使用超宽带的占用感测

技术领域

本公开涉及使用诸如超宽带通信的无线通信的占用感测。

背景技术

车辆占用一直是感兴趣的活跃领域，这既是为了支持监管要求，又是为了提供良好的用户体验。在基础水平下，车辆可以检测前排座椅的占用，以提供安全带提醒。这样的系统还可以提供附加的功能，诸如安全气囊控制和关于气候和音频控制的增强的用户体验。对于以人为中心的自主车辆系统，车辆占用信息也是有效共享自主的组成部分，诸如人类感知、共享感知控制和深度个性化。

发明内容

在一个或多个说明性示例中，提供了一种使用超宽带（UWB）无钥匙基础设施进行占用感测的方法。从布置在多个位置周围的多个UWB收发器节点接收信道脉冲响应（CIR）测量。分类模型用于基于从来自每个UWB收发器节点的CIR测量形成的CIR张量来预测所述多个位置中的每个位置的占用。

在一个或多个说明性示例中，提供了一种用于使用无线通信的占用感测的系统。一种计算设备，包括处理器，该处理器被编程为从布置在多个位置周围的多个无线收发器节点接收信道脉冲响应（CIR）测量，并利用分类模型基于从来自每个无线收发器节点的CIR测量形成的CIR张量来预测所述多个位置中的每个位置的占用。

在一个或多个说明性示例中，非暂时性计算机可读介质包括用于使用超宽带（UWB）进行占用感测的指令，所述指令当由处理器执行时，使得处理器从布置在多个位置周围的多个UWB收发器节点接收信道脉冲响应（CIR）测量；并且利用分类模型来基于从来自每个UWB收发器节点的CIR测量形成的CIR张量来预测所述多个位置中的每个位置的占用。

附图说明

图1示出了供在使用超宽带无钥匙基础设施的占用感测中使用的示例系统；

图2示出了从多个CIR闪烁（blink）测量的通道脉冲响应（CIR）幅度的热图；

图3示出了作为图2中所示热图的平均值和标准偏差的CIR的图形表示；

图4示出了针对车辆为空的占用场景的多个超宽带（UWB）接收器的CIR变化的示例；

图5示出了人员位于驾驶员座椅中的占用场景中多个UWB接收器的CIR变化的替代示例；

图6示出了用于使用超宽带无钥匙基础设施的占用感测的示例数据流；

图7示出了两个未对准的CIR的示例；

图8图示了对准后的图7的两个CIR的示例；

图9图示了使用单输入多输出分类模型的数据流的各方面的示例细节；

图10图示了使用多输入多输出分类模型的数据流的各方面的示例细节；

图11图示了使用MaskMIMO分类模型的数据流的各方面的示例细节；

图12图示了将反馈回路结合到每个座椅占用确定中的示例数据流；

图13图示了用于使用UWB无钥匙基础设施进行占用感测的过程；和

图14图示了用于使用UWB无钥匙基础设施进行占用感测的示例计算设备。

具体实施方式

本文中描述了本公开的实施例。然而，将理解，公开的实施例仅仅是示例，并且其他实施例可以采取各种形式和替代形式。各图不一定是按比例的；一些特征可以被放大或最小化以示出特定组件的细节。因此，本文中公开的具体结构和功能细节不应被解释为限制性的，而仅仅是作为用于教导本领域技术人员以各种方式采用实施例的代表性基础。如本领域普通技术人员将理解的，参考各图中的任一图所图示和描述的各种特征可以与一个或多个其他图中图示的特征相组合，以产生未被明确图示或描述的实施例。图示的特征的组合提供了典型应用的代表性实施例。然而，对于特定的应用或实现，可能期望与本公开的教导一致的特征的各种组合和修改。

图1示出了供在使用超宽带无钥匙基础设施进行占用感测中使用的示例系统100。系统100包括在车厢内部署多个超宽带（UWB）收发器节点102。如所示，系统100利用八个UWB收发器节点102，但是可以使用更多或更少。UWB收发器节点102之一可以广播UWB分组，而其他节点收集信道脉冲响应（CIR）测量。这些CIR信号可以被提供给处理器104，该处理器104接收原始的CIR，处理CIR以使它们在时间上对准，并且将对准的CIR馈送给具有多任务掩码（本文中称为MaskMIMO）的多输入多输出卷积神经网络（CNN），以执行每座椅占用分类。在多个UWB信道可用的情况下，然后一个或多个UWB收发器节点102也可以与监听每个UWB收发器节点102的一个或多个UWB收发器节点102并行传输，从而允许同时取得在多个信道上的测量。

