室内Self-Localization和取向估计的智能手机使用声学信号

文摘

我们提出一个新的声学self-localization和姿态估计算法的智能手机网络组成的商业现成的设备配备两个麦克风和扬声器。每个智能手机作为声波收发器,发出和接收声信号。节点位置被发现通过结合的估计范围和到达方向(DoA)节点对之间使用最大似然(ML)估计量。定制优化算法同时解决DoA的不确定性问题,来自每个节点只有两个麦克风的使用和获得每个节点的方位取向不需要电子罗盘。

1。介绍

定位节点在无线网络是一个重要的步骤对于许多应用程序,在传感器的位置给意义收集到的数据。然而,准确的知识节点的位置和方向通常不是现成的。在室内场景,在经典的定位系统,如GPS并不可行,因为缺乏覆盖或精度有限,通常采取相对节点距离和/或位置从声学测量,红外或无线射频(RF)信号之间的交换设备。最常见的测量是到达时间(ToA),到达方向(DoA),或到达角和接收信号强度(RSS) (1]。然而,这些测量的使用并不是简单的随机时变误差引入的组件(例如,添加剂噪声和干扰)和依赖环境错误(墙反射、家具障碍物等)。传统方法对节点定位依赖信标节点(有时称为锚节点),他的位置是已知的先验在某种程度上。与信标节点,其余的位置传感器估计使用multilateration或multiangulation技术(2,3]。然而,在ad hoc网络如一个机会网络形成的智能手机,在信标节点的概率很低,因为他们的动态特性。如果没有灯塔,可以使用任意估计相对位置的参考坐标系,这通常被称为节点self-localization。节点的相对位置为我们提供了足够的空间信息来实现无线麦克风阵列(WMA)。wma分布式音频处理中有许多潜在的应用,如语音增强[4),盲源分离和回声取消5],扬声器定位和跟踪[6,7),和语音活动检测(8]。

当前智能手机包足够的硬件,这样一群设备使用正确的软件可以用于许多应用,如室内定位,行人跟踪、智能城市,电话会议,和听力受损的辅助技术9]。然而,尽管他们的潜在应用,智能手机有几个必须考虑硬件和软件的局限性,如可用专门的传感器的数量有限,有限的抽样率,缺乏优化的实时操作系统的应用程序,并限制硬件访问。

一般来说,商业智能手机的硬件节点self-localization方法满足不同。一些文献中使用RSS的射频信号(10,11),结合射频和超声波信号(12,13),和不同的数据融合方案14,15]。在Hoflinger et al。16),作者提出了一个使用大坡度啾啾acoustic-based系统和至少3的位置接收器实现本地化错误约30厘米。节点获得取向通常使用电子罗盘,这是由磁强计和加速度计;在大多数智能手机的传感器都是现成的。不幸的是,磁强计测量对干扰敏感的电气设备(甚至大型金属对象),必须经常校准,避免大错误(17]。通常,仅供广大地区(即RF-based解决方案。,an entire building) because they can cover wider distances at the cost of localization errors in the range of meters, whereas acoustic-based methods are used for localization within a room and achieve errors in the tenths of centimeters.

当本地化过程仅基于声学信号,我们可以讨论阵列几何校正(18]。这个字段包含不同的场景,其中分布式阵列配置校准对节点定位最相关的,因为其目标是推断分布式麦克风阵列的位置和方向与当地已知几何(即。使用DoA,节点有超过1麦克风)测量。一个常见的方法是假设一个二维(2 d)场景见雅各et al。19),4 2麦克风阵列定位精度可达5厘米,它假定节点位于已知尺寸的一个房间的墙壁。同样,在Plinge和芬克20.),表3与5麦克风嵌入式阵列和同步μs是校准精度1.2厘米和1.3°使用300年代的白噪声。在瓦尔等人的工作(21),与3麦克风和RSS节点测量功能是位于一个错误11厘米,1.7°。这些建议的共同点的使用特别的硬件和每个节点都需要3或更多的麦克风来解决360°方位取向。

有不同类型的self-localization方法如基于ToA测量。通常这些方法涉及大量的声学源和麦克风在未知位置之间的飞行时间(ToF) source-microphone配对。克罗克中描述的方法等的工作(22]报告定位错误在厘米的范围内。它代表了一种进步在杜伦等经典方法(23通过引入一个封闭的解作为初始状态误差函数最小化。

