座舱内基于声学的乘客占用和状况评估的制作方法

1.本文所描述的各方面总体上涉及使用识别出的声学特征(signature)来确定车辆状态信息的技术。


背景技术：

2.指示车辆占用的数据，以及更具体地，指示车辆中哪些座位被人占用的数据对于车辆操作可能是有价值的。例如，辅助约束系统(srs)(也称为安全气囊)，可使用该信息来出于安全原因仅针对当前被人占用的那些座位选择性地启用srs功能。通常经由专用srs占用传感器的实现来获取该数据，该专用srs占用传感器测量在每个车辆座位上乘员的存在。然而，因为每个车辆通常需要若干(例如，5到9)个此类传感器，所以此类传感器增加了制造成本。
3.例如，附加的车辆状态信息(诸如天窗和窗是打开还是关闭)也可对于提供方便的特征(诸如在下雨的情况下自动关闭)是有用的。此外，诸如在使用车辆时收集的诊断数据之类的车辆状态信息可以帮助早期识别出问题。然而，通常车辆不具有用于此类目的的传感器，或者在存在此类传感器的情况下，这些传感器增加了车辆设计的成本和复杂性。
附图说明
4.结合在本文并形成说明书的一部分的附图示出了本公开的各方面，并且与说明书一起并进一步用来解释所述各方面的原理并使得相关领域的技术人员能够制造并使用所述各方面。
5.在附图中，贯穿不同的视图，相同的附图标记一般是指相同的部分。附图不一定是按比例的，相反，一般对于说明本公开的原理进行强调。在下列描述中，参考下列附图描述了本公开的各种方面，在附图中：
6.图1示出了根据本公开的各种方面的示例性车辆；
7.图2a
‑
2b示出了根据本公开的各种方面的对车辆的声学致动网络(acoustic actuation network，aan)的示例性修改；
8.图3示出了根据本公开的各种方面的包括在座舱中的物体的示例性车辆；
9.图4示出了根据本公开的各种方面的对于不同车辆状态的示例性声学特征；
10.图5示出了根据本公开的各种方面的示例性本地处理单元。
11.将参考附图描述本公开的示例性各方面。元素首先在其中出现的附图典型地由对应的附图标记中最左边的(多个)数位来指示。
具体实施方式
12.下列具体实施方式参考附图，这些附图通过说明的方式示出了示例性细节，在该示例性细节中可实践本公开的各方面。在以下描述中，阐述了众多具体细节，以便提供对本公开的各方面的透彻理解。然而，对于本领域技术人员而言将显而易见的是，可以在没有这
些具体细节的情况下实践所述各方面，包括结构、系统和方法。本文的描述和表示是由本领域的有经验的人员或技术人员使用以最有效地将他们工作的实质传递给本领域其他技术人员的常用手段。在其他实例中，未详细地描述熟知的方法、过程、组件和电路系统，以避免不必要地混淆本公开的各方面。
13.如上所述，当今的车辆传感器系统在车辆设计中引入了成本和复杂性。例如，srs传感器是昂贵的并且需要电源和到车辆系统的数据布线以用于它们的操作。检测座位上的人或物体的准确性还取决于传感器的位置。此外，振动传感器能够捕获在车辆中发生的振动以确定车辆诊断信息，但是此类传感器未被安装在车辆中，因为这些传感器需要使用激光来测量在汽车以怠速(idle)位置工作时产生的振动。此类振动传感器也非常昂贵，并且仅在车辆制造时或在车辆服务中心中使用，并且因此不代表在车辆运行期间提供诊断数据的实际解决方案。
14.再次，在车辆中添加传感器增加了用户的安全和舒适水平，但是也增加了制造成本，尤其是在需要将传感器部署到车辆座舱内的各种位置中时。为了避免这种仪器和制造成本的增加，本文描述的的各方面复用了在车辆中已经可用的音频系统中的扬声器来检测声学特征。使用这些声学特征、本文描述的各方面的功能来感测在车辆座位上是否存在人/物体、确定车辆的状态(例如，窗和/或天窗是打开还是关闭)、以及推断可能对执行车辆的诊断有用的车辆状态信息。例如，声学特征可以识别车辆振动模式，并且因此提供关于制动器、不平衡的悬架(suspension)、发动机等的操作的诊断车辆数据。
15.如下面进一步讨论的，本文描述的各方面可以仅使用现有扬声器或者与可能已经被实现为车辆的一部分的其他传感器(例如，srs传感器和/或现有的车载麦克风)相结合地使用现有扬声器来识别声学特征和/或占用信息。各方面包括：使用合适的低成本且广泛可用的硬件部件(例如，继电器)来使得车辆的现有扬声器能够以双向操作模式操作。此外，本文描述的各方面利用已经被实现在车辆中的音频放大器的使用，来放大由扬声器在“逆向”操作时收集的信号，并且处理这些收集到的信号以确定车辆的当前状态(占用、窗和门打开或关闭等)。
16.因此，通过复用已经在车辆中实现的硬件，本文描述的各方面使得能够在不需要附加仪器的情况下向车辆添加功能。所述各方面还有利地提供了检测早期车辆故障的能力，因为可以在由扬声器捕获的振动模式中监测由于车辆的使用而引起的随时间的变化。进一步，与突然变化相关联的振动模式同样可以指示故障，例如，诸如活塞中进气量低等。
17.又进一步地，如本文描述的各方面促进检测地形的类型，这可对于地图绘制方法和/或识别道路上的情况来调整车辆设置以更好地保护车辆尤其地有用。如上所述，本文描述的各方面还可以有利地用于识别车辆的状态，诸如车窗或天窗是打开还是关闭。这样做可以使得车辆能够基于车辆的状态来执行某些动作。例如，如果窗和/或天窗保持打开并且检测到下雨，则车辆的控制系统可以与适当的车辆接口通信，以自动关闭窗和/或天窗。附加地或替代地，在这样的场景下，车辆的控制系统可以与各种车辆接口通信以使通知被发送给用户(例如，文本消息、电话等)。
18.图1示出了根据本公开的各种方面的示例性车辆。如图1所示的车辆100包括声学致动网络(aan)120、声学感测网络(asn)140、悬架信号网络160以及基于占用的传感器网络180。图1所示的各种网络可以在制造时形成车辆100的一部分，或者可以作为一个或多个售
后部件被添加到车辆100。在一方面，aan 120可包括任何合适数量n个的扬声器102.1
‑
102.n，其中为了简洁起见，在图1中示出了四个。aan 120是如本文描述的各方面的主要焦点，并且在下面进一步讨论。aan 120可包括任何合适类型的扬声器102.1
‑
102.n以及任何其他合适的音频部件以促进播放诸如音乐、车辆警报和/或鸣响(chime)等的音频。因此，除了扬声器102.1
‑
102.n之外，aan 120还可包括合适的音频部件，诸如放大器、驱动器、连接器、扬声器和/或将扬声器102.1
‑
102.n耦合到车辆100的音频系统(例如，娱乐系统或信息娱乐系统)的数据布线等，为了简洁起见，这些部件未在图1中示出。
19.aan 120可以用作常规车辆扬声器系统，以经由扬声器102.1
‑
102.n中的每一者播放声音。另外，各方面包括：aan 120包括其他合适的开关部件(如下面进一步讨论但为了简洁起见未在图1中示出)，所述开关部件将扬声器102.1
‑
102.n中的一者或多者配置成用作麦克风。在这样的配置中，扬声器102.1
‑
102.n可以提供由每个扬声器102的膜片或膜的振动产生的声学数据信号。换言之，扬声器102.1
‑
102.n中的一者或多者可以双向地运行，以使用由车辆100的音频系统提供的驱动音频信号来生成声音，或捕获声音或外部振动，该一个或多个扬声器将由此类刺激引起的扬声器振动转换为声学数据信号，随后将该声学数据信号提供给aan 120。
20.如上所述，车辆100可包括附加的传感器。例如，asn 140还可包括任何合适数量的麦克风和伴随的布线和互连。悬架信号网络160可包括可形成车辆100的悬架传感器网络的一部分的任何合适数量的传感器，这些传感器生成指示各种悬架部件的位置和/或加速度的传感器数据并且因此指示一个或多个悬架部件(诸如缓冲装置、撑杆(strut)等)的状态。基于占用的传感器网络180可包括一个或多个占用传感器，该一个或多个占用传感器可以例如与伴随的互连和耦合一起用作srs的一部分。
