CN113435116B - 一种基于虚拟驾驶台架的声品质自适应设计方法与装置 - Google Patents
一种基于虚拟驾驶台架的声品质自适应设计方法与装置 Download PDFInfo
- Publication number
- CN113435116B CN113435116B CN202110702863.3A CN202110702863A CN113435116B CN 113435116 B CN113435116 B CN 113435116B CN 202110702863 A CN202110702863 A CN 202110702863A CN 113435116 B CN113435116 B CN 113435116B
- Authority
- CN
- China
- Prior art keywords
- sound
- evaluation
- sound sample
- subjective
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
- G06F16/63—Querying
- G06F16/635—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
- G06F16/68—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/683—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/10—Noise analysis or noise optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Hardware Design (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Library & Information Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Aviation & Aerospace Engineering (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Fittings On The Vehicle Exterior For Carrying Loads, And Devices For Holding Or Mounting Articles (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明属于汽车声品质技术领域,公开了一种基于虚拟驾驶台架的声品质自适应设计方法与装置。本发明对声样本的声品质表现进行评分时,组织评价人员使用虚拟驾驶台架在给定工况下控制模拟车辆行驶,在行驶过程中通过视觉重现模块与听觉重现模块重现虚拟驾驶环境,在虚拟驾驶环境下播放预先采集的声样本;基于声样本的客观指标与声样本的主观评分结果之间的关系建立主观评价预测模型,基于主观评价预测模型自适应调制声品质在各评价等级平均分布的声样本。装置包括虚拟驾驶台架、视觉重现模块、听觉重现模块、评价模块和数据处理模块。本发明解决了主观评价中实车评价效率低、成本高,以及听音室评价不具有普适性、声品质设计无针对性的问题。
Description
技术领域
本发明属于汽车声品质技术领域,更具体地,涉及一种基于虚拟驾驶台架的声品质自适应设计方法与装置。
背景技术
目前对汽车声品质的评价方法分为主观评价和客观评价。客观评价是以声音的物理参数和心理学客观参量为基础,通过计算响度、尖锐度、粗糙度、线性度、波动度等来评价声音的优劣,其落脚点为选取客观指标代替主观评价试验获得预估主观感受。主观评价以评价人员感受为主体,在听音室环境或实车环境通过回放让评价人员对汽车声音产生感受。
主观评价的听音室环境与实车驾驶环境存在区别,其中实车驾驶环境评价能够得到最贴近用户体验的评价结果,而听音室环境评价虽然评价效率高,但因评价环境与实车场景不一致,导致声品质主观评分误差大,且不具有普适性的问题。此外,受评价环境的限制,实车驾驶评价效率较低且安全性较差,不适宜进行大样本量的主观评价试验。为此,人们急需寻求一种能充分模拟实车环境的主观评价方法。
发明内容
本发明通过提供一种基于虚拟驾驶台架的声品质自适应设计方法与装置,解决现有技术中主观评价中实车评价效率低、成本高,以及听音室评价不具有普适性、声品质设计无针对性的问题。
本发明提供一种基于虚拟驾驶台架的声品质自适应设计方法,对声样本的声品质表现进行评分时,组织评价人员使用虚拟驾驶台架在给定工况下控制模拟车辆行驶,在行驶过程中通过视觉重现模块与听觉重现模块重现虚拟驾驶环境,在虚拟驾驶环境下播放预先采集的声样本;
基于声样本的客观指标与声样本的主观评分结果之间的关系建立主观评价预测模型,基于所述主观评价预测模型自适应调制声品质在各评价等级平均分布的声样本。
优选的,所述基于虚拟驾驶台架的声品质自适应设计方法包括以下步骤:
