CN113655938B - 一种用于智能座舱的交互方法、装置、设备和介质 - Google Patents

Abstract

本公开提供了一种用于智能座舱的交互方法，涉及人工智能技术领域，尤其涉及智能交互。实现方案为：根据用户的交互指令，采集与智能座舱相关联的多模态信息；对多模态信息进行预处理；采用预先训练的多模态信息对齐模型，确定经预处理的多模态信息与交互指令是否对齐；以及根据确定的结果和经预处理的多模态信息，确定针对交互指令的响应策略。

Description

一种用于智能座舱的交互方法、装置、设备和介质

技术领域

本公开涉及人工智能技术领域，尤其涉及智能交互，具体涉及一种用于智能座舱的方交互法、装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术:人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

在出行方面，通过配置智能化的车载产品，让出行工具逐渐演化成一个可以动的智能出行空间。智能座舱与用户之间的交互技术的发展将带给用户更舒适和更智能化体验。在相关技术中，用于智能座舱的交互技术的研究还有很大的提升空间。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

发明内容

本公开提供了一种用于智能座舱的交互方法的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种用于智能座舱的交互方法，包括：根据用户的交互指令，采集与智能座舱相关联的多模态信息；对多模态信息进行预处理；采用预先训练的多模态信息对齐模型，确定经预处理的多模态信息与交互指令是否对齐；以及根据确定的结果和经预处理的多模态信息，确定针对交互指令的响应策略。

根据本公开的另一方面，提供了一种智能座舱交互装置，包括：采集单元，被配置为根据来自智能座舱内的用户的交互指令，采集与智能座舱相关联的多模态信息；预处理单元，被配置为对多模态信息进行预处理；第一确定单元，被配置为采用预先训练的多模态信息对齐模型，确定经预处理的多模态信息与交互指令是否对齐；以及第二确定单元，被配置为根据确定的结果和经预处理的多模态信息，确定针对交互指令的响应策略。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器以及与处理器通信连接的存储器；存储器存储有可被至少一个处理器执行的命令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述方法的步骤。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行上述方法的步骤。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序。计算机程序被处理器执行时实现上述方法的步骤。

根据本公开的一个或多个实施例，可以基于多方面信息对用户做出响应，提升用户体验。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；

图2示出了相关技术中的用于智能座舱的交互方法的示意图；

图3示出了根据本公开的实施例的用于智能座舱的交互方法的流程图；

图4示出了根据本公开的实施例的在图1中的确定多模态信息与交互指令是否对齐的流程图；

图5示出了根据本公开的实施例的在图1中的确定响应策略的流程图；

图6示出了根据本公开的实施例的用于智能座舱的交互方法的示意图；

图7示出了根据本公开的实施例的用于智能座舱的交互装置的结构框图；

图8示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

互联网及AI技术的不断发展重新定义了人类的生活方式，影响人类衣食住行各个方面，在出行方面，通过配备智能化的车载产品，汽车进入智能驾驶时代，从出行工具逐渐演化成一个可移动的智能出行空间。智能化车载产品通过人、路、车的信息收集和交换，让车内的用户在狭小的车舱内，也能拥有舒适便捷的驾驶和出行体验。

在相关技术中，智能座舱在支持多种交互方式上已经有很大的进步，拥有多种交互功能，如人脸识别、语音识别、分区识音、手势控制等，用户可以通过多种方式与智能座舱进行交互。但每种交互功能一般只基于单一的信息源，如人脸检测只使用视觉能力，语音识别只使用麦克风采集到的音频信息等。

人与人自然交互状态是，当两个人面对面进行对话或信息交换的时候，人会充分发挥自己的感知能力，通过视觉、听觉、嗅觉、味觉、触觉、知觉等收集理解信息，并综合各渠道的信息给出最终反馈。比如用户在说一个笑话的时候，不仅通过语音把笑话说出来，还会手舞足蹈得表达自己的情绪。如果带给用户更高满意度的体验，需要综合各种信息源对用户行为进行分析和决策，并给出基于多种信息源决策结果的反馈。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，服务器120可以运行使得能够执行用于智能座舱的交互的方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。

