朱俊等

摘 要： 語音控制技術(shù)作為一種有效的自動化控制方法在航天領(lǐng)域有著廣闊的應(yīng)用前景?；贙inect設(shè)備，將語音控制技術(shù)運用于航天三維可視化系統(tǒng)的智能控制，通過語音指令采集、預(yù)處理、語音識別和三維可視化界面控制，實現(xiàn)了一套完整的航天三維可視化系統(tǒng)的語音控制方案。測試結(jié)果表明，該語音控制方案能有效識別用戶的語音命令，并完成對三維可視化界面的控制。

關(guān)鍵詞： 語音控制； 語音識別； 航天三維可視化； Kinect

中圖分類號： TN912?34 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2015）08?0151?03

三維可視化展示在航天領(lǐng)域有著極其重要的地位，指揮顯示系統(tǒng)需要通過三維可視化展示向各級指揮員直觀地顯示航天器發(fā)射的過程。在實際應(yīng)用中，傳統(tǒng)的可視化控制方式是指揮員向可視化操作人員下達(dá)指令，然后由操作人員完成三維可視化系統(tǒng)的操作，包括視角的切換、推遠(yuǎn)、拉近以及關(guān)鍵動作的控制等。這種控制模式在很大程度上限制了指揮員對于三維可視化系統(tǒng)的自由控制，并且加重了三維可視化操作人員的工作負(fù)擔(dān)。同時，傳統(tǒng)控制模式不能實現(xiàn)遠(yuǎn)距離控制，指揮員的位置與三維可視化操控臺要控制在一定的距離內(nèi)。而語音識別技術(shù)能夠很好地解決這些問題，通過語音識別技術(shù)，指揮員可直接向三維可視化服務(wù)器下達(dá)口令，無需通過操作人員進(jìn)行控制，并能解除指揮員與操控臺距離的限制。

語音識別技術(shù)是通過識別說話者聲音標(biāo)識而正確判斷出聲音所傳遞的信息，以方便實現(xiàn)相關(guān)處理和控制[1]。近年來該技術(shù)在軍事、工業(yè)、家電、通信、醫(yī)療[2]等諸多領(lǐng)域得到廣泛應(yīng)用，如電燈等家用電器的控制，通過語音識別可以實現(xiàn)設(shè)備的控制自動化等[3]。張建等人將語音識別技術(shù)應(yīng)用到雷達(dá)模擬系統(tǒng)中，通過設(shè)置語音服務(wù)器將內(nèi)話通信系統(tǒng)與語音識別相結(jié)合，運用語音命令輸入進(jìn)行模擬控制，降低了模擬機(jī)長的工作負(fù)擔(dān)，提高了工作效率[4]。孫愛中等人對基于DSP的語音識別系統(tǒng)進(jìn)行了研究，實現(xiàn)了在移動電子設(shè)備上的漢字語音輸入[5]。另外，語音識別技術(shù)在機(jī)器人控制[6]、機(jī)器狗控制系統(tǒng)模型[7] 方面也有應(yīng)用。隨著航空航天領(lǐng)域的發(fā)展，語音識別在機(jī)載語音控制方面也有相關(guān)研究[8]。

本文基于語音識別技術(shù)設(shè)計了一套航天可視化界面控制系統(tǒng)，通過識別三維可視化常用控制命令，實現(xiàn)指揮員對顯示頁面的直接語音控制，突破傳統(tǒng)指揮控制模式的局限性。

1 系統(tǒng)結(jié)構(gòu)

為實現(xiàn)通過語音技術(shù)對三維可視化頁面完成視角切換、場景放縮等語音控制功能，設(shè)計了如下步驟：第一步通過語音采集設(shè)備獲取指令；第二步運用語音識別系統(tǒng)對獲取的指令進(jìn)行識別；第三步將識別出的指令傳遞給三維可視化服務(wù)器并觸發(fā)相應(yīng)控制動作。

1.1 硬件結(jié)構(gòu)