在这项工作中,我们提出一个算法节点self-localization和方向估计智能手机网络使用声音信号和假设每个节点都是一个最先进的现成的智能手机两个麦克风和扬声器。算法是一个扩展的思想提出了Ayllon等的工作(24),尤其是最大的修改基于可能性分布优化的节点定位算法(ML-DONL)说。这个修改不需要以前的知识节点方向。我们的建议是我们的主要优势避免错误引入的一个未校准的指南针,这通常是超过15°(17]。位置和方位估计是基于封闭表达式;然而优化算法用于解决DoA的不确定性需要获得360°方向估计只使用2麦克风/节点。射频信号所需的数据交换网络,和方法假设节点是静态在定位过程中,需要几秒钟。该方法适用于声节点的定位在一个房间里(节点)之间存在的视线来创建一个WMA。

2。问题公式化

让我们考虑一个完全连接的网络组成的节点,每个节点包含一个麦克风阵列的几何。如果我们还可以考虑未知位置发出的声音来源,我们可以获得一系列的DoA估计从每个节点到每个源,这样可以找到网络几何作为一个组合的所有估计的角度解决最小化问题。然而,DoA-based算法只能发现相对几何、规模和所需的额外信息。

在特定情况下,每个节点都是一个智能手机配备两个麦克风(和)和扬声器()。图1代表一个典型的智能手机配置充当th节点,麦克风两人之间的距离,和的中心之间的距离和角度是数组和演讲者,分别和节点的定位。

我们的目标是找到的位置和方向网络节点形式。我们集中在二维情况下,躺在所有节点飞机,这是典型的场景,各种智能手机放在一个表。3 d泛化需要超过两个麦克风节点,这是一个罕见的特性在当前设备。因为我们使用一个活跃的方法通过节点作为声音的来源,我们定义一个节点位置作为其扬声器的位置。然后,本地化的问题是减少的估计演讲者坐标 和方向(方位) 基于DoA和节点对之间的区间估计。

2.1。DoA和区间估计

提出的定位算法是基于的结合 DoA ()和范围()估计,每个 , 对估计的相对位置演讲者对节点在极坐标下。

让我们考虑节点的麦克风作为一个线性阵列,所以如果我们假设源(th议长)阵列的远场,一架飞机波前与一个角的影响 。得到DoA的到达时差(辐射源脉冲)之间的两个传感器(见图2),它是由 ,在那里intermicrophone距离和吗是声音的速度。不幸的是,一个线性阵列(1 d)在2 d的情况下只能辨别DoAs之间 和 弧度,这导致一个问题称为DoA的不确定性。因为 ,每 ,有两个潜在的新风。然后,测量节点之间的夹角对节点定位和有偏见的影响DoA不确定性和测量误差。因此,我们可以定义节点对之间的估计角(), 在哪里 DoA校正变量和不确定性DoA测量误差。请注意,在雅各等的工作(19),DoA的不确定性并不认为是一个问题,因为二个麦克风阵列总是位于一堵墙,这样可以排除任何声音撞击的可能性从数组的“返回”。

得到DoA ()和范围(节点对之间的)估计,每个节点发出一个参考声信号,网络中每个节点收到的。让这些参考信号是已知的,用 ,在哪里表明发射器节点。在这项工作中,我们使用广义互相关相变换(GCC-PHAT)获得混响的DoA估计的鲁棒性25]。让和是麦克风接收到的信号的傅里叶变换的节点,让的傅里叶变换参考节点发出的信号 。的GCC-PHAT麦克风信号和参考信号是由 在哪里是频率和是时间滞后。对应两个信号之间的时差,GCC-PHAT函数最大值的值: 因为我们与一个已知的信号,和到达时间(ToA)为每个麦克风的信号。然后,麦克风之间的目标辐射源可以很容易地计算加强之间的区别: ,从直接的DoA估计 使用ToF节点对之间的距离测量。假设节点是同步的,也就是说,每个节点在网络共享一个共同的时基,一个相同的采样频率 ,估计范围减少的问题 在哪里的时候吗节点发出信号和时间瞬间吗th节点接收信号的两个麦克风(ToA)。注意,由于节点配备两个麦克风,我们需要加强的平均值得到数组的ToA中心。特定的方法获得节间同步超出了本文的范围,不过在文献中有多个解决方案,例如,苏尔et al。26]。

