仿生系列3--機(jī)器人的聽力系統(tǒng)
我們的耳朵是一個(gè)高度復(fù)雜的系統(tǒng)，同時(shí)也是一個(gè)高精度的測量“儀器”。普通人的每只耳朵都有約15 500個(gè)毛細(xì)胞，可以分辨出400 000余種音調(diào)。經(jīng)過專門訓(xùn)練的人甚至可以直接判斷他所聽到聲音的音調(diào)值。但是，人類的聽覺有一定的頻率范圍限制。舉例來說，在水下負(fù)責(zé)錄制鯨詠（又名鯨歌）的潛水員需要佩戴專業(yè)的擴(kuò)音收音裝置，因?yàn)轹L詠的頻率最高可達(dá)280KHz，而人類可以聽見的頻率范圍是16Hz~20KHz。雖然專業(yè)的擴(kuò)音收音裝置可以錄制到更廣的聲音頻率范圍，但是只有人類可以專注于某種特定的聲音，并且準(zhǔn)確定位聲音的來源。
耳朵：立體聲定位
無論聲音來自前面、后面，還是側(cè)面，雙耳都可以迅速定位其來源和距離。人耳的兩種關(guān)鍵能力正在被科學(xué)家們遷移到機(jī)器人身上，一種是對于耳間時(shí)間差（Interaural Time Difference，ITD）的處理，一種是對于耳間聲壓差（Interaural Intensity Difference，IID）的處理。由于人的雙耳分布在頭部兩側(cè)，所以頭部在聲音傳遞的過程中形成了天然的障礙。因此兩只耳朵會獲得不同的聲壓，而且大部分聲音不會同時(shí)進(jìn)入雙耳，例如來自左側(cè)的聲音會先進(jìn)入左耳，然后繼續(xù)以
柏林洪堡大學(xué)神經(jīng)機(jī)器人實(shí)驗(yàn)室主任Manfred Hild博士對CHIP雜志表示：“人的立體聲聽覺也受到耳朵肌肉和肩膀的影響。科學(xué)家們已經(jīng)有意識地將人耳的完整結(jié)構(gòu)運(yùn)用于人工智能系統(tǒng)。”因此，很多機(jī)器人的頭部設(shè)計(jì)與人的大小和形狀相當(dāng)，盡可能地以人類的方式利用頭部兩側(cè)的麥克風(fēng)獲取立體聲信號。
當(dāng)機(jī)器人身處預(yù)先專門準(zhǔn)備好的測試環(huán)境中時(shí)，可以利用立體聲定位功能，像人一樣快速定位聲源。但是，當(dāng)機(jī)器人身處同人一樣的真實(shí)日常生活環(huán)境中時(shí)，聲源定位就不是一件簡單的事情了。機(jī)器人與人類最關(guān)鍵的區(qū)別就是缺乏環(huán)境適應(yīng)和理解能力。一個(gè)我們熟知的現(xiàn)象就是雞尾酒效應(yīng)：當(dāng)許多人在聚會場所聊天，同時(shí)還伴隨著從音響中散播出來的背景音樂的時(shí)候，人類依然可以僅專注于某一個(gè)對話。但是這種場合對于機(jī)器而言就是難以逾越的挑戰(zhàn)了。由于機(jī)器人無法確定哪個(gè)聲源是真正需要關(guān)注的而無法快速過濾掉所有無關(guān)的頻率，所以此時(shí)的環(huán)境里只有一種不可識別的聲音——噪音。
人工智能：聽覺的妥協(xié)
