CN112147575A - 基于仿蝙蝠多耳廓和阵列融合的目标位置运算方法 - Google Patents
基于仿蝙蝠多耳廓和阵列融合的目标位置运算方法 Download PDFInfo
- Publication number
- CN112147575A CN112147575A CN202011016287.9A CN202011016287A CN112147575A CN 112147575 A CN112147575 A CN 112147575A CN 202011016287 A CN202011016287 A CN 202011016287A CN 112147575 A CN112147575 A CN 112147575A
- Authority
- CN
- China
- Prior art keywords
- detection area
- array
- target position
- auricle
- auricles
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/18—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using ultrasonic, sonic, or infrasonic waves
- G01S5/20—Position of source determined by a plurality of spaced direction-finders
Abstract
基于仿蝙蝠多耳廓和阵列融合的目标位置运算方法,所述运算方法包括以下步骤:在目标空间内设置多个耳廓,每个耳廓对应设置有一个超声麦克,以形成检测区域,所述检测区域内的盲区应小于整个检测区域空间的5%;在检测区域内形成超声麦克阵列,通过对多个耳廓的俯仰角估计并结合超声麦克阵列DOA估计的结果,以获取检测区域内目标位置;采用融合算法对目标位置进行判断,以确认目标位置结果;以多个仿蝙蝠耳廓为基础,结合阵列算法和融合算法,来获取在检测区域内的目标位置,并且在通过融合算法进行确认,有效提高目标位置判断的准确度。
Description
技术领域:
本发明涉及基于仿蝙蝠多耳廓和阵列融合的目标位置运算方法。
背景技术:
仿生学是发展起来的生物学和技术学相结合的交叉学科,人们发现,一些关于植物和动物的相类似的功能,实际上是超越了人类自身在此方面的技术设计方案的。植物和动物在几百万年的自然进化当中不仅完全适应自然而且其程度接近完美。仿生学试图在技术方面模仿动物和植物在自然中的功能。这个思想在生物学和技术之间架起了一座桥梁,并且对解决技术难题提供了帮助。通过再现生物学的原理,人类不仅找到了技术上的解决方案,而且同时该方案也完全适应了自然的需要。
在仿生学研究中,对于蝙蝠的研究一直都是较为重要的内容,蝙蝠经过长期的进化获得的这些优异功能是为了更好的适应环境,而我们进行仿蝙蝠研究的最终目的也并非只是为了完美的复制蝙蝠,而是要把蝙蝠的特色充分加以利用,以使其能适用于更广泛或更为特殊的应用场合,从而获得更加有针对性的能力。
目前,由于真实的蝙蝠可以通过转头、耳廓形变,口鼻以及面部运动等扩大视野范围,或改变波束宽度实现扫描式的划分空间区域;而在现有的技术层次上,需要增加机械装备才能为仿蝙蝠设备提供广角域目标探测以及空间划分,而增设机械装备的难度较大,实际操作复杂,不能适用于现有的科研水平和科研环境。
发明内容:
本发明实施例提供了基于仿蝙蝠多耳廓和阵列融合的目标位置运算方法,方法设计合理,采用多耳廓和多麦克的方式来替代机械装置的运动,为仿生设备提供更大的视野范围,并且能够快速精准进行空间区域的划分,确认目标位置,提升检测范围和检测精度,解决了现有技术中存在的问题。
本发明为解决上述技术问题所采用的技术方案是:
基于仿蝙蝠多耳廓和阵列融合的目标位置运算方法,所述运算方法包括以下步骤:
在目标空间内设置多个耳廓,每个耳廓对应设置有一个超声麦克,以形成检测区域,所述检测区域内的盲区应小于整个检测区域空间的5%;
在检测区域内形成超声麦克阵列,通过对多个耳廓的俯仰角估计并结合超声麦克阵列DOA估计的结果,以获取检测区域内目标位置;
采用融合算法对目标位置进行判断,以确认目标位置结果。
在目标空间内设置多个耳廓,每个耳廓对应设置有一个超声麦克,以形成检测区域,包括以下步骤:
在目标空间内沿圆周周向均匀设置有多个耳廓,形成均匀圆阵;
每个耳廓在耳廓根部分别对应设置一个超声麦克,以在目标空间内形成均匀检测区域。
所述耳廓的数量不少于8个。
在检测区域内形成超声麦克阵列,通过对多个耳廓的俯仰角估计并结合超声麦克阵列DOA估计的结果,以获取检测区域内目标位置,包括以下步骤:
采用估计算法对超声麦克阵列进行线性化处理;
通过超声麦克阵列接收数据以获得信号数据的协方差矩阵;
对协方差矩阵进行特征值分析;
进行信号源数量的判断,以获取与信号相关的特征向量和与噪声相关的特征向量;
构成信号子空间和噪声子空间;
根据信号参数进行谱峰搜索,以获取检测区域内的目标位置。
所述估计算法为均匀圆阵MUSIC算法。
所述融合算法包括统计回归算法、动窗覆盖区域叠加算法和卡尔曼滤波算法。
本发明采用上述结构,通过在目标空间内设置多个耳廓配合每个耳廓根部的超声麦克以在目标空间内形成检测区域,耳廓的数量越多,检测区域内的盲区就越少,目标位置就更加容易确认;通过对超声麦克阵列DOA估计,并结合每个耳廓的俯仰角,来获取检测区域内的目标位置,采用均匀圆阵MUSIC算法进行分析处理;通过融合算法对目标位置进行判断,以确定目标位置的具体结果,可以有效提高目标位置判断的准确度,具有精准实用、快捷方便的优点。
附图说明:
图1为本发明的结构示意图。
图2为本发明的流程示意图。
具体实施方式:
为能清楚说明本方案的技术特点,下面通过具体实施方式,并结合其附图,对本发明进行详细阐述。
如图1-2中所示,基于仿蝙蝠多耳廓和阵列融合的目标位置运算方法,所述运算方法包括以下步骤:
在目标空间内设置多个耳廓,每个耳廓对应设置有一个超声麦克,以形成检测区域,所述检测区域内的盲区应小于整个检测区域空间的5%;
在检测区域内形成超声麦克阵列,通过对多个耳廓的俯仰角估计并结合超声麦克阵列DOA估计的结果,以获取检测区域内目标位置;
采用融合算法对目标位置进行判断,以确认目标位置结果。
在目标空间内设置多个耳廓,每个耳廓对应设置有一个超声麦克,以形成检测区域,包括以下步骤:
在目标空间内沿圆周周向均匀设置有多个耳廓,形成均匀圆阵;
每个耳廓在耳廓根部分别对应设置一个超声麦克,以在目标空间内形成均匀检测区域。
所述耳廓的数量不少于8个。
在检测区域内形成超声麦克阵列,通过对多个耳廓的俯仰角估计并结合超声麦克阵列DOA估计的结果,以获取检测区域内目标位置,包括以下步骤:
采用估计算法对超声麦克阵列进行线性化处理;
通过超声麦克阵列接收数据以获得信号数据的协方差矩阵;
对协方差矩阵进行特征值分析;
进行信号源数量的判断,以获取与信号相关的特征向量和与噪声相关的特征向量;
构成信号子空间和噪声子空间;
根据信号参数进行谱峰搜索,以获取检测区域内的目标位置。
所述估计算法为均匀圆阵MUSIC算法。
所述融合算法包括统计回归算法、动窗覆盖区域叠加算法和卡尔曼滤波算法。
本发明实施例中的基于仿蝙蝠多耳廓和阵列融合的目标位置运算方法的工作原理为:以多个仿蝙蝠耳廓为基础,结合阵列算法和融合算法,来获取在检测区域内的目标位置,并且在通过融合算法进行确认,有效提高目标位置判断的准确度。
由于蝙蝠经过长期的进化获得的这些优异功能是为了更好的适应环境,而我们进行仿蝙蝠研究的最终目的也并非只是为了完美的复制蝙蝠,而是要把蝙蝠的特色充分加以利用,以使其能适用于更广泛或更为特殊的应用场合,获得更加有针对性的能力。因此,在此我们可以利用多耳廓、多麦克方式来替代机械的运动,以产生相似的效果,由于这时仿生设备的结构已与真实蝙蝠有了较大差异,因而在此称之为蝙蝠声呐启发下的人造仿蝙蝠声呐广角目标跟踪与定位。
首先从人造蝙蝠耳拓扑布局对多目标空间认知入手:由于长棕耳蝠的耳廓仅对俯仰角有较大影响,所以如果布置双耳成L型,就可同时实现对方位角和俯仰角的同时估计,我们以前的研究也给出了详细的结论。但经过我们实验我们发现,单耳廓尽管对俯仰角估计有较好的性能,然而其检测范围受到一定的限制,就是仅对位于前方方位角-30°到+30°内效果较好。这样为了能够同时检测方位角和俯仰角,两只耳廓除了形成直角关系外,还应向前倾斜一定角度以形成一个重叠区域。这样尽管可以实现对重叠区域的方位角和俯仰角的同时估计,但同时视野也被限制在一个较小的区域。反之,如果仅利用每个蝙蝠耳廓负责估计自己的俯仰角范围,那么可利用多个耳廓的同时检测提高检测的范围。
在整体方案中,耳廓的数量应该不少于8个,耳廓的数量越多,在检测区域内的盲区就越小,从而准确度就越高。
如图1所示,每个耳廓周围的虚线椭圆表示该耳廓所能有效检测的俯仰角范围,如果有多目标出现,这时又分为两种情况,一种是目标数少于8个,并且分布在不同的椭圆区域内,那么很容易得到其所处位置,另一种是目标数未知,并且有多余一个的目标落入同一个椭圆区域。
每个耳廓在耳廓根部分别对应设置一个超声麦克,以在目标空间内形成均匀检测区域,利用前述的多耳廓俯仰角估计结合均匀环形麦克风阵列DOA估计的结果,然后采用融合算法得到最终的结果。
