6 مارس 2024 -توسط موسسه فناوری شیباورا-روش نوآورانه حذف نویز مبتنی بر هوش مصنوعی صدایی مشابه نویز پهپاد تولید می کند و سپس آن صدا را از صدای ضبط شده توسط میکروفون پهپاد کم می کند تا نویز را حذف کند و در نتیجه صداهای انسان را تقویت کند. اعتبار: موسسه فناوری چینتاکا پرماچاندرا/شیباورا
وسایل نقلیه هوایی بدون سرنشین (پهپادها) در سال های اخیر در بسیاری از بخش ها مانند ارتش، کشاورزی، ساخت و ساز و مدیریت بلایا مورد توجه قرار گرفته اند. این ماشین‌های همه کاره دسترسی از راه دور به مناطق سخت یا خطرناک و قابلیت‌های نظارت عالی را ارائه می‌دهند.
به طور خاص، آنها می توانند در جستجوی قربانیان در خانه های فروریخته و آوار در اثر بلایای طبیعی مانند زلزله بسیار مفید باشند. این می تواند منجر به تشخیص زودهنگام قربانیان شود و پاسخ سریع را ممکن می سازد.
تحقیقات موجود در این زمینه بیشتر بر روی پهپادهای مجهز به دوربین هایی متمرکز شده است که برای جستجوی قربانیان و ارزیابی وضعیت به تصاویر متکی هستند. با این حال، تنها اتکا به اطلاعات بصری می تواند ناکافی باشد، به خصوص زمانی که قربانیان زیر آوار یا در مناطقی که در نقاط کور دوربین ها سقوط می کنند، گیر افتاده اند. با تشخیص این محدودیت، برخی از مطالعات بر استفاده از صدا برای شناسایی افراد به دام افتاده متمرکز شده اند.
با این حال، از آنجایی که یک پهپاد از ملخ‌های چرخشی سریع برای پرواز استفاده می‌کند که خود بر روی پهپاد نصب می‌شوند، صدای آنها می‌تواند صداهای دورتر انسان را کمتر قابل شنیدن کند و چالش مهمی را ایجاد کند. بنابراین لازم است صدای پروانه ها را حذف کرده و صدای قربانیان گرفتار شده را برای شناسایی موثر جدا کنید.
در حالی که برخی از مطالعات سعی کرده اند این مشکل را با استفاده از میکروفون های متعدد برای جداسازی منبع صدای قربانیان از پروانه ها همراه با تشخیص گفتار حل کنند، صدای پردازش شده می تواند تشخیص دقیق صداهای قربانی را برای اپراتور دشوار کند. علاوه بر این، چنین نرم افزاری از کلمات از پیش تعیین شده برای جداسازی صداهای انسان استفاده می کند، در حالی که صدای تولید شده توسط قربانیان ممکن است بر اساس موقعیت متفاوت باشد.
برای پرداختن به این مسائل، پروفسور چینتاکا پریماچاندرا و آقای یوگو کیناسادا از گروه مهندسی الکترونیک دانشکده مهندسی در موسسه فناوری شیباورا، ژاپن، یک سیستم جدید سرکوب نویز مبتنی بر هوش مصنوعی (AI) توسعه دادند.
پروفسور پریماچاندرا توضیح می دهد: “کاهش صدای پروانه پهپاد از مخلوط صدا در حالی که قابلیت شنیدن صدای انسان را افزایش می دهد، یک مشکل تحقیقاتی بزرگ ایجاد می کند. شدت متغیر نویز پهپاد، که به طور غیرقابل پیش بینی با حرکات پرواز متفاوت در نوسان است، توسعه یک فیلتر پردازش سیگنال را پیچیده می کند. قادر به حذف موثر صدای پهپاد از مخلوط است.”
“سیستم ما از هوش مصنوعی برای تشخیص صدای پروانه و رسیدگی موثر به این مسائل استفاده می کند.”
در قلب این سیستم جدید، یک مدل هوش مصنوعی پیشرفته به نام شبکه‌های متخاصم مولد (GAN) وجود دارد که می‌تواند انواع مختلفی از داده‌ها را با دقت یاد بگیرد. برای یادگیری انواع داده های صدای پروانه پهپاد استفاده شد. سپس از این مدل آموخته شده برای تولید صدایی مشابه با پروانه های پهپاد استفاده می شود که به آن صدای شبه پهپاد می گویند.
سپس این صدای شبه پهپاد از صدای واقعی ضبط شده توسط میکروفن های داخل پهپاد کم می شود و به اپراتور اجازه می دهد به وضوح بشنود و در نتیجه صداهای انسان را تشخیص دهد. این تکنیک دارای چندین مزیت نسبت به سیستم های سنتی سرکوب نویز است، از جمله توانایی سرکوب موثر نویز پهپاد در محدوده فرکانس باریک با دقت خوب.
نکته مهم این است که می تواند با نویز نوسان پهپاد در زمان واقعی سازگار شود. این مزایا می تواند به طور قابل توجهی کاربرد پهپادها را در ماموریت های جستجو و نجات افزایش دهد.
محققان این سیستم را روی یک پهپاد واقعی با ترکیبی از صدای پهپاد و انسان آزمایش کردند. آزمایش نشان داد که در حالی که این سیستم می تواند به طور موثر نویز پهپاد را حذف کند و صداهای انسان را تقویت کند، هنوز مقداری نویز باقی مانده در صدای حاصل وجود دارد.
خوشبختانه، عملکرد فعلی برای پیشنهاد این سیستم برای تشخیص انسان در مکان‌های واقعی فاجعه کافی است. علاوه بر این، محققان در حال حاضر در حال کار بر روی بهبود بیشتر سیستم و رسیدگی به چند مشکل باقی مانده هستند.به طور کلی، این تحقیق پیشگامانه پتانسیل زیادی برای استفاده از پهپادها در مدیریت بلایا دارد.
پروفسور پرماچاندرا گفت: «این رویکرد نه تنها نوید بهبود استراتژی‌های تشخیص انسان پس از فاجعه را می‌دهد، بلکه توانایی ما را برای تقویت اجزای صوتی ضروری در صورت ترکیب با اجزای غیرضروری افزایش می‌دهد. تلاش‌های مستمر ما به افزایش بیشتر اثربخشی پهپادها در واکنش به بلایا کمک می‌کند و به نجات جان‌های بیشتر کمک می‌کند.»
این مطالعه در مجله IEEE Transactions on Services Computing منتشر شده است.
