室内定位技术是现代工程的基石，具有巨大的实际意义。在物联网、5G和 AI 的世界里，室内定位信息被视为连接大量数据流的关键标签，具有不可或缺的重要性。现有的室内定位技术包括超声波定位、基于Wi-Fi网络的定位指纹定位和超宽带（UWB）定位等。这些技术在实际应用中面临挑战，例如超声波定位和UWB定位在室内环境中由于基站安装复杂性和特定传播路径要求而遇到困难。相比之下，基于 Wi-Fi 网络的位置指纹定位技术虽适应性较强，但仍有改进空间。来自考文垂大学、拉夫堡大学和罗汉普顿大学的科研团队合作提出了一种基于模板模式匹配（TPM）的声学定位方法 —— 基于位置模板的定位模型（LTPM），为复杂环境内的声源定位提供了新的解决方案。LTPM技术的核心在于利用可听声波进行定位，类似于潜艇上被动声纳系统的工作原理，通过匹配输入声信号与预收集的模板声信号来计算声源的坐标。![]()
图1.位置模板和信号搜集的示意图
![]()
研究团队首先在室内环境中预设了一系列位置，并在这些位置上收集了声学模板信号。然后将一个共振频率为 3100Hz 的压电蜂鸣器作为声源，放置在这些预设位置上，通过由 GRAS AE146 麦克风、AA - 12 电源模块和 DAQ - 2010 数据采集卡组成的采样系统进行信号采集，采样率设置为 50,000Hz，并利用 FIR 带通滤波器（2900Hz – 3500Hz）将蜂鸣器产生的信号与背景噪声隔离。图3.立方体定位模板的设计（左）以及在定位测试中的物理设置（右）
每次采集的信号都与对应的预设位置坐标相结合，形成模板信号数据库，这个数据库就像是一个庞大的声学地图，为后续的匹配提供参考。
在数剧处理和模型训练环节，研究人员在一个噪声水平为 60—65dB 的封闭测试单元中完成数据采集后，对信号进行处理。先对信号序列进行预处理，提高信噪比至 20dB，并将采样信号值调节在 [-10,10] 范围内。然后进行信号分离，从处理后的信号序列中分离出声学信号。
图4.时域中的采样信号（左）及其功率谱（右）
之后，从分离出的声学信号中提取特征，定义了 43 种声学特征，涵盖了时间域、频率域、功率谱和熵等多个方面，比如信号长度、能量、均值、质心频率、信号熵等，使之能够较为全面地描述声波的特性。在提取特征后，将其与坐标合并生成 LTPM 的输入数据。选用随机森林算法来训练定位模型，因为它与 TPM 对输入数据的要求一致，在训练过程中不断优化模型，提高特征与标签的匹配效率和准确性。通过训练，模型能够根据输入信号的特征预测其位置标签。在测试阶段，研究人员设计了不同类型的定位测试。单位置模板定位测试中，针对不同尺寸的位置模板数据集进行测试，如 1200mm、1000mm、800mm 和 460mm 等数据集。每个数据集都按照一定比例划分为训练集和测试集，训练模型后观察其在声源位于预设位置时的分类准确率。图5.用于单位置模板（SLT）测试的位置模板
研究结果表明，LTPM在预设位置的声源定位上表现出色，分类准确率达到了98.9%。然而，当声源偏离预设位置时，LTPM的分类准确率显著下降。这一现象主要归因于非预设位置的输入信号特征模式未包含在训练数据中，导致输入信号只能根据权重高的特征随机匹配到信号组，从而降低了分类准确率。LTPM技术的优势在于它能够在预设位置实现无误差的声源定位，无需部署信号发射器，具有低成本和良好的环境适应性。尽管LTPM目前无法预测非预设位置的声源，但研究团队计划通过整合不同的机器学习算法来实现模糊定位，以提高LTPM的实用性。未来的研究还将探讨声源方向性模式对定位性能的影响，以及同步定位两个或多个声源的能力，以进一步提升LTPM的实践应用价值。更多信息：Hongyu You, Ming Yang, Hanchao Li, Kuo-Ming Chao, Xiang Fei. An introduction to acoustic location Template-based positioning model[J]. Applied Acoustics, 2024, 223: 110079. doi: 10.1016/j.apacoust.2024.110079
21dB声学人是中国科学院声学研究所苏州电声产业化基地旗下科技媒体，专注于声学新技术、音频测试与分析、声学市场调研、声学创业孵化、知识产权服务等。稿件投稿 ｜ 创业支持 ｜ 知产服务 ｜ 技术转化
文中所有图片和文字版权归21dB声学人所有
如需转载或媒体合作，请与我们联系
![]()
