隨著供應(yīng)鏈管理、制造運(yùn)營(yíng)、移動(dòng)服務(wù)、圖像和視頻分析、音頻分析的進(jìn)步，下一代自動(dòng)駕駛汽車(chē)有望改變汽車(chē)消費(fèi)者的認(rèn)知。隨著這些技術(shù)的不斷發(fā)展，到2030年，自動(dòng)駕駛汽車(chē)行業(yè)的全球市場(chǎng)規(guī)模有望達(dá)到近600億美元。

[[434781]]

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。特別是語(yǔ)音識(shí)別已成為自動(dòng)駕駛汽車(chē)技術(shù)的一個(gè)組成部分，為駕駛員提供增強(qiáng)的控制。到目前為止，在傳統(tǒng)的汽車(chē)模型中，由于缺乏高效的算法、可靠的連接性和邊緣處理能力，語(yǔ)音識(shí)別仍然是一個(gè)挑戰(zhàn)。此外，車(chē)內(nèi)噪音會(huì)降低音頻分析的性能，從而導(dǎo)致錯(cuò)誤識(shí)別。

機(jī)器中的音頻分析一直是一個(gè)不斷研究的主題。隨著技術(shù)的進(jìn)步，亞馬遜的Alexa和蘋(píng)果的Siri等新產(chǎn)品正在上線(xiàn)。這些系統(tǒng)正在通過(guò)云計(jì)算技術(shù)快速發(fā)展，這是其他識(shí)別系統(tǒng)以前缺乏的策略。

最近，各種機(jī)器學(xué)習(xí)算法，如kNN(最近相鄰距)、SVM(支持向量機(jī))、EBT(集成袋裝樹(shù))、深度神經(jīng)網(wǎng)絡(luò)(DNN)和自然語(yǔ)言處理(NLP)使音頻分析更有效、更好定位于為自動(dòng)駕駛汽車(chē)增加價(jià)值。

在音頻分析中，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理以去除噪聲，然后從音頻數(shù)據(jù)中提取音頻特征。這里使用了音頻特征，如MFCC(梅爾頻率倒譜系數(shù))和統(tǒng)計(jì)特征，如峰度和方差。MFCC的頻段在梅爾尺度上等距分布，非常接近人類(lèi)聽(tīng)覺(jué)系統(tǒng)的反應(yīng)。最后，將訓(xùn)練好的模型用于推理，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，然后提取特征。提取的特征將傳遞給經(jīng)過(guò)訓(xùn)練的模型以正確識(shí)別音頻，這將有助于在自動(dòng)駕駛汽車(chē)中做出正確的決策。

數(shù)據(jù)處理和機(jī)器學(xué)習(xí)模型訓(xùn)練

對(duì)于新技術(shù)，最終用戶(hù)的信任是關(guān)鍵，而 NLP 是在自動(dòng)駕駛汽車(chē)中建立這種信任的游戲規(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)、更改路線(xiàn)、在最近的商場(chǎng)停車(chē)、開(kāi)/關(guān)燈、打開(kāi)和關(guān)閉車(chē)門(mén)等等。這使得乘客體驗(yàn)豐富和互動(dòng)。

讓我們來(lái)看看音頻分析為自動(dòng)駕駛汽車(chē)帶來(lái)好處的一些應(yīng)用。

緊急警報(bào)器檢測(cè)

可以使用各種深度學(xué)習(xí)模型和機(jī)器學(xué)習(xí)模型(如SVM(支持向量機(jī)))檢測(cè)任何緊急車(chē)輛(如救護(hù)車(chē)、消防車(chē)或警車(chē))的警報(bào)聲。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)聲和非緊急聲音的大量數(shù)據(jù)進(jìn)行訓(xùn)練。有了這個(gè)模型，系統(tǒng)就被開(kāi)發(fā)出來(lái)，識(shí)別警報(bào)聲，為自動(dòng)駕駛汽車(chē)做出適當(dāng)?shù)臎Q定，以避免任何危險(xiǎn)情況。有了這個(gè)檢測(cè)系統(tǒng)，一輛自動(dòng)駕駛汽車(chē)可以決定靠邊停車(chē)，讓緊急車(chē)輛通過(guò)。

發(fā)動(dòng)機(jī)聲音異常檢測(cè)

自動(dòng)及早檢測(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，而在出現(xiàn)問(wèn)題時(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-means聚類(lèi)中，聲音的每個(gè)數(shù)據(jù)點(diǎn)都被分配到 k 組聚類(lèi)中。數(shù)據(jù)點(diǎn)的分配基于該集群質(zhì)心附近的平均值。在異常引擎聲音中，數(shù)據(jù)點(diǎn)將落在正常集群之外，成為異常集群的一部分。使用此模型，可以持續(xù)監(jiān)控發(fā)動(dòng)機(jī)的健康狀況。如果有異常聲音事件，然后自動(dòng)駕駛汽車(chē)可以警告用戶(hù)并幫助做出正確的決定以避免危險(xiǎn)情況。這可以避免發(fā)動(dòng)機(jī)完全故障。

按喇叭換車(chē)道

為了讓自動(dòng)駕駛汽車(chē)完全像人類(lèi)駕駛的汽車(chē)一樣工作，它必須在后面的車(chē)輛需要緊急超車(chē)時(shí)必須改變車(chē)道的情況下有效地工作，并以鳴喇叭表示。隨機(jī)森林是一種機(jī)器學(xué)習(xí)算法，將最適合此類(lèi)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)的森林，最終合并所有決策樹(shù)以進(jìn)行準(zhǔn)確分類(lèi)?？梢允褂迷撃Ｐ烷_(kāi)發(fā)一個(gè)系統(tǒng)，識(shí)別特定的喇叭模式并做出相應(yīng)的決定。

NLP(自然語(yǔ)言處理)處理人類(lèi)語(yǔ)言以提取含義，這有助于做出決策。乘員實(shí)際上可以與自動(dòng)駕駛汽車(chē)交談，而不僅僅是發(fā)出命令。假設(shè)你為你的自動(dòng)駕駛汽車(chē)指定了一個(gè)像Adriana這樣的名字，那么你可以對(duì)你的汽車(chē)說(shuō)：“Adriana，帶我去我最喜歡的咖啡店。” 這仍然是一個(gè)簡(jiǎn)單的句子來(lái)理解，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，在吉姆家停下來(lái)接他。” 重要的是要注意，自動(dòng)駕駛車(chē)輛不應(yīng)盲目服從車(chē)主的指示，以避免任何危險(xiǎn)情況，例如危險(xiǎn)的、危及生命的情況。在危險(xiǎn)情況下做出有效決策，

因此，由于安全性和可靠性的增強(qiáng)，基于機(jī)器學(xué)習(xí)的音頻分析歸功于自動(dòng)駕駛汽車(chē)的日益普及。隨著機(jī)器學(xué)習(xí)的不斷發(fā)展，越來(lái)越多的基于服務(wù)的產(chǎn)品變得可用，提供音頻分析、NLP、語(yǔ)音識(shí)別等服務(wù)，增強(qiáng)乘客體驗(yàn)、道路安全和及時(shí)維護(hù)汽車(chē)發(fā)動(dòng)機(jī)。