科學(xué)家們根據(jù)應(yīng)用需求的不同，使用了很多巧妙的方法使機(jī)器人獲得更好的聽覺表現(xiàn)。其中，很多人工智能研究中使用到的成熟方法，已經(jīng)成功轉(zhuǎn)換為市場上的可行解決方案。有幾項(xiàng)優(yōu)秀的音頻過濾方案已經(jīng)開始在移動終端設(shè)備、車載免提裝置和遠(yuǎn)程會議系統(tǒng)上嶄露頭角。但是柏林洪堡大學(xué)的機(jī)器人專家Hild告訴我們：“目前來看效果并非總是令人滿意，例如汽車發(fā)動機(jī)的聲音會干擾到車廂內(nèi)的整個(gè)聲音頻帶，所以無法通過頻率過濾技術(shù)簡單地將其消除掉，必須配合聲源定位技術(shù)才可以更好地工作。”
最新解決方案就是使用盲信號分離（Blind Signal Separation）技術(shù)，制造商采用多個(gè)分散放置的麥克風(fēng)協(xié)助錄制令人煩惱的噪音，然后將其過濾掉，只留下司機(jī)的聲音。智能手機(jī)制造商也使用這個(gè)原理，通過機(jī)身背部的麥克風(fēng)與機(jī)身正面的麥克風(fēng)配合過濾掉雜音。慕尼黑科技大學(xué)仿生學(xué)教授Hemmert說：“我們目前的研究遇到了瓶頸，雖然新的解決方案取得了很大的進(jìn)步，但是距離真正突破性的進(jìn)展，還有很長的路要走。”其實(shí)，最關(guān)鍵的原因是日常生活中的噪音幾乎是無規(guī)律的，而通過人工智能實(shí)現(xiàn)的機(jī)器耳朵無法適應(yīng)不同的情景。
對于語音識別程序而言，這個(gè)過程并沒有什么障礙，通常只要將麥克風(fēng)至于嘴下即可，此時(shí)系統(tǒng)可以識別最大的聲源。但是語音識別程序，尤其是非特定語音識別系統(tǒng)，比如導(dǎo)航系統(tǒng)面臨著另一個(gè)很有難度的問題，就是它們需要識別講話者的嗓音，保證輸入的準(zhǔn)確度，然后結(jié)合龐大的語義數(shù)據(jù)庫和糾錯(cuò)能力，將語音轉(zhuǎn)換為可理解的文字。
結(jié)論
Hild對目前的進(jìn)展并不樂觀，他說：“我們必須回頭審視過去的發(fā)展歷程，理解只有機(jī)器人可以并行處理所有信號數(shù)據(jù)，并根據(jù)這些數(shù)據(jù)進(jìn)行綜合判斷的時(shí)候才可能取得重大的突破。”其實(shí)，即使這樣也遠(yuǎn)遠(yuǎn)不夠，因?yàn)槲覀儾⒎莾H通過耳朵聽聲音，還會通過眼睛定位對話者、移動自己的頭部找到最好的試聽位置。因此人工智能機(jī)器人必須將動力系統(tǒng)、聲音信號和視覺信號結(jié)合起來，才能有機(jī)會擁有人類這樣敏銳的耳朵。
最新消息
然而，據(jù)最新消息，由日本研制的“聽力理解分析機(jī)器人HEARBO”已經(jīng)很好地突破了技術(shù)瓶頸，據(jù)稱該機(jī)器人能同時(shí)區(qū)分出四種不同類型的聲音，并作分析。舉個(gè)例子：當(dāng)4個(gè)人同時(shí)說話，機(jī)器人通過分析音頻，能區(qū)分出哪個(gè)聲音來源于哪個(gè)人；3個(gè)人在玩石頭，剪刀，布的游戲，當(dāng)3個(gè)人同時(shí)說話，機(jī)器人則可以判斷出贏家是誰。
可見，仿生機(jī)器人技術(shù)已經(jīng)越來越先進(jìn)，但離我們的預(yù)期效果還差很遠(yuǎn)，相信在不久的將來，智能機(jī)器人能夠達(dá)到電影中《我,機(jī)器人》那樣智能，并且能和人類并肩作戰(zhàn)。
廣州澳博信息科技有限公司首頁
