基于MEMS麦克风阵列的行人检测系统

MEMS

2天前

波束形成器基于延迟求和算法处理麦克风阵列捕获的150个信号,生成17个离散波束,覆盖从-24°到24°、方位角间隔3°且仰角固定为0°的范围;。

在当今城市交通日益繁忙的背景下,行人安全问题备受关注。据世界卫生组织统计,每年约有135万起交通事故发生,其中23%的事故涉及行人死亡。

考虑到现有的基于摄像头、雷达和激光雷达的传感器在低能见度环境下性能有限,西班牙瓦伦西亚大学的研究人员开发了一种基于MEMS麦克风阵列的行人检测系统,能够在移动车辆上实时检测行人,以提高城市道路的安全性。

系统架构

该行人检测系统主要由声学采集信号处理与检测系统控制与通信等部分组成。

声学采集部分:
由一个 5×30 的 MEMS 麦克风阵列构成,这些麦克风均匀间隔 0.9cm,安装在车辆前部。其作用是接收由高音扬声器发射并经行人反射回来的声学信号,为后续处理提供原始数据。

信号处理与检测部分:

  • FPGA 中的模块:
  • 传输块:

负责合成经功率放大器后由高音扬声器发射的脉冲信号,生成两个时间间隔预设的模拟脉冲,以便在检测器中区分反射信号来源,其发射信号频率为每 125ms 一次,即每秒 8 次传输。

  • 采集块:

承担同步采集 150 个 MEMS 麦克风接收信号的任务。

  • 信号处理块:

由波束形成器、包络检测器和匹配滤波器三个子系统构成。
波束形成器基于延迟求和算法处理麦克风阵列捕获的 150 个信号,生成 17 个离散波束,覆盖从 -24° 到 24°、方位角间隔 3° 且仰角固定为 0° 的范围;
包络检测器使系统不受多普勒效应影响;

匹配滤波器利用其脉冲响应为发射脉冲包络的特性,在检测前最大化信噪比。

  • Atom 核心中的模块:

  • 检测块:

由峰值检测器、距离和车道滤波器、CFAR 检测器和目标鉴别器四个子系统组成。

峰值检测器识别波束中超过最小检测阈值的相对最大值范围,并生成目标列表;

距离和车道滤波器排除不在车辆检测范围(5 - 21m)和车道内的目标;

CFAR 检测器分析目标周围能量并生成自适应阈值来验证检测;

目标鉴别器依据发射脉冲的特性判断检测是否为系统发出的脉冲,以此区分真实目标和外部噪声,减少虚假检测。

系统控制与通信部分:

系统在检测到行人后,会与车辆的控制单元通信,向 AEB 系统或其他相应的 ADAS 系统发出警报。一旦接收到行人存在的警报信息,车辆的控制单元便能及时启动相应的安全机制,例如自动调整车速或准备制动操作,从而最大程度地降低与行人发生碰撞的风险,切实保障城市道路上行人的安全。
测试环节

在实际测试环节,研究团队精心挑选了一条具有代表性的城市双车道大道作为测试场地。这条大道宽度为 8 米,长度达数百米,能够充分满足车辆以稳定速度行驶的测试需求。

在测试过程中,研究人员在车道右侧边缘精心布置了两名行人,他们间隔 25 米站立,且始终保持静止状态。车辆则以 30km/h 的恒定速度缓缓通过车道中心,这一速度模拟了城市常见的行车速度。在多次测试过程中,车辆累计进行了 200 次的往返行驶,并且每秒稳定地采集 8 个声学图像或帧。

结论

通过对大量测试数据的深入分析与统计,该系统展现出了较为出色的性能表现。最终得出的检测概率(Pd)高达 0.91,这意味着在绝大多数情况下,系统能够准确地检测到行人的存在。
虚假报警概率(Pfa)被控制在 0.011 的较低水平,有效避免了因过多的误报而干扰驾驶员的判断。尽管与车辆静止状态下的测试结果相比,在动态行驶过程中由于车辆发动机噪声、滚动噪声以及风流噪声等额外干扰因素的存在,检测概率略有下降,但总体而言,该系统在实际城市交通环境中的可行性与有效性得到了有力的验证。
瓦伦西亚大学的研究人员表示,未来他们将继续优化该系统,探索提高信号发射功率/带宽、应用统计最优波束形成算法以及引入基于卡尔曼滤波器的跟踪和关联技术等方法,以进一步提升系统的检测概率和降低虚警概率,为行人安全保驾护航。该项研究成果发表在 Sensors Actuators: A. Physical 上。
更多信息:Alberto Izquierdo, Lara del Val, Juan José Villacorta. Pedestrian detection using a MEMS acoustic array mounted on a moving vehicle[S]. Sensors Actuators: A. Physical, 2024, 376: 115586.
延伸阅读:
《微机械超声换能器专利态势分析-2023版》

