多车同鸣如何锁定元凶？声学阵列定位技术详解

一、问题背景：禁鸣之后，“谁按的喇叭”成了技术题

鸣笛是城市道路交通噪声的主要来源之一。持续的一声喇叭，不仅会惊扰路侧行人与非机动车，对沿线住户的休息影响更为直接。为此，国内多座城市陆续出台管控措施：由生态环境与公安交管部门联合发布通告，在全市范围、全天时段禁止机动车鸣笛，同时保留安全视距受限、超车示意、紧急避险等法定情形，以及执行紧急任务的特种车辆使用喇叭与警报器的权利，违规鸣笛则可能面临罚款等处罚。

管理落地的前提是“认定准确”。一条有效的抓拍记录，至少要回答三个问题：喇叭声发生在什么时刻？声源位于哪个空间位置？这个位置对应哪一辆车？三个问题环环相扣：时间不准，证据链断裂；位置不准，则可能张冠李戴，把责任安到旁边正常行驶的车辆头上。而路口恰恰是最难的环境——高峰期单方向可能滞留数十辆车，喇叭声、发动机声、胎噪、风噪混叠在一起，鸣笛本身往往又只持续几百毫秒。要让设备在这样复杂的声场中“听声辨车”，需要一整套严谨的信号处理与多传感器融合方案。

二、从双耳到阵列：声源定位的物理基础

人类判断声源方位，主要依赖两耳接收信号的差异：低频声音波长较长，绕过头部后强度衰减有限，听觉系统主要利用声音到达两耳的时间差；高频声音被头部遮挡明显，则更多依赖两耳的强度差。这套机制分辨率有限，但足以支撑日常的方位感知。

路侧设备沿用了同样的思想，只是把“两只耳朵”换成了麦克风阵列：若干个麦克风按已知几何位置布置，由同一时钟驱动、同步采样。阵列可以采用线形、平面、环形、螺旋等不同阵形，麦克风数量从几个到几十个不等，设计时需要在尺寸、空间分辨率与成本之间反复权衡。

时间差的数量级值得算一算。声速在常温空气中约为340米/秒，若同一声波到两个麦克风的路径相差0.34米，到达时间就相差约1毫秒。一个孔径0.5米左右的阵列，最大时差通常只有1.5毫秒上下；而鸣笛的主要能量集中在数百到数千赫兹，对应波长从近一米到分米量级——这意味着各通道波形之间的错位可能还不到一个周期。因此，系统必须做到多通道严格同步采样、通道间增益与相位特性一致，否则微小的设备失配就会淹没真实的传播时差。

三、一对麦克风不够：时差估计与定位解算

有了同步波形，下一步是估计时差。最直接的方法是互相关：把两个通道的信号在时间轴上相对滑动，找到相关能量最大的偏移量，即为时差估计。在低信噪比环境下，简单互相关的峰值容易被噪声拖得平缓，工程上常用广义互相关方法，先对各通道做频域加权（例如相位变换加权，对信号做白化处理），使相关峰更尖锐，从而提升时差估计的稳健性。

但要注意，一对麦克风给出的时差并不能直接锁定唯一位置。在二维平面上，到两点距离差为定值的轨迹是一条双曲线——声源可能位于这条曲线上的任何一点。只有引入更多麦克风、得到多组时差约束（例如8个麦克风可构成28个通道对），再结合阵列几何与道路范围等先验信息联立求解（常用最小二乘），才能把候选位置逐步收拢为一个点。多余的约束还可用于一致性校验：若某个通道对的时差与其他约束明显矛盾，往往提示该次估计受到了干扰。

距离判断上还有近场与远场之分。声源较近时，波前呈球面，各通道延时需按球面波模型精确计算；声源较远时，波前可近似为平面，模型简化、计算量下降。路侧抓拍的目标多在数十米内的车道上，一般处于近场或过渡区，需要采用更精确的模型，并借助高倍采样或分数延迟插值获得亚采样级的对齐精度。

四、波束形成：让计算机“转头听”

声学成像中最经典的方法是延迟-求和波束形成。可以把它想象成计算机在逐一“转头”：对每个候选位置，先假设声源就在那里，按照该假设计算声音传播到各麦克风的延时，把各路信号分别补偿对齐后再叠加。

如果假设位置接近真实声源，同一声喇叭在各通道的波形本来有先后，补偿之后恰好对齐，同相叠加，能量得到增强；如果假设位置偏离真实声源，各通道波形对不齐，叠加时相互抵消，响应就弱。把所有候选位置扫一遍，就得到一张声学能量分布图——能量峰所在的位置，就是声源位置的估计。这也是“声学相机”这一说法的由来：它输出的不是照片，而是一幅声音的“图像”。

伪代码示意如下（简化模型，实际系统通常在频域实现并加入更精细的加权）：

# 延迟-求和波束形成（简化示意）
输入：M 路同步信号 s[1..M]，麦克风坐标 p[1..M]，声速 c，候选位置网格 G
for 每个候选位置 g in G:
    for 每个麦克风 i in 1..M:
        tau[i] = distance(p[i], g) / c                  # 该通道的传播延时
        s_aligned[i] = fractional_delay(s[i], tau[i])   # 分数延迟补偿
    y = average(s_aligned[1..M])                        # 同相叠加
    response[g] = energy(y)                             # 该方向的响应能量
source_estimate = argmax(response)                      # 峰值处即声源估计

分辨率方面，波束形成的主瓣宽度大致由“孔径/波长”之比决定：阵列孔径越大、频率越高，空间分辨能力越强。这解释了两个现象：其一，路边阵列往往做得比较“宽”，为的是拉开孔径；其二，低频成分难以分辨相邻声源，系统通常重点利用鸣笛能量集中的中高频段进行处理。

五、阵列设计与工程取舍

真实产品的设计没有“最优解”，只有针对场景的取舍：

• 阵形选择：线阵只能分辨一维方位角，适合区分“哪条车道”；平面阵、螺旋阵可以同时估计方位与俯仰，定位信息更完整，但安装与标定更复杂。不规则排布的阵形有助于抑制周期性阵形固有的栅瓣与混叠。
• 孔径与体积：孔径越大分辨率越高，但设备体积、风阻、安装位置（灯杆、龙门架）都受到限制。
• 通道数量：更多麦克风意味着更多时差约束、更强的抗噪能力和更锐利的波束，但采集通道数、同步精度与算力成本会同步上升。
• 环境补偿：声速并非常数，气温每升高1摄氏度，声速约增加0.6米/秒，设备通常引入温度传感器对传播模型做实时修正；此外还要定期进行通道一致性标定，保证长周期运行的可靠性。

六、多车同鸣、混响与噪声：真实路口远比原理复杂

原理演示中“一个声源、一个峰”的理想情况很少出现，工程上至少要闯过三关。

第一关是多声源。两辆车几乎同时鸣笛时，声场是两个源叠加的结果，波束形成的输出可能出现多个峰，或主瓣被拉宽、偏移。应对思路包括：在频域分离不同频谱特征的成分；采用更先进的多源定位算法（如基于稀疏恢复的估计）；以及引入时序跟踪——喇叭声会持续数百毫秒，跨帧跟踪声源轨迹并结合车辆运动趋势做数据关联，比单帧判断可靠得多。

第二关是反射与混响。路口两侧多为高层建筑，墙面反射会在声像图中形成“虚像”峰。好在系统拥有强先验：目标只可能出现在车道范围内。将定位结果与车道多边形做约束匹配，虚像与车道外干扰即可被大量过滤。

第三关是噪声与干扰。风噪、雨声、刹车声、发动机声都会污染信号。工程上一般分两步走：先做声事件识别，利用喇叭声频谱稳定、常为双音、调性持续等特征，判断“这确实是鸣笛”而非防盗报警或其他突发声；确认事件后，再启动定位与跟踪流程。同时，设备端会加装防风罩、做防水防尘设计，并利用与视频的联动做交叉验证。

七、从声源坐标到证据链：系统的完整链路

声学定位只是中间环节，完整的抓拍系统是一条多传感器协同的流水线：

1. 声事件检测：阵列持续采集，特征识别模块判定发生鸣笛，并记录精确时间戳；
2. 声源定位与跟踪：对事件时段的信号做时差估计或波束形成，输出声源位置序列，再用滤波方法平滑轨迹；
3. 时空对齐：声学设备与摄像机共享统一时钟源，确保音频事件与视频帧可精确对齐；
4. 投影与车辆关联：将声源坐标投影到摄像机画面，结合车道线与车辆检测框，筛选出与声源位置、出现时刻均吻合的车辆；
5. 车牌识别与证据生成：抓取车辆特写与全景照片，连同音频片段、定位结果一并打包；
6. 人工复核：声学定位给出的是“统计意义上最可能的位置”，执法认定通常要求声、光两类证据相互印证，并经人工复核确认。

这套链路的设计要点在于：任何单一传感器都不足以独立定责。声学回答“何时、何地”，视频回答“何车”，两者在统一时空基准上闭环，才能形成经得起复核的证据。

八、延伸：声学相机的应用不止于鸣笛

麦克风阵列加波束形成这套组合，适用面远比想象中广：可用于改装排气车辆的噪声取证，工业场景中定位设备异响与气体泄漏点（泄漏常伴随超声成分），以及桥梁、风机等大型结构的异常声监测等。其技术内核是一致的——用物理约束刻画声传播，用信号处理从混叠中“抠”出目标，再借助多传感器融合把物理量转化为可用的业务结论。

回到最初的问题：那么多车，怎么知道是谁按的喇叭？答案并不是某一项“黑科技”，而是声学原理、阵列几何、同步采样、波束形成与视频融合的层层接力。每一个环节都只贡献一点确定性，但接力完成之后，路口那一声喇叭，就能被准确地落到某一块车牌上。