UWB收发器节点102被配置为使用UWB无线电技术来操作。UWB是一种流行的技术，用以提供高准确度定位，资产跟踪和访问控制应用。由于准确的测距特征和对中继攻击的鲁棒性，车辆制造商正在将无钥匙进入基础设施升级到基于UWB的系统。在许多示例中，UWB是指具有大于500 MHz或算术中心频率20%的带宽的信号。在许多示例中，UWB的频率范围为从3.1至10.6 GHz，并且对于UWB发射器的功率谱密度（PSD）极限为-41.3 dBm/MHz。UWB的优点是大带宽，其提供比其他无线技术好得多的时间/空间分辨率。一般而言，无线感测的时间分辨率为

UWB收发器节点102可以用作无钥匙进入基础设施，作为对无源无钥匙进入系统的替代，其使用低频（LF）和超高频（UHF）信道的组合来测量钥匙卡的接近度，以检查钥匙卡是在车辆内部还是在车辆的特定范围（例如，2 m）内。UWB对于在无钥匙进入中使用具有优势，其中之一是UWB无线电携带如在IEEE 802.15.4-2015 UWB标准中定义的明确的定时信息，从而阻遏中继攻击，因为与来自本地钥匙的合法信号相比，来自中继设备的信号将花费太长得多的时间被车辆接收。此外，随着UWB无线电在智能电话中实现，用户可能不再需要携带附加的钥匙卡。取而代之，用户可以使用他们的UWB启用的智能电话来锁定/解锁/启动他们的车辆。

作为发射器操作的UWB收发器节点102的发射信号是以IEEE 802.15.4格式预先定义的符号序列。这些UWB数据分组有时被称为“闪烁”。这些信号可以通过多个路径行进，并到达作为具有不同幅度衰减和飞行时间的接收器操作的UWB收发器节点102。可以将接收信号与已知的发射符号序列进行比较，以如下计算CIR：

其中：

UWB CIR表示发射信号如何行进通过发射器和接收器周围环境的多径轮廓。CIR的时间序列表示由多径环境的任何改变引起的多径轮廓变化。这是CIR可以如何用于占用者感知的一方面。

图2示出了从多个CIR闪烁测量的CIR幅度的热图200。如所示，热图200的Y轴表示CIR闪烁的次数，而X轴表示所图示的CIR路径的数量随时间的索引。注意，在热图200中没有示出所有的CIR路径。取而代之，提供了截断的CIR窗口，在该示例中，在第一个路径索引之前有15个路径，并且第一个路径索引之后有85个路径。为了不同的感测目的，CIR热图200可以被馈送到信号处理技术和机器学习算法中。

图3示出了作为图2中所示热图的平均值和标准偏差的CIR的图形表示300。如所示，Y轴表示CIR幅度，而X轴再次表示被图示的CIR路径的数量的索引。这允许随时间观察CIR幅度。除了幅度和标准偏差，不同的特征——诸如峰/谷、峰/谷之间的距离、峰/谷的数量等——可以被计算并且还可以被馈送到用于不同感测目的的机器学习算法。

由于来自车辆中对象和人的多路径信号反射影响CIR，因此热图中的CIR变化以及平均值和标准变化可以用于车辆占用感测。因此，由于车辆占用监视在支持监管要求和提供定制的用户体验中有用，因此由UWB收发器节点102支持的无钥匙基础设施可以附加地用于正交感测模态中以检测车辆占用。由于系统100利用了现有的无钥匙基础设施，因此系统100可以利用车辆内部包括的用于无钥匙进入的相同的UWB收发器节点102来操作。此外，系统100不具有位置特定的要求，并且因此可以利用现有安装的UWB收发器节点102。

图4示出了针对车辆为空的占用场景的多个UWB接收器的CIR变化的示例400。图5示出了人员位于驾驶员座椅中的占用场景的多个UWB接收器的CIR变化的替代示例500。在示例400和500的每一个中，为UWB收发器节点102的布局（例如，在图1的示例UWB收发器节点102的布局的该示例中）提供平均值和标准偏差的图形CIR表示（例如，如在图3中所示）。在该示例布局中，作为发射器操作的UWB收发器节点102位于车辆的中央面板，而作为接收器起作用的UWB收发器节点102位于车辆中的不同位置。作为一个非限制性示例，这些位置可以包括车辆的左前、后视镜、右前、前顶棚、后顶棚、中控台、左后、后备箱和右后。

