DE102017124291A1 - Fahrzeugumgebungs-audioklassifizierung über neurales netz-maschinenlernen - Google Patents

Fahrzeugumgebungs-audioklassifizierung über neurales netz-maschinenlernen Download PDF

Info

Publication number
DE102017124291A1
DE102017124291A1 DE102017124291.0A DE102017124291A DE102017124291A1 DE 102017124291 A1 DE102017124291 A1 DE 102017124291A1 DE 102017124291 A DE102017124291 A DE 102017124291A DE 102017124291 A1 DE102017124291 A1 DE 102017124291A1
Authority
DE
Germany
Prior art keywords
vehicle
neural network
sounds
audio files
information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
DE102017124291.0A
Other languages
English (en)
Inventor
Ethan Gross
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ford Global Technologies LLC
Original Assignee
Ford Global Technologies LLC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ford Global Technologies LLC filed Critical Ford Global Technologies LLC
Publication of DE102017124291A1 publication Critical patent/DE102017124291A1/de
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L17/00—Speaker identification or verification techniques
    • G10L17/18—Artificial neural networks; Connectionist approaches
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R25/00—Fittings or systems for preventing or indicating unauthorised use or theft of vehicles
    • B60R25/10—Fittings or systems for preventing or indicating unauthorised use or theft of vehicles actuating a signalling device
    • B60R25/1004—Alarm systems characterised by the type of sensor, e.g. current sensing means
    • B60R25/1009—Sonic sensors; Signal treatment therefor
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60J—WINDOWS, WINDSCREENS, NON-FIXED ROOFS, DOORS, OR SIMILAR DEVICES FOR VEHICLES; REMOVABLE EXTERNAL PROTECTIVE COVERINGS SPECIALLY ADAPTED FOR VEHICLES
    • B60J5/00—Doors
    • B60J5/04—Doors arranged at the vehicle sides
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60N—SEATS SPECIALLY ADAPTED FOR VEHICLES; VEHICLE PASSENGER ACCOMMODATION NOT OTHERWISE PROVIDED FOR
    • B60N2/00—Seats specially adapted for vehicles; Arrangement or mounting of seats in vehicles
    • B60N2/002—Seats provided with an occupancy detection means mounted therein or thereon
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
    • B60Q9/00—Arrangement or adaptation of signal devices not provided for in one of main groups B60Q1/00 - B60Q7/00, e.g. haptic signalling
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R16/00—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for
    • B60R16/02—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements
    • B60R16/023—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements for transmission of signals between vehicle parts or subsystems
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R25/00—Fittings or systems for preventing or indicating unauthorised use or theft of vehicles
    • B60R25/10—Fittings or systems for preventing or indicating unauthorised use or theft of vehicles actuating a signalling device
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R25/00—Fittings or systems for preventing or indicating unauthorised use or theft of vehicles
    • B60R25/10—Fittings or systems for preventing or indicating unauthorised use or theft of vehicles actuating a signalling device
    • B60R25/1001—Alarm systems associated with another car fitting or mechanism, e.g. door lock or knob, pedals
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R25/00—Fittings or systems for preventing or indicating unauthorised use or theft of vehicles
    • B60R25/10—Fittings or systems for preventing or indicating unauthorised use or theft of vehicles actuating a signalling device
    • B60R25/102—Fittings or systems for preventing or indicating unauthorised use or theft of vehicles actuating a signalling device a signal being sent to a remote location, e.g. a radio signal being transmitted to a police station, a security company or the owner
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R25/00—Fittings or systems for preventing or indicating unauthorised use or theft of vehicles
    • B60R25/30—Detection related to theft or to other events relevant to anti-theft systems
    • B60R25/302—Detection related to theft or to other events relevant to anti-theft systems using recording means, e.g. black box
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R25/00—Fittings or systems for preventing or indicating unauthorised use or theft of vehicles
    • B60R25/30—Detection related to theft or to other events relevant to anti-theft systems
    • B60R25/31—Detection related to theft or to other events relevant to anti-theft systems of human presence inside or outside the vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0841—Registering performance data
    • G07C5/085—Registering performance data using electronic data carriers
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C9/00—Individual registration on entry or exit
    • G07C9/00174—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys
    • G07C9/00896—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys specially adapted for particular uses
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/22—Status alarms responsive to presence or absence of persons
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/24—Reminder alarms, e.g. anti-loss alarms
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
    • G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R25/00—Fittings or systems for preventing or indicating unauthorised use or theft of vehicles
    • B60R25/10—Fittings or systems for preventing or indicating unauthorised use or theft of vehicles actuating a signalling device
    • B60R2025/1013—Alarm systems characterised by the type of warning signal, e.g. visual, audible
    • B60R2025/1016—Remote signals alerting owner or authorities, e.g. radio signals
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B13/00—Burglar, theft or intruder alarms
    • G08B13/16—Actuation by interference with mechanical vibrations in air or other fluid
    • G08B13/1654—Actuation by interference with mechanical vibrations in air or other fluid using passive vibration detection systems
    • G08B13/1672—Actuation by interference with mechanical vibrations in air or other fluid using passive vibration detection systems using sonic detecting means, e.g. a microphone operating in the audio frequency range
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
    • G10L25/24—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being the cepstrum

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Computational Linguistics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Human Computer Interaction (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Emergency Management (AREA)
  • Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Transportation (AREA)
  • Alarm Systems (AREA)
  • Burglar Alarm Systems (AREA)
  • Fittings On The Vehicle Exterior For Carrying Loads, And Devices For Holding Or Mounting Articles (AREA)
  • Emergency Alarm Devices (AREA)
  • Lock And Its Accessories (AREA)

Abstract

Ein Verfahren und eine Vorrichtung zum Erkennen und Klassifizieren von Geräuschen um ein Fahrzeug über neurales Netz-Maschinenlernen sind beschrieben. Das Verfahren beinhaltet ein Audioerkennungssystem, das den Ursprung der Geräusche als innerhalb oder außerhalb eines Fahrzeugs bestimmen kann und die Geräusche in verschiedene Kategorien klassifizieren kann, wie beispielsweise, Geräusche von einem Erwachsenen, Kind oder Tier. Das Audioerkennungssystem kann mit einer Vielzahl von Sensoren in und um das Fahrzeug kommunizieren, um Informationen von Zuständen des Fahrzeugs zu erhalten. Basierend auf Informationen der Geräusche und Zuständen des Fahrzeugs kann das Audioerkennungssystem bestimmen, ob ein Insasse oder das Fahrzeug in Gefahr ist und Warnnachrichten senden oder Warnsignale ausgeben.

