Сравнительный анализ алгоритмов локализации звуковых источников на основе временной разности прихода (TDoA) для шумных городских условий

Юрий Михайлович Фурлетов,Динара Ленаровна Аптинова

ПРЕПРИНТ

Эта статья является препринтом и не была отрецензирована.
О результатах, изложенных в препринтах, не следует сообщать в СМИ как о проверенной информации.

Сравнительный анализ алгоритмов локализации звуковых источников на основе временной разности прихода (TDoA) для шумных городских условий

Ю. М. Фурлетов,

Д. Л. Аптинова

2025-12-23

https://doi.org/10.24108/preprints-3114157

Повышение безопасности на перекрестках является критически важной задачей в условиях растущей урбанизации. Традиционные системы мониторинга на основе видеокамер и лидаров демонстрируют ограниченную эффективность в неблагоприятных погодных условиях и при отсутствии прямой видимости. Акустические методы локализации, не требующие прямой видимости и устойчивые к условиям освещенности, представляют собой перспективную альтернативу или дополнение к существующим сенсорным системам. В данной статье проводится всесторонний сравнительный анализ шести алгоритмов пассивной локализации звуковых источников, основанных на временной разности прихода (TDoA): классическая кросс-корреляция, GCC-PHAT, анализ рекуррентных графиков (RPA), вейвлет-преобразование, коротковременное преобразование Фурье (STFT) и метод обнаружения максимального значения. Анализ проводится на основе математического моделирования в среде MATLAB с использованием синтетических звуковых импульсов, имитирующих аварийные звуки (такие как удар или визг тормозов), в условиях интенсивного городского шума. Исследуются такие ключевые характеристики, как средняя абсолютная ошибка локализации, стандартное отклонение, робастность к шуму и вычислительная сложность. Результаты моделирования демонстрируют, что методы кросс-корреляции и GCC-PHAT обеспечивают наилучший баланс между точностью и вычислительной эффективностью, что делает их предпочтительными для интеграции в системы реального времени, такие как интеллектуальные транспортные системы (ИТС) и инфраструктура V2X. В то же время, такие методы, как RPA, показывают высочайшую устойчивость к реверберации, но требуют значительных вычислительных ресурсов. Полученные результаты предоставляют инженерам и исследователям обоснованные критерии для выбора оптимального алгоритма локализации звука в зависимости от конкретных требований к точности и производительности в условиях городской акустической среды.

Ссылка для цитирования:

Фурлетов Ю. М., Аптинова Д. Л. 2025. Сравнительный анализ алгоритмов локализации звуковых источников на основе временной разности прихода (TDoA) для шумных городских условий. PREPRINTS.RU. https://doi.org/10.24108/preprints-3114157

Список литературы

1. [1] Научный центр безопасности дорожного движения МВД РФ. Статистика ДТП на перекрёстках в России [Электронный ресурс]. – Режим доступа: https://stat.gibdd.ru (дата обращения: 10.05.2025).

2. [2] Ершов, В.В. Разработка новых алгоритмов настройки плоских микрофонных антенн для эффективной локализации источников звука монопольного и дипольного типа [Текст]: дис. … канд. техн. наук: 05.11.07 / В.В. Ершов. – Москва, 2022. – 176 с.

3. [3] Бердников, В.М. Процедуры и алгоритмы синтеза сигналов и структур систем локального позиционирования [Текст]: дис. … канд. техн. наук: 05.13.18 / В.М. Бердников. – Москва, 2013. – 150 с.

4. [4] Кабанов, С.И. Разработка методов локализации для повышения надёжности акустико-эмиссионного контроля элементов машиностроительных конструкций [Текст]: дис. … канд. техн. наук: 05.11.13 / С.И. Кабанов. – Москва, 2002. – 168 с.

5. [5] ETSI TR 126 985 V16.0.0. Vehicle-to-Everything (V2X); Requirements for Time Difference of Arrival measurements [Text]. – Sophia Antipolis: ETSI, 2020. – 56 p.

6. [6] IEEE 802.11p-2010. IEEE Standard for Wireless Access in Vehicular Environments [Text]. – New York: IEEE, 2010. – 264 p.

7. [7] Knapp, C.H. The generalized correlation method for estimation of time delay / C.H. Knapp, G.C. Carter // IEEE Transactions on Acoustics, Speech, and Signal Processing. – 1976. – Vol. 24, № 4. – P. 320-327.

8. [8] Brandstein, M. Microphone Arrays: Signal Processing Techniques and Applications [Text] / M. Brandstein, D. Ward. – Berlin: Springer, 2001. – 398 p.