应当注意，虽然本文的许多示例涉及车辆环境，但是此类技术也适用于包括UWB收发器节点102的其他环境或者其他定位应用。例如，本文描述的技术可以用于独立于座椅位置确定占用者位置。作为另一种可能性，本文描述的技术可以用于确定具有UWB收发器节点102安装的建筑物或其他结构中的占用者位置。作为又另外的可能性，本文描述的技术可以用于确定具有UWB收发器节点102安装的室外环境中的占用者位置。

不管具体的环境或位置如何，在每个接收器UWB收发器节点102处的CIR变化对于每个占用场景示出不同的多径轮廓。例如，在左前和后视镜处的UWB收发器节点102在示例400和500之间具有高CIR变化，这是由于当如图5中所示的驾驶员座椅上有人员时的较小人体移动，而当如图4中所示的车辆是空的时，所有UWB收发器节点具有低CIR变化。CIR变化可以被馈送到用于车辆占用感测的机器学习算法。

由于无线信号与数字图像具有诸如空间分辨率和视野的不同属性，因此可以利用专门为UWB数据设计的CNN模型。使用CIR数据作为输入，系统100可以使用深度学习模型，该深度学习模型具有带有多任务掩码（例如，Mask MIMO）的多输入多输出（MIMO）模型，以通过2D卷积和多任务掩码的每座椅关注来学习空间/时间特征。通过从2D卷积学习空间/时间特征，以及从多任务掩码学习每座椅占用关注，Mask MIMO对于未知车辆位置和未见场景是准确和鲁棒的。该模型对数据收集、信号处理、特征工程和模型训练要求低的训练工作量。系统100还具有低计算成本，并且对在诸如具有受约束资源的嵌入式设备的处理器104上实时运行是实用的。

图6示出了用于使用超宽带无钥匙基础设施的占用感测的示例数据流600。在示例中，数据流600可以由与UWB收发器节点102通信的处理器104来完成。一般而言，数据流600包括链接选择602、信道状态提取604、信号处理/数据预处理阶段606、使用分类模型的机器学习608以及关于进行每座椅占用产生的决策的确定610。

关于链路选择602，对于每个UWB收发器节点102，自动或手动选择对每座椅占用预测的预测输出贡献最大的那些特征。这些特征可以包括例如CIR数据的CIR幅度和标准偏差、峰/谷、峰/谷之间的距离、峰/谷的数量等中的一个或多个。

使用所选择的数据，执行信道状态提取604。这可以包括例如根据所选择的特征，从每个UWB收发器节点102捕获CIR数据。例如，每个接收器UWB收发器节点102可以收集CIR，并且可以将解码的CIR测量发送到处理器104。

在示例中，UWB收发器节点102中的一个可以作为发射器操作，并且剩余的节点UWB收发器节点102可以作为接收器操作。继续图1的示例UWB收发器节点102布局，UWB收发器节点102中的一个可以是发射器，而其他七个UWB收发器节点102可以是接收器。不管UWB收发器节点102的布局或数量如何，被分配为发射器的UWB收发器节点102可以例如在处理器104的控制下周期性地改变（诸如每30毫秒）。作为一种可能性，UWB收发器节点102可以以轮询次序改变，其中当前发射器被改变为接收器，并且UWB收发器节点102的有序序列中的下一个UWB收发器节点102被改变为发射器。

对如收集的UWB CIR数据的处理可以包括两个方面：用于将原始UWB信号转换成归一化CIR张量的信号处理/数据预处理阶段606，以及分类模型608阶段，该分类模型608阶段包括从归一化CIR张量预测每座椅占用，从而产生每座椅占用决策。依次讨论这些中的每一个。

关于信道状态提取604，对于UWB，发射器和接收器通常不是时间同步的。因此，在不同时间测量的CIR可能关于彼此随机移位。因此，信号处理/数据预处理阶段606的初始阶段可以包括执行CIR对准，以将原始CIR转换成以一致方式表示多径轮廓的CIR时间序列。

