1 引言

機(jī)器人聽覺系統(tǒng)主要是對人的聲音進(jìn)行語音識別并做出判斷，然后輸出相應(yīng)的動作指令控制頭部和手臂的動作，傳統(tǒng)的機(jī)器人聽覺系統(tǒng)一般是以pc機(jī)為平臺對機(jī)器人進(jìn)行控制，其特點是用一臺計算機(jī)作為機(jī)器人的信息處理核心通過接口電路對機(jī)器人進(jìn)行控制，雖然處理能力比較強(qiáng)大，語音庫比較完備，系統(tǒng)更新以及功能拓展比較容易，但是比較笨重，不利于機(jī)器人的小型化和復(fù)雜條件下進(jìn)行工作，此外功耗大、成本高。 本次設(shè)計采用了性價比較高的數(shù)字信號處理芯片tms320vc5509作為語音識別處理器，具有較快的處理速度，使機(jī)器人在脫機(jī)狀態(tài)下，獨立完成復(fù)雜的語音信號處理和動作指令控制，fpga系統(tǒng)的開發(fā)降低了時序控制電路和邏輯電路在pcb板所占的面積[1]，使機(jī)器人的"大腦"的語音處理部分微型化、低功耗。一個體積小、低功耗、高速度能完成特定范圍語音識別和動作指令的機(jī)器人系統(tǒng)的研制具有很大的實際意義。2 系統(tǒng)硬件總體設(shè)計

系統(tǒng)的硬件功能是實現(xiàn)語音指令的采集和步進(jìn)電機(jī)的驅(qū)動控制，為系統(tǒng)軟件提供開發(fā)和調(diào)試平臺。如圖1所示。 系統(tǒng)硬件分為語音信號的采集和播放，基于dsp的語音識別，fpga動作指令控制、步進(jìn)電機(jī)及其驅(qū)動、dsp外接閃存芯片，jtag口仿真調(diào)試和鍵盤控制幾個部分。工作流程是麥克風(fēng)將人的語音信號轉(zhuǎn)化為模擬信號，在經(jīng)過音頻芯片tlv320aic23量化轉(zhuǎn)化成數(shù)字信號輸入dsp．dsp完成識別后，輸出動作指令。 fpga根據(jù)dsp輸入的動作指令產(chǎn)生正確的正反轉(zhuǎn)信號和準(zhǔn)確的脈沖給步進(jìn)電機(jī)驅(qū)動芯片，驅(qū)動芯片提供步進(jìn)電機(jī)的驅(qū)動信號，控制步進(jìn)電機(jī)的轉(zhuǎn)動。片外flash用于存儲系統(tǒng)程序和語音庫并完成系統(tǒng)的上電加載。jtag口用于與pc機(jī)進(jìn)行聯(lián)機(jī)在線仿真，鍵盤則用于參數(shù)調(diào)整和功能的切換。

3 語音識別系統(tǒng)設(shè)計3．1 語音信號的特點 語音信號的頻率成分主要分布在300～3400hz之間，根據(jù)采樣定理選擇信號的采樣率為8 khz。語音信號的一個特點在于他的"短時性"，有時在一個短時段呈現(xiàn)隨機(jī)噪聲的特性，而另一段表現(xiàn)周期信號的特性，或二者兼而有之。語音信號的特征是隨時間變化的，只有一段時間內(nèi)，信號才表現(xiàn)穩(wěn)定一致的特征，一般來說短時段可取5～50 ms，因此語音信號的處理要建立在其"短時性"上[2]，系統(tǒng)將語音信號幀長設(shè)為20 ms，幀移設(shè)為10 ms，則每幀數(shù)據(jù)為160×16 b。3．2 語音信號的采集和播放

語音采集和播放芯片采用的是ti公司生產(chǎn)的tlv320aic23b，tlv320aic23b的模數(shù)轉(zhuǎn)換(adc)和數(shù)模轉(zhuǎn)換(dac)部件高度集成在芯片內(nèi)部，芯片采用8 k采樣率，單聲道模擬信號輸入，雙聲道輸出。tlv320aic23具有可編程特性，dsp可通過控制接口來編輯該器件的控制寄存器，而且能夠編譯spi，i2c兩種規(guī)格的接口，tlv320aic23b與dsp5509的電路連接如圖2所示。
dsp采用i2c口對tlv320aic23的寄存器進(jìn)行設(shè)置。當(dāng)mode=o時，為i2c規(guī)格的接口，dsp采用主發(fā)送模式，通過i2c口對地址為0000000～0001111的11個寄存器進(jìn)行初始化。i2c模式下，數(shù)據(jù)是分為3個8 b寫入的。而tlv320aic23有7位地址和9位數(shù)據(jù)，也就是說，需要把數(shù)據(jù)項上面的最高位補(bǔ)充到第二個8 b中的最后一位。 mcbsp串口通過6個引腳clkx，clkr，fsx，fsr，dr和cx與tlv320aic23相連。數(shù)據(jù)經(jīng)mcbsp串口與外設(shè)的通信通過dr和dx引腳傳輸，控制同步信號則由clkx，clkr，fsx，fsr四個引腳實現(xiàn)。將mcbsp串口設(shè)置為dsp mode模式，然后使串口的接收器和發(fā)送器同步，并且由tlv320aic23的幀同步信號lrcin，lrcout啟動串口傳輸，同時將發(fā)送接收的數(shù)據(jù)字長設(shè)定為32 b(左聲道16 b，右聲道16 b)單幀模式。3．3 語音識別程序模塊的設(shè)計 為了實現(xiàn)機(jī)器人對非特定人語音指令的識別，系統(tǒng)采用非特定人的孤立詞識別系統(tǒng)。非特定人的語音識別是指語音模型由不同年齡、不同性別、不同口音的人進(jìn)行訓(xùn)練，在識別時不需要訓(xùn)練就可以識別說話人的語音[2]。系統(tǒng)分為預(yù)加重和加窗，短點檢測，特征提取，與語音庫的模式匹配和訓(xùn)練幾個部分。3．3．1 語音信號的預(yù)加重和加窗 預(yù)加重處理主要是去除聲門激勵和口鼻輻射的影響，預(yù)加重數(shù)字濾波h(z)=1一kz-1，其中是為預(yù)加重系數(shù)，接近1，本系統(tǒng)中k取0．95。對語音序列x(n)進(jìn)行預(yù)加重，得到預(yù)加重后的語音序列x(n)：x(n)=x(n)一kx(n一1) (1)

系統(tǒng)采用一個有限長度的漢明窗在語音序列上進(jìn)行滑動，用以截取幀長為20 ms，幀移設(shè)為10 ms的語音信號，采用漢明窗可以有