编辑推荐：
传统主动道路噪声控制（ARNC）依赖固定模型，难以适应头部移动带来的路径变化。本研究提出基于神经网络的头追踪ARNC（HARNC）框架，通过实时更新次级路径估计和观测滤波器，结合预滤波初始化加速收敛。仿真和实车实验表明，HARNC在30-500Hz带宽内平均降噪提升3.02 dBA，优于查表法和插值法。
吴俊英（Jun Young Oh）| 金朱英（Ju Young Kim）| 吴志成（Chi Sung Oh）| 杜智炫（Ji Hyun Doe）| 康延俊（Yeon June Kang）
韩国首尔国立大学机械工程系高级汽车研究中心，Gwanak-ro 1号，Gwanak-gu，首尔 08826
摘要
传统的主动道路噪声控制（ARNC）依赖于虚拟感测技术，这需要精确的次级路径估计和观测滤波器。然而，这些路径会受到听者头部位置的影响，使用固定模型会导致建模误差，从而降低控制性能。为了解决这一限制，本研究提出了一种基于头部跟踪的ARNC（HARNC）框架，该框架利用神经网络（NN）根据听者的头部位置实时更新次级路径估计和观测滤波器。此外，还引入了一种基于预滤波器的初始化方案，以加快头部移动后控制滤波器的收敛速度。用于估计次级路径和观测滤波器的NN模型是通过在多个听者头部位置测量获得的数据集进行训练的，并集成到虚拟感测ARNC算法中。所提出的HARNC框架通过仿真和实验进行了验证，包括对预滤波器初始化和路径更新策略的比较评估。仿真结果显示，在30–500 Hz的频率范围内，与传统使用固定路径的ARNC相比，所提出的HARNC平均实现了额外的3.02 dBA的噪声降低。与基于查找表和插值的更新策略相比，它在路径估计精度和噪声衰减方面也表现更优。该框架还通过实际车辆实验得到了进一步验证，证实了其在真实驾驶条件下实现稳健ARNC性能的有效性。
引言
随着现代车辆发动机噪声的持续降低，道路噪声已成为车内声音的主要来源之一，近年来受到了越来越多的关注。已经采用了被动和主动控制策略来减轻道路噪声。被动方法包括使用吸音材料[1]和优化悬挂系统以减少振动传输[2]、[3]。相比之下，主动噪声控制（ANC）通过次级源生成反相信号来消除听者耳朵中的不需要的噪声[4]。与吸音材料相比，ANC在低频范围内特别有效[5]、[6]，并且对车辆重量的增加可以忽略不计。因此，主动道路噪声控制（ARNC）作为减少道路噪声的有效解决方案在车辆中得到了越来越多的应用[7]、[8]、[9]，通常使用滤波x最小均方（FxLMS）算法[10]、[11]。为了解决多通道和实时约束问题，开发了一系列改进的FxLMS实现方式，例如可变步长[12]、[13]和频域实现[14]、[15]、[16]。
在ARNC中，采用局部控制来扩展有效的控制带宽，但这会在误差麦克风周围形成一个安静区域[17]。因此，头部移动会使听者离开这个安静区域，从而降低ANC性能[18]、[19]，这促使人们开发了能够根据实时耳朵位置调整控制策略的头部跟踪ANC。虽然一些研究依赖于放置在耳朵附近或内部的可穿戴设备[20]、[21]，但这些解决方案在实际应用中并不实用。为了实现车辆中的实际头部跟踪，人们探索了使用车内摄像头的基于视觉的方法。还研究了相关的实际设计因素，如跟踪分辨率[22]和扬声器间距[23]。在此基础上，先前的研究提出了一种根据跟踪到的耳朵位置选择预训练控制滤波器的滤波器组方案[24]，尽管所得到的滤波器组可能对噪声特性的变化敏感。
从系统识别的角度来看，头部移动会引入时变的次级路径，因此保持ANC的稳定收敛需要根据当前的耳朵位置更新次级路径估计。一种常见的方法是使用查找表（LUT）策略，其中在离散的头部位置预先测量次级路径，并在操作期间选择最接近的响应[25]、[26]。然而，基于LUT的更新依赖于离散测量的路径，因此无法在测量点之间提供连续的次级路径估计，导致跟踪精度有限。在头部跟踪的双耳合成中，也研究了连续传递函数更新的类似需求，其中通过插值[27]、[28]或基于学习的预测[29]、[30]等方法连续更新头部相关传递函数（HRTFs）。类似地，也提出了一种基于插值的方法来连续更新ANC系统中的次级路径估计[31]，并在仿真中显示出改进的性能，但其扩展到复杂的头部移动和在真实车辆中的验证仍然有限。这些限制促使人们探索基于学习的建模作为在实际约束下连续路径更新的替代方案。尽管基于学习的ANC研究主要集中在控制滤波器的设计或选择[32]、[33]、[34]、[35]上，但针对头部移动引起的路径变化的方法仍然相对较少。之前的研究使用由头部位置驱动的神经网络（NN）模型实现了实时次级路径估计，报告称与基于LUT的方法相比，所提出的更新方案提高了ANC性能并减少了数据存储需求[37]。然而，该研究是在简化的环境中进行的，需要在真实车辆中进行进一步验证以确定其实际适用性。