21.aan 120、asn 140、悬架信号网络160和基于占用的传感器网络180中的每一者可以根据它们对应的操作来耦合到车辆100的一个或多个部件。例如，可以经由一个或多个合适的网络和/或接口(例如，诸如控制器区域网络(can)总线)将与aan 120、asn 140、悬架信号网络160和基于占用的传感器网络180中的每一者相关联的数据信号发送到车辆100的一个或多个合适部件和/或从车辆100的一个或多个合适部件接收该数据信号。如图1所示，车辆100还可包括本地处理单元190，该本地处理单元190被配置成使用从aan 120、asn 140、悬架信号网络160和基于占用的传感器网络180中的一者或多者接收的数据来执行声学模式排序和融合。如本文进一步讨论的，当扬声器102.1
‑
102.n中的一个或多个扬声器被配置为麦克风时，可使用该一个或多个扬声器来执行声学模式排序，而融合是关于使用经由其他车辆部件(例如，asn 140、悬架信号网络160和基于占用的传感器网络180中)提供的数据信号来确定车辆状态信息(当此类信息可用时)。
22.在一方面，本地处理单元190可以实现为一个或多个处理器，该一个或多个处理器可以专用于该用途或作为车辆100的一个或多个其他部件的一部分。在一方面，本地处理单元190可以执行与如本文描述的各方面相关联的一个或多个功能。例如，本地处理单元190可以实现为售后安装或与车辆100相关联的电子控制单元(ecu)。为了提供另一示例，本地处理单元190可以实现为与车辆100一起制造的ecu，并且如本文描述的各方面经由应用其软件和/或部件的(多个)更新来在功能上实现。
23.无论本地处理单元190的实现方式如何，各方面包括：本地处理单元190使用经由
aan 120、asn 140、悬架信号网络160和基于占用的传感器网络180中的一者或多者提供的数据的任何部分来执行如本文描述的各方面。例如，各方面包括：本地处理单元190使用当扬声器102.1
‑
102.n(本文中也被称为扬声器102)被配置为麦克风时由该扬声器102.1
‑
102.n生成的声学数据信号来确定车辆100的状态，这可包括各种确定，如本文进一步讨论的，诸如占用状态、确定诊断或道路数据、窗、门和天窗的打开或关闭状态等。
24.以此方式获取的数据可单独使用或与经由aan 120、asn 140、悬架信号网络160和基于占用的传感器网络180收集的其他数据相关联地使用，以确定车辆100的状态。例如，经由扬声器102收集的声学数据信号可以在其他车辆系统故障的情况下、在此类部件不可用时、或在无法以其他方式使用现有车辆传感器来确定某些类型的车辆状态信息(例如，哪些窗打开或关闭)时允许确定车辆的状态，以提供冗余。
25.作为另一示例，经由由扬声器102生成的声学数据信号确定的车辆状态信息可在从车辆100的其他传感器系统确定类似的车辆状态信息时提供另一参考点以提供鲁棒性，因为可以使用附加数据源来验证状态信息。各方面还包括：使用从扬声器102收集的声学数据信号来确定车辆100的状态，以允许与车辆100的现有传感器系统更准确地确定车辆100的某些状态。例如，占用传感器os1
‑
os4通常是基于重量的传感器，并且因此可能无法检测到在车辆的座位上的幼儿、动物或其他轻量级物体的占用。
26.换言之，如本文描述的各方面有利地利用现有车辆基础设施的使用来提供可能无法以其他方式获得的车辆状态信息，以提供数据冗余和/或改进其他感测到的车辆状态信息的准确性和鲁棒性。再次，为了这样做，需要对车辆100的基础设施并且尤其是对aan 120进行一些修改。此类修改的示例在下面参考图2a
‑
2b进一步讨论。
27.图2a
‑
2b示出了根据本公开的各种方面的对车辆的声学致动网络(aan)的示例性修改。如图2a
‑
2b所示，经修改的扬声器架构200包括扬声器202和音频放大器204。扬声器202和音频放大器中的每一者都可以是在其中实现如本文描述的各方面的车辆(例如，诸如如图1所示的车辆100)的一部分。作为示例，扬声器202和音频放大器中的每一者可以用如本文参考图1示出和描述的aan 120的一部分来标识。继续该示例，可以用扬声器102.1
‑
102.n中的一个扬声器来标识扬声器202。尽管为了简洁起见在图1中未示出音频放大器204，但各方面包括耦合到对应的音频放大器并由对应的音频放大器驱动的车辆扬声器102.1
‑
102.n中的每一者。每个扬声器102.1
‑
102.n可由对应的音频放大器驱动，该音频放大器可被配置成彼此相同，或被实现为不同类型的放大器和/或根据取决于被驱动的特定扬声器的不同放大器配置来实现。
28.为了简洁起见，未在图2a
‑
2b中示出与音频放大器204相关联的附加部件。例如，各方面包括：音频放大器204耦合到一个或多个电力导轨、无源部件和/或可调节部件(例如，电子控制的电位计、可调谐电容器等)，以确保将音频数据适当地放大以驱动所耦合的扬声器202。例如，音频数据可以是由其中实现了经修改的扬声器架构200的车辆的耦合音频部件来生成的模拟音频信号。音频数据信号的生成可以附加地由其中实现了经修改的扬声器架构200的车辆的本地控制系统(例如，本地处理单元190)来控制，该本地控制系统可用于控制扬声器202以及实现在车辆内的其他扬声器的操作模式。
29.此外，尽管在图2a
‑
2b中将音频放大器204和扬声器202示出为经由单个线或导线耦合在一起，这样便于解释，并且各方面包括：根据基于特定类型的扬声器202、车辆的布线
配置等的任何合适的扬声器驱动架构来实现音频放大器204。例如，虽然为了简洁起见在图2a
‑
2b中未示出，但扬声器202和/或音频放大器204可包括第二接地输入端子。作为另一示例，音频放大器204可包括以反馈配置耦合到输出的另一输入端子。
30.无论扬声器202和音频放大器204以何种方式彼此耦合以形成合适的音频驱动布置，各方面包括：经修改的扬声器架构200进一步实现开关部件206、208以控制扬声器202的操作模式。虽然在图2a
‑
2b中将开关部件206、208示出为单独部件，但各方面包括：开关部件206、208被实现为任何合适数量的部件，并且可以被组合成单个设备或封装。在任何情况下，开关部件206、208中的每一者可以表示任何合适数量和/或类型的开关，所述开关被配置成在音频放大器204的输入和音频放大器204的输出之间制造或断开连接。
31.例如，根据扬声器202和音频放大器204之间的架构和耦合，开关部件206、208可被实现为一个或多个可电子控制的开关部件(诸如继电器、晶体管等)并且可具有任何合适数量的极数和/或掷数(throw)。在一方面，可以经由由其中实现了经修改的扬声器架构200的车辆的本地控制系统(例如，本地处理单元190)生成的电子控制信号来控制开关部件206、208的状态，为了简洁起见未在图2a
‑
2b中示出该本地控制系统。因此，该本地控制系统可以用于通过控制开关部件206、208的开关状态来控制扬声器202的操作模式，以及以此方式控制实现在车辆中的其他扬声器的操作模式。
32.例如，图2a示出了当扬声器202以“标准”扬声器操作模式来操作时的开关部件206、208的位置的示例。如图2a所示，开关部件206将音频数据耦合到音频放大器204的输入，并且开关部件将音频放大器204的输出耦合到扬声器202的输入。然而，图2b示出了当扬声器202以“逆向”模式操作时(即，当被配置成用作麦克风时)的开关部件206、208的位置的示例。如图2b所示，开关部件206耦合扬声器202的输入(其在该配置中实际上用作扬声器的“输出”)，以经由开关部件206向声学放大器的输入提供预放大的声学数据信号。音频放大器204将预放大的声学数据放大以提供经放大的声学数据(或者简单地“声学数据”)，该音频放大器204耦合到车辆的本地控制系统(例如，本地处理单元190)。换言之，经由经修改的扬声器架构200来复用音频放大器204以促进将扬声器202用作麦克风以及扬声器，因此消除了为此目的安装专用麦克风的需要。
33.再次，本文描述的各方面允许车辆扬声器102动态配置作为扬声器或麦克风。当作为麦克风操作(诸如本文示出和描述的扬声器202)时，车辆扬声器102充当响应于移动或更具体地，扬声器膜片或膜的振动而提供作为预放大的声学数据的电信号的换能器。这些振动可由车辆的振动或由外部声音引起。因此，根据各种方面，可以基于引起扬声器膜片振动的具体类型的刺激来分析声学数据信号以识别不同类型的车辆状态信息，如下面进一步讨论的。
