Wykrywanie kierunku dźwięku za pomocą kilku mikrofonów

Przede wszystkim widziałem podobny wątek, jednak różni się on nieco od tego, co próbuję osiągnąć. Buduję robota, który będzie podążał za osobą, która go nazywa. Moim pomysłem jest użycie 3 lub 4 mikrofonów - tj. W następującym układzie, aby określić, z którego kierunku został wywołany robot:

Gdzie S jest źródłem, A, B i C są mikrofonami. Pomysł polega na obliczeniu korelacji fazowej sygnałów zarejestrowanych z par AB, AC, BC i na podstawie tej konstrukcji wektor, który będzie wskazywał na źródło przy użyciu pewnego rodzaju triangulacji. System nie musi nawet działać w czasie rzeczywistym, ponieważ zostanie aktywowany głosem - sygnały ze wszystkich mikrofonów będą nagrywane jednocześnie, głos będzie próbkowany tylko z jednego mikrofonu, a jeśli pasuje do sygnatury głosowej, korelacja faz zostanie obliczona na podstawie ostatnia część sekundy w celu obliczenia kierunku. Zdaję sobie sprawę, że może to nie działać zbyt dobrze, tj. Gdy robot jest wywoływany z innego pokoju lub gdy występuje wiele odbić.

To tylko mój pomysł, ale nigdy nie próbowałem czegoś takiego i mam kilka pytań, zanim zbuduję rzeczywisty sprzęt, który wykona zadanie:

1. Czy to typowy sposób na zrobienie tego? (tj. używane w telefonach do eliminacji hałasu?) Jakie są inne możliwe podejścia?
2. Czy można jakoś obliczyć korelację fazową między 3 źródłami? (tj. w celu przyspieszenia obliczeń)
3. Czy częstotliwość próbkowania 22 kHz i głębokość 12 bitów są wystarczające dla tego systemu? Szczególnie martwi mnie głębokość bitów.
4. Czy mikrofony powinny być umieszczone w osobnych rurkach, aby poprawić separację?

Aby rozszerzyć odpowiedź Müllera,

4. Czy mikrofony powinny być umieszczone w osobnych rurkach, aby poprawić separację?

4. Nie, próbujesz określić kierunek źródła, dodanie lamp spowoduje, że dźwięk odbije się tylko wewnątrz lampy, co zdecydowanie nie jest pożądane.
   
   Najlepszym rozwiązaniem byłoby skierowanie ich twarzą do góry, w ten sposób wszyscy otrzymają podobny dźwięk, a jedyne, co jest w nich wyjątkowe, to ich fizyczne rozmieszczenie, które będzie miało bezpośredni wpływ na fazę. Fala sinusoidalna 6 kHz ma długość fali wynoszącą$\frac{\text{speed of sound}}{\text{sound frequency}}=\frac{343\text{ m/s}}{6\text{ kHz}}=5.71\text{ mm}$. Jeśli więc chcesz jednoznacznie zidentyfikować fazy fal sinusoidalnych do 6 kHz, które są typowymi częstotliwościami dla mówienia przez człowieka, powinieneś umieścić mikrofony w odległości co najwyżej 5,71 mm od siebie. Oto jeden element, który ma średnicę mniejszą niż 5,71 mm. Nie zapomnij dodać filtra dolnoprzepustowego o częstotliwości odcięcia około 6-10 kHz.

---

Edytować

Czułem, że to pytanie nr 2 wygląda fajnie, więc postanowiłem spróbować rozwiązać je samodzielnie.

2. Czy można jakoś obliczyć korelację fazową między 3 źródłami? (tj. w celu przyspieszenia obliczeń)

Jeśli znasz algebrę liniową, możesz sobie wyobrazić, że umieściłeś mikrofony w trójkącie, w którym każdy mikrofon znajduje się 4 mm od siebie, co daje kąty wewnętrzne .$60°$

Załóżmy więc, że są w tej konfiguracji:

       C
      / \
     /   \
    /     \
   /       \
  /         \
 A - - - - - B

Będę...

• użyj nomenklatury która jest wektorem wskazującym od do$\overline{AB}$$A$$B$
• nazwać moim pochodzeniem$A$
• napisz wszystkie liczby w mm
• używaj matematyki 3D, ale skończyć z kierunkiem 2D
• ustaw pozycję mikrofonów w pionie na ich rzeczywistą formę fali. Więc równania te są oparte na dźwięk fal, który wygląda mniej więcej tak to .
• Oblicz iloczyn krzyżowy tych mikrofonów na podstawie ich położenia i kształtu fali, a następnie zignoruj ​​informacje o wysokości z tego iloczynu krzyżowego i użyj arctan, aby ustalić rzeczywisty kierunek źródła.
• zadzwonić wyjścia mikrofonu w pozycji , połączenie wyjściu mikrofonu w położeniu , połączenie wyjściu mikrofonu w pozycji$a$$A$$b$$B$$c$$C$

Tak więc następujące rzeczy są prawdziwe:

• $A=(0,0,a)$
• $B=(4,0,b)$
• $C=(2,\sqrt{4^2-2^2}=2\sqrt{3},c)$

To daje nam:

• $\overline{AB} = (4,0,a-b)$
• $\overline{AC} = (2,2\sqrt{3},a-c)$

A produktem krzyżowym jest po prostu$\overline{AB}×\overline{AC}$

$$\begin{align} \overline{AB}×\overline{AC}&= \begin{pmatrix} 4\\ 0\\ a-b\\ \end{pmatrix} × \begin{pmatrix} 2\\ 2\sqrt{3}\\ a-c\\ \end{pmatrix}\\\\ &=\begin{pmatrix} 0\cdot(a-c)-(a-b)\cdot2\sqrt{3}\\ (a-b)\cdot2-4\cdot(a-c)\\ 4\cdot2\sqrt{3}-0\cdot2\\ \end{pmatrix}\\\\ &=\begin{pmatrix} 2\sqrt{3}(b-a)\\ -2a-2b-4c\\ 8\sqrt{3}\\ \end{pmatrix} \end{align}$$

Informacja o Z, to tylko śmieci, które nas nie interesują. Gdy zmieniają się sygnały wejściowe, wektor krzyżowy będzie się wahał do przodu i do tyłu w kierunku źródła. Połowa czasu będzie więc wskazywała prosto na źródło (ignorując odbicia i inne pasożyty). A przez drugą połowę czasu będzie wskazywać 180 stopni od źródła.$8\sqrt{3}$

Mówię o który można uprościć do , a następnie obróć radiany w stopniach.$\arctan(\frac{-2a-2b-4c}{2\sqrt{3}(b-a)})$$\arctan(\frac{a+b+2c}{\sqrt{3}(a-b)})$

Tak więc otrzymujesz następujące równanie:

$$\arctan\Biggl(\frac{a+b+2c}{\sqrt{3}(a-b)}\Biggr)\frac{180}{\pi}$$

---

Ale w połowie przypadków informacja jest dosłownie w 100% błędna, więc jak ... należy to zrobić w 100%?

Cóż, jeśli prowadzi , to źródło nie może być bliżej B.$a$$b$

Innymi słowy, po prostu zrób coś takiego:

source_direction=atan2(a+b+2c,\sqrt{3}*(a-b))*180/pi;
if(a>b){
   if(b>c){//a>b>c
     possible_center_direction=240; //A is closest, then B, last C
   }else if(a>c){//a>c>b
     possible_center_direction=180; //A is closest, then C last B
   }else{//c>a>b
     possible_center_direction=120; //C is closest, then A last B
   }
}else{
   if(c>b){//c>b>a
     possible_center_direction=60; //C is closest, then B, last A
   }else if(a>c){//b>a>c
     possible_center_direction=300; //B is closest, then A, last C
   }else{//b>c>a
     possible_center_direction=0; //B is closest, then C, last A
   }
}

//if the source is out of bounds, then rotate it by 180 degrees.
if((possible_center_direction+60)<source_direction){
  if(source_direction<(possible_center_direction-60)){
    source_direction=(source_direction+180)%360;
  }
}

Być może chcesz zareagować tylko wtedy, gdy źródło dźwięku wychodzi z określonego kąta pionowego, jeśli ludzie rozmawiają nad mikrofonem => zmiana fazy 0 => nic nie rób. Ludzie rozmawiają obok niego poziomo => zmiana fazy => reakcja.

$$\begin{align} |P| &= \sqrt{P_x^2+P_y^2}\\ &= \sqrt{3(a-b)^2+(a+b+2c)^2}\\ \end{align}$$

Możesz więc ustawić ten próg na coś niskiego, na przykład 0,1 lub 0,01. Nie jestem do końca pewien, zależy od głośności i częstotliwości oraz pasożytów, sprawdź to sam.

Innym powodem, dla którego należy zastosować równanie wartości bezwzględnej, jest przejście przez zero, może wystąpić moment, w którym kierunek wskaże niewłaściwy kierunek. Choć będzie to tylko 1% czasu, jeśli nawet to. Możesz więc dołączyć filtr LP pierwszego rzędu do kierunku.

true_true_direction = true_true_direction*0.9+source_direction*0.1;

A jeśli chcesz zareagować na określoną głośność, po prostu zsumuj 3 mikrofony razem i porównaj to z pewną wartością wyzwalania. Średnia wartość mikrofonów byłaby ich sumą podzieloną przez 3, ale nie musisz dzielić przez 3, jeśli zwiększysz wartość wyzwalania o współczynnik 3.

---

Mam problemy z oznaczeniem kodu jako C / C # / C ++ lub JS lub innego, więc niestety kod będzie czarno-biały, wbrew moim życzeniom. No cóż, powodzenia w twoim przedsięwzięciu. Brzmi zabawnie.

Istnieje również szansa 50/50, że kierunek będzie oddalony o 180% od źródła w 99% przypadków. Jestem mistrzem w popełnianiu takich błędów. Korekcją tego byłoby po prostu odwrócenie instrukcji if, kiedy należy dodać 180 stopni.

1. Tak, wydaje się to rozsądne i typowe.
2. Równie dobrze możesz używać trzech sygnałów mikrofonowych jednocześnie (nie przechodząc przez „objazd” przez korelacje trzech par). Poszukaj „MUSIC” i „ESPRIT” w aplikacjach kierunkowych.
3. Bardzo prawdopodobne, że tak. Nie dążysz do wysokiej jakości dźwięku, dążysz do dobrych właściwości korelacji corsa, a kilka bitów tu i tam prawdopodobnie nie stworzy ani nie złamie systemu. Z drugiej strony wyższa częstotliwość próbkowania, jak bardzo powszechny 44,1 kHz lub 48 kHz, natychmiast podwoiłaby precyzję kątową, najprawdopodobniej przy tej samej długości obserwacji.