機器人聽覺系統中指紋定位改進方法*

楊 鵬,徐 靜,王碩朋

(1.河北工業大學控制與工程學院,天津 300130;2.教育部智能康復裝置與檢測技術工程研究中心,天津 300130)

移動設備和無線通信技術的發展使得基于位置的服務[1]近年來得到廣泛應用,例如共享單車、百度地圖、庫存和倉儲。全球定位系統在室外定位表現出色,然而GPS信號穿透能力弱,難以在非視距傳播信道和多障礙物的室內環境獲得足夠的定位精度[2-3]。因此,國內外投入了大量精力來尋找適合室內環境定位的短距離信號,如:視覺信息和聽覺信息。其中,聲音是物體振動產生的聲波,相對于視覺信息具有傳播全向性和不受能見度束縛的優勢。利用聽覺信息估計目標位置的過程稱為聲源定位,聲源定位技術[4]利用機器人處理麥克風陣列接收的聲音信號來對單個或多個聲源位置進行估計,是一種自然且有效的定位方式,為室內定位技術的發展提供了新的研究方向。

目前,使用聲音信號進行室內定位的方法分為幾何定位法和指紋定位法兩大類。幾何定位法是通過至少兩個位置標定的參考節點和未知節點的幾何關系獲取未知節點的位置。該類定位方法需要增加額外的硬件設施,且在非線性結構化的室內環境中存在模型依賴度高和系統穩定性差等缺點。基于位置指紋的聽覺定位方法是一種常用的場景分析法,通過對定位環境內聲場信息的感知和邏輯推理對目標定位節點的位置進行估計,可以有效克服幾何定位法的缺點,具有定位精度高、模型依賴度低等優勢,是室內定位的主流技術。然而在大型室內空間中指紋定位法需要面臨兩個難題:①系統開銷大。指紋定位法需要消耗大量的時間和人力在多個參考點處進行多次數據采集,構建高維數據庫以提高定位精度。此外,構建數據庫和定位目標要在同樣的條件下進行,若定位條件發生變化,原有數據庫的使用將會使定位效果急劇惡化。②定位復雜度高。指紋定位法多采用最佳匹配算法搜索整個高維數據庫選擇與待定位聲源特征向量最相似的鄰近參考點,嚴重影響了定位的實時性。本文針對上述問題,提出了一種低開銷、低復雜度、高定位精度的基于聲音位置指紋的改進室內定位方法。

1 相關工作

基于聲音位置指紋的聽覺定位方法在室內定位領域引起了廣泛研究。文獻[5]對所有參考節點進行多次數據采集,記錄各能量比值在每個參考點出現的概率,然后計算待測聲源在這些參考節點位置出現的最大概率;文獻[6]提出了最鄰近算法,以指紋數據庫中與聲源特征最相似的參考節點對應的空間坐標作為定位結果;文獻[7]提出了改進的K近鄰法,待測聲源的位置不僅由K個鄰近參考點的坐標決定,而且要考慮它們占有的權值;文獻[8]提出了基于神經網絡的聲源定位方法,使用數據庫的預存指紋數據進行訓練,建立一個基于聲音信號參數和位置的非線性映射模型;文獻[9]提出了具有相位變換濾波器的導向響應功率法,通過網格搜索大量的聲源候選位置來提高混響環境下的系統魯棒性。這些定位方法能有效改善室內定位的性能,但沒能均衡數據采集、處理、選擇的復雜度和聽覺定位系統的高精度。基于這樣的發展背景,我們希望在某種情況下,能夠在保持聲音指紋定位精度最高的條件下,確保定位復雜度最小化,同時通過對參考節點位置特征的有效利用,保證聽覺定位系統開銷的最小化。

指紋定位方法首先要建立由參考節點的信號特征和位置構成的數據庫,本文選取定位精度高且硬件要求低的麥克風之間的聲達時間差TDOA(Time Difference Of Arrival)[10]作為聲源信號的特征,然后通過特征匹配實現目標位置估計。

設某定位區域內共有I個參考點,第i個參考點的二維空間坐標是Li=[xi,yi],驅動移動機器人在每個參考點處多次釋放位置信息,將多次測量得到的指紋均值作為參考點的位置指紋儲存起構建數據庫。t時刻在第i個參考點處獲得的聲音位置特征向量表示為:

(1)

(2)

(3)

第i個參考點的聲音位置特征向量與其對應的二維空間坐標組合構成一組位置指紋,記為:

Fi=[Ri,Li]=[ri1,ri2,…,riM,xi,yi]

(4)

將每個參考點以式(4)的形式形成I組位置指紋,這些指紋以行向量的形式排列構成了目標區域初始狀態的指紋數據庫F:

(5)

當移動機器人在待定位聲源發出聲音信號請求定位時,分布式麥克風陣列將采集這一信號并上傳至中心處理平臺提取該點的聲音位置特征信息Fx=[r1,r2,…,rM],rm表示待定位聲源處第m個麥克風與標準麥克風之間所接收信號的TDOA,待定位聲源的位置估計問題可以表示為:

Lx=O(F1,F2,…,FI,Fx)

(6)

式中,Lx表示待定位聲源的估計位置,O是需要確定的定位函數,本文采用基于特征相似度的加權K近鄰算法[11]估計聲源位置。待定位聲源與數據庫F中每個參考點的距離Di可以反映它們之間的特征相似度。Di的計算公式如下:

(7)

式中,p≥1。當p=1時,Di稱為哈曼頓距離,當p=2時,Di稱為歐式距離,當p=∞時,Di表示兩位置距離的最大值。實驗表明,p值的選取與定位精度無線性關系。

2 系統模型

離線階段,移動機器人在每個參考點釋放聲音位置信息,具有四路通道的分布式麥克風陣列將接收信號并交由采集模塊進行特征提取,其中采樣頻率為100 kHz,采樣周期為1 s。不同位置的參考點擁有唯一的特征標識,然后組合這些聲音位置特征構建指紋數據庫。在線階段,中央處理平臺將實時檢測的位置特征和數據庫的預存信息匹配來估計聲源位置。常用的匹配算法有最近鄰法NN(Nearest Neighbor)和K近鄰法KNN(K-Nearest Neighbors)。指紋定位方法的系統模型如圖1所示。

圖1 指紋算法的原理圖

3 本文算法

本文針對參考點密度對經典指紋定位算法性能的影響,從指紋算法包括的離線采集和在線定位兩個階段[12-13]進行改進。

3.1 離線階段

聚類技術[14]將同一數據庫中的所有元素按照一定的特征規律分類,它可以減少搜索數據庫的時間和指紋定位算法的復雜度,同一聚類內的元素相比于聚類之外的元素更加相似,有多種方法可以用于聚類。本文采用基于位置的聚類技術,具體過程為:將定位地圖分成互不相鄰或部分重疊的相鄰網格點集群,如圖2所示。

圖2 定位區域劃分示意圖

設每個集群包含的元素個數為z,為每個集群定義中心,將聚類后獲得的參考點的位置指紋存儲起來得到最終的位置指紋數據庫F:

F=[F1F2…FK]

(8)

式中,Fk(k=1,2,…,K)表示聚類k內參考點的位置指紋集合,K表示聚類的總數。

聚類是離線采樣階段的步驟,該步驟不需要在在線定位階段重復,且在線定位時,首先計算待定位聲源的位置特征與每個聚類中心的特征相似度,然后選擇與待定位聲源有最佳特征相似度的聚類中心所在的聚類來估計聲源位置,省略了搜索整個數據庫的步驟,提高了指紋定位的效率。

3.2 在線階段

在在線定位階段,首先確定待定位聲源所在的聚類。歐式距離被用來表示待定位聲源與各聚類中心的位置特征相似度,歐式距離越短,表明聲源與各聚類中心的位置特征越相似,聲源與各聚類中心的位置越接近,聲源在該聚類中心所在聚類內的可能性越大,反之,表明聲源與各聚類中心的位置特征差異越大,聲源與各聚類中心的位置距離越遠,聲源在該聚類中心所在聚類內的可能性越小。因此,聲源所在聚類的獲得方法為:

(9)

基于位置指紋的室內定位方法通常采用遞增式網絡劃分法和柵格法在定位地圖內生成參考點,這類方法生成的參考點的密疏分布由定位精度的需求決定,一般情況下,參考點數量的增加會使得定位系統的性能有效改善:定位精度提高,定位誤差波動趨于平穩。本文第4節通過實驗驗證了參考點數量對系統定位性能的影響。但在實際定位環境中,存在一定局限。首先,不同定位區域對定位精度的要求不同,遞增式網絡劃分法和柵格法在形成參考點時依據定位精度定義柵格大小,容易造成局部定位區域內參考點疏密布置不合理的問題,為指紋數據庫的構建帶來多余的工作量;其次,同一定位區域但不同位置的參考點的使用率參差不齊,部分參考點的存在反而會降低定位精度,參考點的布置合理問題存在盲目性。但直接降低參考點的密度,則無法實現位置特征的有效匹配,定位性能會下降。

(10)

如圖3所示,更新后的參考點由離線階段布置在定位區域內的原始參考點和線性插值生成的虛擬參考點兩部分組成,為了降低定位算法的復雜度,只增加聲源選定聚類內的參考點密度,該聚類內原參考點和虛擬參考點的聲音位置指紋構成了更新后的數據庫。

圖3 更新后的參考點位置示意圖

(11)

argminDkj,j=1,2,…,J

(12)

(13)

式中,e=10-4,加入e是為了避免分母為0。待定位聲源的位置通過鄰近參考點坐標的線性組合得出:

(14)

聲源位置的估計過程如下:

4 實驗分析

如圖4所示,定位區域在一個6 m ×5 m的長方形實驗室內進行且房間墻壁未做隔音處理。采用 NI9215A數據采集卡采集麥克風接收的聲音信號,具有4路通道的麥克風陣列布置在定位區域的4個頂點,高度為 136 cm,其最佳拾音距離≤10 m;聲源為一個小型藍牙音響。采用16個具有位置標定的參考點構建數據庫,聚類的個數為4。

圖4 實驗環境

參考點數量和系統定位性能的關系通過一個簡單的對比實驗來驗證。實驗環境內噪音約為40 dB,在定位區域內包含4路麥克風和13個測試點。初始定位地圖布置4個參考點,基于聲音位置指紋的聽覺定位系統僅采用這4個參考點的聲達時間差作為特征構建數據庫,然后從定位地圖四周向內逐漸增加到10個參考點,接下來增加到20個參考點、50個參考點和70個參考點。在該過程中,實驗環境和測試點的位置等其他測試條件不變。

如圖5所示,不同參考點密度下的測試點的平均定位誤差、最大誤差和方差不同,且隨著參考點密度的增加,系統定位精度逐漸提高,誤差波動趨于平緩,因此,證明定位區域內參考點的數量對定位性能具有顯著影響。

圖5 不同參考點條件下的定位效果

在定位區域內均勻的選取13個測試點,采用經典的指紋定位法(L=0)和改進后的指紋定位方法進行對比定位實驗,鄰近參考點個數N=4。改進的定位算法中分別在插值次數L=2和L=4的條件下進行實驗,定位結果如圖6所示。表1總結了傳統指紋定位算法與改進的指紋定位算法在不同插值次數和參考點數量條件下的系統性能。

圖6 定位結果

表1 傳統與改進后的定位性能比較

從圖5(a)可以看出傳統指紋定位方法其定位結果和待定位聲源的實際位置差距較大,且誤差波動劇烈。而圖5(b)和圖5(c)所示的改進后的指紋定位方法其定位結果和待定位聲源的實際位置保持著高度一致性,且誤差波動較小。

表1則說明同等參考點密度下,改進后的指紋方法的各方面定位性能均優于傳統指紋定位方法,且插值次數L越大,定位精度越高,定位誤差波動越小,但綜合考慮計算機的運行速度和計算復雜度,結合多次實驗驗證,當插值次數L=4時,算法在定位精度和實時性等方面綜合性能最符合室內定位環境下的位置服務需求。

5 結語

本文提出了采用多種策略降低基于位置指紋的室內定位技術的復雜度,相比于傳統指紋定位法的改進如下:在離線階段,優化安排在定位區域內的參考點數量,減少處理數據的工作量和構建數據庫的開銷;采用基于位置的聚類算法構建數據庫,提高在線搜索數據庫的效率。在在現階段,在選定聚類內使用插值方法,結合位置標定的參考點擴展指紋數據庫的維數來增加待定位聲源附近的參考點密度,提高系統的定位性能;使用加權K近鄰法選取鄰近參考點估計聲源位置來進一步降低計算復雜度。實驗結果表明,本文方法降低了參考點密度對室內定位性能的影響力,在保證高定位精度的前提下,有效的減少了指紋算法的復雜度,提高了機器人聽覺定位系統的實用性。