对于均匀环形麦克风阵列DOA估计方法有多种,以常见的均匀圆阵MUSIC算法为例,首先对均匀圆阵进行线性化处理,通过特征值的搜索来估计来波的数目,或者知道来波的数目。
进而求得与信号相关的特征向量和与噪声相关的特征向量,选择与最小特征值相对应的特征向量,对那些不相关的信号来讲,噪声的方差就是最小特征值。然后构建由噪声特征向量组成的M×(M-D)维的子空间,最后再通过谱峰表达式进行运算和处理。
其中,MUSIC的伪谱为:
在整个算法的最后步骤上,再通过融合算法对目标位置进行融合判断,从而提升判断的准确度。
综上所述,本发明实施例中的基于仿蝙蝠多耳廓和阵列融合的目标位置运算方法采用多耳廓和多麦克的方式来替代机械装置的运动,结合阵列算法和融合算法为仿生设备提供更大的视野范围,并且能够快速精准进行空间区域的划分,确认目标位置,提升检测范围和检测精度,能够更好的适用于现有的科研环境和科研水平。
上述具体实施方式不能作为对本发明保护范围的限制,对于本技术领域的技术人员来说,对本发明实施方式所做出的任何替代改进或变换均落在本发明的保护范围内。
本发明未详述之处,均为本技术领域技术人员的公知技术。
Claims (6)
1.基于仿蝙蝠多耳廓和阵列融合的目标位置运算方法,其特征在于,所述运算方法包括以下步骤:
在目标空间内设置多个耳廓,每个耳廓对应设置有一个超声麦克,以形成检测区域,所述检测区域内的盲区应小于整个检测区域空间的5%;
在检测区域内形成超声麦克阵列,通过对多个耳廓的俯仰角估计并结合超声麦克阵列DOA估计的结果,以获取检测区域内目标位置;
采用融合算法对目标位置进行判断,以确认目标位置结果。
2.根据权利要求1所述的基于仿蝙蝠多耳廓和阵列融合的目标位置运算方法,其特征在于,在目标空间内设置多个耳廓,每个耳廓对应设置有一个超声麦克,以形成检测区域,包括以下步骤:
在目标空间内沿圆周周向均匀设置有多个耳廓,形成均匀圆阵;
每个耳廓在耳廓根部分别对应设置一个超声麦克,以在目标空间内形成均匀检测区域。
3.根据权利要求2所述的基于仿蝙蝠多耳廓和阵列融合的目标位置运算方法,其特征在于:所述耳廓的数量不少于8个。
4.根据权利要求1所述的基于仿蝙蝠多耳廓和阵列融合的目标位置运算方法,其特征在于,在检测区域内形成超声麦克阵列,通过对多个耳廓的俯仰角估计并结合超声麦克阵列DOA估计的结果,以获取检测区域内目标位置,包括以下步骤:
采用估计算法对超声麦克阵列进行线性化处理;
通过超声麦克阵列接收数据以获得信号数据的协方差矩阵;
对协方差矩阵进行特征值分析;
进行信号源数量的判断,以获取与信号相关的特征向量和与噪声相关的特征向量;
构成信号子空间和噪声子空间;
根据信号参数进行谱峰搜索,以获取检测区域内的目标位置。
5.根据权利要求5所述的基于仿蝙蝠多耳廓和阵列融合的目标位置运算方法,其特征在于;所述估计算法为均匀圆阵MUSIC算法。
6.根据权利要求1所述的基于仿蝙蝠多耳廓和阵列融合的目标位置运算方法,其特征在于;所述融合算法包括统计回归算法、动窗覆盖区域叠加算法和卡尔曼滤波算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011016287.9A CN112147575B (zh) | 2020-09-24 | 2020-09-24 | 基于仿蝙蝠多耳廓和阵列融合的目标位置运算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011016287.9A CN112147575B (zh) | 2020-09-24 | 2020-09-24 | 基于仿蝙蝠多耳廓和阵列融合的目标位置运算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112147575A true CN112147575A (zh) | 2020-12-29 |
CN112147575B CN112147575B (zh) | 2023-05-05 |
Family
ID=73896530
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011016287.9A Active CN112147575B (zh) | 2020-09-24 | 2020-09-24 | 基于仿蝙蝠多耳廓和阵列融合的目标位置运算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112147575B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2429019A1 (en) * | 2010-09-13 | 2012-03-14 | Shin-Kobe Electric Machinery Co., Ltd. | Lead-acid battery and method for manufacturing current collector for lead-acid battery |
CN104898092A (zh) * | 2015-04-29 | 2015-09-09 | 浙江工商大学 | 基于椭球腔模型的海域物体定位方法 |
CN108469615A (zh) * | 2018-03-27 | 2018-08-31 | 山东大学 | 一种基于蝙蝠仿生声纳的小目标定位装置及其构建方法与应用 |
CN109581385A (zh) * | 2018-12-17 | 2019-04-05 | 山东大学 | 基于大耳蝠双耳廓仿生声呐的目标定位装置及方法 |
US20190124959A1 (en) * | 2016-02-12 | 2019-05-02 | Micro-Nature, Llc | Systems, methods, and compositions related to using non-live-bacteria preparations to promote food safety and preservation |
CN110824417A (zh) * | 2019-11-06 | 2020-02-21 | 国网天津市电力公司 | 用于输电线路巡视的多旋翼无人机室外声电联合定位方法 |
-
2020
- 2020-09-24 CN CN202011016287.9A patent/CN112147575B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2429019A1 (en) * | 2010-09-13 | 2012-03-14 | Shin-Kobe Electric Machinery Co., Ltd. | Lead-acid battery and method for manufacturing current collector for lead-acid battery |
CN104898092A (zh) * | 2015-04-29 | 2015-09-09 | 浙江工商大学 | 基于椭球腔模型的海域物体定位方法 |
US20190124959A1 (en) * | 2016-02-12 | 2019-05-02 | Micro-Nature, Llc | Systems, methods, and compositions related to using non-live-bacteria preparations to promote food safety and preservation |
CN108469615A (zh) * | 2018-03-27 | 2018-08-31 | 山东大学 | 一种基于蝙蝠仿生声纳的小目标定位装置及其构建方法与应用 |
CN109581385A (zh) * | 2018-12-17 | 2019-04-05 | 山东大学 | 基于大耳蝠双耳廓仿生声呐的目标定位装置及方法 |
CN110824417A (zh) * | 2019-11-06 | 2020-02-21 | 国网天津市电力公司 | 用于输电线路巡视的多旋翼无人机室外声电联合定位方法 |
Non-Patent Citations (4)
Title |
---|
WALKER V A: "One tone, two ears, three dimensions: A robotic investigation of pinnae movements used by rhinolophid and hipposiderid bats", 《JOURNAL OF THE ACOUSTICAL SOCIETY OF AMERICA》 * |
冯江,李振江,陈敏,赵辉华,张树义,周江,谢家骅: "两种鼠耳蝠回声定位叫声的比较", 兽类学报 * |
李庭;马昕;: "马铁菊头蝠声道声学特性的数值分析", 声学学报 * |
袁克强;谢开;邱宇;: "基于蝙蝠算法的天线阵列优化", 科技创新与应用 * |
Also Published As
Publication number | Publication date |
---|---|
CN112147575B (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rascon et al. | Localization of sound sources in robotics: A review | |
CN103308889B (zh) | 复杂环境下被动声源二维doa估计方法 | |
Diaz-Guerra et al. | Robust sound source tracking using SRP-PHAT and 3D convolutional neural networks | |
AU2015292238B2 (en) | Planar sensor array | |
CN106501773B (zh) | 基于差分阵列的声源方向定位方法 | |
CN111123192B (zh) | 一种基于圆形阵列和虚拟扩展的二维doa定位方法 | |
CN109932689A (zh) | 一种适用于特定定位场景的任意阵列优化方法 | |
Garg et al. | Owlet: Enabling spatial information in ubiquitous acoustic devices | |
CN108549052A (zh) | 一种时频-空域联合加权的圆谐域伪声强声源定位方法 | |
Traa et al. | Multichannel source separation and tracking with RANSAC and directional statistics | |
Grondin et al. | SVD-PHAT: A fast sound source localization method | |
Diaz-Guerra et al. | Direction of arrival estimation of sound sources using icosahedral CNNs | |
Seo et al. | Impulsive sound source localization using peak and RMS estimation of the time-domain beamformer output | |
CN105607042A (zh) | 用麦克风阵列时延估计定位声源的方法 | |
Traa et al. | Robust source localization and enhancement with a probabilistic steered response power model | |
Yang et al. | Srp-dnn: Learning direct-path phase difference for multiple moving sound source localization | |
CN111580079B (zh) | 一种基于单矢量水听器的水下运动目标最近接近距离估计方法 | |
CN111830465B (zh) | 二维牛顿正交匹配追踪压缩波束形成方法 | |
CN107783135B (zh) | 一种三元矢量阵被动测距方法 | |
Thakur et al. | Sound source localization of harmonic sources in entire 3D space using just 5 acoustic signals | |
Zhu et al. | Broadband direction of arrival estimation based on convolutional neural network | |
CN112147575A (zh) | 基于仿蝙蝠多耳廓和阵列融合的目标位置运算方法 | |
SongGong et al. | Robust indoor speaker localization in the circular harmonic domain | |
Nichols et al. | Cross-coherent vector sensor processing for spatially distributed glider networks | |
Liu et al. | Deep learning based two-dimensional speaker localization with large ad-hoc microphone arrays |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |