CN116320994A - 用于优化车辆的天线拓扑的系统和方法 - Google Patents

Abstract

本公开提供了“用于优化车辆的天线拓扑的系统和方法”。公开了用于优化天线拓扑以检测车辆乘员的就座位置的系统和方法。还公开了用于确定所述天线拓扑的天线的目标位置的方法和系统。确定所述目标位置可基于预测的就座位置与真实就座位置之间的比较。

Description

用于优化车辆的天线拓扑的系统和方法

技术领域

本公开总体上涉及车辆。更具体地，本公开涉及车辆的天线拓扑。

背景技术

车辆通常包括天线拓扑。天线拓扑通常包括用于与车辆的车厢中的移动装置通信的至少一个天线。

发明内容

根据本公开的第一方面，一种用于优化天线拓扑以检测车辆乘员的就座位置的方法包括：经由处理器接收基于第一信号源相对于所述天线拓扑的第二信号源的初始位置的位置的信号强度数据，经由所述处理器基于所述信号强度数据来确定预测的就座位置，经由所述处理器将所述预测的就座位置与真实就座位置进行比较，以及经由所述处理器基于所述预测的就座位置与所述真实就座位置之间的所述比较来确定所述第二信号源的目标位置。

本公开的第一方面的实施例可以包括以下特征中的任一者或其组合：

-所述第一信号源为与所述车辆乘员相关联的通信装置，并且所述第二信号源是从所述通信装置接收信号的天线；

-确定所述预测的就座位置包括：经由所述处理器基于所述信号强度数据确定所述车辆的与所述通信装置的位置相对应的区域，以及经由所述处理器将所述区域与同多个车辆座椅的位置范围相关联的多个乘员区进行比较；

-确定所述预测的就座位置包括：应用被训练为将所述第一信号源的所述位置与所述真实就座位置相关联的机器学习模型；

-经由所述处理器基于所述信号强度数据来确定所述第一信号源的车辆进入位置，并且确定所述预测的就座位置进一步基于所述车辆进入位置；

-所述第一信号源为通信装置的虚拟表示，并且所述第二信号源为天线的虚拟表示；

-所述天线拓扑包括在车辆的顶棚中布置的多个天线，并且所述真实就座位置为所述车辆乘员的实际就座位置；

-确定所述第二信号源的所述目标位置进一步基于所述车辆的座椅配置和所述车辆的型号；

-在所述第二信号源处于所述目标位置时修改所述第一信号源的所述位置；

-经由所述处理器基于相对于所述第一信号源的所述位置的所述目标位置来更新所述预测的就座位置；

-经由所述处理器基于相对于所述预测的就座位置的所述真实位置来更新所述目标位置；以及

-基于所述预测的就座位置与所述真实就座位置的所述比较来修改所述预测的就座位置。

根据本公开的第二方面，一种用于优化车辆的天线拓扑的系统，所述系统包括：所述天线拓扑的至少一个天线，所述至少一个天线从设置在所述车辆的车厢内的通信装置接收信号，所述通信装置与在所述车辆中具有实际就座位置的车辆乘员相关联；以及处理器，所述处理器确定与所述车厢的多个就座位置相对应的多个乘员区，基于所述通信装置相对于所述至少一个天线的位置的位置来确定信号的信号强度，基于所述信号强度来确定与同车辆乘员相关联的通信装置的位置相对应的区域，将所述区域与所述多个乘员区进行比较，基于所述区域与所述多个乘员区的所述比较来确定预测的就座位置，将所述预测的就座位置与所述乘员的实际就座位置进行比较，基于所述预测的就座位置与所述实际就座位置的比较来计算差分数据，并基于所述差分数据来修改所述至少一个天线的位置。

本公开的第二方面的实施例可以包括以下特征中的任一者或其组合：

-处理器进一步通过应用被训练为将所述通信装置的所述位置与所述实际就座位置相关联的机器学习模型来确定所述预测的就座位置；

-处理器进一步基于所述信号强度来确定所述通信装置的车辆进入位置，并且确定所述预测的就座位置进一步基于所述车辆进入位置；

-所述至少一个天线包括在所述车辆的顶棚中布置的多个天线；并且

-处理器进一步基于所述预测的就座位置与所述实际就座位置的所述比较来修改所述预测的就座位置。

根据本公开的第三方面，一种用于优化车辆的天线拓扑的方法包括：经由处理器确定与车辆的多个就座位置相对应的多个乘员区，经由处理器从设置在车辆的车厢中的通信装置接收信号，经由处理器基于通信装置相对于天线拓扑的至少一个天线的位置的位置来确定信号的信号强度，经由处理器基于所述信号强度来确定与同车辆乘员相关联的通信装置的位置相对应的区域，通过所述处理器将所述区域与所述多个乘员区进行比较，经由所述处理器基于所述区域与所述多个乘员区的所述比较来确定预测的就座位置，通过所述处理器将所述预测的就座位置与所述乘员的实际就座位置进行比较，经由所述处理器

基于所述预测的就座位置与所述实际就座位置的比较来计算差分数5据，并基于所述差分数据来修改所述至少一个天线的位置。

本公开的第三方面的实施例可以包括以下特征中的任一者或其

组合：

-确定所述预测的就座位置包括应用被训练为将所述通信装置的所述位置与所述实际就座位置相关联的机器学习模型；0-经由处理器基于所述信号强度来确定所述通信装置的车辆进

入位置，并且确定所述预测的就座位置进一步基于所述车辆进入位置；

-所述至少一个天线包括在所述车辆的顶棚中布置的多个天线；

并且

5-基于所述预测的就座位置与所述实际就座位置的所述比较来

修改所述预测的就座位置。

本领域技术人员在研究以下说明书、权利要求和附图后将理解并了解本公开的这些和其他方面、目标和特征。

附图说明

0在附图中：

图1是根据一个示例的示出多个进入点区的车辆的俯视图；

图2是根据另一个示例的示出至少一个可调整部件的车辆的侧剖视图；

图3是根据另一个示例的与基于车辆的控制器通信的部件的框图；

图4是根据另一个示例的示出乘员区的车辆的俯视图；

图5是根据另一个示例的示出所述乘员区的车辆的俯视图；

图6是根据另一个示例的执行经训练的模型的方法的流程图；

图7是根据另一个示例的用于优化天线配置的系统的框图；

图8大体示出了根据另一个示例的用于车辆的天线拓扑的俯视图；

图9大体示出了根据另一个示例的具有乘员区的车辆的俯视图；

图10大体示出了根据另一个示例的用于车辆的天线拓扑的俯视图；

图11大体示出了根据另一个示例的具有乘员区的车辆的俯视图；

图12是根据另一个示例的描绘用于优化天线拓扑的方法的流程图；

图13是根据另一个示例的描绘用于优化天线拓扑的方法的流程图；

图14是根据另一个示例的描绘用于优化天线拓扑的方法的流程图；

图15是根据另一个示例的描绘用于优化天线拓扑的方法的流程图；

图16是根据另一个示例的描绘用于优化天线拓扑的方法的流程图；

图17是根据另一个示例的描绘用于优化天线拓扑的方法的流程图；

图18是根据另一个示例的描绘用于优化天线拓扑的方法的流程图；并且

图19是根据另一个示例的用于优化天线配置的系统的框图。

具体实施方式

出于本文描述的目的，术语“上”、“下”、“右”、“左”、“后”、“前”、“竖直”、“水平”及其派生词应与图1中取向的概念有关。然而，应理解，除非明确地指明为相反，否则所述概念可以呈现各种替代取向。还应当理解，附图中示出的以及在以下说明书中描述的特定装置和过程仅仅是所附权利要求中限定的创造性概念的示例性实施例。因此，除非权利要求另外明确地说明，否则涉及本文所公开的实施例的具体尺寸和其他物理特性不应被视为限制性的。