3所示。提出了节点定位法

在本节中,我们解释所采取的DoA估计和范围节点组合以获得他们的位置和方向。

3.1。ML估计节点位置

让我们考虑一个全套的估计范围和入射角节点对之间是可用的,并且每个估计与标准差有一个错误 和 ,分别。目标是估计位置矢量考虑到测量标准偏差的测量。每个极坐标测量(方位和距离对)转换成笛卡尔坐标系 ,在那里 和 , 和 对所有和从1到 。

也让我们考虑的联合概率密度函数(PDF)在笛卡尔坐标测量多元正态分布。在Ayllon等的工作24),下一个PDF提出的表达式 在哪里PDF的协方差矩阵相关的测量向量th节点的th节点和是一个列向量的坐标包含后者。可以获得最可能的节点位置使用最大似然估计值,对数似给定的几何计算使用以下方程: 堵塞(6)(7)和简化,下一个获得的表达式是: 在哪里 和 。

假设所有的协方差矩阵相等和正比于单位矩阵,这样 , 当 ,我们可以获得解决方案使用以下表达式: 这相当于PDF的假设变量是独立的,他们的标准偏差是恒定的。通过这种方式,每个估计都有同样的重量没有对定位结果的影响( )。请参阅Ayllon et al。24)的完整描述ML估计位置。在这项工作中,我们使用方法计价作为“天真的协方差矩阵估计。”

大多数self-localization方法(包括雅各et al。19)Plinge和芬克(20.)使用某种类型的迭代优化算法为了找到的节点位置。通常成对距离最小化误差函数等 在哪里节点之间距离测量(范围)和(直接获得,即。、ToF或间接,也就是说。辐射源三角测量) 是他们估计位置之间的距离。然而,重要的是要注意,我们的ML估计量是一个封闭的方法。

3.2。定位估计

获得从 ,首先,我们必须知道的方向th节点和解决DoA的不确定性所示(1)。任何错误的方向估计是直接添加到 ,构成问题节点的估计位置。因为数字罗盘在智能手机通常未校准,它引入了一个大错误,经常超过的DoA估计。因此,我们决定来估计节点的定位使用可用的信息,而不是依靠一个不精确的测量。

让我们考虑到节点的声源中心的麦克风阵列( ),我们知道真正的角节点对之间的价值(即。,the actual value without any error). In this scenario, we know that rad为 。现在,如果我们引入近似于(1),用与 ,替换第一个假设 (即。,the distance between the center of the array and the speaker is much smaller than the distance between the nodes), we arrive to ,获得以下概括:

图3显示了角节点对之间的关系。注意,当节点之间的距离足够大,误差引入的演讲者不是位于阵列中心是可以忽略不计。

定义 和表达式(11)到复平面,求幂和一些操作之后,就越大

估计的方向,现在我们可以强迫一个相对定位参考, ,到达以下表达式: 插入表达式(13)(12),我们获得取向估计的最终表达式:

为了获得每个值 ,我们有估计,它的质量直接相关的错误和 ,由于是未知的,也必须是估计的,它是最不可靠的。在优化过程中,将在下一节中,讨论的方向估计得到的修剪的均值可以估计,从而使结果更健壮的异常值由错误的值。

方向的第一个节点固定在零,我们重建一个相对坐标系。点在这个空间转换和旋转;它就可以知道的实际位置和姿态的一个节点(即。,拥有一个信标节点)全球坐标系统转换结果。

3.3。不确定性的解决方案

在这一点上,我们假设的值是已知的;因此, ,该节点的估计位置取决于给定的DoA不确定性校正矩阵 。然而,它的实际值是未知的,我们必须与估计(由 值)。因为不确定性校正是一个二进制变量,有可能的值 ,这使得它难以实现测试每一个值。因此,我们决定使用遗传算法(GA)来找到解决方案。重要的是要强调的主对角线是不感兴趣的(时的情况 ),不需要估计,降低了最大数量的组合 。

我们发现了一个清晰的对数似一段之间的关系和定位错误。因此,我们建议使用表达式(8)作为适应度函数。图4显示了对数似和两两节点之间的关系距离误差对所有可能的值在一个网络 。然后,选择的健身与位置误差度量显然有着直接的关系。

