1. 项目概述从DAS到DMAS-CF的跨越在工业气体泄漏检测、旋转机械故障预警或是机器人三维声纳导航这些场景里我们常常需要一双“耳朵”来“看见”声音。这双耳朵就是由数十甚至上百个麦克风组成的阵列。但仅仅“听见”还不够我们需要的是“看清”——将阵列接收到的海量声波信号转化成一幅清晰、高对比度的声学图像精准地定位声源的位置和强度。这就是空气声学成像的核心任务。实现这幅声学图像的算法核心叫做波束成形。你可以把它想象成一个超级智能的“听觉聚焦镜”。传统的延迟求和DAS波束成形是这个领域最经典、最直接的“镜片”。它的原理很直观假设我们想“看”某个方向就先计算声音从那个方向传到每个麦克风所需的时间差延迟然后把所有麦克风的信号在时间上对齐补偿延迟最后简单地把它们加起来。如果信号确实来自那个方向对齐后的信号同相叠加得到增强如果来自其他方向干扰或噪声则对不齐相互抵消一部分。DAS的优势是计算快、鲁棒性强但它的“镜片”质量一般成像的“动态范围”有限。动态范围简单说就是图像中最亮的点主瓣目标信号和最暗的背景噪声之间的差距。DAS的“镜片”边缘模糊高旁瓣导致目标周围有一圈虚影在复杂噪声环境下弱目标很容易被这些虚影或背景噪声淹没图像对比度很差。这就引出了我们面临的核心矛盾一方面工业现场或户外环境背景噪声复杂声源信号动态范围大比如一个微弱泄漏声旁边可能有个强噪声机器我们需要成像算法有极高的动态范围和分辨率来区分它们另一方面许多应用如机器人实时避障要求算法必须在毫秒级完成计算无法承受复杂自适应算法如MVDR、MUSIC的巨大计算开销。这些高级算法虽然“镜片”更锐利但通常需要多次“快照”来估计信号统计特性或者对阵列排布有严格要求在单次、宽带、实时处理的空气声学成像中往往水土不服。于是我们从医学超声成像领域找到了灵感引入了一种名为延迟相乘求和DMAS的非线性波束成形技术并结合相干因子CF加权形成了本文探讨的DMAS-CF方案。它的核心思想非常巧妙在信号对齐后我们不直接相加而是先让不同麦克风通道的信号两两相乘然后再处理。这个乘法操作本质上是在计算信号之间的相关性。来自真实声源的信号在各个麦克风间是高度相关的相乘后会得到强化而那些不相关的噪声和旁瓣干扰相乘后则会被抑制。这就像是从“加法镜片”升级到了“乘法镜片”能极大地压制背景凸显目标。更进一步我们可以将这种相乘扩展到更高阶比如三通道、四通道信号相乘形成高阶DMAS获得更极致的动态范围。实测表明五阶DMAS结合CF能将图像动态范围提升近40 dB这对于在嘈杂工厂中 pinpoint 一个微小的气体泄漏点或者在机器人导航中清晰分辨近距离的多个障碍物意义重大。当然天下没有免费的午餐。高阶乘法带来的计算量是组合爆炸的。对于一个N元阵列二阶DMAS需要计算C(N,2)次乘积累加五阶则需要计算C(N,5)次直接计算在实时系统中是不可行的。本文的另一大贡献就是通过牛顿-吉拉德二项式恒等式将这种组合爆炸的计算复杂度神奇地降到了O(N)。这意味着无论阶数多高每个成像像素点的计算只需要对N个通道的信号遍历一次计算几个幂次和再代入一个固定的多项式即可。这个数学上的“降维打击”是DMAS-CF能够跑在嵌入式GPU如NVIDIA Jetson系列上实现实时处理的关键。接下来我将带你深入这套技术的肌理从数学原理、实现细节到实战调优完整拆解如何构建一个高动态范围的实时空气声学成像系统。2. 核心原理DMAS-CF如何重塑声学图像要理解DMAS-CF为何有效我们需要深入到信号处理的层面看看乘法这个非线性操作到底带来了什么魔法以及牛顿-吉拉德恒等式又是如何施展“化繁为简”的戏法的。2.1 从DAS到DMAS乘法的力量让我们从最基础的DAS公式开始。对于一个包含N个麦克风的阵列假设我们已经对期望观测方向ψ进行了精确的时延补偿得到了对齐后的信号xi (i1 to N)。DAS的输出非常简单S_DAS Σ (i1 to N) xi这就是一个纯粹的线性、相干累加。它的波束图即系统对一个点源的响应主瓣宽度由阵列孔径决定但旁瓣电平通常较高例如-13 dB或更高。高旁瓣意味着能量从主瓣“泄漏”到了其他方向在成像上表现为目标周围的光晕或虚影严重时会掩盖邻近的弱目标。DMAS的核心革新在于引入了一个预处理步骤取信号的符号和幅度平方根。