Het bepalen van de aankomsthoek (AoA) van geluid is van cruciaal belang voor het lokaliseren en volgen van akoestische apparaten en doelwitten. Diverse technieken voor het schatten van de aankomsthoek van geluid, zoals menselijke sprekers via microfoonarrays, zijn reeds in de literatuur voorgesteld. Dit omvat zowel tijdsdomeinmethoden, zoals TDoA-gebaseerde AoA-schatting, als ruimtelijke filtertechnieken zoals delay-and-sum beamforming (DSB), minimum variance distortionless response (MVDR) en MUltiple SIgnal Classification (MUSIC). Deze methoden kunnen direct worden toegepast op de AoA-schatting van actieve akoestische bronnen. Actieve detectie heeft hierbij voordelen ten opzichte van passieve methoden, omdat er al voorafgaande kennis is van zowel het aantal bronnen als het uitgezonden signaal.

Bijvoorbeeld, wanneer we een uniforme lineaire array (ULA) van N microfoons beschouwen, ruimtelijk verdeeld langs een rechte lijn, kunnen we het geluid afkomstig van een verafgelegen bron schatten. Het signaal van de bron arriveert onder een bepaalde hoek ten opzichte van de richtingsas van de array, waarbij de afstand tussen twee aangrenzende microfoons d is. De aankomsthoek θ wordt hiermee gerelateerd aan het verschil in ontvangsttijd tussen de microfoons.

TDoA-gebaseerde Aankomsthoekschatting

Een veelgebruikte techniek voor het schatten van de aankomsthoek is de TDoA-gebaseerde (Time Difference of Arrival) methode, waarbij de verschillen in aankomsttijd van een signaal bij ruimtelijk gescheiden microfoons worden gebruikt om de richting van de geluidsbron te bepalen. De TDoA-waarden worden berekend door de relatieve vertragingen tussen signalen die op verschillende microfoons worden ontvangen te meten. De TDoA tussen microfoon i en microfoon j wordt gegeven door de formule:

τij=(j−i)dcos⁡(θ)c\tau_{ij} = \frac{(j - i)d \cos(\theta)}{c}

waarbij d de afstand tussen twee aangrenzende microfoons is, c de geluidssnelheid in lucht, en θ de aanvalshoek. Om de AoA te schatten, wordt een optimalisatieprobleem opgelost dat de fout minimaliseert tussen de gemeten TDoA-waarden en de modelgebaseerde TDoA-waarden. Dit kan wiskundig worden uitgedrukt als het minimaliseren van de volgende foutfunctie:

E(θ)=∑i=1N−1∑j=i+1N(τ^ij−(j−i)dcos⁡(θ)c)2E(\theta) = \sum_{i=1}^{N-1} \sum_{j=i+1}^{N} \left( \hat{\tau}_{ij} - \frac{(j - i)d \cos(\theta)}{c} \right)^2

Het resultaat van deze optimalisatie biedt de geschatte aanvalshoek θ̂.

De nauwkeurigheid van de TDoA-gebaseerde AoA-schatting is sterk afhankelijk van de precisie van de tijdsmeting en de geometrie van de array. Fouten in AoA-schatting kunnen optreden door interferentie van andere signalen, multipadreflecties, en onnauwkeurigheden in de geometrie van de microfoonarray. Het vergroten van de array-afmeting (d.w.z. de opening) en het aantal microfoons kan helpen om de resolutie van de AoA-schatting te verbeteren.

Ruimtelijke Filtering

Beamforming is een andere techniek voor het schatten van de aankomsthoek, waarbij signalen uit verschillende richtingen worden gedecodeerd door een gewogen som te nemen van de signalen die door elke microfoon ontvangen worden. Het voordeel van beamforming is dat het mogelijk is om signalen uit specifieke richtingen te isoleren, wat cruciaal is voor AoA-schatting. Het proces kan verder worden verdeeld in non-adaptieve en adaptieve ruimtelijke filtering.

In non-adaptieve beamforming worden de gewichten van de filterparameters vooraf bepaald en zijn deze onafhankelijk van het inkomende signaal. In adaptieve beamforming worden de gewichten dynamisch aangepast op basis van de eigenschappen van het inkomende signaal. Een voorbeeld van non-adaptieve beamforming is de delay-and-sum beamforming (DSB), waarbij de vertragingen van de signalen die door elke microfoon ontvangen worden, worden opgeteld om het gewenste signaal te versterken.

De DSB-methode kan wiskundig worden uitgedrukt als:

y^θ′(t)=∑m=1Nym(t−mdcos⁡(θ′)c)\hat{y}_{\theta'}(t) = \sum_{m=1}^{N} y_m(t - \frac{md \cos(\theta')}{c})

waarbij ym(t)y_m(t) het ontvangen signaal is op de m-de microfoon. Deze benadering heeft als voordeel dat ze snel te berekenen is via de Discrete Fourier Transform (DFT), wat het mogelijk maakt om de AoA snel te schatten voor verschillende hoeken.

De nauwkeurigheid van de DSB hangt echter af van de array-geometrie, de resolutie van de ruimtelijke frequentie, en de toegepaste raamfunctie. Het gebruik van raamfuncties zoals de Hamming- of Hanning-raamfunctie kan helpen om ruis en interferentie te onderdrukken, maar dit kan ook de scherpte van de pieken in het resulterende patroon verminderen, wat de resolutie verlaagt.

Het MVDR Beamforming

De MVDR-beamforming, ook wel Capon-beamforming genoemd, is een adaptieve ruimtelijke filteringstechniek die speciaal is ontworpen om interferentie en ruis te minimaliseren, terwijl het gewenste signaal behouden blijft. Dit wordt bereikt door het oplossen van een optimalisatieprobleem waarbij de beamforminggewichten worden aangepast om de outputpower te minimaliseren, onder de voorwaarde dat het gewenste signaal niet wordt gedistorteerd. Het optimalisatieprobleem wordt als volgt geformuleerd:

wMVDR=R−1a(θ)aH(θ)aH(θ)R−1a(θ)w_{MVDR} = R^{ -1} a(\theta) \frac{a^H(\theta)}{a^H(\theta) R^{ -1} a(\theta)}

waarbij RR de covariantiematrix van de ontvangen signalen is, en a(θ)a(\theta) de stuurvector voor de richting van het signaal.

Door dit algoritme toe te passen voor verschillende hoeken, kan de richting van de geluidsbron nauwkeurig worden bepaald door de hoeken te identificeren die overeenkomen met de lokale maxima van de output.

Wat belangrijk is voor de lezer

Naast het begrijpen van de basistechnieken voor AoA-schatting, is het belangrijk te realiseren dat de nauwkeurigheid van deze methoden sterk afhankelijk is van de gebruikte microfoonarray en de geometrie daarvan. Hoe groter het aantal microfoons en hoe groter de opening van de array, des te beter de resolutie van de AoA-schatting. Ook spelen omgevingsfactoren zoals interferentie, multipadreflecties, en de aard van het ruisniveau een cruciale rol in de uiteindelijke precisie van de schattingen. Het begrijpen van deze invloeden kan helpen bij het optimaliseren van de opstelling voor specifieke toepassingen, zoals in akoestische monitoring of geluidslokalisatie in complexe omgevingen.

Hoe Acoustic Sensing Toepassingen op Consumentenapparaten de Toekomst van Technologie Vormgeven

In de afgelopen jaren heeft de opkomst van Internet of Things (IoT) technologieën de manier waarop we alledaagse objecten gebruiken drastisch veranderd. IoT-apparaten bieden de mogelijkheid om apparaten met elkaar te verbinden, gegevens te verzamelen en te verwerken, wat nieuwe toepassingen mogelijk maakt. De integratie van sensoren in massaal geproduceerde consumentenapparaten, zoals smartphones en slimme apparaten, heeft het landschap van innovaties in de technologie veranderd. Naast de gebruikelijke toepassingen, zoals beeldherkenning door camera's of bewegingstracking door versnellingsmeters en gyroscopen, zijn nieuwe manieren gevonden om sensoren opnieuw te gebruiken voor andere doelen. Het hergebruik van sensoren voor onverwachte toepassingen vormt de basis van veel nieuwe onderzoeksvelden, en een van de veelbelovende gebieden is akoestisch sensoren, die veelal aanwezig zijn in consumentenelektronica.

Akoestisch sensoren, waaronder microfoons en luidsprekers, worden vaak gezien als de basiselementen van deze technologie. Deze sensoren zijn oorspronkelijk ontworpen voor het opnemen en afspelen van geluid, maar worden steeds vaker ingezet voor nieuwe toepassingen in akoestisch sensing. Akoestisch sensing kan grofweg worden onderverdeeld in twee categorieën: passief en actief. Het passieve akoestische sensing houdt in dat geluidsgolven in de omgeving worden gedetecteerd en geanalyseerd, zonder dat er actief geluid wordt uitgezonden. In dit geval worden omgevingsgeluiden, zoals menselijke activiteiten, machines of natuurlijke verschijnselen, gebruikt om gegevens te verzamelen. Deze methode biedt voordelen zoals energie-efficiëntie en niet-intrusieve monitoring, wat ideaal is voor toepassingen in beveiliging, natuurbewaking, industriële diagnose en milieustudies.

Aan de andere kant staat actief akoestisch sensing, waarbij geluidsgolven actief worden uitgezonden en vervolgens gedetecteerd en geanalyseerd om informatie over objecten in de omgeving te verkrijgen. Dit proces maakt gebruik van akoestische signalen, die door het medium reizen en interageren met objecten. De teruggekaatste golven worden geanalyseerd om informatie te verkrijgen over bijvoorbeeld de afstand, de grootte of de beweging van objecten. Dit type sensing wordt vaak toegepast in sonar, medische beeldvorming zoals echografie, structurele gezondheidsmonitoring en objectdetectie. Actief akoestisch sensing biedt de mogelijkheid om zeer gedetailleerde metingen te verrichten en wordt vaak ingezet voor wetenschappelijke, industriële en veiligheidsdoeleinden.

Hoewel akoestische communicatie vaak wordt vergeleken met actief akoestisch sensing, zijn de doelen van deze twee velden verschillend. Akoestische communicatie richt zich op het overdragen van informatie, terwijl actief akoestisch sensing meer gericht is op het verkrijgen van informatie over de omgeving. Ondanks de verschillende doelen wordt akoestische communicatie vaak beschouwd als een specialisatie binnen actief akoestisch sensing, vooral gezien de recente ontwikkelingen in het integreren van communicatie- en sensorfunctionaliteiten.

De focus van dit boek ligt op actief akoestisch sensing op consumentenapparaten die zijn uitgerust met akoestische sensoren. Consumentenapparaten, zoals smartphones en IoT-apparaten, bieden een kosteneffectief platform voor het implementeren van toepassingen die gebruik maken van akoestische sensoren. Het feit dat deze apparaten wijdverspreid en betaalbaar zijn, maakt het voor onderzoekers en ontwikkelaars makkelijker om hun toepassingen op grote schaal uit te rollen. Toch brengt de integratie van akoestisch sensing op dergelijke apparaten verschillende uitdagingen met zich mee.

Een van de grootste obstakels is de heterogeniteit van apparaten. In tegenstelling tot gespecialiseerde akoestische apparaten, zijn de akoestische sensoren in consumentenapparaten beperkt in aantal, frequentierespons, plaatsing en oriëntatie. Deze beperkingen komen voort uit de primaire ontwerpdoelen van consumentenapparaten, die gericht zijn op algemene functionaliteit, kostenefficiëntie en compacte vormfactoren. Bovendien kunnen de akoestische prestaties sterk variëren tussen verschillende fabrikanten, modellen en productiebatches. Dit zorgt ervoor dat oplossingen die op het ene apparaat goed werken, mogelijk niet hetzelfde effect hebben op andere apparaten, wat de ontwikkeling van universele systemen bemoeilijkt.

Daarnaast speelt de heterogeniteit van de implementatiescenario’s een grote rol. De manier waarop apparaten worden ingezet en de variaties in menselijke interactie kunnen leiden tot een breed scala aan omgevingsfactoren die van invloed kunnen zijn op de prestaties van het systeem. Omgevingsgeluiden, fysieke obstakels of andere interferentiebronnen kunnen de betrouwbaarheid en nauwkeurigheid van het systeem ernstig verminderen, waardoor het noodzakelijk is om robuuste ontwerpstrategieën en aanpassingsalgoritmen te ontwikkelen.

Een andere uitdaging is de beperkte programmeerbaarheid en configureerbaarheid van consumentenapparaten. Dergelijke apparaten bieden vaak beperkte interfaces om operationele parameters in te stellen of om nauwkeurige timing vast te leggen, wat hun flexibiliteit voor geavanceerde toepassingen beperkt. Dit dwingt onderzoekers en ingenieurs om innovatieve oplossingen te vinden, zoals het gebruik van niet-gedocumenteerde functies, reverse engineering van hardwaregedrag of softwarematige benaderingen, om de gewenste functionaliteit te bereiken.

Het vermogen om akoestische sensoren effectief in consumentenapparaten te integreren heeft de potentie om een breed scala aan nieuwe toepassingen mogelijk te maken. Voorbeelden hiervan zijn de ontwikkeling van nieuwe technologieën voor geluidslokalisatie, objectherkenning, en het monitoren van de gezondheid van structuren of machines. In een wereld waarin apparaten steeds meer met elkaar communiceren en gegevens verzamelen, biedt akoestisch sensing een krachtige tool voor zowel industriële als wetenschappelijke toepassingen.

Wat verder belangrijk is om te begrijpen, is de cruciale rol van data-analyse bij het toepassen van akoestische sensing. Het verzamelen van akoestische signalen alleen is niet voldoende om betekenisvolle informatie te verkrijgen. Geavanceerde algoritmen voor het verwerken en analyseren van geluidssignalen zijn essentieel om de complexiteit van de omgevingen waarin de sensoren worden geplaatst te doorgronden. In veel gevallen vereist het gebruik van akoestische sensoren de integratie van machine learning-technieken om patronen te herkennen en accurate voorspellingen te doen. Daarom is het cruciaal dat ontwikkelaars naast de hardware ook de juiste softwaretools ontwikkelen om deze gegevens effectief te gebruiken.

Hoe kan duurzaam beheer van zee-ecosystemen bijdragen aan het behoud van de oceaan onder wereldwijzigingen?
Hoe het gedrag van de kustvogels de biodiverse ecosystemen van de getijdenzones beïnvloedt
Was Edward R. Murrow inderdaad een bondgenoot van de vijand?
Waarom zijn verhalen zo belangrijk voor ons begrip van de wereld?
Wat zijn de Toepassingen van Akoestisch Sensoren op Consumentapparaten?