1 引言

　　機(jī)器人聽覺系統(tǒng)主要是對人的聲音進(jìn)行語音識(shí)別并做出判斷，然后輸出相應(yīng)的動(dòng)作指令控制頭部和手臂的動(dòng)作，傳統(tǒng)的機(jī)器人聽覺系統(tǒng)一般是以PC機(jī)為平臺(tái)對機(jī)器人進(jìn)行控制，其特點(diǎn)是用一臺(tái)計(jì)算機(jī)作為機(jī)器人的信息處理核心通過接口電路對機(jī)器人進(jìn)行控制，雖然處理能力比較強(qiáng)大，語音庫比較完備，系統(tǒng)更新以及功能拓展比較容易，但是比較笨重，不利于機(jī)器人的小型化和復(fù)雜條件下進(jìn)行工作，此外功耗大、成本高。

　　本次設(shè)計(jì)采用了性價(jià)比較高的數(shù)字信號處理芯片TMS320VC5509作為語音識(shí)別處理器，具有較快的處理速度，使機(jī)器人在脫機(jī)狀態(tài)下，獨(dú)立完成復(fù)雜的語音信號處理和動(dòng)作指令控制，FPGA系統(tǒng)的開發(fā)降低了時(shí)序控制電路和邏輯電路在PCB板所占的面積，使機(jī)器人的“大腦”的語音處理部分微型化、低功耗。一個(gè)體積小、低功耗、高速度能完成特定范圍語音識(shí)別和動(dòng)作指令的機(jī)器人系統(tǒng)的研制具有很大的實(shí)際意義。

　　2 系統(tǒng)硬件總體設(shè)計(jì)

　　系統(tǒng)的硬件功能是實(shí)現(xiàn)語音指令的采集和步進(jìn)電機(jī)的驅(qū)動(dòng)控制，為系統(tǒng)軟件提供開發(fā)和調(diào)試平臺(tái)。如圖1所示。

　　系統(tǒng)硬件分為語音信號的采集和播放，基于DSP的語音識(shí)別，F(xiàn)PGA動(dòng)作指令控制、步進(jìn)電機(jī)及其驅(qū)動(dòng)、DSP外接閃存芯片，JTAG口仿真調(diào)試和鍵盤控制幾個(gè)部分。工作流程是麥克風(fēng)將人的語音信號轉(zhuǎn)化為模擬信號，在經(jīng)過音頻芯片TLV320AIC23量化轉(zhuǎn)化成數(shù)字信號輸入DSP.DSP完成識(shí)別后，輸出動(dòng)作指令。

　　FPGA根據(jù)DSP輸入的動(dòng)作指令產(chǎn)生正確的正反轉(zhuǎn)信號和準(zhǔn)確的脈沖給步進(jìn)電機(jī)驅(qū)動(dòng)芯片，驅(qū)動(dòng)芯片提供步進(jìn)電機(jī)的驅(qū)動(dòng)信號，控制步進(jìn)電機(jī)的轉(zhuǎn)動(dòng)。片外 FLASH用于存儲(chǔ)系統(tǒng)程序和語音庫并完成系統(tǒng)的上電加載。JTAG口用于與PC機(jī)進(jìn)行聯(lián)機(jī)在線仿真，鍵盤則用于參數(shù)調(diào)整和功能的切換。

　　3 語音識(shí)別系統(tǒng)設(shè)計(jì)

　　3.1 語音信號的特點(diǎn)

　　語音信號的頻率成分主要分布在300～3400Hz之間，根據(jù)采樣定理選擇信號的采樣率為8 kHz。語音信號的一個(gè)特點(diǎn)在于他的“短時(shí)性”，有時(shí)在一個(gè)短時(shí)段呈現(xiàn)隨機(jī)噪聲的特性，而另一段表現(xiàn)周期信號的特性，或二者兼而有之。語音信號的特征是隨時(shí)間變化的，只有一段時(shí)間內(nèi)，信號才表現(xiàn)穩(wěn)定一致的特征，一般來說短時(shí)段可取5～50 ms，因此語音信號的處理要建立在其“短時(shí)性”上［2］，系統(tǒng)將語音信號幀長設(shè)為20 ms，幀移設(shè)為10 ms，則每幀數(shù)據(jù)為160×16 b。