Description

  • TECHNISCHES GEBIET
  • Die vorliegende Offenbarung betrifft im Allgemeinen Geräuscherkennung und Klassifizierung mit Bezug auf ein Kraftfahrzeug und insbesondere Klassifizierung von Geräuschen über neurales Netz-Maschinenlernen.
  • HINTERGRUND
  • Die Sicherheit von Insassen in einem sich bewegenden Kraftfahrzeug ist eine wichtige Erwägung bei der Kaufentscheidung eines Kraftfahrzeugs. Es gibt viele technologische Fortschritte und Innovationen hinsichtlich Schutz für Insassen in einem sich bewegenden Kraftfahrzeug im Falle eines Unfalls oder in der Form von Vorbeugungsmaßnahmen. Die Sicherheit der Insassen in einem geparkten Fahrzeug vermittelt der Intelligenz eines Sicherheitssystems eine unterschiedliche Herausforderung, insbesondere, wenn ein junger Insasse darin alleine gelassen wird. Eltern können sich der Gefahr ein Baby, ein Kleinkind oder ein Kindergartenkind in einem unbeaufsichtigten Fahrzeug zu lassen nicht bewusst sein. Die Temperatur in einem Fahrzeug kann an einem heißen Tag in kurzer Zeit erheblich steigen und die Körpertemperatur eines Kindes kann viel schneller steigen als die eines Erwachsenen. Die Sicherheit für junge Insassen kann verbessert werden, wenn ein Sicherheitssystem in einem Fahrzeug die Intelligenz aufweist, zu erkennen, dass der Insasse jung ist und das Fahrzeug in einem Zustand ist, der dem jungen Insassen Schaden zufügen könnte, und das Sicherheitssystem proaktiv Warnsignale ausgibt oder den Besitzer des Fahrzeugs benachrichtigt, wenn eine solche Situation auftritt.
  • Figurenliste
  • Nicht begrenzende und nicht erschöpfende Ausführungsformen der vorliegenden Offenbarung werden mit Bezug auf die folgenden Figuren beschrieben, wobei sich gleiche Bezugszeichen auf gleiche Teile im Laufe der mehreren Figuren beziehen, sofern nicht anders angegeben.
    • 1 ist ein Diagramm, das ein Beispielszenario darstellt, in welchem ein Audioerkennungssystem gemäß der vorliegenden Offenbarung verwendet werden kann.
    • 2 ist ein Diagramm, das ein weiteres Beispielszenario darstellt, in welchem ein Audioerkennungssystem gemäß der vorliegenden Offenbarung verwendet werden kann.
    • 3 ist ein Blockdiagramm, das eine Beispielvorrichtung eines Audioerkennungssystems gemäß einer Ausführungsform der vorliegenden Offenbarung darstellt.
    • 4 ist ein Flussdiagramm, das einen Beispielprozess des Erkennens und Klassifizierens von Geräuschen innerhalb oder außerhalb eines Fahrzeugs gemäß einer Ausführungsform der vorliegenden Offenbarung darstellt.
    • 5 ist ein Flussdiagramm, das einen Beispielprozess des Berechnens von Mel-Frequenz-Cepstralkoeffizienten gemäß einer Ausführungsform der vorliegenden Offenbarung darstellt.
    • 6 ist ein Flussdiagramm, das einen Beispielprozess des Bestimmens, ob ein Insasse oder ein Fahrzeug in Gefahr ist, gemäß einer Ausführungsform der vorliegenden Offenbarung darstellt.
  • DETAILLIERTE BESCHREIBUNG
  • In der folgenden Beschreibung wird Bezug auf die beigefügten Zeichnungen genommen, die Teil davon sind, und in welchen durch das Darstellen spezifischer Ausführungsbeispiele gezeigt wird, in welchen die Offenbarung ausgeübt werden kann. Diese Ausführungsformen sind ausführlich genug beschrieben, um es den Fachmännern zu ermöglichen, die hier offenbarten Konzepte auszuüben und es versteht sich, dass an den mehreren offenbarten Ausführungsformen Modifikationen vorgenommen werden können und weitere Ausführungsformen verwendet werden können, ohne von dem Umfang der vorliegenden Offenbarung abzuweichen. Die folgende detaillierte Beschreibung sollte daher nicht im begrenzenden Sinne interpretiert werden.
  • Die vorliegende Offenbarung beschreibt ein Audioerkennungssystem, das in einem Fahrzeug installiert ist, das den Ursprung von Geräuschen innerhalb oder außerhalb eines Fahrzeugs bestimmen kann und Reaktionen darauf ausführen kann, basierend auf der Klassifizierung der Geräusche und den Zuständen des Fahrzeugs.
  • In mehreren Ausführungsformen gemäß der vorliegenden Offenbarung kann ein Audioerkennungssystem den Ursprung von Geräuschen um ein Fahrzeug (z. B. ob von innen oder von außen des Fahrzeugs) bestimmen und kann die Geräusche über neurales Netz-Maschinenlernen klassifizieren. Das Audioerkennungssystem kann mit Fahrzeugsensoren kommunizieren, um Zustände des Fahrzeugs zu erhalten. Basierend auf den Geräuschen und Zuständen des Fahrzeugs kann das Audioerkennungssystem bestimmen, ob es Warnnachrichten sendet oder Warnsignale (z. B. blinkende Warnlichter und/oder hupende Hupen) bereitstellt.
  • 1 stellt ein Beispielszenario 100 dar, in welchem ein Audioerkennungssystem 110 gemäß der vorliegenden Offenbarung verwendet werden kann. Szenario 100 ist ein illustratives Beispiel wie Audioerkennungssystem 110 der vorliegenden Offenbarung zum Warnen von Besitzern eines Fahrzeugs 120 und Schaulustigen verwendet werden kann, wenn bestimmt wird, dass Fahrzeug 120 für Vandalismus oder Diebstahl gefährdet ist. Audioerkennungssystem 110 kann Geräusche (z. B. Geräusche von Maschinen) um das Fahrzeug 120 erkennen und aufnehmen. Audioerkennungssystem 110 kann auch unter Verwendung von neuralem Netz-Maschinenlernen trainiert werden und folglich in der Lage sein den Ursprung von Geräuschen zu bestimmen, ob die Geräusche von innerhalb oder außerhalb von Fahrzeug 120 stammen. Das Audioerkennungssystem 110 kann Sensoren in und um Fahrzeug 120 aufweisen, um Zustände des Fahrzeugs 120 zu überwachen. Basierend auf Informationen der Geräusche (innerhalb oder außerhalb Fahrzeug 120) und Zuständen von Fahrzeug 120, kann Audioerkennungssystem 110 bestimmen, ob Fahrzeug 120 für Vandalismus oder Diebstahl gefährdet ist.
  • Gezeigt in 1 als illustratives Beispiel, ist ein Dieb 140 außerhalb von Fahrzeug 120, der versucht Fahrzeug 120 anzuheben und die Reifen von Fahrzeug 120 zu stehlen. Die Geräusche des Betreibens von einem Wagenheber können von Audioerkennungssystem 110 erkannt und aufgenommen werden, wie durch Bezugszeichen 130 angegeben. Das Audioerkennungssystem kann ferner bestimmen, ob die Geräusche des Betreibens von einem Wagenheber von außerhalb von Fahrzeug 120 stammen, wie durch Bezugszeichen 132 angegeben. Zustände von Fahrzeug 120 können durch Sensoren in und um Fahrzeug 120 überwacht werden, wie durch Bezugszeichen 134 angegeben. Die Sensoren, die in der Lage sind, einen Neigungswinkel zu erfassen (wie beispielsweise ViperTM 507M tilt motion sensor) können erkennen, dass Fahrzeug 120 angehoben wird während die Türen abgesperrt sind. Das Audioerkennungssystem 110 verarbeitet die von 130, 132 und 134 erhaltenen Informationen, wie durch Block 150 in 1 angegeben, über neurales Netz-Maschinenlernen. Basierend auf Informationen von Block 150 (z. B. dass Fahrzeug 120 gekippt wird oder anderweitig auf eine oder andere Art bewegt wird, Türen abgesperrt sind und Geräusche außerhalb Fahrzeug 120), kann das Audioerkennungssystem 110 bestimmen, dass Fahrzeug 120 für Diebstahl gefährdet ist, wie durch Block 160 angegeben. Dementsprechend kann das Audioerkennungssystem 110 mit dem Senden von Warnnachrichten (Bezugszeichen 174) an ein Mobiltelefon 180 des Eigentümers von Fahrzeug 120 (oder äquivalenten Vorrichtungen) fortfahren oder sie anderweitig verursachen und Warnsignale aktivieren. Die Warnsignale können eine Kombination aus blinkenden Scheinwerfern (Bezugszeichen 172) und hupenden Hupen (Bezugszeichen 170) sein. Die blinkenden Scheinwerfer 172 und hupenden Hupen 170 können die Aufmerksamkeit von Schaulustigen auf sich ziehen, so dass sie Fahrzeug 120 überprüfen oder Dieb 140 dazu verursachen den Diebstahl zu stoppen und/oder wegzurennen.
  • Als weiteres Beispiel kann Audioerkennungssystem 100 lernen, dass Fahrzeug 120 in Bewegung ist, durch zufällige Geräusche, die von dem Äußeren von Fahrzeug 120 erkannt wurden. Fahrzeug 120 kann an einem Straßenrand auf einem Berg und mit einer angezogenen Handbremse geparkt sein. Im Falle eines Handbremsen-Versagens, kann Fahrzeug 120 auf niedrigere Abschnitte der Straße rutschen. Ähnlich wie Beispielszenario 100 kann Audioerkennungssystem 110, basierend auf Informationen der Geräusche (Geräusche von außerhalb, die keinen Insassen angeben) und Zuständen von Fahrzeug 120 (in Bewegung mit abgesperrten Türen und keinem Schlüssel in dem Zündungsschlüsselloch eingefügt) bestimmen, dass Fahrzeug 120 in Gefahr ist und entsprechende Warnnachrichten und/oder Warnsignale (z. B. in einer Kombination von blinkenden Scheinwerfern und hupenden Hupen) senden, um Verletzung von Schaulustigen zu vermeiden.
  • 2 stellt ein weiteres Beispielszenario 200 dar, in welchem ein Audioerkennungssystem 210 gemäß der vorliegenden Offenbarung verwendet werden kann. Szenario 200 ist ein illustratives Beispiel wie Audioerkennungssystem 210 der vorliegenden Offenbarung zum Warnen von Besitzern von Fahrzeug 220 und Schaulustigen verwendet werden kann, wenn bestimmt wird, dass ein Insasse in Fahrzeug 220 in Gefahr ist. Audioerkennungssystem 210 kann Geräusche (z. B. Geräusche von einem Baby oder einem Tier) in dem Fahrzeug 220 erkennen und aufnehmen. Audioerkennungssystem 210 kann auch unter Verwendung von neuralem Netz-Maschinenlernen trainiert werden und folglich in der Lage sein den Ursprung von Geräuschen zu bestimmen, ob die Geräusche von innerhalb oder außerhalb von Fahrzeug 220 stammen und die Geräusche in klassifizierte Kategorien anerkennen. Die Kategorien können, zum Beispiel und ohne Begrenzung, Geräusche eines Erwachsenen, eines Kindes und eines Tieres umfassen. Das Audioerkennungssystem 210 kann Sensoren in und um Fahrzeug 220 aufweisen, um Zustände des Fahrzeugs 220 zu überwachen. Basierend auf Informationen der Geräusche (innerhalb oder außerhalb von Fahrzeug 220 und Geräuschkategorie) und Zuständen von Fahrzeug 220, kann Audioerkennungssystem 210 bestimmen, ob ein Insasse in dem Fahrzeug 220 ist und ob der Insasse, wenn bestimmt wurde, dass er in dem Fahrzeug 220 ist, in Gefahr ist.
  • 2 stellt dar, was passieren kann, wenn Audioerkennungssystem 210 bestimmt, dass ein junger Insasse 240 in dem Fahrzeug 220 alleine gelassen werden kann, gemäß Ausführungsformen der vorliegenden Offenbarung. Ein junger Insasse 240 (z. B. ein Baby), wenn es in geschlossenem Fahrzeug 220 alleine gelassen wird, kann an hoher Temperatur leiden und unbequeme Geräusche machen, z. B. durch Weinen. Die Geräusche des Weinens des Babys können von Audioerkennungssystem 210 erkannt und aufgenommen werden, wie durch Bezugszeichen 230 angegeben. Audioerkennungssystem 210 kann zuerst bestimmen, dass die Geräusche aus dem Inneren des Fahrzeugs 220 (Bezugszeichen 232) stammen und kann die Geräusche als „ein Baby oder ein Kind“ (Bezugszeichen 234) klassifizieren. An dieser Stelle kann Audioerkennungssystem 210 bestimmen, dass ein Insasse 240 in dem Fahrzeug 220 sein kann. Das Audioerkennungssystem 210 kann Sensoren in und um Fahrzeug 220 aufweisen, um Zustände des Fahrzeugs 220 zu überwachen, wie durch Bezugszeichen 236 angegeben. Das Audioerkennungssystem 210 verarbeitet die von 230, 232, 234 und 236 erhaltenen Informationen, wie durch Block 250 in 1 angegeben, über neurales Netz-Maschinenlernen. Kombinieren mit Informationen, die von eingebauten Sensoren empfangen werden, wie eine Temperatur in dem Fahrzeug 220 und abgesperrte Türen, kann Audioerkennungssystem 210 bestimmen, dass Insasse 240 in Gefahr sein kann, wie durch Block 260 angegeben. Eine Reihe von Aktionen, einschließlich das Senden von Warnnachrichten (Bezugszeichen 276) an ein Mobiltelefon 280 des Eigentümers von Fahrzeug 220 (oder ähnliche Geräte) und/oder Warnsignalen (z. B. eine Kombination von blinkenden Scheinwerfern, wie durch Bezugszeichen 274 angegeben, und hupenden Hupen, wie durch Bezugszeichen 272 angegeben) können von Audioerkennungssystem 210 durchgeführt werden, sobald es bestimmt, dass Insasse 240 in Gefahr sein kann. Audioerkennungssystem 210 kann weiter dazu übergehen Türen von Fahrzeug 220 zu entsperren (Bezugszeichen 270), um die Überlebenschance von Insasse 240 zu erhöhen. Schaulustige in der Nähe von Fahrzeug 220 können Warnsignale von blinkenden Scheinwerfern 274 und/oder hupenden Hupen 272 bemerken und Insasse 240 leicht retten, ohne Fenster einzuschlagen, was viel körperliche Stärke oder angemessene Werkzeuge benötigt, um Zugang in das Fahrzeug 220 zu bekommen.
