随着供应链管理、制造运营、移动服务、图像和视频分析、音频分析的进步,下一代自动驾驶汽车有望改变汽车消费者的认知。随着这些技术的不断发展,到2030年,自动驾驶汽车行业的全球市场规模有望达到近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。特别是语音识别已成为自动驾驶汽车技术的一个组成部分,为驾驶员提供增强的控制。到目前为止,在传统的汽车模型中,由于缺乏高效的算法、可靠的连接性和边缘处理能力,语音识别仍然是一个挑战。此外,车内噪音会降低音频分析的性能,从而导致错误识别。
机器中的音频分析一直是一个不断研究的主题。随着技术的进步,亚马逊的Alexa和苹果的Siri等新产品正在上线。这些系统正在通过云计算技术快速发展,这是其他识别系统以前缺乏的策略。
最近,各种机器学习算法,如kNN(最近相邻距)、SVM(支持向量机)、EBT(集成袋装树)、深度神经网络(DNN)和自然语言处理(NLP)使音频分析更有效、更好定位于为自动驾驶汽车增加价值。
在音频分析中,对数据进行预处理以去除噪声,然后从音频数据中提取音频特征。这里使用了音频特征,如MFCC(梅尔频率倒谱系数)和统计特征,如峰度和方差。MFCC的频段在梅尔尺度上等距分布,非常接近人类听觉系统的反应。最后,将训练好的模型用于推理,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,然后提取特征。提取的特征将传递给经过训练的模型以正确识别音频,这将有助于在自动驾驶汽车中做出正确的决策。
数据处理和机器学习模型训练
对于新技术,最终用户的信任是关键,而 NLP 是在自动驾驶汽车中建立这种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、更改路线、在最近的商场停车、开/关灯、打开和关闭车门等等。这使得乘客体验丰富和互动。
让我们来看看音频分析为自动驾驶汽车带来好处的一些应用。
紧急警报器检测
可以使用各种深度学习模型和机器学习模型(如SVM(支持向量机))检测任何紧急车辆(如救护车、消防车或警车)的警报声。监督学习模型——SVM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大量数据进行训练。有了这个模型,系统就被开发出来,识别警报声,为自动驾驶汽车做出适当的决定,以避免任何危险情况。有了这个检测系统,一辆自动驾驶汽车可以决定靠边停车,让紧急车辆通过。
发动机声音异常检测
自动及早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,而在出现问题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-means聚类中,声音的每个数据点都被分配到 k 组聚类中。数据点的分配基于该集群质心附近的平均值。在异常引擎声音中,数据点将落在正常集群之外,成为异常集群的一部分。使用此模型,可以持续监控发动机的健康状况。如果有异常声音事件,然后自动驾驶汽车可以警告用户并帮助做出正确的决定以避免危险情况。这可以避免发动机完全故障。
按喇叭换车道
为了让自动驾驶汽车完全像人类驾驶的汽车一样工作,它必须在后面的车辆需要紧急超车时必须改变车道的情况下有效地工作,并以鸣喇叭表示。随机森林是一种机器学习算法,将最适合此类分类问题。它是一种监督分类算法。顾名思义,它将创建决策树的森林,最终合并所有决策树以进行准确分类。可以使用该模型开发一个系统,识别特定的喇叭模式并做出相应的决定。
NLP(自然语言处理)处理人类语言以提取含义,这有助于做出决策。乘员实际上可以与自动驾驶汽车交谈,而不仅仅是发出命令。假设你为你的自动驾驶汽车指定了一个像Adriana这样的名字,那么你可以对你的汽车说:“Adriana,带我去我最喜欢的咖啡店。” 这仍然是一个简单的句子来理解,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,在吉姆家停下来接他。” 重要的是要注意,自动驾驶车辆不应盲目服从车主的指示,以避免任何危险情况,例如危险的、危及生命的情况。在危险情况下做出有效决策,
因此,由于安全性和可靠性的增强,基于机器学习的音频分析归功于自动驾驶汽车的日益普及。随着机器学习的不断发展,越来越多的基于服务的产品变得可用,提供音频分析、NLP、语音识别等服务,增强乘客体验、道路安全和及时维护汽车发动机。