　　3.2 語音信號的采集和播放

　　語音采集和播放芯片采用的是TI公司生產(chǎn)的TLV320AIC23B，TLV320AIC23B的模數(shù)轉(zhuǎn)換（ADC）和數(shù)模轉(zhuǎn)換（DAC）部件高度集成在芯片內(nèi)部，芯片采用8 k采樣率，單聲道模擬信號輸入，雙聲道輸出。TLV320AIC23具有可編程特性，DSP可通過控制接口來編輯該器件的控制寄存器，而且能夠編譯 SPI，I2C兩種規(guī)格的接口，TLV320AIC23B與DSP5509的電路連接如圖2所示。

　　DSP采用I2C口對TLV320AIC23的寄存器進(jìn)行設(shè)置。當(dāng)MODE=O時(shí)，為I2C規(guī)格的接口，DSP采用主發(fā)送模式，通過I2C口對地址為 0000000～0001111的11個(gè)寄存器進(jìn)行初始化。I2C模式下，數(shù)據(jù)是分為3個(gè)8 b寫入的。而TLV320AIC23有7位地址和9位數(shù)據(jù)，也就是說，需要把數(shù)據(jù)項(xiàng)上面的最高位補(bǔ)充到第二個(gè)8 B中的最后一位。

　　MCBSP串口通過6個(gè)引腳CLKX，CLKR，F(xiàn)SX，F(xiàn)SR，DR和CX與TLV320AIC23相連。數(shù)據(jù)經(jīng)MCBSP串口與外設(shè)的通信通過DR和 DX引腳傳輸，控制同步信號則由CLKX，CLKR，F(xiàn)SX，F(xiàn)SR四個(gè)引腳實(shí)現(xiàn)。將MCBSP串口設(shè)置為DSP Mode模式，然后使串口的接收器和發(fā)送器同步，并且由TLV320AIC23的幀同步信號LRCIN，LRCOUT啟動(dòng)串口傳輸，同時(shí)將發(fā)送接收的數(shù)據(jù)字長設(shè)定為32 b（左聲道16 b，右聲道16 b）單幀模式。

　　3.3 語音識(shí)別程序模塊的設(shè)計(jì)

　　為了實(shí)現(xiàn)機(jī)器人對非特定人語音指令的識(shí)別，系統(tǒng)采用非特定人的孤立詞識(shí)別系統(tǒng)。非特定人的語音識(shí)別是指語音模型由不同年齡、不同性別、不同口音的人進(jìn)行訓(xùn)練，在識(shí)別時(shí)不需要訓(xùn)練就可以識(shí)別說話人的語音［2］。系統(tǒng)分為預(yù)加重和加窗，短點(diǎn)檢測，特征提取，與語音庫的模式匹配和訓(xùn)練幾個(gè)部分。

　　3.3.1 語音信號的預(yù)加重和加窗

　　預(yù)加重處理主要是去除聲門激勵(lì)和口鼻輻射的影響，預(yù)加重?cái)?shù)字濾波H（Z）=1一KZ-1，其中是為預(yù)加重系數(shù)，接近1，本系統(tǒng)中k取0.95。對語音序列X（n）進(jìn)行預(yù)加重，得到預(yù)加重后的語音序列

　　x（n）：x（n）=X（n）一kX（n一1） （1）

　　系統(tǒng)采用一個(gè)有限長度的漢明窗在語音序列上進(jìn)行滑動(dòng)，用以截取幀長為20 ms，幀移設(shè)為10 ms的語音信號，采用漢明窗可以有效減少信號特征的丟失。

　　3.3.2 端點(diǎn)檢測

　　端點(diǎn)檢測在詞與詞之間有足夠時(shí)間間隙的情況下檢測出詞的首末點(diǎn)，一般采用檢測短時(shí)能量分布，方程為：

　　其中，x（n）為漢明窗截取語音序列，序列長度為160，所以N取160，為對于無音信號E（n）很小，而對于有音信號E（n）會(huì)迅速增大為某一數(shù)值，由此可以區(qū)分詞的起始點(diǎn)和結(jié)束點(diǎn)。

　　3.3.3特征向量提取

　　特征向量是提取語音信號中的有效信息，用于進(jìn)一步的分析處理。目前常用的特征參數(shù)包括線性預(yù)測倒譜系數(shù)LPCC、美爾倒譜系數(shù)MFCC等。語音信號特征向量采用Mel頻率倒譜系數(shù)MFCC（Mel Frequency Cepstrum Coeficient的提取，MFCC參數(shù)是基于人的聽覺特性的，他利用人聽覺的臨界帶效應(yīng)，采用MEL倒譜分析技術(shù)對語音信號處理得到MEL倒譜系數(shù)矢量序列，用MEL倒譜系數(shù)表示輸入語音的頻譜。在語音頻譜范圍內(nèi)設(shè)置若干個(gè)具有三角形或正弦形濾波特性的帶通濾波器，然后將語音能量譜通過該濾波器組，求各個(gè)濾波器輸出，對其取對數(shù)，并做離散余弦變換（DCT），即可得到MFCC系數(shù)。MFCC系數(shù)的變換式可簡化為：

　　其中，i為三角濾波器的個(gè)數(shù)，本系統(tǒng)選P為16，F(xiàn)（k）為各個(gè)濾波器的輸出數(shù)據(jù)，M為數(shù)據(jù)長度。

　　3.3.4 語音信號的模式匹配和訓(xùn)練

　　模型訓(xùn)練即將特征向量進(jìn)行訓(xùn)練建立模板，模式匹配即將當(dāng)前特征向量與語音庫中的模板進(jìn)行匹配得出結(jié)果。語音庫的模式匹配和訓(xùn)練采用隱馬爾可夫模型HMM （Hidden Markov Models），他是一種統(tǒng)計(jì)隨機(jī)過程統(tǒng)計(jì)特性的概率模型一個(gè)雙重隨機(jī)過程，因?yàn)殡[馬爾可夫模型能夠很好地描述語音信號的非平穩(wěn)性和可變性，因此得到廣泛的使用。

　　HMM的基本算法有3種：Viterbi算法，前向一后向算法，Baum-Welch算法。本次設(shè)計(jì)使用Viterbi算法進(jìn)行狀態(tài)判別，將采集語音的特征向量與語音庫的模型進(jìn)行模式匹配。Baum-Welch算法用來解決語音信號的訓(xùn)練，由于模型的觀測特征是幀間獨(dú)立的，從而可以使用 Baum- Welch算法進(jìn)行HMM模型的訓(xùn)練。

　　3.4 語音識(shí)別程序的DSP開發(fā)

　　DSP的開發(fā)環(huán)境為CCS3.1及。DSP/BIOS，將語音識(shí)別和訓(xùn)練程序分別做成模塊，定義為不同的函數(shù)，在程序中調(diào)用。定義語音識(shí)別器函數(shù)為int Recognizer（int Micin），識(shí)別結(jié)果輸出函數(shù)為int Result（void），語音訓(xùn)練器函數(shù)為int Train（int Tmode，int Audiod），動(dòng)作指令輸入函數(shù)為int Keyin（int Action）。

　　語音識(shí)別器的作用是將當(dāng)前語音輸入變換成語音特征向量，并對語音庫的模板進(jìn)行匹配并輸出結(jié)果，語音應(yīng)答輸出函數(shù)將獲取的語音識(shí)別結(jié)果對應(yīng)的語音應(yīng)答輸出，語音訓(xùn)練是將多個(gè)不同年齡、不同性別、不同口音的人語音指令輸入轉(zhuǎn)化為訓(xùn)練庫的模板。為防止樣本錯(cuò)誤，每個(gè)人的語音指令需要訓(xùn)練2次，對于2次輸入用用歐氏距離去進(jìn)行模式匹配，若2次輸入相似度達(dá)到95%，則加入樣本集。語音應(yīng)答輸入函數(shù)是為每個(gè)語音庫中模板輸入對立的語音輸出，以達(dá)到語言應(yīng)答目的。系統(tǒng)工作狀態(tài)為執(zhí)行語言識(shí)別子程序，訓(xùn)練時(shí)執(zhí)行外部中斷，執(zhí)行訓(xùn)練函數(shù)，取得數(shù)據(jù)庫模板，訓(xùn)練完畢返回。程序框圖如圖3所示。