  • Als ein alternatives Beispiel von Szenario 200, kann eine Katze (oder anderes Tier) in Fahrzeug 220 alleine gelassen werden. Audioerkennungssystem 210 kann bestimmen, dass die Geräusche der Katze aus dem Inneren des Fahrzeugs 220 stammen. Das Audioerkennungssystem 210 kann die Geräusche ferner als „Geräusche eines Tieres“ klassifizieren. Zustände von Fahrzeug 220 können durch Sensoren überwacht und dem Audioerkennungssystem 210 übertragen werden. Sobald die Zustände von Fahrzeug 220 ein gefährliches Niveau erreichen, wie beispielsweise eine hohe Temperatur über 100 Grad Fahrenheit für die Katze, kann Audioerkennungssystem 210 bestimmen, dass die Katze in Gefahr ist und kann eine Reihe von Aktionen ausführen, die den oben genannten ähnlich sind, in einem Bemühen, die Katze zu retten.
  • Da elektronische Vorrichtungen, die mit Lithiumionenbatterien betrieben werden, in den letzten Jahren immer üblicher geworden sind, kann das Laden einer Lithiumionenbatterie in einem Fahrzeug für Reisende unvermeidbar sein. In manchen Situationen können Lithiumionenbatterien während des Ladens explodieren, wodurch das Laden einer Lithiumionenbatterie innerhalb eines Fahrzeugs eine Brandgefahr nach der Explosion der Batterie sein kann. In manchen Ausführungsformen kann Audioerkennungssystem 210 verwendet werden, um das Ausmaß von Schäden im Falle von Batterieexplosion zu mitigieren. Die Explosionsgeräusche können als innerhalb von Fahrzeug 220 erkannt werden und als „Explosion oder Knall“ kategorisiert werden. Sofortige Aktionen, die den oben genannten ähnlich sind, können von Audioerkennungssystem 210 durchgeführt werden, um einen Eigentümer von Fahrzeug 220 zu warnen, unabhängig von Fahrzeugzuständen. Nachfolgender Schaden im Falle von Feuerausbruch kann beschränkt werden, wenn der Eigentümer von Fahrzeug 220 rechtzeitig zurückkehrt, um das Feuer zu löschen.
  • 3 stellt eine Beispielvorrichtung eines Audioerkennungssystems 300 gemäß einer Ausführungsform der vorliegenden Offenbarung darstellt. Audioerkennungssystem 300 kann mehrere Funktionen durchführen, die mit den hier beschriebenen Techniken, Verfahren und Systemen verwandt sind, einschließlich den oben beschriebenen, mit Bezug auf Szenario 100 und Szenario 200 sowie den unten beschriebenen, mit Bezug auf Prozesse 400, 500 und 600. Audioerkennungssystem 300 kann in einem Kraftfahrzeug 120 in Szenario 100 und Kraftfahrzeug 220 in Szenario 200 installiert, darauf angepasst, damit verbunden oder anderweitig implementiert sein, um mehrere Ausführungsformen gemäß der vorliegenden Offenbarung zu bewirken. Folglich kann Audioerkennungssystem 300 eine Beispielimplementierung von jedem von Audioerkennungssystem 110 und Audioerkennungssystem 210 sein. Audioerkennungssystem 300 kann mindestens einige der in 3 dargestellten Komponenten umfassen.
  • In manchen Ausführungsformen kann Audioerkennungssystem 300 mindestens ein Mikrofon umfassen. Zum Zwecke der Illustration und ohne Begrenzung, ist das mindestens eine Mikrofon in 3 als eines oder mehrere Mikrofone 320(1) - 320(N) gezeigt, wobei N eine positive ganze Zahl größer oder gleich 1 ist. Das eine oder die mehreren Mikrofone 320(1)-320(N) können Verstärker umfassen, um Signal-Rausch-Verhältnisse von erkannten Geräuschen zu erhöhen. Jedes des einen oder der mehreren Mikrofone 320(1) - 320(N) kann an verschiedenen Stellen eines Fahrzeugs angebracht oder eingebettet sein. In manchen Ausführungsformen kann mindestens eines des einen oder mehreren Mikrofone 320(1)-320(N) an Stelle(n) innerhalb eines Fahrzeug angebracht oder eingebettet sein. In manchen Ausführungsformen kann mindestens eines des einen oder der mehreren Mikrofone 320(1)-320(N) an Stelle(n) außerhalb des Fahrzeugs angebracht oder eingebettet sein.
  • In manchen Ausführungsformen kann Audioerkennungssystem 300 mindestens eine Kommunikationsvorrichtung 330 umfassen. Kommunikationsvorrichtung 330 kann konfiguriert sein, um Daten von einer oder mehreren Komponenten in dem Fahrzeug zu empfangen und/oder Anweisungen dorthin zu übertragen. Kommunikationsvorrichtung 330 kann konfiguriert sein, um kabellos und/oder über Kabel gemäß jeglichen geeigneten kabellosen und/oder verkabelten Standards, Beschreibungen und/oder Protokollen zu kommunizieren.
  • In manchen Ausführungsformen kann Audioerkennungssystem 300 eine Speichervorrichtung 340 umfassen, die konfiguriert ist, Rohdaten 342 von Geräuschen, eine Datenbank 344 von mehreren Arten von Audiodateien und ein oder mehrere Softwareprogramme 346 darin zu speichern. Zum Beispiel kann Speichervorrichtung 340 ein Softwareprogramm speichern, das dazu konfiguriert ist, aufgenommene und/oder Live-Geräusche in Audiodateien umzuwandeln.
  • In manchen Ausführungsformen kann Audioerkennungssystem 300 einen Prozessor 310 umfassen, der kommunikativ gekoppelt ist, um Geräuschdaten, die von dem einen oder den mehreren Mikrofonen 320(1) - 320(N) empfangen wurden, zu verarbeiten. Prozessor 310 kann auch mit Speichervorrichtung 340 gekoppelt sein, um auf darin gespeicherte Daten zuzugreifen und jedes darin gespeicherte Firmware- und/oder Softwareprogramm auszuführen. Prozessor 310 kann konfiguriert sein, um die Geräuschdaten, die von dem einen oder den mehreren Mikrofonen 320(1) - 320(N) empfangen wurden, als Rohdaten 342 von Geräuschen in Speicher 340 zu speichern. In manchen Ausführungsformen kann Audacity™ in Verbindung mit Ford Sync™-Mikrofonen der Ford Motor Company verwendet werden, um die Geräusche in Audiodateien aufzunehmen. Die Audiodateien können durch Prozessor 310 verarbeitet werden, um Mel-Frequenz-Cepstralkoeffizienten zu berechnen. Prozessor 310 kann den Ursprung jedes Geräusches als innerhalb oder außerhalb eines Fahrzeugs bestimmen kann und die Geräusche in verschiedene Kategorien klassifizieren, basierend auf neuralem Netz-Lernen. Die Kategorien können, zum Beispiel und ohne Begrenzung, mindestens Geräusche eines Erwachsenen, eines Kindes und eines Tieres umfassen.
  • In manchen Ausführungsformen kann Audioerkennungssystem 300 mindestens einen Sensor umfassen. Zum Zwecke der Illustration und ohne Begrenzung, ist der mindestens eine Sensor in 3 als einer oder mehrere Sensoren 325(1) - 325(M) gezeigt, wobei M eine positive ganze Zahl größer oder gleich 1 ist. Jeder des einen oder der mehreren Sensoren 325(1)-325(M) kann in einem Fahrzeug eingebaut, angebracht oder anderweitig eingebettet sein, um einen jeweiligen Zustand oder Parameter mit Bezug auf das Fahrzeug zu überwachen. Zum Beispiel kann der eine oder die mehreren Sensoren 325(1) - 325(M) konfiguriert sein, um Zustände zu überwachen, wie zum Beispiel und ohne Begrenzung, ob ein Schlüssel in einem Zündungsschlüsselloch eingefügt ist oder nicht, ob ein Schlüssel in einem Fahrzeug ist oder nicht, ob das Fahrzeug angehoben wird, ob das Fahrzeug in Bewegung ist, ob eine oder mehrere der Türen des Fahrzeugs abgesperrt oder entsperrt sind und ob eine Temperatur in dem Fahrzeug eine Temperaturschwelle erreicht oder überschreitet.
  • In manchen Ausführungsformen kann Prozessor 310 konfiguriert sein, um Zustände des Fahrzeugs von dem einen oder den mehreren Sensoren 325(1) - 325(M) direkt und/oder über Kommunikationsvorrichtung 330 zu empfangen. Die Zustände des Fahrzeugs, zum Zwecke der Illustration und ohne Begrenzung, können einen Schlüssel umfassen, der nicht in dem Zündungsschlüsselloch eingefügt ist, einen Schlüssel, der nicht in dem Fahrzeug ist, dass das Fahrzeug hochgehoben wird, dass das Fahrzeug in Bewegung ist, alle Türen abgesperrt sind und eine Temperatur in dem Fahrzeug eine Temperaturschwelle erreicht oder überschreitet. Prozessor 310 kann bestimmen, ob die Insassen oder das Fahrzeug in Gefahr sind oder für Diebstahl gefährdet sind, und kann der einen oder den mehreren Komponenten des Fahrzeugs über Kommunikationsvorrichtung 330 eine oder mehrere Anweisungen bereitstellen zum Ausführen der Anweisungen. Die eine oder mehreren Komponenten können Aktionen gemäß den Anweisungen durchführen. Die Aktionen können umfassen, zum Beispiel und ohne Begrenzung, das Senden von einer oder mehreren Warnnachrichten an Telefone von Eigentümer(n) des Fahrzeugs, blinkende Scheinwerfer, hupende Hupen, Entsperren der Türen oder eine Kombination von zwei oder mehr der vorher genannten Aktionen.
  • In manchen Ausführungsformen kann Audioerkennungssystem 300 ein erstes neurales Netz 350 und ein zweites neurales Netz 360 umfassen. Das erste neurale Netz 350 kann mit einem Satz von Geräuschen, der entweder innerhalb oder außerhalb eines Fahrzeugs in einem für Menschen wahrnehmbaren Bereich, grob 20- 20.000 Hertz, gespielt wird, trainiert werden. Da manche Geräuschfrequenzen, die außerhalb des Fahrzeugs gespielt werden, von Strukturen des Fahrzeugs (z. B. Türen, Fenster, Windschutzscheibe und Autokörper) blockiert werden, können Geräusche, die innerhalb des Fahrzeugs gespielt werden, unterschiedliche Mel-Frequenz-Cepstralkoeffizienten (Amplituden eines resultierenden Spektrums nach einer direkten Kosinustransformation eines Leistungsspektrums eines Geräusches, Details sind im Abschnitt des Prozesses 500 bereitgestellt) als außerhalb des Fahrzeugs gespielte Geräusche erzeugen. Das zweite neurale Netz 360 kann mit einer Zahl von Sätzen von Geräuschen in verschiedenen Kategorien trainiert werden, was mindestens Geräusche eines Erwachsenen, eines Kindes und eines Tieres umfassen kann. In manchen Ausführungsformen können die Kategorien Geräusche, wie in dem Beispielszenario 100 und Beispielszenario 200 beschrieben, bezüglich der Sicherheit von Insassen oder Fahrzeug umfassen, wie beispielsweise ein weinendes Baby und Batterieexplosion. Das erste neurale Netz 350 und das zweite neurale Netz 360 können eine Eingabeschicht, mindestens eine versteckte Schicht und eine Ausgabeschicht umfassen. Die versteckte Schicht empfängt Daten von einer vorigen Schicht (z. B. Eingabeschicht) und modifiziert die Daten vor dem Senden an die nächste Schicht (z. B. Ausgabeschicht). Die versteckte Schicht besteht aus Knoten (oder Neuronen) mit Gewichtsfaktoren, die mit jeder Eingabe und einem Vorgabefaktor von jedem Knoten assoziiert sind. Indem die Gewichtsfaktoren und der Vorgabefaktor eines jeden Knotens in der versteckten Schicht im Laufe des Lernzyklus angemessen angepasst werden, kann das neurale Netz trainiert werden, um die richtige Ausgabe (ja oder nein) für eine gegebene Art von Eingabe zu berichten. Die versteckte Schicht kann eine unterschiedliche Zahl von Knoten (oder Neuronen) umfassen, abhängig von der Komplexität der Aufgaben. Das zweite neurale Netz 360 kann aufgrund der höheren Komplexität des Klassifizierens von Geräuschen verglichen mit der Bestimmung, ob ein gegebenes Geräusch gespielt wird oder anderweitig von innerhalb oder außerhalb eines Fahrzeugs stammt, mehr Knoten als das erste neurale Netz 350 in der versteckten Schicht umfassen. In manchen Ausführungsformen kann das Mustererkennungswerkzeug „nrptool“ von MATLAB™ verwendet werden, um neurale Netze wie das erste neurale Netz 350 und das zweite neurale Netz 360 aufzubauen. In manchen Ausführungsformen kann das erste neurale Netz 350 mehrere Knoten (z. B. 10 Knoten oder 20 Knoten) in der versteckten Schicht aufweisen und das zweite neurale Netz 360 kann mehr Knoten (z. B. 100 Knoten) in der versteckten Schicht aufweisen, um einen vergleichbaren Lernzeitraum mit dem ersten neuralen Netz 350 (da die Aufgabe des Klassifizierens von Geräuschen komplizierter sein kann als das Bestimmen des Ursprungs von Geräuschen und, folglich, mehr Knoten helfen können, um Konvergenz des Lernprozesses zu beschleunigen) zu erzielen.