此外，在实际应用中，麦克风不能直接放置在听者的耳朵上。因此，需要通过虚拟感测实时估计耳朵位置的声压，例如使用带有观测滤波器的远程麦克风方法[38]、[39]、[40]。在这种情况下，头部移动不仅需要更新次级路径估计，还需要更新观测滤波器。迄今为止，现有的基于虚拟感测的头部跟踪ANC实现主要依赖于LUT[25]、[26]，尚未解决观测滤波器的连续空间更新问题。
基于这些不足，本文提出了一种基于NN的头部跟踪ARNC（HARNC）框架，用于实际车辆操作，其中预训练的NN根据听者的头部位置实时更新次级路径估计和观测滤波器。此外，还引入了一种基于预滤波器的初始化方案，以加快头部移动后控制滤波器的收敛速度。所提出的框架通过与基于LUT和插值的传统头部跟踪策略进行ANC仿真比较，并通过在实际道路上进行的车辆实验进一步得到了验证。
本文的其余部分组织如下：第2节回顾了带有虚拟感测的频域FxLMS算法，并介绍了NN模型如何与头部跟踪模块以及预滤波器初始化结合使用。第3节详细介绍了数据集的测量过程和NN模型的开发过程，同时将所提出的方法与基于LUT和插值的更新方法进行了比较。第4节介绍了仿真设置和结果，包括对预滤波器初始化和路径更新策略的比较。第5节通过在实际道路上的车辆实验验证了所提出的方法。最后，第6节总结了本文。
节选内容
基于虚拟感测的无延迟频域FxLMS算法
所提出的HARNC系统使用无延迟频域FxLMS算法来实现高效的自适应控制。在频域中，卷积操作被逐元素乘法替代，从而降低了计算复杂度。此外，控制滤波器是按块逐块更新的，而消除信号是按样本逐样本生成的，以保持实时控制能力。
使用远程麦克风方法的虚拟感测技术实现了对耳朵的控制
多位置路径测量
为了训练NN模型，需要一个包含不同头部位置的虚拟次级路径和观测滤波器的数据集。为了高效获取这些路径，开发了一个测量夹具，如图4(a)所示，并安装在参与者的头部，如图4(b)所示。该夹具能够在垂直和水平方向上相距5厘米的2×3网格中的六个不同麦克风位置同时进行测量。
仿真设置和程序
仿真是为了评估所提出的HARNC框架与传统不更新路径的ARNC的有效性。使用在车速55至65公里/小时范围内记录在底盘测功机上的原始数据作为噪声源，采样频率为4 kHz。控制带宽设置为30–500 Hz。
首先让控制滤波器在听者的头部保持在基线位置的情况下收敛2分钟。
车辆实验验证
在仿真研究之后，通过在恒定速度60公里/小时的测试道路上进行的实际车辆实验验证了所提出的HARNC框架，实验条件尽量减少了外部噪声的影响。实时控制器是在德州仪器的Jacinto 6处理器上实现的。其余实验配置遵循2.3节头部跟踪系统和2.5节整体系统配置的描述：头部跟踪是使用立体声实现的
结论
本研究提出了一种HARNC框架，以克服传统ARNC系统的局限性，这些系统在头部移动时经常会出现性能下降。所提出的HARNC框架包含一个预滤波器，并使用预训练的NN模型根据听者的头部位置实时连续更新虚拟次级路径估计和观测滤波器。这使得控制系统能够适应声学路径的变化并保持稳定的ANC性能
CRediT作者贡献声明
吴俊英（Jun Young Oh）：写作 – 审稿与编辑，撰写原始草稿，可视化，验证，软件，方法论，调查，形式分析，数据管理，概念化。金朱英（Ju Young Kim）：写作 – 审稿与编辑，验证，方法论，调查。吴志成（Chi Sung Oh）：验证，资源管理，项目协调，方法论，调查，概念化。杜智炫（Ji Hyun Doe）：验证，软件，资源管理，方法论，数据管理，概念化。康延俊（Yeon June Kang）：写作 – 审稿
资助
本研究未获得公共、商业或非营利部门的任何特定资助。
利益冲突声明
作者声明他们没有已知的可能影响本文工作的竞争性财务利益或个人关系。
致谢
本项工作得到了首尔国立大学先进机械与设计研究所（SNU-IAMD）、首尔国立大学工程研究所以及现代汽车集团的支持。
