训练机器学习模块以在周围计算环境中进行基于雷达的手势检测的制作方法

背景技术：

1、随着智能设备变得越来越普遍，用户将他们并入日常生活中。例如，用户可以使用一个或多个智能设备来获得日常天气和交通信息，控制家庭的温度，应答门铃，打开或关闭灯，和/或播放背景音乐。然而，与一些智能设备交互可能是麻烦并且低效的。例如，智能设备能够具有物理用户界面，该物理用户界面可能需要用户通过物理地触摸智能设备来通过一个或多个提示进行导航。在该情况下，用户必须将注意力从其他主要任务转移开以与智能设备交互，这可能是不方便和破坏性的。

技术实现思路

1、描述了用于训练机器学习模块以在周围计算(ambient computing)环境中执行基于雷达的手势检测的技术和装置。与依赖于物理用户界面的其他智能设备相比，具有雷达系统的智能设备能够通过提供无眼睛交互和较低认知要求的基于手势的用户界面来支持周围计算。雷达系统能够被设计成解决与周围计算相关联的各种挑战，包括功耗、环境变化、背景噪声、大小和用户隐私。雷达系统使用周围计算机器学习模块来快速辨识由用户执行的多达至少两米远的手势。

2、周围计算机器学习模块的训练部分地涉及两阶段评估过程。两阶段评估过程包括第一阶段，其使用预分段的数据执行分段的分类任务。第二阶段使用未分段或连续的时间序列数据和手势去抖动器来执行未分段的辨识任务。未分段的辨识任务可能比分段的分类任务显著地更具有挑战性，因为手势何时出现在连续时间序列数据中是未知的。通过执行分段的分类任务和未分段的辨识任务，周围计算机器学习模块可以被训练以对背景噪声进行滤波并且具有足够低的误报率以增强用户体验。

3、下面描述的方面包括一种用于训练机器学习模块以执行周围计算的方法。该方法包括使用两阶段评估过程来评估机器学习模块。该评估包括使用机器学习模块使用预分段的数据来执行分段的分类任务，以评估与多个手势的分类相关联的错误。预分段的数据包括具有多个手势分段的复杂雷达数据。多个手势片段中的每个手势片段包括手势运动。跨多个手势片段的手势运动的中心在每个手势片段内具有相同的相对定时对准。该方法还包括使用机器学习模块使用连续时间序列数据来执行未分段的辨识任务，以评估误报率。连续时间序列数据包括其他的复杂雷达数据。该方法附加地包括调整机器学习模块的一个或多个元素以减少错误和误报率。

4、下面描述的方面还包括一种包括雷达系统和处理器的系统。该处理器被配置成处理由雷达系统根据已经根据所描述的方法中的任何一个方法进行训练的机器学习模块生成的复杂雷达数据。

5、下面描述的方面包括一种计算机可读存储介质，其包括响应于通过处理器的执行而使系统执行所描述的方法中的任何一个方法的计算机可执行指令。

6、下面描述的方面还包括一种包括雷达系统和处理器的智能设备。该处理器被配置成处理由雷达系统根据已经根据所描述的方法中的任何一个方法进行训练的机器学习模块生成的复杂雷达数据。

7、下面描述的方面还包括具有用于训练雷达系统的机器学习模块以执行周围计算的手段的系统。

技术特征：

1.一种用于训练机器学习模块的方法，所述方法包括：

2.根据权利要求1所述的方法，其中，所述连续时间序列数据在时间上未被分段。

3.根据权利要求1或2所述的方法，其中，所述连续时间序列数据包括与至少一个用户自然移动或执行与所述多个手势类似的重复运动相关联的否定记录。

4.根据任一前述权利要求所述的方法，进一步包括：

5.根据任一前述权利要求所述的方法，进一步包括：

6.根据权利要求5所述的方法，其中，应用所述随机偏移包括下述中的至少一个：

7.根据任一前述权利要求所述的方法，进一步包括：

8.根据权利要求7所述的方法，其中，检测所述手势运动的所述中心包括检测所述肯定记录的每个手势片段内的零多普勒交叉。

9.根据任一前述权利要求所述的方法，其中，所述预分段的数据包括：

10.根据权利要求9所述的方法，其中，所述肯定记录和所述否定记录包括由雷达系统记录的所述复杂雷达数据。

11.根据权利要求10所述的方法，其中，所述复杂雷达数据表示与多个接收信道相关联的复杂距离多普勒图。

12.根据权利要求10或11中的任一项所述的方法，其中，所述肯定记录与所述至少一个用户在距所述雷达系统的不同距离处多次执行所述多个手势中的每个手势相关联。

13.根据权利要求10至12中的任一项所述的方法，其中，所述肯定记录与所述至少一个用户在相对于所述雷达系统的不同角度处多次执行所述多个手势中的每个手势相关联。

14.根据任一前述权利要求所述的方法，其中，所述错误表示其中所述机器学习模块将由用户执行的手势错误地分类或者将由所述用户执行的背景运动错误地分类为手势的情形。

15.根据任一前述权利要求所述的方法，进一步包括：

16.一种包括雷达系统和处理器的系统，所述处理器被配置成根据已经根据权利要求1至15的方法中的任一项训练的机器学习模块来处理由所述雷达系统生成的复杂雷达数据。

技术总结
描述了训练机器学习模块以在周围计算环境中执行基于雷达的手势检测的技术和装置。与依赖于物理用户界面的其他智能设备相比，具有雷达系统(102)的智能设备(104)可以通过提供无眼睛交互和较低认知要求的基于手势的用户界面来支持周围计算。雷达系统(102)可以被设计为解决与周围计算相关联的各种挑战，包括功耗、环境变化、背景噪声、大小和用户隐私。雷达系统(102)使用周围计算机器学习模块(222)来快速辨识由多达至少两米外的用户所执行的手势。至少部分地使用两级评估过程来训练周围计算机器学习模块(222)，其包括分段的分类任务和未分段的辨识任务。

技术研发人员：林锐志,连寄楣,尼古拉斯·爱德华·吉利恩,安德鲁·C·费尔希,山中仁,布莱克·查尔斯·雅科
受保护的技术使用者：谷歌有限责任公司
技术研发日：
技术公布日：2024/1/15