  • 4 stellt einen Beispielprozess 400 gemäß der vorliegenden Offenbarung dar. Prozess 400 kann verwendet werden, um neurale Netze zu trainieren, um Geräuschklassifizierung und Erkennung gemäß der vorliegenden Offenbarung zu erzielen. Prozess 400 kann eine oder mehrere Operationen, Aktionen oder Funktionen, gezeigt als Blöcke, wie beispielsweise 410, 420, 430 und 440, umfassen. Obwohl sie als diskrete Blöcke dargestellt sind, können mehrere Blöcke von Prozess 400 abhängig von der gewünschten Implementierung in zusätzliche Blöcke unterteilt werden, in weniger Blöcke kombiniert werden oder entfernt werden, und können durchgeführt werden oder anderweitig in einer Reihenfolge ausgeführt werden, die sich von der in 4 gezeigten unterscheidet. Prozess 400 kann in Szenario 100 und/oder Szenario 200 implementiert sein und kann durch Audioerkennungssystem 300 implementiert sein. Zum Zwecke der Illustration und ohne den Schutzbereich von Prozess 400 zu begrenzen, wird die folgende Beschreibung von Prozess 400 in dem Zusammenhang von Szenario 200 bereitgestellt, als von Audioerkennungssystem 300 implementiert. Prozess 400 kann mit Block 410 beginnen.
  • Bei 410 kann Prozess 400 beinhalten, dass der Prozessor 310 von Audioerkennungssystem 300 Zustände von Fahrzeug 220 beschafft, um den Geräuschaufnahmeprozess zu starten oder nicht. Der Geräuschaufnahmeprozess kann durch Prozessor 310 gestartet werden, wenn die Zustände von Fahrzeug 220 einen Bedarf erfordern, Geräusche aufzunehmen, was von dem Audioerkennungssystem 300 definiert sein kann. Das Audioerkennungssystem 300 überwacht Zustände von Fahrzeug 220 über einen oder mehrere Sensoren 325(1) - 325(M) in und um Fahrzeug 220 und kann die Geräuscherkennung und den Aufnahmeprozess starten, sobald die Zustände des Fahrzeugs 20 erfüllt sind, z. B. ein Schlüssel, der nicht in einem Zündungsschlüsselloch eingefügt ist und abgesperrte Türen. Prozess 400 kann von 410 zu 420 übergehen.
  • Bei 420 kann Prozess 400 beinhalten, dass Prozessor 310 und Softwareprogramme 346 die von dem einen oder den mehreren Mikrofonen 320(1) - 320(N) empfangenen Geräusche in Audiodateien aufnehmen. Die Stellen des einen oder der mehreren Mikrofone 320(1) - 320(N) können in und um das Fahrzeug 220 verteilt sein. Ein Satz von verschiedenen Geräuschen kann zum Zwecke des Trainings, der Validierung und des Testens von neuralem Netz-Lernen von den ersten neuralen Netz 350 und/oder dem zweiten neuralen Netz 360 bereitgestellt werden. In manchen Ausführungsformen kann der Satz von verschiedenen Geräuschen einen Sprecher beinhalten, der mit einem Frequenzbereich 20-20K Hertz von innerhalb oder außerhalb von Fahrzeug 220 spielt. In einer weiteren Ausführungsform kann der Satz von Geräuschen einen sprechenden Erwachsener, ein lachendes oder weinendes Kind, einen bellenden Hund oder eine miauende Katze umfassen. Die Audiodateien, die von den verschiedenen Geräuschen aufgenommen wurden, können in Audiodatenbank 344 in Speicher 340 zur weiteren Verarbeitung liegen. Prozess 400 kann von 420 zu 430 übergehen.
  • Bei 430 kann Prozess 400 beinhalten, dass der Prozessor 310 und das erste neurale Netz 350 bestimmen, ob jedes der aufgenommenen Geräusche von innerhalb oder außerhalb des Fahrzeugs 220 stammt. Ein Sprecher, der mit einem Frequenzbereich 20-20K Hertz von innerhalb oder außerhalb von Fahrzeug 220 spielt, kann dem ersten neuralen Netz 350 als ein Trainingssatz von Geräuschen bereitgestellt werden. Prozessor 310 kann auf dem Satz von Audiodateien Fouriertransformation durchführen und Mel-Frequenz-Cepstralkoeffizienten dem ersten neuralen Netz 350 jeweils als Eingaben berechnen. Ein vorbestimmter Prozentsatz an Audiodateien kann zum Training, Validieren bzw. Testen vorgesehen sein. In manchen Ausführungsformen kann der Prozentsatz an Audiodateien zum Training, Validieren bzw. Testen jeweils 70 %, 15 % und 15 % sein. Das erste neurale Netz 350 kann trainiert werden, indem Mel-Frequenz-Cepstralkoeffizienten als Eingaben verwendet werden und Gewicht und Vorgabefaktoren von jedem Knoten angepasst werden, um benannte Ausgaben zu erhalten. Das Störungsphänomen zwischen Außengeräuschen und Dimensionen von Fahrzeug 220 kann zu einer gewissen fehlenden Frequenz in dem Spektrum von Außengeräuschen führen und unterschiedliche Mel-Frequenz-Cepstralkoeffizienten ergeben verglichen mit Innengeräuschen, sogar wenn sowohl Innen- als auch Außengeräusche von der gleichen Quelle stammen. Die Amplitude der Außengeräusche kann von dem Fahrzeug selbst weiter vermindert werden. In manchen Ausführungsformen kann das erste neurale Netz 350 mehrere Knoten (z. B. 10 Knoten oder 20 Knoten) aufweisen und kann Gewicht und Vorgabefaktoren gemäß einem Rückwärtsübertragungsalgorithmus anpassen. Das erste neurale Netz 350, konfiguriert wie oben beschrieben, kann eine Genauigkeit mit einem mittleren Quadratfehler von weniger als 0,2 % auf der Bestimmung von Geräuschursprung (innerhalb oder außerhalb von Fahrzeug 220) erzielen. Prozess 400 kann von 430 zu 440 übergehen.
  • Bei 440 kann Prozess 400 beinhalten, dass der Prozessor 310 und das zweite neurale Netz 360 die aufgenommenen Geräusche in eine Anzahl von Kategorien klassifizieren. Verschiedene Sätze von Geräuschen, einschließlich Erwachsene sprechend, Kind lachend oder weinend, Hund bellend oder Katze miauend sowie andere künstliche und/oder natürliche Geräusche können als Trainingssätze von Geräuschen für das zweite neurale Netz 360 bereitgestellt werden. Prozessor 310 kann auf dem Satz von Audiodateien Fouriertransformation durchführen und Mel-Frequenz-Cepstralkoeffizienten dem zweiten neuralen Netz 360 jeweils als Eingaben berechnen. Ein vorbestimmter Prozentsatz an Audiodateien kann zum Training, Validieren bzw. Testen vorgesehen sein. In manchen Ausführungsformen ist der Prozentsatz an Audiodateien zum Training, Validieren bzw. Testen jeweils 40%, 30% und 30%. Das zweite neurale Netz 360 kann Mel-Frequenz-Cepstralkoeffizienten als Eingaben verwendet und Gewicht und Vorgabefaktoren von jedem Knoten anpassen, um benannte Ausgaben zu erhalten. In manchen Ausführungsformen kann das zweite neurale Netz 360 mehr Knoten (z. B. 100 Knoten) aufweisen und kann Gewicht und Vorgabefaktoren gemäß einem Rückwärtsübertragungsalgorithmus anpassen. Das zweite neurale Netz 360, konfiguriert wie oben beschrieben, kann eine Genauigkeit mit einem mittleren Quadratfehler von weniger als 0,2 % auf der Klassifizierung von Geräuschkategorien (Erwachsener, Kind oder Tiergeräusche) erzielen.
  • 5 stellt einen Beispielprozess 500 des Berechnens von Mel-Frequenz-Cepstralkoeffizienten gemäß der vorliegenden Offenbarung dar. Prozess 500 kann verwendet werden, um dem neuralen Netz zum Zwecke des Maschinenlernens Charakteristiken von Audiodateien als Eingaben zu übertragen. Prozess 500 kann eine oder mehrere Operationen, Aktionen oder Funktionen, gezeigt als Blöcke, wie beispielsweise 510, 520, 530, 540 und 550, umfassen. Obwohl sie als diskrete Blöcke dargestellt sind, können mehrere Blöcke von Prozess 500 abhängig von der gewünschten Implementierung in zusätzliche Blöcke unterteilt werden, in weniger Blöcke kombiniert werden oder entfernt werden, und können durchgeführt werden oder anderweitig in einer Reihenfolge ausgeführt werden, die sich von der in 5 gezeigten unterscheidet. Prozess 500 kann in Szenario 100 und/oder Szenario 200 implementiert sein und kann durch Prozessor 310 implementiert sein. Zum Zwecke der Illustration und ohne den Schutzbereich von Prozess 500 zu begrenzen, wird die folgende Beschreibung von Prozess 500 in dem Zusammenhang von Szenario 200 bereitgestellt, als von Prozessor 310 von Audioerkennungssystem 300 implementiert. Prozess 500 kann mit Block 510 beginnen.
  • Bei 510 kann Prozess 500 beinhalten, dass Prozessor 310 Geräusche in Audiodateien aufnimmt zur weiteren Verarbeitung. Jede der Audiodateien kann Geräuschsegmente beinhalten, die repräsentativ für ein Gespräch, einen Baustellenhintergrund, ein weinendes Baby, Tiergeräusche, vorbeifahrende Autos oder vorbeifliegende Flugzeuge sein können. Die Audiodateien können als Amplituden angesehen werden, die mathematisch in der Zeit variieren. Prozess 500 kann von 510 zu 520 übergehen.
  • Bei 520 kann Prozess 500 beinhalten, dass Prozessor 310 die Audiodateien vom zeitlichen Amplitudevariieren zum Frequenz-Amplitudevariieren umwandelt. In mathematischer Sprache, eine Fouriertransformation kann von Prozessor 310 auf aufgenommenen Audiodateien durchgeführt werden. Prozess 500 kann von 520 zu 530 übergehen.
  • Bei 530 kann Prozess 500 beinhalten, dass Prozessor 310 auf fouriertransformierte Audiodateien eine Reihe von Mel-Filtern anwendet und eine horizontal lineare Frequenzachse in eine Mel-Skala verwandelt. Die Mel-Skala ist eine wahrnehmbare Skala von Steigungen, wobei Zuhörer beurteilen, dass sie in gleichem Abstand voneinander sind. Die Mel-Skala stellt repräsentiert menschliches Gehör genauer, wenn sie mit der linearen Skala verglichen wird, da menschliches Gehör Geräusche nicht linear löst. In manchen Ausführungsformen können dreizehn Mel-Filter zum Filtern verwendet werden. Jeder Mel-Filter kann dreiecksförmig sein und bei einer anderen Mel-Frequenz ihren Höchststand erreichen. Das resultierende Spektrum nach Mel-Filtern kann als Mel-Frequenzspektrum bezeichnet werden. Prozess 500 kann von 530 zu 540 übergehen.
  • Bei 540 kann Prozess 500 beinhalten, dass Prozessor 310 eine logarithmische Operation auf dem Mel-Frequenzspektrum durchführt. Prozess 500 kann von 540 zu 550 übergehen.
  • Bei 550 kann Prozess 500 beinhalten, dass Prozessor 310 eine diskrete Kosinustransformation auf dem Logarithmus des Mel-Frequenzspektrums durchführt. Das Ergebnis der diskreten Kosinustransformation ist ein Satz von Mel-Frequenz-Cepstralkoeffizienten, der mit der Zahl verwendeter Mel-Filter verwandt ist. In manchen Ausführungsformen können dreizehn Mel-Frequenz-Cepstralkoeffizienten erhalten werden, als Ergebnis aus Prozess 500.
  • 6 stellt einen Beispielprozess 600 des Bestimmens, ob ein Insasse oder ein Fahrzeug in Gefahr ist, gemäß der vorliegenden Offenbarung dar. Prozess 600 kann eine oder mehrere Operationen, Aktionen oder Funktionen, gezeigt als Blöcke, wie beispielsweise 610, 620, 630 und 640, umfassen. Obwohl sie als diskrete Blöcke dargestellt sind, können mehrere Blöcke von Prozess 600 abhängig von der gewünschten Implementierung in zusätzliche Blöcke unterteilt werden, in weniger Blöcke kombiniert werden oder entfernt werden, und können durchgeführt werden oder anderweitig in einer Reihenfolge ausgeführt werden, die sich von der in 6 gezeigten unterscheidet. Prozess 600 kann in Szenario 100 und/oder Szenario 200 implementiert sein und kann durch Prozessor 310 implementiert sein. Zum Zwecke der Illustration und ohne den Schutzbereich von Prozess 600 zu begrenzen, kann die folgende Beschreibung von Prozess 600 in dem Zusammenhang von Szenario 200 bereitgestellt sein, als von Audioerkennungssystem 300 implementiert. Prozess 600 kann mit Block 610 beginnen.
  • Bei 610 kann Prozess 600 beinhalten, dass Prozessor 310 von dem einen oder den mehreren Mikrofonen 320(1) - 320(N) Geräusche empfängt. Des Weiteren kann Prozess 600 auch ein erstes neurales Netz 350 und ein zweites neurales Netz 360 beinhalten, die bestimmen, ob ein Insasse in dem Fahrzeug 220 ist, basierend auf Geräuschen, die von dem einen oder den mehreren Mikrofonen 320(1) - 320(N) empfangen wurden. Das erste neurale Netz 350 kann bestimmen, ob ein Geräusch von innerhalb oder außerhalb des Fahrzeugs 220 ist. Das zweite neurale Netz 360 kann klassifizieren, ob das Geräusch zu einem Erwachsenen, einem Kind oder einem Tier gehört. Wenn das Geräusch von dem ersten neuralen Netz 350 als von innerhalb eines Fahrzeugs bestimmt wird und dem zweiten neuralen Netz 360 als ein Erwachsenengeräusch, ein Kindergeräusch oder ein Tiergeräusch klassifiziert wird, dann kann Audioerkennungssystem 300 bestimmen, dass ein Insasse (ob Mensch oder Tier) in dem Fahrzeug 220 sein kann. Prozess 600 kann von 610 zu 620 übergehen.
