Localisation 3D de sources acoustiques par Deep Learning et entrainement de réseaux par spatialisation ambisonique d'ordres élevés - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2022

Localisation 3D de sources acoustiques par Deep Learning et entrainement de réseaux par spatialisation ambisonique d'ordres élevés

Résumé

Des travaux précédents ont prouvé la pertinence de l’utilisation de l’approche par Deep Learning pour la localisation de sources acoustiques, et en particulier l’efficacité de l’approche reposant sur l'architecture de réseau de neurones profond BeamLearning que nous avons développé. La constitution d’un jeu de données reste toutefois une des pierre angulaires du paradigme de l’apprentissage supervisé. Si la constitution d’une base de données simulées est possible, seule des géométries d’antennes simples peuvent être utilisées. En effet, les phénomènes de diffraction 3D par le corps de l’antenne sont généralement difficiles à prendre en compte par simulation. Pour saisir totalement les interactions du champ de pression avec l’antenne, il est toutefois possible de créer une base de données à partir de mesures réelles, ce qui peut représenter une tâche chronophage et nécessite a priori de disposer d’un grand nombre d’environnements différents. Pour remédier à ces inconvénients, le laboratoire dispose d’un spatialisateur 3D, que nous exploitons pour constituer des jeux de données variés pour l'entrainement de réseaux dédiés aux tâches de localisation de sources. Ce système de restitution ambisonique à l’ordre 5 peut être piloté en temps réel et offre une synthèse parfaitement maîtrisée et totalement automatisée d'un grand nombre de positions de sources. Après l’étalonnage minutieux du système de spatialisation, une base de données conséquente est constituée pour prouver que ces données sont pertinentes pour entraîner l’architecture BeamLearning, et permettre de localiser une source acoustique en 3D avec une erreur angulaire surpassant les performances de localisation en 3D de l'algorithme SH-MUSIC, tout en offrant une cadence d'estimations angulaires beaucoup plus élevée. Nous montrerons également qu'un apprentissage effectué sur des données provenant de mesures d’une antenne réelle permet d'inclure dans la procédure un étalonnage implicite des microphones composant l'antenne, ce qui simplifie grandement les problématiques d’étalonnage de ce type de capteurs.
Fichier non déposé

Dates et versions

hal-03847812 , version 1 (10-11-2022)

Identifiants

  • HAL Id : hal-03847812 , version 1

Citer

Hadrien Pujol, Éric Bavu, Alexandre Garcia. Localisation 3D de sources acoustiques par Deep Learning et entrainement de réseaux par spatialisation ambisonique d'ordres élevés. 16ème Congrès Français d'Acoustique, CFA2022, Société Française d'Acoustique; Laboratoire de Mécanique et d'Acoustique, Apr 2022, Marseille, France. ⟨hal-03847812⟩
101 Consultations
0 Téléchargements

Partager

Gmail Facebook X LinkedIn More