Hur man skapar och bearbetar akustiska signaler för sensortillämpningar

I processen för att skapa akustiska signaler för sensorer involveras flera steg. Först och främst måste systemparametrar definieras, såsom signalens bandbredd $B$, samplingsfrekvens $f_s$, bärfrekvens $f_c$ och durationen $T$ för sensorns vågform. Därefter genereras en ortogonal kod $X_{OC}$ med längden $B \cdot T$. Om längden inte exakt motsvarar $B \cdot T$, är det att föredra att justera signalens varaktighet $T$ för att bibehålla autokorreleringsegenskaperna hos den valda koden. Den resulterande koden up-samplas sedan med ett interpolationsfaktorn $f_s / B$ för att producera basbandssignalen $s_{base}(t)$. Denna interpolation kan även utföras i frekvensdomänen genom att lägga till nollor till slutet av signalerna.

Denna signal är sedan redo att skickas via högtalare. Vid mottagaren reverseras processen: först ned-konverteras den mottagna IF-signalen till basband via:

Därefter kan en korrelationsoperation mellan $r_{base}(t)$ och $s_{base}(t)$ utföras för en exakt synkronisering. Signalens olika egenskaper, såsom fas, spektrum och tid för flykt (ToF), kan sedan extraheras från $r_{base}(t)$ för sensortillämpningar.

Därefter transformeras ZC-sekvensen till en basbandssignal genom interpolation i tidsdomänen eller, för att bibehålla spektral integritet, genom nollpadding i frekvensdomänen. Den resulterande basbandssignalen interpoleras till 480 prover för att bibehålla en bandbredd på 4 kHz. Eftersom ZC-sekvenser är dual-band signaler används FFT för att dela den resulterande frekvensspektra i två symmetriska delar. Den första delen, inklusive DC-komponenten, placeras vid de första 21 frekvensindexen, och den andra delen placeras symmetriskt vid de högsta frekvenserna för att säkerställa spektral integritet.

Den resulterande basbandssignalen kan sedan up-konverteras till en IF-signal, enligt algoritmen som beskrivs tidigare. Vid mottagaren genomgår den mottagna IF-signalen en ned-konvertering tillbaka till basband. Efter att högfrekventa komponenter har tagits bort genom lågpassfiltering, är den mottagna basbandssignalen redo för funktionsextraktion, inklusive analys av fas, spektrum och ToF för sensortillämpningar.

Förutom signalens konstruktion och bearbetning är det avgörande att förstå vikten av att välja rätt designparametrar för att optimera systemets prestanda. Vid val av signalbandbredd och varaktighet måste man noggrant beakta de specifika behoven för den tilltänkta tillämpningen och de begränsningar som finns i hårdvaruplattformen. Att välja en för bred bandbredd kan skapa problem med ökad sårbarhet för störningar, medan en för smal bandbredd kan minska precisionen i mätningarna. För att uppnå bästa resultat krävs ofta kompromisser beroende på specifika krav, som räckvidd, upplösning och interferenshantering.

Hur vågformer används för akustisk sensorik i modern teknologi

Akustisk sensorik har blivit ett oumbärligt verktyg i många teknologiska tillämpningar, inklusive ljudigenkänning, övervakning och även i komplexa system som akustisk lokalisation och spårning. En grundläggande aspekt som spelar en avgörande roll i dessa system är vågformerna, eller de specifika ljudmönstren, som används för att detektera och analysera ljud. För att förstå hur dessa vågformer fungerar i olika sensoriska applikationer, är det viktigt att förstå både deras grundläggande struktur och de specifika metoder som gör det möjligt att exakt mäta och tolka akustiska signaler.