本图示的实施例主要存在于与车辆的可调整部件相关的方法步骤和设备部件的组合中。因此，设备部件和方法步骤已经在适当的情况下通过附图中的常规符号表示，仅示出了与理解本公开的实施例相关的那些具体细节，以便不会被对受益于本文描述的本领域普通技术人员来说是容易明显的细节混淆了本公开。此外，说明书和附图中相同的标记表示相同的元件。

如本文所用，术语“和/或”在用于两个或更多个项的列表中时意指可单独采用任何一个所列出项或者可采用所列项中的两个或多个的任意组合。例如，如果组合物被描述为含有组分A、B和/或C，则组合物可含有：仅A；仅B；仅C；A和B的组合；A和C的组合；B和C的组合；或者A、B和C的组合。

在本文档中，关系术语(诸如第一和第二、顶部和底部等)仅用于将一个实体或动作与另一个实体或动作区分开，而不一定要求或暗示此类实体或动作之间的任何实际的这种关系或顺序。术语“包括”、“包含”或其任何其他变型意图涵盖非排他性包括，使得包括一系列要素的过程、方法、制品或设备不仅包括那些要素，而且可包括没有明确列出或此类过程、方法、制品或设备所固有的其他要素。在没有更多约束的情况下，之前有“包括......一个”的要素并不排除在包括所述要素的过程、方法、制品或设备中存在附加的相同要素。

如本文所使用，术语“约”意指量、大小、配方、参数和其他量及特性不是精确的，也不需要是精确的，而是可根据以下需要为近似的和/或较大些或较小些：反映公差、换算系数、四舍五入、测量误差等以及本领域技术人员已知的其他因素。当术语“约”用于描述值或范围的端点时，本公开内容应被理解为包括具体的值或所涉及的端点。无论本说明书中的数值或范围的端点是否叙述“约”，所述数值或范围的端点都意图包括两个实施例：一个由“约”修饰，并且一个不由“约”修饰。还应理解，范围中的每一个范围的端点在与另一个端点相关以及独立于另一个端点都是显著的。

如本文所使用的术语“基本”、“基本上”及其变型意图指明所描述的特征等于或近似等于值或描述。例如，“基本上平面的”表面意图指示平面的或近似平面的表面。另外，“基本上”意图表示两个值相等或近似相等。在一些实施例中，“基本上”可指示值在彼此的大约10％内，诸如在彼此的大约5％内，或者在彼此的大约2％内。

除非明确地指示为相反，否则如本文所使用，术语“所述”、“一个”或“一种”意指“至少一个”并且不应限于“仅一个”。因此，例如，除非上下文另外清楚地指示，否则对“部件”的引用包括具有两个或更多个此类部件的实施例。

参考图1至图5，附图标记20总体上表示车辆。车辆20可以是机动车辆。例如，车辆20可以是陆基车辆(例如，汽车、摩托车、火车等)、空基车辆(例如，飞机、直升机等)，和/或水基车辆(例如，船或其他船只)。虽然车辆20可以是机动车辆，但是本公开不限于作为车辆20的机车动力源的内燃发动机。更确切而言，可以利用替代源来向车辆20提供机车动力。例如，可以通过电动马达、燃料电池和/或基于石油的燃料发动机向车辆20提供机车动力。根据各个示例，车辆20可以是驾驶员控制的、半自主的、全自主的或用户控制的和自动化的任何组合。例如，车辆20的半自主示例可以在用户保持对车辆20的超驰控制的同时，独立于用户交互执行许多或全通勤功能(例如，加速、制动、转弯、发信号等)。通常可以设想，术语用户可以指代车辆20的乘员26，诸如车辆20的驾驶员或车辆20的非驾驶员乘客。

参考图1至图5，车辆20可以包括至少一个可调整部件22。至少一个可调整部件22包括各种车厢内和车厢外零件，诸如车辆座椅22a、后视镜22b、侧视镜22c、转向部件22d和踏板总成22e。调整控制系统24控制至少一个可调整部件22以向车辆20的至少一个乘员26提供人体工程学支撑。车辆还可以包括气候控制系统28，所述气候控制系统调整车辆20的气候的一个或多个参数，包括输送到车辆20的车厢30的空气的温度和输送到车辆20的车厢30的空气的速度。车辆20还设置有确定车辆20乘员26在车厢30内的位置的占用检测系统32。

车辆20还包括存储在车辆20上的基于车辆的控制器34，所述基于车辆的控制器包括处理器和存储器。存储器可以存储可由处理器执行的软件程序。在各种情况下，其中一些情况将在本文中进一步讨论，存储器内的软件程序可以响应于输入(例如，来自车辆20和/或用户的输入)而由基于车辆的控制器34和/或处理器访问。基于车辆的控制器34联接到车辆20，使得当车辆20移动通过空间时，基于车辆的控制器34移动通过空间。换言之，基于车辆的控制器34由车辆20承载。基于车辆的控制器34与调整控制系统24、气候控制系统28和占用检测系统32通信地耦合和/或包括它们。通常可以设想，基于车辆的控制器34可以与执行与车辆20和/或车辆20的至少一个乘员26相关的各种功能的附加系统通信或包括所述附加系统。

至少一个定位致动器36可以定位在至少一个可调整部件22周围，以用于调整至少一个可调整部件22。例如，并且参考图2，至少一个定位致动器36可以包括邻近车辆座椅22a的一部分定位的第一定位致动器36a、邻近后视镜22b的一部分定位的第二定位致动器36b、邻近侧视镜22c的一部分定位的第三定位致动器36c、邻近转向部件22d的一部分定位的第四定位致动器36d以及邻近踏板总成22e的一部分定位的第五定位致动器36e。至少一个定位致动器36可以包括电动马达、具有气囊37的空气泵、螺线管和/或另一个机电调整装置。根据本公开的一些方面，可以控制至少一个定位致动器36以将车辆座椅22a定位成更靠近或更远离后视镜22b、侧视镜22c、转向部件22d和踏板总成22e中的任一者。通常可以设想，踏板总成22e可以是用于控制车辆20的制动系统的制动踏板总成或用于控制向车辆20的发动机的燃料输送的油门踏板总成。