步骤1、采集声品质优化对象车辆与声品质目标车辆行驶在给定工况下的车内噪声音频数据;将采集到的车内噪声音频数据作为原始声样本,基于所述原始声样本构建原始声样本库;通过数据处理模块计算得到所述原始声样本库内的每一个原始声样本的客观指标;
步骤2、组织评价人员使用虚拟驾驶台架在给定工况下控制模拟车辆行驶,在行驶过程中通过视觉重现模块与听觉重现模块重现虚拟驾驶环境,在虚拟驾驶环境下播放原始声样本;每一个原始声样本播放后,评价人员对该声样本在特定维度上的声品质表现进行评分,直至完成对所述原始声样本库中所有的原始声样本的评分;
步骤3、基于评价人员的评分,计算得到每一个原始声样本的主观评分结果;随机抽取预设比例的原始声样本,分别构建试验组和验证组;
步骤4、搭建BP神经网络模型,将所述试验组中声样本的客观指标作为输入,将所述试验组中声样本的主观评分结果作为输出,优化训练BP神经网络模型,并通过所述验证组对BP神经网络模型进行验证,得到训练好的BP神经网络模型;将所述训练好的BP神经网络模型作为所述主观评价预测模型;
步骤5、利用所述主观评价预测模型,对所述声品质优化对象车辆对应的声样本进行调制,得到主观评分结果在各分值下的调制声样本;基于所述调制声样本构建调制声样本库;通过数据处理模块计算得到所述调制声样本库内的每一个调制声样本的客观指标;
步骤6、组织评价人员使用虚拟驾驶台架在给定工况下控制模拟车辆行驶,在行驶过程中通过视觉重现模块与听觉重现模块重现虚拟驾驶环境,在虚拟驾驶环境下播放调制声样本;每一个调制声样本播放后,评价人员对该声样本在特定维度上的声品质表现进行评分,直至完成对所述调制声样本库中所有的调制声样本的评分;
步骤7、基于评价人员的评分,计算得到每一个调制声样本的主观评分结果;
步骤8、将调制声样本的客观指标作为所述主观评价预测模型的输入,将得到的输出作为预测模型结果;判断所述调制声样本库中的每一个调制声样本的主观评价结果与该声样本对应的预测模型结果之间的误差是否小于预设误差;若小于,则判定所述调制声样本库满足设计需要,完成自适应声品质设计;否则,进行将所述调制声样本库加入到所述原始声样本库中,将新增加的调制声样本按所述预设比例增加至步骤3中的所述试验组及所述验证组,重复步骤4至步骤8。
优选的,所述步骤1中,所述客观指标包括声压级、响度、粗糙度、尖锐度。
优选的,所述步骤3中,根据重复评价相似度检测和相关性检测,筛除不满足预设条件的评价人员及该评价人员对原始声样本的所有评分;基于筛除后剩余的评价人员的评分,计算得到每一个原始声样本的主观评分结果;
所述步骤7中,根据重复评价相似度检测和相关性检测,筛除不满足预设条件的评价人员及该评价人员对调制声样本的所有评分;基于筛除后剩余的评价人员的评分,计算得到每一个调制声样本的主观评分结果。
优选的,计算原始声样本的主观评分结果之前或计算调制声样本的主观评分结果之前,还包括:对筛除后剩余的评价人员的评分进行归一化处理。
优选的,所述步骤5中,使用自适应误差控制算法,通过调制所述声品质优化对象车辆对应的声样本在各频段内的声压级增益,生成调制声样本。
优选的,对于所述声品质优化对象车辆对应的声样本,每个临界频带内乘初值为1的增益;以评价量表中第i个评价等级对应的数值作为目标,计算当前增益下该声样本的客观指标;将计算得到的客观指标输入至所述主观评价预测模型,得到预测模型结果;计算预测模型结果与评价量表中第i个评价等级对应的数值之间的差值;若差值为0,则将当前调制后的声样本作为该评价等级的调制结果;若差值不为0,则使用自适应误差控制算法调整临界频带的增益配比直至差值为0。
优选的,所述自适应误差控制算法采用梯度下降算法、陷波算法中的一种。
本发明提供一种基于虚拟驾驶台架的声品质自适应设计装置,包括:虚拟驾驶台架、视觉重现模块、听觉重现模块、评价模块和数据处理模块;
所述虚拟驾驶台架用于为评价人员提供模拟真实汽车驾驶的驾驶环境,接受驾驶信息并将其发送给所述数据处理模块;
所述视觉重现模块用于为评价人员提供模拟真实汽车驾驶时的路面视觉环境;
所述听觉重现模块用于将声样本以随机顺序播放,并且为评价人员提供模拟真实汽车驾驶时的混响环境;
所述评价模块用于为评价人员提供对声样本的声品质表现进行评分的界面,并将评分信息发送给所述数据处理模块;
所述数据处理模块用于模拟虚拟驾驶环境,根据所述驾驶信息计算得到对应的视觉数据和听觉数据以进行视觉与听觉的刺激回放;用于根据声样本计算得到声样本对应的客观指标;用于对预先构建的BP神经网络模型进行训练优化,得到主观评价预测模型;用于基于所述主观评价预测模型自适应调制声品质在各评价等级平均分布的声样本;
所述基于虚拟驾驶台架的声品质自适应设计装置用于实现上述的基于虚拟驾驶台架的声品质自适应设计方法中的步骤。
优选的,所述基于虚拟驾驶台架的声品质自适应设计装置还包括:音频数据采集模块;
所述音频数据采集模块用于采集声品质优化对象车辆与声品质目标车辆行驶在给定工况下的车内噪声音频数据。
本发明中提供的一个或多个技术方案,至少具有如下技术效果或优点:
在发明中,对声样本的声品质表现进行评分时,组织评价人员使用虚拟驾驶台架在给定工况下控制模拟车辆行驶,在行驶过程中通过视觉重现模块与听觉重现模块重现虚拟驾驶环境,在虚拟驾驶环境下播放预先采集的声样本;基于声样本的客观指标与声样本的主观评分结果之间的关系建立主观评价预测模型,基于主观评价预测模型自适应调制声品质在各评价等级平均分布的声样本。本发明使用虚拟驾驶环境代替传统听音室评价环境,使得评价人员的感受更贴近实车驾驶时的感受,进而优化主观评分结果,能够弥补听音室主观评价中评价人员因评价环境与实车场景不一致,导致声品质主观评分误差大,且不具有普适性的问题。本发明将声品质评价与自适应声品质调制结合,利用主观评价预测模型自适应调制新声品质样本,并将新生成的样本作为下一轮声品质评价,能够有针对性地全自动调制优化对象声品质,能够解决听音室声品质设计无针对性的问题。本发明无需实车主观评价与实车声品质调制,评价安全性较高,使用仪器价格较便宜,能够降低汽车声品质评价与设计成本,***操作简单,可实践性较强。
附图说明
图1为本发明实施例提供的一种基于虚拟驾驶台架的声品质自适应设计方法的流程图;
图2为虚拟驾驶场景主观评价的流程图;
图3为虚拟驾驶环境设备的结构示意图;
图4为虚拟驾驶视觉刺激的示例图。
其中,1-虚拟场景屏幕、2-驾驶台方向盘、3-蓝牙评价打分键盘、4-驾驶台座椅、5-驾驶台档把、6-驾驶台踏板组。
具体实施方式
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
实施例1:
实施例1提供一种基于虚拟驾驶台架的声品质自适应设计方法,主要包括以下两个方面:
(1)对声样本的声品质表现进行评分时,组织评价人员使用虚拟驾驶台架在给定工况下控制模拟车辆行驶,在行驶过程中通过视觉重现模块与听觉重现模块重现虚拟驾驶环境,在虚拟驾驶环境下播放预先采集的声样本。
(2)基于声样本的客观指标与声样本的主观评分结果之间的关系建立主观评价预测模型,基于所述主观评价预测模型自适应调制声品质在各评价等级平均分布的声样本。
具体的,基于虚拟驾驶台架的声品质自适应设计方法包括以下步骤:
步骤1、采集声品质优化对象车辆与声品质目标车辆行驶在给定工况下的车内噪声音频数据;将采集到的车内噪声音频数据作为原始声样本,基于所述原始声样本构建原始声样本库;通过数据处理模块计算得到所述原始声样本库内的每一个原始声样本的客观指标;
步骤2、组织评价人员使用虚拟驾驶台架在给定工况下控制模拟车辆行驶,在行驶过程中通过视觉重现模块与听觉重现模块重现虚拟驾驶环境,在虚拟驾驶环境下播放原始声样本;每一个原始声样本播放后,评价人员对该声样本在特定维度上的声品质表现进行评分,直至完成对所述原始声样本库中所有的原始声样本的评分;
步骤3、基于评价人员的评分,计算得到每一个原始声样本的主观评分结果;随机抽取预设比例的原始声样本,分别构建试验组和验证组;
步骤4、搭建BP神经网络模型,将所述试验组中声样本的客观指标作为输入,将所述试验组中声样本的主观评分结果作为输出,优化训练BP神经网络模型,并通过所述验证组对BP神经网络模型进行验证,得到训练好的BP神经网络模型;将所述训练好的BP神经网络模型作为所述主观评价预测模型;
步骤5、利用所述主观评价预测模型,对所述声品质优化对象车辆对应的声样本进行调制,得到主观评分结果在各分值下的调制声样本;基于所述调制声样本构建调制声样本库;通过数据处理模块计算得到所述调制声样本库内的每一个调制声样本的客观指标;
步骤6、组织评价人员使用虚拟驾驶台架在给定工况下控制模拟车辆行驶,在行驶过程中通过视觉重现模块与听觉重现模块重现虚拟驾驶环境,在虚拟驾驶环境下播放调制声样本;每一个调制声样本播放后,评价人员对该声样本在特定维度上的声品质表现进行评分,直至完成对所述调制声样本库中所有的调制声样本的评分;
步骤7、基于评价人员的评分,计算得到每一个调制声样本的主观评分结果;
步骤8、将调制声样本的客观指标作为所述主观评价预测模型的输入,将得到的输出作为预测模型结果;判断所述调制声样本库中的每一个调制声样本的主观评价结果与该声样本对应的预测模型结果之间的误差是否小于预设误差;若小于,则判定所述调制声样本库满足设计需要,完成自适应声品质设计;否则,进行将所述调制声样本库加入到所述原始声样本库中,将新增加的调制声样本按所述预设比例增加至步骤3中的所述试验组及所述验证组,重复步骤4至步骤8。
其中,所述客观指标包括声压级、响度、粗糙度、尖锐度。
优选的方案中,所述步骤3中,根据重复评价相似度检测和相关性检测,筛除不满足预设条件的评价人员及该评价人员对原始声样本的所有评分;基于筛除后剩余的评价人员的评分,计算得到每一个原始声样本的主观评分结果。所述步骤7中,根据重复评价相似度检测和相关性检测,筛除不满足预设条件的评价人员及该评价人员对调制声样本的所有评分;基于筛除后剩余的评价人员的评分,计算得到每一个调制声样本的主观评分结果。
优选的方案中,计算原始声样本的主观评分结果之前或计算调制声样本的主观评分结果之前,还包括:对筛除后剩余的评价人员的评分进行归一化处理。
一种具体的实现方案为:所述步骤5中,使用自适应误差控制算法,通过调制所述声品质优化对象车辆对应的声样本在各频段内的声压级增益,生成调制声样本。