I system för akustisk sensorik spelar vågformer en viktig roll i detektion och positionering av ljudkällor. Dessa vågformer kan vara av olika typer, inklusive impulssvar och periodiska signaler, och deras egenskaper varierar beroende på den specifika tillämpningen. Vid detektion och mätning av ljud är det inte bara själva signalens intensitet som är av intresse, utan också dess tidsfördröjning och riktning. Detta gör att akustisk sensorik används för allt från att detektera avlägsna ljudkällor till att exakt beräkna positioner för objekt i både öppna och stängda miljöer.

En av de centrala teknikerna för att mäta dessa ljudsignaler är användningen av tid-för-fördröjning (ToF) och tidsdifferens mellan ankomstpunkter (TDoA), som gör det möjligt att beräkna avstånd och orientering. I system för positionering och spårning kan flera mikrofoner användas för att skapa en precis mätning av ljudets väg, genom att analysera både dess ankomsttid och riktning. Här spelar vågformens struktur och egenskaper en kritisk roll i noggrannheten hos dessa beräkningar.

En annan aspekt som är av central betydelse i akustisk sensorik är den så kallade vinkelbestämningen av ankomst (AoA). Genom att använda flera mätpunkter eller sensorer kan man exakt avgöra varifrån ljudet kommer, vilket möjliggör komplexa navigationssystem där objekt eller personer kan lokaliseras och spåras i realtid. Detta har tillämpningar inte bara inom lokalisationstekniker utan också i system som involverar människa-maskin-interaktion, där akustisk information används för att tolka och reagera på människans beteende.

Förutom själva vågformerna är även olika modeller för akustisk simulering viktiga för att förstå hur ljud sprider sig i en miljö. Här används både vågmetoder och geometriska akustikmodeller för att förutsäga och visualisera hur ljudvågor interagerar med olika objekt, ytor och hinder. Dessa modeller spelar en nyckelroll i system som är utformade för att optimera ljuddetektion och akustisk kommunikation, särskilt när det gäller att hantera komplexa miljöer med reflektioner och dämpning.

Akustiska simuleringsverktyg gör det möjligt att förstå och förutsäga akustiska fenomen i både enkla och komplexa miljöer. Med hjälp av dessa simuleringar kan man skapa optimerade system för ljudbehandling, förbättra sensorns kapabiliteter och därigenom öka noggrannheten och tillförlitligheten hos akustiska sensorer. Denna typ av forskning och utveckling pågår ständigt och gör det möjligt för akustisk sensorik att anpassas till nya och avancerade applikationer.

Ett annat viktigt ämne är den akustiska kanalintegriteten, som handlar om att förstå och hantera hur ljudsignalens kvalitet påverkas av de fysiska miljöerna, till exempel genom väggar, möbler eller andra hinder som kan dämpa eller sprida ljudet på ett sätt som påverkar mätningarna. För att system ska vara användbara i praktiken måste de kunna hantera dessa komplexiteter och leverera tillförlitliga resultat även under svåra förhållanden.

Det är också viktigt att förstå hur dessa vågformer interagerar med olika typer av akustiska miljöer, vilket inkluderar att beakta olika typer av ljudreflektioner, diffraktioner och absorption. Beroende på miljötypen kan dessa effekter påverka både signalens kvalitet och noggrannheten i detekteringen av ljudets ursprung. Därför måste akustiska system ofta skräddarsys för specifika applikationer, med tanke på de specifika krav som ställs på både systemets prestanda och det akustiska landskapet i vilken det verkar.

Akustisk sensorik har en enorm potential inom en rad olika områden, från personliga enheter till avancerade navigeringssystem och medicinsk övervakning. För att förstå och utnyttja denna potential är det avgörande att både förstå de tekniska aspekterna av ljudvågformer och kunna tillämpa dem i praktiska, verkliga miljöer. Här är integrationen av teori och praktisk tillämpning en av de största utmaningarna och möjligheterna för framtida utveckling.

