Binaural sound control for shaping spatial impression with a limited number of loudspeakers

Abstract

This thesis investigates binaural reproduction using a limited number of loudspeakers. The aim is to indirectly control the perceived spatial placement of sounds by directly controlling the acoustic signals that reach the ears of one or more listeners, without the use of headphones. Due to the limited number of degrees of freedom provided by arrangements with a limited number of loudspeakers, controlling the sound field only at some points of interest rather than an extended region is more practical. After reproduction, the reproduced signals must then be assessed according to the spatial information they preserve. The most important quantities directly related to the perceived position of a sound are the interaural time difference (ITD), the interaural level difference (ILD), and the interaural cross-correlation (IACC). These quantities relate to the perceived direction and distance, as well as to the width of the perceived auditory image. The first main contribution of the thesis concerns the evaluation of the robustness of common stereophonic loudspeaker configurations for binaural reproduction under listener movement. The proposed evaluation criteria are based on interaural quantities, as these are directly related to the perceived spatial placement of sound. The thesis examines the limitations of established evaluation approaches, including optimal source distribution (OSD) theory, when applied to binaural reproduction. Particular attention is given to channel separation (CS), a widely used performance measure that is shown not to provide a reliable indication of binaural-cue preservation under listener displacement. The results demonstrate that the preferred loudspeaker topology depends both on the type of listener movement and on whether the intended auditory image is head-locked or world-locked. The second main contribution concerns the integration of binaural-cue information into the design of crosstalk-cancellation filters. The method is evaluated primarily for the case of two closely spaced listeners. In this configuration, four ear signals must be controlled simultaneously. The problem is physically demanding because closely spaced control points, such as the two inner ears of listeners seated side by side, may need to receive substantially different target pressures. To address this limitation, the thesis introduces a new method named Cue-ConstrainedTikhonov (CCT) equalization. The method reorganizes the pressure-matching error into sub-objectives that can steer the inverse solution toward spatial or spectral fidelity, depending on the reproduction application. Overall, the thesis develops an approach in which spatial information is embedded both in the assessment of the reproduced signals and in the design of the inverse filters. The analysis methodology leads to new conclusions regarding recommended loudspeaker geometries for binaural reproduction, both at the nominal listening position and under horizontal listener movements. Secondly, the proposed control method can preserve the desired binaural cues more faithfully, and with lower loudspeaker effort, than conventional approaches. The reduced radiated energy further limits the spillover toward adjacent listening positions, while the resulting solutions are more robust to deviations from the modeled conditions, such as head displacements and mismatches between the listener’s actual transfer functions and those assumed in the design.

Η παρούσα διδακτορική διατριβή εξετάζει το ζήτημα της αμφιωτικής αναπαραγωγής με τη χρήση διατάξεων περιορισμένου αριθμού μεγαφώνων. Στόχος είναι ο έμμεσος έλεγχος της εκλαμβανόμενης χωρικής τοποθέτησης των ήχων μέσω του άμεσου ελέγχου των ακου-στικών σημάτων που φτάνουν στα αυτιά ενός ή περισσότερων ακροατών, χωρίς τη χρήση ακουστικών. Το πρόβλημα δύναται να αντιμετωπιστεί με λίγα μεγάφωνα, παρά τον περιορισμένο αριθμό βαθμών ελευθερίας που αυτά προσφέρουν, καθώς δεν επιδιώκεται η αναπαραγωγή ολόκληρου του ηχητικού πεδίου αλλά μόνο του πεδίου στα σημεία ενδιαφέροντος. Τα μεγάφωνα ελέγχουν την ακουστική πίεση στα αυτιά, ενώ τα αναπαραγόμενα σήματα αξιολογούνται με βάση τη χωρική πληροφορία που διατηρούν. Τα σημαντικότερα μεγέθη πουσχετίζονται άμεσα με την εκλαμβανόμενη θέση ενός ήχου στον χώρο είναι η διαωτική χρονική διαφορά (interaural time difference, ITD), η διαωτική διαφορά στάθμης (interaurallevel difference, ILD) και η διαωτική συσχέτιση (interaural cross-correlation, IACC). Τα μεγέθη αυτά συνδέονται με την αντιληπτή διεύθυνση και απόσταση, καθώς και με το εύρος της ηχητικής εικόνας. Η πρώτη κύρια συνεισφορά της διατριβής αφορά την αξιολόγηση της ευρωστίας συνήθων στερεοφωνικών διατάξεων μεγαφώνων για αμφιωτική αναπαραγωγή υπό συνθήκες μετακίνησης του ακροατή. Τα προτεινόμενα κριτήρια αξιολόγησης βασίζονται σε διαωτικά μεγέθη, καθώς αυτά σχετίζονται άμεσα με την αντιληπτή χωρική τοποθέτηση του ήχου. Η διατριβή εξετάζει τους περιορισμούς καθιερωμένων προσεγγίσεων αξιολόγησης, συμπεριλαμβανομένης της θεωρίας βέλτιστης κατανομής πηγών (optimal source distribution, OSD), όταν αυτές εφαρμόζονται στην αμφιωτική αναπαραγωγή. Ιδιαίτερη έμφαση δίνεται στη διαχωριστικότητα καναλιών (channel separation, CS), ένα ευρέως χρησιμοποιούμενο μέτρο επίδοσης, το οποίο αποδεικνύεται ότι δεν παρέχει αξιόπιστη ένδειξη για τη διατήρηση των αμφιωτικών χαρακτηριστικών κατά τη μετατόπιση του ακροατή. Τα αποτελέσματα καταδεικνύουν ότι η προτιμώμενη τοπολογία μεγαφώνων εξαρτάται τόσο από το είδος της κίνησης του ακροατή όσο και από το κατά πόσον η επιδιωκόμενη ηχητική εικόνα είναι σταθερή ως προς την κεφαλή (head-locked) ή ως προς τον εξωτερικό χώρο (world-locked). Η δεύτερη κύρια συνεισφορά αφορά την ενσωμάτωση πληροφορίας σχετικής με τα αμφιωτικά χαρακτηριστικά στον σχεδιασμό φίλτρων ακύρωσης διακαναλικής ακουστικής διαρροής. Η μέθοδος αξιολογείται κυρίως για την περίπτωση δύο ακροατών που βρίσκονται σε κοντινή απόσταση. Στην περίπτωση αυτή πρέπει να ελέγχονται ταυτόχρονα τέσσερα σήματα, δύο για κάθε ακροατή, και το πρόβλημα είναι ιδιαίτερα απαιτητικό από φυσική άποψη, επειδή σημεία ελέγχου που βρίσκονται πολύ κοντά μεταξύ τους, όπως τα δύο εσωτερικά αυτιά δύο ακροατών που κάθονται ο ένας δίπλα στον άλλο, ενδέχεται να αντιστοιχούν σε σημαντικά διαφορετικές επιθυμητές ακουστικές πιέσεις. Για την αντιμετώπιση αυτού του περιορισμού, η διατριβή εισάγει μια νέα μέθοδο, την Cue-Constrained Tikhonov (CCT). Η μέθοδος αναδιοργανώνει το σφάλμα της αντιστοίχισης ακουστικής πίεσης σε επιμέρους υποστόχους, οι οποίοι μπορούν να κατευθύνουν την αντίστροφη λύση είτε προς τη χωρική είτε προς τη φασματική πιστότητα, ανάλογα με την εκάστοτε εφαρμογή αναπαραγωγής. Συνολικά, η διατριβή αναπτύσσει μια προσέγγιση στην οποία η χωρική πληροφορία ενσωματώνεται τόσο στην αξιολόγηση των αναπαραγόμενων σημάτων όσο και στον σχεδιασμό των αντίστροφων φίλτρων. Η μεθοδολογία ανάλυσης που ακολουθείται οδηγεί σε νέα συμπεράσματα σχετικά με τις προτεινόμενες γεωμετρίες μεγαφώνων για την αμφιωτική αναπαραγωγή, τόσο στην ονομαστική θέση ακρόασης όσο και υπό συνθήκες μετακίνησης του ακροατή. Παράλληλα, τα αποτελέσματα δείχνουν ότι η προτεινόμενη μέθοδος ελέγχου οδηγεί σε συστήματα αμφιωτικής αναπαραγωγής που διατηρούν πιστότερα τα επιθυμητά αμφιωτικά χαρακτηριστικά με μικρότερη προσπάθεια μεγαφώνων σε σχέση με τις συμβατικές μεθόδους. Η μικρότερη απαιτούμενη ηχητική ενέργεια συμβάλλει επιπλέον στον περιορισμό της διαρροής προς γειτονικές θέσεις ακρόασης, ενώ οι λύσεις που προκύπτουν είναι περισσότερο εύρωστες σε παρεκκλίσεις από τη μοντελοποιημένη κατάσταση, όπως οι μετατοπίσεις της κεφαλής και οι αποκλίσεις των πραγματικών συναρτήσεων μεταφοράς του ακροατή από τις αντίστοιχες συναρτήσεις που υιοθετήθηκαν κατά τον αρχικό σχεδιασμό.