技术领域
[0001] 本申请涉及车辆技术领域，并且更具体地，涉及车辆技术领域中一种车辆降噪方法和车辆。
相关背景技术
[0002] 随着社会的发展，人们对车辆舒适性的要求越来越高，比如，车辆行驶过程中对噪音进行控制的效果是对车辆舒适性进行评价的一个重要维度。
[0003] 相关技术中，通常从抑制噪音传播的角度来改进车辆对噪音进行控制的效果，这种方式也被称为被动降噪，比如，选用隔音效果更好的玻璃来制作车窗，选用密封效果更好的密封胶条来密封车门与车身等。
[0004] 但是，上述方式改进车辆对噪音进行控制的效果成本较高，且控制效果一般。
具体实施方式
[0091] 下面将结合附图，对本申请中的技术方案进行清楚、详尽地描述。其中，在本申请实施例的描述中，除非另有说明，“/”表示或的意思，例如，A/B可以表示A或B：文本中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，另外，在本申请实施例的描述中，“多个”是指两个或多于两个。
[0092] 以下，术语“第一”、“第二”仅用于描述目的，而不能理解为暗示或暗示相对重要性或隐含指明所反映的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者多个该特征。
[0093] 主动降噪：是一种通过产生与原有噪声相反相的声波来抵消噪声的技术。这种技术主要用于减少环境噪音，尤其是在音频设备如耳机和扬声器系统中，以及汽车、飞机等交通工具中。
[0094] 空腔共鸣：车辆中的空腔共鸣是指在汽车行驶过程中，由于车身结构中的空腔引起的声学效应，导致车内产生不希望的噪音。这种现象通常发生在车辆共振频率与外界激励频率相匹配时，尤其是在低频区域更为明显。
[0095] 人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得较佳结果的理论、方法、技术及应用系统。
[0096] 机器学习(Machine Learning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识子模型使之不断改善自身的性能。
[0097] 归一化：将取值范围不同的数列映射到(0，1)区间上，便于数据的处理。在一些情况下，归一化后的数值可以直接被实现为概率。
[0098] 嵌入编码(Embedded Coding)：嵌入编码在数学上表示一个对应关系，即通过一个函数F将X空间上的数据映射到Y空间上，其中该函数F是单射函数，映射的结果是结构保存，单射函数表示映射后的数据与映射前的数据唯一对应，结构保存表示映射前数据的大小关系与映射后数据的大小关系相同，例如映射前存在数据X1以及X2，映射后得到X1对应的Y1以及X2对应的Y2。若映射前的数据X1＞X2，那么相应地，映射后的数据Y1大于Y2。对于词语来说，就是将词语映射到另外一个空间，便于后续的机器学习和处理。
[0099] 下面对本申请实施例的实施环境进行介绍，参见图1，本申请实施例提供的车辆降噪方法的实施环境包括车载终端110和服务器140。
[0100] 车载终端110为设置在车辆上的终端，用于采集车辆相关的数据并控制车辆上的不同车辆组件，车载终端110上运行有支持主动降噪的应用程序。在本申请实施例中，车载终端110能够采集车辆的车辆运行参数、车辆配置参数以及环境参数，车辆运行参数、车辆配置参数以及环境参数能够用来预测车辆的噪声，从而实现车辆内的主动降噪。
[0101] 服务器140是独立的物理服务器，或者是多个物理服务器构成的服务器集群或者分布式系统，或者是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、分发网络(Content Delivery Network，CDN)，以及大数据和人工智能平台等基础云计算服务的云服务器。服务器140为车载终端上运行的应用程序提供后台服务。
[0102] 在介绍完本申请实施例的实施环境之后，下面对本申请实施例提供的技术方案的应用场景进行介绍。本申请实施例提供的技术方案能够应用在各类具有车载终端的车辆中，比如，本申请实施例提供的技术方案能够应用在电动车辆中，也能够应用在混动车辆中，还能够应用在燃油车辆中，本申请实施例对此不作限定。
[0103] 在本申请实施例提供的技术方案应用在电动车辆的情况下，获取电动车辆的车辆运行参数、车辆配置参数以及环境参数，该车辆运行参数、该车辆配置参数以及该环境参数为用于预测电动车辆的噪声的相关参数，该车辆运行参数用于表示电动车辆的运行状态，该车辆配置参数用于表示电动车辆的属性，该环境参数用于表示该目标车辆所处环境的环境情况。通过噪声预测模型，基于该车辆运行参数，该车辆配置参数以及该环境参数，确定该电动车辆的预测噪声，从而实现对电动车辆内噪声的动态预测。基于该预测噪声，在该电动车辆内进行主动降噪，从而实现对电动车辆内的噪音控制，提高噪音控制的效果。
[0104] 需要说明的是，上述是以本申请实施例提供的技术方案应用在电动车辆为例进行说明的，在本申请实施例提供的技术方案应用在其他类型的车辆的情况下，实现过程与上述描述属于同一发明构思，在此不再赘述。