  • Bei 620 kann Prozess 600 beinhalten, dass Prozessor 310 Fahrzeuginformationen von einem oder mehreren Zuständen von Fahrzeug 220 von einem oder mehreren Sensoren 325(1)-325(M) erhält, z. B. über Kommunikationsvorrichtung 330. In manchen Ausführungsformen können die Zustände des Fahrzeugs 220 zum Beispiel und ohne Begrenzung einen Schlüssel umfassen, der nicht in einem Zündungsschlüsselloch eingefügt ist, einen Schlüssel, der nicht in dem Fahrzeug 220 ist, dass das Fahrzeug 220 hochgehoben wird, dass das Fahrzeug 220 in Bewegung ist, Türen des Fahrzeugs 220 abgesperrt sind oder eine Temperatur in dem Fahrzeug 220 eine Temperaturschwelle erreicht oder überschreitet. Die hier aufgelisteten Zustände von Fahrzeug 220 dienen dem Zwecke der Illustration und sollten nicht als den Schutzbereich der vorliegenden Offenbarung begrenzend angesehen werden. Prozess 600 kann von 620 zu 630 übergehen.
  • Bei 630 kann Prozess 600 beinhalten, dass Prozessor 310 bestimmt, ob ein Insasse von Fahrzeug 220 in Gefahr ist oder ob das Fahrzeug 220 für Diebstahl gefährdet ist. Eine Kombination von Zuständen von Fahrzeug 220 und Informationen von dem ersten und zweiten neuralen Netz 350 und 360 können ausreichen sein zum Bestimmen, ob ein Insasse in Fahrzeug 220 in Gefahr ist. Zum Beispiel, ein weinender Insasse (Innengeräusch von dem ersten neuralen Netz 350 bestimmt und Weinen von dem zweiten neuralen Netz 360 als ein Kindergeräusch identifiziert) in Fahrzeug 220 mit einer Temperatur höher als 100 Grad Fahrenheit kann eine Situation sein, die den Insassen in einen Gefahrstatus bringt. Als ein weiteres Beispiel kann zum Beispiel ein lauter Knall von innerhalb des Fahrzeugs 220 eine Batterieexplosion einer elektronischen Vorrichtung und eine Feuergefahr für Fahrzeug 220 angeben. Prozess 600 kann von 630 zu 640 übergehen.
  • Bei 640 kann Prozess 600 beinhalten, dass Prozessor 310 eine oder mehrere Aktionen auslöst, nach dem Bestimmen, dass der Insasse oder das Fahrzeug 220 in Gefahr ist. In manchen Ausführungsformen kann Prozessor 310 einer oder mehreren Komponenten des Fahrzeugs 220 über Kommunikationsvorrichtung 330 eine oder mehrere Anweisungen bereitstellen zum Ausführen einer Reihe von Antwortreaktionen. Zum Beispiel kann eine Reihe von Warnnachrichten über eine kabellos übertragbare Komponente an den/die Eigentümer von Fahrzeug 220 gesendet werden, sobald ein Insasse als in Gefahr identifiziert wird. Ob der Notruf angerufen wird, wird von dem Eigentümer des Fahrzeugs 220 entschieden, abhängig von seiner/ihrer Nähe zu dem Ort des Fahrzeugs 220. Blinkende Scheinwerfer und hupende Hupen können eingesetzt werden, um die Aufmerksamkeit von Schaulustigen zu gewinnen. Prozessor 310 kann ferner Anweisungen ausgeben, die Türen des Fahrzeugs zu entsperren, um die Überlebenschance des Insassen zu erhöhen.
  • In der obigen Offenbarung wurde Bezug auf die beigefügten Zeichnungen genommen, die Teil hiervon sind, und in welchen durch das Darstellen spezifischer Implementierungen gezeigt wird, in welchen die Offenbarung ausgeübt werden kann. Es versteht sich, dass andere Implementierungen angewendet werden können und strukturelle Veränderungen gemacht werden können, ohne von dem Schutzbereich der vorliegenden Offenbarung abzuweichen. Bezugnahmen in der Beschreibung auf „eine Ausführungsform“, „Ausführungsform“, „ein Ausführungsbeispiel“ usw. geben an, dass die beschriebene Ausführungsform ein/e besondere/s Merkmal, Struktur oder Charakteristik aufweisen kann, aber nicht jede Ausführungsform muss notwendigerweise das/die bestimmte Merkmal, Struktur oder Charakteristik aufweisen. Des Weiteren beziehen sich solche Sätze nicht unbedingt auf die gleiche Ausführungsform. Ferner, wenn ein/e bestimmte/s Merkmal, Struktur oder Charakteristik in Verbindung mit einer Ausführungsform beschrieben wird, wird vorgetragen, dass es innerhalb des Wissens eines Fachmanns ist, ein/e solche/s Merkmal, Struktur oder Charakteristik in Verbindung mit anderen Ausführungsformen auszuführen, ob explizit beschrieben oder nicht.
  • Implementierungen der Systeme, Vorrichtungen, Geräte und Verfahren, die hier offenbart sind, können einen Computer mit bestimmtem Zweck oder Allgemeinzweck-Computer umfassen oder verwenden, der Computerhardware, wie beispielsweise einen oder mehrere Prozessoren und Systemspeicher aufweist, wie hier erörtert. Implementierungen innerhalb des Schutzbereichs der vorliegenden Offenbarung können auch physische und andere computerlesbare Medien zum Ausführen oder Speichern von computerausführbaren Anweisungen und/oder Datenstrukturen sein. Solche computerlesbaren Medien können jegliche verfügbaren Medien sein, auf die von einem Allgemeinzweck- oder Spezialcomputersystem zugegriffen werden kann. Computerlesbare Speichermedien, die computerausführbare Anweisungen speichern, sind Computerspeichermedien (Geräte). Computerlesbare Medien, die computerausführbare Anweisungen ausführen, sind Übertragungsmedien. Folglich, als Beispiel und nicht als Begrenzung, können Implementierungen der vorliegenden Offenbarung mindestens zwei verschiedene Arten von computerlesbaren Medien umfassen: Computerspeichermedien (Geräte) und Übertragungsmedien.
  • Computerspeichermedien (Geräte) umfassen RAM, ROM, EEPROM, CD-ROM, Solid State Drives („SSD“) (z. B. basierend auf RAM), Flashspeicher, Phasenänderungs-Speicher („PCM“), andere Arten von Speicher, andere optische Festplattenspeicher, magnetische Festplattenspeicher oder andere magnetische Speichergeräte oder jedes andere Medium, das verwendet werden kann, um gewünschte Programmcodemittel in der Form von computerausführbaren Anweisungen oder Datenstrukturen zu speichern und auf welche von einem Allgemeinzweck- oder Spezialcomputer zugegriffen werden kann.
  • Eine Implementierung der Geräte, Systeme und Verfahren, die hier offenbart sind, kann über ein Computernetz kommunizieren. Ein „Netz“ ist als eines oder mehrere Datenverbindungen definiert, die den Transport von elektronischen Daten zwischen Computersystemen und/oder Modulen und/oder anderen elektronischen Geräten ermöglichen. Wenn Informationen über ein Netz oder andere Kommunikationsverbindungen (entweder fest verkabelt, kabellos oder eine Kombination von fest verkabelt und kabellos) an einen Computer übertragen oder bereitgestellt werden, sieht der Computer die Verbindung als ein richtiges Übertragungsmedium. Übertragungsmedien können ein Netz und/oder Datenverbindungen umfassen, die auch verwendet werden können, um gewünschte Programmcodemittel in der Form von computerausführbaren Anweisungen oder Datenstrukturen zu tragen und auf welche von einem Allgemeinzweck- oder Spezialcomputer zugegriffen werden kann. Kombinationen der obigen sollten auch innerhalb des Schutzbereichs der vorliegenden computerlesbaren Medium umfasst sein.
  • Computerausführbare Anweisungen umfassen zum Beispiel Anweisungen und Daten, welche, wenn an einem Prozessor ausgeführt, einen Allgemeinzweckcomputer, einen Spezialcomputer oder eine Spezialverarbeitungsvorrichtung veranlassen, eine gewisse Funktion oder Gruppe von Funktionen durchzuführen. Die computerausführbaren Anweisungen können zum Beispiel Binär-, Zwischenformatanweisungen sein, wie Assemblersprache oder sogar Quellencode. Obwohl der Gegenstand mit sprachspezifischen bis strukturellen Merkmalen und/oder methodologischen Handlungen beschrieben wurde, versteht es sich, dass der in den beigefügten Ansprüchen definierte Gegenstand nicht unbedingt auf die beschriebenen Merkmale und Handlungen, die oben beschrieben sind, begrenzt ist. Vielmehr sind die beschriebenen Merkmale und Handlungen als Beispielformen zum Implementieren der Ansprüche offenbart.
  • Die Fachmänner erkennen, dass die vorliegende Offenbarung in Netzcomputerumgebungen mit vielen Arten von Computersystemkonfigurationen ausgeübt werden kann, einschließlich eines Armaturenbrett-Fahrzeugcomputers, persönlichen Computern, Desktopcomputern, Laptopcomputern, Nachrichtenverarbeitern, tragbaren Vorrichtungen, Multiprozessor-Systeme, mikroprozessorbasierter oder programmierbarer Verbraucherelektronik, Netzwerk PCs, Minicomputern, Mainframe-Computern, Mobiltelefonen, PDAs, Tablets, Pager, Router, Schaltungen, mehreren Speichervorrichtungen und dergleichen. Die Offenbarung kann auch in verteilten Systemumwelten ausgeübt werden, wobei sowohl lokale als auch Ferncomputersysteme, die durch ein Netzwerk verbunden sind (entweder durch fest verkabelte Datenverbindungen, kabellose Datenverbindungen oder jegliche Kombination von fest verkabelten und kabellosen Datenverbindungen), Aufgaben durchführen. In einer verteilten Systemumwelt können Programmmodule in sowohl lokalen als auch Fernspeichervorrichtungen angeordnet sein.
  • Ferner, wo angemessen, können Funktionen, die hier beschrieben sind, in einer oder mehreren der folgenden durchgeführt werden: Hardware, Software, Firmware, digitale Komponenten oder analoge Komponenten. Zum Beispiel kann eine oder mehrere anwendungsspezifische integrierte Schaltungen (ASIC) programmiert sein, um eines oder mehrere der hier beschriebenen Systeme und Prozeduren auszuführen. Gewissen Begriffe werden im Laufe der Beschreibung und den Ansprüchen verwendet, um sich auf bestimmte Systemkomponenten zu beziehen. Wie ein Fachmann erkennt, können Komponenten mit verschiedenen Namen bezeichnet werden. Dieses Dokument bezweckt nicht, zwischen Komponenten zu unterscheiden, die sich um Namen unterscheiden, aber nicht in Funktion.
  • Es sollte angemerkt werden, dass die oben erörterten Sensorausführungsformen Computerhardware, Software, Firmware oder jegliche Kombination davon umfassen können, um mindestens einen Teil von ihren Funktionen durchzuführen. Zum Beispiel kann ein Sensor Computercode aufweisen, der konfiguriert ist, in einem oder mehreren Prozessoren ausgeführt zu werden, und kann Hardware aufweisen, die logisch/elektrisch von dem Computercode schaltgesteuert ist. Diese Beispielvorrichtungen sind hier zum Zwecke der Illustration bereitgestellt und sollen nicht begrenzend sein. Ausführungsformen der vorliegenden Offenbarung können in weiteren Arten von Vorrichtungen implementiert werden, wie einem Fachmann auf dem Gebiet der Technik bekannt.
  • Mindestens einige Ausführungsformen der vorliegenden Offenbarung sind an Computerprogrammprodukte gerichtet, die solche Logik (z. B. in der Form von Software) auf jeglichem computernutzbaren Medium gespeichert umfassen. Solche Software, wenn in einer oder mehreren Datenverarbeitungsvorrichtungen ausgeführt, veranlasst eine Vorrichtung dazu, wie hier beschrieben zu arbeiten.
  • Während mehrere Ausführungsformen der vorliegenden Offenbarung oben beschrieben wurden, versteht sich, dass sie nur beispielhaft dargestellt wurden und nicht begrenzend. Es ist den Fachmännern in dem relevanten Gebiet der Technik ersichtlich, dass mehrere Veränderungen in Form und Detail vorgenommen werden können, ohne vom Erfindungsgedanken und Schutzbereich der vorliegenden Offenbarung abzuweichen. Folglich sollte die Breite und der Schutzbereich der vorliegenden Offenbarung von keinem der der oben beschriebenen Ausführungsbeispiele begrenzt sein, sollte aber nur gemäß den folgenden Ansprüchen und deren Äquivalenten definiert sein. Die vorstehende Beschreibung wurde zum Zwecke der Darstellung und Beschreibung präsentiert. Die vorliegende Offenbarung soll nicht erschöpfend oder auf die genaue offenbarte Form begrenzt sein. Viele Modifikationen und Variationen sind ausgehend von der obigen Lehre möglich. Ferner sollte angemerkt werden, dass jede oder alle der vorgenannten alternativen Implementierungen in jeder gewünschten Kombination verwendet werden können, um zusätzliche Hybrid-Implementierungen der vorliegenden Erfindung zu bilden.
  • Beansprucht wird:

Claims (15)

  1. Verfahren umfassend: Empfangen akustischer Informationen von einem oder mehreren Mikrofonen; Empfangen von Fahrzeuginformationen eines oder mehrerer Zustände eines Fahrzeugs von einem oder mehreren Sensoren; Bestimmen, ob das Fahrzeug für Diebstahl gefährdet ist oder ob ein Insasse des Fahrzeugs in Gefahr ist, basierend auf den Fahrzeuginformationen und den akustischen Informationen; und Auslösen von einer oder mehreren Aktionen nach dem Bestimmen, dass der Insasse oder das Fahrzeug in Gefahr ist.
  2. Verfahren nach Anspruch 1, wobei das Empfangen der akustischen Informationen von einem oder mehreren Mikrofonen das Bestimmen, ob der Insasse in dem Fahrzeug ist, basierend auf Informationen eines ersten neuralen Netzes und eines zweiten neuralen Netzes, umfasst.
  3. Verfahren nach Anspruch 2, wobei das Bestimmen, ob der Insasse in dem Fahrzeug ist, basierend auf Informationen des ersten neuralen Netzes und des zweiten neuralen Netzes durch das Durchführen von Operationen Folgendes umfasst: Erkennen einer Vielzahl von Geräuschen in und um das Fahrzeug herum; Aufnehmen der Geräusche in eine Vielzahl von Audiodateien; Bestimmen, ob die Geräusche aus dem Inneren oder dem Äußeren des Fahrzeugs stammen, basierend auf Informationen des ersten neuralen Netzes; und Klassifizieren der Geräusche in eine Vielzahl von Kategorien, basierend auf Informationen des zweiten neuralen Netzes.
  4. Verfahren nach Anspruch 3, wobei das Erkennen von Geräuschen in und um das Fahrzeug das Einleiten des Erkennens der Geräusche umfasst, indem das Fahrzeug abgeschaltet wird oder indem ein Motorstoppknopf gedrückt wird, ein Schlüssel nicht in das Zündungsschlüsselloch eingefügt ist und eine oder mehrere Türen des Fahrzeugs abgesperrt sind.
  5. Verfahren nach Anspruch 3, wobei das Bestimmen, ob die Geräusche aus dem Inneren oder dem Äußeren des Fahrzeugs stammen, maschinelles Lernen der Audiodateien über das erste neurale Netz umfasst.
  6. Verfahren nach Anspruch 3, wobei das Klassifizieren der Geräusche in eine Vielzahl von Kategorien maschinelles Lernen der Audiodateien über das zweite neurale Netz umfasst.
  7. Verfahren nach Anspruch 5, wobei das maschinelle Lernen der Audiodateien über das erste neurale Netz Folgendes umfasst: Verarbeiten der Audiodateien mit einem Mel-Frequenz-Cepstralalgorithmus durch das Berechnen eines entsprechenden Satzes von Mel-Frequenz-Cepstralkoeffizienten für jede der Audiodateien; und Verarbeiten der Mel-Frequenz-Cepstralkoeffizienten durch das erste neurale Netz, um einen Satz von Charakteristiken der jeweiligen Audiodatei zu lernen, wobei das Verarbeiten der Audiodateien das Durchführen logarithmischer und linearer Fouriertransformation der Audiodateien auf einer Mel-Skala umfasst.
  8. Verfahren nach Anspruch 5, wobei das maschinelle Lernen der Audiodateien über das zweite neurale Netz Folgendes umfasst: Verarbeiten der Audiodateien mit einem Mel-Frequenz-Cepstralalgorithmus durch das Berechnen eines entsprechenden Satzes von Mel-Frequenz-Cepstralkoeffizienten für jede der Audiodateien; und Verarbeiten der Mel-Frequenz-Cepstralkoeffizienten durch das zweite neurale Netz, um einen Satz von Charakteristiken der jeweiligen Audiodatei zu lernen, wobei das Verarbeiten der Audiodateien das Durchführen logarithmischer und linearer Fouriertransformation der Audiodateien auf einer Mel-Skala umfasst.
  9. Verfahren nach Anspruch 1, wobei die eine oder mehreren Aktionen das Senden einer oder mehrerer Warnnachrichten, Ausgeben eines oder mehrerer Warnsignale, Entsperren einer oder mehrerer Türen des Fahrzeugs oder eine Kombination davon umfasst, und wobei der eine oder die mehreren Zustände des Fahrzeugs einen oder mehrere der Folgenden umfassen: einen Schlüssel, der nicht in das Zündungsschlüsselloch eingefügt ist; einen Schlüssel, der nicht in dem Fahrzeug ist; das Fahrzeug hochgehoben wird; das Fahrzeug in Bewegung ist; eine oder mehrere Türen des Fahrzeugs abgesperrt sind; und eine Temperatur in dem Fahrzeug, die eine Temperaturschwelle erreicht oder überschreitet.
  10. Vorrichtung, die als ein Audioerkennungssystem eines Fahrzeugs implementiert ist, umfassend: ein oder mehrere Mikrofone, die konfiguriert sind, um eine Vielzahl von Geräuschen zu erkennen; einen oder mehrere Sensoren, die konfiguriert sind, einen oder mehrere Zustände des Fahrzeugs zu überwachen; einen Speicher, der konfiguriert ist, um Rohdaten der Geräusche und eine Vielzahl der von den Geräuschen aufgenommenen Audiodateien zu speichern; einen Prozessor, der konfiguriert ist, um Operationen durchzuführen, die Folgendes umfassen: Aufnehmen der Geräusche in dem Speicher als die Audiodateien; Verarbeiten der Audiodateien mit einem Mel-Frequenz-Cepstralalgorithmus durch das Berechnen eines entsprechenden Satzes von Mel-Frequenz-Cepstralkoeffizienten für jede der Audiodateien; und Empfangen von Informationen des einen oder der mehreren Zustände eines Fahrzeugs von den Sensoren; ein erstes neurales Netz, das mindestens eine erste versteckte Schicht mit einem ersten Satz von Knoten umfasst; und ein zweites neurales Netz, das mindestens eine zweite versteckte Schicht mit einem zweiten Satz von Knoten umfasst.
  11. Vorrichtung nach Anspruch 10, wobei der Prozessor beim Verarbeiten der Audiodateien konfiguriert ist, um eine logarithmische Operation und eine lineare Fouriertransformation der Audiodateien auf einer Mel-Skala durchzuführen.
  12. Vorrichtung nach Anspruch 10, wobei das erste neurale Netz konfiguriert ist, um Operationen durchzuführen, die Folgendes umfassen: Verarbeiten der Mel-Frequenz-Cepstralkoeffizienten, um einen Satz von Charakteristiken der jeweiligen Audiodatei zu lernen, die von den Geräuschen aufgenommen wurde; und Bestimmen, ob die Geräusche aus dem Inneren oder dem Äußeren des Fahrzeugs stammen.
  13. Vorrichtung nach Anspruch 10, wobei das zweite neurale Netz konfiguriert ist, um Operationen durchzuführen, die Folgendes umfassen: Verarbeiten der Mel-Frequenz-Cepstralkoeffizienten, um einen Satz von Charakteristiken der jeweiligen Audiodatei zu lernen, die von den Geräuschen aufgenommen wurde; und Klassifizieren der Geräusche in eine Vielzahl von Kategorien.
  14. Vorrichtung nach Anspruch 10, wobei der eine oder die mehreren Zustände des Fahrzeugs einen oder mehrere der Folgenden umfassen: einen Schlüssel, der nicht in das Zündungsschlüsselloch eingefügt ist; einen Schlüssel, der nicht in dem Fahrzeug ist; das Fahrzeug hochgehoben wird; das Fahrzeug in Bewegung ist; eine oder mehrere Türen des Fahrzeugs abgesperrt sind; und eine Temperatur in dem Fahrzeug, die eine Temperaturschwelle erreicht oder überschreitet.
  15. Vorrichtung nach Anspruch 10, wobei der Prozessor ferner konfiguriert ist, um Operationen durchzuführen, die Folgendes umfassen: Bestimmen, ob ein Insasse in dem Fahrzeug ist, basierend auf Informationen des ersten neuralen Netzes und des zweiten neuralen Netzes; Bestimmen, ob das Fahrzeug für Diebstahl gefährdet ist oder ob der Insasse in dem Fahrzeug in Gefahr ist, basierend auf dem einen oder den mehreren Zuständen des Fahrzeugs und Informationen des ersten neuralen Netzes und des zweiten neuralen Netzes; und Auslösen von einer oder mehreren Aktionen nach dem Bestimmen, dass der Insasse oder das Fahrzeug in Gefahr ist, wobei die Vorrichtung ferner eine Kommunikationsvorrichtung umfasst, die konfiguriert ist, um eine Vielzahl von Anweisungen an eine Vielzahl von Komponenten des Fahrzeugs zu übermitteln bezüglich einer Vielzahl von Aktionen, die von den Komponenten durchgeführt werden soll, wobei der Prozessor beim Auslösen der einen oder mehreren Aktionen konfiguriert ist, um einer oder mehreren Komponenten des Fahrzeugs über die Kommunikationsvorrichtung eine oder mehrere Anweisungen bereitzustellen, und wobei die eine oder mehreren Aktionen das Senden einer oder mehrerer Warnnachrichten, Ausgeben eines oder mehrerer Warnsignale, Entsperren einer oder mehrerer Türen des Fahrzeugs oder eine Kombination davon umfasst.
DE102017124291.0A 2016-10-19 2017-10-18 Fahrzeugumgebungs-audioklassifizierung über neurales netz-maschinenlernen Withdrawn DE102017124291A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/298,077 US10276187B2 (en) 2016-10-19 2016-10-19 Vehicle ambient audio classification via neural network machine learning
US15/298,077 2016-10-19

