AR-1106角度更新门控与非语音瞬态误指向

天上路人 · 2026-08-04 10:30:53 发布

AR-1106 是声源定位（DOA）模组，基于时延估计实现 0~180° 范围的实时方向检测，内置 SG90 舵机驱动可直接带动摄像头云台或机器人转向，通过 9600bps 串口以十六进制输出角度参数（如 90° 输出 0x5A），最远触发距离 5 米，内置 AI 降噪。

把它接入系统后，第一个会遇到的工程问题不是"定位准不准"，而是"什么时候该相信这个角度"。原因在于：基于互相关的时延估计对任意宽带瞬态信号都能给出峰值，它并不区分声源是人说话、关门、脚步、椅子拖动，还是键盘敲击。只要有声音，就有输出角度。

如果把每一帧的角度都直接送去驱动舵机，实际表现会是：摄像头频繁乱转，跟着一切声响摆动，反而不如固定不动。这类系统的可用性，主要不是由定位精度决定，而是由什么时候更新、什么时候忽略这套门控逻辑决定。

最基础的一层：信号能量低于门限时不做定位。作用是过滤环境本底噪声。缺点是无法区分"响亮的非语音"与"响亮的语音"，对关门声完全无效。门限本身还需要随环境噪声自适应，否则安静房间与嘈杂车间需要两套配置。

只在检测到语音时更新角度。语音的判别特征包括：基频（人声通常 80~350Hz）的存在与连续性、谐波结构、共振峰分布、过零率、时长（语音音节通常 100ms 以上，而敲击声是几毫秒到几十毫秒的瞬态）。

其中时长判据对冲击噪声特别有效：要求候选事件在连续多帧内保持一致的角度估计与语音特征，短瞬态自然被排除。代价是引入了对应的响应延迟——一个 200ms 的确认窗口意味着说话人开口后 200ms 才开始转向。对摄像头跟随这类应用，这个延迟完全可接受；对需要即时反应的交互，则要重新权衡。

互相关函数的峰值形态本身携带信息：尖锐、单一、高于旁瓣的峰值意味着估计可靠；平坦、多峰、峰旁比低的情况意味着可能处于强混响或多声源环境，此时角度估计不可信。把峰旁比作为置信度指标，低于阈值时直接丢弃该帧结果，是成本很低但效果显著的一道防线。

AR-1106 支持定制命令词（单次最多 10 条），且在 5 米远距下仍能稳定触发。用唤醒/命令词作为定位更新的触发条件，是可靠性最高的一层：只有当确认"有人在对设备说话"时才更新方向。这把问题从"检测任何声源"收窄为"检测目标交互事件"，误触发率大幅下降。

命令词的设计规则直接影响这层门控的可靠性：建议 4~6 字、4 字最佳；禁止重叠音；避免口语化词汇与多音字；避免叠字与连续零声母词；词条之间若仅差一个字，该字不宜放在末位（末位字受语音截断影响最大，最易混淆）。这些约束的本质都是增大词条之间的声学距离。

通过门控的角度序列仍然会有抖动，来源包括混响、测量噪声、说话人自身的头部转动。常用的三种平滑手段各有取舍：

一阶低通（指数平滑）：实现最简，一个乘加即可。对高斯型抖动有效，但对离群值（一次严重误估）响应缓慢且会被拖偏。
中值滤波：对离群值抑制能力强，是处理"偶发单帧误判"的合适工具。窗口长度需为奇数，典型取 5~9 帧。缺点是对真实的快速转向也会产生延迟。
状态机 + 死区：设定一个角度死区（例如 ±10°），新角度落在当前指向的死区内则不动作。这直接消除了"说话人轻微移动导致云台持续微调"的问题，对机械系统的寿命也有好处。

实践中常见的组合是：中值滤波去离群 → 死区判决决定是否动作 → 一阶平滑生成舵机目标轨迹。

SG90 是典型的模拟舵机，其特性对系统设计有几点硬约束：

启动电流约 800mA。若与 AR-1106 共用同一路 5V 供电，舵机启动瞬间的电压跌落可能导致模组复位。建议为舵机配置独立的 1A~2A 5V 电源，或至少做电源分离与足够的大容量去耦。这是该方案中最常见的现场故障。
存在机械回差与死区。目标角度与实际到位角度之间有误差，且正反方向不对称。若控制环路不考虑这一点，会出现小幅度指令下"指了但没动"的现象。
转动本身产生噪声。舵机运转的机械噪声会被麦克风拾取，形成"转动→噪声→触发定位→再转动"的正反馈。对策是在舵机运动期间暂停角度更新，运动结束后延迟若干毫秒再恢复。

因此角度更新速率不应高于机械系统的响应能力。给出高于舵机跟踪带宽的指令序列，只会造成指令堆积与抖动。合理做法是在算法侧做速率限制，把角度变化率约束在舵机可执行范围内。