[0105] 另外，本申请实施例提供的技术方案除了能够应用在上述几种类型的车辆中之外，还能够应用在其他类型的车辆中，本申请实施例对此不作限定。
[0106] 在介绍完本申请实施例的实施环境和应用场景之后，下面对本申请实施例提供的技术方案进行介绍，参见图2，以执行主体为车载终端为例，方法包括下述步骤。
[0107] 201、车载终端获取目标车辆的车辆运行参数、车辆配置参数以及环境参数，该车辆运行参数用于表示该目标车辆的运行状态，该车辆配置参数用于表示该目标车辆的属性，该环境参数用于表示该目标车辆所处环境的环境情况。
[0108] 其中，目标车辆为电动车辆、混动车辆或者燃油汽车，本申请实施例对此不作限定。车辆运行参数用于表示目标车辆的运行状态，能够从一定程度上反映目标车辆在当前运行状态下产生噪音的情况，比如，目标车辆的车速和空调工作参数就属于车辆运行参数。车辆配置参数用于表示目标车辆的属性，也即是目标车辆在正常情况下不会发生变化的参数，比如，目标车辆的车辆底盘参数和车辆密封参数就属于车辆配置参数。环境参数用于表示目标车辆所处环境的环境情况，环境参数会随着目标车辆的行驶发生变化，比如，天气参数和道路参数就属于环境参数。
[0109] 202、车载终端通过噪声预测模型，基于该车辆运行参数、该车辆配置参数以及该环境参数，确定该目标车辆内的预测噪声。
[0110] 其中，噪声预测模型用于预测目标车辆内的噪声，该噪声预测模型是一个生成式的模型，将车辆运行参数、车辆配置参数以及环境参数输入该噪声预测模型，该噪声预测模型就能够生成预测噪声。生成式的模型区别于抽取式的模型，抽取式的模型的输出结果存在于模型输入中，抽取式的模型的作用是从输入中将要输出的内容“抽取”出来；生成式的模型是基于输入来生成一个全新的内容，这个内容并不属于输入。在本申请实施例中，噪声预测模型能够基于输入的车辆运行参数、车辆配置参数以及环境参数来生成预测噪声，因此是一个生成式的模型。由于预测噪声可以视作一个随时间变换的序列，那么该噪声预测模型也可以视作一个序列生成模型。该噪声预测模型是基于多个样本训练参数和各个样本训练参数对应的标注噪声训练得到的，该样本训练参数包括样本车辆运行参数、样本车辆配置参数以及样本环境参数。
[0111] 203、车载终端基于该预测噪声，在该目标车辆内进行主动降噪。
[0112] 其中，在目标车辆内进行主动降噪也即是在目标车辆内播放与该预测噪声相位相反，振幅和频率相同的音频，从而与目标车辆内的噪声相互抵消，从而实现降噪。
[0113] 通过本申请实施例提供的技术方案，获取目标车辆的车辆运行参数、车辆配置参数以及环境参数，该车辆运行参数、该车辆配置参数以及该环境参数为用于预测目标车辆的噪声的相关参数，该车辆运行参数用于表示目标车辆的运行状态，该车辆配置参数用于表示目标车辆的属性，该环境参数用于表示该目标车辆所处环境的环境情况。通过噪声预测模型，基于该车辆运行参数，该车辆配置参数以及该环境参数，确定该目标车辆的预测噪声，从而实现对目标车辆内噪声的动态预测。基于该预测噪声，在该目标车辆内进行主动降噪，从而实现对目标车辆内的噪音控制，提高噪音控制的效果。
[0114] 需要说明的是，上述步骤201‑203是对本申请实施例提供的车辆降噪方法的简单说明，下面将结合一些例子，对本申请实施例提供的车辆降噪方法进行更加详细的说明，参见图3，以执行主体为车载终端为例，方法包括下述步骤。
[0115] 301、车载终端获取目标车辆的车辆运行参数、车辆配置参数以及环境参数，该车辆运行参数用于表示该目标车辆的运行状态，该车辆配置参数用于表示该目标车辆的属性，该环境参数用于表示该目标车辆所处环境的环境情况。
[0116] 其中，目标车辆为电动车辆、混动车辆或者燃油汽车，本申请实施例对此不作限定。车辆运行参数用于表示目标车辆的运行状态，能够从一定程度上反映目标车辆在当前运行状态下产生噪音的情况，比如，目标车辆的车速和空调工作参数就属于车辆运行参数。车辆配置参数用于表示目标车辆的属性，也即是目标车辆在正常情况下不会发生变化的参数，比如，目标车辆的车辆底盘参数和车辆密封参数就属于车辆配置参数。环境参数用于表示目标车辆所处环境的环境情况，环境参数会随着目标车辆的行驶发生变化，比如，天气参数和道路参数就属于环境参数。
[0117] 在一些实施例中，车辆运行参数包括功能组件参数和动力参数，该环境参数包括天气参数和道路参数，该车辆配置参数包括车辆底盘参数、车辆密封参数、动力源类型和模态参数。
[0118] 其中，功能组件参数用于表示目标车辆中功能组件的组件状态，在本申请实施例中，功能组件包括轮胎和车载空调，相应地，功能组件参数包括轮胎参数以及空调工作参数，轮胎参数用于表示轮胎的状态，比如，轮胎的状态包括轮胎表面的花纹类型、花纹深浅、磨损程度以及附着杂物等；空调工作参数用于表示车载空调的状态，比如，车载空调的风速等。动力参数为与目标车辆的动力输出相关的参数，在本申请实施例中，动力参数包括目标车辆的车速和动力源转速，动力源与目标车辆的类型相关，在目标车辆为燃油车辆的情况下，动力源包括发动机；在目标车辆为电动车辆的情况下，动力源包括动力电机；在目标车辆为油电混动车辆的情况下，动力源包括发动机和动力电机。天气参数用于表示目标车辆所处环境的天气情况，天气参数包括天气类型以及风速等。道路参数用于表示目标车辆所处道路的道路情况，比如，道路参数包括路面平整度、路面摩擦系数以及滑移率等。车辆底盘参数用于表示目标车辆的底盘的状况。车辆密封参数用于表示目标车辆的密封情况，密封情况对于目标车辆的隔音有一定的影响。该模态参数用于表示该目标车辆的结构的振动响应，模态参数是由目标车辆的结构决定的。
[0119] 在一种可能的实施方式中，车载终端通过车外摄像头获取目标车辆的轮胎的轮胎图像。车载终端基于该轮胎图像，确定该轮胎参数。车载终端通过空调控制单元获取空调工作参数。车载终端通过动力控制单元获取目标车辆的车速和动力源转速。车载终端通过车外摄像头和天气传感器获取天气参数。车载终端通过智驾控制器来获取道路参数。车载终端从目标车辆的配置文件中获取车辆底盘参数、车辆密封参数、模态参数和动力源类型。
[0120] 其中，车载终端基于该轮胎图像确定轮胎参数的过程包括，车载终端对该轮胎图像进行图像识别，得到该轮胎参数，图像识别可以采用相关技术中的图像识别模型来实现，本申请实施例对此不做限定。
[0121] 302、车载终端通过噪声预测模型，基于该环境参数中的道路参数以及天气参数、该车辆配置参数以及该车辆运行参数中的功能组件参数和该动力参数，确定该目标车辆的第一预测噪声。
[0122] 其中，噪声预测模型用于预测目标车辆内的噪声，该噪声预测模型是一个生成式的模型，将车辆运行参数、车辆配置参数以及环境参数输入该噪声预测模型，该噪声预测模型就能够生成预测噪声。由于预测噪声可以视作一个随时间变换的序列，那么该噪声预测模型也可以视作一个序列生成模型。该噪声预测模型是基于多个样本训练参数和各个样本训练参数对应的标注噪声训练得到的，该样本训练参数包括样本车辆运行参数、样本车辆配置参数以及样本环境参数。第一预测噪声为目标车辆内一部分的预测噪声，为一段随时间变化的音频信号。
[0123] 在一种可能的实施方式中，车载终端通过噪声预测模型，基于该道路参数和该车辆底盘参数，确定该目标车辆的预测路噪。车载终端通过噪声预测模型，基于该道路参数和该轮胎参数，确定该目标车辆的预测胎噪。车载终端通过噪声预测模型，基于该天气参数、该空调工作参数、该车辆密封参数以及该车速，确定该目标车辆的预测风噪。车载终端将该目标车辆的预测路噪、预测胎噪以及预测风噪进行融合，得到该目标车辆的第一预测噪声。
[0124] 其中，预测路噪是指预测的与道路直接相关的噪声；预测胎噪是指预测的与轮胎直接相关的噪声；预测风噪是指由于与风直接相关的噪声，包括车外风噪和车内风噪。
[0125] 在这种实施方式下，分别对目标车辆的路噪、胎噪以及风噪进行预测，得到目标车辆的预测路噪、预测胎噪以及预测风噪，从而利用不同参数实现了对不同类型噪声的预测。将预测路噪、预测胎噪以及预测风噪进行融合，得到目标车辆的第一预测噪声，第一预测噪声能够涵盖道路、轮胎以及风直接相关的噪声，有助于最终的噪声预测。
[0126] 为了对上述实施方式进行更加清楚地说明，下面将分为几个部分对上述实施方式进行说明。
[0127] 第一部分、车载终端通过噪声预测模型，基于该道路参数和该车辆底盘参数，确定该目标车辆的预测路噪。
[0128] 在一种可能的实施方式中，车载终端通过噪声预测模型，对该道路参数和该车辆底盘参数进行特征提取，得到该目标车辆所处道路的道路特征以及该目标车辆的底盘特征。车载终端通过噪声预测模型，基于该底盘特征，确定该目标车辆的基准路噪，该基准路噪为该目标车辆在预设道路参数的道路上行驶时的路噪。车载终端通过噪声预测模型，基于该道路特征，确定基准路噪调整系数。车载终端通过噪声预测模型，将该基准路噪和该基准路噪调整系数相乘，得到该目标车辆的预测路噪。
[0129] 其中，预设道路参数由技术人员根据实际情况进行设置，本申请实施例对此不作限定。基准路噪为具有该底盘特征的车辆在该预设道路参数的道路上行驶时的路噪，由于该底盘特征为目标车辆的底盘特征，那么基准路噪也即是目标车辆在该预设道路参数的道路上行驶时的路噪。基准路噪调整系数用于对基准路噪进行调整，以得到目标车辆的预测路噪。
[0130] 在这种实施方式下，通过噪声预测模型预测基准路噪和基准路噪调整系数，利用基准路噪和基准路噪调整系数来确定目标车辆的预测路噪，准确性较高。
[0131] 举例来说，车载终端通过噪声预测模型，对该道路参数进行卷积，得到该目标车辆所处道路的道路特征。车载终端通过噪声预测模型，对该车辆底盘参数进行全连接，得到该目标车辆的底盘特征。车载终端通过噪声预测模型，对该底盘特征进行反卷积，得到该目标车辆的基准路噪。车载终端对该道路特征进行全连接和归一化，得到该基准路噪调整系数。车载终端通过噪声预测模型，将该基准路噪和该基准路噪调整系数相乘，得到该目标车辆的预测路噪。
[0132] 下面对上述第一部分的另一种实施方式进行说明。
[0133] 在一种可能的实施方式中，车载终端通过噪声预测模型，对该道路参数和该车辆底盘参数进行特征提取，得到该目标车辆所处道路的道路特征以及该目标车辆的底盘特征。车载终端将该目标车辆所处道路的道路特征以及该目标车辆的底盘特征进行拼接，得到该目标车辆的路噪预测特征。车载终端通过该噪声预测模型，对该路噪预测特征进行解码，得到该目标车辆的预测路噪。
[0134] 举例来说，车载终端通过噪声预测模型，对该道路参数和该车辆底盘参数分别进行全连接，得到该目标车辆所处道路的道路特征以及该目标车辆的底盘特征。载终端将该目标车辆所处道路的道路特征以及该目标车辆的底盘特征进行拼接，得到该目标车辆的路噪预测特征。车载终端通过该噪声预测模型，对该路噪预测特征进行序列解码，得到该目标车辆的预测路噪。
[0135] 其中，序列解码可以采用LSTM(Long Short‑Term Memory，长短期记忆网络)模型的解码器来实现。利用序列解码能够得到随时间变换的预测路噪。
[0136] 第二部分、车载终端通过噪声预测模型，基于该道路参数和该轮胎参数，确定该目标车辆的预测胎噪。
[0137] 在一种可能的实施方式中，车载终端通过噪声预测模型，对该道路参数和该轮胎参数进行特征提取，得到该目标车辆所处道路的道路特征以及该目标车辆的轮胎特征。车载终端通过噪声预测模型，基于该轮胎特征，确定该目标车辆的基准胎噪，该基准胎噪为该目标车辆在预设道路参数的道路上行驶时的胎噪。车载终端通过噪声预测模型，基于该道路特征，确定基准胎噪调整系数。车载终端通过噪声预测模型，将该基准胎噪和该基准胎噪调整系数相乘，得到该目标车辆的预测胎噪。
[0138] 其中，基准胎噪为具有该轮胎特征的车辆在该预设道路参数的道路上行驶时的胎噪，由于该轮胎特征为目标车辆的轮胎特征，那么基准胎噪也即是目标车辆在该预设道路参数的道路上行驶时的胎噪。基准胎噪调整系数用于对基准胎噪进行调整，以得到目标车辆的预测胎噪。
[0139] 在这种实施方式下，通过噪声预测模型预测基准胎噪和基准胎噪调整系数，利用基准胎噪和基准胎噪调整系数来确定目标车辆的预测胎噪，准确性较高。
[0140] 举例来说，车载终端通过噪声预测模型，对该道路参数进行卷积，得到该目标车辆所处道路的道路特征。车载终端通过噪声预测模型，对该轮胎参数进行全连接，得到该目标车辆的轮胎特征。车载终端通过噪声预测模型，对该轮胎特征进行反卷积，得到该目标车辆的基准胎噪。车载终端对该道路特征进行全连接和归一化，得到该基准胎噪调整系数。车载终端通过噪声预测模型，将该基准胎噪和该基准胎噪调整系数相乘，得到该目标车辆的预测胎噪。
[0141] 下面对上述第一部分的另一种实施方式进行说明。
[0142] 在一种可能的实施方式中，车载终端通过噪声预测模型，对该道路参数和该轮胎参数进行特征提取，得到该目标车辆所处道路的道路特征以及该目标车辆的轮胎特征。车载终端将该目标车辆所处道路的道路特征以及该目标车辆的轮胎特征进行拼接，得到该目标车辆的胎噪预测特征。车载终端通过该噪声预测模型，对该胎噪预测特征进行解码，得到该目标车辆的预测胎噪。
[0143] 举例来说，车载终端通过噪声预测模型，对该道路参数和该轮胎参数分别进行全连接，得到该目标车辆所处道路的道路特征以及该目标车辆的轮胎特征。车载终端将该目标车辆所处道路的道路特征以及该目标车辆的轮胎特征进行拼接，得到该目标车辆的胎噪预测特征。车载终端通过该噪声预测模型，对该胎噪预测特征进行序列解码，得到该目标车辆的预测胎噪。
[0144] 第三部分、车载终端通过噪声预测模型，基于该天气参数、该空调工作参数、该车辆密封参数以及该车速，确定该目标车辆的预测风噪。
[0145] 在一种可能的实施方式中，车载终端通过噪声预测模型，基于该天气参数、该车辆密封参数以及该车速，确定该目标车辆的预测天气风噪。车载终端通过噪声预测模型，对该空调工作参数进行映射，得到该目标车辆的空调风噪。车载终端通过噪声预测模型，将该预测天气风噪和该空调风噪进行融合，得到该目标车辆的预测风噪。
[0146] 其中，预测天气风噪为目标车辆的外部风噪，空调风噪为目标车辆的内部风噪。
[0147] 在这种实施方式下，利用噪声预测模型来确定预测天气风噪和空调风噪，也即是分别确定目标车辆的外部风噪和内部风噪，最终得到目标车辆的预测风噪，预测风噪的准确性较高。
[0148] 举例来说，车载终端通过噪声预测模型，对该天气参数、该车辆密封参数以及该车速进行嵌入编码，得到该天气参数的天气嵌入特征、该车辆密封参数的密封嵌入特征以及车速的车速嵌入特征。车载终端通过噪声预测模型，将该天气嵌入特征、该密封嵌入特征以及该车速嵌入特征进行拼接，得到天气风噪预测特征。车载终端通过噪声预测模型，对该天气风噪预测特征进行序列解码，得到预测天气风噪。车载终端通过噪声预测模型，对该空调工作参数进行全连接和归一化，得到该目标车辆的空调风噪。车载终端通过噪声预测模型，将该预测天气风噪和该空调风噪进行叠加，得到该目标车辆的预测风噪。
