汽车多模态交互研究：大模型及多模态融合，推进AI Agent上车

佐思汽研发布《2023年中国汽车多模态交互发展研究报告》，主要梳理了主流座舱交互方式、2023年上市的重点车型交互方式应用、供应商座舱交互方案，以及多模交互融合趋势。

通过梳理最近一年新上市车型的交互方式和功能来看，主动式、拟人化、自然化交互成为主要方向。从交互方式来看：单一模态交互，如触觉、语音等主流交互的控制范围从车内拓展至车外，指纹、肌电等新型交互方式的上车案例开始增多；多模态融合交互下，语音+头姿/人脸/唇语、面部+情绪/嗅觉等多种融合交互不断上车，旨在打造更加主动、自然的人车交互。

单一模态的纵深发展

触觉交互方面：座舱大屏化、多屏化趋势加剧，同时智能表面材料在舱内的扩展应用，让触觉感知范围向车门、车窗、座椅等部件扩展，并逐步引入触觉反馈技术；

语音交互方面：语音交互在AI大模型的赋能下，功能愈加智能化、情感化。唇动识别、声纹识别等技术的上车，使语音交互精准度得到进一步提升，控制范围也从车内拓展至车外；

视觉交互方面：基于视觉技术的面部/手势识别范围开始逐渐向肢体识别扩展，包括头部姿势、手臂动作，以及身体行为等；

嗅觉交互方面：原主要用于净化空气、祛除异味的嗅觉交互功能，现今可实现座舱杀菌消毒、并支持香氛系统与座舱场景/季节时令联动。

案例1

语音控车实现车内向车外延伸

代表车型：长安启源A07、极越01

代表功能：车外语音开启车门、车窗、辅助泊车等

长安启源A07采用科大讯飞最新XTTS 4.0 技术，车载语音助手声音更加自然拟人化，具备高兴、抱歉、疑惑等多情感表达。支持向车外喊话（内容可自定义）；此外，还可在车外通过语音实现对后备箱、车窗、音乐、空调、出库/泊车等功能的控制。

极越01搭载“SIMO”语音助手，支持全域全离线语音，无网弱网也可全程在线语音交互；可实现500毫秒识别，700毫秒内响应。在车外，驾乘人员可通过声纹识别技术实现语音操作空调、音响、灯光、车窗、车门、后尾门、充电盖的开启/关闭等功能，以及支持车外语音泊车。

案例2

声纹识别扩大应用

代表车型：理想L7、合创A06/V09

代表功能：识别驾乘人员身份，提供针对性服务

理想L系列车型均支持声纹识别功能。在乘客声纹注册后，“理想同学”可分辨乘客是谁，叫出不同乘客指定的昵称，并结合声纹记忆对不同乘客位置执行车控。

合创A06/V09的声纹识别VOICE ID，能清楚识别有效用户身份以及指令，并将成为HYCAN ID的入口，为用户接入丰富智慧生态，使用100+款娱乐应用。另外基于声纹识别技术，系统将主动屏蔽其他干扰声音，提高主驾识别精准度。

图片来源：合创汽车

案例3

肌电交互实现车载商业化落地

代表车型：岚图追光

代表功能：车内外隔空微手势控车

2023年4月，岚图追光与柔灵科技推出肌电交互融合方案。该方案主要通过肌电手环实现。手环内部安装多通道肌电传感器和高精度的放大器，可以实时采集丰富的肌肉电信号并生成算法，传导计算终端，从而生成个性化的AI手势模型，之后再和岚图的车载平台整合。使用者将手环与车内蓝牙连接，即可实现以微手势控制车辆，包括开关后备箱、升降车窗等60+种手势动作。此外，手环还可以和车内游戏系统无缝连接。借助肌电手环的手势识别，用户可以更自然、直观地操控游戏角色，如地铁跑酷等。

图片来源：柔灵科技

多模态融合，打造主动交互

目前车企已实现的多模态融合包括但不限于语音+唇动识别、语音+面部识别、语音+手势识别、语音+头姿、面部+情绪识别、面部+眼球追踪、香氛+面部+语音识别等。其中语音多模态交互方式为当下主流，应用车型包括上文提到的长安启源A07、极越01、理想L7、合创A06/V09等车型。  

多模态融合代表功能（仅列举部分）

来源：佐思汽研《2023年中国汽车多模态交互发展研究报告》

案例1

语音+头姿交互：魏牌蓝山DHT PHEV将语音和头姿进行结合，交互方式简单直观

当驾驶员进行语音对话时，蓝山座舱利用车载摄像头捕捉驾驶员的头部动作，通过点头/摇头进行确定/否定答复。例如语音控制导航时，可通过点头/摇头选择路线规划方案。

案例2

面部+情绪识别：睿蓝7、极狐考拉等车型在面部识别功能上融入情绪识别技术，提供主动交互，增强交互体验

睿蓝7的多模智识Face-ID系统支持唇动识别、情绪识别，能记忆关联账户对应语音、座椅、后视镜、氛围灯、后备箱设置等车辆功能个性化信息，还可根据车主的“脸色”来选择合适的音乐。

极狐考拉位于B柱的摄像头正对后排，可实时监控孩子状态。例如孩子在微笑时将自动抓拍传送至中控屏；哭闹时将自动播放安抚音乐/智能座椅表面呼吸律动，平复孩子情绪。另外，摄像头还可与车内毫米波雷达联动，判断孩子是否睡着，睡着则自动打开睡眠模式，开启座椅通风，空调温度适当调整，音响、氛围灯进行联动，产生律动效果。

案例3

面部+嗅觉：蔚来EC7、睿蓝7等车型实将驾驶员监控系统与香氛系统联动，提升驾车安全性

蔚来EC7监测到驾驶员的疲劳状态时，将自动释放提神醒脑的香氛，以确保驾驶安全；

睿蓝7位于A柱的摄像头监控到驾驶员犯困时，将自动释放提神香氛，并进行语音提醒。

大模型及多模态融合，将推进AI Agent上车

AI大模型正从单模态走向多模态、多任务融合的趋势。相较于单模态只能处理一种类型的数据，例如文本、图像、语音等，多模态则可以处理和理解多种类型的数据，包括视觉、听觉、语言等，从而能够更好地理解和生成复杂的信息。   随着多模态大模型的持续发展，其能力也将得到显著提升。这种提升赋予AI Agent（人工智能体）更强大的感知和环境理解能力，以实现更智能、自主的决策和行动。同时也为汽车领域的应用开拓了新的可能性，为未来的智能化发展提供了更广阔的前景。  

图片来源：红杉资本

科大讯飞基于星火大模型开发的星火座舱OS，支持语音、手势、人眼追踪、DMS/OMS等多种交互模态，星火汽车助理通过深度上下文理解实现多意图识别，提供更加自然的人机交互。讯飞星火大模型首搭车型星途星纪元ES，将带来五大全新的体验：车辆功能导师、冷暖共情伙伴、知识百科全书、旅行规划专家、身体健康顾问。

来源：科大讯飞

将于2023年12月上市的AITO问界M9内置HarmonyOS 4车机系统。鸿蒙4中智慧助手小艺已经接入了盘古大模型。华为盘古大模型，包括自然语言大模型、视觉大模型、多模态大模型等。鸿蒙4+小艺+盘古大模型，设备协同、AI场景等生态能力将再度增强，借助多模态交互技术，提供多样化的交互方式，包括语音识别、手势控制、触摸屏操作等。

图片来源：华为