对于所述声品质优化对象车辆对应的声样本,每个临界频带内乘初值为1的增益;以评价量表中第i个评价等级对应的数值作为目标,计算当前增益下该声样本的客观指标;将计算得到的客观指标输入至所述主观评价预测模型,得到预测模型结果;计算预测模型结果与评价量表中第i个评价等级对应的数值之间的差值;若差值为0,则将当前调制后的声样本作为该评价等级的调制结果;若差值不为0,则使用自适应误差控制算法调整临界频带的增益配比直至差值为0。
其中,所述自适应误差控制算法采用梯度下降算法、陷波算法中的一种。
实施例2:
实施例2提供一种基于虚拟驾驶台架的声品质自适应设计装置,主要包括:虚拟驾驶台架、视觉重现模块、听觉重现模块、评价模块和数据处理模块。
其中,所述虚拟驾驶台架用于为评价人员提供模拟真实汽车驾驶的驾驶环境,接受驾驶信息并将其发送给所述数据处理模块。
所述视觉重现模块用于为评价人员提供模拟真实汽车驾驶时的路面视觉环境。
所述听觉重现模块用于将声样本以随机顺序播放,并且为评价人员提供模拟真实汽车驾驶时的混响环境。
所述评价模块用于为评价人员提供对声样本的声品质表现进行评分的界面,并将评分信息发送给所述数据处理模块。
所述数据处理模块用于模拟虚拟驾驶环境,根据所述驾驶信息计算得到对应的视觉数据和听觉数据以进行视觉与听觉的刺激回放;用于根据声样本计算得到声样本对应的客观指标;用于对预先构建的BP神经网络模型进行训练优化,得到主观评价预测模型;用于基于所述主观评价预测模型自适应调制声品质在各评价等级平均分布的声样本。
实施例2提供的基于虚拟驾驶台架的声品质自适应设计装置用于实现如实施例1提供的基于虚拟驾驶台架的声品质自适应设计方法中的步骤。
此外,还可包括:音频数据采集模块;所述音频数据采集模块用于采集声品质优化对象车辆与声品质目标车辆行驶在给定工况下的车内噪声音频数据。
下面对本发明做进一步的说明。
本发明提供一种基于模拟驾驶场景的汽车声品质评价方法,参见图1,主要包括以下步骤:
步骤1、驾驶声品质优化对象车辆与声品质目标车辆行驶在给定工况下,同时利用LMS音频数据采集装置采集车内噪声音频数据作为声样本库。通过数据处理模块计算声样本库内所有音频的声压级、响度、粗糙度、尖锐度等心理声学客观指标。
一种实施方式为,将音频采集装置固定于驾驶员耳旁,并组织驾驶试验人员驾驶声品质优化对象车辆与声品质目标车辆行驶在加速工况下,同时采集车内噪声;对采集音频等长处理,并且随机选出50%处理后音频重复,构建原始声样本库,计算客观指标并存储至数据处理模块。
声品质目标车辆和声品质优化对象车辆在声品质的定位上保证一致,如:期望优化某款动力感跑车的声品质,声品质优化对象车辆即为该辆跑车,声品质目标车辆即为已生产且动力感较优的其他跑车。采集声品质优化对象车辆的声样本是为了在此基础上进行阶次增减调制,以优化该车辆声品质;采集声品质目标车辆的声样本是为了获得人们对动力感声品质感知和客观参量的关系,并将该关系用于声品质优化调制。本发明一个目的是基于主客观一致性模型全自动调制声品质优化对象的声品质。
步骤2、组织评价人员使用虚拟驾驶台架控制模拟车辆行驶在给定工况下,同时视觉重现模块与听觉重现模块实时反馈虚拟驾驶环境的视听觉刺激。
参见图2的流程,组织不少于15名评价人员使用Unity 3D开发的如图3所示的虚拟驾驶台架控制模拟车辆行驶在给定工况下,同时视觉重现模块与听觉重现模块实时反馈视听觉刺激,参见图4。每一声样本的重现结束后评价人员需对待评价声样本(包括声品质优化对象车辆的声样本和声品质目标车辆的声样本)在特定维度(例如动力感维度)下的声品质表现打分,打分确认后即可开始对下一待评价声样本评价。
一种实施方式为,在评价前使评价人员熟悉虚拟驾驶台架的操作方式与待评价工况的重现方式。设计包括但不限于动力感作为声品质主观评价维度的评价量表。评价人员坐于图3所示虚拟驾驶台架座椅处,操作虚拟驾驶台架(即操作虚拟驾驶方向盘与踏板行驶在图4所示的虚拟驾驶环境中),接收待评价声样本对应的视觉与听觉的环境重现信息。评价人员在待评价工况重现完成后对声音表现等级评价,对每一声样本打分完成后即可开始对下一声样本的主观评价直至对所有声样本的评价完成。
本发明采用的虚拟驾驶环境设备具体如图3所示,可包括虚拟场景屏幕1、驾驶台方向盘2、蓝牙评价打分键盘3、驾驶台座椅4、驾驶台档把5、驾驶台踏板组6。虚拟驾驶场景设备能完善地在视觉和听觉上实时反馈操作人员对踏板、方向盘、档把的操作。相对于传统的听音室声品质评价,本发明新增了虚拟驾驶台架环境,能够更好地模拟出实车驾驶感受,以使得评价员获得更贴近实车的主观感受。
步骤3、根据重复评价相似度检测和相关性检测筛除评价较差的评价人员结果。将声样本客观指标与平均主观评价结果按一定比例分配至主观评价预测模型的试验组及验证组。
一种实施方式为,统计各评价人员对重复播放样本的两次评价结果,并计算该差异程度;若差异程度大于5%则剔除该评价人员的所有评价打分,反之保留。对剩余评价人员打分进行归一化处理,对归一化后各评价人员的主观评价进行互相关分析,剔除与其他评价人员评分的平均相关性小于20%的评价人员的打分。计算所有剩余评价人员对每个声样本打分的平均值,将量表评分中最接近该平均值的评分最为该声样本的最终评分。随机抽取95%的声样本的客观指标与平均主观打分作为建模试验组,剩余声样本的客观指标与平均主观打分作为模型验证组。
