·14 智能系统学报 第7卷 的人工耳廓的仰角定位算法[0.由于机器人头部运 谱特性的影响，用左右耳对数谱之差表示声谱特性： 动是连续的，所以声谱特性变化也是连续的，即相邻 S()=lg(s(k)-lg(s(k)).2010年他们在文献 时刻的声谱特性不会产生突变.根据此特性对长时 [54]中联合声音幅度、谱幅度、TD和ⅢD定位声源 间检测的声谱特性进行聚类，得到更精确的声谱特 的距离 性，一定程度上抑制了噪声的干扰。 (a)仿人耳亮 )机器人 图11仿人耳廓和机器人 Fig.11 Humanoid pinnae and robot 图9人工耳廓 2011年Kim等为了降低基于信号相关的时延 Fig.9 Artificial pinnae 估计算法的信号采样率对定位分辨率的影响，利用 2006年Hornsteind等利用人工耳廓和人工头模 最大似然方法找出最大化互功率谱之和的声源轴向 拟人的听觉定位51.人工头模型如图10所示，通过 角，分辨率达到15].另外考虑机器人球形头部带 ITD,ID和谱谷(spectral notches)定位声源的轴向 来的多径效应，一个基于front--back的多径补偿因子 角和仰角以控制头部转向声源 被用来修正时延估计.2011年Skaf等[s6]测试了放 置在一个椭球人工头上的88对对称双耳的定位性 能，D和TD被分别测试，实验结果显示，综合D 和TD性能时双耳放置在人工头的后下方性能最 优.人工头及双耳位置如图12所示. 图10人工头部和耳廓 Fig.10 Artificial head and pinnae (a)IID (b)ITD 2006年Keyrouz等利用人工头和人工双耳同时 分离和定位2个声源的轴向角和仰角52]，一种时域 图12最优双耳位置 的盲源分离算法被用于分离2个独立且相距不太近 Fig.12 Optimal position of two ears 的声源.令第1个声源到第2个分离信号的冲激响 2.5机器学习 应为c2,第2个声源到第1个分离信号的冲激响应 Saxena等利用单麦克风和人工耳廓基于机器学 习方法定位声源方向列.不同声源方向到麦克风的 为c21,则声源到麦克风的冲激响应h需满足： 传输函数不同，用隐马尔可夫模型表示时变的麦克 C2=h102+h1202=0, (1) 风信号Y,则声源方向可以通过式(3)估计，式(3) c21=h210u+h22021=0. (2) 可以通过前向-后向算法求解，以15°的步长遍历轴 式中：w为解混冲激响应.通过式(1)、(2)可以分别 向角求解0. 求出2个声源方向的HRT℉s,进一步可以定位声源 0=arg max P(,Y经，…，1). (3) 的全向轴向角和仰角. 2008年Rodemann等利用仿人耳蜗和双麦克风 2.6主动听觉 进行声源的3-D方向定位]，耳蜗和机器人如图11 文献[58]指出机器人的感知能力应该是主动 的，可以通过机器人的移动和传感器参数的控制获 所示.在提取TD、ID和spectral cue前先进行双耳 得更好的感知环境.该文基于SG人形机器人的头 信号的同步谱减去噪.为了消除声源信号特性对声