硬件設(shè)備主要包括三個部分（如圖1所示）：語音指令采集器、指令識別服務(wù)器和三維可視化系統(tǒng)服務(wù)器。語音指令采集器主要用于捕獲語音指令，并將語音指令轉(zhuǎn)換成音頻流傳遞給指令識別服務(wù)器。

由于Kinect[9]在語音采集和識別方面有很多優(yōu)良的特性和廣泛的應(yīng)用，這里選擇了Kinect作為語音指令采集器。指令識別服務(wù)器的主要功能是對Kinect傳入的音頻進(jìn)行預(yù)處理和語音指令的識別，并將識別出的控制指令發(fā)送給三維可視化系統(tǒng)服務(wù)器。預(yù)處理包括背景噪音去除、回音去除、自動增益控制等內(nèi)容。由于語音控制指令相對簡單，并且指令識別服務(wù)器只需要對幾條固定的指令進(jìn)行正確識別，所以對于計算機(jī)硬件要求不高。因此，采用一臺普通的聯(lián)想辦公電腦作為指令識別服務(wù)器。三維可視化系統(tǒng)服務(wù)器要完成航天發(fā)射過程中各器件的三維模型和狀態(tài)的展示，并響應(yīng)從指令識別服務(wù)器獲取的指令，完成三維可視化頁面的操作和控制。由于三維可視化系統(tǒng)服務(wù)器在顯示各航天器件的三維可視化模型和圖像時計算資源開銷比較大，所以采用了配置較高的聯(lián)想工作站（ThinkStation D30）作為三維可視化系統(tǒng)服務(wù)器。

1.2 軟件模塊

系統(tǒng)軟件模塊主要包括語音預(yù)處理、語音指令識別、三維可視化界面控制三個模塊。

（1） 語音預(yù)處理。從語音指令采集器獲取的原始音頻數(shù)據(jù)質(zhì)量較低，需要通過一系列算法處理來提高音頻數(shù)據(jù)質(zhì)量，主要處理包括回聲消除（Acoustic Echo Cancellation，AEC）、自動增益控制（Acoustic Gain Control，AGS）和噪聲抑制（Noise Suppression，NS）?；芈曄ˋEC）通過提取發(fā)聲者的聲音模式，然后根據(jù)這一模式從麥克風(fēng)接收到的音頻中挑選出特定的音頻來消除回聲。自動增益控制（AGS）用于調(diào)整發(fā)生者聲音振幅與時間保持一致。例如當(dāng)發(fā)聲者靠近或者遠(yuǎn)離麥克風(fēng)時，聲音會出現(xiàn)變得響亮或更柔和，自動增益控制就是將這種變化效果進(jìn)一步增強(qiáng)。噪聲抑制（NS）用于從麥克風(fēng)接收到的音頻信號中剔除非語言聲音。通過刪除背景噪音，使講話者的聲音能夠被麥克風(fēng)更清楚更明確地捕獲到。

（2） 語音指令識別。語音識別可分為兩類：對自由形式的語音識別（Recognition of Free?form Dictation）和對特定命令的識別（Recognition of Command）。自由形式的語音識別需要訓(xùn)練軟件來識別特定的聲音以提高識別精度，通常讓講話人朗讀一段文字使得軟件能夠識別講話人聲音的特征模式，然后根據(jù)這一特征模式來進(jìn)行識別。而特定命令的識別限制了說話人所講詞匯的范圍，基于這一詞匯范圍，識別軟件不需要熟悉講話人語音模式就可以識別出講話人所說的內(nèi)容。針對本文的應(yīng)用，語音識別引擎只需要識別幾種特定的語音指令，因此屬于對特定命令的識別。在實際應(yīng)用中，向語音識別引擎中添加了6種三維可視化界面控制常用的語音命令，包括“打開”、“點火”、“重置”、“推遠(yuǎn)”、“拉近”、“切換”。語音識別引擎對上述6種指令進(jìn)行識別，并向三維可視化界面控制模塊發(fā)送控制信號。