其中,归一化处理公式如下:
式中,Subi(x)是第i名评价人员对第x序号样本的主观评价结果分值,NormSubi(x)是归一化后第i名评价人员对第x序号样本的主观评价结果分值,min()是对括号内所有值求最小值,max()是对括号内所有值求最大值。
步骤4、将试验组声样本的客观指标作为主观评价预测模型即BP神经网络的输入层,将主观评价结果作为BP神经网络的输出层,设定一层隐含层,训练得到最优隐含层节点数并以该节点数的三层神经网络计算客观指标与主观评价结果(具体的,可为步骤3中出现的试验组的平均主观打分)关系。通过验证组声样本的客观指标与主观评价结果验证该主观评价预测模型,若主观评价结果与预测结果(具体的,预测结果指验证组的客观指标输入后,主观评价预测模型输出的平均主观打分)在5%以内则该使用该模型;反之,更换隐含层节点数重新建模与验证。
一种实施方式为,对每个试验组声样本,将每个客观指标值作为BP神经网络输入层的各节点。将评价量表中各评分(例如,主观评价时使用七级量表对动力感进行主观评分,若评价员认为动力感强则打7分,若评价员认为动力感弱则打1分)作为BP神经网络输出层的各节点;将输入层相应的试验组声样本最终主观评分对应的输出层节点设为1,将剩余输出层节点设为0。隐含层节点数为其中n为输入层节点数,l为输出层节点数,α为取值为1至10的常数,其初值取1。训练BP神经网络直至模型训练结果收敛,选取训练误差最小的α值作为BP神经网络隐含层节点数,确定该主观评价预测待验证模型。将验证组声样本的客观指标值作为模型输入层,计算输出层预测结果与实际主观评价结果差比;若差比在5%以内则确认该主观评价预测模型,若差比在5%以上则更换误差较大的隐含层节点数作为待验证模型,并重复直至差比在5%以内。
步骤5、使用自适应误差控制算法调制声品质优化对象车辆声样本在各频段内的声压级增益以生成预测模型结果在各分值下的调制声样本。
补充说明的是,由于本发明侧重于对优化对象车辆的声品质优化,因此仅调制优化对象车辆声。调制不同阶次在不同转速段内的声压级增益即可达到对响度、粗糙度、尖锐度等客观参量的调制,并且保证调制声与原车发动机声类似,无虚假感。
具体的,主观评价预测模型的输出即为主观评价结果,若主观评价结果分为1~7这七个分数,那么便需要调制出七个声音样本,保证每个声样本导入主观评价预测模型后,主观评价预测结果分别符合七个分数。预测模型结果即为声样本的客观参量导入主观评价预测模型后的输出主观评价结果,分值指主观评价试验中的打分等级。
组织评价人员使用虚拟驾驶台架控制模拟车辆行驶在给定工况(例如加速工况)下,同时视觉重现模块与听觉重现模块反馈虚拟驾驶环境的视听觉刺激。每一声样本的重现结束后评价人员需对调制声样本在特定维度(例如动力感维度)下的声品质表现打分,打分确认后即可开始对下一调制声样本评价。
其中,自适应误差控制算法包括但不限于梯度下降算法、陷波算法等。
一种实施方式为,对于声品质优化对象车辆的声样本,各临界频带内乘初值为1的增益;以评价量表(例如主观评价七级动力感量表)中第一个评价等级作为目标。计算当前增益下声样本各客观指标;导入步骤4验证完成的主观评价预测模型,计算模型预测结果与目标评价结果(目标评价结果指评价量表中的“第i个评价等级”对应的数值)差值。若差值为0,则当前调制后声样本可作为该评价等级的调制结果;若差值不为0,则使用自适应误差控制算法(例如陷波算法)调整增益配比直至差值为0。若已对所有评价等级完成设计则完成设计。随机挑选50%调制声样本重复(该处仅为挑选出作为重复的声样本,以用来验证评价人员重复对同一样本评价的稳定性,筛除稳定性较弱的评价人员的打分),将样本设置为调制声样本库。以步骤2的主观评价方法对调制声样本库内的样本进行评价。
步骤6、根据重复评价相似度检测和相关性检测筛除评价较差的评价人员结果。检验调制声样本平均主观评价结果与主观评价预测模型结果(将调制声样本的客观指标作为模型的输入,得到的输出作为此处的模型结果)差异,若该差异在5%以上,则将调制声样本的客观指标与平均主观评价结果按比例增加至预测模型试验组与验证组,并重复步骤4至步骤6;反之,则说明该自适应声品质设计***已完成设计任务。
一种实施方式为,以步骤3中主观评价筛选方法筛选评价人员的打分,对每一调制声样本计算剩余主观评价结果的平均值。计算调制声样本主观评价结果与模型预测结果差值,若差值在5%以上则将调制声样本库与样本对应主观评价结果加入原始声样本库后回到步骤四;若差值在5%以内则说明该调制声样本满足设计需求。
综上,虚拟驾驶场景可作为一种成熟的汽车主观评价环境,可用于建立主客观一致性模型及声品质设计。通过这种交互方式,评价人员可获得更贴近实车驾驶听音的感受,从而给出更符合实车环境的评价结果。
本发明实施例提供的一种基于虚拟驾驶台架的声品质自适应设计方法与装置至少包括如下技术效果:
1、本发明首次提出基于虚拟驾驶台架的声品质自适应设计方法及对应的装置,弥补了听音室主观评价中评价员因评价环境与实车场景不一致,导致声品质主观评分误差大,且不具有普适性的问题与声品质设计无针对性问题,可实践性较强。本发明基于更贴近实车环境的主观评价结果与客观指标构建主观评价预测模型,结合自适应算法,开发出更贴近实车感受的全自动声品质设计***或方法。
2、本发明无需实车主观评价与实车声品质调制,评价安全性较高,使用仪器价格较便宜,降低汽车声品质评价与设计成本。
最后所应说明的是,以上具体实施方式仅用以说明本发明的技术方案而非限制,尽管参照实例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一种基于虚拟驾驶台架的声品质自适应设计方法,其特征在于,对声样本的声品质表现进行评分时,组织评价人员使用虚拟驾驶台架在给定工况下控制模拟车辆行驶,在行驶过程中通过视觉重现模块与听觉重现模块重现虚拟驾驶环境,在虚拟驾驶环境下播放预先采集的声样本;
基于声样本的客观指标与声样本的主观评分结果之间的关系建立主观评价预测模型,基于所述主观评价预测模型自适应调制声品质在各评价等级平均分布的声样本;
包括以下步骤:
步骤1、采集声品质优化对象车辆与声品质目标车辆行驶在给定工况下的车内噪声音频数据;将采集到的车内噪声音频数据作为原始声样本,基于所述原始声样本构建原始声样本库;通过数据处理模块计算得到所述原始声样本库内的每一个原始声样本的客观指标;
步骤2、组织评价人员使用虚拟驾驶台架在给定工况下控制模拟车辆行驶,在行驶过程中通过视觉重现模块与听觉重现模块重现虚拟驾驶环境,在虚拟驾驶环境下播放原始声样本;每一个原始声样本播放后,评价人员对该声样本在特定维度上的声品质表现进行评分,直至完成对所述原始声样本库中所有的原始声样本的评分;
步骤3、基于评价人员的评分,计算得到每一个原始声样本的主观评分结果;随机抽取预设比例的原始声样本,分别构建试验组和验证组;
步骤4、搭建BP神经网络模型,将所述试验组中声样本的客观指标作为输入,将所述试验组中声样本的主观评分结果作为输出,优化训练BP神经网络模型,并通过所述验证组对BP神经网络模型进行验证,得到训练好的BP神经网络模型;将所述训练好的BP神经网络模型作为所述主观评价预测模型;
步骤5、利用所述主观评价预测模型,对所述声品质优化对象车辆对应的声样本进行调制,得到主观评分结果在各分值下的调制声样本;基于所述调制声样本构建调制声样本库;通过数据处理模块计算得到所述调制声样本库内的每一个调制声样本的客观指标;
步骤6、组织评价人员使用虚拟驾驶台架在给定工况下控制模拟车辆行驶,在行驶过程中通过视觉重现模块与听觉重现模块重现虚拟驾驶环境,在虚拟驾驶环境下播放调制声样本;每一个调制声样本播放后,评价人员对该声样本在特定维度上的声品质表现进行评分,直至完成对所述调制声样本库中所有的调制声样本的评分;
步骤7、基于评价人员的评分,计算得到每一个调制声样本的主观评分结果;
步骤8、将调制声样本的客观指标作为所述主观评价预测模型的输入,将得到的输出作为预测模型结果;判断所述调制声样本库中的每一个调制声样本的主观评价结果与该声样本对应的预测模型结果之间的误差是否小于预设误差;若小于,则判定所述调制声样本库满足设计需要,完成自适应声品质设计;否则,进行将所述调制声样本库加入到所述原始声样本库中,将新增加的调制声样本按所述预设比例增加至步骤3中的所述试验组及所述验证组,重复步骤4至步骤8。
2.根据权利要求1所述的基于虚拟驾驶台架的声品质自适应设计方法,其特征在于,所述步骤1中,所述客观指标包括声压级、响度、粗糙度、尖锐度。
3.根据权利要求1所述的基于虚拟驾驶台架的声品质自适应设计方法,其特征在于,所述步骤3中,根据重复评价相似度检测和相关性检测,筛除不满足预设条件的评价人员及该评价人员对原始声样本的所有评分;基于筛除后剩余的评价人员的评分,计算得到每一个原始声样本的主观评分结果;
所述步骤7中,根据重复评价相似度检测和相关性检测,筛除不满足预设条件的评价人员及该评价人员对调制声样本的所有评分;基于筛除后剩余的评价人员的评分,计算得到每一个调制声样本的主观评分结果。
4.根据权利要求3所述的基于虚拟驾驶台架的声品质自适应设计方法,其特征在于,计算原始声样本的主观评分结果之前或计算调制声样本的主观评分结果之前,还包括:对筛除后剩余的评价人员的评分进行归一化处理。
5.根据权利要求1所述的基于虚拟驾驶台架的声品质自适应设计方法,其特征在于,所述步骤5中,使用自适应误差控制算法,通过调制所述声品质优化对象车辆对应的声样本在各频段内的声压级增益,生成调制声样本。
6.根据权利要求5所述的基于虚拟驾驶台架的声品质自适应设计方法,其特征在于,对于所述声品质优化对象车辆对应的声样本,每个临界频带内乘初值为1的增益;以评价量表中第个评价等级对应的数值作为目标,计算当前增益下该声样本的客观指标;将计算得到的客观指标输入至所述主观评价预测模型,得到预测模型结果;计算预测模型结果与评价量表中第个评价等级对应的数值之间的差值;若差值为0,则将当前调制后的声样本作为该评价等级的调制结果;若差值不为0,则使用自适应误差控制算法调整临界频带的增益配比直至差值为0。
7.根据权利要求5所述的基于虚拟驾驶台架的声品质自适应设计方法,其特征在于,所述自适应误差控制算法采用梯度下降算法、陷波算法中的一种。