提高优化算法的收敛对绩效评估的总数,而不是使用单一GA和几个运行(标准模式),我们使用一个消除锦标赛的小型气体。我们从一组64个小气体(阶段的比赛表示)人口 个人和 一代又一代。最好的解决方案的第一轮配对,生成一个新的人口每两个赢家,将参加下一轮的比赛。重复这个过程,直到全球的赢家。为便于说明,图5显示了一个示例的消除锦标赛中使用实验共有 轮。在我们的例子中,我们使用 轮,因为经验给了我们很好的收敛结果。

GA算法分为7个步骤:(1)初始化算法通过创建一个人口 个人。每个人()包含 相应的基因 。在第一轮的比赛,基因是随机选择;之后的每一个回合,他们是由生殖和突变前一个阶段的赢家(步骤(4)和(5))。(2)人口评估。对于每一个 ,节点方向估计如前一节所述,然后是对数似(适应度函数)计算(8)。(3)个人根据他们的健康水平排序降序排列。表现最好的选择新一代繁殖。剩下的的人口就会被丢弃。(4)人口再生通过繁殖成功的个人。对于每一个新个体,随机选择两个家长,每个随机提供一半的基因。(5)除了表现最好的,完整的人口由选择突变随机的基因和实现价值。因为改变的可能性涉及的变化非常高,基因突变改变的迹象。发生突变后,新一代完成。(6)如果迭代计数器低于 ,算法返回2,迭代计数器增加;否则,它继续的最后一步。(7)最好的被选中作为候选人,参加下一轮的比赛。

GA比赛完成后,最好的个人和用于估计最后的节点位置和方向。

重要的是要强调,虽然优化算法的计算成本相当高,不同的小型气体可以除以总数量的节点的网络中,由于取消比赛的并行化是微不足道的。在一个粗略的近似计算时间的封闭表达式的ML估计量和方向估计量作为一个单独的操作,在大符号,并行锦标赛的复杂性 。127年的比赛是由气体之间的分裂节点。在最糟糕的场景中,一个节点有照顾 气体。每个GA执行迭代的人口规模 ,所以,总的来说,每个节点都需要计算 操作。在平均水平,优化算法的计算负载(为一个节点)倍估计使用的封闭表达式。请注意,需要一个迭代算法是一个直接后果的DoA的不确定性。假设每个节点能够解决360°DoAs(通过3或更多麦克风安排在一个二维数组),直接解决这个问题将会被发现。

4所示。实验和结果

评估该算法,我们生成一个现实的声音信号的数据库,其中包含300种不同的场景包括混响和背景噪音。混响是由墙上的吸收系数。背景噪声作为添加剂添加白噪声控制的信噪比(信噪比)。每个场景包含10个随机分布和生成的节点和随机组合的下一个参数:房间的尺寸6 - 12米长/宽,2 - 3米高,吸收系数0.5 - 1,5 - 20 dB的信噪比。节点的位置受到限制,好像他们的维度表 (一个中型会议表)节点之间的最小距离为15厘米。声麦克风接收到的信号是使用一个房间脉冲响应信号发生器生成,这是计算使用简单的图像方法中描述的艾伦和伯克利的工作(27采样频率为44100赫兹)。

参考节点发出的声信号限带白噪声信号(500 Hz-16千赫)的4096个样本的长度或9.29 ms 赫兹。每个设备都有其独特的参考信号,而网络中每个节点。所选频率范围与典型的智能手机扬声器的频率响应,而时间是对信噪比的计算复杂度和鲁棒性之间的权衡。注意,短时间的好处是降低本地化过程干扰用户暴露在参考信号。

因为智能手机之间实现紧密的时间同步不是琐碎,节点之间的同步性也随机设定。所有节点共享一个相同的采样频率 ,但他们的生物钟的起点是偏向使用均匀分布来模拟一个松散同步节点之间。这个时钟抖动转化为一系列估计误差在米。实验的标准偏差范围的估计是固定在3种不同的价值观, 米, m, 米,根据同步抖动。

最后一个考虑是坐标系统。我们前面提到的,坐标的原点是节点的质心位置的定位过程;然而,我们可以假设不失一般性,第一个节点位于原点的坐标。然后,调换位置被发现通过减去第一个节点的坐标。因此,条件为取向的评估,提供本地化的结果与第一个节点。本地化的例子在图6,我们注意到,当使用这个引用系统时,第一个节点的估计和真正的位置是相同的。

为了设置一个比较方法,我们实现了2方法的文献,即雅各et al。19)和克罗克et al。22]。

雅各et al。提出的方法的工作(19)是基于角度测量。为了适应它的使用范围测量,解决方法是扩展测量范围值的差异最小化Schmalenstroeer等中描述的工作(28]。重要的是要强调这种方法只适用没有DOA(3或更多麦克风/节点)的不确定性,因此,为了获得结果,我们假设节点能够测量360°DoAs只用2个麦克风,这身体是不可能的。

克罗克中描述的方法等的工作(22)只使用范围测量,因为它适用于节点用一个麦克风。该方法不能反映解决方案之间,所以,为了获得结果,我们考虑所有可能的反映。请注意,我们获得的估计范围平均在两个麦克风加强;因此该方法不能获得取向估计。以防加强了在每个麦克风,它也应该可以估计方向通过添加一些约束(同一节点之间的距离麦克风),虽然在22这是不考虑。

4.1。结果的讨论

表1显示的是意思是,标准差(Std),修剪指(修剪)获得的定位误差的算法,可以同雅各et al。19)和克罗克et al。22),所有这些工作没有以前的知识节点方向。请注意,克罗克et al。22)不考虑节点方向和雅各et al。19)使用DoA估计覆盖360°,方法是基于180°DoA估计。这些方法,该方法除了获得最好的结果 ,克罗克et al。的方法(22大型网络的大小()是更好的 )由于收敛问题DoA估计的不确定性。这种影响可以发现通过观察的修剪和Std.拟议的方法。可以看到,尽管削减意味着是一个下行的趋势,当网络规模扩大,Std.越大。

克罗克et al。(22)性能的影响范围估计误差来源于同步延迟。该方法的灵敏度范围估计错误清楚地表明,当比较增加的结果值,雅各et al。的方法(19)由测距误差的影响较小,因为发现几何使用新风和范围仅仅是用来扩展解决方案。值得再次强调,雅各等的方法(19是没有能力解决DoA的不确定性问题。不可能使用这种方法只有2麦克风/节点。

表2显示的是意思是,性病,修剪ML-DONL算法的定位误差获得Ayllon et al。的工作(24)与已知的方向(假定为获得电子罗盘),有或没有方向测量误差。与上一个比较这个表,我们观察到的错误获得之间的使用方向估计方法是获得使用测量方向:这是比理想情况下的典型错误但远小于当未校准的指南针。

表3显示的是意思是,性病,修剪与该算法获得的方位估计误差和获得的雅各et al。(19]。雅各相比该方法变大错误等的方法(19),虽然值得回顾的是,后者没有处理DoA的不确定性。从表中,我们可以观察到方向估计是独立的 ,因为它只使用DoA测量。有两种方法,方向估计误差低于典型的数字罗盘,呈现他们无用的对于这个特定的应用程序。图7显示了一个箱线图的所有测试算法的结果 ,更容易看到不同的算法执行。

毫升位置估计的深入的分析显示,大型本地化错误与大型DoA估计错误,也就是说,这些实例相关的最大峰值对应于一个反射而不是直接的信号。一些建议在文献中使用异常检测技术来减少伪测量的影响。雅各et al。19)随机样本的共识(RANSAC)用于最小化算法(不是我们的版本中实现);在Plinge和芬克的工作20.),异常值检测通过应用一个阈值估计误差。我们当前的实现不考虑异常值检测;因此,获得的错误有很大的差异。

关于节点的数目,定位精度通常增加更大的网络。预计这个结果因为有更多的信息;因此,它更容易弥补大局部估计误差(DoA或范围)在一个或多个节点。然而,由于DoA的不确定性,该方法有一些大型网络收敛问题,需要解决。

我们所知,我们的建议是(我们之前一起工作在Ayllon et al。24])能力的唯一方法2 d DoA-based分布式阵列配置使用节点配备只有2个麦克风校准。