图7示出了两个未对准的CIR的示例700。如所示，Y轴表示CIR幅度，而X轴再次表示被图示的CIR路径的数量的索引。在图示的示例700中，两个CIR被大约两秒的时间间隔分离。

图8图示了对准后的图7的两个CIR的示例800。在一个示例中，第一路径索引可以用于执行CIR对准。第一路径索引可以由前沿检测算法（leading-edge detectionalgorithm）确定，该前沿检测算法将每个路径的接收功率与从噪声估计计算的阈值进行比较。在去除时移之后，可以通过第一路径索引来对准CIR。

返回到图6，已经接收到CIR的处理器104可以进行CIR对准（例如，使用第一路径索引）以将原始CIR变换为每个节点的路径的截断CIR的时间序列（例如，为每个节点累积预定义数量的路径，诸如在一个非限制性示例中为101个路径）。

响应于对应于粗略2.4秒的预定义数据集合（例如，在一个示例中为十个轮询循环）的完成，可以根据传输节点分组将UWB收发器节点102的CIR幅度联接成4D CIR张量。该4D CIR张量可以用作进一步处理的输入。继续图1的示例，4D CIR张量的大小可以表示八个UWB收发器节点102、每轮七个接收器、十个CIR闪烁和101个CIR路径。

继续预处理，用于训练、验证和测试的4D CIR张量可以被归一化。在示例中，这可以如下完成：

其中：

由于

在完成了用于将来自UWB收发器节点102的原始信号转换成归一化CIR张量的CIR处理之后，机器学习分类模型608使用归一化CIR张量来根据归一化CIR张量预测每座椅占用。

可以基于输入数据和输出目标来设计分类模型。分类模型的输出可以包括每个汽车座椅的占用预测。可能的模型架构是对不同汽车占用场景的所有组合使用单个标签。例如，“0000”表示空汽车，并且“1000”表示驾驶员座椅上的人员，并且其他三个座椅上没有人员。在这种情况下，输出类的数量非常大，例如，十六个可能的输出，以覆盖四个座椅位置的“0”或“1”的所有组合。该大量的输出可能增加模型的复杂度。此外，大量的输出类可能引起计算和优化方面的瓶颈，这可能增加在训练模型中的难度。

输出类的量可以通过利用多任务学习方法来解决，其中多个分类任务被联合学习。多任务学习相应地降低了复杂度，并且改进了分类算法的泛化能力、可伸缩性和灵活性。首先，输出被划分成更简单的任务，例如，对于每个座椅位置（例如，在一个非限制性示例中为四个座椅位置）空的或被占用的二进制分类。这降低了模型架构和优化算法二者的复杂度和计算成本，因此模型更容易训练。其次，从每个任务学习到的特征可以改进其他任务，因为不同的任务是相关的。通过与共享表示并行学习多个相关任务，多任务学习能够改进所有任务的总体性能。第三，多任务学习是可伸缩的，并且在新数据可用的情况下容易添加新任务。例如，模型可以添加“狗”用于每座椅占用分类，并利用附加数据在预先训练的模型上训练。最后，多任务学习可灵活地为多任务学习的不同任务添加权重。例如，如果驾驶员座椅的占用具有更高的优先级，则模型可以为驾驶员座椅添加更高的权重。

分类算法的输入可以采取从上述信号预处理阶段606输出的4D张量的形式。该输入格式也影响分类算法的设计选择。4D张量可以使用4D卷积来提取特征映射。然而，4D卷积具有高的时间和空间复杂度，并且可能不被诸如TensorFlow和PyTorch的深度学习框架天然地支持。使用诸如单输入多输出（SIMO）或多输入多输出（MIMO）的分解模型，可以用3D或2D卷积来替换4D卷积。

图9图示了使用单输入多输出（SIMO）分类模型608的数据流600的各方面的示例细节900。如所示，在902，所有节点的3D CIR张量被联接成单个3D张量。使用图1的UWB收发器节点102的示例布置和以上提及的示例方法，该联接可以表示八个UWB收发器节点102、每轮七个接收器、具有十个CIR闪烁和101个CIR路径。因此，纯粹为了解释而非限制，来自七个接收UWB收发器节点102中的每一个的7x10x101的数据大小可以导致56x10x101的联接数据集。