我们定义第i个通道的“预处理后信号”为s_i sign(x_i) * sqrt(|x_i|)这里sign(x_i)取信号的符号正或负sqrt(|x_i|)是信号幅值的平方根。这个操作可以看作是一种温和的非线性压缩它保留了信号的相位信息通过符号同时改变了幅度的分布。经典的二阶DMAS即文献中常说的DMAS输出定义为所有不重复的通道对其预处理后信号乘积之和S_DMAS Σ (i1 to N-1) Σ (ji1 to N) (s_i * s_j)将s_i的定义代入你会发现s_i * s_j sign(x_i*x_j) * sqrt(|x_i*x_j|)。这正是公式(3)的形式。这个乘积累加的操作其效果相当于在求和之前先计算所有通道对信号的相关性。对于来自主瓣方向、高度相干的信号x_i和x_j符号和波形高度一致s_i * s_j倾向于产生大的正值。而对于不相关的噪声或来自旁瓣方向的干扰不同通道间的信号相关性低它们的乘积有正有负在求和过程中会相互抵消。因此DMAS能有效抑制非相干成分从而显著降低旁瓣提升图像的动态范围和对比度。2.2 高阶DMAS与牛顿-吉拉德恒等式的妙用二阶DMAS已经带来了显著提升但科研的追求是无止境的。很自然地我们会想如果两两相乘有效那三三、四四相乘呢这就是高阶DMAS的概念。将阶数推广到n其定义是对所有从N个通道中选取n个不同通道的组合求其预处理后信号的乘积然后对所有这样的组合求和。S_DMAS^(n) Σ (所有包含n个不同索引的组合I) Π (i∈I) s_i这里的s_i需要做一个调整变为n阶形式s_i^(n) sign(x_i) * (|x_i|)^(1/n)。即取信号的n次方根这是为了在数学上保持不同阶数之间能量的一致性。直接按这个组合定义计算是灾难性的。计算量是O(N^n)对于一个64通道的阵列计算五阶DMAS需要C(64,5) ≈ 760万个项求和完全无法实时。此时牛顿-吉拉德恒等式闪亮登场。它建立了“初等对称多项式”就是我们要求的S_DMAS^(n)即所有n项乘积之和与“幂和”之间的关系。所谓“幂和”P_k就是所有通道预处理信号(s_i^(n))的k次方之和P_k Σ (i1 to N) (s_i^(n))^k 其中 k 1, 2, ..., n。关键来了通过牛顿-吉拉德恒等式任何一个n阶的初等对称多项式即S_DMAS^(n)都可以用前n个幂和P_1, P_2, ..., P_n的一个固定多项式来表达。例如二阶n2S_DMAS^(2) (1/2) * [ (P_1)^2 - P_2 ]三阶n3S_DMAS^(3) (1/6) * [ (P_1)^3 2*P_3 - 3*P_1*P_2 ]四阶、五阶也有类似但更长的多项式见原文公式11,12。这个转化的革命性意义在于无论n是多少我们只需要遍历一次所有N个通道计算出P_1到P_n这n个值每个值都是O(N)计算量。然后将这些值代入对应的、预先推导好的固定多项式计算量是O(1)就能立刻得到S_DMAS^(n)。整体复杂度从组合爆炸的O(N^n)降到了线性的O(n*N) ≈ O(N)。对于嵌入式实时系统这是从“不可能”到“可能”的关键一跃。注意这里有一个非常重要的实现细节。在计算P_k时(s_i^(n))^k [sign(x_i) * (|x_i|)^(1/n)]^k。当k为奇数时符号项sign(x_i)^k sign(x_i)当k为偶数时sign(x_i)^k 1。因此在实际编程中我们需要根据k的奇偶性来分别处理符号而不是先计算s_i^(n)再求幂后者会引入不必要的开方运算。更高效的做法是直接计算|x_i|^(k/n)然后根据k的奇偶性决定是否乘以sign(x_i)。2.3 相干因子CF最后的“净化器”DMAS通过非线性乘法压制了非相干噪声但我们还可以锦上添花。相干因子CF是一个介于0到1之间的标量它衡量的是在某个成像点上所有通道信号波形的相似相干程度。它的定义非常直观CF (Σ x_i)^2 / (N * Σ (x_i)^2)分子是DAS输出结果的平方相干功率的体现分母是所有通道信号能量之和总功率。如果所有x_i完全相同完全相干那么CF (N*x)^2 / (N*N*x^2) 1。如果各x_i完全不相关比如全是随机噪声那么它们的和会远小于平方和的平方根CF值会接近0。