移動(dòng)機(jī)器人聲源定位與跟蹤攝錄系統(tǒng)開(kāi)發(fā)

王一群，李興旭，楊鴻波，劉 瓊，陳雯柏

（北京信息科技大學(xué)自動(dòng)化學(xué)院，北京 100096）

0 引 言

機(jī)器人聽(tīng)覺(jué)系統(tǒng)是一種利用聲學(xué)傳感器采集聲音信號(hào)與外界環(huán)境完成感知與交互的方式。聲源定位是指利用聲音信號(hào)，經(jīng)過(guò)處理和計(jì)算獲得聲源位置的技術(shù)。由于聲音信號(hào)和光信號(hào)存在著本質(zhì)上的區(qū)別，機(jī)器人聽(tīng)覺(jué)系統(tǒng)在障礙物遮擋、能見(jiàn)度低等不利于視覺(jué)系統(tǒng)的工況下仍可有效工作，常獨(dú)立或輔助機(jī)器人視覺(jué)系統(tǒng)完成定位、導(dǎo)航、避障等工作［1］。

對(duì)于發(fā)聲目標(biāo)檢測(cè)應(yīng)用，基于聲音信號(hào)相比圖像方法，有著先天優(yōu)勢(shì)，常用于軍事、工業(yè)和日常生活。如對(duì)汽車(chē)違法鳴笛抓拍［2-4］，車(chē)輛與飛機(jī)等通過(guò)噪聲來(lái)源定位［5-7］，工業(yè)異常工件檢查［8-9］，管道氣體泄漏點(diǎn)檢測(cè)［10］，智能監(jiān)控［11］。上述聲源定位應(yīng)用中的傳感器陣列多為固定安放，傳感器位置移動(dòng)中追蹤聲源的研究較少。

本文將設(shè)計(jì)一種通過(guò)聲音信號(hào)實(shí)現(xiàn)跟蹤拍攝的輪式機(jī)器人，并在室內(nèi)室外進(jìn)行機(jī)器人追蹤聲源功能試驗(yàn)，分析性能與抗干擾能力，為機(jī)器人聽(tīng)覺(jué)系統(tǒng)相關(guān)研究提供參考。

1 系統(tǒng)整體設(shè)計(jì)

1.1 研究背景

圖1 所示為常用目標(biāo)跟隨拍攝方式，而目前市面上支持目標(biāo)跟隨拍攝的智能設(shè)備主要分固定式［見(jiàn)圖1（a）］和手持式［見(jiàn)圖1（b）］2 種。固定式云臺(tái)因位置固定，限制被拍攝者僅能在小范圍內(nèi)移動(dòng)。手持式云臺(tái)需要借助人力完成跟隨。近年來(lái)無(wú)人機(jī)航拍（圖1（c）成為攝影師們的新寵，但仍存在著無(wú)法室內(nèi)使用、成本高昂、續(xù)航時(shí)間短和噪音大等問(wèn)題。因此，成本低廉的輪式跟隨拍攝機(jī)器人存在一定市場(chǎng)。

圖1 常用目標(biāo)跟隨拍攝方式

1.2 系統(tǒng)架構(gòu)

本文提出的移動(dòng)機(jī)器人聲源定位與跟蹤攝錄系統(tǒng)主要分為音視頻采集、目標(biāo)檢測(cè)和控制跟隨3 個(gè)部分。音視頻采集部分調(diào)用硬件設(shè)備（麥克風(fēng)陣列、攝像頭）獲取并保存音頻和數(shù)字圖像信號(hào)，以供后續(xù)算法使用。目標(biāo)檢測(cè)通過(guò)基于到達(dá)時(shí)間差的聲源定位方法（Time Difference of Arrival，TDOA）實(shí)現(xiàn)，完成對(duì)發(fā)聲目標(biāo)位置的解算，包含2 個(gè)步驟：①估計(jì)目標(biāo)所發(fā)出聲音到不同麥克風(fēng)之間的時(shí)間差，再根據(jù)時(shí)間差和幾何關(guān)系解算出發(fā)聲目標(biāo)相對(duì)于麥克風(fēng)陣列的位置；②控制跟隨部分將利用解算出的位置信息，控制舵機(jī)與電動(dòng)機(jī)工作使小車(chē)靠近且跟隨目標(biāo)移動(dòng)。