（3） 三維可視化界面控制。三維可視化界面控制模塊能夠接受語音指令識別模塊發(fā)送的6種語音指令，并觸發(fā)每個指令所對應(yīng)的事件，調(diào)用一些控制三維可視化界面的函數(shù)，實現(xiàn)對三維可視化界面的控制。例如，當(dāng)接受到“打開”命令信號時，三維可視化界面控制模塊觸發(fā)“打開”所對應(yīng)的事件，可視化界面會開始展示發(fā)射塔架抱臂打開的三維動畫。

2 基于Kinect的語音控制系統(tǒng)

Kinect被譽為和鼠標(biāo)一樣偉大的人機(jī)交互方式，其提供的動作識別、手勢識別和語音識別功能在醫(yī)療、教育、科研以及娛樂等多個領(lǐng)域都有令人驚嘆的應(yīng)用。針對航天三維可視化系統(tǒng)的語音控制這一實際需求，采用Kinect提供的強(qiáng)大語音識別功能來實現(xiàn)對航天三維可視化界面的智能控制。

Kinect配備有麥克風(fēng)陣列用于采集用戶的語音音頻數(shù)據(jù)，其麥克風(fēng)陣列包含4個相互獨立的朝向下方的小型麥克風(fēng)，能夠捕捉多聲道立體聲音。值得一提的是，微軟認(rèn)為最佳的聲音收集方向應(yīng)該是朝下的。因此，Kinect設(shè)計了朝下的麥克風(fēng)陣列用于盡可能地獲取優(yōu)質(zhì)聲音信號以及判斷不同方向的聲源。與普通單麥克風(fēng)采集的數(shù)據(jù)相比，Kinect陣列技術(shù)包含了噪聲抑制（NS）、回聲消除（AEC）以及自動增益控制（AGS）等多種預(yù)處理，盡可能避免了環(huán)境噪聲的影響，大大提高了采集的語音數(shù)據(jù)質(zhì)量。正是因為Kinect在高質(zhì)量地采集用戶語音數(shù)據(jù)方面展現(xiàn)出來的優(yōu)良性能，才促使在實際采集用戶語音命令時選擇Kinect作為語音采集設(shè)備。

為了方便開發(fā)人員基于Kinect進(jìn)行開發(fā)，微軟提供的Kinect SDK允許開發(fā)者借助Visual Studio，利用C++或C#等語言進(jìn)行相關(guān)應(yīng)用的開發(fā)[10]。針對本文涉及的語音指令識別應(yīng)用，主要用到Kinect SDK中封裝的KinectAudioSource和SpeechRecognitionEngine兩個類。通過設(shè)置KinectAudioSource對象提供的功能屬性NoiseSuppression、EchoCancellationMode和AutomaticGainControlEnabled的屬性值，就可以很方便地

實現(xiàn)語音原始數(shù)據(jù)的預(yù)處理，具體屬性值如表1所示。SpeechRecognitionEngine是基于Microsoft.Speech類庫實現(xiàn)的語音命令識別，它可以分析和解譯預(yù)處理后的音頻數(shù)據(jù)流，然后匹配出最合適的語音命令。語音識別引擎會對音頻數(shù)據(jù)流中的特定單元設(shè)定一定的可信度權(quán)重，并有選擇地過濾不包含特定待識別命令的音頻數(shù)據(jù)流。待識別命令集可以通過GrammarBuilder類進(jìn)行建立和添加。在本文中，通過GrammarBuilder類添加了包含“打開”、“點火”、“重置”、“推遠(yuǎn)”、“拉近”、“切換”6種語音命令的待識別命令集，SpeechRecognitionEngine會查找和識別這6種語音指令，并向三維可視化界面控制模塊發(fā)送相應(yīng)控制信號。另外，Kinect SDK不支持中文語音識別，添加了微軟中文語音識別功能，實現(xiàn)了基于Kinect中文語音指令識別。

3 實驗結(jié)果與分析

為了檢驗本文設(shè)計的語音控制系統(tǒng)在航天三維可視化界面控制中的效果，選取了男女各一名，在不同噪聲背景下，向語音指令采集設(shè)備發(fā)出6種語音命令20次，以測試是否正確控制界面。考慮到實際應(yīng)用中，指揮員在下達(dá)控制口令時環(huán)境中可能存在不同程度的背景噪聲，因此，在測試時設(shè)置三種不同強(qiáng)度的背景噪音，以檢測本語音控制系統(tǒng)的抗噪能力。三種背景噪聲非別設(shè)定為低噪音（20～40 dB）、中噪音（40～60 dB）、高噪音（60～80 dB）。詳細(xì)測試結(jié)果見表2。

表1 KinectAudioSource類功能屬性的詳細(xì)信息

通過表2的測試統(tǒng)計數(shù)據(jù)可以看出，在各種不同條件下，運用語音識別技術(shù)對航天三維可視化系統(tǒng)進(jìn)行控制均能夠達(dá)到較高的正確率，能夠滿足航天領(lǐng)域的實際需求。其中，在低噪音下的控制正確率能達(dá)到90%以上，隨著環(huán)境噪音增強(qiáng)，界面控制的正確率有所下降，這和最初的估計一致?？紤]到實際發(fā)射時，現(xiàn)場環(huán)境的噪聲不會太高，因此本語音控制系統(tǒng)的抗噪能力可以達(dá)到實際應(yīng)用的要求。

4 結(jié) 語

本文研究了語音控制技術(shù)在航天三維可視化系統(tǒng)中的應(yīng)用，并基于Kinect的語音處理和識別系統(tǒng)具體實現(xiàn)了對航天三維可視化界面的語音控制，取得了初步研究成果。目前，只實現(xiàn)了6種最常用的三維可視化界面語音控制，但隨著航天三維可視化技術(shù)的發(fā)展，必然對三維可視化界面控制提出更高的要求，屆時將進(jìn)一步豐富和完善本文實現(xiàn)的語音控制系統(tǒng)。另外，隨著語音控制技術(shù)進(jìn)一步發(fā)展，將深入發(fā)掘該技術(shù)在航天領(lǐng)域的其他應(yīng)用潛力。

參考文獻(xiàn)

[1] SHANNON R V， ZENG F G， KAMATH V， et al. Speech recognition with primarily temporal cues [J]. Science， 1995， 270（5234）： 303?304.

[2] HAWLEY M S， ENDERBY P， GREEN P， et al. A speech?controlled environmental control system for people with severe dysarthria [J]. Medical Engineering & Physics， 2007， 29（5）： 586?593.

[3] 徐子豪，張騰飛.基于語音識別和無線傳感網(wǎng)絡(luò)的智能家居系統(tǒng)設(shè)計[J].計算機(jī)測量與控制，2012，20（1）：180?183.

[4] 張健，譚景信.語音命令識別技術(shù)及其在雷達(dá)模擬機(jī)中的應(yīng)用技術(shù)及其在雷達(dá)模擬[J].計算機(jī)工程與設(shè)計，2010，31（3）： 655?659.

[5] 孫愛中，劉冰，張琬珍，等.基于DSP的語音識別系統(tǒng)研究與實現(xiàn)[J].現(xiàn)代電子技術(shù)，2013，36（9）：76?78.

[6] ROGALLA O， EHRENMANN M， ZOLLNER R， et al. Using gesture and speech control for commanding a robot assistant [C]// Proceedings of 2002 11th IEEE International Workshop on Robot and Human Interactive Communication. [S.l.]： IEEE， 2002： 454?459.

[7] 閔華松，劉冬.王田苗智能機(jī)器狗的語音控制模型研究[J].計算機(jī)工程，2012，38（1）：188?191.

[8] 須明，王博，王凱.駕駛艙語音控制指令的設(shè)計問題討論[J].航空電子技術(shù)，2012，43（3）：39?43.

[9] 余濤.Kinect應(yīng)用開發(fā)實戰(zhàn)：用最自然的方式與機(jī)器對話[M].北京：機(jī)械工業(yè)出版社，2012.