CF就像一个自适应权重。在信号高度相干的主瓣区域CF值接近1几乎不衰减信号。在旁瓣或纯噪声区域信号相干性差CF值很小会大幅衰减该处的输出。将CF作为权重乘到DMAS的输出上S_DMAS-CF^(n) S_DMAS^(n) * CF相当于给DMAS这面“乘法镜片”又加了一层“相干性滤光片”可以进一步抑制那些侥幸通过乘法抑制的、残留的相干性较差的干扰让主瓣更加“干净”。在实际图像上最直观的效果就是背景更黑目标边缘更锐利。3. 实现与优化从数学公式到GPU实时流水线理解了原理下一步就是如何高效地实现它。一个完整的、面向实时空气声学成像的DMAS-CF系统其实现远不止写出那几个数学公式。它涉及到从信号预处理、并行计算架构到内存访问模式的全方位设计。3.1 系统处理流水线设计一个完整的成像流程波束成形只是中间一环。一个典型的实时处理流水线包括以下步骤我们必须为每个步骤选择最合适的实现策略匹配滤波脉冲压缩对于主动声纳自己发射声波接收到的回波是发射信号通常是线性调频Chirp与目标冲激响应的卷积。匹配滤波就是用一个与发射信号共轭匹配的滤波器对接收信号进行滤波它能最大化信噪比并提高距离分辨率。这一步通常在波束成形之前进行。实现上既可以在时域做卷积也可以在频域做快速卷积利用FFT后者对于长信号效率更高。在我们的应用中一个2.5ms、带宽25-50kHz的Chirp信号频域处理是更优选择。延迟计算与查找表这是波束成形的准备阶段。对于成像范围内的每一个像素点由距离r和方向角θ, φ定义都需要计算声波从该点到每个麦克风的传播时间差。由于声速已知这些延迟只与阵列几何结构和像素坐标有关与接收信号无关。因此绝对必须在初始化阶段预计算所有像素点对所有麦克风的延迟并存储为一个庞大的查找表。在实时处理时直接查表获取延迟值避免重复进行耗时的几何和三角函数计算。这是实时性的第一个关键保障。信号延迟对齐波束成形核心步骤根据查找表得到的延迟τ_i对每个麦克风的信号m_i(t)进行时移得到对齐信号x_i(t) m_i(t τ_i)。由于延迟通常是分数采样间隔需要采用插值算法。线性插值速度最快但精度一般sinc插值精度高但计算量大。在实际工程中我通常采用4点或6点的拉格朗日插值在精度和速度间取得很好的平衡。这一步是计算最密集的部分之一。DMAS-CF计算这就是我们上一章的核心。对于每个像素点(t, ψ) a. 从N个通道读取对齐后的信号值x_i。 b. 计算预处理信号s_i^(n) sign(x_i) * |x_i|^(1/n)。注意这里|x_i|^(1/n)的计算对于嵌入式系统可以采用查找表或快速近似算法如fastPow函数来避免昂贵的pow函数调用。 c. 遍历所有通道累加计算幂和P_1到P_n。 d. 将P_1到P_n代入对应阶数的牛顿-吉拉德多项式得到S_DMAS^(n)。 e. 计算CFCF (sum_x)^2 / (N * sum_x2 ε)其中sum_x是x_i的和sum_x2是x_i平方的和ε是一个极小值如1e-12防止除零。注意sum_x和sum_x2可以在步骤c中顺便计算无需额外遍历。 f. 输出最终值S_out S_DMAS^(n) * CF。包络检测与后处理波束成形输出的是射频RF信号。我们需要提取其包络即信号幅度来生成最终的声学图像。通常做法是计算信号的绝对值或平方然后经过一个低通滤波器如均值滤波或一阶IIR滤波器来平滑。最后可能还需要进行对数压缩如20*log10()来将巨大的动态范围映射到有限的显示灰度范围如0-255。3.2 GPU并行化加速策略要实现实时处理例如每秒30帧以上CPU串行计算是绝对不够的。GPU的大规模并行架构是DMAS-CF算法的绝佳舞台。我们的并行化策略遵循“一个像素一个线程”或“一个像素一个线程块”的原则。核心CUDA内核设计思路并行粒度最自然的方式是让一个GPU线程负责计算一个输出像素即一个特定的(t, ψ)方向。假设图像有M个方向方位角和R个距离门那么我们就启动M * R个线程。内存访问优化输入信号所有麦克风通道的信号数据需要从全局内存读取。由于每个线程都需要读取所有N个通道在该像素点对应的信号值这会导致非合并的内存访问效率低下。