波束形成器基于延迟求和算法处理麦克风阵列捕获的150个信号,生成17个离散波束,覆盖从-24°到24°、方位角间隔3°且仰角固定为0°的范围;。

在当今城市交通日益繁忙的背景下,行人安全问题备受关注。据世界卫生组织统计,每年约有135万起交通事故发生,其中23%的事故涉及行人死亡。

考虑到现有的基于摄像头、雷达和激光雷达的传感器在低能见度环境下性能有限,西班牙瓦伦西亚大学的研究人员开发了一种基于MEMS麦克风阵列的行人检测系统,能够在移动车辆上实时检测行人,以提高城市道路的安全性。

系统架构

该行人检测系统主要由声学采集信号处理与检测系统控制与通信等部分组成。

声学采集部分:
由一个 5×30 的 MEMS 麦克风阵列构成,这些麦克风均匀间隔 0.9cm,安装在车辆前部。其作用是接收由高音扬声器发射并经行人反射回来的声学信号,为后续处理提供原始数据。

信号处理与检测部分:

  • FPGA 中的模块:
  • 传输块:

负责合成经功率放大器后由高音扬声器发射的脉冲信号,生成两个时间间隔预设的模拟脉冲,以便在检测器中区分反射信号来源,其发射信号频率为每 125ms 一次,即每秒 8 次传输。

  • 采集块:

承担同步采集 150 个 MEMS 麦克风接收信号的任务。

  • 信号处理块:

由波束形成器、包络检测器和匹配滤波器三个子系统构成。
波束形成器基于延迟求和算法处理麦克风阵列捕获的 150 个信号,生成 17 个离散波束,覆盖从 -24° 到 24°、方位角间隔 3° 且仰角固定为 0° 的范围;
包络检测器使系统不受多普勒效应影响;

匹配滤波器利用其脉冲响应为发射脉冲包络的特性,在检测前最大化信噪比。

  • Atom 核心中的模块:

  • 检测块:

由峰值检测器、距离和车道滤波器、CFAR 检测器和目标鉴别器四个子系统组成。

峰值检测器识别波束中超过最小检测阈值的相对最大值范围,并生成目标列表;

距离和车道滤波器排除不在车辆检测范围(5 - 21m)和车道内的目标;

CFAR 检测器分析目标周围能量并生成自适应阈值来验证检测;

目标鉴别器依据发射脉冲的特性判断检测是否为系统发出的脉冲,以此区分真实目标和外部噪声,减少虚假检测。

系统控制与通信部分:

系统在检测到行人后,会与车辆的控制单元通信,向 AEB 系统或其他相应的 ADAS 系统发出警报。一旦接收到行人存在的警报信息,车辆的控制单元便能及时启动相应的安全机制,例如自动调整车速或准备制动操作,从而最大程度地降低与行人发生碰撞的风险,切实保障城市道路上行人的安全。
测试环节

在实际测试环节,研究团队精心挑选了一条具有代表性的城市双车道大道作为测试场地。这条大道宽度为 8 米,长度达数百米,能够充分满足车辆以稳定速度行驶的测试需求。

在测试过程中,研究人员在车道右侧边缘精心布置了两名行人,他们间隔 25 米站立,且始终保持静止状态。车辆则以 30km/h 的恒定速度缓缓通过车道中心,这一速度模拟了城市常见的行车速度。在多次测试过程中,车辆累计进行了 200 次的往返行驶,并且每秒稳定地采集 8 个声学图像或帧。

结论

通过对大量测试数据的深入分析与统计,该系统展现出了较为出色的性能表现。最终得出的检测概率(Pd)高达 0.91,这意味着在绝大多数情况下,系统能够准确地检测到行人的存在。
虚假报警概率(Pfa)被控制在 0.011 的较低水平,有效避免了因过多的误报而干扰驾驶员的判断。尽管与车辆静止状态下的测试结果相比,在动态行驶过程中由于车辆发动机噪声、滚动噪声以及风流噪声等额外干扰因素的存在,检测概率略有下降,但总体而言,该系统在实际城市交通环境中的可行性与有效性得到了有力的验证。
瓦伦西亚大学的研究人员表示,未来他们将继续优化该系统,探索提高信号发射功率/带宽、应用统计最优波束形成算法以及引入基于卡尔曼滤波器的跟踪和关联技术等方法,以进一步提升系统的检测概率和降低虚警概率,为行人安全保驾护航。该项研究成果发表在 Sensors Actuators: A. Physical 上。
更多信息:Alberto Izquierdo, Lara del Val, Juan José Villacorta. Pedestrian detection using a MEMS acoustic array mounted on a moving vehicle[S]. Sensors Actuators: A. Physical, 2024, 376: 115586.
延伸阅读:
《微机械超声换能器专利态势分析-2023版》

展开
打开“财经头条”阅读更多精彩资讯
APP内打开