用户可以使用客户端设备101、102、103、104、105和/或106来用于与智能座舱交互。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLEiOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT Windows Mobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。

在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。

系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据存储库130可以驻留在各种位置。例如，由服务器120使用的数据存储库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据存储库130可以是不同的类型。在某些实施例中，由服务器120使用的数据存储库可以是数据库，例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。

图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

图2示出了相关技术中的用于智能座舱的交互方法200的示意图。如图2所示，在相关技术中，用户210通过某种交互方式与智能座舱220进行交互。交互的方式可以是例如语音、视觉、触控装置等。虚线箭头表示智能座舱根据用户210的交互方式来进行相应的信息采集。例如，当用户通过语音下达指令，指令将采集并处理音频信息230。然后经过交互策略分析260产生交互回应。类似地，当用户通过视觉或触控方式下达指令，指令将采集和处理视频信息240或触觉信息250并经过相应的交互策略分析270和280产生交互回应。

在例如方法200的相关技术中，实际场景存在单一信息源无法响应的情况。比如用户在与包括智能座舱的车辆进行交互，如果用户发出了一段声音，和唤醒指令词很像，并用户没有唤醒的意图，车辆可能会存在误唤醒；比如相关技术中部分车辆支持持续聆听功能，有时用户在和旁边的人聊天，并没有和车辆交互，也会被车辆识别，产生错误的响应。

根据方法200的基于单一信息源进行决策也可以响应用户需求，但无法提供个性化的体验。比如，用户使用语音指令请求播放歌曲，智能系统可能会基于车辆的历史习惯猜测用户的听歌偏好，推荐相关歌曲。但如果驾驶员发生变更，或者用户当时的情绪状态发生变化，用户希望听到基于本人当时心情当时状态歌曲推荐，仅依靠单一的语音信息就无法满足。再比如，如今的智能座舱协同车内装饰、灯光、座椅等，提供多种车内氛围模式，当用户使用语音指令请求更换车内氛围时，智能系统把语音指令转为文字，进行语义理解并控制随机或策略性的更换车内氛围，无法考虑用户当前的驾驶环境和驾驶状态。

综上所述，如果车辆在响应前不仅基于语音信息，还可以基于视觉信息，比如判断用户的唇形是否和指令词的唇形相似，或者判断用户在说话时面部是朝向车辆还是其他人，就可以提升仅基于单一信息无法响应的场景体验，并根据不同用户配置个性化体验。

图3示出了根据本公开的实施例的用于智能座舱的交互方法300的流程图。如图3所示，方法300包括步骤310至步骤340。

在步骤310，根据用户的交互指令，采集与智能座舱相关联的多模态信息。在一个示例中，用户可以通过多种方式，例如语音、视觉、触控装置等给智能座舱下达交互指令。然而，智能座舱并不仅仅采集与用户相同方式的信息，而是采集与智能座舱相关联的多模态信息。

在一些示例性实施例中，智能座舱包括车载信息系统，车载信息系统包括麦克风、相机和触控装置，并且与智能座舱相关联的多模态信息包括以下至少一项：麦克风采集的音频信息；相机采集的视频信息；触控装置感测的触控信息；和承载所述智能座舱的车辆的车辆状态信息。例如，在视觉上，车内配置多方位的摄像头对用户行为举止进行视频采集，在听觉上，通过麦克风采集用户音频信息，在触觉上，方向盘上的传感器可以感测用户的脉搏、温度等信息。在一个示例中，当用户通过语音向智能座舱下达交互指令，智能座舱并不仅采集语音信息，而是同时采集其他模态的信息，例如通过相机采集视觉信息、通过触控装置感测触控信息以及车辆状态信息。在一个示例中，视觉信息可以包括用户的姿态、表情等信息。触控信息可以包括例如用户的温度、脉搏等表征生理状态的信息。驾驶状态信息可以包括与非用户相关的数据，例如当前的地理位置、当前的车辆状态(例如车内温度、燃料余量)、车内乘客的数量等。