Publications (1)

Publication Number Publication Date
DE102017124291A1 true DE102017124291A1 (de) 2018-04-19

Family

ID=60326673

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102017124291.0A Withdrawn DE102017124291A1 (de) 2016-10-19 2017-10-18 Fahrzeugumgebungs-audioklassifizierung über neurales netz-maschinenlernen

Country Status (6)

Country Link
US (2) US10276187B2 (de)
CN (1) CN107967917B (de)
DE (1) DE102017124291A1 (de)
GB (1) GB2556687A (de)
MX (1) MX2017013379A (de)
RU (1) RU2017134281A (de)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102018214420A1 (de) * 2018-08-27 2020-02-27 Zf Friedrichshafen Ag Fahrerassistenzsystem
DE102018222780A1 (de) * 2018-12-21 2020-06-25 Forschungsgesellschaft Kraftfahrwesen Mbh Aachen (Fka) Kalibrierung eines Fahrzeugmikrophons
DE102019204209A1 (de) * 2019-03-27 2020-10-01 Robert Bosch Gmbh Verfahren und System zum Bestimmen eines Funktionsstatus eines Mikrofons
DE102019212789A1 (de) * 2019-08-27 2021-03-04 Zf Friedrichshafen Ag Verfahren zum Erkennen eines Explosionsgeräusches in einer Umgebung eines Fahrzeugs
DE102019213818A1 (de) * 2019-09-11 2021-03-11 Zf Friedrichshafen Ag Detektieren von akustischen Betriebsmitteln eines Bahnübergangs
DE102019216628A1 (de) * 2019-10-29 2021-04-29 Zf Friedrichshafen Ag Vorrichtung und Verfahren zum Erkennen und Klassifizieren eines Schließzustands einer Fahrzeugtür
DE102019218069A1 (de) * 2019-11-22 2021-05-27 Zf Friedrichshafen Ag Vorrichtung und Verfahren zum Erkennen und Klassifizieren eines Unfallgegners
FR3124146A1 (fr) * 2021-06-16 2022-12-23 Digitall Paris Systeme pour prevenir un vol de vehicule, notamment automobile et procede de mise en œuvre d’un tel systeme
DE102021126088A1 (de) 2021-10-07 2023-04-13 Pierburg Gmbh Insassenanwesenheits-Detektionssystem für ein Fahrzeug und Verfahren zur Detektion der Anwesenheit von Insassen in einem Fahrzeug

Families Citing this family (56)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104038717B (zh) * 2014-06-26 2017-11-24 北京小鱼在家科技有限公司 一种智能录制系统
US9869560B2 (en) 2015-07-31 2018-01-16 International Business Machines Corporation Self-driving vehicle's response to a proximate emergency vehicle
US9944291B2 (en) 2015-10-27 2018-04-17 International Business Machines Corporation Controlling driving modes of self-driving vehicles
US10607293B2 (en) 2015-10-30 2020-03-31 International Business Machines Corporation Automated insurance toggling for self-driving vehicles
US10685391B2 (en) 2016-05-24 2020-06-16 International Business Machines Corporation Directing movement of a self-driving vehicle based on sales activity
US10643256B2 (en) 2016-09-16 2020-05-05 International Business Machines Corporation Configuring a self-driving vehicle for charitable donations pickup and delivery
US10363893B2 (en) * 2017-01-05 2019-07-30 International Business Machines Corporation Self-driving vehicle contextual lock control system
US11120817B2 (en) * 2017-08-25 2021-09-14 David Tuk Wai LEONG Sound recognition apparatus
JP7020156B2 (ja) * 2018-02-06 2022-02-16 オムロン株式会社 評価装置、動作制御装置、評価方法、及び評価プログラム
US10997975B2 (en) * 2018-02-20 2021-05-04 Dsp Group Ltd. Enhanced vehicle key
US20190279100A1 (en) * 2018-03-09 2019-09-12 Lattice Semiconductor Corporation Low latency interrupt alerts for artificial neural network systems and methods
JP6610693B2 (ja) * 2018-03-20 2019-11-27 株式会社Ｊｖｃケンウッド 車両用撮像記録装置、車両用撮像制御方法及びプログラム
DE102018211758A1 (de) * 2018-05-07 2019-11-07 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Vorrichtung, verfahren und computerprogramm zur akustischen überwachung eines überwachungsbereichs
US10922833B2 (en) * 2018-05-15 2021-02-16 Apical Ltd. Image processing
GB2574891B (en) * 2018-06-22 2021-05-12 Advanced Risc Mach Ltd Data processing
CN109171644A (zh) * 2018-06-22 2019-01-11 平安科技（深圳）有限公司 基于声音识别的健康管理方法、装置、计算机设备和存储介质
US10832672B2 (en) * 2018-07-13 2020-11-10 International Business Machines Corporation Smart speaker system with cognitive sound analysis and response
US10832673B2 (en) 2018-07-13 2020-11-10 International Business Machines Corporation Smart speaker device with cognitive sound analysis and response
CN109166593B (zh) * 2018-08-17 2021-03-16 腾讯音乐娱乐科技（深圳）有限公司 音频数据处理方法、装置及存储介质
CN109398230A (zh) * 2018-08-30 2019-03-01 杨子午 乘客个人安全防护方法及系统
CN109192202B (zh) * 2018-09-21 2023-05-16 平安科技（深圳）有限公司 语音安全识别方法、装置、计算机设备及存储介质
JP6702390B2 (ja) * 2018-10-09 2020-06-03 トヨタ自動車株式会社 車両用駆動装置の制御装置、車載電子制御ユニット、学習済みモデル、機械学習システム、車両用駆動装置の制御方法、電子制御ユニットの製造方法及び出力パラメータ算出装置
US10674243B2 (en) * 2018-10-09 2020-06-02 GM Global Technology Operations LLC Wind break for external microphone
IT201800009289A1 (it) * 2018-10-09 2020-04-09 Giuseppe Guida Un apparato acustico per monitorare e rilevare la presenza di un soggetto all'interno di un autoveicolo
US10988110B1 (en) * 2018-11-14 2021-04-27 Waymo Llc Safety considerations for self-driving vehicles
CN109606260B (zh) * 2018-12-26 2020-12-11 北京蓦然认知科技有限公司 一种车外声音提示的方法及装置
GB2581331B (en) 2019-02-05 2021-06-02 Ford Global Tech Llc A method and system for vehicle protection
JP2020140401A (ja) * 2019-02-27 2020-09-03 株式会社Ｊｖｃケンウッド 異常監視システム、及び、異常監視方法
CN109784318A (zh) * 2019-03-13 2019-05-21 西北工业大学 基于神经网络的Link16数据链信号的识别方法
IT201900003875A1 (it) * 2019-03-18 2020-09-18 Ask Ind Spa Sistema per monitorare una scena acustica all'esterno di un veicolo.
CN110176248B (zh) * 2019-05-23 2020-12-22 广西交科集团有限公司 道路声音识别方法、系统、计算机设备及可读存储介质
CN110189769B (zh) * 2019-05-23 2021-11-19 复钧智能科技(苏州)有限公司 基于多个卷积神经网络模型结合的异常声音检测方法
CN110598735B (zh) * 2019-08-05 2022-07-08 深圳市海雀科技有限公司 一种访客信息提醒方法及装置
US11225214B2 (en) * 2019-08-06 2022-01-18 Ford Global Technologies, Llc Window striker
US20210049480A1 (en) * 2019-08-12 2021-02-18 Micron Technology, Inc. Predictive maintenance of automotive battery
US11042350B2 (en) * 2019-08-21 2021-06-22 Micron Technology, Inc. Intelligent audio control in vehicles
CN112447170A (zh) * 2019-08-29 2021-03-05 北京声智科技有限公司 一种基于声音信息的安防方法、装置及电子设备
CN111863029A (zh) * 2019-09-19 2020-10-30 北京嘀嘀无限科技发展有限公司 一种基于音频的事件检测方法和系统
KR20210050812A (ko) * 2019-10-29 2021-05-10 현대자동차주식회사 차량 및 차량의 제어방법
US11664044B2 (en) * 2019-11-25 2023-05-30 Qualcomm Incorporated Sound event detection learning
KR20220116434A (ko) * 2020-01-02 2022-08-23 젠텍스 코포레이션 차량 내 레이더 기반 모니터링
EP3872779A1 (de) * 2020-02-27 2021-09-01 Axis AB Verfahren, software und vorrichtung zum trainieren eines alarmsystems zur klassifizierung des audios eines ereignisses
US11862189B2 (en) * 2020-04-01 2024-01-02 Qualcomm Incorporated Method and apparatus for target sound detection
CN113744431B (zh) * 2020-05-14 2024-04-09 大富科技(安徽)股份有限公司 一种共享单车车锁控制装置、方法、设备及介质
US11436864B2 (en) 2020-07-14 2022-09-06 Micron Technology, Inc. Driver recognition to control vehicle systems
US11667265B2 (en) 2020-07-14 2023-06-06 Micron Technology, Inc. Activating a security mode for a vehicle based on driver identification
US11620895B2 (en) * 2020-08-05 2023-04-04 Allstate Insurance Company Systems and methods for disturbance detection and identification based on disturbance analysis
US20220178324A1 (en) * 2020-12-09 2022-06-09 Transportation Ip Holdings, Llc Systems and methods for diagnosing equipment
US11766919B2 (en) * 2021-01-28 2023-09-26 Caterpillar Inc. System and method of climate control in unmanned machine
CN115139983B (zh) * 2021-03-30 2024-01-05 上海博泰悦臻网络技术服务有限公司 信息提示的方法、设备及存储介质
CN113256925A (zh) * 2021-05-08 2021-08-13 浙江宏海智能科技有限公司 一种智能楼宇入侵报警方法、系统及其存储介质
US11919475B2 (en) * 2021-06-22 2024-03-05 GM Global Technology Operations LLC Methods and systems to detect vehicle theft events
CN113792596A (zh) * 2021-08-10 2021-12-14 广东省科学院智能制造研究所 一种基于预处理集成学习的声学分类方法及系统
CN114420163B (zh) * 2022-01-18 2023-04-07 小米汽车科技有限公司 声音识别方法、装置、存储介质、电子设备及车辆
CN114407832A (zh) * 2022-01-24 2022-04-29 中国第一汽车股份有限公司 一种用于车身防刮防盗的监控方法、车身控制器及车辆
DE102022210557A1 (de) 2022-10-06 2024-04-11 Volkswagen Aktiengesellschaft Verfahren zur Vandalismuserkennung an einem Fahrzeug

