2006-0062.tex

自动化学报的编辑软件

\documentclass{aas}
\usepackage{multicol}
\usepackage{psfig}
\usepackage{subfigure}
\usepackage{amsmath}
\usepackage{amssymb}
\usepackage{amsfonts}
\usepackage{graphicx}
\usepackage{url}
\usepackage{ccaption}
\usepackage{booktabs} % 做三线表的上下两条粗线用

\setcounter{page}{385}

\begin{document}

\cntitle{{\hei 面向群智能机器人系统的声音协作定向}\thanks{收稿日期\
2006-01-23 \quad 收修改稿日期\ 2006-06-19}\thanks{Received January
23, 2006; in revised form June 19, 2006}\thanks{
 国家高技术研究发展计划资助项目(AA422250)资助}\thanks{Supported by the National High Technology Research
  and Deveopment Program of China (AA422250)}
\thanks{
1. 哈尔滨工业大学机器人研究所\ 哈尔滨\ 150001}\thanks{1. Robotics
Institute, Harbin Institute of Technology, Harbin\ 150001}\thanks{
DOI: 10.1360/aas-007-0385 }}

\cnauthor{姜\ 健$^{\scriptscriptstyle1}$\hspace{1em}赵\
杰$^{\scriptscriptstyle1}$\hspace{1em}李力坤$^{\scriptscriptstyle1}$}

\cnabstract{针对群智能机器人系统的特点,提出了一种基于单一频率信号的声音协作定向方法.
设计了基于声强差原理的麦克风传感器阵列.利用该传感器阵列接收声强信号的特点,
通过模糊推理得到了声强信号与声源方向之间的关系.实验结果表明该方法能够满足
群智能机器人系统的定向要求.}
\cnkeyword{群智能机器人系统,声音定向,协作定向,模糊推理系统}
\cncl{TP24}

\entitle{Sound-based Collaborative Direction Estimation for Swarm
Robotic  Systems } \enauthor{JIANG Jian$^1$\qquad ZHAO Jie$^1$\qquad
LI Li-Kun$^1$}

\enabstract{ A collaborative direction estimation method based on
single frequency sound is proposed for swarm-based robotic systems.
A sense array of microphones based on interaurla intensity
difference (IDD) is designed. According to the characteristics of
sound intensity signals of the sense array, the relationship between
sound intensity signals of sensors and sound source direction is
deduced with fuzzy inference system (FIS). Experimental results show
that this direction estimation method can meet the requirements of
direction estimation of swarm-based robotic systems.}
\enkeyword{Swarm robotic systems, sound-based direction estimation,
collaborative direction estimation, fuzzy inference system}
\maketitle

\pagestyle{aasheadings}

%这一章为引言,无需写标题.

群智能机器人系统(Swarm robotic systems)属于多机器人系统(Multi-robot
systems)的一个研究分支.在国际上,对于这方面的研究
是最近十几年才兴起的.群智能机器人系统研究的重要意义在于：它借鉴对
蚂蚁、蜜蜂等生物的群体行为的研究成果,结构简单、环境适应性强、易于
系统扩充.利用隐式通信方式(通过环境通信和通过传感器通信)来减小对于
显式通信(无线通信)的带宽要求.可以应用在灾难现场搜救、火星土石标本
采集、战场排雷\,\!$^{[1]}$等方面以及作为自组织理论的实验平台.


众多学者采用仿真方法对群智能机器人系统的协作算法进行了深入的研究,但
相关实验系统的报道却很少见.具有代表性的实验系统主要有美国南加州大
学Mataric等人研制的The Nerd Herd系统\,\!$^{[2]}$,美国加州大学河滨分
校Gerardo Beni等人研制的SWARM系统,加拿大阿尔伯达大学Kube C R等人研制
的Collective Robotics系统\,\!$^{[3]}$以及比利时布鲁塞尔自由大 学
Dorigo M等人开发的SWARM-BOTS系统\,\!$^{[4]}$. The Nerd Herd系
统由20个机器人组成,可以实现游弋(Safe wandering), 跟随(Following),聚
集(Aggregation), 分散(Dispersion)和回家(Homing)等行为. Mataric等人
利用强化学习方法使该系统实现了类似于蚂蚁群体的觅食(Foraging)行为(即搜集行为).出现实
验研究滞后于仿真研究的主要原因是群智能机器人系统没有全局环境模型以及
没有集中控制端,与能够获得全局定位的其它多机器人系统相比,它的定位难
度更大,已成为国际上研究的一大热点.