5。结论

在本文中,我们提出了一种新的self-localization算法组成的无线智能手机网络商业现成的设备,配有两个麦克风和扬声器。整个定位过程是基于DoA和范围估计节点对之间获得声音信号。这项工作的主要新奇的修改之前提出ML-DONL算法,这使我们能够定位节点即使没有先验知识对他们的方向。因此,我们消除了电子罗盘要求。节点所在的位置找到他们的演讲者和DoA估计他们的取向而解决不确定性问题,而来自每个节点只有两个麦克风的使用。获得的定位误差低于获得当一个未校准使用电子罗盘,这对现成的智能手机是最常见的场景。总之,该算法提高了定位精度的方法,需要参考节点或额外的传感器,它是在相同的规模和其他DoA-based算法无需特别的硬件。此外,算法的计算成本是当前移动处理器可假定的。然而,DoA的解决不确定性与GA比赛增加了一个有意义的计算负荷,使它值得去探索更高效的解决方案。未来的工作将地址伪测量使用异常检测技术,研究不同方法DoA估计的不确定性,因为他们是主要的误差来源。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作已经由西班牙经济和竞争力/菲德尔在项目tec2015 - 67387 - c4 - 4 - r。

引用

1. n .帕特瓦瑞j . n .灰s Kyperountas a . o .英雄III, r·l·摩西和n·s·科雷亚,“定位节点:合作在无线传感器网络定位,“IEEE信号处理杂志,22卷,不。4,54 - 69年,2005页。视图:出版商的网站|谷歌学术搜索
2. c . Savarese j . m . Rabaey, j . Beutel“位置特别在分布式无线传感器网络,”《IEEE国际会议音响、演讲和信号处理(ICASSP 01)4卷,第2040 - 2037页,犹他州,盐湖城美国,2001年5月。视图:出版商的网站|谷歌学术搜索
3. f . Mondinelli和z . m . Kovacs-Vajna Self-localizing传感器网络体系结构、“IEEE仪表和测量,53卷,不。2、277 - 283年,2004页。视图:出版商的网站|谷歌学术搜索
4. a·伯特兰和m·穆南“分布式自适应特定于节点的信号估计我完全连接传感器网络部分:连续的节点更新”IEEE信号处理,卷。58岁的没有。10日,5277 - 5291年,2010页。视图:出版商的网站|谷歌学术搜索|MathSciNet
5. e . Robledo-Arnuncio t . s .和田,B.-H。Juang”处理采样率不匹配在盲源分离和声学回波消除,”《IEEE车间音频和声学信号处理的应用2007年10月,页34-37,。视图:出版商的网站|谷歌学术搜索
6. p . Aarabi”融合的分布式麦克风阵列声源定位,“Eurasip应用信号处理》杂志上,卷2003,不。4、338 - 347年,2003页。视图:出版商的网站|谷歌学术搜索
7. a . Hassani a·伯特兰,m·穆南”合作综合降噪和特定于节点的direction-of-arrival估计完全连接无线声传感器网络,”信号处理卷,107年,第81 - 68页,2015年。视图:出版商的网站|谷歌学术搜索
8. 诉贝里沙、h . Kwon和a . Spanias“实时实现的分布式语音活动检测器,”诉讼的第四届研讨会传感器阵列和多通道处理,第662 - 659页,2006年。视图:出版商的网站|谷歌学术搜索
9. a·伯特兰·m·穆南,“健壮的分布式降噪助听器与外部声学传感器节点”Eurasip在信号处理的发展》杂志上ID 530435条,卷。2009年,14页,2009。视图:出版商的网站|谷歌学术搜索
10. p·巴尔和v . n . Padmanabhan”雷达:在建rf-based用户位置和跟踪系统,”第九届年度联合研讨会论文集IEEE计算机和通信的社会,IEEE INFOCOM 00,2卷,第784 - 775页,2000年3月。视图:出版商的网站|谷歌学术搜索
11. p . Pivato l . Palopoli d中,“基于rss的质心定位算法的精度在一个室内环境中,“IEEE仪表和测量,60卷,不。10日,3451 - 3460年,2011页。视图:出版商的网站|谷歌学术搜索
12. t·g·博列洛,a . Liu, c . Palistrant r .锋利,“海象:无线使用超声波声room-level分辨率的位置,”第三届国际会议在移动系统的程序,应用程序和服务(MobiSys 05)ACM,页191 - 203年,2005年6月。视图:出版商的网站|谷歌学术搜索
13. s . j . Kim和b k金”,准确的混合室内移动机器人全局self-localization算法和二维各向同性超声波接收器,”IEEE仪表和测量,60卷,不。10日,3391 - 3404年,2011页。视图:出版商的网站|谷歌学术搜索
14. s . Ladstatter p Luley、a . alm和l .买来的“多传感器数据融合的高精度定位手机,”学报》第12届国际会议上与移动设备人机交互和服务,移动HCI 102010年9月,页395 - 396。视图:出版商的网站|谷歌学术搜索
15. m . Klepal m . Weyn w·纳吉布et al .,“Ols:机会主义定位系统智能手机设备,”学报第一ACM研讨会上网络、系统和移动手持设备的应用程序2009年8月,页79 - 80。视图:出版商的网站|谷歌学术搜索
16. f . Hoflinger j . Wendeberg r . Zhang et al .,“室内声学self-calibrating系统智能手机跟踪(协助)”学报》国际会议室内定位和室内导航(IPIN 12)2012年11月,页1 - 9,。视图:出版商的网站|谷歌学术搜索
17. z李、李x和y,“磁传感器和加速度计的标定方法tilt-compensated数字罗盘”9日学报》国际会议在电子测量和仪器,ICEMI ' 09,第868 - 862页,2009年。视图:谷歌学术搜索
18. a . Plinge f·雅各布,r . Haeb-Umbach和g·a·芬克”声麦克风几何校正:概述和实验评价最先进的算法,”IEEE信号处理杂志,33卷,不。4,14-29,2016页。视图:出版商的网站|谷歌学术搜索
19. f·雅各布,j . Schmalenstroeer和r . Haeb-Umbach”从混响语音输入麦克风阵列位置自校准,”国际研讨会声学信号增强,诉讼IWAENC”122012年9月,页1 - 4,。视图:谷歌学术搜索
20. a . Plinge g·a·芬克,“几何校正的多个麦克风阵列在高反射的环境中,”学报》2014年第14届国际研讨会声学信号增强,IWAENC 142014年9月,页243 - 247。视图:出版商的网站|谷歌学术搜索
21. m·a·瓦尔·h·哈桑,h . Maqbool a·拉赫曼和m . Tahir“声学传感器网络相对自校准使用联合目标辐射源和DOA和未知的灯塔位置,”学报2014年IEEE无线通信和网络会议,WCNC 142014年4月,页3064 - 3069。视图:出版商的网站|谷歌学术搜索
22. m·克罗克A . Del输送量大m . Bustreo诉Murino,”一个封闭形式解麦克风位置自校准问题,”学报2012年IEEE国际会议音响、演讲,和信号处理,ICASSP 122012年3月,页2597 - 2600。视图:出版商的网站|谷歌学术搜索
23. 杜伦,“从声音,仿射结构”《电子学报》神经信息处理系统,第1360 - 1353页,2005年。视图:谷歌学术搜索
24. d . Ayllon h·a . Sanchez-Hevia r . Gil-Pita m . Manso,和m . r . Zurera”室内盲目定位智能手机的传感器数据融合,“IEEE仪表和测量,卷65,不。4、783 - 794年,2016页。视图:出版商的网站|谷歌学术搜索
25. j . h . DiBiase h·f·西尔弗曼,m . s . Brandstein“混响室,强劲的本地化”麦克风阵列施普林格,页157 - 180年,柏林,德国,2001年。视图:出版商的网站|谷歌学术搜索
26. 美国苏尔、t·魏和x张”通过一系列同步智能手机Autodirective音频捕捉,”学报》第12届国际会议在移动系统中,应用程序和服务,经验的142014年6月,页28-41,。视图:出版商的网站|谷歌学术搜索
27. j·b·艾伦和d·a·伯克利,”形象有效地模拟小房间声学的方法,”《美国声学学会杂志》上,卷65,不。4、943 - 950年,1979页。视图:出版商的网站|谷歌学术搜索
28. j . Schmalenstroeer f·雅各布,r . Haeb-Umbach m·h·亨内克·g·a·芬克,“无人监督的几何校正的声学传感器网络使用源通讯”12学报》国际言语交际协会的年度会议上,Interspeech”112011年8月,页597 - 600。视图:谷歌学术搜索

版权

版权©2017赫Sanchez-Hevia et al。这是一个开放的访问分布在条知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。