接下来，可以沿时间和空间域执行2D卷积。每个节点102的预处理的3D CIR张量可以被馈送到两个卷积层904和908，每个卷积层之后是相应的激活层906和908。卷积层的大小可以变化，但是通常第一卷积层904可以大于第二卷积层908。激活层906和910可以包括诸如以下各项的方面：诸如通过减去批量均值并除以批量标准偏差来批量归一化以使输出归一化，校正线性单元（ReLU）将负激活归零，最大汇集以对所得数据进行下采样，以及丢弃层以通过将它们设置为零以避免过拟合来丢弃掉该层中的随机激活集。该数据可以受制于展平912操作，以将该数据转换成向量，并且然后可以使用具有与输出相同数量的节点（例如，座椅位置的数量）的softmax层914来生成座椅占用的最终概率。

例如，纯粹为了解释而非限制，卷积层904可以利用5×5矩阵来提供具有为256×10×101的总体数据大小的256个输出，激活层906可以利用3×3矩阵来执行汇集，从而产生256×3×33的数据集，并且卷积层908可以利用3×3矩阵来提供具有为128×3×33的总体数据大小的128个输出，并且激活层910可以利用3×3矩阵来执行汇集，从而产生128×1×11的数据集。这可以被展平成大小为1408×1的向量，从该向量例如经由softmax确定最终输出。

图10图示了使用多输入多输出（MIMO）分类模型608的数据流600的各方面的示例细节1000。在该示例中，每个UWB收发器节点102使用其自己的（一个或多个）2D卷积层1002。例如，每个UWB收发器节点102将自己的数据馈送到卷积层1002和1006以及激活层1004和1008的单独集合中，而不是以联接开始。应该再次注意的是，层的大小以及层的数量可以与图示的不同。对于每个UWB收发器节点102的层1008的卷积输出在1010处例如通过类似于上面关于SIMO分类模型讨论的展平912和softmax层914的展平1012和softmax层1014而被联接成用于多任务分类的单个层。对于MIMO，每个节点的神经架构相同，但不同节点的神经权重不同。因此，在这样的方法中，这些层1002、1004、1006、1008独立地学习每个UWB收发器节点102的空间和时间域中的特征。

例如，纯粹为了解释而非限制，每个卷积层1002可以利用5×5矩阵来提供具有为256×10×101的总体数据大小的256个输出，每个激活层1004可以利用3×3矩阵来执行汇集，从而产生256×3×33的数据集，每个卷积层1006可以利用3×3矩阵来提供具有为128×3×33的总体数据大小的128个输出，并且每个激活层1008可以利用3×3矩阵来执行汇集，从而产生128×1×11的数据集。这些独立的数据集可以被联接成128×8×11的数据集，并被展平成11264×1的向量，从该向量例如再次经由softmax确定最终输出。

然而，值得注意的是，SIMO和MIMO分类模型608没有捕获对于不同的UWB收发器节点102和不同的座椅位置相关的空间特征。为了解决此，可以向MIMO分类模型608添加多任务掩码，以从多个UWB收发器节点102学习多任务关注。

图11图示了使用MaskMIMO分类模型608的数据流600的各方面的示例细节1100。MaskMIMO分类模型608包括与上述关于MIMO分类模型608的方面类似的方面。例如，元件1102-1112分别如以上关于元件1002-1012所讨论的那样操作。在展平之后，展平的向量被应用于密度层1114集合，每个座椅位置一个密度层。每个密度层1114将1112处的高维向量输出变换成更低维的对象向量。此外，密度层1114输出被应用于sigmoid激活函数，以产生在每个相应座椅位置处的占用的预加权概率输出。值得注意的是，不同的UWB收发器节点102对于不同座椅位置的性能具有不同的权重，因为UWB收发器节点102被放置在车辆内部的不同位置。因此，利用多任务掩码1116对这些预加权输出进行加权，该多任务掩码1116被配置为学习每座椅关注和空间特征，以自动计算不同UWB收发器节点102和座椅位置的权重。