34.无源扬声器麦克风的使用
35.在一方面，车辆扬声器102可被配置成以“无源”方式或“有源”方式用作麦克风，如下面进一步讨论的。根据无源麦克风的各方面，车辆扬声器102被配置为麦克风以生成用于计算声学特征数据的声学数据信号，随后可将该声学特征数据用于识别由车辆的正常操作引起的车辆的外部噪音和振动。例如，此类方面对于确定道路状况或确定车辆诊断数据可能是特别有用的。
36.例如，各方面包括：在制造车辆100时，或在安装与如本文讨论的各方面相关联的
各种部件时，如果该安装是作为售后改装而进行的，则在每辆车辆的基础上执行校准或训练程序。继续该示例，可以根据不同驾驶场景、道路状况或任何其他合适类型的车辆或环境信息来从扬声器102中的一个或多个扬声器收集声学数据，当每个扬声器被配置成在这些不同场景下作为麦克风操作时，该声学数据可用于生成每个扬声器的声学特征数据。因此，稍后可以通过将后续获得的声学特征数据与校准或训练数据进行比较来识别特定车辆状态。为了提供附加示例，校准或训练数据可包括在不同场景下操作车辆时收集到的声学特征，所述不同场景诸如怠速、在某些类型道路(例如，平滑道路、崎岖道路、泥泞道路等)上行驶、从停止加速、以不同速度巡航等。如下面进一步讨论的，声学特征数据可表示与每个车辆扬声器102相关联的频率响应，该频率响应指示如由每个对应的扬声器102在声学频谱上测量的声学幅度的变化。
37.校准或训练数据可被存储在车辆的本地控制系统(例如，本地处理单元190)中或可以以其他方式由车辆的本地控制系统访问，该本地控制系统控制车辆扬声器102的功能并且从扬声器102收集声学数据，如本文进一步讨论的。继续该示例，无源麦克风的各方面可包括：基于要执行以识别特定车辆状态的特定声学信号数据分析来以任何合适的格式存储校准或训练数据。例如，校准或训练数据可表示根据任何合适类型的机器学习算法(例如，诸如神经网络或卷积神经网络(cnn))来使用的预定的或预先录制的训练数据。为了提供说明性示例，校准或训练数据可表示针对如上所述的各种驾驶场景和道路类型的与每个车辆扬声器102.1
‑
102.n相关联的声学特征。每个对应的车辆扬声器102的声学特征数据可以因此用作对机器学习算法的输入或通道(例如，cnn的输入层通道)，从而以此方式来训练机器学习算法。
38.无源麦克风的各方面对于在与校准或训练数据被生成的那些情况相匹配的情况下识别与扬声器102中的一个或多个扬声器相关联的预期的声学特征数据是尤其有用的，使得可以相应地对该特定条件进行分类。例如，无源麦克风的各方面可用于由于在某些类型的道路上行驶、车辆发动机引起的振动等而从扬声器102中的一个或多个扬声器获得声学特征数据。随后，可以根据任何合适的机器学习算法来对扬声器102中的一个或多个扬声器的声学特征数据中的变化进行分类，从而作为特定声学特征(诸如道路状况(例如，道路的平滑度的指示)、车辆诊断数据等)的结果来识别车辆的状态。
39.有源扬声器麦克风的使用
40.根据有源麦克风的各方面，车辆扬声器102的子集(例如，一个或多个扬声器)被配置成用作扬声器，同时车辆扬声器102的另一个子集(例如，一个或多个扬声器)被配置成用作麦克风。被配置成用作麦克风的车辆扬声器102的子集可以响应于由发出预定的声音数据的车辆扬声器102的子集生成的声音，而生成用于计算声学特征的声学数据信号。随后，可以分析这些声学特征以识别与校准的或预定的频率响应的偏差(即，“预期”由在车辆座舱中的车辆扬声器102听到的声音与实际听到的声音的偏差)。使用该声学特征数据，随后可以推断出车辆座舱状态信息(例如，指示哪些车辆座位被人或物体占用的占用状态、一个或多个车门的打开和关闭状态、一个或多个车窗或天窗的打开和关闭状态等)。
41.再次，根据有源麦克风的各方面，车辆扬声器102中的一个或多个扬声器被驱动以发出特定声音，由一个或多个其他车辆扬声器102接收到该特定声音，作为响应，该一个或多个其他车辆扬声器102生成用于计算声学特征的声学数据信号。如本文描述的各方面不
限于(由人类)可听的该预定的声音，并且根据所实现的车辆扬声器102的设计和能力，可以以任何合适频率或频率范围来生成声音。例如，预定的声音可包括除了可听频率之外或代替可听频率而生成的超声频率。
42.此外，在一些方面中，预定的声音可以是在车辆座舱中发出的唯一声音，而其他车辆扬声器102被配置为麦克风以提供声学特征数据，从而使得其他音频被暂时暂停、抑制或覆盖，以优先播放预定的声音。然而，这也是通过示例而不是限制的方式，并且其他方面包括：本地控制系统(例如，本地处理单元190)对声学数据滤波以移除除了与预定的声音相关联的那些频率之外的频率。以此方式，车辆扬声器102可以同时发出预定的声音(用户可能无法感知该声音)和其他声音(例如，音乐)，以生成用于计算声学特征的声学数据信号。
43.根据本公开的不同方面，可以以各种方式来确定根据有源麦克风的各方面的车辆状态信息的推断。例如，根据如上述针对无源麦克风的各方面的合适的机器学习算法的校准或训练数据的前述使用可以同样地针对有源麦克风的各方面来实现。以此方式使用机器学习算法的有源麦克风的各方面可能对于识别关于门、窗和天窗打开的状态的车辆尤其有用。这是因为针对这些各种组合的声学特征可受益于分类系统的使用，以从训练数据中准确地识别此类车辆状态，所述训练数据表示不同车辆座位被人或物体占用、不同车门被打开或关闭、不同车窗或天窗被打开或关闭，等等。换言之，有源麦克风的各方面包括：车辆的本地控制系统(例如，本地处理单元190)从扬声器102的一个或多个(或所有)扬声器接收声学数据，并且随后使用接收到的声学数据来计算针对从其获取声学数据的每个扬声器102的对应的声学特征。随后，可以由本地控制系统使用以此方式接收到的每个扬声器102的声学特征，以执行机器学习算法，从而通过根据训练数据对每个对应的声学特征进行分类来确定车辆的状态。
44.作为另一示例，有源麦克风的各方面包括：响应于从其他扬声器102发出预定的声音而对来自特定扬声器102的声学特征数据进行选择性分析。例如，有源麦克风的各方面包括：车辆的本地控制系统(例如，本地处理单元190)利用扬声器102.1
‑
102.n关于彼此的几何布置的先验知识。例如，此类方面对于检测位于车辆座舱内的特定座位上的物体可能尤其有用。
45.为了参考图3提供说明性示例，车辆300被示出为具有总共8个扬声器301。可以用如本文参考图1示出和讨论的车辆100来标识车辆300，并且也可以用车辆扬声器102.1
‑
102.n来标识扬声器301。为了简洁起见，在图3中未示出诸如在扬声器301和处理的本地控制系统(例如，本地处理单元190)之间的那些附加部件和联接之类的附加部件和联接。为了便于解释，在图3中将扬声器301示出为以一系列的列和行布置，尽管如本文描述的各方面不限于特定数量的扬声器或这样的几何配置。在任何情况下，车辆300的本地控制系统可以控制每个扬声器301以在各个时间处单独地并动态地将每个扬声器301配置为扬声器或麦克风。车辆300的本地控制系统具有对数据的访问或者以其他方式配置成使用扬声器301之间的几何配置操作以识别物体302，如图3所示。
46.继续该示例，如图3所示，物体302被定位在车辆300的座舱内，该物体302可以人或另一物体。扬声器之间的几何关系使从扬声器301中的一些扬声器中发出的声音比扬声器301中的其他扬声器更多地改变扬声器301中的某些扬声器的预期声学特征(这是那些扬声器充当麦克风以检测所发出的声音的结果)。根据由本地控制系统实现的机器学习算法是
如何训练的，由扬声器301中的一个或多个扬声器发出的声音可具有任何合适的声学频率。例如，该声音可以是具有特定频率、频率范围和/或音量水平的预定声音。可基于由本地控制系统驱动的特定扬声器301来改变该预定声音。作为附加示例，作为车辆300的典型操作的一部分，预定声音可以从已经由扬声器301中的一个或多个扬声器生成的那些声音(例如，警报钟声、启动时发出的声音等)中复用的，并且在这样的情况下，声学数据的收集可发生在操作车辆以产生此类声音时。
