复杂噪声混响环境下分布式鲁棒声源跟踪方法研究

Localizing moving acoustic sources with distributed microphone arrays plays an important role in various audio fields, such as intelligent speech interaction, mobile robots, and smart home. The state-of-the-art methods are usually vulnerable to outliers, ambient noise and reverberation. Moreover, a bulk of silence gaps in speech degrades the performance as well. To tackle the problems, this project will investigate distributed robust acoustic source tracking methods in noisy and reverberant environments, based on framework of Kalman filters and particle filters, in conjunction of voice activity detection, data association, distributed signal processing, and robust statistics. We progressively design: 1) robust statistics-based distributed extended Kalman filters for acoustic source tracking; 2) multiple feature observations-distributed robust distributed extended Kalman filters; 3) multiple feature observations-distributed robust particle filters. The proposed methods achieve good robustness against outliers, silence gap, ambient noise and reverberation; as distributed estimation methods, they are scalable and robust against link failure. This project will provide foundation for many applications in audio fields.

利用分布式麦克风阵列估计移动声源的位置在许多音频信号领域扮演着重要角色，如智能语音交互、移动机器人、智能家居等。现有方法对模型偏差和观测异常、噪声、以及混响的鲁棒性较差，且实际语音信号中存在大量的静音期，导致估计性能下降。针对上述问题，本项目在现有研究基础上，以卡尔曼滤波和粒子滤波为基本框架，有效结合语音活动检测、数据关联、分布式信号处理、以及稳健统计理论等，探索复杂噪声混响环境下的分布式鲁棒声源跟踪方法。递进设计了：1）基于稳健估计的分布式扩展卡尔曼声源跟踪方法；2）融合多个特征观测的分布式鲁棒扩展卡尔曼声源跟踪方法；3）融合多个特征观测的分布式鲁棒粒子滤波声源跟踪方法。所提出的研究方法对模型偏差和观测异常、静音、噪声、混响等具有良好的鲁棒性；作为分布式估计方法又具有良好的可扩展性，且对通信链路的失败具有鲁棒性。本项目的研究将对众多音频信号领域的实际应用提供理论支撑。

利用分布式麦克风阵列估计移动声源的位置在许多智能应用中扮演重要角色，如远场语音交互、移动机器人、智能家居等。设计在实际噪声、混响环境下具有良好性能的声源跟踪算法具有重要的意义和应用价值。本项目以典型的贝叶斯滤波算法如容积卡尔曼滤波、无轨迹粒子滤波和粒子滤波为基础，结合数据关联、分布式信号处理等技术，研究了室内噪声混响环境下的鲁棒声源跟踪方法。主要研究内容包括:(1) 融合多个特征观测的多假设-容积卡尔曼粒子滤波算法研究；(2) 融合多个特征观测的多假设-平方根容积卡尔曼粒子粒子算法研究; (3) 融合多个特征观测的分布式无轨迹卡尔曼粒子滤波算法研究。. 本项目主要结果为：(1) 提出了从定位函数提取多个特征观测，并将其融合到容积卡尔曼滤波的状态更新过程中，得到了多假设-容积卡尔曼滤波MH-CKF算法；将MH-CKF算法作为粒子重要性采样函数，进一步提出了融合多个特征观测的多假设-容积卡尔曼粒子滤波MH-CKPF算法; (2) 针对MH-CKF和MH-CKPF算法存在数值敏感操作（如矩阵求平方根），并且在其滤波过程协方差矩阵中容易因为机器字长等原因变得非对称或非正定等问题，提出了对应的平方根算法—MH-SRCKF和MH-SRCPKF。它们具有良好的数值特性：一方面，滤波过程直接传播协方差矩阵的平方根矩阵，避免了协方差矩阵求平方跟的操作，同时亦保持了协方差矩阵的对称和正定特性，提高了算法的数值稳定性；另一方面，平方根矩阵相比协方差矩阵具有更小的条件数，因此，MH-SRCKF和MH-SRCPKF算法相比MH-CKF和MH-CPKF算法能够获得更高的估计精度； (3) 提出了一种融合多个特征观测的无轨迹卡尔曼滤波MH-UKF算法；然后，利用MH-UKF作为粒子滤波的重要性采样函数，提出了融合多个特征观测的分布式无轨迹卡尔曼粒子滤波MH-DUKPF算法。. 上述研究结果为实际室内环境下声源跟踪问题及其相关智能应用落地提供理论依据。经项目总结，目前已经发表/接收SCI论文5篇，中文期刊论文1篇，获得授权国家发明专利2项，培养研究生5名。