在图示的示例实现中，多任务掩码1116针对来自所有UWB收发器节点102的数据的联接1118进行操作，类似于以上讨论的至SIMO分类模型608的输入。该联接数据然后被馈送到卷积层1120、激活层1122、另一个卷积层1124和另一个激活层1126。卷积层1120、1124的大小以及层数可以变化。激活层1122和1126可以类似地包括诸如以下各项的方面：诸如通过减去批量均值并除以批量标准偏差来批量归一化以使输出归一化，校正线性单元（ReLU）将负激活归零，最大汇集以对所得数据进行下采样，以及丢弃层以通过将它们设置为零以避免过拟合来丢弃掉该层中的随机激活集。该数据可以被展平1128成向量，并且然后应用于密度层1130集合，每个座椅位置一个密度层，其具有sigmoid激活函数以产生用于每个座椅位置的多任务权重。然后，通过将来自多任务掩码116的多任务权重与乘法器1132处的softmax分数相乘来计算最终的每座椅占用预测。然后，在1134，可以对这些乘积进行阈值化或以其他方式应用这些乘积，以生成最终的每座椅占用预测（例如，使用诸如1的第一值表示已占用、诸如0的第二值表示未占用等的二进制预测）。

例如，纯粹为了解释而非限制，MIMO数据大小方面可以与关于MIMO分类模型608描述的那些一致。此外，关于多任务掩码1116的操作，也纯粹为了解释而非限制，UWB收发器节点102数据的联接1118可以产生56×10×101维的数据向量，卷积层1120可以利用3×3矩阵来提供具有为56×10×128的总体数据大小的128个输出，激活层1122可以执行与3×3矩阵的汇集，从而产生18×3×128的数据集，卷积层1124可以利用3×3矩阵来提供具有为56×10×64总体数据大小的64个输出，并且激活层1126可以利用3×3矩阵来执行汇集，从而产生6×1×64的数据集。该数据可被展平成384×1的向量，由此密度输出被确定为128×1，其可以被提供给sigmoid函数以产生每个座椅位置的多任务权重。此外，相应的密度层1114可以将11264×1大小的展平联接减小到诸如128×1的更可管理的大小，这可以应用于该流中的sigmoid函数以确定预掩码加权概率。这些预掩码加权概率和多任务权重可以相应地提供给乘法器1132。

因此，MaskMIMO分类模型608从多个UWB收发器节点102的多径轮廓学习独立和共享特征二者。MaskMIMO分类模型608还利用多任务掩码1116从不同位置处的UWB收发器节点102学习空间特征和多任务关注。由于该设计，MaskMIMO分类模型608对于不同的未见场景可以是鲁棒的。因为MaskMIMO分类模型608对于不同的场景是鲁棒的，所以MaskMIMO分类模型608不需要在不同的场景中收集大量的数据。取而代之，MaskMIMO分类模型608可以仅由四个车辆位置来训练，并且为不同的未见场景提供鲁棒和高准确度。此外，不像通常需要特征工程/选择的诸如k近邻（kNN）和支持向量机（SVM）的其他机器学习方法，MaskMIMO分类模型608可以自动学习特征，并且因此可能需要很少或不需要进行信号处理的人工工作量。此外，MaskMIMO分类模型608可以使用多输出CNN模型，使得它可以由新数据或新任务重新训练，而无需从头重新开始训练。最后，MaskMIMO分类模型608具有低计算成本，并且可以在具有受约束资源的嵌入式设备上实时运行。

图12图示了将反馈回路1202结合到每座椅占用确定中的示例数据流1200。该反馈回路1202可以进一步改进在可以正常运行期间的性能。类似于标签数据，可以从各种源接收反馈，诸如手动输入（例如，在回路中的人）或使用其他传感器模态（诸如相机、雷达、座椅重量传感器等）提供基础真值作为数据输入，以训练关于占用确定的MaskMIMO分类模型608。

图13图示了用于使用UWB无钥匙基础设施进行占用感测的过程1300。在示例中，过程1300可以使用本文详细描述的技术来执行。

在操作1302，从布置在多个位置附近的多个UWB收发器节点102接收信道脉冲响应（CIR）测量。在一些示例中，位置是座椅位置，但是在其他示例中，位置可以不同于座椅位置，因为UWB收发器节点102可以被设计用在无钥匙认证中。在示例中，所述多个UWB收发器节点102中的一个被周期性地重新分配为发射器，并且所述多个UWB收发器节点102中的另一个被周期性地重新分配为接收器。因此，来自作为发射器操作的UWB收发器节点102的数据的CIR测量是从作为接收器操作的UWB收发器节点102收集的。

在操作1304，分类模型608用于标识从每个UWB收发器节点102的CIR测量形成的CIR张量的特征，以产生每个位置的输出。在一个示例中，分类模型608可以是单输入多输出分类模型608，并且所述多个UWB收发器节点102的CIR张量可以被联接成用于分类模型608的单个3D张量。在另一个示例中，分类模型608可以是多输入多输出分类模型608，并且来自每个UWB收发器节点102的数据可以被馈送到层的单独集合中，其中用于每个UWB收发器节点的层的输出被联接到用于多任务分类的单个层中。

在又另外的示例中，利用MaskMIMO分类模型608的多输入多输出（MIMO）分类来标识每UWB收发器节点的CIR张量的特征，以产生用于每个座椅位置的预加权输出。在这样的示例中，来自每个UWB收发器节点的CIR张量可以被馈送到卷积层和激活层的单独的相应集合中。然后，层的单独相应集合的输出可以被联接，并且联接的输出可以被展平用于多任务分类。展平的联接输出可以应用于密度层集合，每个座椅位置一个密度层，其具有sigmoid激活函数以产生用于每个座椅位置的预加权输出。此外，从CIR张量标识多任务关注的多任务掩码可以用于产生每个座椅位置的多任务权重。在示例中，来自每个UWB收发器节点的CIR张量的联接可以被馈送到卷积层和激活层集合中。层的输出可以被展平成向量，并且展平的输出可以被应用于密度层集合，每个座椅位置一个密度层，其具有sigmoid激活函数以产生用于每个座椅位置的多任务权重。此外，可以使用多任务权重对预加权输出进行加权，以产生计及跨UWB收发器节点相关的空间特征的最终输出。在示例中，对于每个座椅位置，用于座椅位置的预加权输出可以乘以座椅位置的对应多任务权重以确定产品。

关于测量，可以执行时间同步以产生跨UWB收发器节点时间对准的CIR张量。在示例中，通过前沿检测来确定第一路径索引，以将CIR测量中的每个路径的接收功率与从CIR测量的噪声估计计算的阈值进行比较；并且CIR测量通过第一路径索引对准，以去除CIR测量之间的时移。在一些示例中，CIR张量也被归一化。

在操作1306，根据最终输出为所述多个位置中的每一个预测占用。在示例中，每个位置的产品可以被阈值化以提供每个位置的二元座椅占用预测。在示例中，位置是座椅位置。

图14图示了使用UWB无钥匙基础设施进行占用感测的示例计算设备1400。处理器104可以包括这样的计算设备1400。本文执行的操作——诸如图1-13中所示的操作——可以由这样的计算设备1400来执行。计算设备1400可以包括存储器1402、处理器1404和非易失性存储装置1406。处理器1404可以包括从高性能计算（HPC）系统选择的一个或多个设备，包括：高性能核心、微处理器、微控制器、数字信号处理器、微型计算机、中央处理单元、现场可编程门阵列、可编程逻辑设备、状态机、逻辑电路、模拟电路、数字电路或基于驻留在存储器1402中的计算机可执行指令操纵信号（模拟或数字）的任何其他设备。存储器1402可以包括单个存储器设备或多个存储器设备，包括但不限于随机存取存储器（RAM）、易失性存储器、非易失性存储器、静态随机存取存储器（SRAM）、动态随机存取存储器（DRAM）、闪存、高速缓冲存储器或能够存储信息的任何其他设备。非易失性存储装置1406可以包括一个或多个持久性数据存储设备，诸如硬盘驱动器、光驱、磁带驱动器、非易失性固态设备、云存储或能够持久性存储信息的任何其他设备。

处理器1404可以被配置为读入存储器1402，并且执行驻留在非易失性存储装置1406中并体现一个或多个实施例的算法和/或方法的程序指令1408的计算机可执行指令。程序指令1408可以包括操作系统和应用程序。可以从使用多种编程语言和/或技术创建的计算机程序编译和/或解译程序指令1408，所述多种编程语言和/或技术在没有限制的情况下并且单独或组合地包括Java、C、C++、C#、Objective C、Fortran、Pascal、Java Script、Python、Perl和PL/SQL。在一些示例中，机器学习方面可以使用诸如TensorFlow和PyTorch的深度学习框架来实现。