Family Cites Families (52)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5381065A (en) * 1992-04-08 1995-01-10 Jones; Thomas Vehicle window and lock securement
US5576972A (en) * 1992-05-08 1996-11-19 Harrison; Dana C. Intelligent area monitoring system
IT1275766B1 (it) * 1994-07-16 1997-10-17 Kiekert Ag Procedimento per il controllo dell'abitacolo in un autoveicolo
IT1275549B (it) 1994-07-16 1997-08-07 Kiekert Ag Procedimento per la sorveglianza dello spazio interno di un veicolo
US20090046538A1 (en) * 1995-06-07 2009-02-19 Automotive Technologies International, Inc. Apparatus and method for Determining Presence of Objects in a Vehicle
US8054203B2 (en) * 1995-06-07 2011-11-08 Automotive Technologies International, Inc. Apparatus and method for determining presence of objects in a vehicle
US6028537A (en) * 1996-06-14 2000-02-22 Prince Corporation Vehicle communication and remote control system
US5780937A (en) * 1997-02-10 1998-07-14 Kong; Yu Wei Safety management system for a motor vehicle
US6718239B2 (en) * 1998-02-09 2004-04-06 I-Witness, Inc. Vehicle event data recorder including validation of output
EP1039313A1 (de) * 1999-03-17 2000-09-27 Valeo Services Limited Verfahren und Vorrichtung zur Eindringdetektion
US6630884B1 (en) * 2000-06-12 2003-10-07 Lucent Technologies Inc. Surveillance system for vehicles that captures visual or audio data
US9015071B2 (en) * 2000-09-08 2015-04-21 Intelligent Technologies International, Inc. Asset monitoring using the internet
US20020145516A1 (en) * 2001-04-06 2002-10-10 Moskowitz Paul Andrew System and method for detection and notification of dangerous environmental situations in a vehicle
US9082237B2 (en) * 2002-06-11 2015-07-14 Intelligent Technologies International, Inc. Vehicle access and security based on biometrics
WO2012125726A1 (en) * 2011-03-14 2012-09-20 Intelligent Technologies International, Inc. Cargo theft prevention system and method
US8410945B2 (en) * 2002-06-11 2013-04-02 Intelligent Technologies International, Inc Atmospheric monitoring
US20030233233A1 (en) * 2002-06-13 2003-12-18 Industrial Technology Research Institute Speech recognition involving a neural network
US7350615B2 (en) * 2003-03-26 2008-04-01 Fujitsu Ten Limited Vehicle anti theft system, vehicle anti theft method, and computer program
US7302339B2 (en) * 2003-07-21 2007-11-27 Justin Gray Hazard countermeasure system and method for vehicles
US7620546B2 (en) * 2004-03-23 2009-11-17 Qnx Software Systems (Wavemakers), Inc. Isolating speech signals utilizing neural networks
US7355508B2 (en) * 2004-05-21 2008-04-08 International Electronic Machines Corp. System and method for monitoring an area
US7353088B2 (en) * 2004-10-25 2008-04-01 Ford Global Technologies, Llc System and method for detecting presence of a human in a vehicle
JP2006199204A (ja) * 2005-01-21 2006-08-03 Sanyo Electric Co Ltd ドライブレコーダ及びドライブレコーダの制御方法
CN1889172A (zh) * 2005-06-28 2007-01-03 松下电器产业株式会社 可增加和修正声音类别的声音分类系统及方法
TWI297486B (en) 2006-09-29 2008-06-01 Univ Nat Chiao Tung Intelligent classification of sound signals with applicaation and method
WO2008055306A1 (en) 2006-11-09 2008-05-15 Curtin University Of Technology Machine learning system for graffiti deterrence
JP2009122946A (ja) * 2007-11-14 2009-06-04 Fujitsu Ten Ltd 情報記憶装置
US20090273673A1 (en) * 2008-05-01 2009-11-05 Worley Iii John R Personal vehicle surveillance system
ES2386673T3 (es) * 2008-07-03 2012-08-24 Mobiter Dicta Oy Procedimiento y dispositivo de conversión de voz
US8284041B2 (en) * 2009-09-28 2012-10-09 Ford Global Technologies, Llc Method and apparatus for in-vehicle presence detection and driver alerting
US20120004933A1 (en) * 2010-02-09 2012-01-05 At&T Mobility Ii Llc System And Method For The Collection And Monitoring Of Vehicle Data
US20110281562A1 (en) * 2010-05-14 2011-11-17 General Motors Llc Providing customized in-vehicle services using a vehicle telematics unit
JP5598815B2 (ja) * 2010-05-24 2014-10-01 独立行政法人産業技術総合研究所 信号特徴抽出装置および信号特徴抽出方法
US20120050021A1 (en) 2010-08-27 2012-03-01 Ford Global Technologies, Llc Method and Apparatus for In-Vehicle Presence Detection and Driver Alerting
US8847750B1 (en) 2011-06-30 2014-09-30 Universal Lighting Technologies, Inc. Network of dual technology occupancy sensors and associated lighting control method
US9000906B2 (en) * 2011-08-22 2015-04-07 Alissa Marie Chavez Vicinity motion detector-based occupant detection and notification system
US9154893B1 (en) 2011-12-28 2015-10-06 Intelligent Technologies International, Inc. Sound sensing techniques
JP2015089697A (ja) 2013-11-05 2015-05-11 トヨタ自動車株式会社 車両用音声認識装置
US9275136B1 (en) * 2013-12-03 2016-03-01 Google Inc. Method for siren detection based on audio samples
US9870697B2 (en) * 2013-12-17 2018-01-16 At&T Mobility Ii Llc Method, computer-readable storage device and apparatus for providing a collaborative standalone area monitor
US9311930B2 (en) * 2014-01-28 2016-04-12 Qualcomm Technologies International, Ltd. Audio based system and method for in-vehicle context classification
CN104952449A (zh) * 2015-01-09 2015-09-30 珠海高凌技术有限公司 环境噪声声源识别方法及装置
US9610893B2 (en) 2015-03-18 2017-04-04 Car1St Technologies, Llc Methods and systems for providing alerts to a driver of a vehicle via condition detection and wireless communications
US9452732B1 (en) * 2015-03-30 2016-09-27 Ford Global Technologies, Llc Vehicle key off load reduction via off-board sensor
US9840166B2 (en) * 2015-04-13 2017-12-12 Verizon Patent And Licensing Inc. Determining the number of people in a vehicle
CN105083221A (zh) * 2015-09-29 2015-11-25 宇龙计算机通信科技(深圳)有限公司 一种基于权限处理的用车控制方法、装置及车载设备
CN105329199A (zh) * 2015-10-23 2016-02-17 苏文辉 一种应用于车辆的儿童看护方法及装置
US10407022B2 (en) * 2016-01-10 2019-09-10 Traffilog Ltd Car theft prevention using long range wide area network
US11157798B2 (en) * 2016-02-12 2021-10-26 Brainchip, Inc. Intelligent autonomous feature extraction system using two hardware spiking neutral networks with spike timing dependent plasticity
KR101759143B1 (ko) * 2016-03-10 2017-07-18 현대자동차주식회사 음향 추적 정보 제공 방법, 차량용 음향 추적 장치, 및 이를 포함하는 차량
US10923137B2 (en) * 2016-05-06 2021-02-16 Robert Bosch Gmbh Speech enhancement and audio event detection for an environment with non-stationary noise
US10580407B1 (en) * 2017-12-08 2020-03-03 Amazon Technologies, Inc. State detection and responses for electronic devices

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102018214420A1 (de) * 2018-08-27 2020-02-27 Zf Friedrichshafen Ag Fahrerassistenzsystem
DE102018222780A1 (de) * 2018-12-21 2020-06-25 Forschungsgesellschaft Kraftfahrwesen Mbh Aachen (Fka) Kalibrierung eines Fahrzeugmikrophons
DE102019204209A1 (de) * 2019-03-27 2020-10-01 Robert Bosch Gmbh Verfahren und System zum Bestimmen eines Funktionsstatus eines Mikrofons
DE102019212789A1 (de) * 2019-08-27 2021-03-04 Zf Friedrichshafen Ag Verfahren zum Erkennen eines Explosionsgeräusches in einer Umgebung eines Fahrzeugs
DE102019213818A1 (de) * 2019-09-11 2021-03-11 Zf Friedrichshafen Ag Detektieren von akustischen Betriebsmitteln eines Bahnübergangs
DE102019216628A1 (de) * 2019-10-29 2021-04-29 Zf Friedrichshafen Ag Vorrichtung und Verfahren zum Erkennen und Klassifizieren eines Schließzustands einer Fahrzeugtür
DE102019218069A1 (de) * 2019-11-22 2021-05-27 Zf Friedrichshafen Ag Vorrichtung und Verfahren zum Erkennen und Klassifizieren eines Unfallgegners
FR3124146A1 (fr) * 2021-06-16 2022-12-23 Digitall Paris Systeme pour prevenir un vol de vehicule, notamment automobile et procede de mise en œuvre d’un tel systeme
DE102021126088A1 (de) 2021-10-07 2023-04-13 Pierburg Gmbh Insassenanwesenheits-Detektionssystem für ein Fahrzeug und Verfahren zur Detektion der Anwesenheit von Insassen in einem Fahrzeug

Also Published As

Publication number Publication date
GB2556687A (en) 2018-06-06
MX2017013379A (es) 2018-09-27
US10885930B2 (en) 2021-01-05
US10276187B2 (en) 2019-04-30
GB201716601D0 (en) 2017-11-22
RU2017134281A (ru) 2019-04-03
CN107967917B (zh) 2023-06-20
CN107967917A (zh) 2018-04-27
US20190259410A1 (en) 2019-08-22
US20180108369A1 (en) 2018-04-19

Similar Documents

Publication Publication Date Title
DE102017124291A1 (de) Fahrzeugumgebungs-audioklassifizierung über neurales netz-maschinenlernen
DE102015200587A1 (de) Vorrichtung und Verfahren zum Anfordern eines Notrufes bei einer Fahrzeugstörung unter Verwendung von Reiseinformationen über das Fahrzeug
WO2017009201A1 (de) Automatische erkennung und bewertung von low-speed-crashs
DE102018127357A1 (de) Audiowarnungen für ferngesteuerte einparkhilfe-anbindung
DE102017113596A1 (de) Erkennen von gefahren in erwartung sich öffnender fahrzeugtüren
DE102014217156B4 (de) Fahrzeugeigene Vorrichtung und Berichterstattungsteuerungsverfahren
DE102015119827A1 (de) Verfahren und Vorrichtung zur Gewinnung und Verteilung biometrischer Daten
DE102019115693A1 (de) Auslöserbasierte fahrzeugüberwachung
DE102016101083A1 (de) Initiieren eines Alarms, wenn ein Mobilgerät zurückgelassen wird
DE102018125806A1 (de) Klassifizierung von ereignissen ohne kontakt um ein fahrzeug herum basierend auf einem beschleunigungsmesser mit rückhaltesteuermodul
DE19749372A1 (de) Elektronisches Erkennungssystem und -verfahren für akustische Signale
EP2457223A1 (de) Verfahren zur überwachung einer umgebung mit mehreren akustischen sensoren
DE102012022791A1 (de) Warnung vor einer Gefahr unberechtigter Zugriffe auf ein abgestelltes Kraftfahrzeug
DE102019212412A1 (de) Überwachungsvorrichtung und Verfahren zur Überwachung eines Lebewesens im Innenraum eines Fahrzeugs und Computerprogramm
DE112018000559T5 (de) Parksteuervorrichtung, Programm und Aufzeichnungsmedium
WO2019115182A1 (de) Verfahren zum betrieb eines kraftfahrzeugs
DE102012016241A1 (de) Verfahren zum Senden eines elektronischen Hilferufes
DE102019218069A1 (de) Vorrichtung und Verfahren zum Erkennen und Klassifizieren eines Unfallgegners
DE102012016820A1 (de) Fahrerassistenzsystem und Betriebsverfahren dafür
DE102017214605A1 (de) Passagierdetektion mit Notfallbehandlung in einem Kraftfahrzeug
DE102020207289A1 (de) Vorrichtung und System zum Warnen eines Fahrzeugführers
DE102014203307B4 (de) System zum Verfolgen einer Vorrichtungsverbindung und Zustandsänderung
DE102019126208A1 (de) Notfallsystem für ein Fahrzeug
DE102019218058B4 (de) Vorrichtung und Verfahren zum Erkennen von Rückwärtsfahrmanövern
DE112017006900T5 (de) Fahrzeugannäherungsverfolgung

Legal Events

Date Code Title Description
R082 Change of representative

Representative=s name: BONSMANN - BONSMANN - FRANK PATENTANWAELTE, DE

R119 Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee