深度学习增强的抗噪声 triboelectric 声学传感器用于在杂的环境中进行人机协作
Chuanjie Yao1,2, Suhang Liu1,2, Zhengjie Liu1,2
1State Key Laboratory of Optoelectronic Materials and Technologies, School of Electronics and Information Technology, Sun Yat-Sen University, Guangzhou, China.
Nature communications
|May 9, 2025
概括
一个与深度学习集成的新型抗噪声 triboelectric 声学传感器 (Anti-noise TEAS) 在杂的环境中实现了强大的语音命令识别. 该系统增强了人机协作,用于复杂的任务,如灾难救援.
科学领域:
- 工程 工程师 工程师 工程师
- 材料科学 材料科学 材料科学
- 人工智能的人工智能
背景情况:
- 人机语音交互对于健康监测和灾难救援等应用至关重要.
- 传统的麦克风系统在杂的环境中扎,限制了复杂的人机协作.
- 强大的声信号识别对于在具有挑战性的场景中可靠运行至关重要.
研究的目的:
- 开发一种防噪声声学传感器系统,用于在杂环境中可靠的人机语音交互.
- 将灵活的 triboelectric 声学传感器与深度学习模型集成,用于增强声信号处理.
- 在复杂,杂的场景中证明系统的有效性,特别是用于引导机器人系统.
主要方法:
- 开发一种使用灵活的纳米柱结构的抗噪声 triboelectric 声学传感器 (Anti-noise TEAS).
- 与基于卷积神经网络的深度学习模型 (Anti-noise TEAS-DLM) 集成反噪声TEAS.
- 通过接触传感直接捕获来自喉振动的声信号,并通过设备结构缓冲进行噪声抑制.
主要成果:
- 防噪TEAS-DLM系统在模拟和现实杂环境中显示出近乎完美的防噪能力.
- 通过深度学习模型实现了声信号的高保真性解释和语义解码.
- 语音命令的可靠传输使得机器人系统在复杂的灾后救援任务中能够精确指导机器人系统.
结论:
- 增强DLM的Anti-noise TEAS为下一代人机协作系统提供了一个非常有前途的平台.
- 该系统在具有挑战性的噪音环境中提供了强大的性能,克服了传统基于麦克风的方法的局限性.
- 这项技术提高了关键应用的人机交互的精度和可靠性.
更多相关视频
11:39Assessment of Audio-Tactile Sensory Substitution Training in Participants with Profound Deafness Using the Event-Related Potential Technique
Published on: September 7, 2022
1.8K
11:06A Human-machine-interface Integrating Low-cost Sensors with a Neuromuscular Electrical Stimulation System for Post-stroke Balance Rehabilitation
Published on: April 12, 2016
10.4K