根据一些示例，车辆座椅22a可以包括经由调整控制系统24控制的各种调整参数，包括但不限于靠背角度、座垫边缘、前后位置、头部支撑角度、头部支撑水平、座椅深度、座椅高度、肩部支撑、可变头部支撑、座垫倾斜度、座椅消息、侧支承垫设置和腰部支撑。转向部件22d还可以包括经由调整控制系统24控制的各种调整参数，诸如竖直(例如，倾斜度)位置和伸缩位置(例如，方向盘更靠近/更远离车辆座椅22a)。视镜22b、22c还可以包括经由调整控制系统24控制的各种调整参数，诸如水平倾斜角和竖直倾斜角。

参考图3，占用检测系统32可以包括用于检测与至少一个车辆乘员26相关联的第一信号源38的各种装置。例如，占用检测系统32可以包括用于监测至少一个车辆乘员26的进入点的至少一个监测装置40。至少一个监测装置40可以是成像器、接近传感器、天线或检测人的存在的任何其他装置。例如，监测装置40可以是用于检测车辆乘员26的存在的接近传感器，或者可以是用于检测具有蓝牙、Wi-Fi、ZigBee或其他无线通信协议能力的移动装置的天线。通过检测到移动装置，监测装置40可以推断出车辆乘员26的存在。第一信号源38的进入点可以被称为第一信号源38的车辆20进入位置。进入点通常可以指至少一个乘员26的进入位置。

占用检测系统32还包括检测第一信号装置的存在的至少一个第二信号源42。第二信号源42可以是接收和/或发射无线电波以便确定第一信号源38的位置的天线。至少一个第二信号源42可以是多个第二信号源42，所述多个第二信号源一起用于经由三角测量或三边测量和信号强度检测(例如，接收强度信号指示(RSSI))来识别或粗略估计第一信号源38的位置。至少一个第二信号源42可以固定在车辆20的壁内，诸如车辆20的顶棚43内。至少一个第二信号源42的位置可以确定第一信号源38的大致位置的准确度和/或精度，并且可以进一步取决于第二信号源42和第一信号源38的相对位置。

参考图4和图5，车辆20可以设置有用于乘员26的多个进入点。例如，多个进入点中的至少一者可以定位在车辆20的驾驶员侧44上。类似地，多个进入点中的至少一者可以定位在车辆20的乘客侧46上。虽然术语“驾驶员侧”和“乘客侧”用于区分车辆20的第一侧与车辆20的第二侧，但是这些术语不意图进行限制。例如，当车辆20是完全自主车辆时，可以从车厢30中省略常规的操作员控件，使得就座在驾驶员侧44上并且在车辆20的最前排中的乘员26可能无法主动驾驶车辆20。驾驶员侧44和乘客侧46可以各自被设置有一个或多个通道门，一个乘员26或多个乘员26可以通过所述一个或多个通道门进入或离开车厢30。可以经由占用检测系统32来监测一个或多个通道门以确定给定乘员26和/或已经进入给定通道门的多个乘员26的进入点。例如，如果驾驶员侧44和乘客侧46各自被设置有两个通道门，则驾驶员侧44可以被设置有第一进入点区48和第二进入点区52，而乘客侧46被设置有第三进入点区56和第四进入点区60。第一进入点区48和第三进入点区56可以与车厢30中的第一排座椅64相关联。第二进入点区52和第四进入点区60可以与第二排座椅68和/或第三排座椅72相关联。可以独立地监测第一进入点区48、第二进入点区52、第三进入点区56和第四进入点区60。例如，监测装置40可以靠近每个通道门定位，以监测至少一个车辆乘员26的进入点和/或第一信号源38的车辆20进入位置。

又再次参考图1至图5，识别给定乘员26或用户的进入点可以有利于确定个体可能占用哪排座椅和/或个体可能占用座椅排内的哪个座椅总成。另外或替代地，占用检测系统32可识别至少一个乘员26的进入点作为与附加数据的交叉参考，以确定单个用户或乘员26的具体位置。例如，可以在车厢30内采用接近传感器、RSSI天线、重量传感器、座椅带传感器等来识别被占用的座椅总成。可以设想，基于车辆的控制器34可以被设置有车辆20的车厢30内的座椅总成的布置和/或可以向基于车辆的控制器34提供车辆20的车厢30内的座椅总成的可能布置的列表。关于车厢30的布置或可能布置的信息可以帮助建立多个就座位置。例如，每排座椅(例如，第一排座椅64、第二排座椅68和/或第三排座椅72)可以被设置有第一座椅78、第二座椅80和/或第三座椅82。

再次参考图1至图5，第一座椅78可以被定位成最靠近车辆20的驾驶员侧44。第二座椅80可以被定位成最靠近车辆20的乘客侧46。第三座椅82可以例如作为中间座椅定位在第一座椅78与第二座椅80之间。通过“知道”可用的就座位置，基于车辆的控制器34和占用检测系统32中的至少一者可以更好地确定给定乘员26的位置和/或区分相邻乘员26。例如，基于车辆的控制器34和/或占用检测系统32可能能够通过参考来自车辆20的传感器的一个或多个输入来确定车厢30内的多个通信装置，诸如个人装置(例如，智能电话、智能手表或其他可穿戴/可携带的智能技术)。可以例如通过利用RSSI天线进行三角测量或三边测量来确定通信装置中的给定通信装置的位置。然后可以将通信装置中的给定通信装置的确定位置与车辆20的“已知”就座位置进行比较。在通信装置中的给定通信装置的确定位置不驻留在“已知”就座位置中的一个就座位置内的情况下，可以采取附加步骤以努力改进确定位置和/或“已知”就座位置。

占用检测系统32可以接收乘员数据，所述乘员数据包括对应于至少一个乘员26的识别信息和人口统计信息。例如，乘员数据可以包括年龄、性别、姓名、种族、家庭状况、身高和体重信息，以及各种偏好信息，诸如兴趣、音乐偏好等。通常可以设想，乘员数据还可以包括存储在乘员的智能装置(诸如智能电话)上的任何信息，包括社交媒体信息和偏好、乘员的姓名、住所、工作地点等。在一些示例中，识别信息可以包括车辆20的第一乘员的身份和第二乘员的身份。乘员数据可以具有关于对应于至少一个乘员26的身份或人口统计信息的不同水平的特异性。举例来说，如果至少一个乘员26是已婚的有4个孩子的35岁的父亲，身高六英尺，体重200磅，并且名字为“John Smith”，则乘员26的数据可仅利用一个方面(例如，“男性”)或者可利用若干方面(例如，“35岁的父亲”)。

现在参考图2至图6，在确定给定乘员26或乘员的通信装置的位置时，可以采用经训练的模型。可以对基于车辆的控制器34和/或与基于车辆的控制器34通信的控制器(例如，用户的通信装置上的控制器、远离车辆20的控制器、基于云的控制器等)执行经训练的模型。通常可以设想，占用检测系统32或基于车辆的控制器34可以通过利用经训练的模型来从车辆20的多个占用配置中确定当前占用配置。占用配置可以指车辆20中的多个乘员26的就座位置布置和/或身份。

作为起点，执行经训练的模型的方法84可以开始于步骤86：将乘员区初始化为每个“已知”就座位置的中心点。乘员区可以各自具有边界88。一旦已经在“已知”就座位置中的每个就座位置处初始化了乘员区，方法84就前进到决策点92，其中方法84确定初始化的乘员区的边界88中的相邻边界是否彼此重叠。如果在决策点92处，方法84确定相邻的初始化乘员区的边界88不重叠，则方法84前进到决策点96。在决策点96处，方法84确定将乘员26或乘员的通信装置定位到“已知”就座位置的性能是否已经降低。例如，可以监测乘员26或乘员的通信装置与边界88之间的距离。如果乘员26或乘员的通信装置与边界88之间的距离与初始化的乘员区相比已经减小或保持不变，则决策点96将指示将乘员26或乘员的装置定位到“已知”就座位置中的一者的性能未降低。

再次参考图2至图6，如果方法84在决策点96处确定将乘员26或乘员的通信装置定位到“已知”就座位置的性能没有降低(即，改善或保持不变)，则所述方法84前进到步骤100：通过增大边界88的半径来扩展乘员区的边界88。在边界88由多于一个轴线限定的示例(例如，具有长轴和短轴的椭圆)中，轴线可以顺序地或同时地增加。类似地，轴线可以以不同的速率增加。例如，长轴可以在车辆20的纵向方向上(即，从前到后)延伸，并且可以比短轴更快的速率增加，所述短轴可以在车辆20的横向方向上(即，侧向)延伸。在这样做时，由边界88覆盖的表面积和/或体积可以以降低捕获相邻乘员26或相邻乘员的通信装置的机会的方式增加。因此，可以更容易地避免将乘员26不准确地分配给给定的“已知”就座位置。在步骤104处评估将乘员26或乘员的装置定位到“已知”就座位置中的一者的性能。与决策点96一样，可以在步骤104处评估乘员26或乘员的通信装置与边界88之间的距离。

一旦在步骤104处已经评估了乘员区的扩展边界88的性能，方法84就可以返回到决策点92并以迭代方式重复方法84。当在决策点92处已经确定边界88重叠时可以在步骤108处终止方法84，或者当在决策点96处评估的性能已经降低时可以在步骤112处终止所述方法。在已经确定边界88重叠和/或性能已经降低的情况下，方法84可以恢复到紧接在前的边界88以避免这种重叠和/或这种性能降低。一旦已经建立了乘员区的边界88并且已经将乘员26或乘员的通信装置定位到“已知”就座位置中的一者，就可以针对给定的“已知”就座位置中的个体来监测车辆20的一个或多个可调整部件22。一个或多个可调整部件22可以包括但不限于车辆座椅22a、车辆视镜22b、侧视镜22c、转向部件22d、油门踏板或制动踏板等。

通常可以设想，训练模型以确定至少一个乘员26的就座位置的能力受到乘员检测系统32的某些硬件能力的限制。例如，如果乘员5检测系统32仅包括一个监测装置40或一个天线，则与实施多个监测

装置40或多个天线相比，粗略估计移动装置或某一其他通信装置的位置可能具有挑战性。因此，用于优化占用检测系统的系统和方法可以包括提供优化的天线拓扑。

现在参考图7至图11，在200处总体示出了用于优化天线拓扑0以检测车辆中的车辆乘员26的就座位置的系统。系统200包括与处

理器204通信地耦合的通信接口202。系统200可以包括一个或多个计算机，所述一个或多个计算机可以包括虚拟机。系统200还包括具有数据库208和指令210的存储器206，所述指令在由处理器204执

行时可操作以执行与优化天线拓扑以检测至少一个车辆乘员26的就5座位置相关的各种功能。人机界面212可以与处理器204通信地耦合

以与存储在数据库208中的数据交互。人机界面212还可以用于与人工智能引擎214通信，所述人工智能引擎可以被提供用于在执行各种技术(诸如生成机器学习模型215)时与存储在存储器206中的数据交

互。可以训练模型215以预测至少一个乘员26的就座位置。还可以0训练模型215以将第一信号源38的位置与至少一个乘员26的真实就

座位置相关联。可以根据存储在数据库208中的数据来训练模型215，以便将第一信号源38的位置与特定就座位置相关联。

一个或多个机器学习模型215可以包括单级线性或非线性运算，

和/或可以经由深度网络来训练机器学习模型215，即，包括多级非线5性运算的机器学习模型215。深度网络可以包括神经网络，包括生成

式对抗网络、卷积神经网络、具有一个或多个隐藏层的递归神经网络以及完全连接的神经网络。训练引擎216可以与处理器204通信地耦合，所述处理器能够基于存储在数据库208中的数据以及来自系统200的一个或多个操作员的反馈来训练模型215。训练引擎216可以是机架式服务器、个人计算机、智能电话和物联网(IoT)装置或任何其他期望的通信装置。可以训练机器学习模型215以接收与第一信号源38和/或第二信号源42相关的位置数据，并且将位置数据与就座位置映射或以其他方式相关联或在算法上相关联。系统200可以包括与通信接口202通信的网络217。根据一些方面，网络217可以包括有线和/或无线网络连接，包括Wi-Fi、蓝牙、Zigbee、近场通信、蜂窝数据网络等。

现在参考图8至图11，更具体地，可以在物理车辆和车辆的数字相似物中的任一者或两者上采用系统200。在任一情况下，采用数字车辆和/或车辆来模拟/执行由系统200执行的各种任务。尽管如参考其余附图所使用的，系统200可以采用真实车辆或数字车辆，但是术语“车辆”可以用于指代实际车辆和车辆的虚拟表示两者。此外，车辆220的其他元件(诸如车厢230)可以是指真实或虚拟位置。类似地，术语“通信装置”和“天线”可以分别指第一信号源38和第二信号源42的虚拟表示，或者可以分别指实际通信装置226(例如，智能电话)和实际天线。

