超声波运动传感技术揭秘：Echo如何感知你的存在本文深入探讨了某机构Echo设备中超声波运动检测的科学原理。内容涵盖了从

去年秋天，某机构为Echo设备引入了基于超声波的运动检测技术，使Alexa用户能够通过检测到的特定运动类型来触发预设的 routines（例如，自动开灯、播放音乐或播报天气与交通信息）。在众多运动检测技术中，选择超声波是因为它能在弱光甚至完全黑暗的环境中工作，并且与无线电波不同，超声波无法穿透石膏板墙，从而降低了误检其他房间运动的可能性。

要让这项技术在现有的Echo硬件上运行，需要在多个方面进行创新：例如，通过对长尾数据进行充分采样来减少误报；设计自校准功能以适应不同硬件设备的差异；以及在并发播放音乐时滤除干扰，保证超声波检测的准确性。

基于超声波的感应技术

在基于超声波的感应技术中，设备通过内置扬声器发射超声波信号，并监测麦克风接收到的信号变化来检测运动。

超声波传感器主要分为多普勒感应和飞行时间感应两大类。采用多普勒感应时，系统通过分析发射信号频谱中的频移来检测运动。这种频移类似于警车警报器在靠近或远离时声音频率的变化。

飞行时间感应则通过监测反射信号到达时间的变化来感知环境变化。由于多普勒感应产生的运动检测信号更稳定，且能很好地兼容Alexa同时播放音频的场景，因此采用了多普勒感应技术。

多普勒频移信号的强度受多种因素影响，例如目标与声源的距离、目标的大小和吸音系数、房间的吸音系数，甚至室内的湿度和温度。此外，当人在封闭空间内移动时，身体不同部位的运动速度和方向各异，会产生多个多普勒分量，加上信号反射带来的重复，使得接收到的信号远非一个带有频移的纯净单音。

深度学习与误报处理

由于这些复杂性，仅靠传统信号处理难以从多普勒频移信号中准确识别人体运动。为此，团队采用了深度学习技术来识别信号中更复杂的模式。

在算法层面，最大的挑战是在保持高检测精度的同时，将误报率降至最低。降低误报率的难点在于AI领域的“长尾问题”：大量罕见事件都可能触发误报，但这些事件在训练数据中占比极少。

为解决此问题，研究人员首先用少量数据训练了一个种子模型。然后，利用该种子模型筛选海量数据，以提取不常见的事件。接着，使用在罕见事件数据上训练的模型，在内部数据收集过程中自动捕获这些低频事件。通过这种方法捕获的数据最终帮助解决了长尾问题，实现了极低的误报率。

部署挑战与解决方案

将训练好的模型部署到实际产品中同样面临挑战。目标是在不增加硬件成本（即使用Echo设备现有的麦克风和扬声器，而非专用的超声波收发器）的前提下，以尽可能低的发射功率实现足够的检测范围。同时，设备需要支持始终开启的运动检测，这意味着即使在播放音乐时，也要能感知到运动。

硬件差异与环境适应：量产设备在振幅和相位响应上存在差异，且难以在保证良率的同时精确控制扬声器在超声波频段的响应。为解决此问题，设计了自动设备校准模块，根据设备硬件的特性和所在房间的声学特性，动态调整发射频率和功率，从而在不增加成本的情况下提供一致的用户体验。
并发音乐播放下的感应：音乐播放是Echo设备的核心功能之一。当低频音乐（如重低音）与超声波信号同时播放时，产生的失真会以噪声形式出现在超声波区域，干扰信号感知。为了在这种情况下增强超声波信号并保证感应距离，开发了一种自适应算法，利用不同麦克风上失真和运动特征的幅度与相位差异，来识别并消除失真。
大幅运动与小幅运动：人体运动可分为大幅运动（如走动）和小幅运动（如伸手拿电话、翻书）。小幅运动的超声信号信噪比极低，检测它们容易引发高误报率，但对于判断用户进入房间后的持续存在至关重要。为此开发了一种基于上下文的算法，可根据最后一次检测到大幅运动后的时间间隔动态调整检测灵敏度。当用户进入房间后，设备会以高灵敏度运行以检测小幅运动，从而在检测灵敏度和低误报率之间取得平衡。
低功耗模式：为实现某机构降低功耗的目标，将解决方案部署在低功耗数字信号处理器上。这需要对代码进行大量优化，并调整神经网络架构。由于数字信号处理器有严格的计算时序和预算，无法部署过深的神经网络。通过在神经模型和定制化数字信号处理器实现之间进行权衡，以牺牲约50毫秒的检测延迟为代价，换取了更高的准确性。此外，在非必要情况下（如在检测到有人存在后的设定时间内）会暂停超声波发射。