8.一种基于虚拟驾驶台架的声品质自适应设计装置,其特征在于,包括:虚拟驾驶台架、视觉重现模块、听觉重现模块、评价模块和数据处理模块;
所述虚拟驾驶台架用于为评价人员提供模拟真实汽车驾驶的驾驶环境,接受驾驶信息并将其发送给所述数据处理模块;
所述视觉重现模块用于为评价人员提供模拟真实汽车驾驶时的路面视觉环境;
所述听觉重现模块用于将声样本以随机顺序播放,并且为评价人员提供模拟真实汽车驾驶时的混响环境;
所述评价模块用于为评价人员提供对声样本的声品质表现进行评分的界面,并将评分信息发送给所述数据处理模块;
所述数据处理模块用于模拟虚拟驾驶环境,根据所述驾驶信息计算得到对应的视觉数据和听觉数据以进行视觉与听觉的刺激回放;用于根据声样本计算得到声样本对应的客观指标;用于对预先构建的BP神经网络模型进行训练优化,得到主观评价预测模型;用于基于所述主观评价预测模型自适应调制声品质在各评价等级平均分布的声样本;
所述基于虚拟驾驶台架的声品质自适应设计装置用于实现如权利要求1-7中任一项所述的基于虚拟驾驶台架的声品质自适应设计方法中的步骤。
9.根据权利要求8所述的基于虚拟驾驶台架的声品质自适应设计装置,其特征在于,还包括:音频数据采集模块;
所述音频数据采集模块用于采集声品质优化对象车辆与声品质目标车辆行驶在给定工况下的车内噪声音频数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110702863.3A CN113435116B (zh) | 2021-06-24 | 2021-06-24 | 一种基于虚拟驾驶台架的声品质自适应设计方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110702863.3A CN113435116B (zh) | 2021-06-24 | 2021-06-24 | 一种基于虚拟驾驶台架的声品质自适应设计方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113435116A CN113435116A (zh) | 2021-09-24 |
CN113435116B true CN113435116B (zh) | 2022-07-05 |
Family
ID=77755328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110702863.3A Active CN113435116B (zh) | 2021-06-24 | 2021-06-24 | 一种基于虚拟驾驶台架的声品质自适应设计方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113435116B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115407872B (zh) * | 2022-08-12 | 2023-10-13 | 北京津发科技股份有限公司 | 一种智能人机协同***测评方法、装置及存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5986966B2 (ja) * | 2013-08-12 | 2016-09-06 | 日本電信電話株式会社 | 音場収音再生装置、方法及びプログラム |
CN103471709A (zh) * | 2013-09-17 | 2013-12-25 | 吉林大学 | 乘用车车内噪声声品质预测方法 |
CN105021275B (zh) * | 2015-07-15 | 2018-01-19 | 吉林大学 | 基于时域动态特性分析的车内声品质预测方法 |
CN106933146B (zh) * | 2017-03-14 | 2023-04-14 | 吉林大学 | 电动轿车行人警示音控制方法 |
CN108491999A (zh) * | 2018-02-10 | 2018-09-04 | 山东国金汽车制造有限公司 | 一种对电动汽车稳态噪声主观评价的客观量化方法 |
CN110688712A (zh) * | 2019-10-11 | 2020-01-14 | 湖南文理学院 | 汽车风振噪声声品质客观烦恼度评价指标及其计算方法 |
CN112905001B (zh) * | 2021-01-19 | 2022-08-16 | 武汉理工大学 | 一种基于脑电信号的驾驶声音模式切换方法及*** |
-
2021
- 2021-06-24 CN CN202110702863.3A patent/CN113435116B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113435116A (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ma et al. | Sound quality evaluation of the interior noise of pure electric vehicle based on neural network model | |
