人工智能（AI）和機器學習（ML）將成為汽車行業轉型的一個關鍵方面，將其整合到自動駕駛汽車的設計中。

與供應鏈管理、制造運營、移動服務、圖像和視頻分析等其他領域一起，音頻分析在自動駕駛汽車取得成功方面發揮著重要作用。隨著技術的進步和創新，汽車行業正在重塑和采用新技術。音頻分析極大地改變了汽車公司對其產品的關注，以提高客戶滿意度。到2030年，自動駕駛汽車的全球市場規模預計將增長到600億美元。

無人駕駛汽車機器學習下的音頻分析包括音頻分類、NLP、語音/語音和聲音識別。語音和語音識別已成為自動駕駛汽車和汽車行業不可或缺的一部分。在以前的汽車模型中，語音和語音識別是一個挑戰，因為缺乏高效的算法、可靠的連接和邊緣的處理能力。

長期以來，機器中的音頻分析一直是不斷研究的主題。隨著技術的進步，市場上的新產品，如亞馬遜的Alexa和蘋果的Siri，利用了云計算技術的關鍵優勢，而這些優勢是其他識別系統以前所缺乏的。然而，為了使這些系統在自動駕駛汽車中順利運行，將需要不間斷的無線互聯網服務。

各種 ML 算法，如 kNN（K 最近鄰）、SVM（支持向量機）、EBT（集成袋樹）、深度神經網絡 （DNN） 和自然語言處理 （NLP）廣泛用于音頻分析。

如下圖所示，音頻數據經過預處理以消除噪聲。然后，將從音頻數據中提取音頻特征。方差用于音頻特征，例如 MFCC（梅爾頻率倒譜系數）以及統計特征（如峰度）。MFCC的頻段在Mel量表上等距，非常接近人類聽覺系統的響應。出于同樣的原因，使用此功能訓練模型。最后，使用經過訓練的模型進行推理，從安裝在汽車中的多個麥克風中獲取實時音頻流，然后對其進行預處理，并提取特征。提取的特征將被傳遞給訓練好的模型，以便正確識別音頻，這對于在自動駕駛汽車中做出正確的決定很有用。

有了新技術，最終用戶的信任是關鍵點，NLP是建立自動駕駛汽車信任的游戲規則改變者。NLP允許乘客使用語音命令控制汽車，例如要求在餐廳停車，改變路線，在最近的購物中心停車，打開/關閉燈，打開和關閉車門等等。這使得乘客體驗豐富且互動。

讓我們來看看使用音頻分析為自動駕駛汽車開發的一些用例：

緊急警報器檢測

任何緊急車輛（如救護車、消防車或警車）的警報聲都可以使用各種深度學習模型以及 SVM（支持向量機）等機器學習模型來檢測。該模型用于分類和回歸分析。SVM分類模型使用緊急警報聲和非緊急聲音的海量數據進行訓練。通過該模型，開發了識別警報器聲音的系統，以便為自動駕駛汽車做出適當的決策，以避免任何危險情況。有了這個檢測系統，自動駕駛汽車可以做出靠邊停車的決定，并為緊急車輛通過提供道路。

發動機聲音異常檢測

自動早期檢測可能的發動機故障可能是自動駕駛汽車的基本功能。汽車發動機在正常情況下工作時會發出一定的聲音，當出現一些問題/故障時會發出不同的聲音。K-means聚類中可用的許多機器學習算法可用于檢測發動機聲音中的異常。在 k 均值聚類中，聲音的每個數據點都分配給 k 組聚類。數據點的分配基于接近該聚類質心的平均值。在異常引擎聲音的情況下，數據點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，可以持續監控發動機的健康狀況，如果出現任何異常聲音事件，那么自動駕駛汽車可以警告用戶并幫助做出正確的決策以避免任何危險情況。這可以避免發動機完全故障/故障。

按喇叭時變道

為了使自動駕駛汽車完全像人類駕駛的汽車一樣運行，它必須在以下情況下有效工作：當后面的車輛需要緊急通過并按喇叭緊急通過時，它必須改變車道。隨機森林，機器學習算法將最適合這種類型的分類問題。它是一種監督分類算法。顧名思義，它將創建決策樹森林，并最終合并所有決策樹以獲得準確的分類。可以使用該模型開發一個系統，該系統將識別喇叭的特定模式并做出相應的決定。

自動駕駛汽車的車內交互

NLP（自然語言處理）處理人類語言以提取有助于做出決策的含義。乘員不僅可以發出命令，還可以與自動駕駛汽車交談。假設你給你的自動駕駛汽車起了一個像Adriana這樣的名字，那么你就可以對你的車說：“Adriana，帶我去我最喜歡的咖啡店。這仍然是一個簡單的句子，但我們也可以讓自動駕駛汽車理解更復雜的句子，例如“帶我去我最喜歡的咖啡店，在到達那里之前，在吉姆的家里停下來接他”。您可以在車內與更多東西互動。但是，自動駕駛汽車不應盲目聽從車主的指示，以避免任何危險情況，例如死亡和生境。為了做到這一點，自動駕駛汽車需要一個更強大的NLP，它實際上可以解釋人類所告訴的內容，并且可以回響其后果。

因此，基于機器學習的音頻分析歸因于安全可靠的自動駕駛汽車的日益普及。機器學習服務公司幫助汽車開發基于 ML 技術（如音頻分析、NLP、語音識別等）的定制解決方案，從而增強乘客體驗、道路安全和及時的汽車發動機維護。

審核編輯：郭婷