[0149] 第四部分、车载终端将该目标车辆的预测路噪、预测胎噪以及预测风噪进行融合，得到该目标车辆的第一预测噪声。
[0150] 在一种可能的实施方式中，车载终端将该目标车辆的预测路噪、预测胎噪以及预测风噪进行叠加，得到该目标车辆的第一预测噪声。
[0151] 303、车载终端通过噪声预测模型，基于该动力参数和该车辆配置参数，确定该目标车辆的第二预测噪声和预测空腔共鸣系数。
[0152] 其中，该动力参数包括动力源转速，该车辆配置参数包括动力源类型和模态参数，该模态参数用于表示该目标车辆的结构的振动响应，模态参数由目标车辆的结构决定。
[0153] 在一种可能的实施方式中，车载终端通过噪声预测模型，基于该动力源类型以及该动力源转速，确定该目标车辆的第二预测噪声。车载终端通过噪声预测模型，基于该模态参数，确定该目标车辆的预测空腔共鸣系数。
[0154] 其中，第二预测噪声是目标车辆的动力源在驱动目标车辆时传递到目标车辆内的噪声，也被称为动力源噪声。预测空腔共鸣系数用于反映目标车辆空腔共鸣情况，能够表示对噪声的放大情况。
[0155] 在这种实施方式下，通过噪声预测模型来确定第二预测噪声和预测空腔共鸣系数，便于后续确定目标车辆内的预测噪声。
[0156] 为了对上述实施方式进行更加清楚地说明，下面将分为几个部分对上述实施方式进行说明。
[0157] 第一部分、车载终端通过噪声预测模型，基于该动力源类型以及该动力源转速，确定该目标车辆的第二预测噪声。
[0158] 在一种可能的实施方式中，车载终端通过噪声预测模型，查询该动力源类型对应的转速‑噪声表，该噪声‑转速表存储有多个候选动力源转速以及各个该候选动力源转速对应的候选第二预测噪声。车载终端通过噪声预测模型，采用该动力源转速在该噪声‑转速表中进行查询，得到该目标车辆的第二预测噪声。
[0159] 其中，该转速‑噪声表是与该动力源类型匹配的转速‑噪声表，存储了该动力类型的动力源在不同转速下的第二预测噪声。该转速‑噪声表由技术人员根据实际情况进行标定，本申请实施例对此不作限定。
[0160] 在这种实施方式下，利用噪声预测模型在转速‑噪声表中进行查询，就能够得到目标车辆的第二预测噪声，效率较高。
[0161] 下面对上述第一部分的另一种实施方式进行说明。
[0162] 在一种可能的实施方式中，车载终端通过噪声预测模型，对该动力源类型以及该动力源转速进行特征提取，得到噪声预测特征。车载终端对该噪声预测特征进行解码，得到该目标车辆的第二预测噪声。
[0163] 举例来说，车载终端通过噪声预测模型，对该动力源类型以及该动力源转速进行嵌入编码，得到该动力源类型的类型嵌入特征和该动力源转速的转速嵌入特征。车载终端通过噪声预测模型，对该类型嵌入特征和该转速嵌入特征进行拼接，得到噪声预测特征。车载终端对该噪声预测特征进行序列解码，得到该目标车辆的第二预测噪声。
[0164] 第二部分、车载终端通过噪声预测模型，基于该模态参数，确定该目标车辆的预测空腔共鸣系数。
[0165] 在一种可能的实施方式中，车载终端通过噪声预测模型，对该模态参数进行特征提取，得到该目标车辆的模态特征。车载终端通过噪声预测模型，对该模态特征进行全连接和归一化，得到该目标车辆的预测空腔共鸣系数。
[0166] 304、车载终端基于该目标车辆的第一预测噪声、第二预测噪声和该预测空腔共鸣系数，确定该目标车辆内的预测噪声。
[0167] 在一种可能的实施方式中，车载终端将该目标车辆的第一预测噪声和第二预测噪声进行融合，得到该目标车辆的第三预测噪声。车载终端将该第三预测噪声与该空腔共鸣系数相乘，得到该目标车辆内的预测噪声。
[0168] 305、车载终端基于该预测噪声，在该目标车辆内进行主动降噪。
[0169] 其中，在目标车辆内进行主动降噪也即是在目标车辆内播放与该预测噪声相位相反，振幅和频率相同的音频，从而与目标车辆内的噪声相互抵消，从而实现降噪。
[0170] 在一种可能的实施方式中，车载终端基于该预测噪声，生成降噪音频，该降噪音频与该预测噪声相位相反，频率和振幅相同。车载终端播放该降噪音频，以实现主动降噪。
[0171] 举例来说，该目标车辆包括多个扬声器，车载终端基于该预测噪声，生成降噪音频，该降噪音频与该预测噪声相位相反，频率和振幅相同。车载终端基于该多个扬声器在该目标车辆中的位置以及该目标车辆中目标座位的位置，生成各个该扬声器的音频播放参数，该目标座位为被选中的座位。车载终端基于各个该扬声器的音频播放参数控制各个该扬声器播放该降噪音频。
[0172] 其中，目标座位为被选中的座位，比如为目标车辆内的驾驶位、副驾驶位以及后排座位等，本申请实施例对此不作限定。该目标座位的数量可以为一个，也可以为多个，本申请实施例对此不做限定。
[0173] 下面对上述举例中生成扬声器的音频播放参数的方法进行说明。
[0174] 以目标座位的数量为一个为例，该音频播放参数包括音频播放时间和音频播放音量，对于该多个扬声器中的任一扬声器，车载终端基于该扬声器在该目标车辆中的位置以及该目标座位的位置，确定该扬声器与该目标座位之间的距离。车载终端基于该扬声器与该目标座位之间的距离，生成该扬声器的音频播放时间和音频播放音量。
[0175] 比如，该扬声器的音频播放时间与该扬声器与该目标座位之间的距离负相关，也即是，距离越大，则音频播放时间越早；距离越小，则音频播放时间越晚。另外，该扬声器的音频播放音量与该扬声器与该目标座位之间的距离正相关，也即是，距离越大，则音频播放音量越大；距离越小，则音频播放音量越小。
[0176] 以目标座位的数量为多个为例，对于该多个扬声器中的任一扬声器，车载终端基于该扬声器在该目标车辆中的位置以及多个目标座位的位置，确定该扬声器与各个目标座位之间的距离。车载终端基于该扬声器与各个目标座位之间的距离，从多个目标座位中确定与该扬声器关联的关联目标座位。车载终端基于该扬声器与该关联目标座位之间的距离，生成该扬声器的音频播放时间和音频播放音量。
[0177] 需要说明的是，上述步骤301‑305是以车载终端为执行主体为例进行说明的，在其他可能的实施方式中，也可以由车载终端和服务器配合来执行上述步骤301‑305，比如，参见图4，车载终端执行上述步骤301之后，将获取的参数发送给服务器，由服务器来基于获取的参数执行步骤302‑305，以确定预测噪声并基于预测噪声生成降噪音频。服务器将降噪音频发送给车载终端，车载终端播放该降噪音频即可实现降噪。
[0178] 上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。
[0179] 通过本申请实施例提供的技术方案，获取目标车辆的车辆运行参数、车辆配置参数以及环境参数，该车辆运行参数、该车辆配置参数以及该环境参数为用于预测目标车辆的噪声的相关参数，该车辆运行参数用于表示目标车辆的运行状态，该车辆配置参数用于表示目标车辆的属性，该环境参数用于表示该目标车辆所处环境的环境情况。通过噪声预测模型，基于该车辆运行参数，该车辆配置参数以及该环境参数，确定该目标车辆的预测噪声，从而实现对目标车辆内噪声的动态预测。基于该预测噪声，在该目标车辆内进行主动降噪，从而实现对目标车辆内的噪音控制，提高噪音控制的效果。
[0180] 本申请实施例还提供了一种噪声预测模型的训练方法，参见图5，以执行主体为服务器为例，方法包括下述步骤。
[0181] 501、服务器获取样本车内音频、该样本车内音频对应的纯净音频、样本车辆运行参数、样本车辆配置参数以及样本环境参数。
[0182] 其中，样本车内音频为在目标车辆播放该纯净音频时采集的音频，纯净音频也即是原始音频。比如，在目标车辆上播放纯净音频的同时通过麦克风在目标车辆内采集音频，采集到的音频也即是该样本车内音频。当然，为了覆盖更多的情况，在采集样本车内音频的过程中，目标车辆处于行驶状态。
[0183] 502、服务器基于该样本车内音频和该样本车内音频对应的纯净音频，生成该目标车辆的标注噪声。
[0184] 其中，该标注噪声为后续模型训练过程中的标注。
[0185] 在一种可能的实施方式中，服务器对该样本车内音频进行人声消除，得到该样本车内音频对应的样本加噪音频。服务器基于该样本加噪音频和该纯净音频，生成该目标车辆的标注噪声。
[0186] 在这种实施方式下，对样本车内音频进行人声消除，得到样本加噪音频，从而消除人声对后续模型训练的影响，基于样本加噪音频和该纯净音频生成的标注噪声的准确性较高。
[0187] 举例来说，服务器对该样本车内音频和该纯净音频进行频域变换，得到该样本车内音频的第一频谱以及该纯净音频的第二频谱。服务器对该第一频谱进行滤波，以消除该第一频谱中的人声成分。服务器基于滤波后的第一频谱和该第二频谱，确定噪声频谱。服务器对噪声频谱进行频域变换，得到该目标车辆的标注噪声。
[0188] 比如，服务器对该样本车内音频和该纯净音频进行傅里叶变换，得到该样本车内音频的第一频谱以及该纯净音频的第二频谱。服务器对该第一频谱进行滤波，以消除该第一频谱中的人声成分。服务器将滤波后的第一频谱和该第二频谱之间的频谱差异，确定为噪声频谱。服务器对噪声频谱进行反傅里叶变换，得到该目标车辆的标注噪声。
[0189] 503、服务器通过噪声预测模型，基于该样本车辆运行参数、该样本车辆配置参数以及该样本环境参数，确定该目标车辆的样本预测噪声。
[0190] 其中，步骤503与上述步骤302‑304属于同一发明构思，实现过程参见上述步骤302‑304的相关描述，在此不再赘述。
[0191] 504、服务器基于该目标车辆的样本预测噪声和该标注噪声之间的差异信息，对该噪声预测模型进行训练。
[0192] 其中，训练该噪声预测模型是为了使噪声预测模型学习到车辆运行参数、车辆配置参数以及环境参数与预测噪声之间的深层关系，从而实现利用车辆运行参数、车辆配置参数以及环境参数来实现噪声预测。该噪声预测模型的输出的预测噪声实际上是一个随时间变换的序列，噪声预测模型就是在预测这个序列中每个参数的值。
[0193] 在一种可能的实施方式中，服务器基于该差异信息确定损失值，利用该损失值在该噪声预测模型中进行反向传播，以调整该噪声预测模型的模型参数，从而实现对该噪声预测模型的训练。
[0194] 需要说明的是，上述步骤501‑504是以对该噪声预测模型进行一轮训练为例进行说明的，其他轮的训练过程与上述过程属于同一发明构思，实现过程不再赘述。
[0195] 图6是本申请实施例提供的一种车辆降噪装置的结构示意图，参见图6，装置包括：参数获取模块601、噪声预测模块602以及降噪模块603。
[0196] 参数获取模块601，用于获取目标车辆的车辆运行参数、车辆配置参数以及环境参数，该车辆运行参数用于表示该目标车辆的运行状态，该车辆配置参数用于表示该目标车辆的属性，该环境参数用于表示该目标车辆所处环境的环境情况。
[0197] 噪声预测模块602，用于通过噪声预测模型，基于该车辆运行参数、该车辆配置参数以及该环境参数，确定该目标车辆内的预测噪声。
[0198] 降噪模块603，用于基于该预测噪声，在该目标车辆内进行主动降噪。
[0199] 在一种可能的实施方式中，该车辆运行参数包括功能组件参数和动力参数，该环境参数包括天气参数和道路参数，该噪声预测模块602，用于基于该道路参数、该车辆配置参数、该功能组件参数、该动力参数以及该天气参数，确定该目标车辆的第一预测噪声。基于该动力参数和该车辆配置参数，确定该目标车辆的第二预测噪声和预测空腔共鸣系数。基于该目标车辆的第一预测噪声、第二预测噪声和该预测空腔共鸣系数，确定该目标车辆内的预测噪声。
[0200] 在一种可能的实施方式中，该车辆配置参数包括车辆底盘参数和车辆密封参数，该功能组件参数包括轮胎参数以及空调工作参数，该动力参数包括车速，该噪声预测模块602，用于基于该道路参数和该车辆底盘参数，确定该目标车辆的预测路噪。基于该道路参数和该轮胎参数，确定该目标车辆的预测胎噪。基于该天气参数、该空调工作参数、该车辆密封参数以及该车速，确定该目标车辆的预测风噪。将该目标车辆的预测路噪、预测胎噪以及预测风噪进行融合，得到该目标车辆的第一预测噪声。
[0201] 在一种可能的实施方式中，该噪声预测模块602，用于对该道路参数和该车辆底盘参数进行特征提取，得到该目标车辆所处道路的道路特征以及该目标车辆的底盘特征。基于该底盘特征，确定该目标车辆的基准路噪，该基准路噪为该目标车辆在预设道路参数的道路上行驶时的路噪。基于该道路特征，确定基准路噪调整系数。将该基准路噪和该基准路噪调整系数相乘，得到该目标车辆的预测路噪。
[0202] 在一种可能的实施方式中，该噪声预测模块602，用于对该道路参数和该轮胎参数进行特征提取，得到该目标车辆所处道路的道路特征以及该目标车辆的轮胎特征。基于该轮胎特征，确定该目标车辆的基准胎噪，该基准胎噪为该目标车辆在预设道路参数的道路上行驶时的胎噪。基于该道路特征，确定基准胎噪调整系数。将该基准胎噪和该基准胎噪调整系数相乘，得到该目标车辆的预测胎噪。
[0203] 在一种可能的实施方式中，该噪声预测模块602，用于基于该天气参数、该车辆密封参数以及该车速，确定该目标车辆的预测天气风噪。对该空调工作参数进行映射，得到该目标车辆的空调风噪。将该预测天气风噪和该空调风噪进行融合，得到该目标车辆的预测风噪。
[0204] 在一种可能的实施方式中，该动力参数包括动力源转速，该车辆配置参数包括动力源类型和模态参数，该模态参数用于表示该目标车辆的结构的振动响应，该噪声预测模块602，用于基于该动力源类型以及该动力源转速，确定该目标车辆的第二预测噪声。基于该模态参数，确定该目标车辆的预测空腔共鸣系数。
[0205] 在一种可能的实施方式中，该噪声预测模块602，用于查询该动力源类型对应的转速‑噪声表，该噪声‑转速表存储有多个候选动力源转速以及各个该候选动力源转速对应的候选第二预测噪声。采用该动力源转速在该噪声‑转速表中进行查询，得到该目标车辆的第二预测噪声。
[0206] 在一种可能的实施方式中，该噪声预测模块602，用于对该模态参数进行特征提取，得到该目标车辆的模态特征。对该模态特征进行全连接和归一化，得到该目标车辆的预测空腔共鸣系数。
[0207] 在一种可能的实施方式中，该噪声预测模块602，用于将该目标车辆的第一预测噪声和第二预测噪声进行融合，得到该目标车辆的第三预测噪声。将该第三预测噪声与该空腔共鸣系数相乘，得到该目标车辆内的预测噪声。
[0208] 在一种可能的实施方式中，该目标车辆包括多个扬声器，该降噪模块603，用于基于该预测噪声，生成降噪音频，该降噪音频与该预测噪声相位相反，频率和振幅相同。基于该多个扬声器在该目标车辆中的位置以及该目标车辆中目标座位的位置，生成各个该扬声器的音频播放参数，该目标座位为被选中的座位。基于各个该扬声器的音频播放参数控制各个该扬声器播放该降噪音频。
[0209] 在一种可能的实施方式中，该音频播放参数包括音频播放时间和音频播放音量，该降噪模块603，用于对于该多个扬声器中的任一扬声器，基于该扬声器在该目标车辆中的位置以及该目标座位的位置，确定该扬声器与该目标座位之间的距离。基于该扬声器与该目标座位之间的距离，生成该扬声器的音频播放时间和音频播放音量。
[0210] 在一种可能的实施方式中，该噪声预测模型的训练装置包括：
[0211] 样本获取模块，获取样本车内音频、该样本车内音频对应的纯净音频、样本车辆运行参数、样本车辆配置参数以及样本环境参数。
[0212] 标注噪声生成模块，用于基于该样本车内音频和该样本车内音频对应的纯净音频，生成该目标车辆的标注噪声。
[0213] 样本预测噪声确定模块，用于通过噪声预测模型，基于该样本车辆运行参数、该样本车辆配置参数以及该样本环境参数，确定该目标车辆的样本预测噪声。
[0214] 训练模块，用于基于该目标车辆的样本预测噪声和该标注噪声之间的差异信息，对该噪声预测模型进行训练。
[0215] 在一种可能的实施方式中，该标注噪声生成模块，用于对该样本车内音频进行人声消除，得到该样本车内音频对应的样本加噪音频。基于该样本加噪音频和该纯净音频，生成该目标车辆的标注噪声。
[0216] 需要说明的是：上述实施例提供的车辆降噪装置在识别车辆的状态时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将车辆的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的车辆降噪装置与车辆降噪方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
[0217] 通过本申请实施例提供的技术方案，获取目标车辆的车辆运行参数、车辆配置参数以及环境参数，该车辆运行参数、该车辆配置参数以及该环境参数为用于预测目标车辆的噪声的相关参数，该车辆运行参数用于表示目标车辆的运行状态，该车辆配置参数用于表示目标车辆的属性，该环境参数用于表示该目标车辆所处环境的环境情况。通过噪声预测模型，基于该车辆运行参数，该车辆配置参数以及该环境参数，确定该目标车辆的预测噪声，从而实现对目标车辆内噪声的动态预测。基于该预测噪声，在该目标车辆内进行主动降噪，从而实现对目标车辆内的噪音控制，提高噪音控制的效果。
[0218] 本申请实施例还提供了一种车辆，图7是本申请实施例提供的一种车辆的结构示意图。
[0219] 通常，车辆700包括有：一个或多个处理器701和一个或多个存储器702。
[0220] 处理器701可以包括一个或多个处理核心，比如4核心处理器、7核心处理器等。处理器701可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器701也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central Processing Unit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器701可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器701还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
[0221] 存储器702可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器702还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器702中的非暂态的计算机可读存储介质用于存储至少一个计算机程序，该至少一个计算机程序用于被处理器701所执行以实现本申请中方法实施例提供的车辆降噪方法。
[0222] 本领域技术人员可以理解，图7中示出的结构并不构成对车辆700的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
[0223] 另外，本申请的实施例提供的装置具体可以是芯片、组件或模块，该芯片可包括相连的处理器和存储器；其中，存储器用于存储指令，当处理器调用并执行指令时，可以使芯片执行上述实施例提供的一种车辆降噪的方法。
[0224] 本实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序代码，当该计算机程序代码在计算机上运行时，使得计算机执行上述相关方法步骤实现上述实施例提供的一种车辆降噪的方法。
[0225] 本实施例还提供了一种计算机程序产品，当该计算机程序产品在计算机上运行时，使得计算机执行上述相关步骤，以实现上述实施例提供的一种车辆降噪的方法。
[0226] 其中，本实施例提供的装置、计算机可读存储介质、计算机程序产品或芯片均用于执行上文所提供的对应的方法，因此，其所能达到的有益效果可参考上文所提供的对应的方法中的有益效果，此处不再赘述。
[0227] 通过以上实施方式的描述，所属领域的技术人员可以了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
[0228] 在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。
[0229] 以上内容，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