如图所示，天线拓扑218可以包括从设置在车辆220的车厢230内的至少一个通信装置226接收信号的至少一个天线222。通信装置226可以与在车辆220中具有实际就座位置的车辆乘员26相关联。原则上，跟踪乘员26的通信装置226(例如，智能电话)的位置也跟踪车辆乘员26。通常可以设想，在许多情况下，通信装置226的位置可能不在乘员26的实际就座位置。然而，乘员26的实际就座位置仍然可以对应于通信装置226的位置。换句话说，无论通信装置226是否定位在车辆乘员26的真实车辆座椅上，在大多数情况下，“知道”与车辆乘员26相关联的移动装置的位置可以提供车辆乘员26的位置。例如，当驾驶员是唯一的车辆乘员26时，她可以将她的电话保持在前排乘客座椅上。在该非限制性示例中，通信装置226的位置仍然可以与实际就座位置以及车辆进入位置和/或经由系统200检测到的其他位置相关。因此，粗略估计通信装置226的位置可以提供对车辆乘员26的真实就座位置的更精确的估计和/或确定。

如在图8和图10中大体所展示，至少一个天线222可以包括沿着覆盖车辆220的区域的网格映射图240分布的多个天线222、224。网格映射图240可以限定尺寸可一致的多个分区243，或者替代地限定尺寸不一致的多个分区243。在所示的示例中，网格映射图240以大约14×5的分区分布进行布置，所述分区分布具有比网格映射图240的主体部分窄的前部和后部。换句话说，如图所示，前部可以以比主体部分更少的分区243操作，后部也是如此。

通常可以设想，网格映射图240近似车辆220的顶棚246的至少一部分，并且可以包括邻近车辆的挡风玻璃和/或发动机罩的部分。网格映射图240可以用作适用于车辆220的多个型号的通用标准。以这种方式，网格映射图240可以用作车辆车队的标准化测试设备，以确定车辆车队中的每个车辆220的最佳天线拓扑218。此外，网格映射图240可以允许模拟至少一个天线222、224的多个位置。如图8所示，至少一个天线222、224可以包括第一天线222和第二天线224。第一天线222示例性地示出在分区7,4(分别对应于车辆220的纵向维度和车辆220的横向维度)中，并且第二天线224示例性地示出在分区7,4中。分区号可以对应于存储在数据库208中并且能够由处理器204处理以执行各种任务的位置数据。

如图9和图11所示，第一信号源38(例如，通信装置226)可以位于车辆220的区域248内。区域248的大小和形状是基于对应于通信装置226相对于至少一个天线222、224的信号强度的信号强度数据形成的。信号强度可以取决于至少一个天线222、224相对于通信装置226的位置的位置。举例来说，并且参考图8，第一天线222可以与通信装置226间隔开第一距离250，并且第二天线224可以与通信装置226间隔开第二距离252。由于第一距离250和第二距离252，区域248(例如，通信装置226所驻留的区域)可以具有大约三个分区243的宽度以及类似或不同的高度和深度。此外，区域248可以是长圆形的(例如，椭圆形的)，并且基于近似精度具有多个宽度。此外，区域248可以根据第一距离250和第二距离252或多或少地扩展，并且可以大于仅包围通信装置226的最小区域。因此，区域248可以至少近似通信装置226的位置。通常可以设想，区域248可以与或可以不与通信装置226的尺寸成比例。例如，如图8和图9所示，由于至少一个天线222、224和/或通信装置226的各种取向，通信装置226可以相对于区域248的中心254偏心定位。这种变化可以使系统200将预测的就座位置确定为不同于真实就座位置的就座位置。

现在参考图9，系统200可以提供多个乘员区256、258、260、262、264、266、268，如先前关于乘员检测系统32所描述，但在本文中参考5名乘客车辆220。如示例性所示，多个乘员区256、258、260、262、264、266、268可以包括对应于驾驶员座椅270的第一乘员区256、对应于前排乘客座椅272的第二乘员区258、对应于左中排座椅274的第三乘员区260、对应于右中排座椅276的第四乘员区262、对应于左后排座椅278的第五乘员区264、对应于右后排座椅280的第六乘员区266和对应于中后排座椅282的第七乘员区268。如示例性所示，通信装置226定位成邻近左中排座椅274。然而，区域248的中心254可定位成更靠近右中排座椅276。

由于通信装置226的位置与区域248的中心254的位置之间的差异，系统200可以将预测的就座位置确定为右中排座椅276。因此，系统200可以修改天线拓扑218以将第一天线222和第二天线224移动到不同于第一天线222和第二天线224的初始位置的目标位置和/或模拟该移动。天线222、224可以经由定位系统283移动，所述定位系统具有在模拟期间移动天线222、224的至少一个致动器。定位系统283可以包括允许天线222、224附接到车辆220的对应于特定分区243的部分的机电致动器(例如，马达、螺线管等)和/或机械引导件。机械引导件可以允许在分区243之间(例如，经由滑动、滚动等)调整天线222、224以模拟不同的天线拓扑(参见图19)。

如图所示，第二天线224的目标位置可以是分区11,3。换句话说，举例来说，如果第二天线224处于位置11,3，则区域248将被粗略估计为具有与第四乘员区262重叠的中心254。可以为天线222、224中的一个或多个提供多个目标位置，诸如分区9,3，其可以直接对应于通信装置226的位置。应当理解，一个或多个目标位置可以基于可以结合到天线拓扑218中的有限数量的天线，并且可以基于模拟通信装置226的多个位置来确定一个或多个目标位置。另外或替代地，系统200可以维持天线拓扑218并且使用不正确的预测的就座位置与真实就座位置的比较来训练机器学习模型215。以这种方式，并且如关于图12和图13所述，系统200可以优化天线拓扑218的每个配置。

现在参考图10和图11，天线拓扑218的另一个示例设置有第三天线284。如该非限制性示例中所展示，区域248可以被改进为不如图8和图9中所示的区域248扩展那么多。因此，通信装置226可以被正确地粗略估计为与第二乘员区258重叠。然而，如先前关于驾驶员是唯一乘员26的场景所讨论的，系统200可以采用机器学习模型215来将预测的就座位置正确地确定为驾驶员座椅270。换句话说，天线配置中的更好的定位和/或更多数量的天线222、224、284可以与经训练的模型协同操作以正确地识别真实就座位置。

返回参考图7，数据库208可以包括与优化天线拓扑218相关的各种数据，诸如第一信号源位置数据、第二信号源位置数据、信号强度数据、区域数据、区域中心数据等。该数据可以对应于所述天线优化系统的虚拟或真实模拟。例如，尽管在虚拟模拟中可以不提供物理通信装置226和物理天线，但是第一信号源38可以是通信装置226的虚拟表示，并且第二信号源42可以是天线222、224、284的虚拟表示。以这种方式，处理器204可以针对第一信号源38的所有位置计算天线拓扑218的每个配置的虚拟测试/模拟，以便确定最佳天线拓扑218。例如，可以针对天线拓扑218的每个配置来改进机器学习模型215，从而使每个配置的潜力最大化。然后可以将每个优化的配置与其他优化的配置进行比较以确定优异的天线拓扑218。通常可以设想，优化的天线配置可以包括最小数量的天线和/或天线位置的最小制造复杂性，以实现特定的阈值性能(例如，80％准确率)。通常还可以设想，通信装置226的某些位置的权重可以大于通信装置226的其他位置，使得天线拓扑218的一种配置的准确度可以大于另一种配置的准确度，因为更常见的通信装置位置的权重比其他通信装置位置重。换句话说，在一些情况下，校正率可以是最常见情况的准确率。

