语音识别在微机器人控制系统中的应用

　　本文基于毫米级全方位无回转半径移动机器人课题。微系统配置示意图如图1所示。主要由主机Host（配有图像采集卡）、两个CCD摄像头（其中一个为显微摄像头）、微移动装配平台、微机器人本体和系统控制电路板等组成。计算机和摄像机组用于观察微机器人的方位，控制系统控制微机器人的移动。

　　本文在系统控制电路中嵌入式实现语音识别算法，通过语音控制微机器人。

　　微机器人控制系统的资源有限，控制方法比较复杂，并且需要有较高的实时性，因此本文采用的语音识别算法必须简单、识别率高、占用系统资源少。

　　HMM（隐马尔可夫模型）的适应性强、识别率高，是当前语音识别的主流算法。使用基于HMM非特定人的语音识别算法虽然借助模板匹配减小了识别所需的资源，但是前期的模板储存工作需要大量的计算和存储空间，因此移植到嵌入式系统还有一定的难度，所以很多嵌入式应用平台的训练部分仍在PC机上实现。

　　为了使训练和识别都在嵌入式系统上实现，本文给出了一种基于K均值分段HMM模型的实时学习语音识别算法，不仅解决了上述问题，而且做到了智能化，实现了真正意义上的自动语音识别。

　　1 增量K均值分段HMM的算法及实现

　　由于语音识别过程中非特定的因素较多，为了提高识别的准确率，针对本系统的特点，采用动态改变识别参数的方法提高系统的识别率。

　　训练算法是HMM中运算量最大、最复杂的部分，训练算法的输出是即将存储的模型。目前的语音识别系统大都使用贝斯曼参数的HMM模型，采取最大似然度算法。这些算法通常是批处理函数，所有的训练数据要在识别之前训练好并存储。因此很多嵌入式系统因为资源有限不能达到高识别率和实时输出。

　　本系统采用了自适应增量K均值分段算法。在每次输入新的语句时都连续地计算而不对前面的数据进行存储，这可以节约大量的时间和成本。输入语句时由系统的识别结果判断输入语句的序号，并对此语句的参数动态地修改，真正做到了实时学习。