须在以下情况下有效工作:当后面的车辆需要紧急通过并按喇叭紧急通过时,它必须改变车道。随机森林,机器学习算法将最适合这种类型的分类问题。它是一种监督分类算法。顾名思义,它将创建决策树森林,并最终合并所有决策树以获得准确的分类。可以使用该模型开发一个系统,该系统将识别喇叭的特定模式并做出相应的决定。
自动驾驶汽车的车内交互
NLP(自然语言处理)处理人类语言以提取有助于做出决策的含义。乘员不仅可以发出命令,还可以与自动驾驶汽车交谈。假设你给你的自动驾驶汽车起了一个像Adriana这样的名字,那么你就可以对你的车说:“Adriana,带我去我最喜欢的咖啡店。这仍然是一个简单的句子,但我们也可以让自动驾驶汽车理解更复杂的句子,例如“带我去我最喜欢的咖啡店,在到达那里之前,在吉姆的家里停下来接他”。您可以在车内与更多东西互动。但是,自动驾驶汽车不应盲目听从车主的指示,以避免任何危险情况,例如死亡和生境。为了做到这一点,自动驾驶汽车需要一个更强大的NLP,它实际上可以解释人类所告诉的内容,并且可以回响其后果。
因此,基于机器学习的音频分析归因于安全可靠的自动驾驶汽车的日益普及。机器学习服务公司帮助汽车开发基于 ML 技术(如音频分析、NLP、语音识别等)的定制解决方案,从而增强乘客体验、道路安全和及时的汽车发动机维护。
审核编辑:郭婷
全部0条评论
快来发表一下你的评论吧 !