大家可能都聽說過，有時(shí)候家長(zhǎng)會(huì)不小心把孩子落在車?yán)铩Ｒ?，在高溫又封閉的車內(nèi)環(huán)境里，孩子特別容易中暑，嚴(yán)重的話甚至?xí)G掉性命。所以，車輛特別需要一個(gè)可靠的系統(tǒng)，能及時(shí)發(fā)現(xiàn)車?yán)镉袥]有被遺忘的孩子，避免這種危險(xiǎn)情況發(fā)生。而且現(xiàn)在好多國(guó)家都打算在未來強(qiáng)制車輛配備這樣的檢測(cè)系統(tǒng)。

01 - 現(xiàn)有技術(shù)的問題

目前，市面上存在多種用于車內(nèi)檢測(cè)的技術(shù)，但都存在一定的局限性。傳統(tǒng)的傳感器，如壓力傳感器和溫度傳感器，它們只能檢測(cè)一些物理量的變化，卻無法準(zhǔn)確識(shí)別“人”的存在，更不可能區(qū)分是成人還是兒童。紅外或攝像頭監(jiān)控雖然在檢測(cè)準(zhǔn)確度上相對(duì)較高，但它們對(duì)光線環(huán)境的要求較為苛刻，并且需要額外安裝硬件設(shè)備，增加了成本和部署的難度。毫米波雷達(dá)技術(shù)性能不錯(cuò)，但成本高昂，部署起來也比較困難，很多車輛并沒有配備該技術(shù)。

圖1 - UWB兒童遺留檢測(cè)[1]

WiFi信號(hào)檢測(cè)法倒是有點(diǎn)優(yōu)勢(shì)，不用額外設(shè)備，覆蓋范圍廣，還能保護(hù)隱私。但以前用WiFi信號(hào)檢測(cè)的方法有個(gè)大問題，就是很難分清車?yán)锸恰皟和边€是“成人”，經(jīng)常誤報(bào)警。

02 - 真需求

為了解決上述痛點(diǎn)，研究團(tuán)隊(duì)[2]設(shè)計(jì)了一個(gè)全新的系統(tǒng)，該系統(tǒng)基于WiFi信號(hào)，專門用于檢測(cè)車內(nèi)是否有兒童。這個(gè)系統(tǒng)需要具備以下特點(diǎn)：能夠準(zhǔn)確識(shí)別兒童、成人和空車這三類狀態(tài)；可以適應(yīng)不同的天氣條件、車輛類型以及座位位置；誤報(bào)率低，可靠性高，并且能夠快速部署在真實(shí)的車輛上。

03 - 關(guān)鍵技術(shù)詳解

• WiFi信號(hào)是怎么用來檢測(cè)人的？

每輛車通常都配備有WiFi，WiFi信號(hào)在車廂內(nèi)會(huì)不斷地進(jìn)行反射、折射和散射。當(dāng)信號(hào)碰到人時(shí)，其傳播情況就會(huì)發(fā)生改變。通過分析這些變化，我們可以了解到一些信息，比如車?yán)锸欠裼腥?，人是處于運(yùn)動(dòng)狀態(tài)還是靜止?fàn)顟B(tài)，以及人的呼吸頻率是多少。

然而，WiFi信號(hào)容易受到環(huán)境的影響，比如車內(nèi)的裝飾、座椅的布局等，這些因素都會(huì)使信號(hào)發(fā)生變化，導(dǎo)致很難提取出穩(wěn)定的特征。為了解決這個(gè)問題，研究團(tuán)隊(duì)采用了提取WiFi信道狀態(tài)信息(CSI)的自相關(guān)函數(shù)(ACF)的方法。

CSI 是無線信號(hào)在傳輸過程中受到環(huán)境影響后的狀態(tài)信息，它包含了信號(hào)的幅度、相位和頻率響應(yīng)等信息，反映了信號(hào)從發(fā)射端到接收端的路徑特性，在 Wi-Fi 系統(tǒng)中，CSI 可以被看作是每個(gè)子載波上的復(fù)數(shù)響應(yīng)，描述了信道對(duì)信號(hào)的影響。

CSI 的 ACF就是CSI 數(shù)據(jù)在不同時(shí)間點(diǎn)之間的相關(guān)性隨時(shí)間延遲的變化情況,當(dāng)前時(shí)刻的 CSI 和過去某個(gè)時(shí)刻的 CSI 有多像？這個(gè)關(guān)系就是 CSI 的 ACF。也就是說ACF 能捕捉 CSI 的周期性變化, 呼吸和心跳都是周期性生理活動(dòng)，它們會(huì)在 CSI 中留下周期性變化的痕跡，ACF 能夠捕捉這些周期性變化，并通過峰值位置和形狀反映生理活動(dòng)的頻率。

而且，ACF對(duì)環(huán)境噪聲不太敏感，這意味著即使車輛所處的位置發(fā)生變化，或者天氣條件有所不同，它都能穩(wěn)定地工作。

更重要的是，兒童和成人的動(dòng)作、呼吸節(jié)奏是不一樣的，ACF可以識(shí)別出這種差異。例如，成年人的呼吸相對(duì)較慢，每分鐘大約12 - 20次，而小孩的呼吸更快，每分鐘大約20 - 30次。通過對(duì)ACF進(jìn)行分析，系統(tǒng)就可以“聽出”這種區(qū)別，從而判斷出是孩子還是大人在車內(nèi)。

圖2 – 某子載波提取的自相關(guān)函數(shù)(ACF)

(a)車輛A空載     (b)車輛A兒童呼吸場(chǎng)景

(c)車輛A成人呼吸場(chǎng)景    (d) 車輛B空載

(e) 車輛B兒童呼吸場(chǎng)景     (f) 車輛B成人呼吸場(chǎng)景

• 怎么用AI模型識(shí)別兒童？

研究團(tuán)隊(duì)設(shè)計(jì)了一個(gè)深度神經(jīng)網(wǎng)絡(luò)模型來分析ACF數(shù)據(jù)，這個(gè)模型主要分為兩個(gè)核心部分。

圖3-DeepCPD System Design[2]

①用Transformer理解“時(shí)間變化”

Transformer是一種擅長(zhǎng)理解序列變化的AI架構(gòu)。它可以找出呼吸、動(dòng)作的周期性，比如判斷“這個(gè)人有沒有規(guī)律地呼吸”、“動(dòng)作的速度快不快”。在這個(gè)系統(tǒng)中，使用了AutoFormer的結(jié)構(gòu)，它能夠識(shí)別長(zhǎng)期趨勢(shì)和周期模式。

②用MLP（多層感知機(jī)）來做分類

將Transformer提取到的關(guān)鍵特征輸入到一個(gè)分類模型中，這個(gè)模型就是MLP。MLP會(huì)輸出三個(gè)選項(xiàng)中的一個(gè)，分別是“兒童在車?yán)铩?、“成人在車?yán)铩保ù藭r(shí)不用報(bào)警）、“車?yán)餂]人”（也無需報(bào)警）。

• 如何解決數(shù)據(jù)不足和環(huán)境差異的問題？

圖4 -不同天線配置

(a)共置天線設(shè)置 (b)分布式天線設(shè)置 (c)混合天線設(shè)置

①數(shù)據(jù)增強(qiáng)方法

為了讓模型能夠?qū)W習(xí)到更多不同情況下的數(shù)據(jù)，研究團(tuán)隊(duì)采用了兩種數(shù)據(jù)增強(qiáng)方法。

鏈路排列（link Permutation）這種方法模擬了兒童坐在不同座位的情況，讓數(shù)據(jù)看起來更加豐富多樣。通過對(duì)不同天線對(duì)計(jì)算得到的自相關(guān)函數(shù)（ACF）進(jìn)行排列組合，創(chuàng)建出合成樣本，就好像兒童坐在了不同的位置一樣，從而幫助模型避免對(duì)特定座位位置的過擬合，提高其對(duì)不同天線配置的泛化能力。

鏈路混合（link Mix）把不同環(huán)境下的信號(hào)組合起來，讓AI模型能夠看到更多的“變化”，變得更加聰明。具體來說，就是從兩個(gè)不同的樣本中選取高靈敏度和低靈敏度的鏈路進(jìn)行合并，生成新的、多樣化的表示，從而提高模型對(duì)不同位置和設(shè)備設(shè)置的適應(yīng)能力。

②兩階段訓(xùn)練方法

圖5 – 從用戶在座位1時(shí)的呼吸場(chǎng)景中，每個(gè)發(fā)射-接收對(duì)提取的ACF [2]

第一階段，先教AI識(shí)別“有沒有人”。使用一些簡(jiǎn)單的家庭環(huán)境數(shù)據(jù)，比如人在房間里走動(dòng)的數(shù)據(jù)，進(jìn)行基礎(chǔ)訓(xùn)練。在這個(gè)階段，將所有成人和兒童的數(shù)據(jù)都?xì)w為“有人”這一類，重點(diǎn)讓模型學(xué)習(xí)基本的運(yùn)動(dòng)和呼吸特征。同時(shí)，為了與車內(nèi)環(huán)境保持一致，排除了室內(nèi)數(shù)據(jù)中的行走數(shù)據(jù)，因?yàn)樵谲噧?nèi)通常不會(huì)出現(xiàn)行走的步態(tài)模式。

第二階段，在真實(shí)的車內(nèi)數(shù)據(jù)中對(duì)模型進(jìn)行精細(xì)調(diào)整，讓它學(xué)會(huì)區(qū)分成人和兒童。通過這個(gè)階段的訓(xùn)練，模型能夠更有效地識(shí)別出兒童特有的特征。

通過這兩個(gè)步驟，模型即使在沒有太多兒童實(shí)測(cè)數(shù)據(jù)的情況下，也能夠快速學(xué)習(xí)、牢固記憶，并且表現(xiàn)出色。

圖6 – 兒童,成人與空置分類的混淆矩陣[2]

04 - 實(shí)驗(yàn)結(jié)果說明

研究團(tuán)隊(duì)在超過25種不同車型中收集數(shù)據(jù)，并且在各種天氣和環(huán)境條件下進(jìn)行測(cè)試，確保數(shù)據(jù)的多樣性和全面性?？偣彩褂昧顺^500小時(shí)的真實(shí)數(shù)據(jù)，涵蓋了嬰兒、兒童、成人以及空車等各種情況。

性能表現(xiàn)

表1 - 與基線神經(jīng)網(wǎng)絡(luò)模型的比較[2]

關(guān)鍵結(jié)論

• 對(duì)于嬰兒和小童的識(shí)別最為準(zhǔn)確，識(shí)別率在99%以上。這是因?yàn)樗麄兊膭?dòng)作和呼吸節(jié)奏與成人有較大的區(qū)別，更容易被模型識(shí)別。

• 當(dāng)兒童年齡接近6歲時(shí)，動(dòng)作越來越像成人，識(shí)別率會(huì)略下降到約85%，但仍然處于可接受的范圍。

• 該系統(tǒng)在不同的環(huán)境條件下都表現(xiàn)穩(wěn)定，無論是雨天、陽光強(qiáng)烈的天氣，還是停車場(chǎng)嘈雜的環(huán)境，都不會(huì)對(duì)其性能產(chǎn)生太大的影響。

• 系統(tǒng)具有很強(qiáng)的適應(yīng)性，適用于不同車型和天線位置，這表明它具有廣泛的應(yīng)用前景。

本文介紹的基于WiFi信號(hào)和深度學(xué)習(xí)的車內(nèi)兒童檢測(cè)系統(tǒng)——DeepCPD，無需額外的傳感器，僅通過車上已有的WiFi就能準(zhǔn)確識(shí)別車內(nèi)是否有兒童存在，并且能夠區(qū)分成人和空車狀態(tài)。它在準(zhǔn)確性、穩(wěn)定性和泛化能力方面都表現(xiàn)出色，是未來智能汽車安全系統(tǒng)的一個(gè)重要組成部分。

參考

[1] 聯(lián)合汽車電子數(shù)字鑰匙系統(tǒng)拓展應(yīng)用——UWB兒童遺留檢測(cè)功能

https://www.auto-made.com/news/show-16462.html

[2] DeepCPD: Deep Learning based In-Car Child Presence Detection Using WiFi

https://arxiv.org/abs/2505.08931