在步骤320，对多模态信息进行预处理。智能座舱在步骤310将采集到多模态的信息。由于多模态信息中的例如原始的音频数据和视频数据各自具有单独的数据形式，因此需要进行相应的预处理以将多模态信息进行归一化或统一化。在一些示例性实施例中，可以通过采用预先训练的多个相应的模块信息处理模型对多模态信息进行预处理。例如通过预训练的语音信息处理模型对语音信息进行预处理、通过预训练的视频信息处理模型对视频信息进行预处理等。

在步骤330，采用预先训练的多模态信息对齐模型，确定经预处理的多模态信息与交互指令是否对齐。在一个示例中，通过确定用户的交互指令与所收集到的并经过预处理的多模态信息是否对齐可以用于排除一些错误回应的情况。例如，在方法200中，当用户发出的交互指令与唤醒很像，智能座舱仅依赖于语音信息便进行了唤醒的误回应。在一个示例中，通过步骤330，智能座舱可以将采集的视觉、车辆状态等信息来与用户的交互指令对齐，并且当发现例如用户口型与唤醒不符或者车辆已经被唤醒时，可以确定视觉信息或车辆状态信息与交互指令不对齐，进而能够用于后续确定响应策略。

在步骤340，根据确定的结果和经预处理的多模态信息，确定针对交互指令的响应策略。

综上所述，基于多模态信息的交互方法300，能够通过采集视觉、听觉、触觉、知觉等多方位的信息综合理解用户行为并给出反馈。通过相机、麦克风、触控装置等多渠道采集来的用户行为数据，智能座舱能够做出综合性的决策并给出更智能的响应策略，从而提高用户体验。

图4示出了根据本公开的实施例的在图1中的确定多模态信息与交互指令是否对齐的流程图。如图4所述，确定经预处理的多模态信息与所述交互指令是否对齐(步骤330)包括步骤410至步骤440。

在步骤410，从视频信息中标识与音频指令具有相同开始时间和相同结束时间的视频片段。在一个示例中，可以按开始时间和结束时间，将视频信息与音频指令进行处理，以标识出视频信息中与音频指令相关的视频片段。例如，当用户通过说一句话下达交互指令，则获取与该句话相同开始时间和结束时间的视频片段。

在步骤420，从音频指令中识别指令词。在一个示例中，可以对音频指令进行语音分析，以识别出指令词。

在步骤430，从视频片段中识别用户的嘴唇运动。在一个示例中，可以通过特征提取或其他图像处理的方法识别用户的嘴唇运动。

在步骤440，响应于确定用户的嘴唇运动与指令词对应的嘴唇运动相匹配，确定音频指令与所述视频信息对齐。在一个示例中，可以采用预先训练好的匹配模型对提取的指令词和用户的嘴唇运动进行匹配。例如，当用户发出“O”的指令词，匹配模型能够确定用户在该时刻的嘴唇运动是否与发出“O”指令词的嘴唇运动相匹配。

综上所述，本申请的实施例通过匹配用户的指令词与用户的嘴唇运动，能够排除一些误判情况。例如，当用户发出跟唤醒很像的语音，但是所识别的唤醒的指令词与视频中用户的嘴唇运动并不匹配，则可以排除唤醒的响应。因此，本申请的实施例能够减少响应决策的误判，提高用户体验。

在一些示例性实施例中，确定经预处理的多模态信息与交互指令是否对齐(步骤330)还可以包括对音频信息进行语义分析和语义理解，以提取相应的指令意图；以及响应于指令意图与车辆状态信息相匹配，确定音频指令与车辆状态信息对齐。以用户的交互指令为音频指令为例，可以采用预先训练的语义分析模型和语义理解模型对音频指令进行处理，以提取相应的指令意图。例如，当用户下达“我要加油”的交互指令，所提取的指令意图可以是用户希望给车辆加注燃料。根据相关技术方法200，智能座舱将反馈给用户附近加油站信息的交互策略。然而，根据本申请的实施例，车辆状态信息将与指令意图进行匹配。例如，当车辆状态信息中与加油相关的数据显示车辆燃料的余量充足，可以确定与用户的交互指令无法对齐，则可以用于后续分析响应策略并排除加油信息的反馈。

综上所述，本申请的实施例通过匹配用户的指令意图和车辆状态，能够有效排除一些不合理的响应策略。例如，当燃料充足时仍反馈给用户加油站的信息。因此，本申请的实施例能够减少响应决策的误判，提高用户体验。

图5示出了根据本公开的实施例的在图1中的确定响应策略的流程图。如图5所示，确定针对交互指令的响应策略(步骤340)包括步骤510和步骤520。

在步骤510，过滤经预处理的多模态信息中与交互指令无法对齐的信息。一个示例中，通过不同的确定对齐的方式可以确定出多模态信息中哪些信息与交互指令对齐以及哪些信息与交互指令不对齐。然后过滤掉无法对齐，也即数据传达信息不一致的信息。

在步骤520，基于经过滤的多模态信息，确定响应策略。在一些示例性实施例中，可以通过采用预先训练的响应策略分析模型530，对经过滤的多模态信息进行处理，来确定响应策略。响应策略可以包括交互策略和执行策略中的至少一者。

因此，本申请的实施例能够事先过滤掉无法对齐的信息，从而提高了响应策略响应用户的意图的正确率。

在一些示例性实施例中，交互策略可以包括通过话术回复用户，话术回复的参数由预先训练的响应策略分析模型获得，并且包括以下至少一项：话说音色参数；话术性别参数；话术年龄参数；话术风格参数；形象参数；表情参数以及动作参数。在一个示例中，通过来自包括用户的视频信息，响应策略分析模型能够根据不同的用户产生不同的交互策略。例如，不同的性别年龄产生不同的话术音色风格。还例如在包括虚拟助理的智能座舱中，反馈给不同的用户以不同的形象或表情等。因此，本申请的实施例由于考虑了多模态信息，对用户的需求能够产生综合的理解，从而为用户的个性化交互体验。

在一些示例性实施例中，反馈给用户的响应策略包括执行策略，并且执行策略包括控制承载智能座舱的车辆的硬件系统或软件系统以响应交互指令。例如，响应于用户“开窗”的指令信息打开车窗。又例如响应于用户“降低空调温度”指令信息并且采集到的用户体表温度信息、车辆状态信息等没有不一致/不对齐的信息，则控制车辆空调系统以降低空调温度。再例如响应于用户“听音乐”的指令信息，通过视频信息中识别的用户得信息和车辆状态信息中的音乐播放历史，综合决策所要播放给用户的音乐。因此，本申请的实施例能够提升用户的交互体验。

在一些示例性示例中，响应于经过滤的多模态信息为空集，不响应所述交互指令。例如，若用户的“加油”指令词与燃料剩余量信息相冲突，则不响应用户该指令。又例如，当通过视频信息确定出用户在与身旁的人说话，而不是向智能座舱发出具体指令，则不响应用户的指令。综上所述，本申请的实施例能够避免错误的响应，以便更准备有效地响应客户。

图6示出了根据本公开的实施例的用于智能座舱的交互方法600的示意图。图6示出了本公开的实施例与图2的相关技术的不同之处。如图6所示，用户610通过多种方式对智能座舱620下达语音指令。智能座舱620收集并预处理包括音频信息630、视频信息640、触控信息650和车辆状态信息660的多模态信息。多模态信息对齐模型670确定经预处理的多模态信息是否对齐交互指令。经过滤掉无法对齐的信息后，交互策略分析模型产生响应策略。最后车辆根据响应策略与用户进行交互。

综上所述，本公开的基于多模态信息的智能座舱交互方法通过考虑来自视觉、触觉、听觉等多模态信息，综合理解用户的需求。本公开的交互方法有助于准确响应基于单一信息源误判的场景，或带给用户在不同状态下个性化的反馈和交互体验。

图7示出了根据本公开的实施例的用于智能座舱的交互装置700的结构框图。如图7所示，交互装置700包括采集单元710、预处理单元720、第一确定单元730和第二确定单元740。

采集单元710被配置为根据来自智能座舱内的用户的交互指令，采集与智能座舱相关联的多模态信息。

预处理单元720被配置为对多模态信息进行预处理。

第一确定单元730被配置为采用预先训练的多模态信息对齐模型，确定多模态信息与交互指令是否对齐。

第二确定单元740被配置为根据确定的结果和多模态信息，确定针对所述交互指令的响应策略。

在一些示例性实施例中，智能座舱包括车载信息系统，车载信息系统包括麦克风、相机和触控装置，并且与所述智能座舱相关联的多模态信息包括从以下各项所组成的组中选择的至少一项：麦克风采集的音频信息；相机采集的视频信息；触控装置感测的触控信息；和承载智能座舱的车辆的车辆状态信息。

在一些示例性实施例中，第一确定单元730包括标识子单元731、第一识别子单元732、第二识别子单元733和第一确定子单元734。

标识子单元731，被配置为标识从视频信息中标识与音频指令具有相同开始时间和相同结束时间的视频片段；

第一识别子单元732，被配置为从音频指令中识别指令词。

第二识别子单元733，被配置为从视频片段中识别用户的嘴唇运动。

第一确定子单元734，被配置为响应于确定用户的嘴唇运动与指令词对应的嘴唇运动相匹配，确定音频指令与视频信息对齐。

在一些示例性实施例中，第一确定子单元730包括提取子单元735和第二确定子单元736。

提取子单元，被配置为对音频信息进行语义分析和语义理解，以提取相应的指令意图。

第二确定子单元，被配置为响应于指令意图与所述车辆状态信息相匹配，确定音频指令与所述车辆状态信息对齐。

在一些示例性实施例中，第一确定单元730包括过滤子单元735和第三确定子单元736。

过滤子单元，被配置为过滤经预处理的多模态信息中与交互指令无法对齐的信息；以及

第三确定子单元，被配置为基于经过滤的多模态信息，确定所述响应策略。

在一些示例性实施例中，交互策略包括通过话术回复所述用户，话术回复的参数由预先训练的响应策略分析模型获得，包括从以下各项所组成的组中选择的至少一项：话说音色参数；话术性别参数；话术年龄参数；话术风格参数；形象参数；表情参数以及动作参数。

在一些示例性实施例中，执行策略包括控制所述承载所述智能座舱的车辆的硬件系统或软件系统以响应交互指令。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

参考图8，现将描述可以作为本公开的服务器或客户端的电子设备800的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

设备800中的多个部件连接至I/O接口805，包括：输入单元806、输出单元807、存储单元808以及通信单元809。输入单元806可以是能向设备800输入信息的任何类型的设备，输入单元806可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元807可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元808可以包括但不限于磁盘、光盘。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如方法300。例如，在一些实施例中，方法300可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM803并由计算单元801执行时，可以执行上文描述的方法300的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法300。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (11)

1.一种用于智能座舱的交互方法，包括：

根据用户的交互指令，采集与所述智能座舱相关联的多模态信息，其中，所述交互指令包括音频指令，其中，所述智能座舱包括车载信息系统，所述车载信息系统包括麦克风、相机和触控装置，所述多模态信息包括承载所述智能座舱的车辆的车辆状态信息、所述麦克风采集的音频信息、所述相机采集的视频信息和所述触控装置感测的触控信息；

对所述多模态信息进行预处理；

采用预先训练的多模态信息对齐模型，确定经预处理的多模态信息与所述交互指令是否对齐；以及

根据所述确定的结果和经预处理的多模态信息，确定针对所述交互指令的响应策略，

其中，所述确定经预处理的多模态信息与所述交互指令是否对齐包括：

对所述音频信息进行语义分析和语义理解，以提取相应的指令意图；

响应于所述指令意图与所述车辆状态信息相匹配，确定所述音频指令与所述车辆状态信息对齐；

从所述视频信息中标识与所述音频指令具有相同开始时间和相同结束时间的视频片段；

从所述音频指令中识别指令词；

从所述视频片段中识别所述用户的嘴唇运动；以及

响应于确定所述用户的嘴唇运动与所述指令词对应的嘴唇运动相匹配，确定所述音频指令与所述视频信息对齐；

其中，所述确定针对所述交互指令的响应策略包括：

过滤经预处理的多模态信息中与所述交互指令无法对齐的信息；以及

基于经过滤的多模态信息，确定所述响应策略；

其中，所述确定所述响应策略包括：

响应于经过滤的多模态信息为空集，不响应所述交互指令。

2.如权利要求1所述的方法，其中，所述确定所述响应策略包括：

通过采用预先训练的响应策略分析模型对经过滤的多模态信息进行处理，来确定所述响应策略，其中，所述响应策略包括交互策略和执行策略中的至少一者。

3.如权利要求2所述的方法，其中，所述交互策略包括通过话术回复所述用户，所述话术回复的参数由所述预先训练的响应策略分析模型获得，并且包括以下至少一项：话说音色参数；话术性别参数；话术年龄参数；话术风格参数；形象参数；表情参数以及动作参数。

4.如权利要求2所述的方法，其中，所述执行策略包括控制所述承载所述智能座舱的车辆的硬件系统或软件系统以响应所述交互指令。

5.如权利要求1所述的方法，其中，所述对所述多模态信息进行预处理包括：通过采用预先训练的多个相应的模块信息处理模型对所述多模态信息进行所述预处理。

6.一种智能座舱交互装置，包括：

采集单元，被配置为根据来自所述智能座舱内的用户的交互指令，采集与所述智能座舱相关联的多模态信息，其中，所述交互指令包括音频指令，其中，所述智能座舱包括车载信息系统，所述车载信息系统包括麦克风、相机和触控装置，所述多模态信息包括承载所述智能座舱的车辆的车辆状态信息、所述麦克风采集的音频信息、所述相机采集的视频信息和所述触控装置感测的触控信息；

预处理单元，被配置为对所述多模态信息进行预处理；

第一确定单元，被配置为采用预先训练的多模态信息对齐模型，确定经预处理的多模态信息与所述交互指令是否对齐；以及

第二确定单元，被配置为根据所述确定的结果和经预处理的多模态信息，确定针对所述交互指令的响应策略，

其中，所述第一确定单元包括：

提取子单元，被配置为对所述音频信息进行语义分析和语义理解，以提取相应的指令意图；

第一确定子单元，被配置为响应于所述指令意图与所述车辆状态信息相匹配，确定所述音频指令与所述车辆状态信息对齐；

标识子单元，被配置为从所述视频信息中标识与所述音频指令具有相同开始时间和相同结束时间的视频片段；

第一识别子单元，被配置为从所述音频指令中识别指令词；

第二识别子单元，被配置为从所述视频片段中识别所述用户的嘴唇运动；以及

第二确定子单元，被配置为响应于确定所述用户的嘴唇运动与所述指令词对应的嘴唇运动相匹配，确定所述音频指令与所述视频信息对齐；

其中，所述第二确定单元包括：

过滤子单元，被配置为过滤经预处理的多模态信息中与所述交互指令无法对齐的信息；以及

第三确定子单元，被配置为基于经过滤的多模态信息，确定所述响应策略，并且响应于经过滤的多模态信息为空集，不响应所述交互指令。

7.如权利要求6所述的装置，其中，所述第三确定子单元包括：

处理子单元，被配置为通过采用预先训练的响应策略分析模型对经过滤的多模态信息进行处理，来确定所述响应策略，其中，所述响应策略包括交互策略和执行策略中的至少一者。

8.如权利要求7所述的装置，其中，所述交互策略包括通过话术回复所述用户，所述话术回复的参数由所述预先训练的响应策略分析模型获得，包括从以下各项所组成的组中选择的至少一项：话说音色参数；话术性别参数；话术年龄参数；话术风格参数；形象参数；表情参数以及动作参数。

9.如权利要求7所述的装置，其中，所述执行策略包括控制所述承载所述智能座舱的车辆的硬件系统或软件系统以响应所述交互指令。

10.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。

11.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-5中任一项所述的方法。

Images