車載導航中人機語音交互系統(tǒng)的設計與實現(xiàn)

　語音作為自然的人機接口，可以使車載導航系統(tǒng)實現(xiàn)更安全、更人性化的操作。通過國內(nèi)外車載導航系統(tǒng)的功能對比可知，支持語音交互是車載導航系統(tǒng)的一個發(fā)展趨勢。另外，市場信息服務公司J.D Power and Associates的調(diào)研數(shù)據(jù)也表明，56％的消費者更傾向于選擇聲控的導航系統(tǒng)。因此，開發(fā)車載語音導航系統(tǒng)是很有意義的。目前，國內(nèi)已經(jīng)具備開發(fā)車載語音導航系統(tǒng)的技術基礎，特別是文語轉換TTS技術和基于中小詞匯量的語音命令識別技術已經(jīng)達到比較實用的程度。本文在課題組的車載導航系統(tǒng)和國內(nèi)兩款語音引擎的基礎上，開發(fā)了一套支持語音交互的車載導航系統(tǒng)。

　　車載語音導航系統(tǒng)結構

　　車載語音導航系統(tǒng)從功能上分為車載導航和導航語音交互兩方面。其中車載導航功能包括GPS衛(wèi)星導航定位、電子地圖瀏覽查詢、智能的路徑規(guī)劃、車輛地理位置和速度等導航信息的實時顯示；導航語音交互功能分為語音操作和語音提示兩部分。在系統(tǒng)的設計中，根據(jù)人機交互的需求，設計語音導航系統(tǒng)的硬件框架如圖 1所示。

　　語音導航系統(tǒng)和用戶之間的人機交互接口由觸摸屏、按鈕、話筒、顯示屏和擴音器等五個交互設備組成。該硬件框架可實現(xiàn)常規(guī)的手動交互方式，也可以實現(xiàn)語音交互方式。整個系統(tǒng)劃分為三個子系統(tǒng)：導航子系統(tǒng)、語音識別子系統(tǒng)和語音合成子系統(tǒng)，各子系統(tǒng)間通過接口進行通信，協(xié)調(diào)完成語音導航任務。

　　車載導航人機語音交互系統(tǒng)對話模式設計

　　導航系統(tǒng)的狀態(tài)轉換網(wǎng)絡

　　整個導航系統(tǒng)是一個復雜的人機交互系統(tǒng)，為便于語音交互對話模式的設計，首先對系統(tǒng)作狀態(tài)劃分，然后從人機交互的角度描述整個系統(tǒng)的狀態(tài)轉換網(wǎng)絡。將系統(tǒng)劃分為地圖瀏覽、功能選擇等六個功能狀態(tài)和一個退出狀態(tài)。圖2描述了這些狀態(tài)之間的狀態(tài)轉換網(wǎng)絡。

　　圖中的節(jié)點代表系統(tǒng)的各個狀態(tài)，帶箭頭的連線代表從源狀態(tài)到目標狀態(tài)的轉換。狀態(tài)轉換網(wǎng)絡接收用戶的操作作為驅動事件，完成從一個狀態(tài)到另一狀態(tài)的轉換，網(wǎng)絡中的一條路徑便代表著特定的交互過程。

　　導航系統(tǒng)各狀態(tài)節(jié)點對話模式設計

　　為便于描述各狀態(tài)節(jié)點內(nèi)部的對話模式，將狀態(tài)節(jié)點按圖2所示編號為S1~S7，用Tmn表示狀態(tài)節(jié)點Sm到狀態(tài)節(jié)點Sn的轉換。另外，借鑒狀態(tài)流 stateflow模型的表示方法，提出用于描述車載導航人機語音交互系統(tǒng)中的對話模型。重新定義轉換的描述方式，用四個屬性來描述狀態(tài)節(jié)點內(nèi)的一次轉換：

　　T={P1,P2,P3,P4} (1)

　　其中，t用于表示一個轉換，P1~P4為轉換的屬性：P1為語音事件；P2為語音輸出；P3為附加條件；P4為轉換動作。

　　這樣，一個轉換t便描述了一次對話中用戶的語音輸入、系統(tǒng)的語音輸出、對話受到的限制條件以及系統(tǒng)執(zhí)行的動作。

　　以地圖瀏覽狀態(tài)為例，說明對話模式設計的過程。地圖瀏覽狀態(tài)由兩個互斥的子狀態(tài)組成：地圖漫游狀態(tài)和車輛引導狀態(tài)(參見圖2)。這兩種子狀態(tài)的人機交互大部分相同，所以將二者統(tǒng)一劃分在地圖瀏覽狀態(tài)下。對于區(qū)分對待這兩個子狀態(tài)的交互過程，可以通過附加條件來判斷當前子狀態(tài)，再作不同的處理。地圖瀏覽狀態(tài)節(jié)點的對話模式設計如圖3所示。

　　語音控制命令的實現(xiàn)

　　語音控制命令的實現(xiàn)方案如圖4所示。圖中左邊方框代表整個語音導航系統(tǒng)對話模式的狀態(tài)轉換網(wǎng)絡STN。根據(jù)對話模式的設計，將系統(tǒng)分為地圖瀏覽狀態(tài)、功能選擇狀態(tài)、路徑規(guī)劃狀態(tài)等7個狀態(tài)節(jié)點，每個狀態(tài)節(jié)點內(nèi)部均存在各自的語音對話模式，對話模式由若干內(nèi)部轉換組成。因此，整個語音導航系統(tǒng)是一個兩層結構的狀態(tài)轉換網(wǎng)絡，其內(nèi)部轉換由語音事件驅動。語音事件由導航子系統(tǒng)的接口模塊根據(jù)語音識別子系統(tǒng)發(fā)送的用戶意圖而產(chǎn)生。