Hur ljudpropagering fungerar och dess användbarhet i akustisk simulering

Akustisk simulering är en grundläggande komponent inom flera tekniska områden, som arkitektonisk akustik och miljöljudstudier. En viktig aspekt inom denna simulering är förståelsen av hur ljudvågor sprider sig genom rummet, vilket kan beskrivas genom geometrisk akustik. Denna modell förutsätter att ljudvågorna rör sig i raka linjer och studsar av väggar och andra ytor på förutsägbara sätt. För att denna metod ska vara effektiv krävs att vissa villkor är uppfyllda, såsom att de omgivande hindren (väggar, öppningar eller föremål) är tillräckligt definierade och att både källan och observatören är tillräckligt långt ifrån varandra i relation till ljudvågornas våglängd.

Geometrisk akustik bygger på metoder som strålgång och bildkälla. Dessa metoder används för att simulera ljudets spridning genom att följa ljudstrålarnas väg från källan till mottagaren. Vid strålgång simuleras ljudets spridning genom att ljudstrålar spåras i olika riktningar, och dessa strålar reflekteras från ytor enligt reflektionslagarna. Ljudstrålarna kan reflekteras flera gånger och interagera med komplexa geometrier, vilket gör att denna metod är mycket flexibel men också beräkningsintensiv, särskilt i miljöer med hög reflektionsgrad.

För att simulera dessa komplexa reflektioner och spridningsvägar används en teknik som kallas bildkälla. Här skapas virtuella ljudkällor på de ytor som ljudet reflekteras från. Varje virtuellt ljudkälla representerar en spegelbild av den verkliga ljudkällan, vilket gör att man kan skapa flera högre ordningens bildkällor beroende på antalet reflektioner. Genom att summera de signaler som mottas från alla dessa virtuella källor kan man beräkna ljudintensiteten vid en given mottagare.

De tekniska detaljerna bakom dessa metoder gör det möjligt att effektivt simulera rum med enkla geometrier och få reflekterande ytor, vilket gör bildkällemetoden särskilt användbar för rumsakustik. Detta gör att metoden är praktisk för att förstå hur ljud beter sig i relativt enkla och kontrollerade miljöer, där antalet reflektioner är begränsat. För mer komplexa miljöer med många reflektioner används strålgång för att få en mer exakt och detaljerad bild av ljudets beteende.

En annan viktig aspekt att förstå är hur ljudintensiteten minskar med avståndet från källan. För en punktkälla minskar ljudintensiteten med kvadraten på avståndet i luften, vilket innebär att ljudtrycksnivån minskar med ungefär 6 dB varje gång avståndet från källan fördubblas. Detta fenomen är grundläggande för att kunna bedöma hur ljudet fördelar sig över större avstånd och påverkar designen av akustiska system i både inomhus- och utomhusmiljöer.

En ytterligare parameter som spelar en avgörande roll i akustisk simulering är yternas absorptionskoefficient. För inomhusytor varierar absorptionskoefficienten avsevärt beroende på materialet. Metall har en mycket låg absorptionskoefficient på omkring 0.01, medan material som betong, tegel och glas ligger på mellan 0.05 och 0.10. Mjuka ytor som gardiner och mattor har en högre absorptionskoefficient, upp till 0.90, vilket gör att de effektivt dämpar ljudet.

I praktiken används dessa metoder i olika typer av programvara för akustisk simulering. Exempel på sådana programvaror inkluderar Pyroomacoustics och RAVEN, som båda använder bildkälla- eller strålgångsmetoder för att simulera ljudpropagering i rum. Dessa programvaror är populära verktyg för både forskare och ingenjörer som arbetar med rumsakustik och ljudanalys.

Hur ska vi hantera distorsioner i AAC-kommunikation?

I trådlös kommunikation används ofta kända förhandssekvenser i ramar för att underlätta kanaluppskattning. Detta gör det möjligt att kompensera för störningar i bärarsignalerna, vilket i sin tur minskar bitfelshastigheten (BER). En liknande kompensation i akustisk kommunikation (AAC) är dock inte lika enkel. För det första är den sammanhängande kanalens tid kort, vanligtvis begränsad till några millisekunder, vilket gör användningen av långa träningssekvenser opraktisk på grund av den låga dataöverföringshastigheten. För det andra krävs komplexa beräkningar i realtid för att kompensera för kanalstörningar, vilket kan vara en stor utmaning för IoT-enheter med begränsade resurser.

För att förstå stabiliteten hos akustiska signaler genomfördes en serie mätningar för att utvärdera viktiga parametrar som frekvens, fas och amplitud, vilka kan vara användbara för modulering. Experimentet genomfördes med en stationär dator som kontinuerligt spelade upp en 20 kHz ren ton, som förstärktes och sändes via en högtalare. En Samsung Galaxy S5-smarttelefon, placerad 20 cm från högtalaren, spelade in den sända signalen via en anpassad applikation. Inspelningen varade i 40 sekunder och utfördes i ett kontorsutrymme med bakgrundsbrus på omkring 44 dB och intermittenta toppar över 76 dB.

Mätresultaten visade att akustiska signalers frekvens var relativt stabil, vilket tyder på att dessa signaler kan användas för olika typer av modulering. Däremot visade de att amplituden varierade kraftigt, från ett maximum på 1 till nära noll, vilket gör amplitudmodulering olämplig för AAC. Fasdriften, som uppgick till hela 10 radianer över en 10-sekundersperiod, indikerar att fasbaserade moduleringsmetoder är svåra att implementera i praktiska akustiska miljöer.

Den instabila amplituden beror i stor utsträckning på bakgrundsinterferens och automatisk förstärkning (AGC) i det akustiska systemet. AGC-systemet justerar automatiskt signalstyrkan när högre ljudnivåer inträffar, vilket kan orsaka en oförutsägbar minskning i den uppmätta signalintensiteten. Dessutom påverkar även faktorer som carrier frequency offset (CFO) och sampling frequency offset (SFO) fassvängningar, vilket försvårar användningen av fasmodulering i AAC-system. För att motverka dessa störningar är frekvensmodulering (FSK) en vanlig och robust metod inom akustisk kommunikation.

Frekvensmodulering, särskilt Frequency Shift Keying (FSK), innebär att bärarfrekvensen ändras beroende på det basbandssignalens tillstånd. I FSK tilldelas två olika frekvenser för att representera binära värden, exempelvis en frekvens för "1" och en annan för "0". Denna metod gör det möjligt att överföra digital information via förändringar i frekvensen snarare än amplituden eller fasen, vilket gör FSK mer robust mot de störningar som uppstår i akustiska kanaler. Med hjälp av spektralanalys, till exempel genom FFT (Fast Fourier Transform), kan dessa modulerade signaler avkodas effektivt.

Det är också viktigt att förstå att den relativt korta kohärenta tidsintervallet i AAC-kommunikation innebär att kompensationen för kanalstörningar måste göras snabbt och effektivt, något som kan vara svårt med enheter som har begränsade beräkningsresurser. Därför är valet av modulationsteknik, som FSK, inte bara en fråga om att minska störningar, utan också om att säkerställa att systemet kan bearbeta signalerna i realtid med hög noggrannhet och utan att överbelasta hårdvaran.

En aspekt som också bör beaktas är den praktiska implementeringen av dessa teknologier i IoT-enheter, som ofta har strikta krav på energiförbrukning och processorkapacitet. Detta innebär att en noggrann balans mellan kommunikationshastighet, felrättande förmåga och strömförbrukning måste uppnås för att säkerställa långsiktig användbarhet och effektivitet i akustiska kommunikationssystem.

Hur påverkar synchroniserade och asynkrona ankare lokaliseringssystem för akustisk positionering?