\section{声音定位(定向)技术研究评述}
\subsection{移动机器人定位技术研究现状}

移动机器人的定位技术主要包括路标法(Landmark)和航迹推算法(Dead-reckoning),其中
路标法又包括人工路标和自然路标.
GPS技术从本质上说也是一种路标定位方法\,\!$^{[5]}$.路
标法定位需要地图匹配技术,不适于未知环境(Uncharted
environment).航迹推算法属于局部定位方
法,远距离和崎岖路面情况下会出现较大的累积误差.

协作定位方法是多机器人系统广泛采用的一种定位方式.系统中一个机器人可以将其它机器人看作路标进
行定位.常见的有基于视觉\,\!$^{[6]}$、超声波\,\!$^{[7]}$、激光\,\!$^{[8]}$等
多机器人协作定位.

\subsection{面向群智能机器人系统的协作声音定位(定向)}

目前声音定位的常用方法有：\hfill 时间差,\hfill
相位差和强度差三种.\hfill 常用的声音定位方法有：\hfill
基于可控波\onecolumn\begin{multicols}{2}\noindent 束形成器(Steered
beamformer)的源定位\,\!$^{[8]}$,基于高分辨率谱估计的源定位和基于到达时
差(Time difference of arrival,
TDOA)的源定位\,\!$^{[9]}$.声音定位已经广泛的应用于导航机器人(Tour
guide robot),比较有代表性的机器人是
Boehme等研制的PERSES$^{[10]}$,当有人拍手或喊出命令时,
PERSES可以根据其双耳系统确定该人的方位.

斯坦福大学的Aarabi P和多伦多大学的Zaky
S两位学者在文献[11]中提出：声音
定位的一种具有潜力的应用是使多个``系统模块(System
modules)''相互定位.他们所指的``系统模块''与群智
能机器人系统中的单体机器人是相当的.利用协作声音定位,当有新的单体机器人加入机器人系统时,它向其它队
友发出无线广播消息并且发出单一频率声音,这样其它机器人就可以通过声音定位方法了解新成员的方位,从
而方便地进行机器人系统的扩充.美国HRL实验室的Payton
D教授\,\!$^{[1]}$将声音探测器(Acoustic
detector)应用在多机器人系统中. Mataric$^{[12]}$利用声音信
标(Directional audio beacon)实现了多机器人系统在救灾现场的协作行为.

与视觉、激光和红外线定位相比,声音定位具有可远距离定位的优点,并且在光线不佳和有障碍物遮挡的情况
下也可发挥作用.与常用的超声波定位相比,本文提出的可听域声音定向采用的是被动声源定向方法,虽然每个
机器人都具有发声功能,但是其发出的声音是作为其它队友进行被动声源定向使用的.超声波发射具有很强的方
向性,而可听域声波可以向各个方向传播,因而一个机器人发出声音,其它机器人从各个方向都可以接收到声音
信号而对其进行定向.本文提出的声音定向方法属于声音定位的一部分,即只确定声源方向而没有涉及声源的距离
信息,因此称为协作声音定向.

\section{协作声音定位}
\subsection{协作声音定向}

如图1所示,机器人$A$发现目标后即静止不动,
成为队友的被动定向声源,其它队友
对$A$进行声音定向后向$A$的方向前进.当遇到了障碍物采用沿边缘走的方式绕
开,这样会偏离原来的定向方向,此时,机器人要对$A$进行声音重定
向.群智能多机器人系统协作声音定向示意图见图2.

\vskip3mm {\centering

\vbox{\centerline{\psfig{figure=fig1.eps,width=8cm}}

{\small
图1\quad 机器人向发现目标的队友移动的过程\\
Fig.\,1\quad Process of a robot moving to its teammate which found
objects }}} \vskip3mm {\centering

\vbox{\centerline{\psfig{figure=fig2.eps,width=7.5cm}}

{\small
图2\quad 协作声音定向示意图\\
Fig.\,2\quad Sound-based collaborative direction estimation }}}
\vskip3mm

\subsection{声音传感器阵列的设计}

\vskip3mm {\centering

\vbox{\centerline{\psfig{figure=fig3.eps,width=7cm}} \vskip3mm
{\small
图3\quad 声音传感器阵列\\
Fig.\,3\quad Sound sense array }}} \vskip3mm

对于同一声音源,\,\,\!安装角度不同的传感器接收到的声音信号中相同频率声音的
幅值不同.\,\,\!根据这一原理设计了如图3所示的声音传感器阵列平台,该平台的8个小管相距45${^\circ}$均匀布置,每个小管末端安放一个麦克风,形成麦克
风阵列,小管的作用相当于人的耳廓,可以使麦克风具有更好的声音信号接收指向性.



\subsection{声音信号采集与处理}
在声音定向过程中,首先通过8路信号采集电路获取音频时域信号,然后通过DSP进
行快速傅立叶变换得到频域信号.两个安放角度不同的声音传感器接收到的含噪声的
时域声音信号可以表示为
\begin{equation}
x_1(t)=k_1s(t)+n_1(t)
\end{equation}
\begin{equation}
x_2(t)=k_2s(t+D_t)+n_2(t)
\end{equation}

通过信号采集电路得到离散的有限长时间序列$x(n)$,对$x(n)$
进行$N$点离散傅立叶变换\\
\begin{equation}
X(k)=\sum_{n=0}^{N-1}{x(n){\rm
e}^{-j{\frac{2\pi}{N}}kn}}\,\,\,\,\,\,k=0,1,...,N-1
\end{equation}
令$W_N^{kn}={\rm e}^{-j{\frac{2\pi}{N}{kn}}}$,利用$W_N^{kn}=W_N^{k(n+N)}=W_N^{(k+N)n}$和
$W^{kn+\frac{N}{2}}_N=-W^{kn}_{N}$,将$N$点傅立叶变换(DFT)转化为$N/2$点的DFT,继续分解最
后达到$N/2$个2点DFT运算.通过这种快速傅立叶变换(FFT)可获得声音信号频域信息.图4(a)所示
为截取某段时间的声音时域信号,图4(b)和图4(c)所示分别为安装角度不同的两个传感器接收到的信号
经FFT得到的声音频域信号.

\vskip6mm
{\centering

\vbox{\centerline{\psfig{figure=fig4.eps,width=8cm}}
\vskip3mm
{\small
图4\quad 不同指向角度的传感器得到的音频信号\\
Fig.\,4\quad Sound signal of two sensors which have different point angles
}}}
\vskip6mm

\section{模糊推理系统在协作声音定向中的应用}
\subsection{模糊推理系统}

由于实际接收到的声音信号会受到回声和噪音的干扰,麦克风阵列的声音信
号强度与声源方位角之间的解析对应关系难以确定,所以采用能够处理非线
性映射关系的模糊推理系统来构建两者的对应关系.

经归一化处理,使每个麦克风声强信号数据处在连续论域[0 1]之内,模糊集
合被分割为 $d_i$=\{低,中低,中,中高,高\}=\{L,\,ML,\,M,\,MH,\,H\},
$i$=1--8,输入函数隶属
度函数为图5所示.机器人按照声源方向转弯角度的连续论域为$[0
\,2\pi]$,模糊集
合被分割为$\{N,\,SL1,\,SL2,\,SL3,\,SL4,\,SL5,\,SL6,\,SL7,\,S$,
$SR7,\,SR6, SR5, SR4, SR3, SR2, SR1\}$, 输出变量隶属度函数如图6所示.


\vskip3mm
{\centering

\vbox{\centerline{\psfig{figure=fig5.eps,width=7cm}}

{\small
图5\quad 输入变量的隶属度函数\\
Fig.\,5\quad Membership function of input variable
}}}

\vskip6mm {\centering