现在参考图12，用于优化天线拓扑218的方法300包括建立网格映射图240的步骤302。在步骤304处，方法300然后可以将网格映射图240映射到矢量。矢量可以是表示矢量容器的动态阵列的数据类型，其中至少一个矢量容器包括表示网格映射图240的分区中存在或不存在天线222、224、284的二进制值。方法300包括创建矢量定义场景群体的步骤306。例如，与图8一致的一个矢量定义场景将为表示包含天线222、224、284和通信装置226的分区243(9,4；9,5；8,3；9,5；和11,3)的二进制值，例如二进制值(32个0，后接“100100000000100000000000001001”，后接16个0)。这是表达矢量定义场景的一个实例的非限制性示例。在创建矢量定义场景群体之后，方法300包括在真实或虚拟环境中(例如，在车厢230中或利用车厢230的虚拟表示)模拟至少一些矢量的步骤308。在一些示例中，所模拟的矢量在天线拓扑218的不同配置中可以各自具有相同的通信装置位置。在另外的示例中，矢量定义场景群体包括其中提供多个通信装置226的场景，每个通信装置与相关联的车辆乘员26在一起。在这些示例中，针对多个车辆就座位置配置矢量定义场景。方法300还包括对模拟矢量进行排名的步骤310。在一些示例中，排名可以在卷积神经网络内采用n次迭代。

方法300可以递归地创建新的矢量定义场景群体，在真实或虚拟环境中模拟矢量，并对矢量定义场景进行排名(即，步骤306、308和310)，直到实现最小准确度阈值。新创建的矢量定义场景可以涉及针对多个不同的天线拓扑218配置测试的通信装置226的不同位置。最后，方法300可以包括通过应用交叉和/或变异操作来引入变化的步骤312。例如，神经网络可以应用变异操作来确定每个矢量定义场景的适当权重(例如，具有较少天线的天线拓扑218可以具有比具有许多天线的天线拓扑218更大的权重)。实施变异操作可以允许在其他车辆220型号和/或车身样式(诸如轿车、卡车、小型货车等)上进行测试。通过将矢量定义场景应用于各种车辆220型号，可以确定每种车辆220类型的天线拓扑218。此外，可以通过使用形成四个四分位的网格示意图(如图8和图10中的分界线288所示)来实现将各种车辆220模型模拟彼此进行比较。换句话说，虽然复杂网格映射图240可以应用于多种车辆220类型以限定多个分区243，但是对于一些车辆220类型，分区243可以仅是车厢230的四分位。通常可以设想，方法300可以被实施为优化天线拓扑218以优化乘员区256、258、260、262、264、266、268和/或定位车厢230内的移动装置，以及优化天线拓扑218以用于检测车辆220的进入位置。通常可以设想，方法300可以递归地迭代，直到可行天线拓扑218的每个配置超过80％的预测准确度。

现在参考图13至图18，示出了优化乘员检测系统32的方法400。方法400最初包含用于优化天线拓扑218的方法300，包括应用用于优化天线拓扑218以检测车辆进入位置的方法300a，然后应用用于优化天线拓扑218以检测车辆就座位置的方法300b。一旦天线拓扑218被优化，方法400就包含执行经训练的模型以优化乘员区256、258、260、262、264、266、268的大小的方法84，如参考图6所描述的。方法400还包括训练用于各个车辆型号的特定于型号的分类器的步骤402。如前所述，车辆座椅配置、车厢230的大小、车厢230的形状等可能影响乘员区256、258、260、262、264、266、268的优化。最后，方法400包括基于例如车辆乘员26的具体识别的习性和/或习惯(例如诸如将驾驶员的通信装置226存放在中央控制台)来对乘员区256、258、260、262、264、266、268进行最终调整的步骤404。

现在参考图14，用于优化天线拓扑218以检测车辆乘员26的就座位置的方法500包括接收基于第一信号源38相对于天线拓扑218的第二信号源42的初始位置的位置的信号强度数据的步骤502。根据另外的示例，第一信号源38为通信装置226虚拟表示，并且所述第二信号源42为天线222、224、284的虚拟表示。方法500包括基于信号强度数据确定预测的就座位置的步骤504。所述第一信号源38可为与车辆乘员26相关联的通信装置226，并且第二信号源42是从所述通信装置226接收信号的天线222、224、284。在一些示例中，步骤504可包括应用被训练为将所述第一信号源38的位置与真实就座位置相关联的机器学习模型215。确定预测的就座位置的步骤504还可以包括基于信号强度数据来确定车辆220的对应于通信装置226的位置的区域248。步骤504还可以包括将区域248与同多个车辆座椅的位置范围相关联的多个乘员区256、258、260、262、264、266、268进行比较。例如，区域248与给定乘员区256、258、260、262、264、266、268的重叠可以导致确定与给定乘员区256、258、260、262、264、266、268相关联的就座位置是真实就座位置。

方法500包括将预测的就座位置与真实就座位置进行比较的步骤506。方法500包括基于预测的就座位置与真实就座位置的比较来确定第二信号源42的目标位置的步骤508。在示例中，天线拓扑218可以包括在车辆220的顶棚246中布置的多个天线222、224、284。此外，真实就座位置是车辆乘员26的实际就座位置。确定所述第二信号源42的目标位置的步骤508可进一步基于所述车辆220的座椅配置和车辆220的型号。

参考图15，方法500可以包括基于信号强度数据确定第一信号源38的车辆进入位置的步骤514。在一些示例中，确定预测的就座位置进一步基于车辆进入位置。

参考图16，方法500可包括在第二信号源42处于目标位置时修改第一信号源38的位置的步骤512。方法500可包括基于相对于第一信号源38的位置的目标位置来更新预测的就座位置的步骤514。方法500可还包括基于相对于预测的就座位置的真实位置来更新目标位置的步骤516。

参考图17，方法500可包括基于预测的就座位置与真实就座位置的比较来修改预测的就座位置的步骤518。通常可以设想，步骤502-518中的任一者和/或步骤502-518中的任一者内的任何子过程可以经由至少一个处理器(诸如处理器204)来实现和/或改进。例如，处理器204可以接收信号强度数据，确定预测的就座位置，将预测的就座位置与真实就座位置进行比较，并且确定目标位置。此外，处理器204可以确定车辆220的对应于通信装置226的位置的区域，并且将所述区域与多个乘员区进行比较。另外，处理器204可以确定车辆进入位置，修改第一信号源的位置，更新预测的就座位置并更新目标位置。另外或替代地，定位系统283可以修改第一信号源的位置。处理器204还可以修改预测的就座位置。

现在参考图18，一种用于优化车辆220的天线拓扑218的方法600。方法600包括确定对应于车辆220的多个就座位置的多个乘员区256、258、260、262、264、266、268的步骤602。方法600包括从设置在车辆220的车厢230中的通信装置226接收信号的步骤604。方法600包括基于通信装置226相对于天线拓扑218的至少一个天线222、224、284的位置的位置来确定信号的信号强度的步骤606。例如，通信装置226可以是配置有无线通信能力的移动装置(例如，智能电话)。

方法600包括基于信号强度来确定对应于与车辆乘员26相关联的通信装置226的位置的区域248的步骤608。例如，区域248可以是对智能电话的位置的粗略估计。方法600包括将区域248与多个乘员区256、258、260、262、264、266、268进行比较的步骤610。方法600包括步骤612，其包括基于区域248与多个乘员区256、258、260、262、264、266、268的比较来确定预测的就座位置。方法600包括将预测的就座位置与乘员26的实际就座位置进行比较的步骤612。方法600包括步骤614：包括基于预测的就座位置与实际就座位置的比较来计算差分数据。在一些示例中，差分数据可以包括对应于区域248与乘员区256、258、260、262、264、266、268中的一个或多个之间的距离的位置数据。方法600包括基于差分数据修改至少一个天线222、224、284的位置的步骤616。例如，提供天线拓扑218的不同配置可以允许测试和/或优化天线拓扑218。

通常可以设想，步骤602-618中的任一者和/或步骤602-618中的任一者内的任何子过程可以经由至少一个处理器(诸如处理器204)来执行和/或改进。例如，处理器204可以确定多个乘员区，接收信号(例如，经由通信装置226的天线或辅助处理器)，确定信号强度，确定区域，并且将该区域与多个乘员区进行比较。此外，处理器204可以确定预测的就座位置，将预测的就座位置与实际就座位置进行比较，并且计算差分数据。处理器204还可以与定位系统283协同地基于差分数据来修改至少一个天线222、224、284的位置。例如，处理器204可以发出指令以将至少一个天线222、224、284调整到对应于特定分区243的位置。所述指令可以包括电信号，所述电信号控制定位系统283的致动器以移动至少一个天线222、224、284和/或可以控制人机界面212以显示针对至少一个天线222、224、284的消息和/或分区协调。

现在参考图19，用于优化车辆220的天线拓扑218的系统包括天线拓扑218的至少一个天线222、224、284，所述至少一个天线从设置在车辆220的车厢230内的通信装置226接收信号。通信装置226与在车辆220中具有实际就座位置的车辆乘员26相关联。处理器204确定对应于车厢230的多个就座位置的多个乘员区256、258、260、262、264、266、268。处理器204进一步基于通信装置226相对于至少一个天线222、224、284的位置的位置来确定信号的信号强度。处理器204基于信号强度来确定对应于与车辆乘员26相关联的通信装置226的位置的区域248。处理器204将区域248与多个乘员区256、258、260、262、264、266、268进行比较。处理器204基于区域248与多个乘员区256、258、260、262、264、266、268的比较来确定预测的就座位置。处理器204将预测的就座位置与乘员26的实际就座位置进行比较。处理器204基于预测的就座位置与实际就座位置的比较来计算差分数据。处理器204基于差分数据来修改至少一个天线222、224、284的位置。可以采用定位系统283来调整至少一个天线222、224、284的位置。

本领域技术人员以及制造或使用本文公开的概念的人员将想到本公开的修改。因此，应当理解，附图中示出的和上面描述的实施例仅用于说明性目的，并不旨在限制本公开的范围，本公开的范围由根据专利法原理(包括等同原则)解释的以下权利要求限定。

本领域普通技术人员将理解，所描述的概念和其他部件的构造不限于任何具体材料。除非本文另有说明，否则本文公开的概念的其他示例性实施例可由多种材料形成。

出于本公开的目的，术语“联接”(以其所有形式：联接、联接的、被联接的等)通常意指两个部件(电气的或机械的)彼此直接或间接地连接。这种连接本质上可为固定的或者本质上为可移动的。这种连接可以利用两个部件(电气的或机械的)实现，并且任何额外的中间构件可以彼此或与两个部件一体地形成为单个整体。除非另有说明，否则这种连接本质上可以是永久性的，或者本质上可以是可移除的或可释放的。

还重要的是要注意，如示例性实施例中所示，本公开的元件的构造和布置仅是说明性的。虽然在本公开中已经详细描述了本创新的仅若干实施例，但是审查本公开的本领域技术人员将容易理解，在实质上不脱离所叙述的主题的新颖教导和优点的情况下，许多修改是可能的(例如，各种元件的大小、尺寸、结构、形状和比例、参数的值、安装布置、使用材料、颜色、取向等的变化)。例如，示出为一体地形成的元件可以由多个零件构成，或者示出为多个零件的元件可以一体地形成，接口的操作可以颠倒或以其他方式变化，结构和/或构件的长度或宽度或连接器或者系统的其他元件可以改变，并且可以改变元件之间提供的调整位置的性质或数量。应该注意的是，系统的元件和/或总成可以由提供足够强度或耐用性的多种材料中的任何一种以各种颜色、纹理和组合中的任何一种构成。因此，所有此类修改旨在被包括在本创新的范围内。在不脱离本创新的精神的情况下，可在期望实施例和其他示例性实施例的设计、工况和布置方面进行其他替换、修改、改变和省略。

应当理解，任何所描述的过程或所描述的过程内的步骤可与其他公开的过程或步骤组合以形成本公开范围内的结构。本文公开的示例性结构和过程是出于说明性目的，而不应当解释为限制性的。

还应当理解，在不脱离本公开的概念的情况下，可以对前述结构和方法进行变化和修改，并且还应当理解，此类概念旨在由所附权利要求覆盖，除非这些权利要求以其语言以其他方式明确说明。

根据本发明，一种用于优化天线拓扑以检测车辆乘员的就座位置的方法，所述方法包括：经由处理器接收基于第一信号源相对于所述天线拓扑的第二信号源的初始位置的位置的信号强度数据；经由所述处理器基于所述信号强度数据来确定预测的就座位置；经由所述处理器将所述预测的就座位置与真实就座位置进行比较；以及经由所述处理器基于所述预测的就座位置与所述真实就座位置之间的所述比较来确定所述第二信号源的目标位置。

在本发明的一个方面，所述第一信号源为与所述车辆乘员相关联的通信装置，并且所述第二信号源是从所述通信装置接收信号的天线。

在本发明的一个方面，确定所述预测的就座位置包括：经由所述处理器基于所述信号强度数据确定所述车辆的与所述通信装置的位置相对应的区域；以及经由所述处理器将所述区域与同多个车辆座椅的位置范围相关联的多个乘员区进行比较。

在本发明的一个方面，确定所述预测的就座位置包括：应用被训练为将所述第一信号源的所述位置与所述真实就座位置相关联的机器学习模型。

在本发明的一个方面，所述方法包括：经由所述处理器基于所述信号强度数据来确定所述第一信号源的车辆进入位置，其中确定所述预测的就座位置进一步基于所述车辆进入位置。

在本发明的一个方面，所述第一信号源为通信装置的虚拟表示，并且所述第二信号源为天线的虚拟表示。

在本发明的一个方面，所述天线拓扑包括在车辆的顶棚中布置的多个天线，并且进一步地，其中所述真实就座位置为所述车辆乘员的实际就座位置。

在本发明的一个方面，确定所述第二信号源的所述目标位置进一步基于所述车辆的座椅配置和所述车辆的型号。

在本发明的一个方面，所述方法包括：在所述第二信号源处于所述目标位置时修改所述第一信号源的所述位置；经由所述处理器基于相对于所述第一信号源的所述位置的所述目标位置来更新所述预测的就座位置；以及经由所述处理器基于相对于所述预测的就座位置的所述真实位置来更新所述目标位置。

在本发明的一个方面，所述方法包括：经由所述处理器基于所述预测的就座位置与所述真实就座位置的所述比较来修改所述预测的就座位置。

根据本发明，提供了一种用于优化车辆的天线拓扑的系统，所述系统具有：所述天线拓扑的至少一个天线，所述至少一个天线从设置在所述车辆的车厢内的通信装置接收信号，所述通信装置与在所述车辆中具有实际就座位置的车辆乘员相关联；以及处理器，所述处理器：确定与所述车厢的多个就座位置相对应的多个乘员区；基于所述通信装置相对于所述至少一个天线的位置的位置来确定信号的信号强度；基于所述信号强度来确定与同车辆乘员相关联的通信装置的位置相对应的区域；将所述区域与所述多个乘员区进行比较；基于所述区域与所述多个乘员区的所述比较来确定预测的就座位置；将所述预测的就座位置与所述乘员的实际就座位置进行比较；基于所述预测的就座位置与所述实际就座位置的比较来计算差分数据；并基于所述差分数据来修改所述至少一个天线的位置。

根据一个实施例，所述处理器进一步：通过应用被训练为将所述通信装置的所述位置与所述实际就座位置相关联的机器学习模型来确定所述预测的就座位置。

根据一个实施例，所述处理器进一步：基于所述信号强度来确定所述通信装置的车辆进入位置，其中确定所述预测的就座位置进一步基于所述车辆进入位置。

根据一个实施例，所述至少一个天线包括在所述车辆的顶棚中布置的多个天线。

根据一个实施例，所述处理器进一步：基于所述预测的就座位置与所述实际就座位置的所述比较来修改所述预测的就座位置。

根据本发明，一种用于优化车辆的天线拓扑的方法，所述方法包括：经由处理器确定与车辆的多个就座位置相对应的多个乘员区；经由处理器从设置在车辆的车厢中的通信装置接收信号；经由处理器基于通信装置相对于天线拓扑的至少一个天线的位置的位置来确定信号的信号强度；经由处理器基于所述信号强度来确定与同车辆乘员相关联的通信装置的位置相对应的区域；通过所述处理器将所述区域与所述多个乘员区进行比较；经由所述处理器基于所述区域与所述多个乘员区的所述比较来确定预测的就座位置；通过所述处理器将所述预测的就座位置与所述乘员的实际就座位置进行比较；经由所述处理器基于所述预测的就座位置与所述实际就座位置的比较来计算差分数据；并基于所述差分数据来修改所述至少一个天线的位置。

在本发明的一个方面，确定所述预测的就座位置包括：应用被训练为将所述通信装置的所述位置与所述实际就座位置相关联的机器学习模型。

在本发明的一个方面，所述方法包括：经由处理器基于所述信号强度来确定所述通信装置的车辆进入位置，其中确定所述预测的就座位置进一步基于所述车辆进入位置。

在本发明的一个方面，所述至少一个天线包括在所述车辆的顶棚中布置的多个天线。

在本发明的一个方面，所述方法包括：基于所述预测的就座位置与所述实际就座位置的所述比较来修改所述预测的就座位置。

Claims (10)

1.一种用于优化天线拓扑以检测车辆乘员的就座位置的方法，所述方法包括：

经由处理器接收基于第一信号源相对于所述天线拓扑的第二信号源的初始位置的位置的信号强度数据；

经由所述处理器基于所述信号强度数据来确定预测的就座位置；

经由所述处理器将所述预测的就座位置与真实就座位置进行比较；以及

经由所述处理器基于所述预测的就座位置与所述真实就座位置之间的所述比较来确定所述第二信号源的目标位置。

2.如权利要求1所述的方法，其中所述第一信号源为与所述车辆乘员相关联的通信装置，并且所述第二信号源是从所述通信装置接收信号的天线。

3.如权利要求1所述的方法，其中确定所述预测的就座位置包括：

经由所述处理器基于所述信号强度数据确定所述车辆的与所述通信装置的位置相对应的区域；以及

经由所述处理器将所述区域与同多个车辆座椅的位置范围相关联的多个乘员区进行比较。

4.如权利要求1所述的方法，其中确定所述预测的就座位置包括：

应用被训练为将所述第一信号源的所述位置与所述真实就座位置相关联的机器学习模型。

5.如权利要求1所述的方法，其还包括：

经由所述处理器基于所述信号强度数据来确定所述第一信号源的车辆进入位置，其中确定所述预测的就座位置进一步基于所述车辆进入位置。

6.如权利要求1所述的方法，其中所述第一信号源为通信装置的虚拟表示，并且所述第二信号源为天线的虚拟表示。

7.如权利要求1所述的方法，其中所述天线拓扑包括在车辆的顶棚中布置的多个天线，并且进一步地，其中所述真实就座位置为所述车辆乘员的实际就座位置。

8.如权利要求7所述的方法，其中确定所述第二信号源的所述目标位置进一步基于所述车辆的座椅配置和所述车辆的型号。

9.如权利要求1所述的方法，其还包括：

在所述第二信号源处于所述目标位置时修改所述第一信号源的所述位置；

经由所述处理器基于相对于所述第一信号源的所述位置的所述目标位置来更新所述预测的就座位置；以及

经由所述处理器基于相对于所述预测的就座位置的所述真实位置来更新所述目标位置。

10.如权利要求1所述的方法，其还包括：

经由所述处理器基于所述预测的就座位置与所述真实就座位置的所述比较来修改所述预测的就座位置。

Images