　　語音控制命令的實現(xiàn)過程分為以下四個步驟：

　　語音識別引擎根據(jù)當前命令詞表識別用戶語音，得到識別結果。

　　管理窗口獲取到識別結果，通過查詢“識別詞－控制命令”映射，得到識別結果對應的控制命令，并將控制命令作為用戶意圖發(fā)送至導航子系統(tǒng)的接口模塊。

　　接口模塊響應用戶意圖，通過語音事件改變語音導航系統(tǒng)的狀態(tài)。

　　接口模塊根據(jù)語音導航系統(tǒng)的狀態(tài)判斷是否需要更改當前命令詞表，若需要則通過管理窗口更改當前命令詞表。

　POI名稱的識別方法

　　識別子系統(tǒng)除了要識別控制命令以外，還需要識別POI(興趣點、標志點)名稱。POI名稱識別與控制命令識別最大的區(qū)別在于其候選集合在規(guī)模上的差異。在本系統(tǒng)中，進行控制命令識別時候選集合的規(guī)模最大約為30個，但進行POI名稱識別時，以所用的北京電子地圖為例，其POI點的個數(shù)為 20,172 個，此時其候選集合的規(guī)模比控制命令識別時大幾個數(shù)量級。

　　利用命令詞識別引擎進行識別時，必須為引擎提供一個當前詞表，需要先將候選集合中的詞條轉化為詞表，才能真正地進行識別。同時，基于中小詞表的ASR 識別引擎不能生成規(guī)模達2萬多的詞表，所以對于POI名稱識別，采取了不同于控制命令識別的方案。在對控制命令進行識別時，因為候選集合可以用一個詞表來表示，采取了在線識別的方法。而對POI名稱進行識別時，單個詞表無法容納所有的POI名稱，由此提出了利用識別引擎離線識別功能的離線遍歷識別方案。該方案利用多個詞表來描述整個候選集合。實現(xiàn)的具體流程如圖5所示。

　　該方案將候選POI集合劃分為n個子集，并生成各子集的詞表，然后以各詞表為當前詞表進行離線識別，并將這些局部的識別結果匯總形成一個臨時詞表，最后在這個臨時詞表中進行識別，得出全局的最優(yōu)識別結果。該過程遍歷了各個子集，相當于在整個候選集合中匹配出最優(yōu)識別結果，所以識別正確率得到了保證。同時由于識別次數(shù)的增加，導致識別時間相應地變長。

　　導航系統(tǒng)語音提示的實現(xiàn)方案

　　導航系統(tǒng)的語音提示由專門的語音合成子系統(tǒng)完成。將語音提示的實現(xiàn)過程分為提出請求和執(zhí)行請求兩步。請求的提出方和執(zhí)行方構成客戶/服務器(C /S) 模型，其中，語音合成子系統(tǒng)充當服務器。由于語音合成引擎通常不能同時輸出多線合成的語音，所以會遇到請求沖突的情況。發(fā)生請求沖突時，最直接的處理策略是：中止正在進行的合成轉而進行下一個合成，或者維持正在進行的合成而忽略新的合成請求。為此在語音合成子系統(tǒng)中設計了管理模塊用于決定發(fā)生合成沖突時的處理方式。

　　對于語音合成子系統(tǒng)，合成請求的提出是一個隨機事件，將這類隨機事件記為Qi。每個合成請求Qi都具有優(yōu)先級的屬性，其優(yōu)先級的高低取決于請求的提示信息的重要程度，見表1。管理模塊的處理流程見圖6。如果下一請求Qi+1的優(yōu)先級高于當前請求Qi，則優(yōu)先合成Qi+1。

　　車載語音導航系統(tǒng)的試驗驗證

　　圖7為本文的車載語音導航系統(tǒng)的實物照片。對本系統(tǒng)進行了語音導航的驗證試驗，通過語音交互完成了表2中所示的車載導航功能。試驗表明，系統(tǒng)的狀態(tài)能夠完全正確地按照設計的對話模式進行轉換，并能正確完成各種導航功能的人機對話過程；同時，系統(tǒng)的語音提示也能正確工作。

　　另外測試了系統(tǒng)正確響應語音控制命令的能力。測試中，用清晰平穩(wěn)的語音，對地圖瀏覽狀態(tài)所有語音控制命令的49個識別詞進行了測試，共測試49×3=147次，成功132次，失敗15次，成功率為89.8%?？梢姡到y(tǒng)語音控制命令的有效性較好。

　　在海量POI名稱識別的試驗中，對字數(shù)為2至10的POI名稱進行了測試。對于每一長度的POI名稱，分別取10個進行測試。其中每個POI名稱最多做兩次測試，當且僅當?shù)谝淮螠y試失敗才繼續(xù)第二次測試。試驗結果如表3所示。

　　可見，離線遍歷識別方案的一次識別正確率為86.7%，二次識別正確率為93.3%。其正確識別的平均耗時為6.1s至10.4s之間，按 POI名稱的字數(shù)統(tǒng)計分布計算加權的平均耗時為8.3s。以上數(shù)據(jù)說明，該方案能夠利用小詞匯量的關鍵詞識別引擎實現(xiàn)大詞匯量POI名稱的識別，并且獲得了滿意的識別正確率，但是耗時較長。

　　結語

　　本文主要完成了車載導航人機語音交互系統(tǒng)的設計和實現(xiàn)，并在實驗室環(huán)境中對系統(tǒng)進行了實驗驗證。

　　證明利用合成的語音，可以實現(xiàn)豐富靈活的語音提示，使用戶可以在不分散過多精力的前提下使用導航系統(tǒng)。進一步的工作是提高識別正確率和降低正確識別的平均耗時。