Inom området för akustisk positionering används antingen synkroniserade eller asynkrona system för att lokalisera objekt eller mål med hjälp av ljudsignaler. Båda metoderna har sina fördelar och nackdelar beroende på de specifika kraven för lokaliseringssystemet och miljön där det används. I synkrona system skickar ankare signaler enligt en strikt tidtabell, medan asynkrona system skickar signaler utan att koordinera tidpunkten för överföringarna. Båda metoderna används för att uppskatta positionen av en målobjekt, men valet mellan dem beror på de specifika krav som ställs på noggrannhet, skalförmåga och komplexitet.

När ankare fungerar som sändare, kan lokaliseringssystemet bli enklare och mer effektivt för vissa applikationer, som vid passiv ljudlokalisering där ankare placeras strategiskt för att fånga ljud från målobjekt. Denna metod kräver dock ofta mer komplexa algoritmer för att bearbeta signalerna och uppskatta positionen, vilket gör den svår att skalera i stora miljöer med många måltavlor. För att optimera lokaliseringssystemets prestanda kan överföringarna mellan ankare behöva samordnas och synkroniseras via en server.

I kontrast, när ankare fungerar som mottagare och lyssnar efter ljudsignaler från målobjekt, beror lokaliseringsmetoden på estimat av ankomstvinklar (AoA) från flera ankare, vilket kan vara enklare att implementera. Detta tillvägagångssätt fungerar bra för mindre dynamiska situationer, som att lokalisera ljud från människor eller djur, men kan ge sämre resultat när antalet aktiva sändande mål ökar. Här behövs ofta en noggrannare tidssynkronisering mellan ankare för att undvika fel i lokaliseringsberäkningarna.

System som Guoguo och ALPS förbättrar denna teknik genom att använda mer sofistikerade synkroniseringsprotokoll och erbjuder centimeterprecision i sina lokaliseringsberäkningar. Guoguo använder till exempel Zigbee-nätverk för att synkronisera ankare och tillämpar tidsmätning av ankomsttid (ToA) för att uppskatta positioner med hög noggrannhet.

Trots de fördelar som synkroniserade system erbjuder, finns det en betydande nackdel med dessa metoder, nämligen behovet av att noggrant synkronisera tiden mellan alla ankare, vilket kan vara utmanande i stora nätverk. Asynkrona system erbjuder en lösning på detta problem genom att eliminera behovet av exakt tidskoordinering. I asynkrona system skickar ankare ljudsignaler utan att synkronisera dem med varandra, vilket gör att systemet kan hantera nätverkslatens och andra faktorer som kan orsaka synkroniseringsfel.

En ytterligare förbättring av asynkrona system har utvecklats i AALTS, som använder avancerade detektionsmetoder för att hantera problem som orsakas av avstånd, olika hårdvarukompatibiliteter och multipath-effekter. Genom att tillämpa pseudo-ortogonala chirpmoduleringsmetoder har AALTS kunnat öka sändningshastigheten och uppnå högre noggrannhet även med färre ankare.

För att ytterligare undvika behovet av synkronisering har vissa system övergått till att använda mikrofonsystem som fungerar som mottagare, snarare än som sändare. Dessa system uppskattar målets position genom att beräkna ankomstvinklar (AoA) baserat på ljudsignaler som tas emot från flera ankare. Systemet som RAILS använder denna teknik och uppnår en imponerande noggrannhet på 10 cm i en lagerliknande miljö, vilket gör det användbart i inomhuslokaliseringsapplikationer.

Slutligen, infrastrukturnära system har också utvecklats som använder en kombination av akustiska signaler och befintliga trådlösa nätverk, som WiFi, för att lokalisera objekt utan att behöva anpassa infrastrukturen. Dessa system tenderar att ha något lägre noggrannhet än mer specialiserade infrastrukturbaserade system, men de erbjuder en mer flexibel lösning för lokalisering i miljöer där det inte är praktiskt att installera dedikerad lokaliseringshårdvara.