2 聲源定位算法

常見(jiàn)的聲源定位算法有基于最大輸出功率的可控波束形成定位方法（Steered Beamforming，BS）、基于高分辨率估計(jì)的定位方法（High Resolution Spectral Estimation，HRSE）和TDOA。

本文考慮到機(jī)器人跟蹤發(fā)聲目標(biāo)屬于近場(chǎng)模型，且硬件計(jì)算能力有限，因此選擇使用TDOA。

2.1 基于到達(dá)時(shí)間差的聲源定位算法

處于不同位置的2 個(gè)麥克風(fēng)接收到來(lái)自聲源的聲音信號(hào)，如圖2 所示。各麥克風(fēng)接收到的音頻信號(hào)x1（t）和x2（t）由下式表示：

圖2 聲源與各麥克風(fēng)空間位置關(guān)系示意圖

式中：S為聲源信號(hào)；m1與m2為在不同時(shí)刻到達(dá)各麥克風(fēng)且?guī)в屑有栽肼暎籺為傳播時(shí)間；τ1和τ2分別為聲源到達(dá)2 個(gè)麥克風(fēng)的延遲時(shí)間。由式（1）可得麥克風(fēng)之間的時(shí)延

通過(guò)測(cè)量獲得傳感器間距L，結(jié)合τ 與t，可計(jì)算出聲音在空氣中傳播的方向：

式中：c為聲音在空氣中的傳播，本文取c＝340 m／s；β為智能車(chē)作極坐標(biāo)中心面對(duì)兩個(gè)聲源的中心線(xiàn)的夾角，正值表示聲源在車(chē)左側(cè)，反之則在右側(cè)。

TDOA算法將聲源定位的問(wèn)題轉(zhuǎn)化為求不同麥克風(fēng)接收時(shí)延的問(wèn)題，時(shí)延估計(jì)的精度將直接影響到聲源定位的精度。

2.2 時(shí)延估計(jì)

時(shí)延估計(jì)（Time delay estimation，TDE）方法中得到最廣泛應(yīng)用的是廣義互相關(guān)算法（Generalized Cross Correlation，GCC）和自適應(yīng)最小均方法（Least Mean Square，LMS）［12-13］。考慮到機(jī)器人對(duì)實(shí)時(shí)性的要求，本文選擇了計(jì)算量較小且能保證一定精度的GCC 方法。廣義GCC表達(dá)式如下：

式中：Ψ12（ω）為加權(quán)函數(shù)；Gx1x2（ω）為信號(hào)互功率譜。

2.3 語(yǔ)音端點(diǎn)檢測(cè)

端點(diǎn)檢測(cè)是指從一段音頻信號(hào)中確定目標(biāo)聲音信號(hào)的起始點(diǎn)和結(jié)束點(diǎn)位置，利用語(yǔ)音端點(diǎn)檢測(cè)只對(duì)有目標(biāo)聲音的信號(hào)片段進(jìn)行處理，可以減少數(shù)據(jù)輸入及系統(tǒng)的運(yùn)行時(shí)間，并抑制噪聲對(duì)系統(tǒng)的干擾。

端點(diǎn)檢測(cè)常用方法有短時(shí)能量法、譜質(zhì)心和頻譜擴(kuò)展度法等［14］。其中，短時(shí)能量法是在時(shí)域?qū)用孢M(jìn)行端點(diǎn)檢測(cè)，有著運(yùn)算量小、簡(jiǎn)單易理解的優(yōu)點(diǎn)，適合本次實(shí)驗(yàn)。

采集N幀語(yǔ)音信號(hào)，計(jì)算第i幀語(yǔ)音信號(hào)yi（n）的短時(shí)能量

式中，yi（n）為當(dāng)前時(shí)刻采樣的數(shù)值，其中n＝1，2，…，l，l為幀長(zhǎng)。

當(dāng)前音頻信號(hào)短時(shí)能量大于所設(shè)定的閾值時(shí)即可認(rèn)為環(huán)境中存在目標(biāo)，閾值的選擇直接影響到靜音檢測(cè)的效果。圖3 中藍(lán)色區(qū)域是由算法判斷存在語(yǔ)音的區(qū)間。若閾值設(shè)定過(guò)低，算法易受噪聲干擾產(chǎn)生誤判，如圖3（a）多數(shù)片段被判定為存在語(yǔ)音；若閾值設(shè)置過(guò)高，部分音量較小的語(yǔ)音信號(hào)片段會(huì)被漏判。

圖3 不同閾值的語(yǔ)音端點(diǎn)檢測(cè)效果比較

3 實(shí)驗(yàn)部分

3.1 平臺(tái)搭建

（1）主控板。本文搭建的設(shè)備主控板采用德州儀器公司的工業(yè)派（見(jiàn)圖4），包含AM5708 處理器、C66x系列數(shù)字信號(hào)處理器（DSP）和豐富的接口，適合作為本次設(shè)計(jì)的實(shí)驗(yàn)平臺(tái)進(jìn)行算法驗(yàn)證、功能測(cè)試、應(yīng)用開(kāi)發(fā)等環(huán)節(jié)。

圖4 主控板

（2）麥克風(fēng)陣列。選擇T型四聲道麥克風(fēng)陣列采集聲音信號(hào)，該麥克風(fēng)陣列頂部有3個(gè)麥克風(fēng)處在同一水平線(xiàn)上、間距6 cm，底部有1 個(gè)麥克風(fēng)，如圖5 所示。頂部3 個(gè)麥克風(fēng)也可在實(shí)驗(yàn)中單獨(dú)作為線(xiàn)型麥克風(fēng)陣列使用，以簡(jiǎn)化實(shí)驗(yàn)實(shí)現(xiàn)流程［15-16］。麥克風(fēng)信噪比為59 dB（A），靈敏度為－22 dBV／Pa，最大輸出阻抗為400 Ω。實(shí)驗(yàn)背景的短視頻錄制、主直播等應(yīng)用場(chǎng)景一般要求距離攝錄設(shè)備8 m內(nèi)、移動(dòng)緩慢和持續(xù)發(fā)聲、T型麥克風(fēng)陣列的精度能夠滿(mǎn)足設(shè)計(jì)需求。

圖5 基于麥克風(fēng)陣列的跟隨攝錄設(shè)備實(shí)物

（3）運(yùn)動(dòng)底盤(pán)。系統(tǒng)使用TI-RSLK 機(jī)器人套件，運(yùn)動(dòng)底盤(pán)結(jié)構(gòu)為前輪舵機(jī)轉(zhuǎn)向-后輪電動(dòng)機(jī)驅(qū)動(dòng)形式，輪徑68 mm。直流電動(dòng)機(jī)采用脈沖寬度調(diào)制（Pulse Width Modulation，PWM）波調(diào)整轉(zhuǎn)速，帶有AB 相編碼器，減速比1∶20。電池組由18 650 節(jié)鋰電池及充放控制板組成，額定電壓12 V，額定容量10 000 mAh，能夠滿(mǎn)足長(zhǎng)時(shí)間的供電要求。

3.2 軟件設(shè)計(jì)

使用多線(xiàn)程技術(shù)、（ARM＋DSP）異構(gòu)架構(gòu)完成程序設(shè)計(jì)，程序交叉編譯后以應(yīng)用的形式運(yùn)行在板卡上的Linux-Rt系統(tǒng)中。主任務(wù)循環(huán)中對(duì)輸入數(shù)據(jù)進(jìn)行靜音檢測(cè)、聲源定位運(yùn)算，并根據(jù)解算方位結(jié)果通過(guò)比例導(dǎo)數(shù)（Proportional Derivative，PD）控制算法控制運(yùn)動(dòng)底盤(pán)向目標(biāo)移動(dòng)。程序結(jié)構(gòu)如圖6 所示。

圖6 程序結(jié)構(gòu)框圖

（1）聲源定位實(shí)現(xiàn)。TDOA算法的程序?qū)崿F(xiàn)主要分2 步：①TDE，即用互相關(guān)算法估計(jì)聲源信號(hào)到達(dá)麥克風(fēng)陣列中各麥克風(fēng)的時(shí)間差；②根據(jù)τ，按照幾何關(guān)系解算出聲源目標(biāo)關(guān)于麥克風(fēng)陣列的方位信息。

主進(jìn)程中創(chuàng)建一個(gè)線(xiàn)程調(diào)用Linux pcm模塊完成對(duì)多聲道音頻信號(hào)的采集，將連續(xù)的模擬信號(hào)轉(zhuǎn)為離散數(shù)字信號(hào)存儲(chǔ)在緩沖區(qū)，等待運(yùn)算線(xiàn)程讀取作為后續(xù)算法輸入并保存為WAV 格式音頻文件。針對(duì)語(yǔ)音信號(hào)頻率特點(diǎn)和對(duì)硬件性能的綜合考慮，設(shè)置采樣頻率f為44.1 kHz，取2 048 個(gè)采樣點(diǎn)為一幀，即幀長(zhǎng)l＝2 048。

互相關(guān)算法的程序?qū)崿F(xiàn)流程如圖7 所示，將2 個(gè)含有各時(shí)間點(diǎn)音頻信號(hào)幅值的數(shù)組通過(guò)離散傅里葉變換轉(zhuǎn)換至頻域進(jìn)行共軛運(yùn)算再加權(quán)求和得到中間結(jié)果，通過(guò)傅里葉反變換獲得結(jié)果數(shù)組H（j），j＝1，2，…，2l。通過(guò)程序查找，獲得結(jié)果數(shù)組中峰值Hmax及自變量j的值a：

圖7 互相關(guān)算法軟件實(shí)現(xiàn)流程

以s為單位的時(shí)延τ的計(jì)算式如下：

式中：r為算法獲得的時(shí)延結(jié)果值；f為采樣率。

算法計(jì)算獲得時(shí)延數(shù)值結(jié)果r＝－5 時(shí)，經(jīng)計(jì)算時(shí)延τ 約為－11.338 μs，表明聲音先到達(dá)右側(cè)麥克風(fēng)。根據(jù)（3）式，2 個(gè)麥克風(fēng)間距L為6 cm，可獲得目標(biāo)β＝－18.737 9°（右側(cè)）。

為了更好地利用硬件資源、提升實(shí)時(shí)性，將端點(diǎn)檢測(cè)算法放在DSP 核心中進(jìn)行，并將最終結(jié)果回傳到ARM端。

（2）控制跟隨。由于舵機(jī)硬件特性，控制過(guò)程中不存在累積誤差，所以本實(shí)驗(yàn)中簡(jiǎn)化PID 控制算法中的積分項(xiàng)，采用PD 控制器控制舵機(jī)轉(zhuǎn)角實(shí)現(xiàn)跟隨任務(wù)，即：

式中，out 為控制器的輸出值；Kp與Kd分別為控制器的比例與微分系數(shù)；err為本次角度誤差；err＿last 為上次計(jì)算周期所得誤差。

在控制中，目標(biāo)值將一直設(shè)置為0（即期望控制車(chē)體始終正對(duì)前方的發(fā)聲目標(biāo)）。out 通過(guò)線(xiàn)性變化后為當(dāng)前時(shí)刻舵機(jī)的控制量即PWM 占空比值，用于控制舵機(jī)和電動(dòng)機(jī)。

4 驗(yàn)證與分析

4.1 時(shí)延估計(jì)對(duì)比測(cè)試與分析

實(shí)驗(yàn)中選擇經(jīng)典GCC 算法（即Ψ12（ω）＝1）與GCC-PHAT算法作對(duì)比。在聲源位置固定相距麥克風(fēng)陣列右側(cè)15°距離3.5 m、室內(nèi)環(huán)境下，經(jīng)典GCC 和GCC-PHAT實(shí)測(cè)計(jì)算結(jié)果見(jiàn)表1 所列。

表1 經(jīng)典GCC和GCC-PHAT實(shí)測(cè)計(jì)算部分結(jié)果

由表1 可見(jiàn)，GCC-PHAT的計(jì)算結(jié)果穩(wěn)定，數(shù)值主要集中在-4 附近；而經(jīng)典GCC 的r值在－650～1 697之間浮動(dòng)，無(wú)法表征目標(biāo)的準(zhǔn)確位置，其結(jié)果誤差大。主要是經(jīng)典GCC算法對(duì)噪聲敏感，在低信噪比條件下的互相關(guān)結(jié)果會(huì)出現(xiàn)峰值不集中且相對(duì)真實(shí)值偏移的現(xiàn)象。而GCC-PHAT 算法的誤差主要來(lái)源于環(huán)境中其他噪聲的干擾，當(dāng)目標(biāo)聲源并未發(fā)聲時(shí)（例如人說(shuō)話(huà)過(guò)程中會(huì)有間斷），將不含語(yǔ)音音頻信息的環(huán)境聲作為聲源定位系統(tǒng)的輸入，導(dǎo)致無(wú)法獲得正確的目標(biāo)聲源定位結(jié)果，這也體現(xiàn)了增加語(yǔ)音端點(diǎn)檢測(cè)處理環(huán)節(jié)的必要性。

4.2 場(chǎng)景測(cè)試與分析

在多個(gè)場(chǎng)景中用自然人聲和藍(lán)牙音箱（型號(hào)coowoobs100）播放說(shuō)書(shū)音頻作為聲源，距離小車(chē)2～6.5 m 情況下測(cè)試，如圖8 和9 所示。環(huán)境中存在的噪聲類(lèi)型有：大型空調(diào)外機(jī)運(yùn)行噪聲、人群活動(dòng)聲、汽車(chē)駛過(guò)的噪聲還有來(lái)自自身通過(guò)固體傳導(dǎo)形式到達(dá)麥克風(fēng)陣列的舵機(jī)電動(dòng)機(jī)噪聲。系統(tǒng)測(cè)試結(jié)果見(jiàn)表2 所示。測(cè)試得出，基于TODA 和GCC-PHAT 算法的聲源定位方案具有一定的抗干擾能力。

表2 測(cè)試結(jié)果總結(jié)

圖8 多場(chǎng)景測(cè)試實(shí)拍

圖9 小車(chē)視角畫(huà)面

5 結(jié) 語(yǔ)

本文提出的移動(dòng)機(jī)器人聲源定位與跟蹤攝錄系統(tǒng)設(shè)計(jì)能夠多個(gè)場(chǎng)景下根據(jù)聲音信號(hào)完成跟隨和拍攝，并經(jīng)實(shí)驗(yàn)測(cè)試。結(jié)果表明，該實(shí)驗(yàn)系統(tǒng)支持720p（30f／s），480p（60f／s）錄像及48K 四聲道音頻；能在8 m遠(yuǎn)進(jìn)行跟隨；平均單次采集時(shí)間僅為8.5 ms。可滿(mǎn)足短視頻博主等對(duì)低成本、可移動(dòng)的跟隨攝錄設(shè)備的需求，具有一定的實(shí)用價(jià)值，可為基于機(jī)器聽(tīng)覺(jué)的各種機(jī)器人環(huán)境感知和交互研究提供參考。

同時(shí)，實(shí)驗(yàn)可作為教學(xué)設(shè)計(jì)，有助于提升自動(dòng)化類(lèi)專(zhuān)業(yè)學(xué)生對(duì)“信號(hào)與系統(tǒng)”“數(shù)字信號(hào)處理”“自動(dòng)控制原理”等專(zhuān)業(yè)知識(shí)的綜合應(yīng)用能力、獨(dú)立解決工程問(wèn)題的能力和創(chuàng)新實(shí)踐能力，為面向多學(xué)科融合的自動(dòng)化類(lèi)人才的培養(yǎng)奠定基礎(chǔ)。