Antennes microphoniques intelligentes : localisation de sources acoustiques par Deep Learning

Smart acoustics antennas : localisation of acoustics sources using Deep Learning

• Auteur / Autrice : Hadrien Pujol
• Direction : Alexandre Garcia, Eric Bavu
• Type : Thèse de doctorat
• Discipline(s) : Mécanique
• Date : Soutenance le 22/10/2020
• Etablissement(s) : Paris, HESAM
• Ecole(s) doctorale(s) : École doctorale Sciences des métiers de l'ingénieur (Paris)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de mécanique des structures et des systèmes couplés (Paris)
• Partenaire(s) de recherche : établissement de préparation de la thèse : Conservatoire national des arts et métiers (France ; 1794-....)
• Jury : Examinateurs / Examinatrices : Antoine Deleforge, Rozenn Nicol, Nicolas Thome
• Jury : Rapporteur / Rapporteuse : Manuel Melon, Emmanuel Vincent

Mots clés

Mots clés contrôlés

Apprentissage profond

Apprentissage supervisé (intelligence artificielle)

Impédance acoustique -- Mesure

Antennes à réflecteur

Mots clés libres

Deep Learning

DOA 2D et 3D

Convolution à trous

Base de données

Méthode des sources images

Retards fractionnaires

Spatialisation ambisonique

Antennes compactes

Deep Learning

2D and 3D DOA

Atrous convolutions

Sound source Datasets

Image source method

Fractional delays

Ambisonic spatialization

Compact microphone arrays

Résumé

Pour ma thèse de doctorat, je propose d’explorer la piste de l’apprentissage supervisé, pour la tâche de localisation de sources acoustiques. Pour ce faire, j’ai développé une nouvelle architecture de réseau de neurones profonds. Mais, pour optimiser les millions de variables d’apprentissages de ce réseau, une base de données d’exemples conséquente est nécessaire. Ainsi, deux approches complémentaires sont proposées pour constituer ces exemples. La première est de réaliser des simulations numériques d’enregistrements microphoniques. La seconde, est de placer une antenne de microphones au centre d’une sphère de haut-parleurs qui permet de spatialiser les sons en 3D, et d’enregistrer directement sur l’antenne de microphones les signaux émis par ce simulateur expérimental d’ondes sonores 3D. Le réseau de neurones a ainsi pu être testé dans différentes conditions, et ses performances ont pu être comparées à celles des algorithmes conventionnels de localisation de sources acoustiques. Il en ressort que cette approche permet une localisation généralement plus précise, mais aussi beaucoup plus rapide que les algorithmes conventionnels de la littérature.

For my PhD thesis, I propose to explore the path of supervised learning, for the task of locating acoustic sources. To do so, I have developed a new deep neural network architecture. But, to optimize the millions of learning variables of this network, a large database of examples is needed. Thus, two complementary approaches are proposed to constitute these examples. The first is to carry out numerical simulations of microphonic recordings. The second one is to place a microphone antenna in the center of a sphere of loudspeakers which allows to spatialize the sounds in 3D, and to record directly on the microphone antenna the signals emitted by this experimental 3D sound wave simulator. The neural network could thus be tested under different conditions, and its performances could be compared to those of conventional algorithms for locating acoustic sources. The results show that this approach allows a generally more precise localization, but also much faster than conventional algorithms in the literature.