Yoon et al. | Reliability improvement of a sound quality index for a vehicle HVAC system using a regression and neural network model | |
JP6270330B2 (ja) | エンジン音出力装置及びエンジン音出力方法 | |
DE102011076484A1 (de) | Tonwiedergabevorrichtung mit hörszenariosimulation | |
CN113435116B (zh) | 一种基于虚拟驾驶台架的声品质自适应设计方法与装置 | |
Lee et al. | Objective evaluation of interior noise booming in a passenger car based on sound metrics and artificial neural networks | |
CN114103850B (zh) | 一种实现汽车主动声增强的*** | |
Hoffmann et al. | Auralization of simulated tyre noise: Psychoacoustic validation of a combined model | |
CN110789478A (zh) | 车载音响参数辅助调节方法、装置以及音频处理器 | |
Park et al. | Identification of vehicle booming sound and its objective evaluation using psychoacoustic parameters | |
CN116933620A (zh) | 一种噪声品质评价及模型搭建方法 | |
KR100925828B1 (ko) | 차량 음향의 음질에 대한 정량적 도출방법 및 그 장치 | |
CN115828428A (zh) | 模拟声浪音效品质的标定方法、***及车辆 | |
Petersen et al. | Suggestive Sound Design-How to use Active Interior Sound Design to improve traffic safety | |
US11361777B2 (en) | Sound prioritisation system and method | |
Sottek et al. | Tools and methods for product sound design of vehicles | |
Ugolotti et al. | IPA-A Subjective Assessment Method of Sound Quality of Car Sound Systems | |
CN113567146A (zh) | 一种基于掩蔽效应评价路噪的方法 | |
Bogema et al. | Utilizing a Hybrid Engineering Approach for NVH Drive Evaluations in Virtual Prototypes | |
JP5941350B2 (ja) | 聴覚印象量推定装置及びそのプログラム | |
Samardzic et al. | The evaluation of speech intelligibility in a simulated driving environment using the hearing in noise test | |
Misdariis et al. | Community Noise Quality Assessment (Annoyance) by means of a Virtual Audio Environment | |
Kondo et al. | Engine Sound Design Process with Utilization of Industrial Styling Design | |
Genuit et al. | The influence of combined environmental stimuli on the evaluation of acoustical comfort: case studies carried out in an interactive simulation environment | |
Tabsyira et al. | Exploring the Potential of Virtual Environment for Electric Vehicle: Study Case and Sound Quality Performance |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |