CN102854493B - 多声测阵列定位跟踪系统坐标角度值标定方法 - Google Patents

Abstract

本实施例公开了一种多声测阵列定位跟踪系统坐标角度值标定方法，包括：预设不少于两个已知坐标的声源；获取每个声源与需要标定的声测阵列之间的阵列角度的数学模型；通过每个声测阵列与已知坐标的声源的数学模型，计算获取每个声测阵列的坐标；获取每个声测阵列与所述坐标的X轴正方向的夹角。本实施例通过每个声源与需要标定的声测阵列之间的阵列角度的数学模型，从而可以确定每个声源与需要标定的声测阵列之间的阵列角度，经计算可以获取每个声测阵列的坐标及每个声测阵列与所述坐标的X轴正方向的夹角。由于本实施例避免了相关的测量工具和人工操作，进而降低了在标定多声测阵列定位跟踪系统坐标角度值时的硬件成本和操作难度。

Description

多声测阵列定位跟踪系统坐标角度值标定方法

技术领域

本发明涉及声测阵列定位跟踪系统领域，更具体地说，涉及一种多声测阵列定位跟踪系统坐标角度值标定方法。

背景技术

声测阵列定位跟踪系统是指通过由多个声音传感器组成的阵列采集声音信号，通过对不同声音传感器所接收的声音信号进行分析，以定位声音信号源的坐标。

目前，声测阵列定位跟踪系统中，包括采用麦克风阵列的方式，麦克风阵列是指由若干麦克风作为声音传感器在空间不同位置上组成的阵列，然后，通过基于TDOA(time difference of arrival，声达时间差)的定位计算方法，计算声音信号源的坐标。

在声测定位跟踪系统中，需要阵列严格的坐标与角度的标定，才能保证输出的结果准确。在现有技术中，目前在阵列标定的应用领域中，通常采用水准仪等设备进行角度、距离的标定，这种方式下，由于需要手动测量，所以对硬件成本和操作技术都有较高的要求。

由此，目前需要一种自动的多声测阵列定位跟踪系统坐标角度值标定方法，以降低在标定多声测阵列定位跟踪系统坐标角度值时的硬件成本和操作难度。

发明内容

有鉴于此，本发明实施例提供一种多声测阵列定位跟踪系统坐标角度值标定方法，以降低在标定多声测阵列定位跟踪系统坐标角度值时的硬件成本和操作难度。

本发明实施例是这样实现的：

一种多声测阵列定位跟踪系统坐标角度值标定方法，包括：

预设不少于两个已知坐标的声源；

获取每个声源与需要标定的声测阵列之间的阵列角度的数学模型；

通过每个声测阵列与已知坐标的声源的数学模型，计算获取每个声测阵列的坐标；获取每个声测阵列与所述坐标的X轴正方向的夹角。

优选的，在本发明实施例中，所述获取每个已知坐标的声源与需要标定的声测阵列之间的阵列角度的数学模型，具体包括：

设有n个已知坐标的声源以及N个声测阵列；每个声测阵列包括M个窄带信号入射，设已知坐标的声源的坐标为(A_j，B_j)(j＝1，2，...，M)；声测阵列的中心坐标为(X_i，Y_i)(i＝1，2，...，N)；声测阵列与所述坐标的X轴正方向的夹角为θ_i(i＝1...N)；

所述数学模型为：

$\mathrm{\π}-{\mathrm{\θ}}_i=\arctan \frac{B_j-y_i}{x_i-A_j}+{\mathrm{\α}}_i+n_i,$ i＝1，2，...，N；

公式中，α_n为第n个已知坐标的声源在各个声测阵列的角度定位结果；n_i为角度定位结果的统计信息中的高斯噪声。

优选的，在本发明实施例中，所述通过每个声测阵列与已知坐标的声源的数学模型，计算获取每个声测阵列的坐标；获取每个声测阵列与所述坐标的X轴正方向的夹角，具体包括：

通过最大似然函数，得到在已知阵列声源角度情况下的需标定的向量的后验概率密度函数及其乘积作为代价函数，所述代价函数最优解为使得该代价函数取得最大值的一组解。

优选的，在本发明实施例中，所述最大似然估计函数为：

$p\left(\stackrel{\→}{r}\right|\mathrm{\α})=\underset{j=1}{\overset{M}{\mathrm{\Π}}}\underset{i=1}{\overset{N}{\mathrm{\Π}}}p\left(r_{\mathrm{ij}}\right|\mathrm{\α})$

$=\underset{j=1}{\overset{M}{\mathrm{\Π}}}\{{\left(2\mathrm{\π}\right)}^{-N/2}\underset{i=1}{\overset{N}{\mathrm{\Π}}}\left(\frac{1}{{\mathrm{\σ}}_i}\right)*\exp [-\frac{1}{2}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\frac{{(r_{\mathrm{ij}}-\mathrm{\π}+{\mathrm{\θ}}_i-\arctan \frac{B_j-y_i}{x_i-A_j}-{\mathrm{\α}}_i)}^2}{{\mathrm{\σ}}_i^2}\left]\right\}$

$\∝\underset{j=1}{\overset{M}{\mathrm{\Π}}}\exp [-\frac{1}{2{\mathrm{\σ}}_i^2}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(r_{\mathrm{ij}}-\mathrm{\π}+{\mathrm{\θ}}_i-\arctan \frac{B_j-y_i}{x_i-A_j}-{\mathrm{\α}}_i)}^2]$

$\∝\exp \left[\underset{j=1}{\overset{M}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(r_{\mathrm{ij}}-\mathrm{\π}+{\mathrm{\θ}}_i-\arctan \frac{B_j-y_i}{x_i-A_j}-{\mathrm{\α}}_i)}^2\right]$

以log为底数的最大似然函数可以表示为：

$l\left(\stackrel{\→}{r}\right|\mathrm{\α})=-\ln \left(p\left(\stackrel{\→}{r}\right|\mathrm{\α})\right)$

$\∝\underset{j=1}{\overset{M}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(r_{\mathrm{ij}}+{\mathrm{\θ}}_i-\arctan \frac{B_j-y_i}{x_i-A_j}-{\mathrm{\α}}_i)}^2$

其中，设 $\stackrel{\→}{r}=[{\stackrel{\→}{r}}_1{\stackrel{\→}{r}}_{2j}...,{\stackrel{\→}{r}}_{\mathrm{Nj}}],$ 且 ${\stackrel{\→}{r}}_{\mathrm{ij}}=[{\mathrm{\θ}}_{\mathrm{ij}},x_{\mathrm{ij}},y_{\mathrm{ij}}].$

优选的，在本发明实施例中，所述代价函数最优解的获取具体为：

采用粒子群优化算法。

优选的，在本发明实施例中，所述代价函数最优解的获取具体为：

采用退火算法。

优选的，在本发明实施例中，所述代价函数最优解的获取具体为：

采用遗传算法。

通过上述技术方案可以得出，在本发明实施例中，通过预设的不少于两个的已知坐标的声源；通过每个声源与需要标定的声测阵列之间的阵列角度的数学模型，从而可以确定每个声源与需要标定的声测阵列之间的阵列角度；并且，通过确定的每个声测阵列的阵列角度，以及，每个声测阵列与已知坐标的声源的数学模型，经计算可以获取每个声测阵列的坐标；接着，还可以获取每个声测阵列与所述坐标的X轴正方向的夹角。

由于本发明实施例中，不需要采用水准仪等设备进行角度、距离的标定，从而避免了相关的测量工具和人工操作，进而降低了在标定多声测阵列定位跟踪系统坐标角度值时的硬件成本和操作难度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中所述标定方法的流程图；

图2为本发明实施例中所述标定方法示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参考图1，为了实降低在标定多声测阵列定位跟踪系统坐标角度值时的硬件成本和操作难度，本发明实施例公开了一种多声测阵列定位跟踪系统坐标角度值标定方法，包括：

一种多声测阵列定位跟踪系统坐标角度值标定方法，如图1所示，包括步骤：

S11、预设不少于两个已知坐标的声源；

在本实施例中，设多声测阵列的个数为N，已知坐标的声源的个数为n；本实施例中的N个声测阵列，均为全向阵元；设定平面坐标系的原点后，获取已知坐标的声源的在该平面坐标系的坐标，具体的，可以设每个已知坐标的声源的坐标为(A_j，B_j)(j＝1，2，...，M)。

S12、获取每个已知坐标的声源与需要标定的声测阵列之间的阵列角度的数学模型；

在计算每个声测阵列的坐标时，需要通过每个已知坐标的声源与需要标定的声测阵列之间的阵列角度的数学模型来获取，为此，首先需要获取所述数学模型，具体的，可以设有n个已知坐标的声源以及N个声测阵列；每个声测阵列包括M个窄带信号入射，声测阵列的中心坐标为(X_i，Y_i)(i＝1，2，...，N)；声测阵列与所述坐标的X轴正方向的夹角为θ_i(i＝1...N)；设已知坐标的声源的坐标为(A_j，B_j)(j＝1，2，...，M)；

所述数学模型可以为：

$\mathrm{\π}-{\mathrm{\θ}}_i=\arctan \frac{B_j-y_i}{x_i-A_j}+{\mathrm{\α}}_i+n_i,$ i＝1，2，...，N；

公式中，α_i为已知坐标的声源在各个声测阵列的角度定位结果；n_i为角度定位结果的统计信息中的高斯噪声。

S13、通过每个声测阵列与已知坐标的声源的数学模型，计算获取每个声测阵列的坐标；获取每个声测阵列与所述坐标的X轴正方向的夹角。

在所述数学模型中，各声测阵列的中心坐标(X_i，Y_i)(i＝1，2，...，N)中，X和Y为未知量，已知坐标的声源的坐标(A_j，B_j)(j＝1，2，...，M)中A和B为已知量。

在计算求解一个声测阵列的中心坐标时，如图2所示，以声测阵列1为例，首先，一个已知坐标的声源产生声音，设，该声源为第一声源；第一声源声音到达为全向阵元的声测阵列1后，可以确定一组声测阵列1的角度信息α_i，即声测阵列1可能所在坐标的一组解，设这组角度信息为第一角度信息。

然后，再通过另一个已知坐标的声源产生声音，设，该声源为第二声源；第二声源的声音到达为全向阵元的声测阵列1后，可以确定另一组声测阵列1的角度信息α_i，设，这组角度信息为第二角度信息。

这样，在得到上述两组角度信息后，由两组角度延长线即可以确定的声测阵列1的中心坐标，具体的，两个角度延长线的交点即为唯一确定的声测阵列1的中心坐标。

实际应用中，阵列的中心坐标(X_i，Y_i)与平面坐标系的X轴之间的角度偏差θ_N是未知的，同时，已知坐标的声源的角度测量值α_N的统计信息中的误差满足高斯分布。则此问题变成对噪声环境下的高维变量最优值的求解。这样，在有n个已知坐标的声源以及N个声测阵列；每个声测阵列包括M个窄带信号入射，声测阵列的中心坐标为(X_i，Y_i)(i＝1，2，...，N)；声测阵列与所述坐标的X轴正方向的夹角为θ_i(i＝1...N)；设已知坐标的声源的坐标为(A_j，B_j)(j＝1，2，...，M)的情况下，阵列的中心坐标和已知坐标的声源所建立的数学模型具体可以为：

$\mathrm{\π}-{\mathrm{\θ}}_i=\arctan \frac{B_j-y_i}{x_i-A_j}+{\mathrm{\α}}_i+n_i,$ i＝1，2，...，N；

公式中，α_i为已知坐标的声源在各个声测阵列的角度定位结果；n_i为角度定位结果的统计信息中的高斯噪声。

在对上述数学模型的求解过程中，优选的，可以采用最大似然函数的确定(数学模型)的代价函数，该数学模型最优解为使得该代价函数取得最大值的一组解。假设其中则系统偏差的最大似然估计函数可表示为：

$p\left(\stackrel{\→}{r}\right|\mathrm{\α})=\underset{j=1}{\overset{M}{\mathrm{\Π}}}\underset{i=1}{\overset{N}{\mathrm{\Π}}}p\left(r_{\mathrm{ij}}\right|\mathrm{\α})$

$=\underset{j=1}{\overset{M}{\mathrm{\Π}}}\{{\left(2\mathrm{\π}\right)}^{-N/2}\underset{i=1}{\overset{N}{\mathrm{\Π}}}\left(\frac{1}{{\mathrm{\σ}}_i}\right)*\exp [-\frac{1}{2}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\frac{{(r_{\mathrm{ij}}-\mathrm{\π}+{\mathrm{\θ}}_i-\arctan \frac{B_j-y_i}{x_i-A_j}-{\mathrm{\α}}_i)}^2}{{\mathrm{\σ}}_i^2}\left]\right\}$

$\∝\underset{j=1}{\overset{M}{\mathrm{\Π}}}\exp [-\frac{1}{2{\mathrm{\σ}}_i^2}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(r_{\mathrm{ij}}-\mathrm{\π}+{\mathrm{\θ}}_i-\arctan \frac{B_j-y_i}{x_i-A_j}-{\mathrm{\α}}_i)}^2]$

$\∝\exp \left[\underset{j=1}{\overset{M}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(r_{\mathrm{ij}}-\mathrm{\π}+{\mathrm{\θ}}_i-\arctan \frac{B_j-y_i}{x_i-A_j}-{\mathrm{\α}}_i)}^2\right]$

此时，以log为底数的最大似然函数可以表示为：

$l\left(\stackrel{\→}{r}\right|\mathrm{\α})=-\ln \left(p\left(\stackrel{\→}{r}\right|\mathrm{\α})\right)$

$\∝\underset{j=1}{\overset{M}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(r_{\mathrm{ij}}+{\mathrm{\θ}}_i-\arctan \frac{B_j-y_i}{x_i-A_j}-{\mathrm{\α}}_i)}^2$

接着，确定上述最大似然函数取得最大值时候的一组未知量，作为该阵列坐标的最大似然估计值。

数学模型优选的采用噪声为高斯分布的情况，此外，也可将数学模型环境噪声的统计信息量抽象为其他环境噪声模型。

由于单个阵列需要确定的未知向量为：对于N个声音阵列，变量个数为(N-1)×3。则此问题变成对噪声环境下的高维变量最优值的求解。

为了有效地控制运算量，以及使参数估计的全局收敛性得到确定和保障，优选的，本发明实施例采用粒子群优化算法求最优解。

与遗传算法类似，粒子群优化算法基于粒子群与适应度。粒子群的个体为粒子，粒子代表问题的一个可能解，每个粒子具有位置和速度2个特征，粒子位置坐标对应的目标函数值即可作为该粒子的适应度。算法通过适应度来衡量粒子的优劣。假设在一个d维目标搜索空间中，有m个代表潜在问题解的粒子组成一个种群x＝{x₁，x₂，...x_m}，第i粒子的信息可用d维向量表示为x_i＝[x_i1，x_i2，...，x_id]^T，其速度为V_i＝[v_i1，v_i2，...，v_id]^T。算法首先初始化m个随机粒子，然后通过迭代找到最优解。每一次迭代中，粒子通过跟踪2个“极值”来更新自己：一个是第i个粒子本身所找到的最优解，称之为个体极值，即P_i＝[P_i1，P_i2，...，P_id]^T(i＝1，2，...，m)；另一个是整个粒子群目前找到的最优解，称之为全局极值，即P_g＝[P_g1，P_g2，...，P_gd]^T。粒子在找到上述2个极值后，第i个粒子就根据下面两式子更新自己的速度与位置。

v_id＝ωv_id+c₁r₁(p_id-x_id)+c₂r₂(p_gd-x_id)

x_id＝x_id+v_id

式中：k代表迭代次数，r1、r2是[0，1]之间的随机数，C1和C2被称作加速系数，分别调节全局最好粒子和个体最好粒子方向飞行的最大步长，通常令C1＝C2＝2。ω是加权系数，一般在0.1～0.9取值，设ωmax为最大加权系数，ωmin为最小加权系数，kmax为算法迭代总次数，则有

$\mathrm{\ω}={\mathrm{\ω}}_{\max }-k\frac{{\mathrm{\ω}}_{\max }-{\mathrm{\ω}}_{\min }}{k_{\max }}$

为了防止粒子远离搜索空间，粒子每一维的速率限制在[-Vdmax，Vdmax]，Vmax太大，粒子飞离最好解，太小会陷入局部最优解。同时，pi与pg在迭代过程中不断更新，最后输出的Pg就是算法得到的全局优化解。

此外，本领域人员还应该注意，本市实例中的粒子算法，还可以采用其他粒子群优化的改进方法，包括退火算法，遗传算法等类似最优值求解算法。类似改动并没有超出本实施例中所公开的范围。

综上所述，在本发明实施例中，通过预设的不少于两个的已知坐标的声源；通过每个声源与需要标定的声测阵列之间的阵列角度的数学模型，从而可以确定每个声源与需要标定的声测阵列之间的阵列角度；并且，通过确定的每个声测阵列的阵列角度，以及，每个声测阵列与已知坐标的声源的数学模型，经计算可以获取每个声测阵列的坐标；接着，还可以获取每个声测阵列与所述坐标的X轴正方向的夹角。

由于本发明实施例中，不需要采用水准仪等设备进行角度、距离的标定，从而避免了相关的测量工具和人工操作，进而降低了在标定多声测阵列定位跟踪系统坐标角度值时的硬件成本和操作难度。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (4)

1.一种多声测阵列定位跟踪系统坐标角度值标定方法，其特征在于，包括：

预设不少于两个已知坐标的声源；

获取每个声源与需要标定的声测阵列之间的阵列角度的数学模型；

通过每个声测阵列与已知坐标的声源的数学模型,计算获取每个声测阵列的坐标；获取每个声测阵列与所述坐标的X轴正方向的夹角；

所述获取每个已知坐标的声源与需要标定的声测阵列之间的阵列角度的数学模型，具体包括：

设有n个已知坐标的声源以及N个声测阵列；每个声测阵列包括M个窄带信号入射，设已知坐标的声源的坐标为（A_j,B_j）,j=1,2,…,M；声测阵列的中心坐标为（x_i,y_i）,i=1,2,…,N；声测阵列与所述坐标的X轴正方向的夹角为θ_i,i=1…N；

所述数学模型为：

$\mathrm{\π}-{\mathrm{\θ}}_i=\arctan \frac{B_j-y_i}{x_i-A_j}+{\mathrm{\α}}_i+n_i,i=\mathrm{1,2},...,N;$

公式中，α_i为已知坐标的声源在各个声测阵列的角度定位结果；n_i为角度定位结果的统计信息中的高斯噪声；

所述通过每个声测阵列与已知坐标的声源的数学模型,计算获取每个声测阵列的坐标；获取每个声测阵列与所述坐标的X轴正方向的夹角，具体包括：

通过最大似然函数，得到在已知阵列声源角度情况下的需标定的向量的后验概率密度函数及其乘积作为代价函数，所述代价函数最优解为使得该代价函数取得最大值的一组解。

2.根据权利要求1所述标定方法，其特征在于，所述代价函数最优解的获取具体为：

采用粒子群优化算法。

3.根据权利要求1所述标定方法，其特征在于，所述代价函数最优解的获取具体为：

采用退火算法。

4.根据权利要求1所述标定方法，其特征在于，所述代价函数最优解的获取具体为：

采用遗传算法。