一个关键的优化技巧是使用纹理内存或常量内存来存储延迟查找表并尽可能确保同一线程块内的线程访问相邻的内存地址以利用缓存和合并访问。共享内存对于每个线程块可以将该块所需的一部分输入信号或中间结果加载到共享内存中供块内所有线程快速访问减少对全局内存的访问次数。计算优化超越函数近似计算|x_i|^(1/n)是瓶颈。我们可以使用CUDA内置的powf函数但更高效的方法是使用针对特定阶数n优化的近似公式。例如对于n2平方根可以使用快速平方根倒数算法类似Quake III中的魔法数方法的变种。对于更高阶可以预计算一个查找表或者使用多项式近似。循环展开在计算幂和P_1到P_n的循环中可以手动展开循环例如一次处理4个或8个通道以减少循环开销并提高指令级并行。使用-use_fast_math编译选项在NVCC编译器选项中启用快速数学函数它会用更快的、精度稍低的内部函数替换一些标准数学函数通常对成像质量影响不大但能显著提升速度。一个简化的CUDA内核伪代码结构如下__global__ void dmas_cf_kernel(float* output, const float* signals, const float* delay_lut, ...) { int pixel_idx blockIdx.x * blockDim.x threadIdx.x; if (pixel_idx total_pixels) return; // 1. 获取当前像素对应的延迟索引并从全局内存读取N个通道的信号值可能需要插值 float x[N]; // 实际上可能使用寄存器或共享内存 for (int i 0; i N; i) { float delay delay_lut[pixel_idx * N i]; x[i] interpolate_signal(signals, i, delay); // 插值函数 } // 2. 初始化累加器 float sum_x 0.0f, sum_x2 0.0f; float P10, P20, P30, P40, P50; // 以5阶为例 // 3. 单次遍历计算CF所需的和以及DMAS所需的幂和 for (int i 0; i N; i) { float val x[i]; float abs_val fabsf(val); int sign_val (val 0) ? 1 : ((val 0) ? -1 : 0); sum_x val; sum_x2 val * val; // 计算 s_i^(5) sign * |x|^(1/5) float s sign_val * powf(abs_val, 0.2f); // 或使用快速近似 float s2 s * s; float s3 s2 * s; float s4 s2 * s2; float s5 s4 * s; P1 s; P2 s2; P3 s3; P4 s4; P5 s5; } // 4. 计算CF float CF (sum_x * sum_x) / (N * sum_x2 1e-12f); // 5. 代入5阶牛顿-吉拉德多项式计算 S_DMAS^(5) float P1_2 P1 * P1; float P1_3 P1_2 * P1; float P1_4 P1_3 * P1; float P1_5 P1_4 * P1; float P2_2 P2 * P2; float S_DMAS5 (P1_5 - 10.0f*P2*P1_3 15.0f*P2_2*P1 20.0f*P3*P1_2 - 20.0f*P3*P2 - 30.0f*P1*P4 24.0f*P5) / 120.0f; // 6. 应用CF并输出 output[pixel_idx] S_DMAS5 * CF; }3.3 嵌入式平台如Jetson部署要点将算法部署到NVIDIA Jetson这类嵌入式GPU平台时除了通用GPU优化还需特别注意内存带宽限制Jetson的全局内存带宽远低于桌面级GPU。因此必须极致优化内存访问。尽可能使用纹理内存访问延迟表利用其缓存特性。考虑将部分频繁访问的常量数据存储在常量内存或芯片上的共享内存中。功耗与热限制实时运行下需要监控功耗和温度。可以通过调整GPU和CPU的频率或者在满足帧率要求的前提下适当降低计算精度如使用half半精度浮点数来平衡性能和功耗。流水线与异步执行利用CUDA流实现数据传输Host to Device, Device to Host与内核计算的并行。当一帧数据在GPU上计算时CPU可以同时准备下一帧的数据并拷贝到GPU以此隐藏数据传输延迟。与传感器硬件的接口需要设计一个高效的数据采集和传输链路。例如使用高带宽接口如PCIe将麦克风阵列的ADC数据直接送入Jetson的内存或者通过DMA方式传输避免CPU的频繁拷贝开销。4. 性能评估与实战调优指南理论很美好但实际效果如何又该如何根据具体应用选择参数这部分结合论文中的实验数据和我的实战经验给你一个清晰的指南。4.1 关键性能指标解读论文通过点扩散函数PSF、图像信噪比SNR和空间分辨率三个维度评估了DMAS-CF。动态范围源自PSF分析这是DMAS-CF最显著的提升。如图2所示传统DAS的PSF旁瓣大概在-40dB左右而五阶DMASDMAS5能将旁瓣压制到-80dB以下结合CF后甚至更低。近40dB的动态范围提升意味着在图像上背景噪声和旁瓣伪影的亮度被极大地压低使得弱目标从背景中“跳”出来。这对于检测微小的气体泄漏其声信号可能比环境噪声低30-40dB至关重要。图像信噪比SNR如图4和表1所示在不同输入麦克风信噪比下高阶DMAS始终能输出更高的图像SNR。例如在0dB输入信噪比即信号与噪声幅度相等的恶劣条件下DAS的图像SNR约为15dB而DMAS5-CF可以将其提升到35dB以上。这直接转化为更强的在噪声中检测弱目标的能力。CF的加入能额外带来几个dB的SNR增益。空间分辨率这是需要冷静看待的一点。如图5和图6所示DMAS-CF并没有显著改变主瓣的宽度即-3dB波束宽度。空间分辨率主要由阵列的物理孔径尺寸和信号波长决定这是物理极限。DMAS-CF做的是“打扫房间”把主瓣周围乱七八糟的杂物旁瓣清理干净让主瓣看起来更突出、更干净但它并没有把房间的墙主瓣宽度推得更开。所以如果你需要区分两个靠得非常近的声源单纯提高DMAS阶数可能帮助有限你需要一个物理上更大的阵列。4.2 阶数n与CF的权衡选择如何为你的应用选择最合适的阶数n和是否启用CF阶数n的选择n1 (DAS)计算最快鲁棒性最强但图像质量最差。适用于对实时性要求极端高、且背景干净、目标强的场景或作为算法验证的基线。n2 (基础DMAS)计算量适中能提供显著的动态范围提升约20-25dB。是大多数实时应用的甜点选择在图像质量和计算负担间取得了很好的平衡。n3, 4, 5 (高阶DMAS)图像质量动态范围、SNR逐级提升但计算量也线性增加因为要计算更多幂和P_k。适用于对图像质量有极致要求且计算资源相对充裕的场景例如离线数据分析、高精度泄漏检测报告生成。需要注意的是阶数越高对数值精度越敏感在低信噪比条件下可能出现不稳定的情况。经验法则从n2开始尝试。如果图像背景噪声和伪影仍然干扰目标识别且GPU尚有算力余量可以逐步尝试n3或4。n5的提升边际效应已不明显但计算成本仍在增加。相干因子CF的启用几乎总是应该启用。CF的计算开销极小只需额外计算sum_x和sum_x2却能带来额外的几个dB的SNR增益和更干净的背景。它特别擅长抑制那些由于阵列不规则或散射环境产生的、具有一定相干性的伪影。唯一需要谨慎的情况当目标信号本身非常微弱且阵列各通道信号由于传播路径差异导致相干性也有所下降时CF可能会不适当地衰减主瓣信号。在这种情况下可以尝试对CF值做一个下限截断例如CF max(calculated_CF, 0.2)或者观察禁用CF的效果。4.3 实战部署中的常见问题与排查图像出现“星点”状或条纹状高频噪声可能原因数值不稳定。在计算|x_i|^(1/n)时如果x_i非常接近于零浮点运算可能产生异常。在计算CF时分母可能为零。解决方案在开n次方和除法前添加保护性操作。例如float abs_val fmaxf(fabsf(x[i]), 1e-12f); // 避免为零 float s sign_val * powf(abs_val, 1.0f/n); float CF (sum_x * sum_x) / (N * sum_x2 1e-12f); // 防止除零GPU内核执行时间远高于预期可能原因非合并的全局内存访问每个线程独立进行昂贵的超越函数如powf计寄存器溢出导致使用本地内存速度很慢。排查与优化使用nvprof或Nsight Compute工具分析内核的“Memory Throughput”和“Achieved Occupancy”。确保对delay_lut和signals的访问是合并的。考虑使用纹理内存读取delay_lut。用查找表或快速近似函数替代powf。对于固定的n可以预计算一个长度为1024的查找表将|x_i|量化后查表得到|x_i|^(1/n)。尝试减少每个线程使用的寄存器数量例如将计算P1到P5的循环部分展开但避免使用过多的局部变量。成像结果中强目标周围出现“黑洞”或信号被过度抑制可能原因CF值在强目标中心区域计算错误可能由于数值问题导致异常低或者高阶DMAS的非线性特性对极高幅值信号产生了过度压缩。解决方案检查CF的计算流程确保没有数值问题。可以考虑对最终输出图像进行适当的中值滤波或形态学操作以消除个别异常像素。也可以尝试在CF计算中引入一个空间平滑例如使用一个小邻域内CF的平均值。在嵌入式Jetson上无法达到实时帧率可能原因图像分辨率方向数M × 距离门数R设置过高GPU频率被系统动态调低过热或功耗限制内存带宽成为瓶颈。解决方案降低分辨率这是最有效的方法。评估应用需求是否真的需要0.05°的角度分辨率是否可以降低距离采样率通常可以先降低分辨率跑通再逐步提高。监控与锁定频率使用jetson_clocks脚本锁定CPU和GPU在最高频率并确保散热良好。使用半精度FP16Jetson的GPU对FP16有很好的支持。尝试将输入信号、中间变量和输出图像的数据类型改为half可以减半内存占用和带宽需求并提升计算速度。注意检查精度损失是否可接受。批处理如果单帧处理无法占满GPU可以尝试同时处理多帧数据批处理以提高GPU利用率。5. 超越基础扩展思路与未来方向DMAS-CF为我们提供了一个强大的实时成像工具但技术探索永无止境。结合论文的展望和我个人的思考这里有几个值得深入的方向阵列几何结构与DMAS的协同设计论文指出空间分辨率主要取决于阵列孔径。未来的工作可以系统研究不同阵列排布如稀疏阵列、非均匀阵列、共形阵列与不同阶数DMAS算法的相互作用。例如一个经过优化的稀疏阵列结合高阶DMAS是否能在保持物理孔径不变的情况下通过算法进一步“锐化”主瓣这需要大量的仿真和实验来建立设计准则。与自适应波束成形的混合策略MVDR等自适应方法在有多快照、窄带假设下性能优越。能否发展一种混合框架例如在系统初始化或场景相对静止时用多个快照计算一个稳健的协方差矩阵估计用于生成自适应权重在实时运动过程中则切换到单快照的DMAS-CF模式。或者将DMAS的输出作为预处理再输入给一个轻量级的后置自适应滤波器针对特定应用的定制化非线性函数DMAS的本质是采用了sign(x)*|x|^(1/n)的非线性预处理。这是一个普适的选择但未必是最优的。对于特定的噪声分布如冲击噪声或特定的声源特性如瞬态泄漏声是否可以设计更合适的非线性函数f(x)来替代sign(x)*|x|^(1/n)从而在抑制特定干扰方面获得更好效果这可以结合机器学习方法从数据中学习最优的f(x)。与深度学习端到端结合目前深度学习在声学成像中多用于后处理如图像去噪、目标识别。一个更激进的思路是将整个波束成形流程延迟、DMAS、CF表示成一个可微分的神经网络层与后续的识别网络进行端到端联合训练。让网络不仅学习识别目标还学习如何“形成”最有利于识别的声学图像。这可能会催生出超越传统模型的新颖波束成形算法。在我实际将这套系统用于工业巡检机器人的过程中最大的体会是没有“最好”的算法只有“最合适”的系统级解决方案。DMAS-CF提供了远超DAS的图像质量而其O(N)的实时实现又让它从理论走向了工程实践。当你面对一个具体的声学成像问题时不妨以DMAS2-CF作为起点它很可能已经在性能和质量上带来了质的飞跃。然后根据你的具体约束算力、帧率、检测灵敏度像调试精密仪器一样去微调阶数、CF的使用策略以及GPU内核的每一个细节直到在嘈杂的工业现场屏幕上的声学图像清晰地勾勒出那个微小的泄漏点那一刻你会觉得所有的数学推导和代码优化都是值得的。