47.在任何情况下，有源麦克风的各方面包括：扬声器301以各种不同的时间和几何模式产生声音。例如，各方面包括：扬声器301中的至少一者被配置为麦克风，同时扬声器301中的至少一个(不同的)另一者被配置为扬声器以发出预定声音。以此方式配置为扬声器的其他扬声器301可顺序地或同时发出预定声音，使得可以分析配置为麦克风的(多个)扬声器301的声学特征，以检测在车辆座舱中的物体的存在和位置。
48.再次，各方面包括：利用扬声器301之间的几何关系以减少识别物体302所需的时间和处理。作为说明性示例，物体302被定位在车辆座舱中，以使扬声器301.c1的声学特征偏离在没有物体302的情况下生成的声学特征。该扬声器301.c1的声学特征的偏差可以响应于由一些扬声器发出的预定声音比由其他扬声器发出的预定声音更多地变化。例如，物体302被放置在扬声器301.a2和301c1之间，并且因此由扬声器301.a2发出的预定声音将使扬声器301.c1生成声学数据作为响应，这得到识别与不存在物体302的场景相比的频率响应中的偏差的声学特征。
49.继续该示例，各方面包括：根据在车辆座舱内的特定位置处的物体检测来对扬声器301进行分组。使用物体302作为示例，一旦扬声器301.a2发出预定声音，就确定来自扬声器301.c1的结果声学特征。因此，该声学特征可指示在一个或多个频谱位置处与预定频率响应(即，预定的声学特征)偏差超过阈值，并且可以对其他扬声器301重复该过程。具体而言，随后，扬声器301.a1和/或扬声器301.c2可以发出对应的预定声音，其中再一次分析扬声器301.c1的结果声学特征以进一步验证响应于由扬声器301.a2发出的预定声音而生成的第一声学特征的准确性。
50.各方面包括：任何合适数量的扬声器301同时或顺序地发出预定声音，以便以此方式基于其他扬声器301的声学特征偏差来识别物体。作为另一示例，车辆座舱中的扬声器301中的一个或多个扬声器可以顺序地发出预定声音，同时以此方式分析一个或多个其他扬声器301的声学数据，以识别用于物体检测的声学特征偏差。因此，扬声器301可以一个接一个地发出预定声音或根据预定的扬声器分组(例如，首先第1行中的扬声器301，然后第2行中的扬声器301；首先a列中的扬声器301，后跟b、c和d列中的扬声器等)发出预定声音。用于以此方式发出预定声音的扬声器301的数量，以及配置为麦克风的扬声器301(响应于从其他扬声器301发出的预定声音而分析其声学特征)的数量，可被选择为在物体检测的准确性、处理功率和检测物体在车辆座舱内的位置所需的时间之间权衡。
51.如上所述，一些有源麦克风的各方面可以基于一个或多个扬声器的声学特征在一个或多个频谱位置处与预定频率响应偏差超过阈值来识别物体。此类方面在仅需要物体检测时或相对于机器学习算法更优选较不处理器密集的选项时尤其有用。然而，有源麦克风的各方面还包括：使用机器学习算法，这可在除了物体在车辆座舱内的存在和位置之外还期望附加的车辆状态信息时尤其有用。
52.为了这样做，各方面包括：校准或训练数据的使用，该校准或训练数据对针对多个不同车辆状态的车辆扬声器中的一个或多个(或所有)车辆扬声器的声学特征或频率响应进行建模，类似于上文针对无源麦克风的各方面所述的校准或训练数据的使用。例如，可以将校准或训练数据作为校准过程的一部分来执行，在该校准过程中，收集声学特征并针对当被配置为麦克风时的车辆中的每个扬声器301计算该声学特征。该校准过程可得到针对不同车辆状态(诸如例如，不同车辆座位被人或物体占用、不同车门被打开或关闭、不同车窗或天窗被打开或关闭等)的各种组合的训练数据的生成。如上文关于无源麦克风的各方面所述的，每个对应的车辆扬声器的声学特征数据可以用作对机器学习算法的输入或通道(例如，cnn的输入层通道)，以训练机器学习算法。
53.一旦经过训练，各方面就包括：随后基于与当配置为麦克风时的车辆扬声器中的一个或多个车辆扬声器相关联的声学特征数据将机器学习算法用于识别特定车辆状态。为了这样做，各方面包括：车辆扬声器301中的一者或多者发出预定声音，同时车辆扬声器301中的一者或多者生成声学数据，从该声学数据计算声学特征并根据训练的机器学习算法对该声学数据进行分析，以便对得到的声学数据特征进行分类，由此识别当前车辆状态。再次，可基于机器学习算法被训练的方式，使用用于发出声音和/或当作为麦克风操作时用于生成声学数据的任何合适数量的扬声器301来执行该过程。在各种方面，用于以此方式发出预定声音的扬声器301的数量，以及响应于从其他扬声器301发出的预定声音而对其声学特征进行分析的扬声器301的数量，可被选择为在识别特定车辆状态信息的准确性、处理功率和这样做所需的时间之间权衡。
54.因此，有源麦克风的各方面包括：使用扬声器301中的一个或多个扬声器以生成声学特征数据，该声学特征数据随后用于分类特定车辆状态。在图4中示出了根据本公开的各种方面的声学特征中的变化的示例，该示例示出了针对不同车辆状态的示例性声学特征。如图4所示的声学特征400是出于测试目的从放置在车辆的座舱中专用麦克风再现的，尽管车辆扬声器301中的任何一者可以以类似的方式替代地捕获用于生成声学特征的声学数据。
55.如图4所示，由车辆扬声器301中的一个或多个车辆扬声器发出的预定声音引起特定混响模式，在由车辆扬声器301中的一者在被配置成用作麦克风时收集到的声学数据信号中识别该特定混响模式。在图4所示的示例中，声学特征被示出为频率响应，该频率响应示出了在声学频率范围(在该示例中，0khz到12khz)上的声学数据信号的幅度上的变化。如图4所示，车辆的状态(诸如，门打开、关闭，以及在后座中的一者上存在乘客)上的变化改变车辆内部的回声模式，这引起与特定车辆扬声器301相关联的的混响形状或频率响应上的变化。作为示例，五座车辆将具有总共32中不同的混响形状(即，25或32中不同的占用组合)。如上所述，与当配置成作为麦克风操作时的车辆扬声器中的一个或多个车辆扬声器相关联的声学特征可以根据这些不同组合中的每一者以及车辆状态(诸如打开门、窗、天窗等)的其他组合来指示混响形状变化。如图4所示，声学数据信号的不同频率响应曲线401、402、403示出了测量结果之间的显著差异，指示可使用适当训练的机器学习算法来对该音频事件进行分类，如上文讨论的。各方面包括：机器学习算法利用车辆对称性来使用减少数量的校准和训练数据的组合来实现各种车辆状态的分类。
56.图5示出了根据本公开的各种方面的示例性本地处理单元。本地处理单元500(本
文中也被称为本地处理电路系统或本地控制系统)可使车辆扬声器(例如，扬声器102.1
‑
102.n)中的一个或多个车辆扬声器根据如本文描述的各方面的无源和有源麦克风来起作用。本地处理单元500可被配置成控制扬声器、与扬声器通信、和/或动态地将扬声器配置成用作扬声器或麦克风以促进无源和有源麦克风的各方面。如本文讨论的，本地处理单元500可以用预定声音驱动车辆扬声器中的一个或多个车辆扬声器，从当配置成作为麦克风时的一个或多个车辆扬声器接收声学数据信号，分析接收到的声学数据信号以计算声学特征，以及从声学特征的分析识别不同类型的车辆状态信息，如本文讨论的。
57.为了这样做，可以根据本地处理单元500在其中实现的车辆的特定应用和/或配置来以各种方式实现本地处理单元500。在一方面，可以用本地处理单元190(如本文参考图1示出和描述的)来标识本地处理单元500。例如，本地处理单元500可包括可以是车辆现有架构的一部分的一个或多个合适的处理器(诸如一个或多个ecu、控制系统、车辆计算机等)中的一者或多者。为了提供另一示例，本地处理单元500可被集成为车辆的一部分，在该车辆中，该本地处理单元500被实现为相对于车辆现有系统中的一个或多个车辆现有系统作为管理程序运行的一个或多个虚拟机。因此，可以使用车辆的现有部件来实现本地处理单元500，并且可经由修改这些处理部件中的一者或多者的操作和/或功能的软件升级来实现该本地处理单元500。
58.在其他方面中，本地处理单元500可包括扩展或补充车辆的操作的一个或多个硬件和/或软件部件。这可包括添加或改变一个或多个车辆部件。在又其他方面中，本地处理单元500可实现为独立设备，该独立设备被安装为对在其中实现该独立设备的车辆的售后改装。
59.虽然为了简洁起见在图5中未示出，但是本地处理单元500可以附加地包括一个或多个通信接口(或实现作为车辆现有架构的一部分的此类接口)。这些通信接口可以促进用音频数据(例如，预定声音)驱动车辆扬声器和当配置成用作麦克风时从车辆扬声器接收声学数据信号。这些通信接口可以附加地促进将与检测到或识别的车辆状态信息相关联的数据传输到其他车辆部件、系统和/或ecu，所述车辆部件、系统和/或ecu被配置成或编程成基于该车辆状态信息执行某些动作(例如，当窗打开并且开始下雨时向用户发送通知)。
60.无论本地处理单元500的实现方式如何，各方面包括：本地处理单元500接收并处理由车辆扬声器中的一个或多个车辆扬声器生成的声学数据，以计算声学特征。再次，随后，这些声学特征可用于确定不同类型的车辆状态信息，诸如座位占用信息、道路状况、特定窗、天窗和/或门是否打开或关闭等，如本文讨论的。为了这样做，本地处理单元500可包括处理电路系统502和存储器504。为了便于解释而提供了图5中所示的部件，并且各方面包括本地处理单元500如图5所示的那些部件的附加、更少或替代部件。
61.在一方面，处理电路系统502可被配置为任何合适数量和/或类型的计算机处理器，所述计算机处理器可用于如本文讨论的控制本地处理单元500。可以用由本地处理单元500实现的一个或多个处理器(或其合适的部分)来标识处理电路系统502。例如，可以例如用诸如主机处理器、数字信号处理器、一个或多个微处理器、图形处理器、微控制器、专用集成电路(asic)、现场可编程门阵列(fpga)的部分(或整体)等的一个或多个处理器来标识处理电路系统502。在任何情况下，各方面包括：处理电路系统502被配置成执行指令以执行算术、逻辑和/或输入/输出(i/o)操作，和/或控制本地处理单元500的一个或多个部件的操作
以执行与本文描述的各方面相关联的各种功能。
62.例如，处理电路系统502可包括一个或多个微处理器核、存储器寄存器、缓冲器、时钟等，并且可生成与电子部件相关联的电子控制信号以如本文讨论的控制和/或修改本地处理单元500的一个或多个部件的操作。此外，各方面包括：处理电路系统502与存储器504、本地处理单元500的其他部件和/或与本地处理单元500植入在其中的车辆相关联的部件(例如，车辆扬声器102.1
‑
102.n)通信，和/或控制与存储器504、本地处理单元500的其他部件和/或与本地处理单元500植入在其中的车辆相关联的部件相关联的功能。
63.在一方面，存储器504存储数据和/或指令，使得当由处理电路系统502执行该指令时，处理电路系统502可以如本文所述的执行各种功能。存储器504可以被实现为熟知的易失性和/或非易失性存储器，包括例如，只读存储器(rom)、随机存取存储器(ram)、闪存、磁存储介质、光盘、可擦除可编程只读存储器(eprom)、可编程只读存储器(prom)等。存储器504可以是不可移动的的、可移动的或两者的组合。例如，存储器504可以实现为存储一个或多个可执行指令(诸如例如，处理器可执行指令、逻辑、算法、代码等)的非瞬态计算机可读介质。
64.如下面进一步讨论的，存储在存储器504中的指令、逻辑、代码等由如图5示出的各种模块来表示，这可以使得能够在功能上实现本文所公开的各方面。替代地，如果本文描述的各方面是经由硬件实现的，则图5所示的与存储器504相关联的模块可包括指令和/或代码，以促进控制和/或监测此类硬件部件的操作。换言之，为了便于解释硬件和软件部件之间的功能关联而提供图5所示的模块。因此，各方面包括：处理电路系统502执行存储在与一个或多个硬件模块结合的这些对应模块中的指令，以执行与如本文进一步讨论的各方面相关联的各种功能。
65.在一方面，存储在数据处理/控制模块505中的可执行指令可以结合处理电路系统502来促进合适电子控制信号的生成和传输，以在扬声器和麦克风操作模块之间改变在一个或多个车辆扬声器的配置。例如，这可包括用于改变合适的开关部件(例如，开关部件206、208)的状态的适当电子控制信号的生成，如本文参考图2a
‑
2b讨论的。各方面包括：存储在数据处理/控制模块505中的可执行指令还结合处理电路系统502来促进从当配置为麦克风时的车辆扬声器接收声学数据信号。随后，可以将该声学数据存储在存储器504或可经由本地处理单元500和/或本地处理单元500植入在其中的车辆的其他部件访问的另一合适存储位置中。
66.存储在数据处理/控制模块505中的可执行指令结合处理电路系统502还可以使得本地处理单元500能够使用声学数据信号来生成针对对应车辆扬声器的声学特征。可以在模拟或数字域中执行声学特征的计算。例如，本地处理单元500可以分析声学数据信号以基于从其接收到声学数据的扬声器的已知性质、发出预定声音的扬声器的已知性质和/或预定声音的已知性质(当适用时)来构建频率响应。在另一示例中，虽然为了简洁起见在图5中未示出，但是各方面包括：本地处理单元500适用和/或包括一个或多个模数转换器(adc)，该模数转换器未在图5中示出，但可实现为任何合适类型的数据转换部件以将模拟声学数据信号转换成数字数据，随后可处理该数字数据以计算声学特征。这些adc可以附加地或替代地作为扬声器架构的一部分，使得可由本地处理单元500将声学数据信号作为模拟或数字信号接收。
67.优选地，各方面包括：存储在数据处理/控制模块505中的可执行指令结合处理电路系统502使得本地处理单元500能够生成预定声音并使用这些预定声音驱动车辆扬声器。这是可选的，因为各方面可替代地包括出于该目的而使用现有的车辆声音，如上所述的。
68.在一方面，如本文所述的，可用于使用声学特征对车辆状态进行分类的机器学习算法及其训练可被实现为由处理电路系统502执行存储在存储器504中的指令的处理电路系统502的组合。例如，诸如神经网络之类的机器学习算法可以，例如，根据所存储的训练数据509来表示为与的存储在分类模块507中的指令的执行相关联的功能组合。例如，如果实现了卷积神经网络(cnn)，则cnn的输入层、隐藏层和输出层可被表示为与存储在分类模块507中的由处理电路系统502执行的指令相关联的软件部件。以此方式，可以实现cnn(或其他合适的机器学习算法)的功能，以分类各种车辆状态，如本文讨论的。
69.训练数据509可以表示由本地处理单元500实现的存储用于训练机器学习算法的校准或训练数据的存储器504的一部分，如本文讨论的。例如，训练数据509可以表示与无源麦克风的各方面有关的存储的数据，所述数据可以是与在各种不同的驾驶情况、道路和/或操作状态下的如上所述的车辆操作有关的训练数据。附加地或替代地，训练数据509可以表示与有源麦克风的各方面有关的数据，所述数据可包括：预定声音的频率、持续时间、形状和/或幅度，扬声器发声(firing)和聆听模式，与车辆占用的各种组合和窗、门和/或天窗的状态等相关联的声学特征。尽管训练数据509在图5中被存储作为存储器504的一部分，但训练数据509可以被存储在可由本地处理单元500访问的任何合适位置中。
70.在各种方面中，本地处理单元500可以用作车辆的控制系统和/或可以与本地处理单元500实现在其中的车辆的一个或多个从控制系统通信，以基于检测到的车辆状态信息执行特定动作。如本文所述，这可以是各种车辆部件的控制，诸如关闭窗或天窗、在车辆中发送通知、传输通知等。换言之，本地处理电路系统502可以识别车辆的状态并将该状态信息提供给用于与车辆的控制系统通信的合适接口，以基于车辆的状态执行某些动作。这样的合适的接口和通信可以根据任何合适的通信协议，并且可以，例如，实现被实现在车辆中的一个或多个通信网络、接口等(例如，ecu、本地车辆网络、can总线之间的接口和通信等)。作为另一示例，当本地处理单元500用作直接控制此类动作的执行的车辆控制系统时，则接口可包括在本地处理单元500的各种部件之间和/或之内的互连(诸如总线、驱动等)以及在车辆中的促进执行此类动作的各种互连(例如，控制窗和/或天窗的状态的车辆计算机等)。
71.再次，对于一些方面，诸如当在扬声器声学特征中的特定频谱位置的幅度的偏差足以识别特定车辆状态信息时，可以不需要机器学习算法。因此，各方面包括：分类模块507附加地或替代地包括关于特定阈值要求的指令，该特定阈值要求关于与“标准”或“默认”声学特征的偏差、与此类偏差相关联的相应的车辆状态信息(例如，当特定扬声器的声学特征以特定方式偏差时，物体位于特定车辆座位上)等。此外，根据此类方面，训练数据509可以存储用于识别此类声学偏差和相应的车辆状态的数据，诸如偏差阈值、偏差在声学特征内的频谱位置、声学特征的形状及其变化等。
72.虽然参考被配置为麦克风的车辆扬声器的复用来解释本文描述的各方面，但是各方面不限于这些示例。相反，除了当配置为麦克风时的扬声器的使用之外或替代当配置为麦克风时的扬声器的使用，本文描述的各方面可实现任何合适数量和/或类型的车辆麦克风。例如，麦克风可以是车辆现有设计的一部分或作为售后改装添加。在这样的情况下，可
以视情况使用从此类麦克风和/或配置为麦克风的扬声器收集的声学数据信号来生成训练数据并将该训练数据用于识别声学特征和车辆的状态信息。示例
73.以下示例涉及进一步的各方面。
74.示例1是一种用于分析车辆中的声学数据的设备，包括：处理器，该处理器被配置成从车辆中的至少一个扬声器接收从配置为麦克风的至少一个扬声器的振动中生成的声学数据信号；以及存储器，该存储器被配置成存储指令，当该指令由处理器执行时，使处理器基于所接收到的声学数据信号来计算与该至少一个扬声器相关联的声学特征，并且基于该声学特征确定车辆的状态，其中处理器被进一步配置成向用于与车辆的控制系统通信的接口提供该车辆的状态，以基于该车辆的状态执行某些动作。
75.在示例2中，示例1的主题，其中声学特征表示该至少一个扬声器的频率响应，该频率响应指示由该至少一个扬声器在声学频谱上测得的声学幅度上的变化。
76.在示例3中，示例1
‑
2的任何组合的主题，其中由被配置为麦克风的至少一个扬声器从以下各项中的至少一项中生成声学数据信号：(i)由驾驶车辆引起的振动，以及(ii)车辆的发动机导致的振动；并且其中车辆的状态包括(i)道路状况和(ii)车辆诊断中的至少一者。
77.在示例4中，示例1
‑
3的任何组合的主题，其中车辆的状态包括以下各项中的一者或多者：(i)占用状态，该占用状态指示哪些车辆座位被人或物体占用；(ii)一个或多个车门的打开或关闭状态；以及(iii)一个或多个车窗或天窗的打开或关闭状态。
78.在示例5中，示例1
‑
4的任何组合的主题，其中：该至少一个扬声器包括第一扬声器和第二扬声器，处理器被配置成使用预定声音驱动第二扬声器，并且该声学数据信号是响应于从第二扬声器生成的预定声音而从第一扬声器生成的。
79.在示例6中，示例1
‑
5的任何组合的主题，其中处理器被配置成当与第一扬声器相关联的声学特征在一个或多个频谱位置处与预定频率响应偏差超过阈值时，确定物体被放置在车辆中的第一扬声器和第二扬声器之间。
80.在示例7中，示例1
‑
6的任何组合的主题，其中该至少一个传感器包括在车辆中的一组扬声器，并且其中指令存储在存储器中，当该指令由处理器执行时，使处理器从一组扬声器中的每一者接收声学数据，以计算来自一组扬声器之中的每个扬声器的对应的声学特征，并且根据机器学习算法来对从来自一组扬声器之中的每个扬声器接收到的声学特征进行分类，以确定车辆的状态。
81.在示例8中，示例1
‑
7的任何组合的主题，其中根据训练数据来训练机器学习算法，该训练数据包括针对多个不同的车辆状态的来自一组扬声器之中的每个扬声器的频率响应，该多个不同的车辆状态包括以下各项的一个或多个组合：(i)不同车辆座位被人或物体占用；(ii)不同车门被打开或关闭；以及(iii)不同车窗或天窗被打开或关闭。
82.示例9是一种车辆，包括：车辆中的第一扬声器被配置成从配置为麦克风的第一扬声器的振动中生成声学数据信号；以及本地处理电路系统，该本地处理电路系统被配置成基于接收到的声学数据信号来计算与第一扬声器相关联的声学特征，并且基于该声学特征确定车辆的状态，其中本地处理电路系统被进一步配置成将车辆的状态提供给用于与车辆的控制系统通信的接口，以基于该车辆的状态执行某些动作。
83.在示例10中，示例9的主题，其中声学特征表示第一扬声器的频率响应，该频率响应指示由第一扬声器在声学频谱上测得的声学幅度上的变化。
84.在示例11中，示例9
‑
10的任何组合的主题，其中由被配置为麦克风的第一扬声器从以下各项中的至少一项中生成声学数据信号：(i)由驾驶车辆引起的振动，以及(ii)车辆的发动机导致的振动；并且其中车辆的状态包括(i)道路状况和(ii)车辆诊断中的至少一者。
85.在示例12中，示例9
‑
11的任何组合的主题，其中车辆的状态包括以下各项中的一者或多者：(i)占用状态，该占用状态指示哪些车辆座位被人或物体占用；(ii)一个或多个车门的打开或关闭状态；以及(iii)一个或多个车窗或天窗的打开或关闭状态。
86.在示例13中，示例9
‑
12的任何组合的主题，其中本地处理电路系统被配置成使用预定声音驱动第二扬声器，并且其中该声学数据信号是由第一扬声器响应于由第二扬声器生成的预定声音而生成的。
87.在示例14中，示例9
‑
13的任何组合的主题，其中本地处理电路系统被配置成当与第一扬声器相关联的声学特征在一个或多个频谱位置处与预定频率响应偏差超过阈值时，确定物体被放置在车辆中的第一扬声器和第二扬声器之间。
88.在示例15中，示例9
‑
14的任何组合的主题，其中第一扬声器是来自车辆中的一组扬声器之中，并且其中本地处理电路系统被配置成：从来自一组扬声器之中的每个扬声器接收声学数据；计算来自一组扬声器之中的每个扬声器的对应的声学特征；以及根据机器学习算法来对从来自一组扬声器之中的每个扬声器接收到的声学特征进行分类，以确定车辆的状态。
89.在示例16中，示例9
‑
15的任何组合的主题，其中根据训练数据来训练机器学习算法，该训练数据包括针对多个不同的车辆状态的来自一组扬声器之中的每个扬声器的频率响应，该多个不同的车辆状态包括以下各项的一个或多个组合：(i)不同车辆座位被人或物体占用；(ii)不同车门被打开或关闭；以及(iii)不同车窗或天窗被打开或关闭。
90.示例17是一种具有存储在其上的指令的非瞬态计算机可读介质，当该指令由与车辆相关联的控制系统的一个或多个处理器执行时，使该控制系统执行：从车辆中的第一扬声器接收从配置为麦克风的第一扬声器的振动中生成的声学数据信号；基于接收到的声学数据信号来计算与第一扬声器相关联的声学特征；基于该声学特征确定车辆的状态；以及将车辆的状态提供给用于与车辆的控制系统通信的接口，以基于该车辆的状态执行某些动作。
91.在示例18中，示例17的主题，其中声学特征表示第一扬声器的频率响应，该频率响应指示由第一扬声器在声学频谱上测得的声学幅度上的变化。
92.在示例19中，示例17
‑
18的任何组合的主题，其中由被配置为麦克风的第一扬声器作为以下各项中的至少一项的结果而生成声学数据信号：(i)由驾驶车辆引起的振动，以及(ii)车辆的发动机导致的振动；并且其中车辆的状态包括(i)道路状况和(ii)车辆诊断中的至少一者。
93.在示例20中，示例17
‑
19的任何组合的主题，其中车辆的状态包括以下各项中的一者或多者：(i)占用状态，该占用状态指示哪些车辆座位被人或物体占用；(ii)一个或多个车门的打开或关闭状态；以及(iii)一个或多个车窗或天窗的打开或关闭状态。
94.在示例21中，示例17
‑
20的任何组合的主题，其中非瞬态计算机可读介质进一步包括指令，当该指令由控制系统的一个或多个处理器执行时，使控制系统使用预定声音驱动第二扬声器，该声学数据信号是由第一扬声器响应于由第二扬声器生成的预定声音而生成的。
95.在示例22中，示例17
‑
21的任何组合的主题，进一步包括指令，当该指令由控制系统的一个或多个处理器执行时，使控制系统在与第一扬声器相关联的声学特征在一个或多个频谱位置处与预定频率响应偏差超过阈值时，确定物体被放置在车辆中的第一扬声器和第二扬声器之间。
96.在示例23中，示例17
‑
22的任何组合的主题，其中第一扬声器是来自车辆中的一组扬声器之中，并且进一步包括指令，当该指令由控制系统的一个或多个处理器执行时，使控制系统从来自一组扬声器之中的每个扬声器接收声学数据，计算来自一组扬声器之中的每个扬声器的对应的声学特征，以及根据机器学习算法来对从来自一组扬声器之中的每个扬声器接收到的声学特征进行分类，以确定车辆的状态。
97.在示例24中，示例17
‑
23的任何组合的主题，其中根据训练数据来训练机器学习算法，该训练数据包括针对多个不同的车辆状态的来自一组扬声器之中的每个扬声器的频率响应，该多个不同的车辆状态包括以下各项的一个或多个组合：(i)不同车辆座位被人或物体占用；(ii)不同车门被打开或关闭；以及(iii)不同车窗或天窗被打开或关闭。
98.示例25是一种用于分析车辆中的声学数据的装置，包括：用于从车辆中的至少一个扬声器接收从配置为麦克风的至少一个扬声器的振动中生成的声学数据信号的处理装置；以及存储器，该存储器被配置成存储指令，当该指令由处理装置执行时，使处理装置基于所接收到的声学数据信号来计算与该至少一个扬声器相关联的声学特征，并且基于该声学特征确定车辆的状态，其中处理装置向用于与车辆的控制装置通信的接口提供该车辆的状态，以基于该车辆的状态执行某些动作。
99.在示例26中，示例25的主题，其中声学特征表示该至少一个扬声器的频率响应，该频率响应指示由该至少一个扬声器在声学频谱上测得的声学幅度上的变化。
100.在示例27中，示例25
‑
26的任何组合的主题，其中由被配置为麦克风的至少一个扬声器从以下各项中的至少一项中生成声学数据信号：(i)由驾驶车辆引起的振动，以及(ii)车辆的发动机导致的振动；并且其中车辆的状态包括(i)道路状况和(ii)车辆诊断中的至少一者。
101.在示例28中，示例25
‑
27的任何组合的主题，其中车辆的状态包括以下各项中的一者或多者：(i)占用状态，该占用状态指示哪些车辆座位被人或物体占用；(ii)一个或多个车门的打开或关闭状态；以及(iii)一个或多个车窗或天窗的打开或关闭状态。
102.在示例29中，示例25
‑
28的任何组合的主题，其中：该至少一个扬声器包括第一扬声器和第二扬声器，处理装置使用预定声音驱动第二扬声器，并且该声学数据信号是响应于从第二扬声器生成的预定声音而从第一扬声器生成的。
103.在示例30中，示例25
‑
29的任何组合的主题，其中处理装置在与第一扬声器相关联的声学特征在一个或多个频谱位置处与预定频率响应偏差超过阈值时，确定物体被放置在车辆中的第一扬声器和第二扬声器之间。
104.在示例31中，示例25
‑
30的任何组合的主题，其中该至少一个传感器包括在车辆中
的一组扬声器，并且其中指令存储在存储器中，当该指令由处理装置执行时，使处理装置从该组扬声器中的每一者接收声学数据，以计算来自该组扬声器之中的每个扬声器的对应的声学特征，并且根据机器学习算法来对从来自该组扬声器之中的每个扬声器接收到的声学特征进行分类，以确定车辆的状态。
105.在示例32中，示例25
‑
31的任何组合的主题，其中根据训练数据来训练机器学习算法，该训练数据包括针对多个不同的车辆状态的来自一组扬声器之中的每个扬声器的频率响应，该多个不同的车辆状态包括以下各项的一个或多个组合：(i)不同车辆座位被人或物体占用；(ii)不同车门被打开或关闭；以及(iii)不同车窗或天窗被打开或关闭。
106.示例33是一种车辆，包括：车辆中的第一扬声器被配置成从配置为麦克风的第一扬声器的振动中生成声学数据信号；以及本地处理装置，该本地处理装置用于基于接收到的声学数据信号来计算与第一扬声器相关联的声学特征，并且基于该声学特征确定车辆的状态，其中本地处理装置被进一步配置成将车辆的状态提供给用于与车辆的控制系统通信的接口，以基于该车辆的状态执行某些动作。
107.在示例34中，示例33的主题，其中声学特征表示第一扬声器的频率响应，该频率响应指示由第一扬声器在声学频谱上测得的声学幅度上的变化。
108.在示例35中，示例33
‑
34的任何组合的主题，其中由被配置为麦克风的第一扬声器从以下各项中的至少一项中生成声学数据信号：(i)由驾驶车辆引起的振动，以及(ii)车辆的发动机导致的振动；并且其中车辆的状态包括(i)道路状况和(ii)车辆诊断中的至少一者。
109.在示例36中，示例33
‑
35的任何组合的主题，其中车辆的状态包括以下各项中的一者或多者：(i)占用状态，该占用状态指示哪些车辆座位被人或物体占用；(ii)一个或多个车门的打开或关闭状态；以及(iii)一个或多个车窗或天窗的打开或关闭状态。
110.在示例37中，示例33
‑
36的任何组合的主题，其中本地处理装置使用预定声音驱动第二扬声器，并且其中该声学数据信号是由第一扬声器响应于由第二扬声器生成的预定声音而生成的。
111.在示例38中，示例33
‑
37的任何组合的主题，其中本地处理装置在与第一扬声器相关联的声学特征在一个或多个频谱位置处与预定频率响应偏差超过阈值时，确定物体被放置在车辆中的第一扬声器和第二扬声器之间。
112.在示例39中，示例33
‑
38的任何组合的主题，其中第一扬声器是来自车辆中的一组扬声器之中，并且其中本地处理装置从来自一组扬声器之中的每个扬声器接收声学数据，计算来自一组扬声器之中的每个扬声器的对应的声学特征，以及根据机器学习算法来对从来自一组扬声器之中的每个扬声器接收到的声学特征进行分类，以确定车辆的状态。
113.在示例40中，示例33
‑
39的任何组合的主题，其中根据训练数据来训练机器学习算法，该训练数据包括针对多个不同的车辆状态的来自一组扬声器之中的每个扬声器的频率响应，该多个不同的车辆状态包括以下各项的一个或多个组合：(i)不同车辆座位被人或物体占用；(ii)不同车门被打开或关闭；以及(iii)不同车窗或天窗被打开或关闭。
114.示例41是一种具有存储在其上的指令的非瞬态计算机可读介质，当该指令由与车辆相关联的控制装置的一个或多个处理装置执行时，使该控制装置执行：从车辆中的第一扬声器接收从配置为麦克风的第一扬声器的振动中生成的声学数据信号；基于接收到的声
学数据信号来计算与第一扬声器相关联的声学特征；基于该声学特征确定车辆的状态；以及将车辆的状态提供给用于与车辆的控制系统通信的接口，以基于该车辆的状态执行某些动作。
115.在示例42中，示例41的主题，其中声学特征表示第一扬声器的频率响应，该频率响应指示由第一扬声器在声学频谱上测得的声学幅度上的变化。
116.在示例43中，示例41
‑
42的任何组合的主题，其中由被配置为麦克风的第一扬声器作为以下各项中的至少一项的结果而生成声学数据信号：(i)由驾驶车辆引起的振动，以及(ii)车辆的发动机导致的振动；并且其中车辆的状态包括(i)道路状况和(ii)车辆诊断中的至少一者。
117.在示例44中，示例41
‑
43的任何组合的主题，其中车辆的状态包括以下各项中的一者或多者：(i)占用状态，该占用状态指示哪些车辆座位被人或物体占用；(ii)一个或多个车门的打开或关闭状态；以及(iii)一个或多个车窗或天窗的打开或关闭状态。
118.在示例45中，示例41
‑
44的任何组合的主题，其中非瞬态计算机可读介质进一步包括指令，当该指令由控制装置的一个或多个处理装置执行时，使控制装置使用预定声音驱动第二扬声器，该声学数据信号是由第一扬声器响应于由第二扬声器生成的预定声音而生成的。
119.在示例46中，示例41
‑
45的任何组合的主题，进一步包括指令，当该指令由控制装置的一个或多个处理装置执行时，使控制装置在与第一扬声器相关联的声学特征在一个或多个频谱位置处与预定频率响应偏差超过阈值时，确定物体被放置在车辆中的第一扬声器和第二扬声器之间。
120.在示例47中，示例41
‑
46的任何组合的主题，其中第一扬声器是来自车辆中的一组扬声器之中，并且进一步包括指令，当该指令由控制装置的一个或多个处理装置执行时，使控制装置从来自一组扬声器之中的每个扬声器接收声学数据，计算来自一组扬声器之中的每个扬声器的对应的声学特征，以及根据机器学习算法来对从来自一组扬声器之中的每个扬声器接收到的声学特征进行分类，以确定车辆的状态。
121.在示例48中，示例41
‑
47的任何组合的主题，其中根据训练数据来训练机器学习算法，该训练数据包括针对多个不同的车辆状态的来自一组扬声器之中的每个扬声器的频率响应，该多个不同的车辆状态包括以下各项的一个或多个组合：(i)不同车辆座位被人或物体占用；(ii)不同车门被打开或关闭；以及(iii)不同车窗或天窗被打开或关闭。
122.如示出和描述的装置。
123.如示出和描述的方法。结语
124.具体各方面的前述描述将如此充分地揭示本公开的一般性质，以至于其他人可以通过应用本领域技术内的知识来容易地修改和/或适配诸如具体各方面之类的各种应用，而无需过度实验，并且不背离本公开的一般概念。因此，基于本文展现的教示和指导，这些适配和修改旨在本公开各方面的等同物的含义和范围内。应理解，本文中的措辞或术语是出于描述而非限制的目的，使得本说明书的术语或措辞将由本领域技术人员根据教示和指导来解释。
125.说明书中对“一个方面”、“一方面”、“示例性方面”等等的引用表示所描述方面可
包括特定特征、结构或特性，但是，每一个方面不必包括该特定特征、结构或特性。此外，此类短语不一定是指同一方面。进一步地，当结合一方面来描述特定特征、结构或特性时，应当认为，无论是否明确地描述，结合其他方面来实现此类特征、结构或特性在本领域的技术人员的知识范围内。
126.本文描述的示例性各方面是出于说明性目的而提供的，而不是限制性的。其他示例性各方面是可能的，并且可对示例性各方面进行修改。因此，说明书不旨在限制本公开。相反，本公开的范围仅根据所附权利要求及其等同物来限定。
127.各方面可以实现在硬件(例如，电路)、固件、软件或它们的任何组合中。各方面还可以实现为存储在机器可读介质上的指令，该指令可以由一个或多个处理器读取和执行。机器可读介质可包括用于存储或传输机器(例如，计算机设备)可读形式的信息的任何机构。例如，机器可读介质可包括：只读存储器(rom)；随机存取存储器(ram)；磁盘存储介质；光存储介质；闪存设备；电、光、声学或其他形式的传播信号(例如，载波、红外信号、数字信号等)，以及其他介质。进一步地，固件、软件、例程、指令可在本文中描述为执行某些动作。然而，应当理解，此类描述仅仅为了方便，并且此类动作事实上是计算设备、处理器、控制器或其他设备执行固件、软件、例程、指令等的结果。进一步地，可以由通用用途计算机执行任何实现方式的变型。
128.本文使用的“示例性”一词意味着“用作示例、实例或说明”。在此被描述为“示例性”的任何方面或设计并不一定要被解释为相比其它方面或设计更优选或有利。
129.在所有附图中，应当注意，除非另有说明，否则相同的附图标记用于表示相同或相似的元件、特征和结构。
130.术语“至少一个”和“一个或多个”可以理解为包括大于或等于一的数值(例如，一、二、三、四、[
…
]、等等)。术语“多个”可以理解为包括大于或等于二的数值(例如，二、三、四、五、[
…
]、等等)。
[0131]
在说明书和权利要求中的词语“复数个”和“多个”明显地表示大于一的数量。因此，明确地调用指代一定数量的元素的前述词语(例如，“复数个[元素]”、“多个[元素]”)的任何短语都明确地指代多于一个的所述元素。在说明书和权利要求中的术语“(
……
的)组”、“(
……
的)集”、“(
……
的)集合”、“(
……
的)系列”、“(
……
的)序列”、“(
……
的)分组”等，以及类似物(如果有的话)，是指等于或大于一个的数量，即，一个或多个。术语“适当的子集”、“减少的子集”和“较少的子集”是指不等于集合的该集合的子集，说明性地，是指包含比该集合更少元素的该集合的子集。
[0132]
关于一组元素的短语
“……
中的至少一个”可在本文中用于表示来自由这些元素组成的组中的至少一个元素。例如，关于一组元素的短语
“……
中的至少一个”可在本文中用于表示对以下各项的选择：列出的元素中的一者，多个的列出的元素中的一者，多个单独列出的元素，或复数个的多个单独列出的元素。
[0133]
如本文使用的术语“数据”可以理解为包括任何合适的模拟或数字形式的信息，例如，提供为文件、文件的一部分、一组文件、信号或流、信号或流的一部分、一组信号或流等等。进一步地，术语“数据”还可用于表示对信息的引用，例如，以指针的形式。然而，术语“数据”不限于前述示例并且可以采取如本领域中理解的各种形式和表示任何信息。
[0134]
例如，本文中使用的术语“处理器”和“控制器”可以理解为允许处理数据的任何种
类的技术实体。可以根据由处理器或控制器执行的一个或多个特定功能来处理数据。进一步地，如本文中使用的处理器或控制器可以理解为任何种类的数据，例如，任何种类的模拟或数字电路。因此，处理器或控制器可以是或包括：模拟电路、数字电路、混合信号电路、逻辑电路、处理器、微处理器、中央处理单元(cpu)、图形处理单元(gpu)、数字信号处理器(dsp)、现场可编程门阵列(fpga)、集成电路、专用集成电路(asic)等，或它们的任何组合。下面将进一步详细描述的对应功能的任何其他种类的实现方式还可以理解为处理器、控制器或逻辑电路。应当理解，本文详述的任何两个(或更多个)处理器、控制器或逻辑电路可被实现为具有等效功能或类似物的单个实体，并且相反地，本文详述的任何单个处理器、控制器或逻辑电路可以被实现为具有等效功能或类似物的两个(或更多个)分开的实体。
[0135]
如本文使用的，“存储器”被理解为可在其中存储以供检取的数据或信息的计算机可读介质。因此，本文包括的对“存储器”的引用可被理解为指代易失性或非易失性存储器，包括随机存取存储器(ram)、只读存储器(rom)、闪存、固态存储、磁带、硬盘驱动器、光驱动器等等，或它们的任何组合。寄存器、移位寄存器、处理器寄存器、数据缓冲器等等在本文中也有术语存储器涵盖。术语“软件”是指任何类型的可执行指令，包括固件。
[0136]
在本文描述的示例性各方面中的一者或多者中，处理电路系统可包括存储数据和/或指令的存储器。存储器可以是任何熟知的易失性和/或非易失性存储器，包括例如，只读存储器(rom)、随机存取存储器(ram)、闪存、磁存储介质、光盘、可擦除可编程只读存储器(eprom)、可编程只读存储器(prom)等。存储器可以是不可移动的的、可移动的或两者的组合。
[0137]
除非明确指定，否则术语“发送”涵盖直接(点对点)和(经由一个或多个中间点)间接传输两者。类似地，术语“接收”涵盖直接和间接接收两者。此外，术语“发送”、“接收”、“通信”和其他类似术语涵盖物理传输(例如，无线电信号的传输)和逻辑传输(例如，数字信号在逻辑软件层连接上的传输)两者。例如，处理器或控制器可以在与处理器或控制器的软件层连接上以无线电信号的形式发送或接收数据，其中由诸如rf收发器和天线之类的无线电层部件来处理物理传输和接收，并且由处理器或控制器执行在软件层连接上的逻辑传输和接收。术语“通信”涵盖发送和接收中的一者或两者，即，在传入和传出方向中的一者或两者中的单向或双向连接。术语“计算”涵盖经由数学表达式/公式/关系的“直接”计算和经由查找表或散列表和其他阵列索引或搜索操作的“间接”计算两者。
[0138]“车辆”可被理解为包括任何类型的驱动对象。作为示例，车辆可以是具有内燃机、反应发动机、电驱动对象、混合驱动对象或它们的组合的驱动对象。车辆可以是或可包括：汽车、公共汽车、小型公共汽车、货车、卡车、房车、车辆拖车、摩托车、自行车、三轮车、火车机车、火车车厢、移动机器人、个人运输器、船、轮船、潜水器、潜水艇、无人机、飞行器、火箭等。如上文所描述的，“车辆”可被理解为包括在地面上(例如，在街道上、在道路上、在轨道上、在一个或多个导轨上、越野环境等)行驶的任何类型的车辆。