9. [9] Schmidt, R.O. Multiple emitter location and signal parameter estimation / R.O. Schmidt // IEEE Transactions on Antennas and Propagation. – 1986. – Vol. 34, № 3. – P. 276-280.

10. [10] Benesty, J. Adaptive eigenvalue decomposition algorithm for passive acoustic source localization / J. Benesty, J. Chen, Y. Huang // Journal of the Acoustical Society of America. – 2003. – Vol. 113, № 6. – P. 3394-3405.

11. [11] Van Veen, B.D. Beamforming: a versatile approach to spatial filtering / B.D. Van Veen, K.M. Buckley // IEEE ASSP Magazine. – 1988. – Vol. 5, № 2. – P. 4-24.

12. [12] Ramos-García, R. Acoustic Surveillance of Road Traffic Accidents Using Distributed Wireless Sensor Networks / R. Ramos-García, J. López-Valcarce, F. Pérez-González // IEEE Transactions on Intelligent Transportation Systems. – 2018. – Vol. 19, № 6. – P. 1852-1864.

13. [13] Mallat, S. A Wavelet Tour of Signal Processing [Text] / S. Mallat. – 3rd ed. – Amsterdam: Academic Press, 2008. – 832 p.

14. [14] Смирнова, А.Д. Методы локализации звуковых источников на основе анализа фазовых спектров / А.Д. Смирнова, Н.Ю. Петухова // Акустический журнал. – 2021. – Т. 67, № 3. – С. 245-252.

15. [15] Петрова, Е.В. Использование гибридных алгоритмов для подавления дорожных шумов в системах локализации звука / Е.В. Петрова, М.А. Соколов // Вестник компьютерных и информационных технологий. – 2020. – № 12. – С. 15-23.

16. [16] Choy, B. Sound Source Localization in 3D Complex Urban Environments [Text]: PhD thesis / B. Choy. – Blacksburg: Virginia Tech, 2012. – 150 p.

17. [17] Li, Z. Robust Sound Source Localization in Urban Environments via Deep Neural Networks / Z. Li, H. Wang, Y. Yan // Journal of Ambient Intelligence and Humanized Computing. – 2020. – Vol. 11, № 4. – P. 1567-1580.

18. [18] Lam, E. 3D Sound-Source Localization Using Triangulation-Based Methods [Text]: Master thesis / E. Lam. – Vancouver: University of British Columbia, 2017. – 120 p.

19. [19] DiBiase, J.H. Robust localization in reverberant rooms / J.H. DiBiase, H.F. Silverman, M.S. Brandstein // IEEE Transactions on Speech and Audio Processing. – 2000. – Vol. 8, № 5. – P. 508-518.

20. [20] Huang, Y. Real-Time Passive Source Localization: A Practical Linear-Correction Least-Squares Approach / Y. Huang, J. Benesty, G. Elko // IEEE Transactions on Speech and Audio Processing. – 2001. – Vol. 9, № 8. – P. 943-956.

21. [21] H. Parineh, M. Sarvi, and S.A. Bagloee, ”Implementation of ZigBee based WSN to enhance the performance of SCATS compatible intelligent traffic controllers,” Australasian Transport Research Forum (ATRF), 43rd, 2022, Adelaide, South Australia, Australia.

22. [22] L. Ambrosini, L. Gabrielli, F. Vesperini, S. Squartini, and L. Cattani, ”Deep neural networks for road surface roughness classification from acoustic signals,” in Audio Engineering Society Convention 144, May 2018, Audio Engineering Society.

23. [23] S. Ntalampiras, ”Moving vehicle classification using wireless acoustic sensor networks,” IEEE Transactions on Emerging Topics in Computational Intelligence, vol. 2, no. 2, pp. 129-138, 2018.

24. [24] M.A.I. Rafi, M.R. Sohan, M.S. Hasan, T.S. Rafa, and A. Jawad, ”Exploring Classificatison of Vehicles Using Horn Sound Analysis: A Deep Learning-Based Approach,” in 2024 23rd International Symposium INFOTEH-JAHORINA (INFOTEH), Mar. 2024, pp. 1-6.

25. [25] C.Y. Chiang, M. Jaber, K.K. Chai, and J. Loo, ”Distributed acoustic sensor systems for vehicle detection and classification,” IEEE Access, vol. 11, pp. 31293-31303, 2023.

ПРЕПРИНТ

ИНФОРМАЦИЯ

Использование куки-файлов