在由处理器1404执行时，程序指令1408的计算机可执行指令可以使得计算设备1400实现本文公开的一个或多个算法和/或方法。非易失性存储装置1406还可以包括支持本文描述的一个或多个实施例的功能、特征和过程的数据1410。

本文公开的过程、方法或算法可以可递送到处理设备、控制器或计算机/由处理设备、控制器或计算机实现，所述处理设备、控制器或计算机可以包括任何现有的可编程电子控制单元或专用电子控制单元。类似地，过程、方法或算法可以以多种形式存储为可由控制器或计算机执行的数据和指令，包括但不限于永久存储在诸如ROM设备的不可写存储介质上的信息和可变更地存储在诸如软盘、磁带、CD、RAM设备以及其他磁性和光学介质的可写存储介质上的信息。所述过程、方法或算法也可以在软件可执行对象中实现。替代地，可以使用诸如专用集成电路（ASIC）、现场可编程门阵列（FPGA）、状态机、控制器之类的合适的硬件组件，或其他硬件组件或设备，或者硬件、软件和固件组件的组合，来整体或部分地体现过程、方法或算法。

虽然上面描述了示例性实施例，但是不旨在这些实施例描述权利要求所包含的所有可能的形式。说明书中使用的词语是描述的词语，而不是限制的词语，并且理解，可以在不脱离本公开的精神和范围的情况下做出各种改变。如先前描述的，各种实施例的特征可以被组合以形成可能未被明确描述或图示的本发明的另外的实施例。虽然各种实施例可能已经被描述为在一个或多个期望的特性方面提供了优于其他实施例或现有技术实现的优点或者比其他实施例或现有技术实现优选，但是本领域的普通技术人员认识到，一个或多个特征或特性可以取决于具体的应用和实现被折衷以实现期望的总体系统属性。这些属性可以包括但不限于成本、强度、耐用性、生命周期成本、适销性、外观、包装、大小、适用性、重量、可制造性、组装容易性等。照此，在任何实施例都被描述为在一个或多个特性方面与其他实施例或现有技术实现相比不太合期望的程度上，这些实施例不在本公开的范围之外，并且对于特定应用可以是合期望的。

关于本文所述的过程、系统、方法、启发法等，应该理解，尽管此类过程的步骤等已经被描述为根据特定的有序序列发生，但是此类过程可以在不同于本文描述次序的次序执行所描述步骤的情况下来实践。进一步应该理解，可以同时执行某些步骤，可以添加其他步骤，或者可以省略本文描述的某些步骤。换句话说，本文提供的过程的描述是为了说明某些实施例的目的，并且决不应该被解释为限制权利要求。

因此，将理解，以上描述旨在是说明性的而非限制性的。在阅读以上描述后，除了所提供的示例之外的许多实施例和应用将是清楚的。应该不参考以上描述来确定范围，而是取而代之应该参考所附权利要求连同此类权利要求所赋予的等同物的全部范围来确定该范围。预见和意图的是，在本文讨论的技术中将出现未来的发展，并且所公开的系统和方法将被结合到此类未来实施例中。总之，应该理解，该申请能够具有修改和变型。

权利要求中使用的所有术语都旨在给出它们最宽的合理构造和如本文描述技术领域中技术人员所理解的它们的普通含义，除非在本文中进行了相反的明确指示。特别是诸如“一”、“该”、“所述”等单数冠词的使用应该理解为叙述一个或多个所指示的元素，除非权利要求叙述了相反的明确限制。

提供本公开的摘要是为了允许读者快速明确技术公开的性质。在具有如下理解的情况下提交摘要：它将不用于解释或限制权利要求的范围或含义。此外，在前面的具体实施方式中，可以看出，出于精简本公开的目的，各种特征在各种实施例中被分组在一起。该公开方法不应被解释为反映了要求保护的实施例需要比每个权利要求中明确陈述的更多特征的意图。相反，如以下权利要求反映的，发明主题在于少于单个公开实施例的所有特征。因此，以下权利要求特此被结合到具体实施方式中，其中每个权利要求自身独立地作为单独要求保护的主题。

虽然上面描述了示例性实施例，但是不旨在这些实施例描述本发明的所有可能形式。相反，说明书中使用的词语是描述的词语，而不是限制的词语，并且理解，可以在不脱离本发明的精神和范围的情况下进行各种改变。此外，各种实现实施例的特征可以被组合以形成本发明的另外实施例。